METOLOGIA PARA PREVISO DE CARGA EM CURTSSIMO PRAZO CONSIDERANDO VARIVEIS CLIMTICAS

Carlos V. M. Silva1, Rodrigo R. Gomes1, Daniel P. Bernardon1, Vincius J. Garcia1, Srgio Bordignon2 1 Universidade Federal do Pampa - UNIPAMPA Campus Alegrete Alegrete RS 2 MUXFELDT, MARIN & CIA LTDA - MuxEnergia carlosvinicius.ee@gmail.com, rodrigodrg@gmail.com, dpbernardon@gmail.com, viniciusjg@gmail.com

Resumo. Este trabalho apresenta uma metodologia baseada em redes neurais artificiais para previso de carga no horizonte de curtssimo prazo. Para tanto so considerados alguns mtodos capazes de realizar a previso de demanda e, logo aps, ser escolhido o que melhor atender as particularidades no curtssimo prazo baseando-se especialmente na influncia da temperatura. Palavras-chave: Previso de carga, Curtssimo prazo, Rede neural artificial.

1.

INTRODUO

Nas ltimas dcadas, vrios estudos tm sido direcionados para solucionar o problema da previso de carga. O conhecimento do comportamento da carga futura importante para a manuteno, operao e planejamento de sistemas eltricos de potncia. Como a previso de carga depende de vrios fatores, como, por exemplo, temporais, climticos, aleatrios, sazonais, entre outros, sua soluo no de fcil obteno, principalmente para horizontes de curto e curtssimo prazo. Tambm h uma estreita relao da qualidade da proviso com a quantidade e a qualidade das informaes disponveis.

Vrias tcnicas tm sido estudadas para resolver este problema, empregando mtodos clssicos (heursticas, estatsticas) e no convencionais baseados em inteligncia artificial (sistemas especialistas, redes neurais, modelos nebulosos). No entanto, a maioria destas tcnicas so apresentadas para curto, mdio e longo prazo, e principalmente para uso em sistemas eltricos de mdio e grande porte. Neste sentido, este artigo apresenta uma metodologia baseada em redes neurais para previso de carga no curtssimo prazo (previso horria), observando-se a adequao realidade das concessionrias de energia eltrica. As variveis climticas so utilizadas como fatores de influncia na respectiva previso. 2. TIPOS DE DEMANDA PREVISO DE

A seguir realizada uma breve explanao sobre os tipos de previso de demanda em sistemas eltricos de potncia. As previses so classificadas quanto ao perodo (horrio, dirio, mensal, anual) em quatro modalidades de acordo com a Ref. [2]: (1) Previso de curtssimo prazo; (2) Previso de curto prazo; (3) Previso de mdio prazo; e (4) Previso de longo prazo.

2.1 Previso de curtssimo prazo Nessa modalidade, que o escopo interesse deste trabalho, a previso de carga restringe-se ao intervalo de alguns minutos at 5 horas adiante, aproximadamente. A previso de carga em curtssimo prazo importante para o planejamento e operao de sistemas eltricos de potncia. Os mtodos convencionais de regresso so bastante utilizados pelas empresas desse setor. Porm, estes mtodos no so suficientes para resoluo desse problema com exatido aceitvel, como citado na Ref. [1]. Entre as possveis solues para esse problema esto as redes neurais artificiais RNA. Este artigo mostra as RNA como metodologia para realizar a previso de demanda em curtssimo prazo. 2.2 Previso de curto prazo Esse tipo de previso busca estimar a carga que ser demandada desde algumas horas at dias frente. responsvel por orientar o planejamento da operao, transferncia de energia e gerenciamento de demanda. 2.3 Previso de mdio prazo Esse tipo de previso preocupa-se em estimar a demanda de energia eltrica nos prximos meses. Ela importante para o planejamento do suprimento de combustvel, operao de manuteno e de planejamento de intercmbio. 2.4 Previso de longo prazo Essa modalidade busca prever a demanda de energia nos prximos anos, podendo chegar a um horizonte de 10 anos. de extrema relevncia para o sistema eltrico de potncia, j que ela serve de referncia aos investimentos no setor energtico. 3. METODOLOGIA PROPOSTA PARA PREVISO EM CURTSSIMO PRAZO

3.1 Objetivos Objetiva-se elaborar algoritmos e implementar um software que realize a previso de demanda em um horizonte de curtssimo prazo, o qual deve estar adequado topologia da rede da concessionria, alm de ser til, confivel e de fcil aplicao. Ainda, pretende-se adotar uma metodologia capaz de receber diferentes quantidades e qualidades de informaes, tornando o software robusto. 3.2 Metodologia Sero estudadas vrias tcnicas, como j citado, sendo neste momento priorizada o mtodo de redes neurais artificiais - RNA. Uma RNA uma ferramenta desenvolvida no campo da inteligncia artificial, no qual se busca entender e modelar o comportamento do crebro humano. RNAs consistem em elementos de processamento altamente interconectados chamados neurnios. Um exemplo de neurnio mostrado Fig. 1 [2].

Figura 1. Modelo de um neurnio. Um neurnio pode ter um nmero R de entradas e uma sada a. A sada de um neurnio determinada por uma funo nolinear f(), conhecida como funo ativao, e uma soma ponderada por pesos w1;i (i = 1; 2; ...;R) das entradas somadas ao valor de uma bias b. Assim, a sada a facilmente calculada em funo das entradas, conforme Eq. (1).

a = f (Wx + b )

(1)

Em 1957, Rosenblatt criou um tipo de neurnio denominado por ele como Perceptron. A funo de ativao do Perceptron era do tipo degrau, alm de possuir pesos e bias. A principal caracterstica do modelo de Perceptron que ele tem convergncia garantida quando os padres de entrada forem linearmente separveis, ou seja, ele pode ser usado como um classificador de padres. Com a evoluo de modelos neurais foram acrescidos neurnios os quais se ligam atravs de sinpses ou conexes que aplicam pesos aos sinais que por eles passam. Para que a rede consiga reproduzir a sada desejada a partir dos dados de entrada, os pesos so ajustados durante o perodo de treinamento da rede neural. Uma RNA, quanto estrutura, pode ser especificada em termos de entradas, nmero de camadas intermedirias, nmero de neurnios em cada camada intermediria, nmero de sadas e nas maneiras como so feitas as conexes entre os neurnios. A Fig. 2 [2] mostra um exemplo de RNA.

3.4 Medies de demanda Baseados em dados do comportamento de carga demandada, os quais foram coletados em intervalos de 15 minutos, foram elaborados grficos que exemplificam esse comportamento. A Fig. 3 e a Fig. 4 mostram o comportamento da carga em um domingo e em uma segunda-feira, respectivamente, no ms de junho de 2009. Em ambos os grficos a curva azul mostra a potncia ativa e a curva vermelha a potncia reativa demandada.

Figura 3. Curva de demanda tpica de um Domingo.

Figura 4. Curva de demanda tpica de um dia til. 3.5 Previses de carga Na Fig. 5 apresentada a previso de carga, no curtssimo prazo, atravs do uso do percentual mdio histrico de crescimento de demanda. Determinou-se a taxa de crescimento atravs da razo entre os valores histricos horrios de potncia ativa de um mesmo dia em semanas subseqentes. Sendo o primeiro e o segundo dia selecionado, chamados de S1 e S2, respectivamente, a taxa dada pela Eq. (2).

Figura 2. Exemplo de rede neural artificial. Existem vrios tipos de funes de ativao, sendo esta a principal caracterstica de um neurnio, entre elas esto as funes sigmoidais, a funo degrau e as funes de base radial. Quanto s regras de treinamento, existem trs paradigmas bsicos de treinamento: supervisionado, nosupervisionado e por reforo.

Para gerar a previso de demanda, estado S3, aplicou-se o valor de R aos valores de S2, dada pela Eq. (3).

sustentabilidade financeira das empresas do setor eltrico. Nesse sentido, previses de carga baseadas em RNA so amplamente utilizadas por muitas concessionrias por apresentarem baixas taxas de erros entre os valores estimados e os demandados. Assim, este mtodo um dos mtodos escolhidos para ser utilizado na metodologia proposta neste artigo para realizar a previso de carga em curtssimo prazo.

Figura 5. Resultado de previso de carga.

R= S2 S1

Agradecimentos
Agradecemos a MuxEnergia pelo financiamento atravs de recursos de Pesquisa & Desenvolvimento (P&D) e a Universidade Federal do Pampa pela disponibilidade da infra-estrutura.

(2)

S3 = S 2 R

(3)

Desta forma, obteve-se a curva em azul, mostrada na Fig. 5. Na mesma figura, em vermelho, mostrado o valor realmente demandado. Adicionalmente, no eixo secundrio mostrado o erro percentual da previso de carga, o qual calculado pela Eq. (4) e representado pela curva verde.
S E = 1 3 S2 (4)

REFERNCIAS
[1] Z. H. Osmas, M. L. Awad, and T. K. Mahmoud, "Neural Network Based Approach for Short-Term Load Forecasting", Third International Conference on Natural Computation, 2007. [2] M. A. Leone, "Previso de carga de curto prazo usando ensembles de previsores selecionados e evoludos por algoritmos genticos", Tese de Mestrado, Faculdade de Engenharia Eltrica e de Computao, Universidade Estadual de Campinas, 2006. [3] W. Day, Application of Pattern Recognition and Artificial Neural Network to Load Forecasting in Electric Power System, Third International Conference on Natural Computation, 2007.

Facilmente observa-se uma amplitude significativa na taxa de erro, sendo em alguns casos prxima a zero, por exemplo, s 4h, e atinge mais de 20%, aps s 19h. A proposta melhorar as previses de carga com o emprego da metodologia que est sendo desenvolvida, com base em redes neurais artificiais, considerando tambm o uso de variveis climticas. Assim, espera-se que o erro absoluto fique dentro de um percentual aceitvel, em torno de 5%.

4.

CONSIDERAES FINAIS

A eficincia e confiabilidade de previses de carga, em um horizonte de curtssimo prazo, tm impacto direto na