Escolar Documentos
Profissional Documentos
Cultura Documentos
JOINVILLE-SC
Joinville
_________________________________________.
Prof. Mestre Jonny Ivon Beckert (orientador)
_________________________________________.
Prof. Mestre Carlos Roberto da Silva Filho (co orientador)
_________________________________________.
Prof. (membro da banca)
_________________________________________.
(Membro da banca)
RESUMO
A habilidade de prever precisamente o consumo de energia de um sistema
vital para o planejamento e operao eficiente, econmica e segura de um sistema
de potncia. Esse trabalho investiga a utilizao de Redes Neurais Artificiais para a
previso do consumo de energia eltrica no Brasil.
Aqui so destacados os principais fatores que devem pautar a modelagem de
um sistema baseada em redes neurais artificiais, que so: seleo das variveis de
entrada; quantidade de dados referente s variveis disponveis; arquitetura da rede;
treinamento; previso da sada. O modelo ora apresentado foi desenvolvido a partir
de uma amostra do consumo de energia eltrica no Brasil, nos anos de 1995 a 2014.
Como variveis de entrada, foram selecionadas aquelas definidas pela Empresa de
Pesquisa Energtica (EPE) nos Planos Decenais de Expanso de Energia.
Para validar a proposta apresentada, so mostrados resultados baseados nas
simulaes com o modelo proposto utilizando o software MATLAB
ABSTRACT
The ability to accurately predict the power consumption of a system is vital
for planning and efficient operation, economical and safe a power system. This work
investigates the use of Artificial Neural Networks for the forecast electricity
consumption in Brazil.
Here the main factors that should guide the modeling of a system based on
artificial neural networks are deployed, which are selection of the input variables;
amount of data for the variables available; network architecture; training; Output
forecast. The model presented here was developed from a sample of electricity
consumption in Brazil, from 1995 to 2014. As input variables were selected those
defined by the Energy Research Company (EPE) in the Decennial Plan for Energy
Expansion.
To validate the proposal, results are shown based on simulations with the
model using the MATLAB software
LISTA DE ILUSTRAES
GRFICOS
LISTA DE TABELAS
10
SUMRIO
11
INTRODUO............................................................................................... 15
1.1
TEMA........................................................................................................... 16
1.1.1
Delimitao do tema............................................................................16
1.2
PROBLEMA.................................................................................................. 16
1.3
HIPTESE.................................................................................................... 16
1.4
JUSTIFICATIVA.............................................................................................. 17
1.5
OBJETIVO GERAL......................................................................................... 17
1.6
OBJETIVOS ESPECIFICOS.............................................................................17
1.7
METODOLOGIA............................................................................................ 18
REFERENCIAL TERICO.............................................................................. 19
2.1
2.1.1
Estaes Geradoras.............................................................................20
2.1.2
Linhas de Transmisso........................................................................21
2.1.3
Sistemas de Distribuio....................................................................22
2.2
2.3
PREVISO DE DEMANDA.............................................................................23
2.4
2.5
2.6
SRIES TEMPORAIS..................................................................................... 27
2.7
2.7.1
2.7.2
Escolha da Rede................................................................................... 30
2.7.3
2.7.4
Neurnio Biolgico...............................................................................33
2.7.5
Neurnio Artificial................................................................................35
2.7.6
Funo de Ativao..............................................................................36
2.7.9
METODOLOGIA............................................................................................. 50
3.1
3.1.1
Populao.............................................................................................. 52
3.1.2
As variveis macroeconmicas..........................................................54
3.1.3
3.1.4
3.2
A VARIAVEL DE SAIDA.................................................................................66
3.3
3.3.1
3.4
Treinamento da Rede.................................................................................. 74
3.5
3.6
Minimizando o Erro..................................................................................... 83
CONSIDERAES FINAIS............................................................................88
LISTA DE ABREVIATURAS
13
AA: Ao Ano
ANEEL: Agencia Nacional de Energia Eltrica
BEN: Balano Energtico Nacional
BNDES: Banco Nacional do Desenvolvimento
EPE: Empresa de Pesquisa Energtica
IBGE: Instituto Brasileiro de Geografia e Estatstica
MLP: Multilayer Perceptron
PDE: Plano Decenal de Energia
PIB: Produto Interno Bruto
RNA: Rede Neural Artificial
SEP: Sistema Eltrico de Potencia
SIN: Sistema Interligado nacional
UH: Usina Hidroeltrica
1 INTRODUO
14
15
1.1
TEMA
UTILIZAO DE REDES NEURAIS ARTIFICIAIS NA PREVISO DE
1.1.1
Delimitao do tema
Criao de um sistema utilizando Redes Neurais Artificiais (RNA) para
1.2
PROBLEMA
Previso da demanda de energia em um determinado tempo futuro utilizando
dados passados, com uma margem de erro pequena o suficiente para auxiliar na
tomada de deciso com relao a ampliao do Sistema Interligado Nacional (SIN).
1.3
HIPTESE
- possvel utilizar Redes Neurais Artificiais como mtodo preditivo de
1.4
JUSTIFICATIVA
Tomando como base o atual senrio econmico do Brasil, a necessidade de
atender a demanda por energia eltrica torna-se fator primordial para as projees
de crescimento econmico nacional. Planejar de forma eficaz a oferta de energia
eltrica muito mais que apenas conservao de energia. Esta verificao pode ser
feita confrontando a parcela de crescimento do mercado que pode ser atendida
atravs de aes de eficincia energtica que muito pequena, segundo o site do
Ministrio das Minas e Energias, em relao ao crescimento industrial, sendo esse,
o principal responsvel pela maior parte da demanda de energia gerada. A diferena
entre oferta e demanda de energia tem sido fator importante no crescimento do
Brasil.
Com base no exposto acima faz-se fundamental o planejamento da expanso
da capacidade produtiva e da infraestrutura de transmisso e distribuio, tendo em
vista o atendimento ao crescimento da demanda, com a manuteno ou melhoria da
qualidade do servio prestado.
O uso de RNAs de acordo com Biondi Neto et al, 2005 justifica-se pela sua
capacidade de, na anlise de sries temporais, aprendizado na realizao de
previses precisas, flexibilidade para previses iterativas capacidade de lidar com a
no estacionariedade e a no-linearidade das sries temporais investigadas e a
possibilidade de oferecer predio paramtrica e no-paramtrica
1.5
OBJETIVO GERAL
Utilizar RNA para melhorar a previso do consumo de energia eltrica em
17
1.6
OBJETIVOS ESPECIFICOS
anteriores a 2015.
Identificar quais so os fatores, variveis, envolvidas no aumento ou
de erro.
Elaborar um programa utilizando a linguagem C++ para simular Redes
Neurais Artificiais.
Comparar resultados obtidos no programa em linguagem C++ com resultados
encontrados na simulao usando o MATLAB.
1.7
METODOLOGIA
A pesquisa ser feita de modo quantitativo e a confirmao dos dados, objeto
18
2 REFERENCIAL TERICO
2.1
Estaes Geradoras
Linhas de transmisso
Sistemas de distribuio
Fonte: Desconhecido
19
2.1.1
Estaes Geradoras
De acordo com o Balano Energtico Nacional (BEN 2015) atualmente temos
vapor. Esse vapor ira mover as turbinas que esto acopladas a um gerador que vai
gerar a energia eltrica. Quando usamos combustvel fssil nas termoeltricas o
custo dessa energia gerada torna-se bastante elevado, enquanto que ao utilizarmos
resduos que podem ser queimados, Biomassa, esse custo tende a diminuir.
Nas usinas trmicas convencionais, a primeira etapa consiste na queima de
um combustvel fssil, como carvo, leo ou gs, transformando a gua em
vapor com o calor gerado na caldeira.
A segunda consiste na utilizao deste vapor, em alta presso, para girar a
turbina, que por sua vez, aciona o gerador eltrico.
Na terceira etapa, o vapor condensado, transferindo o resduo de sua
energia trmica para um circuito independente de refrigerao, retornando
gua caldeira, completando o ciclo. (Furnas 2015)
2.1.2
Linhas de Transmisso
As linhas de transmisso so as responsveis por ligar as usinas geradoras
2.1.3
Sistemas de Distribuio
Esse o elemento do SEP responsvel pela entrega da energia ao
Fonte: Desconhecido
22
2.2
2.3
PREVISO DE DEMANDA
O prognostico de demanda uma tcnica que tem como base uma
Previses claras de demanda futura por energia passam a ter um papel mais
importante no que se refere aos investimentos na rea de sistemas de distribuio,
planejamento em energia eltrica e estratgias de gerenciamento em sistemas
regionais e nacionais. (ANDRADE 2010). Previses imprecisas de energia podem
aumentar os custos operacionais, pois a superestimao na demanda futura resulta
em uma reserva girante desnecessria enquanto a subestimao pode causar falhas
no fornecimento.
A previso de cargas eltricas em relao ao intervalo de tempo descrita da
seguinte forma (YALCINOZ; EMINOGLU, 2005):
Curtssimo Prazo: toma por base o intervalo de menos de uma hora, com
instantaneidade do perfil da carga servindo de base para decises
relacionadas ao gerenciamento de demanda de carga, maior disponibilidade
de potncia, servindo como parmetro realocao de manutenes de
unidades geradoras, otimizao do uso de potncias decorrentes de cargas
diversas, etc;
2.4
FUTURAS
Prever cargas eltricas futuras mostra-se plausvel levando-se em
considerao o crescimento econmico e populacional, desejando minimizar os
riscos de desabastecimento e consequentemente perda de produtividade e aumento
dos custos de fornecimento de energia eltrica.
Partindo dessa necessidade devemos utilizar um sistema com capacidade de
encontrar o menor erro possvel com o objetivo de evitar problemas no planejamento
tanto da gerao como da transmisso de energia.
Para adequada aplicao de um sistema de previso de demanda devemos
levar em considerao a disponibilidade de informaes histricas, a possibilidade
da transformao dessas informaes histricas em dados numricos e ainda
verificar a repetio de padres passados que possam ser aplicados no futuro.
De acordo com (LIMA, 1996) os modelos de previso de carga podem ser
classificados em:
2.5
2.5.1
2.5.2
Cenrio Macroeconmico
Com relao economia mundial, ainda existe uma apreenso sobre o
26
2.5.3
consumidores industriais
Dentro do setor industrial existe uma parcela que responsvel por um
grande consumo de energia eltrica para seu funcionamento, de acordo com (DEA
03-2015) os segmentos de alumnio (incluindo alumina e bauxita), siderurgia (ao
bruto), ferro ligas, pelotizao, cobre, celulose e papel, soda-cloro, petroqumica
(eteno) e cimento juntos so responsveis por aproximadamente 40% do gasto de
toda a eletricidade consumida pelo setor industrial.
Dada a relevncia desses consumidores no gasto de energia do pas,
devemos considerar alm do senrio macroeconmico, os possveis senrios de
expanso ou retrao nesses setores especficos pois, como j vimos, so
responsveis pelo consumo de uma fatia considervel de toda a produo de
energia eltrica no Brasil, tendo assim, seu consumo, um impacto muito grande em
qualquer previso feita para o clculo de demanda futura de energia eltrica.
2.6
SRIES TEMPORAIS
Podemos definir sries temporais como sendo a observao de uma coleo
27
de forma que esse modelo seja compatvel com as amostras observadas nas sries
temporais.
As sries temporais podem ser classificadas de duas maneiras:
2.7
28
2.7.1
Camada Simples
Multicamadas
Recorrentes e Parcialmente
Recorrentes
ADALINE
Perceptron
Self-Organizing Map SOM
Learning Vector Quantization LVQ
Hopfield
Multilayer Perceptron MLP
Radial Basis Function RBF
Time Delay Neural Network TDNN
Elman
Jordan
Fonte: O autor
Rede Adaline uma rede neural tendo uma camada de entrada com N
unidades e uma camada de sada com apenas uma unidade. No h
camadas escondidas. Na Adaline, a atividade do neurnio de sada no
soma for maior do que algum resultado inicial, caso contrrio a rede envia 0
Rede Self-Organizing Map (SOM) uma rede neural de 2 camadas que
aceita padres de N-dimenses como entrada e os mapeia para um conjunto
de neurnios de sada, o qual representa o espao dos dados a serem
agrupados
29
sada.
Rede Hopfield possui uma nica camada de neurnios totalmente e
simetricamente interconectados a partir de operadores de atraso unitrio, no
havendo conexes de um neurnio para ele mesmo, possui ainda memria
auto associativa sem camada escondida e a aprendizagem realizada em um
nico passo.
Rede Multilayer Perceptron (MLP) consiste de uma camada de entrada,
uma ou mais camadas ocultas e uma camada de sada. uma rede em que
as camadas esto organizadas em uma ordem e os neurnios de uma
camada estimulam todos os neurnios da camada seguinte (fortemente
conectada). Nenhum neurnio pode estimular um neurnio da mesma
camadas ocultas
Rede Time Delay Neural Network (TDNN) so alimentadas adiante, com
mltiplas camadas, cujos nodos das camadas escondidas e da camada de
sada so duplicados ao longo do tempo. A topologia de uma rede TDNN est
2.7.2
Escolha da Rede
30
Fonte: O autor
O algoritmo responsvel pelo treinamento da rede multicamadas ser o backpropagation que de acordo com (BRAGA, CARVALHO e LUDERMIR, 2000) segue
uma sequncia de dois passos na fase de treinamento:
Primeiro, um padro apresentado camada de entrada da rede. A atividade
resultante flui atravs da rede camada por camada, at que a resposta seja
produzida pela camada de sada.
Segundo passo, a sada obtida comparada com a sada desejada para esse
padro em particular. Se no estiver correta o erro calculado e propagado a partir
31
2.7.3
2.7.4
Neurnio Biolgico
O neurnio biolgico dividido de forma simplificada em corpo celular,
Fonte: Desconhecido
34
da rede. O estudo dos pesos dados as variveis ser objeto de estudo mais adiante
nesse trabalho.
2.7.5
Neurnio Artificial
De acordo com (Haykin, p36) podemos definir um neurnio artificial como
Fonte: Haykin, p6
pesos sinpticos.
Funo de Ativao: Para restringir a amplitude de sada do neurnio,
tambm conhecida como funo restritiva j que restringe a amplitude do
sinal de sada a um valor finito. Normalmente o intervalo da amplitude de
sada do neurnio [ 0,1] ou [-1,1].
35
uk = w kj . x j
j=1
(2.1)
e
y k = ( uk +b k )
(2.2)
bk : sinal de bias
( . ) :funo de ativao
36
2.7.6
Funo de Ativao
uma funo de ordem interna, sendo uma deciso tomado pelo prprio
neurnio sobre o que fazer com os valores advindos do somatrio das entradas
ponderadas.
De acordo com (Valena,2007) em uma RNA, cada unidade de
processamento ou n tem associado uma funo de ativao, responsvel pela
intensidade do sinal a ser transmitido pelas conexes para os neurnios das
camadas adjacentes. Dentre as funes de ativao mais usuais podemos destacar
a funo degrau, funo linear e funo sigmoide.
( v ) = 1 se v 0
0 se v <0
(2.3)
37
Fonte: O autor
Essa funo foi proposta por McCulloch em seu artigo (McCulloch, 1943) e
define que a sada do neurnio ser igual a 1 se os valores da funo forem
positivos e igual a 0 se os valores forem negativos.
1
2
1
( v ) = v se+ >v > 1
2
2
1
0 se v
2
1 se v +
(2.4)
38
Fonte: O autor
linear.
A funo linear por partes pode ser vista como a reduo da funo limiar
quando o fator de amplificao tende ao infinito.
(v )=
1
1+exp (av )
(2.5)
Fonte: O autor
2.7.7
que a mesma restringida pelo problema proposto. De acordo com (Goedetel, 2003)
a estrutura de uma rede neural , basicamente, composta por trs camadas. A
primeira delas denominada camada de entrada, responsvel apenas pela
recepo do vetor de variveis, com as informaes a serem processadas pelo
40
42
Fonte: O autor
43
Para (Haykin, 2001) a camada oculta includa para permitir que a rede
extraia as caractersticas intrnsecas do processo estabelecendo, no treinamento, a
relao entrada-sada pelo ajuste de seus pesos sinpticos, e, com isto, formando
sua memria de longo prazo utilizada na generalizao de resultados para o domnio
especfico das variveis de entrada.
Esse tipo de rede pode ser totalmente conectada, quando todos os neurnios
possuem sinapses entre si ou parcialmente conectada quando no existem
conexes entre todos os neurnios.
44
Fonte: O autor
Fonte: O autor
2.7.8
47
2.7.9
entre os algoritmos para o aprendizado das redes MLP, por ser supervisionado e
utilizar pares de entrada e sada para, por meio de um mecanismo de correo de
erros, ajustar os pesos da rede.
O uso do algoritmo backpropagation consiste em calcular o erro na sada da
rede e retro propag-lo pela rede, modificando os pesos para minimizar o erro da
prxima sada. Baseando-se no mtodo do gradiente descendente, o algoritmo tem
como objetivo determinar um mnimo global, atravs de um acrscimo dos valores
48
dos pesos por uma quantidade que igual a 1 derivada (gradiente) do erro entre o
valor esperado e o valor encontrado pela rede.
O algoritmo existe na forma de duas etapas, sendo uma delas para a frente
(forward) e a outra etapa para trs (backward).
Figura 17 Fluxo de processamento do algoritmo backpropagation
Fonte: O autor
Fonte: O autor
3 METODOLOGIA
50
3.1
Populao;
PIB;
As exportaes de bens e servios;
As importaes de bens e servios;
Produo de Alumnio;
Produo de Ao Bruto;
Produo de Cimento;
Produo de Papel;
Produo de Celulose;
Produo de Cobre;
Pelotizao;
Produo de Soda;
51
Produo de Cloro;
Capacidade instalada de gerao eltrica no Brasil;
A EPE foi criada pela LEI No 10.847, de 15 de maro de 2004 com o objetivo
3.1.1
Populao
O crescimento populacional dos ltimos 20 anos e o aumento da renda mdia
da populao, fez com que muitas famlias tivessem acesso a novos bem de
consumo, durveis ou no. Levando em considerao que esse aumento do
consumo das famlias brasileiras consiste em um aumento do consumo de energia
eltrica, a varivel populao, e seu comportamento, se mostra fundamental para a
previso de demanda de energia eltrica.
De acordo com o Plano Decenal de Expanso de Energia (PDE 2019) temos:
...esses diferentes aspectos da evoluo demogrfica, por conta dos seus
importantes efeitos sociais e econmicos, acabam se refletindo de forma
significativa em termos do consumo de energia. Assim sendo,
preocupao bsica de qualquer estudo prospectivo da demanda de energia
estabelecer premissas com relao ao comportamento futuro da populao.
(Plano Decenal de Expanso de Energia PDE 2019 EPE 2009, p22)
53
54
POPULAO
250,000,000
200,000,000
150,000,000
100,000,000
50,000,000
POPULAO
3.1.2
As variveis macroeconmicas
O PIB, Produto Interno Bruto, consiste na soma de todos os bens e servios
55
1996 1998 2000 2002 2004 2006 2008 2010 2012 2014
1995 1997 1999 2001 2003 2005 2007 2009 2011 2013
PIB Bilho (USD)
57
Balana Comercial
20.00
15.00
10.00
5.00
0.00
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
1995
1997
1999
2001
2003
2005
2007
2009
2011
2013
As exportaes de bens e servios (% do PIB)
As importaes de bens e servios (% do PIB)
3.1.3
59
Produo de Aluminio
2000.00
1500.00
1000.00
500.00
0.00
60
Produo de Ao Bruto
40000.00
30000.00
20000.00
10000.00
0.00
61
Produo de Cimento
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
62
63
64
Pelotizao
70.00
60.00
50.00
40.00
30.00
20.00
10.00
0.00
Pelotizao (10^6 t)
65
Fonte: O autor com dados da Associao Brasileira da Indstria de lcalis, Cloro e Derivados
(ABICLOR)
3.1.4
Brasil
Segundo o Balano Energtico Nacional (BEM 2015), a capacidade total
instalada de gerao de energia eltrica do Brasil (centrais de servio pblico e
autoprodutoras) alcanou 133.914 MW
Com base em dados anteriores da expanso da capacidade instalada de
gerao eltrica no Brasil e da importncia do planejamento para suprir a demanda
futura, essa varivel ter um peso expressivo no clculo da RNA a ser estudada
nesse trabalho.
Tambm foi levado em considerao a gerao dos autoprodutores, que na
sua maioria so os consumidores eletrointensivos, que tambm entra no valor final
da capacidade instalada.
66
3.2
A VARIAVEL DE SAIDA
Sendo o objetivo principal desse trabalho a utilizao de uma RNA para
68
3.3
Fonte: O autor
69
3.3.1
Modelo de rede;
Funo de treinamento;
Funo de adaptao;
Funo de performance;
Nmero de camadas ocultas;
Nmero de neurnios por camada;
Funo de ativao;
70
Fonte: O autor
disponveis, pois quanto mais camadas, mais planificada fica a sada da rede.
Nmero de neurnios por camada: O nmero de neurnios da primeira
camada oculta foi testado nas configuraes trs, quatro e dez neurnios.
Quando da existncia de mais que uma camada oculta a configurao de
neurnios para essas camadas tambm foi a mesma; trs, quatro e dez
neurnios.
71
72
Fonte: O autor
Como Anexo B desse trabalho foi feito um tutorial de como utilizar as Redes
Neurais Artificiais no MATLAB, logo, esse trabalho se atem apenas as telas
principais do software deixando os detalhes de uso e configuraes para o tutorial
anexo.
A figura 27 mostra a janela de configurao da RNA configurada para um dos
modelos de RNA testado nesse trabalho onde os parmetros adotados foram:
73
Fonte: O autor
Fonte: O autor
74
Aps a rede criada devemos abri-la, clicando em cima da rede criada (na
janela do tool de redes neurais, figura 26) para ter acesso a janela de treinamento,
configurao de treinamento, validao, mudana do valor dos pesos de cada
varivel e tambm do bias. Essa janela pode ser vista na figura abaixo, cada um dos
itens ser tratado com mais detalhes do tutorial do Anexo B.
Fonte: O autor
3.4
Treinamento da Rede
Para esse estudo foram criadas ao todo 27 redes, pois foi feita a variao do
Fonte: O autor
Foi utilizado o valor de erro em cada simulao da ordem de 10 -3, (como pode
ser visto na figura 30) que vem como default no MATLAB e cada configurao foi
treinada 10 vezes e escolhido o melhor resultado, pois, como a cada simulao o
MATLAB inicia com pesos aleatrios em cada varivel, possvel conseguir um
resultado muitas vezes satisfatrio em uma configurao que no necessariamente
a melhor opo.
76
Fonte: O autor
77
Fonte: O autor
Fonte: O autor
1) .100
( conhecido
previsto
Valor Conhecido
Valor Treinado
Ano
(consumo de energia
(consumo de energia
GWh)
GWh)
1995
1996
1997
1998
1999
243.070,0
257.330,0
273.280,0
284.520,0
292.190,0
287069,8
288209,4
290352,1
287718,6
284452,4
Erro %
15,33
10,71
5,88
1,11
-2,72
79
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
307.530,0
283.260,0
293.230,0
306.990,0
329.710,0
344.280,0
356.130,0
377.030,0
388.470,0
384.310,0
415.683,0
291001,7
295617,3
293780,7
308561,9
342232,5
344675,1
359554,2
375331,4
392824,1
389114,4
399967,5
-5,68
4,18
0,19
0,51
3,66
0,11
0,95
-0,45
1,11
1,23
-3,93
Fonte: O autor
80
Fonte: O autor
81
Fonte: O autor
Valor Conhecido
Valor Simulado
Ano
(consumo de energia
(consumo de energia
GWh)
GWh)
2011
2012
2013
2014
433034,0
448100,0
463120,0
473390,0
400526,3434
402663,3734
404784,4011
406872,1145
Erro %
-8,12
-11,28
-14,41
-16,35
Fonte: O autor
82
conhecidos para validao o erro tende a ser maior, conforme dito anteriormente,
devido a pequena quantidade de dados.
3.5
Rede
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Nmero de
Nmero de
Funo de
Neurnios
Camadas
Ativao
3
3
3
4
4
4
10
10
10
3
3
3
4
4
4
10
10
10
3
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
3
1
2
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
LOGSIG
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
PURELIN
TANSIG
TANSIG
Erro Mdio
Erro Mdio
Percentual
Percentual
Treinamento
Simulao
-1,45%
-1,76%
0,60%
1,73%
0,73%
2,01%
-1,67%
0,70%
0,40%
-0,53%
-2,42%
1,64%
6,61%
0,67%
-16,69%
-0,01%
0,52%
-6,09%
1,02%
0,33%
-9,33%
-8,07%
-8,82%
-9,32%
-8,16%
-9,32%
-9,71%
-8,84%
-9,72%
-9,54%
-8,77%
-11,64%
-9,38%
-10,81%
-9,32%
-9,76%
-9,46%
-9,32%
-9,32%
-14,69%
83
21
22
23
24
25
26
27
3
4
4
4
10
10
10
3
1
2
3
1
2
3
TANSIG
TANSIG
TANSIG
TANSIG
TANSIG
TANSIG
TANSIG
-0,07%
0,66%
1,72%
-0,31%
0,01%
0,68%
-2,23%
-10,32%
-12,67%
-17,54%
-25,10%
-14,91%
-9,39%
-9,41%
Fonte: O autor
3.6
Minimizando o Erro
Em uma tentativa de minimizar os erros devido a quantidade de dados foi
Fonte: O autor
Ano
1995
Valor Conhecido
Valor Treinado
243.070,0
256587,5
Erro %
5,27
85
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
257.330,0
273.280,0
284.520,0
292.190,0
307.530,0
283.260,0
293.230,0
306.990,0
329.710,0
344.280,0
356.130,0
377.030,0
388.470,0
384.310,0
415.683,0
433034,0
448100,0
463120,0
473390,0
257767,4
273382,8
284608,5
293400,2
306478,6
283389,9
293294,0
307013,2
329721,9
344284,5
356134,8
377020,7
388469,5
384323,0
415688,2
430456,6
420704,5
463002,4
473387,1
0,17
0,04
0,03
0,41
-0,34
0,05
0,02
0,01
0,00
0,00
0,00
0,00
0,00
0,00
0,00
-0,60
-6,51
-0,03
0,00
Fonte: O autor
Analisando a tabela acima fica claro que o erro em percentual fica bem
prximo a zero e calculando a mdia dos erros nesse estudo chegamos ao valor de
-0,07%.
Para fazer a simulao, como todos os dados haviam sido usados, foram
ento escolhidos aleatoriamente os dados referentes aos anos de 1995; 2000; 2005
e 2010 (leituras anuais) para simular a rede. O processo de simulao seguiu a
mesma metodologia usada anteriormente e os resultados esto descritos na figura
abaixo que contm o grfico comparativo entre resultado da simulao e resultados
conhecidos.
86
Fonte: O autor
Ano
1995
2000
2005
2010
Valor Conhecido
Valor Simulado
243070,0
307530,0
344280,0
415683,0
256587,5
306478,6
344284,4
415688,1
Erro %
5,27
-0,34
0,00
0,00
Fonte: O autor
A mdia dos erros encontrada na tabela acima foi de 1,23% o que mostra um
desempenho satisfatrio da rede para um horizonte de 4 previses (nesse caso 4
anos).
87
Nmero de
Nmero de
Neurnios
Camadas
1
2
3
4
5
6
7
8
9
3
3
3
4
4
4
10
10
10
1
2
3
1
2
3
1
2
3
Percentual
Percentual
Percentual
Percentual
Treinamento
Simulao
Treinamento
Simulao
-1,45%
-1,76%
0,60%
1,73%
0,73%
2,01%
-1,67%
0,70%
0,40%
-9,33%
-8,07%
-8,82%
-9,32%
-8,16%
-9,32%
-9,71%
-8,84%
-9,72%
1,56%
3,70%
0,59%
0,42%
3,84%
0,34%
-0,31%
1,52%
0,16%
2,78%
2,76%
0,99%
1,86%
3,18%
1,31%
0,51%
1,34%
1,05%
Fonte: O autor
3.7
4 CONSIDERAES FINAIS
ditos modernos, pois, conforme foi mencionado por Goedtel (2003), neste campo
de estudos ainda predomina o empirismo, com vrias teorias formuladas, mas que
ainda no convergiram para um paradigma que permita aos pesquisadores
chegarem a concluses definitivas.
91
Bibliografia
94
ANEXOS
95
96