Machine Translated by Google

Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México

MODELO DE RNA ADAPTATIVO PARA MUITO CURTO

PREVISÃO DE ENERGIA VALIDADA NO NOVO
CONTEXTO DA PANDEMIA DO CORONAVÍRUS

P. A. J. COUTO; C. A. F. ROCHA; F. P. M. E. L. TOSTES; U. H. BEZERRA Federal

MONTEIRO; S. C. A. MONTEIRO Federal University University of Para CEAMAZON/
of Western Para Campus Oriximina PPGEE/UFPA tostes@ufpa.br

flavia.monteiro@ufopa.edu.br
L. S. SOARES; E. C. S. SILVA
Equatorial Energia Para
lazaro.filho@celpa.com.br

Resumo—Entre problemas nas expansões da rede elétrica,
geração distribuída, migrações de clientes do mercado de
energia, perdas comerciais e outros problemas, as empresas de
distribuição de energia buscam melhorar tanto a qualidade da
energia quanto a redução de custos, aumentando a lucratividade.
Um ponto básico e crucial para qualquer empresa de energia é
quanta energia comprar. Ou seja, determinar a quantidade de
energia a ser adquirida o mais próximo possível daquela
necessária para atender seus clientes, evitando perdas financeiras do fornecimento de informações, visando determinados objetivos. E [2]
por consumir mais ou menos do que possuem. Contudo, este
não é um problema trivial, pois o consumo de energia depende
de diversos fatores exógenos e endógenos, como todos os
problemas mencionados anteriormente, além de aspectos
econômicos, sociais, climáticos, políticos e culturais, entre
outros. Assim, as previsões de energia são realizadas com auxílio
de análises estatísticas e técnicas computacionais. Este artigo
expõe um modelo de previsão de energia de curtíssimo e curto
prazo utilizando Redes Neurais e feedback, aplicado no novo
contexto global: a pandemia do novo coronavírus e suas
implicações no consumo de energia. O método foi implementado
com um conjunto de dados de consumo real fornecido pela
empresa brasileira de energia Equatorial do Pará e do Maranhão.
Os resultados das previsões de energia de curtíssimo prazo
atingiram um MAPE de cerca de 1,2% em uma janela de 15 dias
para ambos os estados, Pará e Maranhão. Para as previsões
energéticas de curto prazo, os resultados para ambos os Estados
foram de 3 cenários possíveis em uma janela de junho a dezembro de pela
Palavras-chave—Previsão Energética; Mercado de Energia;
Redes neurais; Pandemia do coronavírus.
EU. INTRODUÇÃO
e monitoramento regular por parte dos órgãos reguladores de energia,
evitando acidentes em todo o sistema, como racionamento.
Apesar da complexidade de correlacionar todos os fatores
necessários, existem diversos estudos para aprimorar modelos de
previsão de energia, visando aproximar os valores de geração e
consumo dos usuários. Segundo [1], a previsão não é um fim em si,
mas apenas um meio para uma consequente tomada de decisão através
complementa a ideia, lembrando que as previsões são estimativas de
como o exigente mercado se comportará no futuro, estas advindas de
especulações sobre o potencial de compra do mercado.
A maioria dos métodos de previsão propostos nas últimas décadas
relacionam-se e, portanto, dependem dos dados históricos das séries
temporais de consumo de energia desde a fase de modelagem, dividindo-
se em duas categorias principais: métodos estatísticos e métodos de
inteligência artificial [3]. Em geral, os métodos de inteligência artificial
podem obter resultados mais precisos na maioria das aplicações do
mundo real e têm sido amplamente aplicados na previsão do consumo
de energia [4].
Portanto, neste artigo, o aprendizado de máquina é usado para
realizar previsões de energia injetada no curtíssimo prazo usando
métodos de redes neurais artificiais. Os dados utilizados foram fornecidos
2020,concessionária
devido à imprevisibilidade da pandemia,
Equatorial Energia, especialmente
que representam informações no Brasil, que a
reais de consumo dos clientes.
As previsões de curtíssimo prazo foram feitas em curto prazo de 15 dias
e 6 meses para ambos os conjuntos de dados: Pará Equatorial e
Equatorial Maranhão.

Da geração ao consumo, a eletricidade passa por diversas fases:
geração, transmissão e distribuição.
Considerando os impactos de cada uma dessas fases no consumo de
energia, a preocupação das operadoras e empresas de energia é
monitorar com precisão o consumo e compatibilizá-lo com a geração,
pois a quantidade de energia em questão é muito elevada para os
bancos de baterias. Esta é a principal motivação para um adequado
planejamento de compra de energia por parte de cada empresa de energia
Além disso, com a chegada do COVID-19, uma série de ações
foram tomadas para controlar o distanciamento social, nas quais ocorreu
o bloqueio ou fechamento de diversas empresas e setores, resultando
em uma mudança no perfil do consumo de energia dessas empresas
[5]. Escolas, restaurantes, escritórios foram obrigados a parar ou reduzir
o horário de trabalho por um bem comum. Neste cenário atípico, foi
necessário reinventar as nossas rotinas, adaptando-nos aos novos
hábitos, uma vez que ninguém estava preparado para uma pandemia global. Pequeno

© IEEE 2020. Este artigo é gratuito para acesso e download, juntamente com direitos para texto completo e mineração, reutilização e análise de dados

Uso licenciado autorizado limitado a: IEEE Xplore. Baixado em 20 de setembro de 2022 às 01:12:41 UTC do IEEE Xplore. Restrições aplicadas.
Machine Translated by Google

Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México

As grandes empresas tiveram que cortar despesas, reduzindo o número
de funcionários. Assim, visando ajudar o consumidor em um momento
tão difícil, a Agência Nacional de Energia Elétrica do Brasil (ANEEL)
suspendeu por 90 dias o corte de energia das empresas de energia.
O modelo proposto inclui esse viés entre o consumo de energia e
os possíveis impactos ambientais e econômicos, por isso é adequado
para prever energia em diferentes cenários utilizando técnicas de redes
neurais profundas.
Em relação aos custos, além da compra emergencial de energia a
preços bem mais caros para cobrir o déficit, é imposta penalidade à
concessionária que contratar uma demanda inferior ao valor
efetivamente realizado. Por outro lado, o contrário também implica
perdas financeiras para a concessionária em caso de revenda do
excedente por preço inferior ao pago anteriormente.
III - REDES NEURAIS PROFUNDAS

II. O MERCADO ENERGÉTICO BRASILEIRO Segundo [9], as redes neurais reproduzem o comportamento do
sistema nervoso humano em formato computacional, a partir de
Tradicionalmente, os diversos agentes do setor elétrico tomam
equações matemáticas, cujo bloco principal é o neurônio, mostrado na
suas decisões com base na projeção de demanda feita pela Empresa
Figura 1 na forma biológica e artificial.
de Pesquisa Energética (EPE) e seguindo a metodologia de projeção
de mercado disponível na Nota Técnica 292/2008-SRE/ANEEL. São
realizadas análises de séries temporais, considerando a extrapolação
de tendências passadas para estimar comportamentos futuros [6]. Os
estudos da EPE normalmente contemplam a projeção da demanda de
energia em um horizonte de 10 anos, servindo de referência para o
planejamento de mercado.
Os estudos da EPE apresentam premissas para determinação da
dinâmica do consumo de energia, como dados demográficos,
macroeconômicos e setoriais que proporcionam eficiência energética e
ações de autoprodução [7].

A frequência e a quantidade de saídas dos consumidores para o (a)

mercado livre de energia [6], a utilização de geradores a diesel ou de
fontes renováveis, principalmente fotovoltaicas, também devem ser
incluídas no cálculo da previsão de energia futura, dado o crescimento
desses serviços no mercado energético atual.

O consumo e o desempenho da economia estão intimamente

interdependentes, de modo que a análise do mercado elétrico se inicia
a partir da construção de cenários macroeconômicos e das possíveis
trajetórias de crescimento da economia. Além dos cenários demográficos
e dos pressupostos setoriais para constituírem argumentos de mercado,
outras condições como as climáticas e culturais são responsáveis pela
criação dos diferentes cenários de consumo no horizonte temporal de
interesse.
(b)

O planejamento ocorre mensalmente e, a partir daí, anualmente,

formando o horizonte de curto prazo, que pode ser estendido para
estimar correspondências nos horizontes de médio e longo prazo [8].
Contudo, a estimativa deve partir dos limites de distribuição de cada
concessionária, considerando com precisão todas as condições e
possibilidades de crescimento da região atendida, mas mantendo a
robustez para atender, ainda que pontualmente, eventos.
Como parte do controle dos órgãos responsáveis pelo planejamento
do Sistema Interligado Nacional e das usinas geradoras, são esperados
valores de demanda nos horários de ponta e fora de ponta, a cada três
anos, nas ligações do sistema de distribuição de energia de todas as
concessionárias em operação no país. Brasil. Na execução da projeção
trienal, com exceção do primeiro, todos os outros anos estão sujeitos a
alterações.
Figura 1. (a) Neurônio Biológico[9] e (b) Neurônio Artificial [10].
Nesta representação de um neurônio artificial, os impulsos elétricos
de outros neurônios, figurados em termos de ‘x’ que além de serem
sinais de entrada, são também os dados que alimentam o modelo. O
neurônio adquire um ou mais sinais de entrada e entrega apenas um
sinal de saída, que pode ser compartilhado como sinal de saída da
rede ou sinal de entrada para os próximos neurônios na próxima
camada [10].
Axônios e dendritos são figurados em termos de 'Wm', que
demonstram matematicamente apenas as sinapses, onde ocorre a
intensidade da conexão e configura o chamado peso sináptico,
representado em termos de 'W'. As entradas serão mostradas ao
neurônio. As entradas serão mostradas ao neurônio e então serão
multiplicadas pelo correspondente

Uso licenciado autorizado limitado a: IEEE Xplore. Baixado em 20 de setembro de 2022 às 01:12:41 UTC do IEEE Xplore. Restrições aplicadas.
Machine Translated by Google

Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México

pesos sinápticos, criando entradas moderadas, ou seja, a primeira entrada X
multiplica pela primeira entrada W, assim sucessivamente, alimentando o
modelo [10].
Em seguida temos o combinador linear, figurado por 'ÿ', que deve agrupar
a totalidade dos sinais de entrada já moderados com os pesos sinápticos para
gerar um potencial de ativação. O sinal de entrada Bias 'Bk' é chamado de
limite de ativação que deve determinar o nível adequado para que um
determinado valor seja gerado pelo gatilho de ativação com o produto do
combinador linear.
Logo em seguida, o resultado da diferença entre o combinador linear e o
limiar de ativação é representado pelo 'U' como potencial de ativação, com
dois casos possíveis: se o valor de U for maior que 0, será produzido um
potencial excitatório; se a primeira afirmação não for satisfeita, o potencial será
inibitório. Posteriormente, existe a função de ativação figurada pelo ÿ(.) onde
a saída de um neurônio deve ser delimitada em um espaço de valores. Por
fim, o sinal de saída e será utilizado como entrada de entrada para outros
neurônios que estejam interligados sequencialmente [10].
Segundo [11], a técnica utilizada para a projeção esperada é o Deep
Learning, um tipo de aprendizado de máquina. Uma vantagem da utilização
do Deep Learning é a sua capacidade de aprender com grandes quantidades
de dados e sem supervisão, sendo assim uma ferramenta valiosa para Big
Data, onde a maior parte dos dados é desta natureza, também chamados de
dados não estruturados. Além disso, os algoritmos de Deep Learning
apresentam uma abordagem inovadora, pois dispensam grande parte do pré-
processamento ao gerar automaticamente propriedades invariantes em suas
camadas hierárquicas de representação.
III. MÉTODO PROPOSTO E RESULTADOS
cada estado realiza a consolidação de suas medições de energia.
Embora os dados tenham sido obtidos diretamente do banco de dados da
empresa, na etapa de pré-processamento foram identificados outliers, que
foram devidamente tratados com o auxílio da equipe técnica da empresa.
A etapa de transformação dos dados também foi essencial para o sucesso
do modelo de projeção, pois foi necessária a aplicação de diversas
transformações para melhorar o aprendizado das redes neurais profundas. A
primeira foi usar o ID da semana e o ID do dia da semana, em vez de
simplesmente usar o dia e o mês como atributos de entrada.
Outro atributo de entrada utilizado para melhorar a assertividade foi informar
se o dia a ser projetado é feriado. Ainda nesta etapa KDD, conforme mostrado
na Figura 2, os atributos que carregam informações sobre a resolução temporal
são codificados utilizando a técnica de vetor One-hot. Também com o propósito
de facilitar o aprendizado de redes neurais profundas.
Continuando com as definições dos atributos de entrada do modelo, as
medidas de energia injetada foram organizadas de duas formas e denominadas
janela anual e janela diária. Como o nome sugere, é possível treinar o modelo
com diferentes números de medições de acordo com a quantidade de anos e
dias que o especialista desejar. Como o modelo utiliza resolução horária, o
número de atributos relacionados à resolução temporal é fixo (60 = 52 + 7 +
1). Calcula-se o número total de atributos A , considerando que Aw representa
a janela anual e Dw corresponde à janela diária, conforme segue: A = (Aw +
Dw ) 24 + 60.
×
Os valores das medições de energia injetada selecionadas também
necessitam de um processo de padronização denominado StandartScaler,
disponível na biblioteca Scikit-learning [18]. Na etapa de modelagem, após
testes exaustivos, foram definidos os seguintes parâmetros:

Todo o processo de concepção do modelo de predição foi orientado pelas

Parâmetros de configuração
etapas do KDD, Knowledge Discovery in Databases. Esta metodologia consiste
Parâmetro Valor
basicamente em cinco etapas: seleção/aquisição de dados, pré-processamento,
transformação de dados, mineração de dados e avaliação/interpretação de ele_normal
kernel_initializer
resultados [12].
7
O conjunto de dados utilizado para treinamento e validação do modelo de Número de camadas ocultas

previsão baseia-se em dados reais de energia injetada em MWh obtidos pela Número de neurônios em cada 200
fronteira de distribuição, em um tempo de aquisição de 15 minutos, que são camada oculta
agregados a cada hora e agrupados por regional (por exemplo, regional retomar
Ativador de camada oculta
OESTE de Pará) ou por todo o estado escolhido (Pará ou Maranhão). O que
ANN
viabilizou essa dinâmica foi o acesso direto à base de dados da empresa Adão
Otimizador
Equatorial.
0,0001
Taxa de Aprendizagem

Para o treinamento dos modelos, o período selecionado foi de janeiro de

Número de neurônios na camada 24
2009 a abril de 2020, para previsão do Maranhão, e de janeiro de 2012 a abril
de saída
de 2020 para o Pará. Para o processo de curtíssimo prazo também foram
retomar
utilizados períodos diferentes para cada Estado, de 1º a 24 de maio para o Ativador de camada de saída
Maranhão, e de 1º a 31 de maio para o Pará. Essa diferença tanto na seleção
Dropout na camada de saída 2%
das amostras de treinamento quanto na validação das amostras se deve ao
tempo que

Uso licenciado autorizado limitado a: IEEE Xplore. Baixado em 20 de setembro de 2022 às 01:12:41 UTC do IEEE Xplore. Restrições aplicadas.
Machine Translated by Google

Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México

horizontes como é o caso que será apresentado nos gráficos das

Ambos os estados brasileiros, Pará e Maranhão, seguiram as
mesmas configurações de parâmetros. Para implementar redes
neurais profundas foi utilizada a biblioteca Tensorflow [17], pois
possui diversas ferramentas e recursos que facilitam o desenvolvimento para determinado período.
e criação de modelos. Foi utilizado Python [16], que além das
bibliotecas já citadas, possui NumPy [18] e Pandas [18], que
melhoram o desempenho em relação a vetores, matrizes e dados
em geral.
Na camada de saída do modelo, são usados 24 atributos de
saída, cada um representando uma hora do dia projetada. Quando a
validação se esgota nas amostras, os outputs passam a ser os novos
inputs do modelo, permitindo assim realizar a projeção de forma mais
figuras seguintes.
Para a projeção do horizonte de curto prazo, o especialista pode
interferir no processo de projeção e inserir o ajuste que foi planejado
Esse ajuste foi muito importante em tempos de pandemia do
novo coronavírus e está se mostrando assertivo, como pode ser
verificado nos resultados das previsões.
Os resultados podem ser divididos por estado, conforme Figuras
3 e 4.

Figura 2. Modelagem da Rede Neural Artificial Profunda

Figura 3. Resultados - Pará Equatorial

Uso licenciado autorizado limitado a: IEEE Xplore. Baixado em 20 de setembro de 2022 às 01:12:41 UTC do IEEE Xplore. Restrições aplicadas.
Machine Translated by Google
Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México
Figura 4. Resultados – Equatorial Maranhão
Observa-se que os resultados encontrados pelo modelo proposto
ficaram muito próximos dos reais, em verde. A estrela verde simboliza
qual dos cenários a energia efetivamente injetada seguiu nos meses
após a validação. No caso do Pará, no curtíssimo prazo, o MAPE foi
de 1,17% e o do Maranhão foi de 2,2%. Ambos encontraram resultados
satisfatórios com o método proposto, com auxílio de RNA e feedback.
É importante destacar que o grupo de desenvolvedores já trabalha
na implementação de melhorias no método através da utilização de
algoritmos genéticos.
4. CONCLUSÃO
O objetivo do trabalho apresentado foi utilizar o método de redes
neurais profundas em conjunto com o conceito de feedback para prever
a energia injetada pela fronteira de distribuição de energia em
curtíssimo e curto prazo, visando assim auxiliar as empresas Equatorial
Pará e Equatorial Maranhão compras futuras de energia no contexto
do impacto da pandemia do novo coronavírus.
É importante mencionar que o perfil do consumo de energia na
pandemia mudou completamente, não existindo nenhum período com
características semelhantes. Isso porque muitas empresas, escolas,
restaurantes e indústrias reduziram ou até paralisaram completamente
o seu funcionamento. Assim, o método proposto mostrou-se robusto o
suficiente para prever a quantidade de energia a ser injetada na
fronteira de distribuição com MAPE de 1,2% para ambos os casos
analisados, tanto para a cidade de Belém, no Pará, quanto para São
Luis, no Maranhão.
Uso licenciado autorizado limitado a: IEEE Xplore. Baixado em 20 de setembro de 2022 às 01:12:41 UTC do IEEE Xplore. Restrições aplicadas.
O método também apresentou resultados consistentes no curto prazo,
ou seja, de junho a dezembro de 2020. Como resultado para este
caso, o método apresentou três cenários possíveis, um pessimista,
com baixo nível de energia injetada até o final de 2020, um com perfil
moderado ou médio, e cenário otimista, com retorno das atividades a
partir de julho, o que realmente aconteceu nesses dois estados do
Brasil.
Além disso, é importante ressaltar a importância da projeção energética,
pois erros de previsão afetam diretamente o resultado da empresa e
impactam todo o Sistema Interligado Nacional. Validado no contexto
da pandemia do novo coronavírus, o método proposto apresenta-se
como uma alternativa na decisão de compra de energia no curtíssimo
prazo (15 dias), pois dá à concessionária uma forma de ter um pré-
panorama do que acontecerá. necessitará ser injetada energia em sua
rede de distribuição, de acordo com o cenário esperado pela empresa.
REFERÊNCIAS
[1] B., A. N. P. ; Oliveira, F. S. G. ; Rosa, J. L. A. . Utilização de Ferramenta
de KDD para Integração de Aprendizagem e Tecnologia em Busca
da Gestão Estratégica do Conhecimento na Empresa. Anais do
Simpósio de Excelência em Gestão e Tecnologia, v. 1, p. 123-132,
2007; [2] Data Science Academy. Deep Learning Book, 2019. Disponível
em: <http://www.deeplearningbook.com.br/>. Acesso em: 08 de
Janeiro de 2020. Capítulo 4;
[3] Daut, MAM; Hassan, MEU; Abdullah, H.; Rahman, HA; ABDULAH, MP;
HUSSIN, F. "Construindo análises de previsão de consumo de
energia elétrica usando métodos convencionais e de inteligência
artificial: uma revisão". Renovar. Sustentar. Energia Rev, 70, 1108–
1118, 2017, p. 1-2;
Machine Translated by Google

Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México

[4] LI, C., Ding, Z., Zhao, D., YI, J., Zhang, G. "Construindo Energia Busca da Gestão Estratégica do Conhecimento na Empresa. Anais do
Previsão de consumo: uma abordagem de aprendizagem extrema e profunda". Simpósio de Excelência em Gestão e Tecnologia, v. 1, p. 123-132, 2007;
Energias 2017, 10(10), 1525; doi:10.3390/en10101525, 2017, p.1-3; [13] F., Osama; P., Gregório; S., Padhraico. Da mineração de dados ao conhecimento
[5] F., Carlos; F., Valéria. Estimativa em Tempo Real do Impacto de Curto Prazo de descoberta. Associação Americana de Inteligência Artificial. 1996, pág. 4-5;
COVID 19 sobre Atividade Económica Utilizando Dados do Mercado Elétrico; [14] T., DisponívelDaniel. inicial. Acesso em: 12 de
<https://danielteofilo.wordpress.com/>.
Página em:
[6] ANEEL, Nota Técnica n°292/2008-SRE/ANEEL. Metodologia de Janeiro de
Análise de Projeção de Mercado. Disponível em: www.aneel.gov.br. 2020;
Acessado em: 15/12/2019, p. 4; [15] Michie, D.; Spiegelhalter, D.; Taylor, C. Aprendizado de Máquina, Neural e
[7] Empresa de Pesquisa Energética (EPE). Nota Técnica DEA 001/17 - Classificações Estatísticas. Ellis Horwood, 1994, pág. 67-72;
Projeção da demanda de energia elétrica para os próximos 10 anos [16] PYTHON. Página inicial. Disponível em: <https://www.python.org/>.
(2017-2026). Rio de Janeiro, RJ, 2017, p. 1-3; Acesso em: 07 de Janeiro de 2020;
[8] C B., A. C. G. O. Projeção de Demanda de Energia Elétrica. Dissertação [17] TENSORFLOW. Página inicial. Disponível em:
(Mestrado em Regulação da Indústria de Energia). Dissertação <https://www.tensorflow.org/>. Acesso em: 07 de Janeiro de 2020;
(Mestrado) - Universidade de Salvador. Programa de Pós-Graduação em
[18] Grus, Joel. Data Science do Zero. Rio de Janeiro: Alta Books Editora,
Engenharia, Salvador, 2003, p. 34;
2016, pág. 300;
[9]F., Katti; L., Ana Carolina; G., João; C., André Carlos Ponce de León inicial. em:
matplotlib.org/>. Acesso Página Disponível [19] MATPLOTLIB. <https://
Ferreira de. Inteligência artificial: uma abordagem de aprendizado de
em: 06 de Janeiro de 2020;
máquina. Rio de Janeiro: Editora LTC, 2011, pág. 109-111;
[20] Portal Inmet. Instituto Nacional de Meteorología. Disponível em:
[10] Data Science Academy. Deep Learning Book, 2019. Disponível em:
<https://portal.inmet.gov.br/> Acesso em: 06 de março de 2020;
<http://www.deeplearningbook.com.br/>. Acesso em: 08 de Janeiro de
2020. Capítulo 4; [21] Laboratório de inovação baseado em dados. Inteligência Artificial para Inovação.
Disponível em: <https://ddi.sutd.edu.sg/> Acesso em: 07 de março de
[11] Marino, DL, Amarasinghe, K., Milos Manic, M. "Carga de energia do edifício
2020;
previsão usando redes neurais profundas". IECON 2016 - 42º Anual
Conferência da Sociedade de Eletrônica Industrial IEEE,
10.1109/IECON.2016.7793413, 23-26 out. 1-4;
[12] B., A. N. P. ; Oliveira, F. S. G. ; Rosa, J. L. A. . Utilização de
Ferramenta de KDD para Integração de Aprendizagem e Tecnologia em

Uso licenciado autorizado limitado a: IEEE Xplore. Baixado em 20 de setembro de 2022 às 01:12:41 UTC do IEEE Xplore. Restrições aplicadas.