ESTRATÉGIA DE PREVENÇÃO DO CONSUMO DE ELETRICIDADE A CURTO PRAZO: UMA ABORDAGEM BASEADA NA DENSIFICAÇÃO COM DESLOCAMENTO DE MÉDIA. Especialmente quando se trata do mercado de energia, os dias especiais (feriados ou dias atípicos, por exemplo) são uma parte importante da previsão de consumo. Além disso, o pequeno número de amostras costuma dificultar o treinamento e a validação adequados de algoritmos de previsão de consumo em dias especiais.
INTRODUÇÃO
- CONTEXTUALIZAÇÃO
- DEFINIÇÃO DO PROBLEMA
- METODOLOGIA
- ORGANIZAÇÃO DO DOCUMENTO
Assim, este trabalho propõe o desenvolvimento de uma metodologia de previsão de consumo que utiliza o conhecimento do consumo em dias específicos para melhorar a eficácia dos resultados da previsão. Desenvolvimento de um modelo de previsão de consumo de curto prazo mais eficiente e preciso para as concessionárias de energia elétrica; O Capítulo 5 apresenta um estudo de caso desta tese, que se baseia na construção de um modelo de previsão de curto prazo, que tem como aplicação a previsão de consumo de energia da concessionária CELPA.
- CONSIDERAÇÕES INICIAIS
- EXTRAÇÃO DE CONHECIMENTO DE BASES DE DADOS
- TÉCNICAS DE CLUSTERIZAÇÃO
- MAPAS AUTO-ORGANIZÁVEIS DE KOHONEN
- INFORMATION THEORETIC LEARNING MEAN SHIFT
- ESTRATÉGIAS DE PREDIÇÃO
- ESTRATÉGIAS DE PREDIÇÃO DE CONSUMO
- REDES NEURAIS ARTIFICIAIS
- REGRESSÃO LINEAR MÚLTIPLA
- CONSIDERAÇÕES FINAIS
Neste artigo, considera-se a divisão em três fases principais, conforme modelo proposto por REZENDE (2003), conforme figura 2.1, por representar melhor o processo de desenvolvimento da metodologia proposta. Na Figura 2.4, a formação da vizinhança é ilustrada pelo neurônio vencedor nas topologias hexagonal e retangular. O deslocamento médio é um método iterativo não paramétrico para estimar o gradiente de uma função de densidade de probabilidade, dado um conjunto de dados discretos dessa função.
Sua formulação ocorreu em 1975 por Fukunaga & Hostetler (FUKUNAGA; HOSTETLER, 1975) como um algoritmo que estima o gradiente de uma função de densidade com aplicações em reconhecimento de padrões. Esta propriedade é utilizada neste trabalho de uma nova forma de condensar os clusters gerando pontos ao longo das iterações do algoritmo e utilizando-os como novos pontos da base de dados (dados virtuais) compatíveis com o pdf original; a geração de XV e seu uso em algoritmos de previsão é chamada de densificação. Nesse sentido, para obter e confirmar a demanda futura, facilitar o planejamento de recursos e garantir o ganho de uma oportunidade de mercado, por exemplo, é necessário utilizar métodos estatísticos ou de cálculo, regressão linear e análise de correlação, média móvel, método sazonal multiplicativo , redes neurais artificiais, entre outros.
Aprendizado e Adaptação: Uma das características mais importantes de uma RNA é sua capacidade de aprender pelo exemplo e fazer inferências sobre o que aprendeu, melhorando gradualmente seu desempenho. Outro fator a favor das RNAs está relacionado ao fato de que elas podem aproximar qualquer função federada usando algoritmos de aprendizado por meio de uma representação interna, sem a necessidade de construir um modelo matemático explícito conectando suas entradas e saídas (SULAIMAN et al., 2016). . A próxima seção descreve a arquitetura de uma rede perceptron multicamadas, que é uma das mais utilizadas na literatura.
Esse poder computacional é obtido adicionando uma ou mais camadas intermediárias entre as camadas de entrada e saída. A regressão é uma técnica estatística multivariada para prever valores de uma variável de resposta (dependente) por meio de uma variável explicativa (independente) - regressão simples - ou por meio de várias variáveis independentes (regressão múltipla). Quanto mais significativo o peso de uma variável isolada ou de um conjunto de variáveis explicativas, mais se pode dizer que alguns fatores influenciam o comportamento de uma variável de resposta especificamente procurada mais do que outros e, portanto, também podem ser usados para avaliar efeitos de explicações explicativas. variáveis como preditores de variáveis de resposta.
TRABALHOS CORRELATOS
CONSIDERAÇÕES INICIAIS
APLICAÇÃO DE TÉCNICAS PARA PREVISÃO DE CONSUMO DE CURTO PRAZO 24
Modelos que ignoraram a presença explícita de AD tiveram resultados de predição de consumo insatisfatórios, mostrando a importância dessa variável nas estratégias de predição diária. Uma questão relacionada ao problema de previsão de consumo que tem sido abordada na literatura é a presença de dados anormais (outliers) em bases históricas de consumo. Nesses sistemas, são considerados outliers a ocorrência de eventos, tais como: falha na geração de dados, comportamento anormal de consumo (feriados ou dias atípicos) e mudanças nos hábitos de consumo (MULYADI et al., 2015).
Seguindo a ideia de diferenciar dias normais (dias úteis) de dias não úteis (fins de semana e feriados), em RAZA et al. 2014) a previsão de consumo de curto prazo é realizada usando otimização de enxame de partículas (PSO) baseada em ANN. Neste trabalho analisa-se a influência da informação sobre o dia da semana, a hora e o tipo de dia (se é um dia útil ou não) na previsão do consumo de energia. Em modelos de previsão de consumo de energia, para melhorar o desempenho de seus resultados, é fundamental na fase de pré-processamento organizar adequadamente os dados e agrupá-los de acordo com perfis semelhantes encontrados.
(PANAPAKIDIS; PAPAGIANNIS, 2014) propõe uma metodologia de previsão de curto prazo que usa agrupamento para combinar perfis de consumo diário semelhantes. Em todos os testes realizados, o modelo B obteve resultados mais satisfatórios, o que mais uma vez comprova a eficácia do uso de clustering em estratégias de previsão de consumo. Em (QUILUMBA et al., 2015) é proposta uma estratégia de previsão de consumo de curto prazo, que na fase de pré-processamento combina o consumo de clientes com perfis de consumo diário semelhantes.
A partir da análise dos artigos apresentados nesta seção, nota-se que as técnicas de agrupamento são amplamente utilizadas em estratégias de previsão de consumo e um dos modelos mais utilizados é o K-Means.
CONSIDERAÇÕES FINAIS
METODOLOGIA DE PREDIÇÃO DE CURTO PRAZO COM TRATAMENTO PARA
- CONSIDERAÇÕES INICIAIS
- INTRODUÇÃO DA PROBLEMÁTICA
- PREDIÇÃO DE CONSUMO
- DIAS ESPECIAIS E GERAÇÃO DE VALORES VIRTUAIS
- DESCRIÇÃO DA METODOLOGIA PROPOSTA
- IDENTIFICAÇÃO DA DEFASAGEM DOS DADOS
- NORMALIZAÇÃO DOS DADOS
- CLUSTERIZAÇÃO DOS DADOS
- DENSIFICAÇÃO DOS DADOS
- TRATAMENTO PARA OS DIAS ESPECIAIS
- PREVISÃO PARA OS DIAS NORMAIS
- PREDIÇÃO GLOBAL
- CONSIDERAÇÕES FINAIS
Essa necessidade motivou, portanto, o desenvolvimento da metodologia proposta neste trabalho, que visa prever o consumo de curto prazo (previsão do dia seguinte) a partir do conhecimento sobre dias especiais (principalmente feriados) obtido por clustering. Vale ressaltar que o treinamento dos algoritmos de previsão utiliza os valores de consumo virtual dos feriados, obtidos por compactação. Com base no exposto, é importante que os valores de consumo virtual sejam gerados nos feriados para que os algoritmos de previsão possam aprender seu padrão de comportamento nas séries de consumo.
Nas análises a seguir, os dados de consumo diário serão representados por X!|1≤ t≤m, onde X refere-se ao consumo no dia t e m é o número de amostras de consumo diário no banco de dados. Neste trabalho, o conjunto de dados formado por 𝑋!! será chamado de série de consumo com defasagem Si. Nesta etapa, cada série de consumo será normalizada com o Si lag para contribuir com a melhoria da precisão da etapa de agrupamento.
O objetivo desta fase é descobrir os padrões existentes nos valores de consumo diário presentes na base de dados estudada. É importante ressaltar que os valores de consumo virtual gerados pelo adensamento não podem ser utilizados da forma como foram gerados pelos algoritmos de previsão, pois com o processo de normalização a tendência de crescimento da série de dados foi perdida. O objetivo desta etapa é construir a série de consumo com os dois tipos de dias, bem como sua tendência de crescimento.
Para prever o consumo com mais de um dia de antecedência, o algoritmo de previsão usa apenas um valor de consumo real como entrada.
APLICAÇÃO DA METODOLOGIA AO ESTUDO DE CASO DA CELPA
CONSIDERAÇÕES INICIAIS
A característica do item 2 representa uma peculiaridade da série de consumo da CELPA, diferenciando-a do padrão de consumo de série das demais concessionárias do país. Para entender o comportamento do consumo em uma semana sem feriados, o padrão de consumo semanal da série é mostrado na Figura 5.2. Os resultados do mapa Sammon podem ser vistos na Figura 5.6, onde se destaca a similaridade dos perfis de consumo de segunda a sexta-feira, sugerindo a presença de 5 clusters nos resultados da rede Kohonen.
Ao contrário do que aconteceu com o ITL MS, a rede de Kohonen não foi capaz de distinguir os padrões de consumo de sexta-feira, como mostra a Figura 5.5. Esta distinção entre os padrões de consumo de férias às sextas-feiras representa um conhecimento adicional fornecido pelo algoritmo ITL MS. Assim como ITL MS, a rede de Kohonen também gerou clusters com instâncias anormais de consumo.
Isso comprova o bom desempenho do ITL MS em aprender o padrão de consumo das férias e gerar valores virtuais compatíveis com valores reais. Para a análise de médio prazo (previsão mensal), todos os meses de 2011 foram projetados com base nos valores de consumo diário. A metodologia trata dias especiais por meio da aplicação do algoritmo ITL MS para aprender o padrão de consumo desses dias (por clustering de consumo), além de ampliar o número de amostras de consumo em feriados no banco de dados (gerado pela compactação do processo).
Os resultados do ITL MS podem ser usados em várias estratégias de mineração de dados, como modelos de previsão de consumo; Obtenção da base de dados de consumos reais para realização dos estudos da metodologia implementada; Sistema de previsão de curto prazo do consumo de eletricidade em função da variável de temperatura usando redes neurais.
APLICANDO A METODOLOGIA
- ANALISANDO A BASE DE DADOS DE CONSUMO DA CELPA
- IDENTIFICAÇÃO DA DEFASAGEM DOS DADOS
- CLUSTERIZAÇÃO DOS DADOS
- DENSIFICAÇÃO DOS DADOS
- PREDIÇÃO DE CONSUMO
- DESEMPENHO E ESCALABILIDADE
CONSIDERAÇÕES FINAIS
A partir da análise dos resultados apresentados, constatou-se que a utilização desta metodologia no cenário de previsão de energia é considerada satisfatória. No próximo capítulo, serão apresentadas as conclusões deste trabalho, bem como as principais contribuições desta metodologia.
CONCLUSÕES
- CONSIDERAÇÕES DA TESE
- CONTRIBUIÇÕES
- TRABALHOS FUTUROS E POSSÍVEIS DESDOBRAMENTOS
- DIFICULDADES ENCONTRADAS
L.; SIGNIFICANCE OF SHIFTING DENSIFICATION OF CURRENT DATA SETS IN SHORT-TERM ELECTRICAL POWER LOAD FOR SPECIFIC DAYS. Prediction of electrical load per hour using non-linear autoregressive with eXogenous (NARX) based neural network for the state of Goa, India. Mean-Shift and sparse-sampling based SMC-PHD filtering for audio-informed visual speaker tracking.
Using smart meter data to improve the accuracy of intraday load forecasting considering similarities with customer behavior. A comparative analysis of PSO- and LM-based NN short-term load forecasting with exogenous variables for smart power generation. In: Information and Communication Technology, Electronic and Electrical Engineering (JICTEE), 2014 4th Joint International Conference on.
In: Humanoid, Nanotechnology, Information, Communication and Control Technology, Environment and Management (HNICEM), 2015 International Conference on.
