Escolar Documentos
Profissional Documentos
Cultura Documentos
Lilian M. de Menezes
Cass Business School, City University
106 Bunhill Row. London. United Kingdom
L.deMenezes@city.ac.uk
RESUMO
Este artigo mostra um modelo univariado para previsão de carga elétrica com dados de alta
freqüência. Para tal, foi usado o modelo Holt-Winters com dois ciclos, um diário e o outro
semanal, na sua forma multiplicativa. O modelo gera previsões 15 minutos à frente para os
próximos 7 dias, i.e., totalizando 672 passos-à-frente previstos. Contudo, antes de gerar as
previsões, é necessário estimar os valores iniciais do nível, tendência e cada sazonalidade (neste
caso há 96 fatores diários e 672 fatores semanais) e também os hiperparâmetros (que são quatro).
Os valores iniciais podem ser obtidos por um algoritmo, mas a estimação dos hiperparâmetros é
mais complexa, sendo necessário um algoritmo de otimização não-linear. Portanto, utilizou-se
um algoritmo genético, o qual minimizou o MSE. Também foi feita uma análise de sensibilidade
para analisar o desempenho do modelo com o AG. Além disso, foi realizada uma intervenção
exógena para tratar os feriados.
PALAVRAS CHAVE. Previsão para dados de alta freqüência. Método de Holt-Winters com
dois ciclos. Algoritmo Genético. Área de classificação principal: AE - Aplicações a Energia.
ABSTRACT
This paper presents an univariate model to forecast high frequency load data. It was used the
Holt-Winters approach with double cycles, one daily and the other weekly, in its multiplicative
form. The model produces 15-minutes-ahead forecasts for the next 7 days, i.e., a total of 672
steps-ahead forecasts. However, before the forecasts are produced, is necessary to estimate the
initial values for level, trend and each seasonality (in this case there are 96 factors intraday and
672 factors intraweek) and also the hyper parameters (they are four). The initial values can be
obtained by an algorithm, but the hyper parameters estimation is rather complex, as it needs a
nonlinear optimization algorithm. It was used a genetic algorithm, which minimises the MSE.
Besides that, was also carried out a sensibility analysis to verify the model’s performance with
the GA. In addition, the bank holidays were considered separately with an exogenous
intervention.
KEYWORDS. High frequency load forecasts. Double Seasonal Exponential Smoothing
Methods. Genetic Algorithm. Main área: AE - Applications to Energy.
2. Formulação Teórica
2.1- Holt-Winters com dois ciclos
Xt
(
Nível St = α + 1 − α )( St −1 + Tt −1 )
Dt − s Wt − s
1 2
Tendência Tt = γ ( St − St −1 ) + (1 − γ ) Tt −1
Xt
Sazonalidade 1 Dt = δ
St .Wt − s + (1 − δ ) Dt − s1
2
Xt
Sazonalidade 2 Wt = ω + (1 − ω )Wt −S
S t Dt −S 2
1
Erro [
et = yt − (S t −1 − Tt −1 )Dt −S1Wt −S2 ]
Previsão Xˆ t (k ) = (St + kTt )Dt − S1+ kWt −S2 +k + φ k et
Tabela 1. Equações de atualização e previsão – Holt-Winters com dois ciclos
700
650
600
Demanda (MW)
550
500
450
400
350 5
300
250
1 97 193 289 385 481 577
Quinze minutos
Tendo isto em vista, foi desenvolvido um banco de fatores de redução, para ser incorporado
ao modelo de previsão de forma exógena, que contém fatores que serão incorporados na previsão
da energia, sendo assim capaz de ajustar melhor o modelo, reduzindo o erro de previsão, o que a
torna mais precisa.
Como o feriado gera comportamentos distintos ao ocorrer em dias da semana diferentes,
foram criadas regras para cada dia da semana, analisando também os dias (ou partes de dias) que
são influenciados por esse feriado. Os fatores foram ajustados no mesmo período para o qual a
previsão foi realizada, neste caso, para cada 15 minutos.
16:15
20:15
10:15
14:15
18:15
20:15
22:15
12:15
14: 15
18:15
22:15
14:15
18:15
22:15
12:15
16:15
10:15
16:15
20:15
0:15
2:15
4:15
6: 15
8:15
0:15
2:15
4: 15
6:15
8:15
0:15
2:15
4:15
6:15
8:15
0
-5
-10
-15
-20
-25
-30
-35
-40
fator reduçã o
O tratamento do feriado gerou uma base de regras para cada dia da semana, com exceção
dos feriados de Carnaval, Natal e Ano Novo. Para tratar esses dois últimos, verificou-se que o
impacto dos feriados de Natal e Ano Novo depende do dia da semana em que esses feriados
ocorrem, por isso ambos foram analisados de acordo com o dia de sua ocorrência. Além disso,
verificou-se que a ocorrência de feriado em um domingo não afeta significativamente o consumo
de energia neste dia.
3. Aplicação
Neste estudo foram utilizados dados de carga elétrica de uma importante concessionária de
energia elétrica da região sudeste do Brasil e, apenas para manter o caráter confidencial dos
dados, eles foram mascarados. Havia disponível uma base de dados de quatro anos de carga
elétrica em intervalos de quinze minutos, como mostrado nas figuras 3 a 6, onde é possível
comprovar o caráter de dois fatores sazonais desses dados. Com isso, foram avaliados vários
períodos usando este modelo e aqui serão apresentados dois exemplos usando dados de julho e
setembro de 2005, sendo realizada a previsão para sete dias, na base de quinze minutos,
totalizando 672 previsões. Ressalta-se que este modelo foi implementado e testado utilizando o
software Matlab.
750 650
700
600
650
600 550
550
Demanda (MWh)
Demanda (MWh)
500
500
450 450
400
400
350
350
300
250
0 100 200 300 400 500 600 700 300
0 10 20 30 40 50 60 70 80 90 100
quinze minutos
quinze minutos
700
650
600
550
Carga (MWh)
500
450
400
350
300
250
200
1
24
47
70
93
116
139
162
185
208
231
254
277
300
323
346
369
392
415
438
461
484
507
530
553
576
599
622
645
668
Horizonte de previsão
Real Previsto
2.5
2.0
1.5
MAPE
1.0
0.5
0.0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
1.8
1.6
1.4
1.2
MAPE
1.0
0.8
0.6
0.4
0.2
0.0
1 2 3 4 5 6 7
Dia
Esta análise foi repetida usando o mês de agosto de 2005 para prever os sete primeiros dias
de setembro de 2005. Os hiperparâmetros otimizados (foi feita a mesma análise do exemplo
anterior para definir a melhor otimização, sempre a configuração escolhida igual a daquele
exemplo) são α = 0.0071, δ = 0.1780, ω = 0.0741 e φ = 0.8119. Este período foi escolhido para
testar os fatores de redução a serem aplicados em feriados, pois 7 de setembro é feriado nacional
no Brasil e, com isso, será possível analisar o efeito da correção do feriado.
A figura 10 mostra que realmente o ajuste desse período foi pior que o do anterior,
especialmente ao analisar o dia do feriado. O MAPE do período foi de 6,25%, sendo que o
MAPE apenas do dia do feriado foi 29,09%. O MAPE do modelo NAIVE para todo o período foi
6,40%.
800
700
600
Carga (MWh)
500
400
300
200
116
139
162
185
208
231
254
277
300
323
346
369
392
415
438
461
484
507
530
553
576
599
622
645
668
1
24
47
70
93
Horizonte de previsão
Real Previsto
Figura 10. Demanda de carga elétrica realizada e prevista para 1 a 7 de setembro de 2005
10
6
MAPE
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Hora
MAPE sem correção MAPE com correção
30
25
20
MAPE
15
10
0
1 2 3 4 5 6 7
Dia
MAPE sem correção MAPE com correção
4. Conclusão
Neste artigo foi apresentado uma aplicação do modelo de Holt-Winters com dois ciclos para
previsão a cada quinze minutos, sete dias à frente, totalizando 672 passoa à frente, para dados da
região sudeste do Brasil. O modelo foi testado e exemplificado aqui em dois períodos,
considerando, em um deles, a ocorrência de feriado e sua correção. Além da correção do feriado,
foi também mostrada a correção dos dias adjacentes que são afetados pelo feriado.
De modo geral, o modelo de Holt-Winters com dois ciclos apresentou resultados bastante
satisfatórios, não evidenciando nenhuma deterioração à medida em que o horizonte de previsão
aumenta, mostrando bons desempenhos para os períodos previstos.
Ao comparar a correção do feriado, considerando apenas o dia em que este ocorreu, percebe-
se que a base de regras montada foi eficiente, pois melhorou a acurácia da previsão.
5. Referências:
Cancelo, J. R., Espasa, A. (1996). Modelling and Forecasting Daily Series of Electricity
Demand. Investigaciones Economicas. 20 (3), 359 – 376.
Cancelo, J. R., Espasa, A., Grafe, R. (2007). Eighteen-years’ experience in data adjustment
and forecasting daily and hourly electricity consumption. 4th International Institute of
Forecasters’ Workshop, Rio de Janeiro – Brasil.
Cipra, T., Trujillo, J. & Rubio, A. (1995). Holt-Winters Meted with Missing Observations.
Management Science, 41 (1), 174 – 178.
Fidalgo, J.N., Lopes, J.P. (2005). Load forecasting performance enhancement when facing
anomalous events. IEEE Transactions on Power Systems, 20 (1), 408-415.
Goldberg, D. E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-
Wesley Reading, MA, 1989.
Grubb, H., Mason, A. (2001). Long lead-time forecasting of UK air passengers by Holt-Winters
methods with damped trend. International Journal of Forecasting, 17 (1), 71 – 82.
Kim, K., Youn, H., Kang, Y. (2000). Short-term load forecasting for special days in anomalous
load conditions using neural networks and fuzzy inference method. IEEE Transactions on Power
Systems, 15 (2), 559-565.
Lazo, J. G. L., Sistema híbrido genético-neural para montagem e gerenciamento de carteiras de
ações, dissertação de mestrado, DEE, PUC-Rio, agosto 2000.
Mitchell, M. An Introduction to Genetic Algorithms. MIT Press, 1996.
Papalexopoulos, A. D., Hesterberg, T. C. (1990). A regression-based approach to short-term
system load forecasting. IEEE Transactions on Power Systems, 5 (4). 1535-1547.
Song, K., Baek, Y., Hong, D.H. & Jang, G. (2005). Short-term load forecasting for the
holidays using fuzzy linear regression method. IEEE Transactions on Power Systems, 20 (1), 96-
101.
Taylor, J. W. (2003a). Short-term electricity demand forecasting using double seasonal
exponential smoothing. Journal of Operational Research Society, 54, 799-805.
Taylor, J. W. (2003b). Exponential Smoothing with a Damped Multiplicative Trend.
International Journal of Forecasting, 19, 715-725.
Taylor, J. W., Menezes, L. M. de, McSharry, P. E. (2006). A comparison of univariate
methods for forecasting electricity demand up to a day ahead. International Journal of
Forecasting, 22, 1 – 16.
Taylor, J. W. (2008). An evaluation of methods for very short-term load forecasting using
minute-by-minute British data. International Journal of Forecasting, 24, 645 – 658.
Williams, T. M. (1987). Adaptative Holt-Winters Forecasting. The Journal of the Operacional
Research Society, 38 (6), 553 – 560.