Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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.
20000
15000
10000
5000
Horas 1
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
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).
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
(V ( t ) V )
CC
VNORM ( t ) =
(1)
MIN
(VMAX VMIN )
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
FHV-30C
1.20
HV
FHV-25C
1.00
35000
30000
25000
20000
15000
10000
0
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
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
0.00
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
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
1.558
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
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
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
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
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
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
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
1.20
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
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
10
11
12
13
15
17
18
19
20
21
22
23
24
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
0.60
Segundas-feiras
0.80
FHV (quente)
0.40
0.20
0.00
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
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
1.00
0.80
0.60
amenos
0.40
quentes
0.20
0.00
1
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
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)
(4)
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.
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
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
10
11
12
24783
23569
22526
22097
21831
21715
20584
20663
21418
21988
22208
22426
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)
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%
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.
9%
HV
1
15%
98%
59%
HV
Fora
330
88%
HV
1
4
2%
81%
Fora
22
2%
1%
9%
Fora
223
1%
19%
0%
52
99%
25.9
28.5
HV
ameno
Fora
31.2
25.6
31%
HV
Fora
177
clulas
0
0
quente
HV
1
m. quente
Fora
29.1
30.6
HV
quente
Fora
25.0
27.8
clulas