Identificao de curvas de carga diria tpicas com

uso de Mapa de Kohonen e Fuzzy C-Means

Nelson R. de Albuquerque, Douglas A. A. de Farias
Pontifcia Universidade Catlica do Rio de Janeiro
Departamento de Engenharia Eltrica - DEE / PUC
Laboratrio de Inteligncia Computacional Aplicada ICA
Rio de Janeiro. Julho-2006.
E-mail: nelson.albuquerque@redewb.net,
Resumo

muitos casos levar em considerao vrios fatores no

lineares e assim obter uma informao de qualidade.

Este artigo apresenta uma metodologia desenvolvida para se

projetar uma curva de carga de energia eltrica diria, tendo
por referncia o valor mximo projetado para o dia.

Por tudo isso fica evidente a necessidade de se investir na

pesquisa e desenvolvimento de ferramenta e mtodos
estatsticos, computacionais e de inteligncia artificial no
estudo desses problemas, para que seja possvel estabelecer
rotinas, o mais automticas possvel, para realizar a tarefa da
previso da curva de carga.

A partir da identificao do valor de carga de um determinado

dia e com as informaes do dia como: temperatura mxima e
se o dia projetado est em horrio de vero ou no possvel
fazer a projeo horria da carga com a utilizao de uma
curva de carga tpica. Essas curvas tpicas foram obtidas a
partir da identificao de grupos (clusters) com uso de
inteligncia computacional (mapas de Kohonen e o algoritmo
fuzzy c-means).
O mtodo explicado em detalhes para os domingos e as
demais curvas de dias tpicos (segundas, dias teis, sbados e
feriados) so apresentadas graficamente. Utilizamos a srie
diria de carga da regio sudeste de janeiro/1999 at
dezembro/2005; a srie de feriados; dias em horrio de vero e
srie de temperaturas mdia, mxima e mnima da regio de
junho/2001 at junho/2005).
Index Terms curva de carga tpica, mapa de Kohonen, FCM,
lgica Fuzzy, Redes Neurais Artificiais.

I - INTRODUO
Diariamente o Operador Nacional do Sistema Eltrico
NOS, empresa responsvel pela sincronizao de todas as
unidades geradoras de energia eltrica do Brasil, elabora
um plano da operao, que utilizado pela sala de controle
para realizar operar o SIN - Sistema Interligado Nacional.
Um dos principais insumos para elaborao desse plano de
operao a previso do consumo de carga de demanda no
intervalo de meia hora.
muito importante o uso de uma srie intervalar de
qualidade para o sucesso da operao do SIN. Essa previso
representa o comportamento dos diversos setores
econmicos durante um dia, ou seja, industrial, comercial,
residencial, agrcola, servios pblicos, etc.
Alm do comportamento nesses setores, podemos destacar
outras questes que influenciam o comportamento da curva
de carga, quais sejam: a entrada e a sada da iluminao
pblica, que se diferenciam nos perodos vero e inverno em
funo do horrio de vero; a influncia da temperatura que
modifica os hbitos das pessoas; o final de novelas de
grande audincia, dias de jogos de futebol da seleo
brasileira, etc.
Dessa forma, a previso da curva de carga por modelagem
matemtica se torna um processo complexo, que precisa em

II MTODOS DE AGRUPAMENTO
O mtodo de agrupamento consiste na identificao de
caractersticas semelhantes em determinados conjuntos de
dados, que levaram aqueles grupos a terem determinado tipo
de comportamento. A diferena entre agrupamento e
classificao que no primeiro caso no se conhece,
previamente, a caracterstica intrnseca do grupo.
Existem alguns mtodos j consagrados para identificao
esses grupos [3],[8],[9].
- Mtodos baseados em distncia:
Mtodos de partio (Crisp ou Fuzzy);
Mtodos hierrquicos
Outros Mtodos
CobWeb
Self Organizing Maps
O mtodo baseado na distncia consiste em encontrar um
centro de gravidade de um grupo de dados tal que a
distncia entre esse centro e os demais membros do grupo
seja a menor possvel. O nmero de centros procurado de
forma a se identificar um nmero razovel de elementos
pertencentes ao mesmo grupo que tenham caractersticas
semelhantes e que tenham divergncias relevantes com os
demais grupos. A definio se um elemento pertence a um
determinado grupo ou no; pode ser feito pelo conceito
tradicional de conjunto, onde cada elemento pertence a
apenas um agrupamento (crisp) ou utilizando-se uma
viso ambgua, apresentada na dcada de 80 por Zadeh [10],
onde um elemento pode pertencer a mais de um grupo, com
graus de pertinncias diferentes, numa escala que vai de 0 a
1 (lgica fuzzy ou lgica nebulosa).
Os mtodos crisp mais conhecidos so [4], [8]; mtodo da
mxima-verossimilhana e k-means onde se usa mtricas
relacionadas medio da distncia de k (centride do
agrupamento estudado) e os diversos elementos desse grupo.
J o mtodo desenvolvido dentro do conceito de nmero
fuzzy a fronteira entre os grupos no precisa e todos os
1

membros de cada agrupamento podem ter graus de

pertinncia a todos os grupos. Nesse caso, a escolha do
nmero de grupos tambm um processo de tentativa de tal
forma que se encontre o menor nmero de grupos
significativos onde se identifiquem as caractersticas
relevantes dos mesmos.

Curva de Carga Diria - mdia da regio sudeste

MW
45000
40000
35000
30000
25000

O mtodo hierrquico pode ter duas abordagens; bottomup onde parte-se dos elementos do conjunto de dados e
agrupa-se de dois em dois para encontrar os pares com
menor distncia entre eles, ou seja, que tenham
caractersticas semelhantes. Depois agrupa os pares com o
mesmo objetivo de se obter dupla de pares cuja distncia
seja mnima e assim sucessivamente at existir apenas um
nico grupo. J na abordagem top-down onde o processo
inverso, partido do geral para identificar pares de dados
com a menor distncia entre os mesmos. Ao final obtida
uma rvore invertida. O corte horizontal determina, ento, a
quantidade os clusters.

Ilustrao 1 - Curva de carga

Em outro processo utiliza o agrupamento a partir do

conceito de probabilidade condicional (COBWEB
conhecido como Incremental Conceptual Clustering).

Identifica-se que determinados dias tm um comportamento

semelhante nas faixas apresentadas. Essa primeira
classificao d-se da seguinte forma [8], [10]:

possvel a caracterizao de clusters a partir do uso de

Redes Neurais Artificiais num processo de aprendizagem
no supervisionado denominado Mapas Auto-organizveis
ou SOM (Self-Organizing Maps) desenvolvidos por Teuvo
Kohonen (1982). Nesse processo o neurnio com maior grau
de ativao, aps a apresentao rede de um determinado
dado, obtm o direito de ajustar os pesos a ele ligados. Ao
final do processo de aprendizagem, aps vrios ciclos de
ajuste de pesos, onde todos os dados so apresentados a rede
possvel identificar grupos de dados associados a um
determinado neurnio.

20000
15000
10000
5000

Horas 1

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Verifica-se, contudo, que disperso muito grande e no se

pode adotar uma curva tpica que represente o
comportamento durante o dia a partir desses dados.
Primeira segmentao

Domingos;
Segundas-feiras;
Dias teis (tera-feira, quarta-feira, quinta-feira e
sexta-feira);
Sbados; e Domingos.

III - PROBLEMA
O objetivo desse trabalho encontrar grupos, os mais
homogneos possveis, que possam indicar um perfil tpico
de consumo de energia eltrica durante o dia, utilizando o
mtodo de agrupamento atravs de redes neurais artificiais,
conhecido como mapas de Kohonen [6] e pelo uso do
algoritmo FCM - fuzzy c-means [1], [2],. Posteriormente
feito a comparao dos valores encontrados atravs de cada
mtodo e compara-se o ajuste dos valores obtidos com os
padres utilizados para o treinamento dessas redes.
Caracterizao de uma curva de carga diria
O consumo de energia normalmente apresenta uma curva
que pode ser segmentada em trs momentos distintos. Uma
faixa que representa o consumo do incio do dia (Baixa);
outra onde pode ser interpretado com um consumo mdio
(Mdia); um terceiro momento que abrange o perodo onde
h uma justaposio do consumo residencial mais intenso
com o consumo industrial, comercial e de servio,
classificado como horrio de pico ou ponta (Alta).

Ilustrao 2 - Caracterizao por dia da semana (PUC RJ - ICA)

Onde a linha contnua representa um dia til, a linha com (*)

os sbados, a linha com (+) as segundas-feiras e com (--) os
domingos.
Mesmo com essa segmentao, ainda se identifica uma
grande disperso nos valores e nos horrios de mnimo e
mximo consumo. Por exemplo, observa-se claramente essa
disperso na curva que caracteriza todos os domingos, na
srie analisada.
Mw
35,000

Consumo dirio - Domingos

30,000
25,000
20,000
15,000
mximo
mdia
mnimo

10,000
5,000
0

horas 1

11

13

15

17

19

21

23

Ilustrao 3 - Curva de carga de domingos

O escopo desse estudo foi, ento, identificar padres de

comportamento, em cada dia de semana, que relacione o
perfil tpico de consumo a temperatura mxima e se o dia
ou no enquadrado no horrio oficial de vero utilizando as
duas tcnicas j mencionadas.

A primeira utilizando-se os valores mximo e mnimo

projetado para aquele dia. Outro mtodo utilizar apenas o
Mximo e um Fator de Converso FC obtido pela razo
Valor Mximo / Valor Mnimo da srie.

IV - AGRUPAMENTO POR MAPAS DE KOHONEN

No nosso exerccio, utilizamos essa segunda opo dado que

a projeo utilizada fornecia apenas a previso do Mximo.

A srie obtida pela seleo dos domingos foi normalizada,

tendo os valores mximo e mnimo usados como limites:

(V ( t ) V )
CC

VNORM ( t ) =

(1)

MIN

(VMAX VMIN )

Vnorm(t): Valor Normalizado; Vcc(t): Valor original; Vmax

e Vmin: valores mximo e mnimo da srie a ser
normalizada.

Avaliao do erro
O erro mdio medido, tendo por base a srie de domingos
utilizada variou de 1% para srie recompostas com MxMin e de 2% para sries recompostas com FC. O grfico a
seguir mostra a recuperao de uma determinada srie de
domingo e a tabela anexa mostra o erro hora a hora.
Comparao entre a srie original e as duas sries recuperadas

Foram testadas vrias configuraes de Mapas sendo que a

configurao com a melhor distribuio dos agrupamentos e
melhor definio das caractersticas foi obtida com 4
clusters ou um mapa com 4 neurnios (2 x 2). Utilizou-se o
programa MatLab (newsom) com uma topologia grid,
mtodo de clculo da distncia pela norma do vetor
(distncia Euclidiana), taxa de aprendizagem decrescente
durante o processo de agrupamento (de 0,9 a 0,01) e
vizinhana igual a zero ao final do processo (apenas um
neurnio para cada agrupamento). A fase de sintonia teve
uma varredura com 10.000 ciclos.
Ao final do processo obteve-se ativao de 03 (trs)
neurnios, sendo um deles ativado exclusivamente com
elementos oriundos de dias com Horrio de Vero - HV e os
outros dois com dias Fora do Horrio de Vero - FHV. Um
com mdia de temperatura mxima de 25C outro grupo de
dias mais quente com mdia de 30C. Foram, dessa forma,
identificadas 03 curvas tpicas:
Domingos (curvas tpicas)

FHV-30C

1.20

HV

FHV-25C

1.00

35000

30000

25000

20000

15000

Exemplo Valo r Original

Curva reco mpo sta co m FC

10000

Curva reco mpo sta c/ M ax-M in

5000

0
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

Ilustrao 5 - Comparao entre real e recomposio por FC.

V - AGRUPAMENTO POR FUZZY C-MEANS

Partindo da mesma base de dados normalizada dos
domingos e da mesma quantidade de Clusters (quatro),
obtiveram-se as seguintes curvas tpicas para os domingos:
HV

Curvas tpicas Domingos - (FCM)

1.00
0.90
0.80
0.70

HV-01(30C)

0.60

HV-02 (28C)

0.50

FHV-01(28C)

0.40

FHV-02 (25C)

0.30
0.20

0.80

0.10

0.60

0.00
hora

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

0.40
0.20

Ilustrao 6 - Curvas tpica de domingos por FCM

0.00
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

Ilustrao 4 - Curvas tpicas de Domingos / Kohonen

Tabela 2 - Valores tpicos para os domingos (FCM)

Curvas tpicas - Domingos (FCM)

Tabela 1
Curvas tpicas - Domingos
1

10

11

12

HV

hora

0.474

0.324

0.218

0.148

0.119

0.111

0.044

0.000

0.092

0.176

0.237

0.269

FHV - 25C

0.311

0.198

0.126

0.084

0.065

0.068

0.018

0.000

0.103

0.181

0.221

0.246

FHV - 30C

0.431

0.292

0.209

0.155

0.126

0.103

0.000

0.037

0.132

0.197

0.232

0.252

13

14

15

16

17

18

19

20

21

22

23

24

HV

hora

0.275

0.264

0.255

0.268

0.302

0.368

0.465

0.624

1.000

0.970

0.860

0.638

FHV - 25C

0.247

0.222

0.209

0.225

0.297

0.529

1.000

0.920

0.802

0.707

0.559

0.374

FHV - 30C

0.272

0.258

0.256

0.275

0.317

0.418

0.843

1.000

0.922

0.844

0.717

0.524

(FC) - HV

1.446

(FC) - FHV 25C

1.558

(FC) - FHV 30C

1.492

ms

10

11

12

HV-01(30C)
HV-02 (28C)
FHV-01(28C)
FHV-02 (25C)

0.508
0.429
0.383
0.294

0.342
0.287
0.265
0.191

0.234
0.184
0.184
0.119

0.162
0.141
0.134
0.077

0.132
0.113
0.111
0.060

0.122
0.105
0.093
0.062

0.062
0.006
0.000
0.029

0.000
0.000
0.036
0.000

0.084
0.107
0.139
0.097

0.171
0.190
0.204
0.171

0.223
0.253
0.245
0.215

0.247
0.271
0.263
0.235

ms

13

14

15

16

17

18

19

20

21

22

23

24

HV-01(30C)
HV-02 (28C)
FHV-01(28C)
FHV-02 (25C)

0.250
0.281
0.272
0.238

0.249
0.271
0.261
0.217

0.248
0.255
0.256
0.205

0.260
0.272
0.274
0.219

0.286
0.312
0.319
0.291

0.353
0.386
0.448
0.550

0.428
0.527
0.954
1.000

0.561
0.796
1.000
0.881

0.985
1.000
0.898
0.782

1.000
0.923
0.810
0.684

0.889
0.796
0.670
0.543

0.670
0.573
0.461
0.347

(FC) HV-01 = 1.422780206

(FC) HV-02 = 1.465389733

(FC) FHV-01 = 1.507793936

(FC) FHV-02 = 1.568531645

Valor carga(i)= Valor Tipico(i)*Valor Mximo*(1-1/FC)+Vmximo/FC

VI COMPARAO ENTRE OS AGRUPAMENTOS

Avaliao da recuperao do valor em MW
(desnormalizao)
Uma vez que se obtm a projeo de um valor de consumo
mximo para um determinado dia, utiliza-se uma dessas
curvas tpicas para compor a srie horria. Existem duas
maneiras de fazer essa composio:

Diferente do mapa de Kohonen, onde 94% das ativaes de

sries HV deram-se no mesmo neurnio, com FCM houve
uma separao em dois grupos com a caracterstica de
pertencerem a HV e com temperaturas mdias das mximas
de 28C e um maior achatamento do perodo de ponta em
um grupo com mdia mais quente durante o dia e um
achatamento no mnimo. O agrupamento Kohonen se
aproximou mais do cluster fuzzy (VH-FCM02) com mdia
de 28C. Analisando o parmetro temperatura no se pode
3

concluir a causa dessa diferena, nem to pouco se tentar

explicar levando em conta os dias dentro do perodo de
horrio de vero, pois ambos os grupos tem dias em todos os
meses do Horrio de Vero. Contudo, mesmo assim o erro
ao adotar-se um nico padro muito baixo, como j foi
visto anteriormente.

Tabela 4 - Valores tpicos, desvio padro e varincia.

Dias teis - Horrio de Vero
Dias amenos
1
2

10

11

12

Mediana

0.243

0.103

0.026

0.000

0.007

0.079

0.211

0.347

0.547

0.658

0.729

0.688

Desv.Padro
Variancia

0.048
0.002

0.024
0.001

0.013
0.000

0.008
0.000

0.007
0.000

0.024
0.001

0.068
0.005

0.091
0.008

0.085
0.007

0.074
0.005

0.061
0.004

0.055
0.003

mx

0.385

0.175

0.066

0.025

0.027

0.150

0.414

0.620

0.803

0.879

0.913

0.852

min

0.100

0.030

-0.013

-0.025

-0.014

0.008

0.007

0.074

0.291

0.437

0.544

0.524

13

14

15

16

17

18

19

20

21

22

23

24

Mediana

0.652

0.711

0.749

0.753

0.754

0.686

0.652

0.730

1.000

0.881

0.787

0.531

Desv.Padro

0.036

0.039

0.049

0.051

0.054

0.051

0.069

0.090

0.000

0.037

0.048

0.061

Dias amenos

Variancia

0.001

0.002

0.002

0.003

0.003

0.003

0.005

0.008

0.000

0.001

0.002

0.004

Comparao das C. Tpicas obtidas - Horrio de Vero

mx

0.760

0.829

0.895

0.907

0.915

0.839

0.860

1.000

1.000

0.992

0.931

0.714

por M. Kohonen e por FCM

min

0.544

0.593

0.603

0.600

0.594

0.534

0.444

0.459

1.000

0.771

0.643

0.347

Fora H. Vero (comparao de curvas tipicas)

1.20

1.20

1.00

1.00

0.80
0.60

Kohon-HV

0.80

HV-FCM02

0.60

+ quentes
quentes - 31%
amenos - 59%

HV-FCM04

0.40

0.40

0.20

0.20

0.00
1

0.00
1

Ilustrao 7 - Curvas tpicas de HV por Kohonen e FCM

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

Tabela 5 - Valores tpicos - dias teis

J as curvas fora do horrio de vero tiveram uma

sobreposio grande, tanto por Kohonen quanto por FCM.

Srie tpica de dias teis - Fora do Horrio de Vero - FHV

FHV

10

11

12

Dias amenos
quentes
Dias + quentes

0.166
0.211
0.251

0.062
0.083
0.106

0.014
0.021
0.031

0.000
0.000
0.000

0.016
0.016
0.008

0.101
0.107
0.092

0.268
0.250
0.207

0.366
0.390
0.389

0.516
0.592
0.649

0.600
0.695
0.783

0.652
0.761
0.865

0.638
0.746
0.835

Comparao das C. Tpicas obtidas - Fora do H. de Vero

por M. Kohonen e por FCM

1.20

Ilustrao 10 - Dias teis - FHV

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

FHV

13

14

15

16

17

18

19

20

21

22

23

24

Dias amenos
Dias quentes
Dias + quentes

0.593
0.700
0.780

0.627
0.741
0.854

0.659
0.784
0.917

0.662
0.785
0.911

0.683
0.792
0.886

0.741
0.725
0.712

1.000
1.000
0.825

0.891
0.993
1.000

0.774
0.861
0.891

0.717
0.808
0.875

0.589
0.672
0.752

0.377
0.452
0.530

14

16

1.00
FHV-Kohon-I

0.80

Sbados

FHV-Kohon-II
0.60

FHV-FCM01

Comparao entre as curvas de sbado

1.00

FHV-FCM03

0.40

0.90
0.80

0.20
0.00
1

0.70

HV

0.60

FHV - ameno

0.50

FHV - quente

0.40

10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

0.30
0.20
0.10
0.00
1

VII CURVAS TPICAS DOS DEMAIS DIAS

10

11

12

13

15

17

18

19

20

21

22

23

24

Curva tpica de um sbado

1

10

11

12

HV
FHV-ameno
FHV-quente

0.3713
0.246
0.299

0.1845
0.117
0.157

0.0745
0.036
0.087

0.0189
0.003
0.043

0.0000
0.000
0.027

0.0228
0.028
0.032

0.0249
0.045
0.000

0.0879
0.118
0.127

0.2643
0.269
0.290

0.3873
0.357
0.390

0.4456
0.390
0.426

0.4245
0.365
0.402

13

14

15

16

17

18

19

20

21

22

23

24

HV
FHV-ameno
FHV-quente

0.3963
0.342
0.381

0.3830
0.335
0.382

0.3631
0.324
0.365

0.3553
0.322
0.357

0.3505
0.338
0.358

0.3639
0.524
0.401

0.4265
1.000
0.823

0.6302
0.934
1.000

1.0000
0.779
0.855

0.8620
0.628
0.709

0.6949
0.484
0.558

0.4666
0.286
0.355

Curvas Tpicas (segunda-feira)

1.20
1.00
HV
FHV (ameno)
FHV (mdio)

0.60

Tabela 6 - Valores tpicos de sbados

Segundas-feiras

0.80

Ilustrao 11 Curvas tpicas de sbados

FHV (quente)
0.40
0.20
0.00
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

Ilustrao 8 - Curvas tpicas das segundas obtidas com FCM

Tabela 3 - Valores tpicos de segundas (FCM)
segundas

10

11

12

HV
FHV (ameno)
FHV (mdio)
FHV (quente)

0.214
0.110
0.143
0.167

0.095
0.043
0.054
0.066

0.024
0.009
0.014
0.020

0.000
0.000
0.000
0.000

0.014
0.022
0.023
0.018

0.100
0.109
0.119
0.105

0.258
0.274
0.281
0.222

0.400
0.375
0.407
0.407

0.616
0.522
0.597
0.667

0.760
0.608
0.711
0.799

0.834
0.668
0.779
0.884

0.826
0.668
0.770
0.867

13

14

15

16

17

18

19

20

21

22

23

24

HV
FHV (ameno)
FHV (mdio)
FHV (quente)

0.787
0.631
0.733
0.828

0.845
0.658
0.771
0.890

0.885
0.682
0.809
0.936

0.890
0.690
0.812
0.940

0.874
0.720
0.820
0.911

0.775
0.769
0.767
0.762

0.658
1.000
1.000
0.925

0.715
0.910
0.981
1.000

1.000
0.821
0.881
0.914

0.944
0.750
0.830
0.902

0.853
0.622
0.718
0.806

0.617
0.438
0.503
0.591

Dias teis
H.Vero (quentes x amenos)

CONSIDERAES FINAIS:
O planejamento dirio do despacho das usinas hidreltricas
e unidades termeltricas da rede bsica, administrada pelo
ONS, requer uma previso do movimento de consumo ao
longo do dia e esse estudo torna-se altamente complexo
devido a multiplicidade de consumidores com os mais
diversos perfis. A modelagem matemtica, por esse motivo
torna-se extremamente complexa. O uso de tcnicas de
identificao de agrupamentos tendo como fonte de
informao as sries histricas um importante recurso para
esse trabalho.

1.20

Neste artigo mostramos o uso de duas tcnicas

desenvolvidas com aplicao de inteligncia computacional
(redes neurais e nmeros fuzzy) e que se mostraram eficazes
na identificao dos diversos perfis de consumo.

1.00
0.80
0.60
amenos

0.40

quentes
0.20
0.00
1

10

11

12

13

14

Ilustrao 9 - Dias teis - Horrio de vero

15

16

17

18

19

20

21

22

23

24

O mtodo aplicado neste estudo ser avaliado por

especialistas do ONS com objetivo de aferir sua validade,
uma vez que ainda no h modelos definitivos que
pudessem servir de paradigma para este estudo.

No entanto, comparando-se os dados reais do passado com

os valores obtidos pelas curvas tpicas, pudemos verificar
um o erro muito pequeno e aceitvel, uma vez que o plano
de despacho continuamente ajustado durante o dia e que
qualquer discrepncia poderia ser ajustada.
Pelo fato de ter-se utilizado apenas a temperatura mxima
do dia e no outros fatores climticos, como chuva/umidade
e luminosidade (hora do nascente e do poente) muitas
explicaes sobre os clusters no foram totalmente
consistentes.
Como desdobramento futuro desse projeto, imagina-se obter
associar essas informaes e avaliar se os agrupamentos
ficariam mais bem caracterizados.
Uma vez obtido um padro que pudesse ser atualizado
continuamente possvel simular vrias curvas de carga
baseadas nos principais parmetros que influenciam essas
curvas tpicas.

REFERNCIAS BIBLIOGRFICAS:
[1] Bezdek, C. J. and Pal, S. K. (1992). Fuzzy Models for
Pattern Recognition, IEEE Press, New York.
[2] Bezdek, J. (1981). Pattern Recognition with Fuzzy
Objective Function Algorithms, Plenum Press, New
York
[3] Cardoso, G. C. (2003). Modelo de previso baseado em
agrupamento e base de regras nebulosas, Dissertao de
Mestrado, Unicamp.
[4] Cardoso, Giselle Cristina. Modelo de previso baseado
em agrupamento e base de regras nebulosas / Giselle
Cristina Cardoso.--Campinas, SP: [s.n.], 2003.
[5] Klir, G. J. and Yuan, B. (1995). Fuzzy Sets and Fuzzy
Logic Theory and Applications, Prentice Hall.
[6] Kohonen, T. (1982). Self-organized formation of
topologically correct feature maps, Biological
Cyberneticys 43: 5969.
[7] Last, M., Klein, Y. and Kandel, A. (2001). Knowlegde
discovery in time series databases, IEEE Transactions
on Systems, Man and Cybernetics - Part B: Cybernetics
31(1): 160169.
[8] Lima, W. S. and Ohishi, T. (1999). Mapas autoorganizveis no-paramtricos para analise da
influencia climtica em curvas de carga, Seminrio
Nacional de Produo e Transmisso de Energia
Eltrica 14: 3562.
[9] Magalhes, Marina Horota. Redes Neurais, metodologias
de agrupamento e combinao de previsores aplicados
previso de vazes naturais. Dissertao de Mestrado
Unicampi Campinas, SP 2004
[10] Salgado, Ricardo Menezes Clustering Bus Load
Curves,
http://ieeexplore.ieee.org/iel5/9620/30397/01397652.pd
f?isnumber=&arnumber=1397652
[10] Zadeh,L. A., 1965, Fuzzy sets, Information and
Control., vol. 8, pp.338-353.
5

ANEXO:
O que Mapa de Kohonen ?

Um Mapa Kohonen inspirado na forma como se supe que redes neurais naturais aprendem; e
O modelo originou-se a partir das pesquisas anteriores de Teuvo Kohonen em Anlise de
Componentes Principais e Quantizao de Vetores.

Para fundamentar uma aplicao na prtica de Mapas de Kohonen como um mecanismo para o
aprendizado auto-organizado de padres e seu posterior uso para classificao de padres, importante
analisarmos a capacidade representacional e a forma de representao da informao em um Mapa AutoOrganizado - SOM.
Na prtica, um Mapa de Kohonen toma um conjunto de dados em um espao de dados V qualquer e os
representa de forma discretizada atravs de um neurnio (e eventualmente sua vizinhana) no espao de
um Mapa Auto-Organizado A. Esta transformao de um espao de representao para outro
denominada mapeamento , podendo ser representada por:

: V A, ( x V ) ( ( x ) A )

(2)

A condio para que este mapeamento seja uma boa representao do espao vetorial que:

W ( X ) X = min Wr X , r A

(3)

Onde W um vetor de pesos da rede A.

Este mapeamento est ilustrado na figura abaixo.

O espao vetorial V um espao qualquer com a dimensionalidade do nmero de variveis de um padro X

desse espao. O vetor de pesos ws do neurnio vencedor se S A e representa uma aproximao da
funo de mapeamento f que associa pontos do espao vetorial V a neurnios em A. ws o erro dessa
aproximao representado no espao vetorial V.

O Algoritmo Fuzzy C-Means (FCM)

O algoritmo de agrupamento de dados nebuloso fuzzy c-means (Bezdek, 1981) baseia-se em um modelo no linear de
otimizao que agrupa dados com caractersticas similares de acordo com um procedimento iterativo de minimizao de
uma funo objetivo que representa um critrio de partio, ponderado pelos graus de pertinncia dos dados aos
respectivos grupos.
s
s
O algoritmo FCM utiliza as seguintes notaes. Seja um conjunto finito de padres P = {p1; p2; ... ; pN} onde
um espao Euclideano s-dimensional; c o nmero de grupos, com 2 c N; U = [ij ] e a matriz de pertinncia,
onde ij, 1 i c e 1 j N denota o grau de pertinncia do padro pj ao grupo i. Uma c-partio de P e definida por:
c
N

M fc = U | ij [ 0,1] , i, j; ij = 1, j;0 < ij < N , i

i =1
j =1

(4)

O algoritmo FCM procura agrupar os dados minimizando a seguinte funo:

N

j =1

i =1

J m (U ,V )

m 2
ij ij

d ,U M fc ,1 < m >

(5 )

Sendo dij = ||pj vi||A a distncia entre pj e vi dada por uma norma induzida por um produto interno, isto , ||x||A =
T
x Ax, com A uma matriz s x s definida positiva; V = {v1;v2; ...;vc} um conjunto de centros de grupo em que vi
denominado o i-simo grupo; e m o fator que define o grau de nebulosidade da partio nebulosa do sistema. A
seguir, os passos bsicos do algoritmo FCM:
Algoritmo 1 FCM
Dado P, escolher o nmero de grupos 1 < c < N, o parmetro m > 1, o critrio de parada > 0 e o nmero mximo de
iteraes lmax.
1. Inicializar U

(0)

e o contador de iteraes l = 1.

2. Calcular os c centros de grupos

{v( ) , v( ) ,..., v( ) } U , com a equao:

l

l
2

(l)

( ) p
=
( )
m

(l )

vi

j =1

3. Utilizando

vi , atualizar U

(l-1)

j =1

(l )

ij

, i = 1, 2,..., c

ij

, com seguinte procedimento:

Para j = 1 at N
(l )

Se ||pj vi || > 0

c p j vi
l
ij =
k =1 p j vk

(l )

1
m 1

Se ||pj vi || = 0

lij = 1; 1
4. Calcular

= U

(l )

( l 1)

(l )

( l 1)

= max i , j ij ij

Se > ou l < lmax

l = l + 1 e voltar ao passo 2
Seno parar.

Detalhamento do erro na recomposio de uma curva tpica

Exemplo Valor Original

10

11

12

24783

23569

22526

22097

21831

21715

20584

20663

21418

21988

22208

22426

Valor CurvaTipica- recomposta

Curva recomposta com FC

0.47

0.32

0.22

0.15

0.12

0.11

0.04

0.00

0.09

0.18

0.24

0.27

24,185

22,849

21,905

21,286

21,024

20,951

20,363

19,968

20,789

21,533

22,073

22,359

24,509

23,266

22,387

21,811

21,567

21,500

20,952

20,584

21,348

22,041

22,543

22,810

erro(Max-Min)

Curva recomposta c/ Max-Min

0.8%

0.6%

0.6%

0.3%

0.6%

0.6%

0.5%

0.9%

0.2%

0.2%

0.1%

0.8%

0.9%

erro-FC

1.1%

1.2%

1.5%

1.4%

1.8%

1.8%

1.8%

0.5%

1.7%

1.5%

1.0%

0.3%

0.1%

Erros V.Tpico x DesNormalizados

Max-Min

FC

180

0.8%

1.8%

130

0.5%

1.3%

79

0.8%

1.1%

24

1.0%

1.4%

78

0.3%

0.9%

138

0.4%

0.4%

35

0.7%

1.3%

189

0.8%

0.9%

81

0.4%

0.4%

22

10

0.9%

1.0%

seq.

Erro = erro quadrtico mdio percentual

Cluster obtidos para dias teis:

Presena de informao (total 815 padres)
85%

9%

HV
1

15%

98%

59%

HV

Fora

330

88%

HV
1

4
2%

81%

Fora

22
2%

1%

Temp mx. mdia ( C)

ameno
HV
Fora

9%

Fora

223
1%

19%

0%

52
99%

25.9

28.5

HV

ameno
Fora

31.2

25.6

31%

HV

Fora

177

clulas

Fora Horrio de Vero tem trs grupos bem marcados

(0,0) com 59% das ativaes. Clima ameno.
(1,0) com 31% das ativaes. Dias quentes.
(1,1) com 9% das ativaes. Dias mais quentes.

0
0

quente
HV
1

m. quente
Fora

29.1

30.6

HV

quente
Fora

25.0

27.8

clulas

No perodo do Horrio de Vero identificamosdois grupos mais relevantes:

(1,1) - com 89% das ativaes, caracterizam-se por serem dias quentes.
(0,1) - com 9% das ativaes, caracterizam-se por serem dias amenos para vero.