Esta dissertação propôs o desenvolvimento de modelos matemáticos baseados em RNA para a previsão dos valores dos indicadores de continuidade DEC e FEC, visando auxiliar a concessionária na realização do planejamento das tarefas de manutenção, buscando a mitigação de violações e realização de compensações.
O tratamento dos dados de entrada dos indicadores de continuidade permitiu que houvesse uma melhora no desempenho das redes neurais. De uma maneira geral, as redes que apresentaram as melhores previsões foram aquelas que utilizaram o tratamento de dados, com o tratamento de outliers nos dados de entradas conforme apontado por Araújo (2016).
O desenvolvimento dos modelos trouxe resultados bastante significativos na predição do DEC e do FEC. Os erros totais acumulados na previsão do indicador DEC ao final dos meses de janeiro e de fevereiro de 2016 foram 1,71% e 0,87%, respectivamente. Na previsão do FEC, os erros totais acumulados ao final dos meses de janeiro e de fevereiro de 2016 foram -7,45% e -10,96%, nesta ordem.
Para se obter estes resultados, o tratamento de outliers, oscilação do sinal com aplicação da raiz quadrada, a decomposição do sinal em subséries com a transformada Wavelet e a normalização do sinal foram de vital importância para o aprendizado da RNA.
Verificou-se que para se obter bons resultados é necessário que a cada dia as redes sejam novamente treinadas para ajuste da quantidade de neurônios, atrasos e interpolação, ou seja, não foi possível estabelecer uma solução única de camadas e neurônios que dê resultados razoáveis em todas as condições e em todos os dias com a topologia de rede adotada. Isso não será um problema, pois por trabalhar com séries temporais distintas para cada dia da semana há um prazo de 6 dias para se construir um novo modelo e realizar a previsão.
Portanto, os objetivos foram alcançados e os resultados obtidos por este trabalho vão permitir que decisões mais adequadas sejam tomadas sobre a execução de ações de manutenção contribuindo assim para a confiabilidade operacional do sistema elétrico.
Para trabalhos futuros, sugere-se melhorar o modelo de identificação da componente de alta frequência da série, utilizar os dados do dia anterior como entrada exógena, utilizar modelos de redes neurais baseadas em aprendizagem profunda para a previsão dos indicadores, testar outras estratégias de condicionamento dos dados baseadas nas características impulsivas das séries e fazer tratamento dos outliers, por exemplo, considerando como uma outra série dentro do modelo.
Referências Bibliográficas
ADERALDO, V. P. Utilização de Redes Neurais Artificiais para Detecção de Anomalia em Redes de Computadores. 2017. 58f. Trabalho de Conclusão de Curso – Universidade Estadual de Londrina, Londrina, 2017.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional – PRODIST. 2018a. Disponível em < http://www.ANEEL.gov.br/prodist >. Acesso em: 14 mai. 2018.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional – PRODIST, Módulo 8 –
Qualidade da Energia Elétrica – 2018b. Disponível em:
<http://www.ANEEL.gov.br/modulo-8 >. Acesso em: 14 mai. 2018.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Compensação pela
Transgressão dos Limites de Continuidade. 2017a. Disponível em:
<http://www.ANEEL.gov.br/indicadores-de-compensacao-de-continuidade>. Acesso em: 14 mai. 2018.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Indicadores de
Continuidade. 2017b. Disponível em: <
http://www2.aneel.gov.br/aplicacoes/indicadores_de_qualidade/resultado.cfm>. Acesso em: 18 mai. 2018.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA – ANEEL. Nota Técnica n° 0106/2016- SRD/ANEEL. 2016.
ARAÚJO, J. A. Modelo para Predição de Indicadores de Continuidade em um Sistema de Distribuição de Energia Elétrica: uma Aplicação à Gestão de Manutenção com a Perspectiva do uso da Termografia. 2016. 147f. Dissertação de Mestrado – Universidade Federal da Bahia, Salvador - BA, 2016.
CASTILHO, J. E. et al. Introdução ao Mundo das Wavelets. 2012. 144 f. Notas em Matemática Aplicada. Sociedade brasileira de Matemática aplicada e Computacional. São Carlos - SP, 2012.
COELHO, J. et al. Reliability Diagnosis of Distribution System under Adverse Weather Conditions. 2003. 5f. IEEE Bologna Power Tech Conference. Itália, 2003.
DIAS, E. B. Avaliação de Indicadores de Continuidade e seu Impacto no Planejamento de Sistemas de Distribuição. 2002. 159f. Dissertação de Mestrado – Universidade de São Paulo, São Paulo, 2002.
DINIZ, A. P. M. Modelos de Previsão do Conteúdo de Silício no Ferro-Gusa Usando Redes Neurais Artificiais. 2018. 173f. Dissertação de Mestrado – Universidade Federal do Espirito Santo, Vitória, 2018.
FERNEDA, E. Redes Neurais e sua Aplicação em Sistemas de Recuperação de Informação. 2006. 6f. Instituto Brasileiro de Informação em Ciência e Tecnologia – IBICT. Brasília, 2006.
FINOCCHIO, M. A. F. Noções de Redes Neurais Artificiais. 2014. 29f. Universidade Tecnologia Federal do Paraná. Cornélio Procópio, 2014.
GAMBOGI, J. A. Aplicação de Redes Neurais na Tomada de Decisão no Mercado de Ações. 2013. 78f. Dissertação de Mestrado – Universidade de São Paulo, São Paulo, 2013. HAYKIN, S. Neural Networks and Learning Machines. 3a. ed. Pearson, 2009. 906 p. JÚNIOR, L. A. Teixeira. et al. Combinação Linear Wavelet Sarima-RNA com Estágios Múltiplos na Previsão de Séries Temporais. 2016. 13f. XVIII Simpósio de Pesquisa Operacional & Logística da Marinha. São Paulo, 2016.
LAGES, W. F. Descrição de Sinais Aleatórios. 2004. 18f. Universidade Federal do Rio Grande do Sul. 2004.
MAGALHÃES, E. F. A. Modelagem e Simulação de Indicadores de Continuidade: Ferramenta Auxiliar para a Manutenção em Redes de Distribuição de Energia Elétrica. 2017. 146f. Dissertação de Mestrado – Universidade Federal da Bahia, Salvador, 2017.
MAZUCHELI, J.; ACHCAR, J. A. Algumas Consideração em Regressão Não Linear. 2002. 10f. Acta Scientiarum. Maringá, 2002.
MELO, D. C. R.; CASTRO, A. R. Uma Nova Abordagem para Detecção de Outliers em Séries Temporais: Estudo de Caso em Consumo de Energia na Região Amazônica. 2013. 4f. Proceeding Series of the Brazilian Society of Applied and Computational Mathematics. 2013.
MÓDOLO, M. Classificação Automática de Supernovas Usando Redes Neurais Artificiais. 2016. 233f. Tese de Doutorado – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2016.
OLIVEIRA, H. M. Análise de Sinais para Engenheiros: Uma Abordagem via Wavelets. Recife: Brasport. 2007.
PIRES, J. C. L. Desafios da reestruturação do setor elétrico brasileiro. [S.l.]: BNDES, Área de Planejamento, Departamento Econômico-DEPEC, 2000. v. 76.
POLIKAR, R. The wavelet tutorial. Ames: IOWA State University, 1996.
SEVERO, D. S. Otimização Global em Redes Neurais Artificiais. 2010. 63f. Trabalho de Graduação – Universidade Federal de Pernambuco, Recife, 2010.
SPERANDIO, M. Classificação de conjuntos consumidores de energia elétrica via mapas auto organizáveis e estatística multivariada. 2004. 105f. Dissertação de Mestrado - Programa de Pós-graduação em Engenharia Elétrica, Universidade Federal de Santa Catarina. Florianópolis, 2004.
SILVA, A. M. Utilização de Redes Neurais Artificiais para Classificação de Spam. 2009. 128f. Dissertação de Mestrado – Centro Federal de Educação Tecnológica de Minas Gerais, Belo Horizonte, 2009.
TIMOSSI, L. S. et al. Análise da qualidade de vida no trabalho de colaboradores com diferentes níveis de instrução através de uma análise de correlações. 2010. 10f. Ponta Grossa, 2010.
THOMAS, G. Regressão Não Linear. 2016. 19f. Universidade de São Paulo. Piracicaba, 2016.
TRONCHONI, A. B. Identificação de Causas de Desligamentos Não Programados em Redes de Distribuição. 2008. 131f. Dissertação de Mestrado – Pontifícia Universidade Católica do Rio Grande do Sul - PUCRS, Porto Alegre, 2008.
VIALI, L. Série Estatística Multivariada. 22f. Pontifícia Universidade Católica do Rio Grande do Sul - PUCRS. Porto Alegre.