Aplicação de lógica fuzzi e redes neurais artificiais na previsão de carga à longo prazo considerando a elasticidade-preço da demanda

UNIVERSIDADE REGIONAL DO NOROESTE DO ESTADO DO RIO. GRANDE DO SUL – UNIJUI. SANDY TONDOLO DE MIRANDA. APLICAÇÃO DE LÓGICA FUZZY E REDES NEURAIS ARTIFICIAIS NA. PREVISÃO DE CARGA À LONGO PRAZO CONSIDERANDO A. ELASTICIDADE-PREÇO DA DEMANDA. Ijuí. 2016 . SANDY TONDOLO DE MIRANDA. APLICAÇÃO DE LÓGICA FUZZY E REDES NEURAIS ARTIFICIAIS NA. PREVISÃO DE CARGA À LONGO PRAZO CONSIDERANDO A. ELASTICIDADE-PREÇO DA DEMANDA. Trabalho de Conclusão de Curso de Engenharia. Elétrica apresentado como requisito parcial para. obtenção do título de Engenheiro Eletricista.. Orientador: Me. Maurício de Campos. Coorientador: Me. Moisés M. Santos. Ijuí. 2016. SANDY TONDOLO DE MIRANDA. APLICAÇÃO DE LÓGICA FUZZY E REDES NEURAIS ARTIFICIAIS NA. PREVISÃO DE CARGA À LONGO PRAZO CONSIDERANDO A. ELASTICIDADE-PREÇO DA DEMANDA. Este Trabalho de Conclusão de Curso foi julgado adequado para a obtenção do título de. ENGENHEIRO ELETRICISTA e aprovado em sua forma final pelo professor orientador e pelo. membro da banca examinadora.. Ijuí, 20 de Dezembro de 2016. Prof. MSc Mauricio de Campos. Mestre pela Universidade Federal de Santa Maria – Orientador. Prof. MSc Moises M. Santos. Mestre pela Universidade Federal de Santa Cantaria - Coorientador. Prof. Júlio Bolacel. Coordenador do Curso de Engenharia Elétrica/UNIJUÍ. BANCA EXAMINADORA. Prof. Maurício de Campos (UNIJUÍ). Mestre pela Universidade Federal de Santa Maria. Douglas Camponogara (UNIJUÍ). Doutor pela Universidade Federal de Santa Maria . Dedico este trabalho a meus pais, minha irmã e. minha madrinha.. . AGRADECIMENTOS. Agradeço a Deus por me dar força, paciência e perseverança para ir atrás de meus sonhos. . A minha família que sempre deu apoio, incentivo e amor necessário para nunca desistir do. que desejo. Recebi de vocês o maior presente de todos: O Estudo. Vocês são minha base.. Ao meu namorado que me acompanhou durante boa parte da graduação, estimulando-me e. realizando o possível para ajudar, e sua família que me acolheu como uma filha, ajudando em todos. os momentos.. Ao meu orientador Prof. Maurício de Campos, aprendi muito trabalhando ao seu lado.. Obrigada pelas orientações e pelo exemplo de competência que é como docente e pesquisador.. Ao meu coorientador Prof. Moises Santos, que orientou em toda formação de meu trabalho,. ensinando e contribuindo para o desenvolvimento. Agradeço aos conselhos e exemplo de grande. profissional e docente.. Aos professores do curso de Engenharia Elétrica da UNIJUÍ pela amizade e toda base de. conhecimento transmitido. . Aos colegas de pesquisa, de curso e amigos por todo apoio. . A minha gratidão se estende à todos aqueles que me acompanharam até aqui. Muito obrigada.. . . O homem caminha no meio das suas próprias obras, portanto. se o caminho se encontra áspero, não adianta reclamar a Deus.. Chico Xavier. . RESUMO. MIRANDA, T. Sandy. Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de. Carga à Longo Prazo Considerando a Elasticidade-Preço da Demanda. 2016. Trabalho de. Conclusão de Curso. Curso de Engenharia Elétrica, Universidade Regional do Noroeste do Estado. do Rio Grande do Sul – UNIJUÍ, Ijuí, 2016.. A constante busca por atender a demanda com confiabilidade e segurança, vem traduzindo-se em. grandes investimentos por parte do setor elétrico. A comercialização e contratação de energia. elétrica contribuem para o planejamento e novos investimentos. As concessionárias são solicitadas,. anualmente, a realizar a contratação da demanda (MW) para o uso do sistema de transmissão para. os próximos quatros anos. Neste âmbito, o acompanhamento da carga assume um papel importante. ao tratar-se do planejamento, subsidiando a contratação da demanda. Modelos computacionais de. previsão de carga são ferramentas que buscam representar de modo eficaz o comportamento do. consumo, de forma a obter estimativas de cargas robustas. Tais estimativas permitem fazer um. melhor uso dos recursos disponíveis, resultando em eficiência e segurança operacional dos sistemas. de energia elétrica. Modelagens matemáticas utilizando inteligência artificial vêm demonstrando. grande eficiência, quando aplicados à problemas reais. O presente trabalho relata, primeiramente,. o desenvolvimento de dois modelos computacionais para previsão de carga, considerando um. horizonte de quatro anos à frente. Os modelos adotados são baseados em Redes Neurais Artificiais. (RNAs), com arquitetura Multilayer Perceptron (MLP) e Lógica Fuzzy utilizando o modelo. Mamdani. Realiza-se uma análise comparativa, demonstrando o potencial de cada sistema. Além. disso, será realizado um estudo demonstrando o impacto da inserção das Smart Grids nos últimos. anos. Acredita-se que a demanda de energia elétrica tende a reagir de forma mais efetiva ao preço,. sinalizando a necessidade de readequar a forma de operação e planejamento do setor elétrico. Neste. contexto, propõe-se também, apresentar o comportamento da elasticidade-preço da demanda,. demonstrando a correlação do consumo de carga com as tarifas de energia elétrica, através do. modelo utilizando RNAs. Os testes computacionais são realizados com os dados históricos do. sistema de New England (ISO-NE). Os resultados obtidos evidenciam o bom desempenho e as. potencialidades da metodologia proposta, com erros de previsão inferiores a 5%. A partir de uma. análise histórica da curva da elasticidade-preço, constata-se que no horizonte de 34 anos à uma. forte tendência da demanda de energia elétrica tornar-se elástica, com variação ao longo de uma. curva de 0,0654 a 0,7014.. Palavras-chave: Previsão de carga à longo prazo. Inteligência Artificial. Elasticidade-Preço.. Planejamento.. . ABSTRACT. MIRANDA, T. Sandy. Título do Trabalho. 2016. Trabalho de Conclusão de Curso. Curso de. Engenharia Elétrica, Universidade Regional do Noroeste do Estado do Rio Grande do Sul –. UNIJUÍ, Ijuí, 2016.. The constant search to meet the demand with reliability and security, has been translating into large. investments. The commercialization and contracting of electric energy contribute for sector. planning and new investments. Electricity concessionaries are requested, annually, to perform. contracting of demand (MW) for the use of the distribution system for the next four years. In this. context, the load monitoring plays an important role in planning, subsidizing the contracting the. demand. Computational models of load forecasting are tools that seek to represent effectively the. consumption behavior, in order to obtain robust load estimate. Such estimates allow us to make. better use of available resources, resulting in efficiency and operational safety electric power. systems. Mathematical models using artificial intelligence have shown great efficiency, when. applied to real problems. The present paper reports, firstly, the development of two computational. models for load forecast, considering a horizon of four years. The adopted models are based on. Artificial Neural Network (ANNs), with architecture Multilayer Perceptron (MLP) and Fuzzy. Logic using the Mamdani model. It is realized a comparative analysis, demonstrating the potential. for each system. Besides that, a study will be carried out demonstrating the impact Smart Grids. insertion in recent years. It is believed that the demand for electricity tends to react more effectively. to the price, signaling the need to readjust the form of operation and planning of the electric sector.. In this context, purpose of this paper is to present the elasticity-price behavior of demand,. demonstrating the correlation load consumption with electricity tariffs, through the model using. ANNs. The computational tests are performed using historical data form New England system. (ISO-NE). The results show god performance and potential of the proposed methodology, with. forecast errors less than 5%. From a historical analysis of the price elasticity curve, it is verified. that on the horizon of 34 years to a strong trend in electricity demand become elastic, with variation. along a curve of 0,0654 to 0,7014.. Keywords: Load Forecast Long Term. Artificial Intelligent. Price-Elasticity. Planning. . LISTA DE FIGURAS. Figura 1: Energia Elétrica no Brasil .................................................................................. 17. Figura 2: Principais tipos de elasticidade-preço ................................................................ 32. Figura 3: Neurônio Biológico ........................................................................................... 36. Figura 4: Interpretação básica de uma rede neural ............................................................ 37. Figura 5: Treinamento supervisionado ............................................................................. 39. Figura 6: Representação da MLP ..................................................................................... 41. Figura 7: Exemplo de um conjunto fuzzy ......................................................................... 45. Figura 8: Agregação ......................................................................................................... 50. Figura 9: Defuzzificador centro de gravidade .................................................................. 51. Figura 10: Saídas parciais do controlador fuzzy de Mamdani .......................................... 52. Figura 11: Saída final do controlador fuzzy de Mamdani ................................................. 52. Figura 12: Etapas do sistema de inferência fuzzy ............................................................. 53. Figura 13: Diagrama macro da previsão à longo prazo .................................................... 54. Figura 14: Principais fatores influentes na demanda (MW) ............................................. 56. Figura 15: RNA - Multilayer Perceptron .......................................................................... 58. Figura 16: Fluxograma software RNAs............................................................................ 61. Figura 17: Interface Gráfica ............................................................................................. 63. Figura 18: Janela de Previsão ........................................................................................... 64. Figura 19: Entrada e Saída: Lógica Fuzzy ........................................................................ 65. Figura 20: Conjuntos Fuzzy .............................................................................................. 68. Figura 21:Ativação Conjuntos Fuzzy ............................................................................... 68. Figura 22: Conjuntos de Pertinência das Variáveis de Entrada........................................ 69. Figura 23: Regras de Inferência Fuzzy ............................................................................. 71. Figura 24: Sistema de Inferência Fuzzy para Previsão ..................................................... 71. Figura 25: Histórico da Demanda Máxima Anual............................................................ 73. Figura 26: Extração dos dados.......................................................................................... 74. Figura 27: Resultado do treinamento da rede ................................................................... 76. Figura 28: Desempenho do sistema (treinamento e validação) ........................................ 77. Figura 29: Representação do conjunto de uma saída fuzzy .............................................. 78. Figura 30: Validação para o sistema de inferência fuzzy .................................................. 79. Figura 31: Previsão Demanda Real e Simulada ............................................................... 81. Figura 32: Elasticidade-Preço da Demanda de Energia Elétrica ...................................... 84. Figura 33: Elasticidade-Preço para o ano de 1980 ........................................................... 85. Figura 34: Elasticidade-Preço para o ano de 2014 ........................................................... 85. Figura 35: Comportamento da Demanda para Variação da Tarifa ................................... 86. . LISTA DE TABELAS. Tabela 1: Principais tipos de funções de ativações............................................................ 38. Tabela 2: Principais funções de pertinência ...................................................................... 47. Tabela 3: Principais configurações RNAs ......................................................................... 60. Tabela 4: Pertinências das Variáveis de Entrada e Saída aos Conjuntos Fuzzy ................ 69. Tabela 5: Previsão baseada em Redes Neurais Artificiais ................................................ 77. Tabela 6: Previsão à longo prazo através do método de lógica fuzzy ................................ 80. Tabela 7: MAPE da previsão para os modelos propostos ................................................. 80. Tabela 8: Comparações MAPE para o Ano de 2001:2002 ................................................ 82. Tabela 9: Valores de Base ................................................................................................. 83. Tabela 10: Dados do sistema New England (ISO-NE) e EIA ........................................... 97. . LISTA DE SIGLAS. ANEEL Agência Nacional de Energia Elétrica. ANFIS Adaptive Neuro-Fuzzy Inference System. APE Erro Percentual Absoluto. EIA Energy Information Adiminstration. EPD Elasticidade-Preço da Demanda. FLN Functional Link Net. GSP Gross State Product. GUI Graphical User Interfaces . GUIDE Creating Graphical User Interfaces. GD Gradient Descent Backpropagation. IA Inteligência Artificial. IEEE Institute of Electrical and Electronics Engineers. ISO-NE Banco de dados da Nova Inglaterra . LF Lógica Fuzzy. LM Levenberg-Marquartd. MAED Modelo de Análise da Demanda de Energia. MAPE Erro Percentual Absoluto Médio. MME Ministério Minas e Energia. MLP Multilayer Perceptron . MSE Erro Quadrático Médio. MUSD Montante de Uso dos Sistemas de Distribuição. MUST Montante de Uso do Sistema de Transmissão . ONS Operador Nacional do Sistema Elétrico. PIB Produto Interno Bruto. RE-SEB Restruturação do Setor Elétrico Brasileiro. RBFN Redes de Funções de Base Radial. RNN Rede Neural Recorrente. RNA Rede Neural Artificial. SEP Sistema Elétrico de Potência. TANSIG Tangente Hiperbólica. . SUMÁRIO. 1 INTRODUÇÃO ............................................................................................... 17. 1.1 INTRODUÇÃO GERAL .................................................................................. 17. 1.2 OBJETIVO GERAL ......................................................................................... 20. 1.3 OBJETIVOS ESPECÍFICOS ............................................................................ 20. 1.4 ORGANIZAÇÃO DO TRABALHO ................................................................ 21. 2 ESTADO DA ARTE ....................................................................................... 22. 2.1 MODELOS DE PREVISÃO DE CARGA ....................................................... 23. 2.1.1 Modelos de Curto-Prazo ................................................................................... 24. 2.1.2 Modelos de Médio-Prazo .................................................................................. 26. 2.1.3 Modelos de Longo-Prazo .................................................................................. 27. 2.2 ELASTICIDADE-PREÇO DA DEMANDA DE ENERGIA ELÉTRICA ...... 31. 2.3 CONTRATAÇÃO DA DEMANDA ................................................................ 34. 3 VISÃO GERAL ACERCA DE REDES NEURAIS ARTIFICIAIS ........... 36. 3.1 ARQUITETURA MULTILAYER PERCEPTRON ......................................... 40. 3.2 ALGORITMO PARA TREINAMENTO ......................................................... 42. 4 TEORIA SOBRE A LÓGICA FUZZY ......................................................... 45. 4.1 GRAU DE PERTINÊNCIA .............................................................................. 46. 4.2 INFERÊNCIA FUZZY ...................................................................................... 48. 4.3 PROCESSO DE AGREGAÇÃO ...................................................................... 49. 4.4 DEFUZZIFICAÇÃO ......................................................................................... 50. 4.5 MÉTODO DE MAMDANI .............................................................................. 51. 4.6 COMPOSIÇÃO DOS SISTEMAS DE INFERÊNCIA FUZZY ....................... 53. 5 METODOLOGIA PARA PREVISÃO DOS PRÓXIMOS 4 ANOS .......... 54. 5.1 CLASSIFICAÇÃO E SELEÇÃO DOS DADOS DE ENTRADA ................... 55. 5.1.1 Fatores Considerados ...................................................................................... 56. 5.2 INDICADOR DE ERRO DE PREVISÃO ....................................................... 57. 5.3 MODELO COMPUTACIONAL BASEADO EM REDES NEURAIS ........... 58. 5.3.1 Normalização dos Dados ................................................................................. 62. 5.3.2 Interface Gráfica ............................................................................................. 62. 5.4 SISTEMA COMPUTACIONAL BASEADO EM LÓGICA FUZZY .............. 65. 5.4.1 Desenvolvimento das Funções de Pertinência .............................................. 66. 5.4.2 Desenvolvimento das Regras de Inferência .................................................. 70. 6 SIMULAÇÕES E RESULTADOS ................................................................ 73. 6.1 PREVISÃO: REDES NEURAIS ARTIFICIAIS .............................................. 74. 6.1.1 Treinamento ..................................................................................................... 75. 6.1.2 Validação .......................................................................................................... 76. 6.1.3 Previsão ............................................................................................................ 77. 6.2 PREVISÃO: LÓGICA FUZZY ......................................................................... 78. 6.3 ANÁLISE COMPARATIVA ........................................................................... 80. 6.4 ESTIMATIVA DO COMPORTAMENTO HISTÓRICO DA ELASTICIDADE-. PREÇO DO SISTEMA NEW ENGLAND ................................................................................... 83. 7 CONCLUSÕES E PERSPECTIVAS FUTURAS ........................................ 88. 7.1 PERSPECTIVAS FUTURAS ........................................................................... 89. REFERÊNCIAS .............................................................................................................. 90. APÊNDICE A .................................................................................................................. 97. 17. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. 1 INTRODUÇÃO. 1.1 INTRODUÇÃO GERAL. A energia elétrica é um insumo indispensável para o desenvolvimento socioeconômico.. Além de propiciar o avanço tecnológico, a eletricidade representa um dos requisitos mínimos na. qualidade de vida do ser humano. Neste sentido, a sociedade tem se tornado cada vez mais. dependente da energia elétrica. Isto reflete diretamente no crescimento do consumo e. principalmente em exigências por melhor qualidade na prestação dos serviços de transmissão e. distribuição do setor elétrico.. No Brasil a demanda de energia elétrica tem demonstrado um comportamento,. dominantemente, exponencial nos últimos anos. O histórico do consumo nacional da demanda. máxima, é apresentado na Figura 1 considerando-se os últimos 18 anos, onde é perceptível o. predomínio do aumento do consumo anual (EPE, 2015).. Figura 1: Energia Elétrica no Brasil. Fonte: EPE (2015).. Frente a esse comportamento crescente de consumo de energia elétrica, um dos principais. desafios é manter o equilíbrio entre a demanda e a oferta, com índices de confiabilidade e custos. 18. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. adequados. Nesse sentido, o desenvolvimento de modelos eficientes de previsão de carga, assumem. um papel importante no que se refere à processos de operação e planejamento do sistema elétrico. de potência (SEP) (SALGADO, 2009). . Desta forma, com o intuito de aumentar a confiabilidade e prover ao sistema melhorias,. empresas do setor estão promovendo a inserção de novas ferramentas que forneçam resultados. relevantes, objetivando principalmente a redução de custos operativos para geração, transmissão e. distribuição. Considerando inovadores métodos de tomadas de decisão, que visam garantir a. estabilidade e otimização do sistema elétrico.. Além de subsidiar o planejamento e operação do sistema, os modelos de previsão de carga. à longo prazo são fundamentais no âmbito da contratação e comercialização de energia elétrica. O. cumprimento de contratos de fornecimento de energia é de fundamental relevância para se evitar. penalidades e multas (MOREIRA, 2015). A Agência Nacional de Energia Elétrica (ANEEL),. determina os procedimentos e normas para concessões de serviços públicos de energia elétrica.. Dentre os seus regulamentos, o Decreto n°5.613/2004 e o n°666/2010 definem os principais. fundamentos da comercialização, contratação e geração de energia, especificando os limites de. tolerância da demanda, em relação aos montantes contratados. O processo de contratação de. energia e demanda efetua-se em diferentes horizontes de tempo, tornando-se interessante adquirir. sistemas de previsão de carga para decisões do mercado de eletricidade.. O desenvolvimento de modelos de previsão de carga se caracterizam como um problema. de extrema complexidade, porém indispensáveis no que diz respeito a eficiência e segurança. operacional dos sistemas de energia elétrica. O objetivo central desses modelos é representar de. modo eficaz a natureza estocástica do comportamento de consumo e suas variáveis. correlacionadas, de forma a obter estimativas de cargas robustas. Tais estimativas permitem fazer. um melhor uso dos recursos disponíveis, subsidiando o planejamento e a operação do sistema. elétrico (PHIMPHACHANH et al., 2004). . Para que os modelos de previsão se tornem adequados, é vital que obtenham boa aderência. às series de entradas e produzam resultados de previsão mais acurados. Da mesma forma, as. técnicas a serem adotadas para a modelagem, possuem forte influência na versatilidade das. respostas dos modelos de previsão.. 19. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. No passado, extrapolações em linha reta de tendências históricas do consumo de energia,. ou seja, considerando parâmetros lineares, adquiriam resultados adequados na previsão. Todavia,. com o surgimento de novas tecnologias, tornou-se imperativo usar técnicas de modelagem que. capturem o efeito de fatores não-lineares (SIQUEIRA, 2010). Recentemente, modelos utilizando. inteligência artificial (IA) vêm demonstrando grande eficiência, quando aplicados à problemas. reais (VALIPOUR, 2012; VALIPOUR; BANIHABIB; BEHBAHANI, 2013). A capacidade de. mapear relações não-lineares, permite a aplicação de IA em diversos cenários, como exemplos,. detecção de distúrbios na rede, previsão de fatores econômicos e climáticos, controle de robôs,. reconhecimento de voz, entre outros (ALSHAHRANI; ABBOD; ALAMRI, 2015; LORENZI et. al., 2015; VALENÇA et al., 2002). . Modelos de previsão de carga utilizando IA estão sendo evidenciados pela sua capacidade. de generalização, principalmente com as técnicas de Redes Neurais Artificiais (RNAs) e Lógica. Fuzzy (LF) (GHODS; KALANTAR, 2011). Tratando-se de estimativa de carga, essas técnicas. demonstram respostas adequadas a não-linearidade (GUIRELLI, 2006), proporcionando às. concessionárias condições para decisões na compra e geração de energia elétrica, comutação de. carga e desenvolvimento de sua infraestrutura.. A previsão de carga pode ser aplicada em diferentes cenários, com horizontes segmentados,. temporalmente, em curto prazo (frações de horas), médio prazo (meses) e longo prazo (anos). Há. diversos fatores que contribuem para o modelo, dependendo do horizonte de previsão. A título de. exemplo, para previsão de curto prazo, o fator climático e dias atípicos possuem influência positiva. (ALTRAN, 2010). Entretanto, na previsão à longo prazo fatores econômicos, como variações do. Produto Interno Bruto (PIB) tem forte influência (KHOA; PHUONG; LIEN, 2004). . Embora pouco explorada na literatura técnica, a previsão de carga à longo prazo,. desempenha um papel essencial para o setor elétrico (KERMANSHAHI, 1998). Na sua aplicação. é necessário selecionar os parâmetros que influenciam no consumo de energia elétrica anual, como. fatores financeiros e geográficos (HONG et al., 2014). No entanto, notou-se que modelos de. previsão que contemplem variações de preço de energia elétrica, encontram-se em fase incipiente. na literatura (DANESHI; SHAHIDEHPOUR; CHOOBBARI, 2008).. 20. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. Atualmente, é possível afirmar que as tarifas de energia elétrica possuem plena correlação. com o consumo de energia elétrica. O comportamento da elasticidade-preço da demanda de energia. elétrica tende a ser fortemente impactado com as inovações introduzidas pelo conceito de Redes. Elétricas Inteligentes (do inglês, Smart Grids).. Os avanços tecnológicos nas áreas de telecomunicação, processamento de dados e. sensoriamento, busca pela eficiência energética, confiabilidade e sustentabilidade são alguns dos. muitos aspectos que tem impulsionado o desenvolvimento de Smart Grids. As propostas associadas. a este conceito fornecem uma melhor interação do consumidor com a concessionária (STRASSER. et al., 2015). Os consumidores passaram a ser vistos como prosumers (do inglês, product and. consumer), ou seja, agentes que ora se comportam como geradores de energia, ora como carga. (GEORGILAKIS; HATZIARGYRIOU, 2015). O uso de microgeração e a disponibilização de. preços da energia elétrica, em tempo real, propiciam aos consumidores a possibilidade de modular. o seu nível de consumo ou de geração, de acordo com as condições de mercado. Nesse sentido, a. demanda de energia elétrica passa a reagir de forma mais efetiva ao preço, sinalizando uma. profunda mudança no comportamento de consumo.. 1.2 OBJETIVO GERAL. O presente trabalho tem por objetivo geral desenvolver e analisar dois modelos de previsão. de carga à longo prazo, contemplando a resposta da demanda ao preço de energia elétrica do. modelo mais eficiente.. . 1.3 OBJETIVOS ESPECÍFICOS. De modo a alcançar o propósito geral do trabalho, enumeram-se os seguintes objetivos. específicos:.  Analisar os modelos de previsão de carga e suas particularidades;.  Estudo dos principais modelos de inteligência artificial: Redes Neurais e Lógica Fuzzy;.  Investigar os principais parâmetros influentes na demanda de energia elétrica anual;. 21. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda.  Desenvolvimento de dois sistemas de previsão capaz de estimar a carga máxima anual;.  Estimação anual adquirindo erros percentuais inferiores ao limite de tolerância estipulado. pela ANEEL;.  Análise de sensibilidade da elasticidade-preço da demanda de energia elétrica;.  Construção de um sistema computacional de suporte à previsão, evidenciando suas. contribuições no processo de previsão de carga à longo prazo.. 1.4 ORGANIZAÇÃO DO TRABALHO. O trabalho se encontra estruturado em sete capítulos. O capítulo seguinte apresenta o. referencial teórico dos principais conceitos a ser tratados no trabalho enfatizando, principalmente,. a previsão de carga e os modelos frequentemente utilizados na literatura técnica. Além disso,. apresenta-se a estrutura da contratação da demanda anual no setor elétrico brasileiro.. O Capítulo 3 detalha as características acerca das Redes Neurais Artificiais. Especificando. o modelo utilizado, bem como o algoritmo para treinamento adotado, funções de ativação e o. algoritmo de aprendizado, demonstrando as principais equações matemáticas realizadas. . No Capítulo 4 é apresentado a teoria acerca de Lógica Fuzzy. Demonstra-se os principais. modelos matemáticos adotados, como função de pertinência, desenvolvimentos das regras e a. defuzzificação.. A proposta para a previsão de 4 anos à frente é apresentada no Capítulo 5. Realiza-se a. seleção dos principais parâmetros que influenciam no consumo de energia elétrica, considerando. principalmente dados econômicos. É retratado a metodologia utilizada para cada modelo.. Os resultados da previsão, avaliando-se as respostas para os dois métodos adotados são. evidenciados no Capítulo 6. Nesta seção, também, é conceituado a teoria acerca da elasticidade-. preço da demanda de energia elétrica, realizando uma análise do comportamento do consumo com. a variação da tarifa para os dados históricos do sistema New England (ISO-NE).. O Capítulo 7 traz uma análise crítica e uma avaliação de todas as contribuições provenientes. desta pesquisa, bem como são elencadas as perspectivas futuras deste trabalho.. 22. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. 2 ESTADO DA ARTE. A demanda de energia elétrica está em constante crescimento, sendo o sistema elétrico de. potência responsável por suprir a demanda com confiabilidade e segurança. A dependência. substancial da energia elétrica, vem resultando em uma tendência positiva ao consumo. Com base. nesta premissa, pode-se afirmar que o consumo é um dos principais indicadores do. desenvolvimento econômico e do nível da qualidade de vida da população (GOLDEMBERG,. 1998). . Buscando-se estabelecer diretrizes para tornar o setor elétrico menos vulnerável, as leis. aprovadas em meados do ano de 2004, reintegraram o SEP nacional à uma estrutura de mercado.. A reformulação econômica do setor tinha como presunção, garantir a eficiência na operação e. prestação de serviço aos consumidores, propiciando a modicidade tarifária e possibilitando criar. um ambiente regulatório estável estimulado à concorrência, com novos investimentos privados no. setor para as funções de planejamento setorial nos diferentes prazos.. Os estudos de planejamento vêm modificando-se ao longo dos anos. Atualmente a variação. do consumo de energia elétrica é influenciada, principalmente, através de fatores climáticos e. econômicos (NEY, 2011). Neste contexto, o acompanhamento da demanda assume um papel. substancialmente importante ao tratar-se, não apenas do planejamento, mas principalmente das. questões econômicas do setor elétrico, como comercialização da demanda (SALGADO, 2009).. Atualmente, em função da instabilidade econômica nacional e consequentemente da. restrição de investimentos, as concessionárias vêm enfrentando diversos problemas técnicos de. operação, planejamento e controle do setor elétrico. É precípuo adotar métodos de previsões, como. ferramentas para suprir tais problemas e também contribuir na contratação de carga. . Faria (1993) afirma que as previsões para o comércio de energia elétrica estão sujeitas as. incertezas associadas a políticas tarifárias, inserção de novas tecnologias e comportamento da. economia. O setor elétrico é caracterizado por investimentos de grande porte, mas com tarda. maturação. Neste cenário, torna-se evidente a previsão do consumo de eletricidade para um. horizonte futuro. . 23. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. 2.1 MODELOS DE PREVISÃO DE CARGA. Para obter um preciso planejamento do sistema elétrico, é relevante realizar previsões de. demanda, que resulte em valores próximos da realidade. A indústria de energia elétrica requer um. complexo processo de tomadas de decisões, tratando desde questões de curtíssimo prazo, como a. operação em tempo real, até decisões de investimentos de longo prazo que consideram o. comportamento do consumo de energia elétrica para as próximas décadas (MOREIRA, 2015). . Na literatura técnica, constata-se pequenas variações em relação à definição dos horizontes. de classificação da previsão de carga por parte de alguns autores (ANDRADE, 2010;. KERMANSHAHI, 1998). De um modo geral, pode-se conceituar à previsão em três grandes. categorias: previsão de curto, médio e longo prazo. Para cada horizonte de tempo são diferentes os. fatores que influenciam no consumo de energia elétrica, de forma que os diferentes tipos de. previsão são realizados por modelos de previsão específicos. . Atualmente existem inúmeros modelos matemáticos para previsão de carga, considerando. seus diferentes horizontes temporais (DANESHI; SHAHIDEHPOUR; CHOOBBARI, 2008;. KERMANSHAHI, 1998; SALGADO, 2009). Os trabalhos propostos, neste tema, têm o objetivo. de implementar métodos que minimizem a divergência que existe entre dados reais e estimados. . Pode-se dividir os modelos matemáticos, relacionados a previsão, em dois grandes grupos:. métodos paramétricos (lineares) e métodos baseados em inteligência artificial (não-lineares) (DE. GOOIJER; HYNDMAN, 2006; GHODS; KALANTAR, 2011).. Os métodos paramétricos, são aplicados frequentemente em análises de médio e longo. prazo. Tradicionalmente, os principais modelos matemáticos abordados são a modelagem de uso. final, regressão linear e análise de tendência (DE GOOIJER; HYNDMAN, 2006). Tais modelos. são destacados na literatura, em relação a sua eficiência para predição de fatores lineares,. potencializando suas simulações. . Como já foi afirmado, a maioria das pesquisas abordando modelos paramétricos obtém. resultados satisfatórios, considerando a elasticidade constante, ou seja, analisando a relação linear. 24. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. entre a demanda e as variáveis aplicadas aos modelos paramétricos (FAN; HYNDMAN, 2011;. HONG et al., 2014; XU; CAI; MILANOVIĆ, 2014). No entanto, com o advento de novas. tecnologias os fatores influentes no comportamento da carga, em sua maioria, não possuem. comportamento linear. Portanto, é fundamental o estudo e a utilização de novos métodos que. detectam a não-linearidade de séries influentes do elemento a ser previsto (GHODS; KALANTAR,. 2011). . A complexidade dos modelos e a baixa precisão de regressão e séries temporais, ganha. espaço para técnicas baseadas em inteligência artificial (XU; CAI; MILANOVIĆ, 2014). Os. modelos de IA, objetivam representar o comportamento de fatores não-lineares, presente em. diferentes aspectos econômicos e demográficos. Suas pesquisas avançadas vêm permitindo a. aplicação em diferentes áreas da engenharia. . Tratando-se de previsão de carga, modelos utilizando IA vem demonstrando resultados. mais acuradas em relação aos modelos tradicionais (PHIMPHACHANH et al., 2004; SINGH;. KHATOON, 2013). . Dentre os diversos modelos baseados em IA, no âmbito de modelos de previsão, utilizam. principalmente as ferramentas de Redes Neurais Artificiais, Lógica Fuzzy e Wavelet (KHOA et al.,. 2004; YIZHENG et al., 2014). O que diferencia um método de outro é a forma de analisar e. manipular matematicamente os dados. Desta forma, o presente trabalho contempla a previsão de. carga, através de técnicas de lógica fuzzy e RNAs, possibilitando uma análise comparativa entre os. dois modelos.. 2.1.1 Modelos de Curto-Prazo . A previsão de carga em curto prazo desempenha um papel importante na operação do SEP.. Tipicamente seu horizonte temporal varia de horas até uma semana à frente (CHARYTONIUK;. CHEN; VAN OLINDA, 1998). Este tipo de previsão pode ser utilizado para atuar no controle e no. monitoramento de operação on-line ou off-line do sistema elétrico. A análise de curto prazo é. essencial para aperfeiçoar os recursos de geração, e manutenção de energia elétrica. . 25. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. Dentre as tomadas de decisões que priorizam resultados a curto prazo, pode-se citar a. determinação de políticas no intercâmbio entre as concessionárias e detecção de condições futuras. sob as quais os sistemas podem estar vulneráveis, permitindo aos despachantes tomar as ações. corretivas necessárias, como por exemplo, a entrada de unidades de pico, corte de carga e operações. de chaveamento (COELHO; AGUIRRE, 2010). Salienta-se ainda, o emprego na otimização. operacional, através do controle de fluxo de carga, gerenciamento de energia reativa e previsão de. carga extra.. A detecção de demanda em um horizonte de curto prazo, resulta em diversas pesquisas. sobre o assunto, buscando-se estimações precisas por meio de distintas técnicas e tipo de. parâmetros avaliados. Rahman e Hazim (1993) adotaram um sistema que empregam bases de. conhecimentos de condições climáticas e demanda histórica. Os autores classificaram as técnicas. usadas para previsão de curto prazo em duas categorias: técnicas estatísticas e técnicas baseadas. em sistemas inteligentes. Os resultados obtiveram 24 passos à frente, com um MAPE (Mean. Absolute Percentage Error) máximo de 2,7%. . Charytoniuk e Chen (2000) desenvolveram um método de previsão no curtíssimo prazo,. baseado em redes neurais artificiais, para ser aplicado em um sistema de gerenciamento de energia. para uma empresa americana. Segundo os autores, são empregados informações de carga e dados. meteorológicos para estimar a demanda futura. Becalli et al. (2004) também adotaram redes. neurais, combinando abordagem supervisionada e não supervisionada para previsão da demanda. de energia elétrica no curto prazo. Os autores realizaram uma classificação prévia dos dados. históricos de demanda durante o estágio não supervisionado, realizando a previsão para 24 horas à. frente.. Em Andrade (2010) foi aplicado a previsão em curtíssimo prazo para monitorar subestações. de distribuição. As entradas são compostas por dados mensurados em intervalos de cinco minutos. ao longo de uma semana, em subestações localizadas nas cidades do interior do estado de São. Paulo, adotando-se técnicas de modelos híbridos. Entretanto no trabalho de Casagrande et al.. (2014) realizou-se a previsão de carga à curto prazo, através de um sistema utilizando regressão. linear. Tal metodologia, foi empregada para a previsão da geração de uma termoelétrica, utilizando. 26. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. como entrada do modelo variáveis temporais e climáticas. A metodologia obteve erros de projeção. inferiores a 6%. . 2.1.2 Modelos de Médio-Prazo . A metodologia referente ao horizonte de médio prazo, realiza a previsão de semanas a. meses à frente, sendo elementar na definição e organização de manutenções do sistema de geração. e distribuição de energia elétrica. A Empresa de Pesquisa Energética (EPE, 2013) destaca a. importância da previsão mensal para o governo, possibilitando realizar uma análise dinâmica do. processo do consumo de energia nas diversas classes e regiões do país, fornecendo subsídios. válidos para os estudos de planejamento e expansão do sistema. . A previsão de médio prazo permite programar a comercialização e negociação de contratos. de energia elétrica, reduzindo-se os riscos financeiros (ROMERA; MORÁN; FERNÁNDEZ,. 2008). . Diversos autores adotam o horizonte de médio prazo para realizar previsões mensais e. anuais. Ghiassi, Zimbra e Saidane (2006) utilizaram um modelo dinâmico de redes neurais para. previsão de demanda no médio prazo. Segundo os autores, a previsão para médio prazo, fornece. informações úteis para o planejamento e operações do sistema elétrico.. Abdel-aal (2008) aplicou dois modelos para previsão à médio prazo: Redes neurais e. abductive network. O autor enfatiza a importância deste tipo de previsão, principalmente, para. revisão das tarifas de energia elétrica. Foi realizado a previsão para 12 meses à frente, obtendo-se. melhor resultado na metodologia utilizando RNAs, com MAPEs inferiores a 3,2%.. Romera, Morán e Fernández (2008) realizaram a previsão à médio prazo através de uma. análise de tendências e flutuação de séries temporais. Para a previsão com flutuações, os autores. aplicaram séries de Fourier e para a previsão de tendência empregaram redes neurais. Os autores. destacam o quanto a demanda é influenciada por fatores sociais e meteorológicos, reduzindo esta. relação através da análise de dados mensais. A previsão da demanda utilizando séries temporais,. 27. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. sem extração de tendência, apresentou MAPE de 2,11% e com o uso de técnicas de RNAS na. tendência, obteve-se um erro de 1,95%.. 2.1.3 Modelos de Longo-Prazo . O horizonte de longo prazo é brevemente explorado na literatura técnica, todavia,. desempenha um papel essencial no desenvolvimento de sistemas de transmissão e distribuição do. setor elétrico. A análise temporal para longo prazo, pode variar de 1 ano até 10 anos (ou mais) à. frente (ANDRADE, 2010).. A topologia de previsão à longo prazo, adotada no presente trabalho, tem efeito. significativo no desenvolvimento do SEP. Uma superestimação da demanda de carga resulta em. um investimento substancial para a construção de instalações de energia em excesso. No entanto,. subestimação poderá resultar em insatisfação do consumidor (MOREIRA, 2015). . A previsão anual é indispensável no planejamento, além de contribuir na manutenção à. longo prazo, favorece a programação de construção para a expansão de novas instalações de. geração e aquisição de unidades geradoras (GHODS; KALANTAR, 2011).. Na literatura técnica é bastante discutida a questão de modelos mais adequados para. previsões e os parâmetros que afetam a demanda de energia elétrica anual. Em Kermanshahi (1998). foi desenvolvido um sistema para realizar a previsão com um horizonte de dez anos, para nove. concessionárias do Japão. No método foi utilizado Rede Neural Recorrente (RNR). A rede. proposta, foi treinada com os últimos vinte anos anteriores, utilizando principalmente fatores. econômicos e demográficos para entrada do modelo. Segundo o autor, não estavam disponíveis. todos os dados de temperatura, sendo proposto um software de sensibilidade para produzir a. temperatura futura a partir do clima atual. Foram obtidos resultados bem satisfatórios. . Carmona et al. (2002) afirmam que a previsão de carga fornece uma valiosa ferramenta. para planejar a compra e produção de geração. Os autores utilizaram RNA com topologia. Feedforward Multilayer Perceptron (MLP) e algoritmo de aprendizagem Backpropagation. Esta. 28. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. rede obteve erros inferiores a 5%. O parâmetro aplicado na entrada do sistema foi apenas o. consumo mensal histórico da Espanha entre os anos históricos de 1959 e 2000. . Khoa, Phuong e Lien (2004) realizaram uma previsão à longo prazo de carga, através de. três modelos propostos: redes neurais baseando-se em MLP, rede Wavelet e Functional Link Net. (FLN). O erro quadrático médio (MSE), resultou em um percentual médio de 3% para os três. modelos. Foram utilizados, como parâmetros de entradas: demanda histórica, PIB, índice de. consumidor e tarifa. Realizou-se uma previsão para um horizonte de três anos. . Farahat (2004) apresenta uma abordagem de previsão de carga, utilizando modelo hibrido,. combinando técnicas de RNAs e lógica Fuzzy. O método realiza a previsão à longo prazo para o. setor industrial da cidade de Ramadan, no Egito. Os resultados dos testes mostraram-se muito. precisos, com um erro percentual médio de 1,9%.. Erdogdu (2007) realizou uma análise comparativa das projeções oficiais da demanda de. energia elétrica para os próximos anos com as previsões resultantes do uso do modelo ARIMA.. Segundo o autor, na análise à longo prazo, os consumidores reagem de forma surpreendente, a. partir de mudanças de sua própria renda e nas tarifas de energia elétrica. O autor afirmou, que ao. dobrar as rendas dos consumidores, o consumo de energia elétrica eleva-se acima do dobro. Os. resultados da previsão realizada para a Turquia, demonstram que o crescimento médio da demanda. é de 3,3% ao ano, enquanto as projeções oficiais estimam um crescimento entre 6,3% e 8,2%.. Alsayegh et al. (2007) realizaram uma pesquisa sobre alguns fatores socioeconômicos que. possuem influência sobre o comportamento do consumo de energia elétrica no longo prazo para o. Kuwait, como índice de população, número de famílias, PIB e importação de equipamentos de. condicionadores de ar. O processo de previsão foi baseado em RNAs e seus resultados indicaram. que um aumento de 1%, do esperado, na importação de condicionadores de ar, leva a um aumento. de 0,5% acima do crescimento esperado na demanda de energia elétrica. Os autores afirmam, que. a tendência de crescentes construções de edifícios verticais é um dos fatores, predominantes, na. influência do crescimento de consumo de energia elétrica.. No trabalho de Dalvand et al. (2008) foi proposto um método de previsão de carga para o. Irã. A metodologia foi baseada em RNAs, aplicando-se doze parâmetros de entrada. Dentre os. 29. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. quais variação do PIB, índice de preços, índice de população, etc. Ressalta-se que os autores não. utilizarem variáveis climáticas, por acreditarem que estes parâmetros aumentariam o nível de ruído. para as simulações. Funções de lógica fuzzy e Monte Carlo foram utilizadas para estimar insumos. econômicos para o futuro. Para testar a técnica aplicou-se a análise do MAPE.. Daneshi, Shahidehpour e Choobbari (2008) destacam a importância da identificação dos. fatores que podem influenciar no comportamento da carga. Os autores apresentam três. metodologias para realizar a previsão à longo prazo: Redes Neurais Artificiais, Regressão Linear e. modelo híbrido (lógica fuzzy + RNAs). A previsão foi realizada para as três classes de consumo. (residencial, comercial e industrial), através dos dados da ISO New England. Salienta-se que os. dados de classe residencial possuem maiores flutuações sazonais, em razão, principalmente, do uso. de aquecedores e condicionadores de ar. Os resultados que obtiveram menor índice de erro, foram. através de simulações com técnicas de modelos híbridos.. No trabalho de Ghanbari, Ghaderi e Azadeh (2010) foi empregado os métodos de Regressão. (linear e log-linear) e ANFIS (do inglês, Adaptive Neuro-Fuzzy Inference System) para realizar a. previsão de carga anual da energia elétrica do Irã. Foi analisado a melhor performance a partir dos. erros RMSE, MAE e MAPE. Todas as simulações realizadas indicaram o modelo ANFIS,. notavelmente melhor do que as outras abordagens convencionais. . Ghods e Kalantar (2011) estruturam em sua pesquisa as principais abordagens de precisão. que são utilizadas na literatura técnica. Os autores avaliam a performance de métodos lineares e. não-lineares, afirmando que os métodos não-lineares, através de inteligência artificial, são de. grande eficiência. Devido a diversidade de fatores que podem afetar o consumo de energia elétrica,. as técnicas de previsão existentes são insuficientes para realizar previsões acuradas para o horizonte. à longo prazo. Desta forma, os autores concluem que em determinas análises, pode ser necessário. combinar métodos para extrair resultados aprimorados.. Al-Hamadi (2011) apresenta uma nova técnica para previsão de carga à longo prazo. O. método é uma combinação de regressão linear com lógica fuzzy. Os fatores aplicados na entrada. do sistema são calculados a partir de polinômios cúbicos. A técnica apresenta MAPE menor que. 1%, demonstrando grande performance da metodologia aplicada. . 30. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. O trabalho de Singh e Khatoon (2013) procurou apresentar uma visão geral das principais. metodologias e modelos utilizados na literatura para os diferentes horizontes de previsão. Foram. analisados os modelos de alisamento exponencial, técnicas de regressão, mínimos quadrados,. modelos ARMA e ARIMA, máquina de vetores suporte, lógica fuzzy, dentre outros. A partir da. pesquisa realizada, os autores concluíram que modelos utilizando inteligência artificial (RNAs,. algoritmo genético, etc) estão alcançando melhores resultados em comparação aos modelos. tradicionais.. Hong et al. (2014) desenvolveram um software para previsão à longo prazo, da corporação. de energia da Carolina do Norte (EUA). Esta corporação é responsável por fornecer energia elétrica. à quase 1 milhão de consumidores, considerando residências e áreas comerciais. O modelo de. previsão aplicado, é baseado em regressão linear múltipla. O trabalho considerou a previsão. mensal, utilizando como parâmetros históricos a demanda de energia elétrica e fatores climáticos.. Avdaković et al. (2015) apresentam um estudo de caso para previsão anual, para Bósnia e. Herzegovina. Adotou-se o modelo de análise da demanda de energia (MAED) para projetar a carga. de 5 áreas, individualmente e em conjunto. Segundo os autores, as previsões com um erro. percentual alto, podem causar uma série de efeitos adversos para as companhias de eletricidades,. com déficit de geração ou problemas financeiros complexos. Os dados demográficos e. macroeconômicos apresentam certas quebras em determinados períodos, afetando a técnica. Desta. forma, foi realizado uma análise de tendência. Os resultados obtidos foram comparados com outras. técnicas de previsões, e demonstraram coerência. . Moreira (2015) realizou um estudo de caso para projeções de médio e longo prazo à nível. nacional. O autor adotou três modelos, para análise comparativa, RNAs, regressão linear múltipla. e técnicas de alisamento exponencial. O autor modificou os parâmetros de entrada, o intervalo das. séries e a discretização das séries, para analisar as respostas. É realizada a previsão para o Brasil,. aplicando-se separadamente os dados da classe residencial, comercial e industrial. A partir de seus. dados, a metodologia de regressão linear múltipla mostrou-se mais eficientes que as outras técnicas.. De acordo com os trabalhos técnicos encontrados na previsão à longo prazo, os fatores. econômicos e climáticos têm uma forte correlação com a demanda de energia elétrica. No entanto,. 31. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. nota-se que o desenvolvimento de modelos de previsão de carga, que levem em conta a resposta. da demanda ao preço da energia elétrica anual, ainda, encontra-se em fase incipiente de pesquisa. (SPERANDIO et al., 2014). . 2.2 ELASTICIDADE-PREÇO DA DEMANDA DE ENERGIA ELÉTRICA. Os conceitos inovadores introduzidos pelas Smart Grids prospectam uma evolução nos. sistemas de energia elétrica, trazendo consigo grandes desafios, em especial a necessidade de. reformulação dos modelos de previsão de carga. Neste cenário, o comportamento da elasticidade-. preço da demanda de energia elétrica tende a ser fortemente impactado.. A elasticidade-preço da demanda (EPD), trata-se de um conceito econômico que apresenta. a elasticidade da quantidade demandada de um bem, em relação às mudanças de seu preço (FAN;. HYNDMAN, 2011). Em termos matemáticos é a razão entre a mudança de demanda e a mudança. percentual do preço, à medida que se move ao longo da curva da demanda, como está representada. matematicamente na equação 1.. 𝐸𝑃𝐷 = ∆𝑄. (𝑄1 + 𝑄2) 2 ∆𝑃. (𝑃1 + 𝑃2) 2 . (1). Onde, Q1: Quantidade Inicial; Q2: Quantidade Final; Preço Inicial; P2= Preço Final.. Em termos de análise, a quantidade demandada se refere à máxima demanda anual e o preço. corresponde às tarifas de energia elétrica. Os determinantes do grau de elasticidade podem ser. qualificados, basicamente, em cinco casos:.  Perfeitamente elástica: A demanda muda infinitamente com uma alteração nos. preços (|𝐸𝑃𝐷| ≈ ∞) ;.  Elástica: A demanda muda muito em relação a uma alteração nos preços (|𝐸𝑃𝐷| >. 1);. 32. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016.  Elástica unitária: A demanda muda na mesma proporção que os preços (|𝐸𝑃𝐷| =. 1);.  Inelástica: A demanda muda pouco em relação a uma alteração nos preços. (|𝐸𝑃𝐷|<1)..  Perfeitamente inelástica: A demanda não muda com uma alteração nos preços.. Os principais comportamentos da elasticidade são exemplificados na Figura 2.. Figura 2: Principais tipos de elasticidade-preço. Fonte: Elaborado pela autora.. Nos últimos anos, os estudos referentes a elasticidade da demanda trataram, em sua maioria,. do comportamento dos preços de energia elétrica fixos, não obtendo uma análise detalhada da. correlação da demanda com as tarifas. Andrade e Lobão (1997) realizaram uma estimação da. elasticidade renda e preço para a demanda residencial de energia elétrica no Brasil para o período. de 1963 a 1995, a partir de dados anuais. Schmidt e Lima (2004) analisaram a elasticidade-preço e. renda à longo prazo das classes residencial, comercial e industrial. Foi utilizado dados anuais de. 1963 a 2000, aplicando-se o modelo VAR, onde a |EPD| do consumidor residencial resultou em -. 0,085 . 33. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. No trabalho de Lafferty et al. (2001) é discutido um sistema para encontrar a elasticidade. da demanda através dos preços de energia elétrica fixo. Espey e Espey (2004) realizaram um breve. estudo sobre a demanda de energia elétrica, considerando as classes residenciais e comerciais.. Neste trabalho, foi adotado um esquema de meta-análise para determinar os fatores que afetam. profundamente a elasticidade. Realizou-se uma análise à curto e longo prazo da elasticidade, onde. os autores observaram que pesquisas à longo prazo tendem a ser mais elástica que estudos à curto. prazo. . Reiss e White (2005) desenvolveram um modelo para avaliar os efeitos dos sistemas. tarifários alternativos do uso da eletricidade. O modelo aborda simultaneamente as dificuldades. inter-relacionadas com a não-linearidade dos preços e a agregação do consumo ao longo do tempo.. A análise implicou em simular a elasticidade para 1.300 domicílios da Califórnia. A |EPD| média. anual resultou em -0,39 para as residências. Os autores ressaltam que as estimativas comparada. com outros trabalhos diferencia-se devido as regiões geográficas e as técnicas adotadas. . A National Institute of Economic and Industry Research (2007) apresentou uma revisão da. elasticidade à longo prazo do preço da demanda de energia elétrica para o Mercado Nacional. Australiano, onde a partir de uma análise histórica, apresentou |EPD| de -0,25, -0.35 e 0,38 para a. classe residencial, comercial e industrial, respectivamente.. Mais recentemente, Fan e Hyndman (2011) apresentam uma análise aprofundada da. elasticidade-preço da demanda de energia elétrica, demonstrando a sensibilidade da demanda do. consumidor para a tarifa de energia elétrica na região Sul da Austrália. Analisou-se a elasticidade. para cada meia hora do dia, através de uma previsão à curto e longo prazo, utilizando o modelo. matemático aditivo semi-paramétrico. Considerando-se uma média anual através dos dados. coletados, foi obtido |EPD| média em quatro partes. A meia noite |EPD| = -0,505, ao meio dia |EPD|. = -0,405, às 4 horas p.m. |EPD| = -0,370 e às 7 horas p.m. |EPD| = -0,600.. Em geral, avaliar a elasticidade dos preços é uma tarefa complexa. De acordo com a. literatura, a elasticidade comporta-se diferente, de acordo com o período de tempo adotado. (THIMMAPURAM et al., 2010). Geralmente análises de EPD à curto prazo, possuem. comportamento inelástico, por outro lado, estudos à longo prazo são relativamente sensíveis ao. 34. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. preço. Além disso, grande parte dos estudos encontrados baseiam-se em estratégias para curto e. médio prazo (MOHAJERYAMI; SCHWARZ; BABOLI, 2015). . A análise da EPD é de extrema importância para o mercado de energia elétrica. Os trabalhos. utilizam, em sua maioria, métodos tradicionais e lineares para análise da EPD. Entretanto, acredita-. se que sistemas inteligentes tendem a ser mais eficientes, proporcionando uma análise mais. aprofundada da correlação da elasticidade-preço da demanda de energia elétrica. . . 2.3 CONTRATAÇÃO DA DEMANDA. Atualmente o setor elétrico tem se direcionado à uma estrutura de mercado, tornando-se. competitivo em seus diferentes setores (CAMPOS, 2008). O gerenciamento da comercialização de. energia, programação da geração, planejamento da expansão, entre outras atividades do setor, tem. tornado interativo o emprego de modelos de previsão. Sistemas de previsão de carga, são. vantajosos na determinação da demanda, exigida pelo Operador Nacional do Sistema Elétrico. (ONS). Os montantes de uso dos sistemas de distribuição (MUSD) e transmissão (MUST) são. contratados anualmente pelas distribuidoras em seus pontos de fronteira. . O valor da contratação do MUST corresponde ao máximo valor de potência que um ponto. de conexão irá demandar da Rede Básica (LIMA, 2011). Dentre as normas regidas pela ANEEL. (Agência Nacional de Energia Elétrica) a Resolução Normativa n° 666 de 23 de junho de 2015,. regulamenta a contratação de uso do sistema de transmissão e as formas de cálculo dos encargos. correspondentes (ANEEL, 2015). De acordo com a norma, a contratação do MUST é realizada. para o ano seguinte e os três anos subsequentes, sendo contratada para o horário de ponta e fora. ponta, submetido para a ONS. A resolução considera um limite de ultrapassagem de +/- 10%. Todas. as ultrapassagens da tolerância são passíveis de penalização, com multas equivalentes a 3 vezes a. tarifa do uso estabelecido para cada horário de contratação. . Os MUST contratados por unidades consumidoras e por distribuidoras, deverão ser os. máximos montantes anuais de demanda de potência elétrica. Tal controle é necessário para evitar. tanto sub quanto sobre contratações, as quais podem resultar em penalidades para a distribuidora. ou excessos indesejados que oneram o consumidor (SILVA; HOSTT; RIBEIRO, 2008). Deste. 35. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. modo, a determinação dos montantes de uso, devem ser entendidas como uma busca pelo valor. ótimo que minimize a função de custo no decorrer dos doze meses e consequentemente, evite. multas para os agentes do setor elétrico.. Ainda que exista certa flexibilidade para os reajustes de contratação, os agentes devem ter. em mente que, quanto mais acurados os resultados de previsão, menores os riscos de falta ou. excesso na transmissão e distribuição. Neste âmbito, os modelos de previsão à longo prazo tornam-. se uma ferramenta de suma importância para as concessionárias de energia elétrica. . 36. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. 3 VISÃO GERAL ACERCA DE REDES NEURAIS ARTIFICIAIS. As redes neurais artificiais vêm sendo aplicadas em diversos campos da tecnologia como. modelagem, reconhecimento de padrões e previsões. Seu emprego é derivado de sua habilidade de. aprender a partir de dados de entrada com ou sem “professor” (HAYKIN, 2000). Os modelos. matemáticos-computacionais utilizados na RNA são inspirados no comportamento do cérebro. humano, possibilitando considerar o cérebro um computador altamente complexo, não-linear e. paralelo, composto por bilhões de neurônios (FERNANDES, 2009). Os neurônios se interconectam. para formar uma rede neuronal, onde cada módulo é responsável pelas tarefas realizadas no sistema. nervoso, como por exemplo, no controle de ação muscular (ALTRAN, 2010).. Os processos cognitivos podem ser analisados como uma combinação de um conjunto de. subredes atuando de forma cooperativa. A formação do neurônio biológico pode ser analisada na. Figura 3.. Figura 3: Neurônio Biológico. Fonte: Ricardo, ano 2009, p.68.. De acordo com Haykin (2000) as sinapses intercedem entre os neurônios. Os axônios são. as linhas de transmissão conectando-se à vários neurônios e os dendritos são as zonas receptivas,. que recebem as informações ou impulsos nervosos de outros neurônios e conduzem ao corpo. celular (ALTRAN, 2010). . 37. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. As redes neurais possuem um processamento paralelo, distribuído através de suas unidades. de processamento, assim, os neurônios que por sua vez são favoráveis ao armazenamento de. conhecimento, são disponibilizados para uma posterior utilização. São semelhantes ao cérebro. devido à duas principais características: Conhecimento, adquirido por um processo de. aprendizagem; Conexões entre seus neurônios, utilizadas para armazenar o conhecimento. adquirido (FERNANDES, 2009).. Uma rede neural possuí alto poder de generalizar informações após uma fase de. aprendizagem, possibilitando capturar relações funcionais entre os dados (SHI et al., 2008). A. modelagem deste tipo de sistema pode ser descrita por três elementos básicos, como demonstrado. na Figura 4 e nas equações 2 e 3.. Figura 4: Interpretação básica de uma rede neural. Fonte: Elaborado pela autora.. 𝑢𝑛 = ∑𝑤𝑖𝑥𝑖. 𝑚. 𝑖=0. (2). 𝑦𝑛 = 𝜑(𝑢𝑛 + 𝑏𝑛) (3). A Figura 4 representa os principais parâmetros que constituem a estrutura de uma RNA.. Basicamente, os pesos sinápticos (𝑤) representam a sinapse, o somador é utilizado para somar os. sinais de entrada pelas respectivas sinapses do neurônio e a função de ativação (𝜑) restringe-se a. limitar o intervalo de amplitude do sinal de saída para um valor finito. Por fim, o parâmetro bias. 38. _____________________________________________________________________________________________. Sandy Tondolo de Miranda (sandy_tondolo@hotmail.com). Trabalho de Conclusão de Curso. Ijuí. DCEENG/UNIJUÍ, 2016. (𝑏), possuí o efeito de aumentar ou diminuir a entrada “líquida” da função de ativação, dependendo. se for positivo ou negativo (HAYKIN, 2000).. A função de ativação de cada neurônio é essencial, em cada camada do sistema. Trata-se. de uma função matemática aplicada à combinação linear entre as variáveis de entradas e pesos,. para determinar à relação entre entradas e saídas de cada neurônio da rede (CAMPOS, 2008). Na. literatura as principais funções de ativações são classificadas em três tipos (CARMONA et al.,. 2002), como representado na Tabela 1.. Tabela 1: Principais tipos de funções de ativações. Função Tangente Hiperbólica. 𝑓𝑡(𝑠) = 1 − 𝑒−𝛼𝑠. 1 + 𝑒−𝛼𝑠. Função Logística. 𝑓𝑡(𝑠) = 1. 1 + 𝑒−𝛼𝑠. Função Linear. 𝑓𝑠(𝑛) = 𝑛 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑛. Fonte: Elaborada pela autora.. Salienta-se que a função de ativação mais empregada na literatura é a função tangente. hiperbólica, sendo a ativação que melhor se aproxima da função do neurônio biológico. Além disso,. possuí um modelo matemático simples, comparado a outros métodos de ativação. . As RNAs possuem, sobretudo, uma camada de entrada, uma camada de saída e entre estas. camadas encontram-se as camadas intermediárias (camadas escondidas). Todas as conexões, entre. as camadas, possuem um peso que determina sua contribuição na decisão do disparo, possibilitando. controlar os estímulos dos neurônios. Este conjunto de fenômenos é denominado arquitetura da. rede neural. O alcance de resoluções para problemas apresentados a rede, está correlacionado. diretamente com sua arquitetura. . 39. ______________________________________________________________________________ Aplicação de Lógica Fuzzy e Redes Neurais Artificiais na Previsão de Carga à Longo Prazo Considerando a. Elasticidade-Preço da Demanda. É possível classificar as redes neurais em dois tipos, quanto à sua estrutura (ALTRAN,. 2010; SIMPSON, 1989):.  Redes Recorrentes (do inglês, feedback) – Possuem realimentação entre sua saída e. entrada, ou seja, existe no mínimo um ciclo na conectividade das redes;.  Redes Não-Recorrentes (do inglês, feedforward) – Não possuem laços de. realimentação, cada neurônio recebe sinais somente das camadas anteriores. São. redes que não possuem memória, sendo que sua saída é determinada em função da. entrada e dos valores dos pesos. . As redes neurais destacam-se pelas suas habilidades de aprender e aperfeiçoar seu. desempenho. Características provenientes do processo iterativo de ajustes aplicado a seus pesos no. treinamento. O objetivo do treinamento ou aprendizagem, é tornar a aplica&cc