Escolar Documentos
Profissional Documentos
Cultura Documentos
Reunião Internacional de Outono do IEEE 2020 sobre Energia, Eletrônica e Computação (ROPEC 2020). Ixtapa, México
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, e monitoramento regular por parte dos órgãos reguladores de energia,
geração distribuída, migrações de clientes do mercado de evitando acidentes em todo o sistema, como racionamento.
energia, perdas comerciais e outros problemas, as empresas de
distribuição de energia buscam melhorar tanto a qualidade da Apesar da complexidade de correlacionar todos os fatores
energia quanto a redução de custos, aumentando a lucratividade. necessários, existem diversos estudos para aprimorar modelos de
Um ponto básico e crucial para qualquer empresa de energia é previsão de energia, visando aproximar os valores de geração e
quanta energia comprar. Ou seja, determinar a quantidade de consumo dos usuários. Segundo [1], a previsão não é um fim em si,
energia a ser adquirida o mais próximo possível daquela mas apenas um meio para uma consequente tomada de decisão através
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 complementa a ideia, lembrando que as previsões são estimativas de
não é um problema trivial, pois o consumo de energia depende como o exigente mercado se comportará no futuro, estas advindas de
de diversos fatores exógenos e endógenos, como todos os especulações sobre o potencial de compra do mercado.
problemas mencionados anteriormente, além de aspectos
econômicos, sociais, climáticos, políticos e culturais, entre
outros. Assim, as previsões de energia são realizadas com auxílio A maioria dos métodos de previsão propostos nas últimas décadas
de análises estatísticas e técnicas computacionais. Este artigo relacionam-se e, portanto, dependem dos dados históricos das séries
expõe um modelo de previsão de energia de curtíssimo e curto temporais de consumo de energia desde a fase de modelagem, dividindo-
prazo utilizando Redes Neurais e feedback, aplicado no novo se em duas categorias principais: métodos estatísticos e métodos de
contexto global: a pandemia do novo coronavírus e suas inteligência artificial [3]. Em geral, os métodos de inteligência artificial
implicações no consumo de energia. O método foi implementado podem obter resultados mais precisos na maioria das aplicações do
com um conjunto de dados de consumo real fornecido pela
mundo real e têm sido amplamente aplicados na previsão do consumo
empresa brasileira de energia Equatorial do Pará e do Maranhão.
de energia [4].
Os resultados das previsões de energia de curtíssimo prazo
atingiram um MAPE de cerca de 1,2% em uma janela de 15 dias Portanto, neste artigo, o aprendizado de máquina é usado para
para ambos os estados, Pará e Maranhão. Para as previsões realizar previsões de energia injetada no curtíssimo prazo usando
energéticas de curto prazo, os resultados para ambos os Estados métodos de redes neurais artificiais. Os dados utilizados foram fornecidos
foram de 3 cenários possíveis em uma janela de junho a dezembro de pela
2020,concessionária
devido à imprevisibilidade da pandemia,
Equatorial Energia, especialmente
que representam informações no Brasil, que a
reais de consumo dos clientes.
Palavras-chave—Previsão Energética; Mercado de Energia;
As previsões de curtíssimo prazo foram feitas em curto prazo de 15 dias
Redes neurais; Pandemia do coronavírus.
e 6 meses para ambos os conjuntos de dados: Pará Equatorial e
EU. INTRODUÇÃO Equatorial Maranhão.
Da geração ao consumo, a eletricidade passa por diversas fases: Além disso, com a chegada do COVID-19, uma série de ações
geração, transmissão e distribuição. foram tomadas para controlar o distanciamento social, nas quais ocorreu
Considerando os impactos de cada uma dessas fases no consumo de o bloqueio ou fechamento de diversas empresas e setores, resultando
energia, a preocupação das operadoras e empresas de energia é em uma mudança no perfil do consumo de energia dessas empresas
monitorar com precisão o consumo e compatibilizá-lo com a geração, [5]. Escolas, restaurantes, escritórios foram obrigados a parar ou reduzir
pois a quantidade de energia em questão é muito elevada para os o horário de trabalho por um bem comum. Neste cenário atípico, foi
bancos de baterias. Esta é a principal motivação para um adequado necessário reinventar as nossas rotinas, adaptando-nos aos novos
planejamento de compra de energia por parte de cada empresa de energia 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 Em relação aos custos, além da compra emergencial de energia a
de funcionários. Assim, visando ajudar o consumidor em um momento preços bem mais caros para cobrir o déficit, é imposta penalidade à
tão difícil, a Agência Nacional de Energia Elétrica do Brasil (ANEEL) concessionária que contratar uma demanda inferior ao valor
suspendeu por 90 dias o corte de energia das empresas de energia. efetivamente realizado. Por outro lado, o contrário também implica
perdas financeiras para a concessionária em caso de revenda do
O modelo proposto inclui esse viés entre o consumo de energia e
excedente por preço inferior ao pago anteriormente.
os possíveis impactos ambientais e econômicos, por isso é adequado
para prever energia em diferentes cenários utilizando técnicas de redes
neurais profundas.
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].
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 cada estado realiza a consolidação de suas medições de energia.
multiplica pela primeira entrada W, assim sucessivamente, alimentando o
modelo [10].
Embora os dados tenham sido obtidos diretamente do banco de dados da
Em seguida temos o combinador linear, figurado por 'ÿ', que deve agrupar empresa, na etapa de pré-processamento foram identificados outliers, que
a totalidade dos sinais de entrada já moderados com os pesos sinápticos para foram devidamente tratados com o auxílio da equipe técnica da empresa.
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
A etapa de transformação dos dados também foi essencial para o sucesso
determinado valor seja gerado pelo gatilho de ativação com o produto do
do modelo de projeção, pois foi necessária a aplicação de diversas
combinador linear.
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
Logo em seguida, o resultado da diferença entre o combinador linear e o simplesmente usar o dia e o mês como atributos de entrada.
limiar de ativação é representado pelo 'U' como potencial de ativação, com Outro atributo de entrada utilizado para melhorar a assertividade foi informar
dois casos possíveis: se o valor de U for maior que 0, será produzido um se o dia a ser projetado é feriado. Ainda nesta etapa KDD, conforme mostrado
potencial excitatório; se a primeira afirmação não for satisfeita, o potencial será na Figura 2, os atributos que carregam informações sobre a resolução temporal
inibitório. Posteriormente, existe a função de ativação figurada pelo ÿ(.) onde
são codificados utilizando a técnica de vetor One-hot. Também com o propósito
a saída de um neurônio deve ser delimitada em um espaço de valores. Por
de facilitar o aprendizado de redes neurais profundas.
fim, o sinal de saída e será utilizado como entrada de entrada para outros
neurônios que estejam interligados sequencialmente [10].
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
Segundo [11], a técnica utilizada para a projeção esperada é o Deep
com diferentes números de medições de acordo com a quantidade de anos e
Learning, um tipo de aprendizado de máquina. Uma vantagem da utilização
dias que o especialista desejar. Como o modelo utiliza resolução horária, o
do Deep Learning é a sua capacidade de aprender com grandes quantidades
número de atributos relacionados à resolução temporal é fixo (60 = 52 + 7 +
de dados e sem supervisão, sendo assim uma ferramenta valiosa para Big
1). Calcula-se o número total de atributos A , considerando que Aw representa
Data, onde a maior parte dos dados é desta natureza, também chamados de
a janela anual e Dw corresponde à janela diária, conforme segue: A = (Aw +
dados não estruturados. Além disso, os algoritmos de Deep Learning
apresentam uma abordagem inovadora, pois dispensam grande parte do pré- Dw ) 24 + 60.
processamento ao gerar automaticamente propriedades invariantes em suas
×
camadas hierárquicas de representação.
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
III. MÉTODO PROPOSTO E RESULTADOS testes exaustivos, foram definidos os seguintes parâmetros:
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
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
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
Observa-se que os resultados encontrados pelo modelo proposto O método também apresentou resultados consistentes no curto prazo,
ficaram muito próximos dos reais, em verde. A estrela verde simboliza ou seja, de junho a dezembro de 2020. Como resultado para este
qual dos cenários a energia efetivamente injetada seguiu nos meses caso, o método apresentou três cenários possíveis, um pessimista,
após a validação. No caso do Pará, no curtíssimo prazo, o MAPE foi com baixo nível de energia injetada até o final de 2020, um com perfil
de 1,17% e o do Maranhão foi de 2,2%. Ambos encontraram resultados moderado ou médio, e cenário otimista, com retorno das atividades a
satisfatórios com o método proposto, com auxílio de RNA e feedback. partir de julho, o que realmente aconteceu nesses dois estados do
Brasil.
É importante destacar que o grupo de desenvolvedores já trabalha Além disso, é importante ressaltar a importância da projeção energética,
na implementação de melhorias no método através da utilização de pois erros de previsão afetam diretamente o resultado da empresa e
algoritmos genéticos. 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
4. CONCLUSÃO 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.
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
REFERÊNCIAS
do impacto da pandemia do novo coronavírus.
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
[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.