Previsão de Vazões

Neste item, descreve-se o módulo de previsão de vazões de nome HydroPrev implementado no sistema HydroLab. O modelo, desenvolvido por Ballini (2000), combina redes neurais com lógica fuzzy e apresenta bons resultados com diminuição dos erros de previsão quando comparado a técnicas clássicas baseadas em modelos periódicos auto-regressivos de ordem p, sendo assim chamados de PAR-p (Box & Jenkins, 1976).

Vale lembrar que, a partir do banco de dados HydroData, a aplicação do modelo de redes neuro-fuzzy pode ser estendida, facilmente, para todas as usinas despachadas pelo Operador Nacional do Sistema (ONS).

Em se tratando de estudos de previsão de vazões com redes neuro-fuzzy, existem dois procedimentos possíveis no módulo HydroPrev: a seleção e treinamento de redes e sua utilização na previsão de vazões. Para cada conjunto de entradas selecionado, em primeiro lugar, deve-se treinar as rede neuro-fuzzy utilizando-se um subconjunto de dados do histórico de vazões. A rede treinada deve, então, ser testada em um segundo subconjunto de dados, diferente do utilizado no treinamento, para aferir o grau de desempenho. O segundo procedimento permite utilizar as redes treinadas na previsão de vazões futuras.

Na Figura 4.7, faz-se uma representação esquemática da configuração das entradas e saídas da rede neuro-fuzzy, utilizando um conjunto de vazões passadas x[t-j] para determinar a previsão de vazão de um determinado intervalo t, denominada y[t]. Nessa figura, x[t-1] representa a vazão verificada no intervalo t-1. O índice j representa um número inteiro que indica a defasagem entre o período t e as entradas da rede. Por exemplo, se t for o mês de janeiro, t-1 representa a vazão conhecida do mês de dezembro, t-2 a vazão do mês de novembro que antecedem o mês de janeiro a ser previsto. Seguindo o mesmo raciocínio, o índice t-15 representa a vazão registrada em outubro do ano que antecede a previsão, t-16 a vazão de novembro também do ano anterior, e assim por diante.

Rede Neuro - Fuzzy x[t-1] x[t-2] x[t-j] ... y[t] Ent ra da s

Previsão de Vazões

A utilização de um previsor que seja alimentado com dados registrados em um histórico de vazões é normalmente encontrada em processos de simulação da operação de sistemas hidrelétricos em situações passadas. Essas simulações permitem aferir o desempenho de modelos de previsão de vazões e de políticas operativas de sistemas hidrelétricos. Um previsor de vazões tem papel fundamental de suporte à tomada de decisões nas políticas operativas implementadas no HydroLab, uma vez que esse tipo de modelo fornece uma estimativa das vazões futuras ao processo decisório.

Assim como foi determinado para o modelo HydroMax, o módulo HydroPrev constitui uma categoria de modelos de previsão de vazões dentro do programa HydroLab.

• Rede Neuro-Fuzzy: módulo para o treinamento de redes neuro-fuzzy. Para facilitar esse processo e diminuir o provável número de estudos manipulados pelo usuário, um estudo de treinamento pode configurar até doze redes, uma para cada mês do histórico de vazões.

• Previsão RNF: módulo para a realização de previsões utilizando redes neuro-fuzzy treinadas no módulo anterior. Com esse módulo pode-se realizar previsões sobre o histórico de vazões para medir a acuidade do modelo ajustado, ou determinar vazões futuras.

4.3.1 O Módulo HydroPrev

Assim como foi realizado para o módulo HydroMax, quanto ao gerenciamento de dados de entrada e resultados, pode-se apresentar o módulo HydroPrev baseado nos dados das redes de treinamento das redes neuro-fuzzy e dos resultados de previsão que utilizam essas redes.

Na Figura 4.8, a seguir, vê-se o arranjo geral dos dados de entrada de um estudo de treinamento que possui doze redes neuro-fuzzy para o posto de vazões de Furnas. Essas redes foram treinadas para cada mês do histórico de vazões naturais de Itaipu. Dessa forma, tem-se uma rede especial para a previsão das vazões de janeiro, fevereiro, e assim por diante até o mês de dezembro.

No quadro de estudos à esquerda da figura, vê-se a divisão da categoria HydroPrev em dois módulos: Rede Neuro-Fuzzy e Previsão RNF. Em cada um desses módulos, existem três estudos de nome Furnas e Ilha Solteira e Rosana. O estudo de treinamento RNF de Furnas encontra-se atualmente selecionado. No quadro de conteúdo à direita da figura, vê-se as abas de Dados (à vista) contendo os dados de entrada do estudo, e a aba de Resultados com os resultados do procedimento de treinamento. Mais detalhes sobre o modelo de treinamento e teste das redes podem ser encontrados em Ballini (2000).

Capítulo 4- Planejamento da Operação

Figura 4.8. O programa HydroLab e seu módulo de previsões de vazões HydroPrev.

A aba de resultados subdivide-se em duas abas: Geral e Rede. A aba Geral contém os resultados mensais de todo o período de treinamento e de todo o período de testes. A aba Rede permite analisar os resultados para cada uma das redes que foram configuradas nos dados de entrada.

A apresentação dos resultados á auxiliada por cores, uma vez que a quantidade de informações é relativamente grande para visualização em alguns poucos gráficos. Definiu-se a cor azul para representar resultados associados ao período de treinamento, e a cor verde para representar os resultados associados ao período de testes. A diferença de cores também é utilizada na análise dos erros de treinamento e teste das redes.

Na Figura 4.9, apresenta-se uma visão geral do arranjo gráfico dos resultados do estudo de treinamento para o posto de vazões de Furnas, cujos dados de entrada foram discutidos anteriormente. Nota-se que as trajetórias de vazão possuem estatísticas associadas aos erros de treinamento e testes das redes.

Previsão de Vazões

Figura 4.9. Resultados do treinamento de redes neuro-fuzzy.

O módulo HydroPrev possui, também, o modelo chamado Previsão RNF, o qual se destina para teste das redes neuro-fuzzy treinadas a partir de estudos criados sob a categoria Rede Neuro-Fuzzy. O módulo Previsão permite testar as redes na previsão de vazões futuras, ou de vazões que não foram utilizadas no período estabelecido como de treinamento. A apresentação deste módulo será detalhada no Capítulo 7, no qual se faz um estudo de caso da aplicação real do previsor RNF.

Capítulo 4- Planejamento da Operação