|




 
  

Disciplina: Sistemas Inteligentes Aplicados

Professora: Marley Maria B. R. Vellasco
Aluno: Eduardo Dessupoio Moreira Dias
 ã


£ Introdução
£ Descrição do Problema
£ Objetivos
£ Modelagem ANFIS
£ Resultados Obtidos
£ Considerações Finais
£ Referências

Lógica Fuzzy
Julho - 2010
_

!

£ Atualmente, empresas que desejam estar bem posicionadas no mercado devem

desenvolver bons mecanismos para a tomada de decisões.

£O setor de energia elétrica tem observado uma crescente expansão da área de gestão
de riscos, principalmente após a liberação e estímulo da competição na indústria de
energia.

£ Peculiaridades do setor de energia elétrica:

£ Produção e utilização da energia de forma quase que simultânea;

£ Sem possibilidade de armazenamento;
£ Sem grandes espaços de tempo para o planejamento.

£Fatores Climáticos: extrema importância para a tomada de decisão em uma

companhia de energia elétrica
Lógica Fuzzy
Julho - 2010
4
 


!

£ As concessionárias de energia elétrica compram energia baseada na demanda futura.

£ A Aneel permite um erro de até 3% quando o valor estimado para previsão

de carga está superestimado

£O clima (temperatura, precipitação, umidade relativa do ar) afeta, principalmente, o

consumo de energia elétrica das classes residencial e comercial

£A Light, concessionária caracterizada pelo consumo destas duas classes, necessita

prever, de forma adequada, os fatores climáticos

£ Minimizar seus riscos e maximizar seus lucros;

£ Maiores fluxos de caixa e, conseqüentemente, maiores volumes de

investimentos;

£ Maiores benefícios para seus clientes.

Lógica Fuzzy
Julho - 2010
ù

!

£ O objetivo principal deste trabalho é criar um modelo univariado, utilizando a

metodologia ANFIS, para a previsão mensal da sensação térmica do microclima
selecionado

Lógica Fuzzy
Julho - 2010
6

 !"!

£ Escolha do Microclima a ser estudado:

=   =    
L GAR E A AZUL
BARRA A T JUCA GLOR A
BOTAFOGO GRAJAU
CATETE JACARE AGUA
CATUMB ECH CHA
CE TRO(RJ E RA E GUARAT BA
C ADE DE DEUS PRACA DA BANDE RA
C DADE NOVA R O COMPR DO
CUR C CA SANTA TERESA
ESTAC O SAUDE
FREGUESIA TIJUCA
GAMBOA
Fo te: Ela oração Própria dos Autores

Lógica Fuzzy
Julho - 2010
 6

 !"!

£ Dados de sensação térmica utilizados são mensais, do período compreendido de

janeiro de 1998 a dezembro de 2009 para o referido Microclima.

Lógica Fuzzy
Julho - 2010
6 
 !"!

£ Sistemas Fuzzy não possuem a capacidade de aprender suas próprias regras e nem de
otimizar seus parâmetros para modelar especificamente um problema.

£Paratal, será utilizado um modelo de Redes Neurais, dando origem aos chamados
ANFIS ( Adaptative Neuro-Fuzzy Inference System).

£ Taissistemas conseguem conjugar a capacidade de aprendizado das Redes Neurais

com o processamento de variáveis linguísticas dos modelos Fuzzy

Lógica Fuzzy
Julho - 2010
6 
 !"!

Lógica Fuzzy
Julho - 2010
Ú
#$ #
% !#&

D1 D2 D1 D2
Defasagens utilizadas D1 D1 D2 D1 D12
D3 D12

MAPE treino 2,32 1,86 1,68 1,62 1,42

MAPE validação 1,75 1,39 1,14 1,41 1,39

MAPE teste 3,41 3,33 2,54 3,24 3,97

Lógica Fuzzy
Julho - 2010
Ú
#$ #
% !#&

£ Treinamento: Real x Estimado

Lógica Fuzzy
Julho - 2010
Ú
#$ #
% !#&

£ Validação : Real x Estimado

Lógica Fuzzy
Julho - 2010
Ú
#$ #
% !#&

£ Teste : Real x Estimado

Lógica Fuzzy
Julho - 2010
Ú
#$ #
% !#&

O
 
 
Ô
  

    
 

Lógica Fuzzy
Julho - 2010

' ()!#
!'!#!

£Os resultados obtidos neste estudo mostram a aplicabilidade dos modelos ANFIS na
previsão de Sensação Térmica mensal para o Setor de Energia Elétrica;

£ Vantagens:

£Bons ajustes in sample e out of sample

£ ANFIS x Box & Jenkins : ANFIS

£Recomendações Futuras:

£Inserção de outras variáveis relevantes ao modelo.

Lógica Fuzzy
Julho - 2010
—
*!

å ÔÔ ÔÔ
ÔÔÔÔÔ

ÔÔCombinando redes neurais artificiais e ANFIS para a previsão de carga
horária !"#$ %&'!!' " '
((

å  )) !Ô*)
" Previsão de Séries Temporais " 



 "
Ô#"$ !"#$ (+

å Ô Ô
O
!
Ô   



O  

 $! ,- 
")" "  -  $  ..(/+((

å 0Ô*ÔÔAnálise e previsão de séries temporais: os modelos ARIMA

1#2%&Ô
((

å
 ÔNotas de aula da disciplina Lógica Fuzzy !/ &.""   

  ""$3" 44

å 50*!Ô Ô
Previsão de Carga Semanal com RNA: A

Experiência da Coelba
Ë    " "$
&#

 "$3" 44

å+  Comparação entre redes neurais e técnicas clássicas para previsão de
demanda de transporte ferroviário"Ô2

 

å 0Ô  ÔRedes Neurais e Regressão Dinâmica: um modelo híbrido para previsão de curto
prazo da demanda de gasolina automotiva no Brasil !/ &"

"
   ""
$3" 444