Escolar Documentos
Profissional Documentos
Cultura Documentos
Orientador:
Yuri Percy Molina Rodriguez, Dr. Sc.
Aprovado em ___/___/___
___________________________________________
Filipe Antônio da Costa Bahia
Aluno
___________________________________________
Prof. Yuri Percy Molina Rodriguez
Professor Orientador
___________________________________________
Marcelo Cerqueira Jr.
Supervisor da empresa
___________________________________________
Helon David de Macêdo Braz
Professor avaliador
iii
IDENTIFICAÇÃO DO ESTÁGIO
EMPRESA
ESTÁGIO
iv
SUMÁRIO
v
1 INTRODUÇÃO
6
1.1 OBJETIVOS DO ESTÁGIO
7
1.1.2 OBJETIVOS ESPECÍFICOS
O tratamento de dados;
Detecção de erros de medições;
Configuração de redes neurais;
Treinamento e testes de RNAs.
1.2 A EMPRESA
8
infraestrutura de apoio, ficando em grande parte direcionada para o interior do Estado.
Esses investimentos são 30% superiores aos realizados no último triênio.
Após todo esse avanço, a empresa paraibana tornou-se mais moderna e passou a
registrar alto nível de evolução em seus principais indicadores de desempenho, também
em decorrência da implantação de um plano interno de gestão estratégica.
Nos últimos sete anos, a concessionária tem realizado ampla reformulação de seus
processos operacionais, incorporando novas tecnologias para alcançar maior
produtividade, qualidade e segurança. Esse último ponto foi alvo de programa específico
intitulado “Segurança Máxima, Prioridade Zero”, cujas ações educacionais e de
conscientização têm resultado em drástica redução nos índices de acidente da Empresa.
A automação do sistema elétrico também é objeto de investimentos consideráveis,
tendo em vista reduzir tempo e frequência das interrupções de energia, assim como
garantir maior segurança na operação do sistema. Em 2006, a automação do sistema de
transmissão foi concluída.
Compromisso
História
9
transforma-se no Grupo Energisa e segue a essência “Energisa: Luz, Imaginação,
Realização”, um exercício diário de criatividade para melhor atender aos consumidores.
A Saelpa, bem como as demais distribuidoras, passa a chamar-se Energisa (ENERGISA,
2013).
10
2 EMBASAMENTO TEÓRICO
11
2.1 MÉTODOS DE PREVISÃO DE CARGA
12
2.1.2 SISTEMAS ESPECIALISTAS
13
2.3 BANCO DE DADOS
14
3 ATIVIDADES DESENVOLVIDAS
15
3.1 ATIVIDADE 1 – TRATAMENTO DOS DADOS
3.1.1 LEITURA DOS DADOS ORIGINAIS E CÁLCULO DAS POTÊNCIAS MÁXIMAS DE CADA
DIA
16
cada valor desse e selecionar o maior. Juntamente foram pegos a data e a hora em que
ocorreram.
Na Figura 2 pode-se observar uma coerência nos dados pois o ponto de máxima
potência encontra-se na faixa de 18:30 – 19:00 (horário de pico).
A construção das potências máximas semanais foi necessária pois a “semana” será
a base de tempo do programa de previsão. Ou seja, a rede neural irá receber na entrada
valores de potência máxima das semanas e para isso foi criada a função matrizSmax Com
a data e o valor da potência máxima semanal. Como pode ser observado na Figura 3, há
uma coluna chamada “Semana”, tal coluna corresponde à qual semana do mês essa
semana pertence.
17
Figura 3. Fluxo de dados da função "MatrizSmax"
18
adequando a amostra em questão a valores aceitáveis (ver Tabela 1). Mais detalhes sobre
o algoritmo podem ser vistos nos Anexos A.
19
Comparação entre as Potencias Máximas Semanais Corrigidas
1.6
Potência Máxima Semanal
Potência Máxima Semanal Corrigido
1.5
1.4
1.3
1.2
1.1
0.9
0 20 40 60 80 100 120 140 160
Número de semanas 2009-2011 (total 159)
20
3.2.1 VARIÁVEIS DE INTERESSE
21
a prever, 4 valores são do ano correspondente a semana. Na saída foi utilizado 4 valores
de demanda das semanas futuras, como observado na Figura 12. Essas quantidades de
entradas foram definidas com base na quantidade de dados disponíveis.
Cada coluna da Figura 7 corresponde a uma entrada da fase de treinamento. Nesta
fase, foram colocadas 120 colunas como essa, o que corresponde a 70% do banco de
dados de cada ponto de previsão. Para a fase de teste foi utilizado os outros 30% do banco
de dados que corresponde a 51 semanas.
Para a fase de treinamento é necessário também montar o padrão de saída da rede
neural que, no caso, são colunas com quatro valores de demanda e corresponde ao que a
rede irá aprender a prever. Assim, na fase de treinamento, foram mostrados na entrada da
rede os valores de demanda e energia para que ela aprendesse a correlacionar esses dados,
obtendo na saída os valores de demanda máxima relacionados a esses dados de entrada.
Essa relação é a de maior interesse para a Energisa S. A. pois correlacionar energia e
demanda máxima é uma tarefa complicada pois nem todo o crescimento energético – que
é o que eles possuem – corresponde ao crescimento de demanda máxima.
Uma forma simples de correlacionar, embora errônea, é atribuir o crescimento de
energia ao crescimento da demanda. Isto não funciona pois a demanda não cresce
uniformemente ao longo do dia, ou do ano, nem mesmo, o crescimento energético é
devido ao crescimento da demanda máxima. Muitas vezes o que levou ao crescimento do
consumo de energia foi o aumento da demanda em determinada hora do dia, ou até mesmo
o aumento da demanda apenas no horário de pico e não uniformemente ao longo do dia.
O que é de extrema importância se conhecer pois se saberá se os equipamentos estão
sobrecarregados ou não.
Assim, este trabalho padronizou o banco de dados da rede neural para receber
valores de demanda máxima e correlaciona-los com os valores de energia, fornecendo,
mais uma vez, valores de demanda máximos previstos. E assim saber o quanto um
crescimento de energia consumida refletirá no crescimento da demanda máxima.
A Figura 7 possuem valores temporais também. Esses valores são necessários para
situar a rede neural temporalmente tornando cada dado de entrada único no tempo e
prevendo os dados de forma sequencial. Além disso, é acrescentado os valores das taxas
de crescimento de cada semana a ser prevista. Esses valores são as taxas de crescimento
anuais da semana em questão.
22
3.2.3 CÁLCULO DA TAXA DE CRESCIMENTO DE ENERGIA
23
Figura 7. Matriz com o padrão de entrada para as RNAs
24
3.3 ATIVIDADE 3 – CONFIGURAÇÃO DAS RNA E TESTE
25
4 RESULTADOS E DISCUSSÕES
26
Tabela 2. Problemas comuns de medição
2.5
2
CTE L1
1.5
0.5
0
Subestação de Cuité: 0 20 40 60 80 100 120 140 160
Comparação entre as Potencias Máximas Semanais Corregidas
2
Apresenta transferência de Pot Semanal
Pot Semanal Corregido
1.8
carga entre os
1.6
alimentadores. Ocorrem
1.4
varias transferências de CTE L2
1.2
carga por um longo
1
período.
0.8
2.5
CTE L3 2
1.5
0.5
0 20 40 60 80 100 120 140 160
27
Comparação entre as Potencias Máximas Semanais Corregidas
1.3
Pot Semanal
1.2 Pot Semanal Corregido
1.1
0.9
0.8
PCI L1
0.7
0.6
0.5
0.4
0 20 40 60 80 100 120
Subestação de Picuí:
Apresenta dados zerados,
Comparação entre as Potencias Máximas Semanais Corregidas
1
repetidos e inconsistentes. Pot Semanal
0.95 Pot Semanal Corregido
0.85
medição nos
0.8
alimentadores. 0.75
PCI L2
0.7
0.65
0.6
0.55
0.5
0 20 40 60 80 100 120
PCI L3
28
Comparação entre as Potencias Máximas Semanais Corrigidas
1.8
Pot Semanal
1.6 Pot Semanal Corrigido
1.4
1.2
PLV L1 0.8
0.6
Subestação de 0.4
0
Apresenta transferência de 0 20 40 60 80 100 120 140
Comparação entre as Potencias Máximas Semanais Corrigidas
160
2
carga entre os Pot Semanal
1.8 Pot Semanal Corrigido
semanas. 1.2
PLV L2 1
0.8
0.6
0.4
0 20 40 60 80 100 120 140 160
29
Figura 10. Potencias máximas semanais para CTEL4
5.6
5.4
5.2
4.8
4.6
4.4
4.2
0 20 40 60 80 100 120 140 160
30
Figura 12. Potencias máximas semanais do Subsistema de Santa Cruz II
31
sazonalidade nos dados como podem ser percebidos através das oscilações periódicas nas
curvas. Apesar da periodicidade, nota-se um suave crescimento que deve ser aprendido
pela rede neural. Neste caso de treinamento, os resultados se apresentaram com um erro
inferior a 5% até a semana 35 de previsão. Tal erro representa uma variação de
aproximadamente 65kW dos valores reais. Depois da semana 35 a rede apresentou um
maior erro, entretanto, como pode ser observado, houve um degrau na curva dos dados.
Este degrau pode representar um erro de medição ou uma transferência de carga, o que
significa uma situação anormal de funcionamento daquele sistema.
32
A Figura 15 e a Figura 16 apresenta o resultado da previsão para a subestação de
Cuité. Neste caso pôde-se observar que o erro médio dos valores de previsão foi de
aproximadamente 69kW de um valor médio de 4.6MW o que representa 1.5% de erro
percentual máximo. Este foi um dos mais bem sucedidos experimentos onde pode-se
notar uma maior exatidão inclusive em até cinquenta e uma semanas após a fase de
treinamento.
33
que representa uma variação de aproximadamente 60kW do valor médio de 0.6MW na
janela de previsão de cinquenta e uma semanas. Pode-se observar na curva do banco de
dados da Figura 17 uma oscilação característica da variação de carga anual.
34
Entretanto, eles mostram certa periodicidade e um aumento ao longo dos anos assim, os
valores de previsão conseguiram se aproximar bem dos valores reais. (ver Figura 19 e
Figura 20).
Para a subestação de 69/13.8 kV, a Santa Cruz II, que alimenta todo o subsistema,
o comportamento dos dados de medição apresentaram um comportamento ruim ao ser
formado por diversos patamares e picos. Entretanto, assim como para a Subestação de
Pedra Lavrada, o crescimento e a periodicidade foram essenciais para que a previsão
atingisse um erro máximo de aproximadamente 102 kW em um valor médio de 5.7MW
como pode ser observado na Figura 21 e na Figura 22.
35
Figura 21. Previsão para a subestação de Santa Cruz II
Figura 22. Previsão de carga para a Subestação de Santa Cruz II apenas em 2012
36
5 CONCLUSÕES
37
precioso para formação acadêmica e na descoberta de novas possibilidades na solução de
problemas.
De modo geral, a concretização do estágio supervisionado proporcionou
experiências enriquecedoras no sentido da aplicação dos conhecimentos teóricos
adquiridos ao longo da vida acadêmica do curso de engenharia elétrica.
38
BIBLIOGRAFIA
BOX, G. E. P., JENKINS, G. M. & REINSEL, G. C. 2011. T IME SERIES ANALYSIS : FORECASTING
AND CONTROL, W ILEY .
BRITO, N. S. D. et al. Aplicação de Redes Neurais Artificiais para Previsão de Carga em Sistemas de
Distribuição.
DE ANDRADE, Luciano Carli Moreira; FLAUZINO, Rogério Andrade; DA SILVA, Ivan Nunes. Sistemas
Fuzzy para Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo.
EL-KEIB, A., MA, X. & MA, H. 1995. Advancement of statistical based modeling techniques for short-
term load forecasting. Electric Power Systems Research, 35, 51-58.
HIPPERT, H. S.; PEDREIRA, C. E. and SOUZA, R. C. “Neural networks for shortterm load forecasting:
Are view and evaluation,” IEEE Transactions on Power Systems, Vol. 16, No. 1, pp. 44-55, 2001.
LAURET, P., DAVID, M. & CALOGINE, D. 2012. Nonlinear Models for Short-time Load Forecasting.
Energy Procedia, 14, 1404-1409.
LOPES, MLM. Desenvolvimento de redes neurais para previsão de cargas elétricas de sistemas de energia
elétrica. 2005. 149 f. 2005. Tese de Doutorado. Tese (Doutorado em Engenharia Elétrica)–Faculdade de
Engenharia, Universidade Estadual Paulista, Ilha Solteira.
MIRANDA,V. C. 2007. Previsão de dados de alta frequência para carga elétrica usando holt-winters
com dois ciclos. Master’s thesis, Pontifıcia Universidad Católica do Rio de Janeiro.
MOGHRAM, I. and RAHMAN, S. “Analysis and evaluation of five short-term load forecasting
techniques,” IEEE Transactions on Power Systems, Vol. 4,No. 4, pp. 1484-1491, 1989.
NGUYEN, T. & LIAO, Y. 2011. Short-Term Load Forecasting Based on Adaptive Neuro-Fuzzy
Inference System. Journal of Computers, 6, 2267-2271.
O’DONOVAN, T. M. “Short Term Forecasting: An introduction to the Box-Jenkins approach,” John Wiley
& Sons, New York, 1983.
SHRIVASTAVA, V., MISRA, R. & BANSAL, R. 2012. An assessment of electrical load forecasting
using artificial neural network. International Journal of Computer Aided Engineering and Technology, 4,
80-89.
SOUZA, R. 1983. Métodos automáticos de Amortecimento Exponencial para previsão de séries
temporais. Monografia GSM-10/83, maio.
SWARUP, K. S. and SATISH, B. “Integrated ANN approach to forecast load,” IEEE Computer
Applications in Power, Vol. 15, No. 1, pp. 46-51, 2002.
VILLALBA, S. A. and BEL, C. A. “Hybrid demand model for load estimation and short term load
forecasting in distribution electric systems,” IEEE Transactions on Power Delivery, Vol. 15, No. 2, pp.
764-769, 2000.
YANG, H. T., HUANG, C. M. & HUANG, C. L. Identification of ARMAX model for short term load
orecasting: an evolutionary programming approach.1995. IEEE, 325-330.
ENERGISA. Disponível em: <http://www.energisa.com.br/paraiba/Energisa%20Paraiba/Historia/
Aempresa.aspx> Acesso em: 22 agosto 2013.
39
ANEXO A
Para este propósito, considera-se um conjunto de amostras de tamanho n, definidas por x1, ..., xn, com
funções de densidade de probabilidade independentes. A função de probabilidade (likelihoodfunction) do
conjunto é dado por:
K f1 ( x ) f 2 ( x )... f n ( x ) (1)
em que f1, ..., fn são as funções de densidade de probabilidade e x é o melhor valor estimado que maximiza
K.
Considera-se que as funções de densidade de probabilidade têm uma distribuição normal com parâmetros
conhecidos, dada por:
1 ( x x )2 2 u 2
f x e
(2)
u 2
x xi / 2 ui2
n 2
1
K e
(3)
i 1 ui 2
x xi
2
n
1
ln K ln[ n
] (4)
2ui2
u
n
2 i
i 1
i 1
O valor de x que maximiza (4) é conhecido como a estimação de máxima probabilidade, e pode ser
calculado por:
ln K
0 (5)
x
40
1 1 1
x x 2 x2 ... 2 xn (6)
u12 1
u2 un
1 1 1
com 2
2 ... 2 .
u1 u2 un
A equação (6) define um procedimento de fusão de dados para estimar o valor de fusão xF x , a partir
dos n valores medidos x1, x2, …, xn, levando em consideração os valores dos desvios padrão u1, u2, …, un
de cada medida, respectivamente.
1 1 1 1 1 1
xF x 2 x2 ... 2 xn com 2 2 ... 2 (7)
u x1
2 1
u x2 u xn
u x1 u x2 u xn
2 2 2
x x x
u F ux1 F ux2 ... F uxn
2
(8)
x1 x2 xn
xF
2 2 2
1 1 1
u 2 u x1 2 u x2 ... 2 u xn
2
(9)
xF
u x u x u x
1 2 n
1 1 1 1
u x2F 2
2 ... 2 (10)
u x1 u x2
2
u xn
1 1 1 1
u x2F 2 2 ... 2 (11)
u x1 u x2 u xn
Pode-se observar que a incerteza final u xF é menor do que as incertezas independentes u x1 , u x2 ,..., u xn ,
isto é, o resultado da fusão apresenta a menor incerteza possível.
Para exemplificar este procedimento, considera-se que uma grandeza é medida utilizando-se dois sensores
diferentes, em que o primeiro sensor tem uma incerteza e o segundo, uma incerteza 2. Utilizando o
procedimento de fusão de máxima probabilidade, tem-se uma incerteza final de fusão de 0,89, com um
nível de confiança de 68%, como ilustrado na Figura 1.
41
100%
Incerteza
1
2
0,89
68%
Algoritmo de Correção
1. Cria-se um intervalo de confiança em que deve estar a
potência máxima em análise
42