Escolar Documentos
Profissional Documentos
Cultura Documentos
2
Agenda
Informações sobre o estudo de caso;
Rede Neural Artificial (RNA);
Desenvolvimento de Modelos de Previsão;
Resultados;
Conclusões.
3
Objetivo
Desenvolver RNA para prever a geração de energia eólica em “Pawan Danawi”, um
parque eólico em funcionamento no Sri Lanka.
Figura 1 – Localização do Parque Pawan Danawi
4
Informações do estudo de caso
Velocidade média do vento ao longo dos meses dos últimos 5 anos. A variação ao longo
dos meses de cada ano é semelhante, e ventos fortes podem ser observados nos
meses de junho, julho e agosto.
Figura 3 – Variação mensal da velocidade do vento
5
Informações do estudo de caso
Os dados médios mensais de geração de energia (MW) ao longo dos meses dos
últimos 5 anos. foram obtidos das autoridades do parque eólico.
Figura 2 – Variação da geração mensal de energia eólica
6
Informações do estudo de caso
7
Informações Iniciais - RNA
Matrizes de entrada: Velocidade do vento, direção do vento e temperatura ambiente;
Matriz de saída: Energia eolioelétrica gerada;
Camadas ocultas: 01
Algoritmos de treinamento: (i) Levenberg-Marquardt (LM); (ii) Scaled Conjugate
Gradient (SCG), e (iii) Bayesian Regularization (BR);
Calibração do modelo: Em cinco porcentagens (5%, 10%, 15% 20% e 25%);
Avaliação do desempenho: Erro quadrático médio (MSE), o coeficiente de correlação
(R), a raiz do erro quadrático médio (RSR), o número de Nash e o BIAS.
8
Algoritmos de treinamento
Características globais dos três algoritmos
não requerem a especificação explícita da quantidade de neurônios na camada oculta ou das funções de ativação;
mas é necessário escolher as funções de ativação que o algoritmo pode considerar nas camadas ocultas.
ajustam automaticamente os pesos e os vieses da rede neural durante o treinamento;
objetivo de minimizar a diferença entre as saídas esperadas e as saídas previstas;
adaptam-se a complexidade do modelo durante o treinamento, aprendendo automaticamente os padrões dos dados.
9
Algoritmos de treinamento
Levenberg-Marquardt (LM)
Abordagem de otimização
combina o método do gradiente com o método de Gauss-Newton;
Tamanho da rede
eficiente para redes de tamanho médio, mas pode ter limitações de memória em redes grandes;
Regularização
não possui uma técnica de regularização específica, mas pode ser usado em conjunto com outras técnicas de
regularização.
10
Algoritmos de treinamento
Scaled Conjugate Gradient (SCG)
Abordagem de otimização
combina a abordagem do gradiente conjugado com a abordagem do modelo de região de confiança. É mais
rápido que o LM, evitando a técnica de busca em linha;
Tamanho da rede
adequado para problemas com um grande número de equações lineares. Requer menos memória em
comparação com o LM;
Regularização
não possui uma técnica de regularização específica, mas pode ser usado em conjunto com outras técnicas de
regularização.
11
Algoritmos de treinamento
Bayesian Regularization (BR)
Abordagem de otimização
combina a minimização do erro de soma dos quadrados com a regularização baseada em probabilidade e
procura encontrar um conjunto de pesos que minimize a função de erro, mas que também seja consistente com
a distribuição de probabilidade dos pesos;
Tamanho da rede
pode ser aplicado a redes de diferentes tamanhos, incluindo redes menores e mais difíceis;
Regularização
utiliza a regularização baseada em probabilidade, forçando a rede neural a convergir para um conjunto de
pesos que adquirem valores mínimos para os vieses, tornando a rede suave.
12
Desenvolvimento de Modelos de Previsão
Processo de calibração
o conjunto de validação é usado para ajustar os parâmetros e monitorar o desempenho da rede durante
o treinamento;
calibração é conduzida variando a porcentagem de dados usados para validação durante o treinamento
da rede;
ajuda a encontrar um equilíbrio entre o ajuste excessivo (overfitting) e a capacidade de generalização
da rede neural.
13
Avaliação do desempenho
O processo foi conduzido para 30 execuções diferentes para cada caso;
150 (5*30) execuções separadas foram realizadas para um algoritmo de treinamento,
resultando em 450 execuções no total;
O desempenho dos algoritmos de treinamento é avaliado por técnicas amplamente
utilizadas: O cálculo de MSE, R, RSR, número de Nash e BIAS é dado nas equações
abaixo:
14
Avaliação do desempenho
Média dos erros quadrados entre os valores previstos pelo modelo e os valores reais
dos dados de teste de acordo com a expressão abaixo.
onde O é a geração de energia observada, E é a geração de energia esperada ou prevista e N é o
número de pontos de dados na matriz.
15
Avaliação do desempenho
Coeficiente de correlação R, também conhecido como coeficiente de determinação, é
uma medida estatística que indica a relação linear entre as variáveis previstas e as
variáveis reais.
o valor de R varia entre -1 e 1, onde 1 indica uma correlação perfeita e -1 indica uma correlação inversa
perfeita;
quanto mais próximo de 1 o valor de R, melhor é a relação entre as previsões e os valores reais;
onde O é a geração de energia observada, E é a geração de energia esperada ou prevista.
16
Avaliação do desempenho
O RSR é uma métrica que representa a raiz quadrada do erro médio ao quadrado
dividido pelo desvio padrão dos valores reais.
é uma medida relativa que normaliza o erro médio ao quadrado pelo desvio padrão dos dados;
um valor de RSR próximo de 0 indica um bom ajuste do modelo aos dados.
17
Avaliação do desempenho
O número de Nash é calculado como a razão entre a soma dos quadrados das
diferenças entre os valores observados (O) e os valores previstos (E), e a variância dos
valores observados.
varia de -∞ a 1, sendo que um valor de 1 indica uma correspondência perfeita entre os valores
observados e previstos;
quanto mais próximo de 1, melhor é a qualidade do modelo em reproduzir os dados observados;
valores negativos indicam que o modelo é menos preciso do que simplesmente utilizar a média dos
valores observados.
18
Avaliação do desempenho
BIAS é uma métrica estatística usada medir o desvio sistemático entre os valores
observados (O) e os valores previstos (E).
indica a tendência geral do modelo em subestimar ou superestimar os valores observados;
Um valor de BIAS igual a zero indica que o modelo tem uma tendência neutra, ou seja, não há um viés
sistemático;
Valores positivos de BIAS indicam que o modelo tende a superestimar os valores observados (o modelo
prevê valores inferiores aos valores reais observados, sendo conservador em suas previsões);
valores negativos indicam uma tendência de subestimação (o modelo estima valores maiores do que o
esperado na prática).
19
Resultados e Avaliação do desempenho
20
Resultados - Variação da potência prevista versus real para o algoritmo LM no percentual de validação de 5%
21
Resultados - Variação da potência prevista versus real para o algoritmo LM no percentual de validação de 5%
22
Resultados e Avaliação do desempenho
23
Resultados e Avaliação do desempenho
24
Resultados e Avaliação do desempenho
25
Conclusões
A potência prevista é baseada na velocidade e Figura 9 – O erro entre os níveis de potência previstos e reais para
o algoritmo LM com uma porcentagem de validação de 15%.
direção do vento e na temperatura ambiente. A
previsão da geração de energia eólica é
possível para anos futuros se as variáveis
independentes (dados climáticos) estiverem
disponíveis como variáveis climáticas
projetadas;
Os resultados mostraram a capacidade e
robustez dos modelos de predição
desenvolvidos sob vários algoritmos de
treinamento, em que o algoritmo LM com uma
porcentagem de validação de 15% produziu os
melhores resultados.
26
Referência
Amila T. Peiris, Jeevani Jayasinghe, Upaka Rathnayake, "Forecasting Wind Power Generation Using Artificial
Neural Network: “Pawan Danawi”—A Case Study from Sri Lanka", Journal of Electrical and Computer
Engineering, vol. 2021, Article ID 5577547, 10 pages, 2021. https://doi.org/10.1155/2021/5577547
27
Previsão de Geração de
Energia Eólica usando
Rede Neural Artificial: Obrigado!
Acadêmico: Gean Lucas Rafael Espindola
"Pawan Danawi" – Um Professor: Cesar Alberto Penz
Estudo de Caso do Sri
Lanka