Avaliação de topologias de Redes Neurais Artificiais para previsãodo consumo de carga em sistemade potência na faixa tempo...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Introdução Justificativa    Lei Federal n. 10.848 de 15/05/2004;     Divisão do setor elétrico brasileiro:       Geraç...
Introdução Objetivo geral:    Analisar diversas Redes Neurais Artificiais (RNA) e determinar a     melhor entre elas;   ...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Trabalhos Correlatos Diversos trabalhos na área:    Longo Prazo:       Tsekouras,Hatziargyrioue e Dialynas (2006);    ...
Trabalhos Correlatos Chen, Yu e Moghaddamjo (1992)    Rede não totalmente conectada; Al-Rashid e Paarmann (1997)    Ut...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Metodologia – Campo de Testes Área de concessão da distribuidora de energia RGE (Rio Grande Energia,  uma empresa CPFL en...
Metodologia – Campo de Testes5 de setembro de 2012                              11
Metodologia – Campo de Testes Pontos Geo-Elétricos (PGE):5 de setembro de 2012                              12
Metodologia – Campo de Testes Dados INMET – (Instituto Nacional de Meteorologia)    Estações Automáticas;    Estações C...
Metodologia – Dados utilizados Carga:    Subestação de Cachoeirinha CAC1;    Ponto Geo-Elétrico de Gravataí;5 de setemb...
Metodologia – Dados utilizados Cálculo de carga da distribuidora para o PGE de Gravataí:     Entrada:        CAC1 + CAC...
Metodologia – Dados utilizados5 de setembro de 2012                               16
Metodologia – Dados utilizados Temperatura:    Estação automática de Porto Alegre:      Temperatura;          ◊ Máxima;...
Metodologia – Dados utilizados5 de setembro de 2012                               18
Metodologia – Dados utilizados Econômicas:    Selecionados caso sejam necessários:5 de setembro de 2012                 ...
Metodologia – Dados utilizados Normalização:                                D D                          Dn              ...
Metodologia – Métodos de seleção de                                         variáveis Forward Selection; Análise de Comp...
Metodologia – Variação das topologias Neurônios ocultos:    1, 2, 4, 8, 16 Épocas de treinamento:    1000, 2000 e 4000...
Metodologia Ferramentas    Linguagem R;    Programa SNNS; Dados de treinamento:    Início de 2003 ao final de 2006; ...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Resultados Divisão para apresentação:     Curto Prazo:       Cachoeirinha;       Gravataí;     Longo Prazo:       Gr...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Curto Prazo para Cachoeirinha – Forward Selecion Forward Selection:    2 a 200 horas de atraso;    Selecionar as 4 melh...
Curto Prazo para Cachoeirinha – Forward Selecion5 de setembro de 2012                         28
Curto Prazo para Cachoeirinha – Forward Selecion5 de setembro de 2012                         29
Curto Prazo para Cachoeirinha – Forward Selecion5 de setembro de 2012                         30
Curto Prazo para Cachoeirinha – Forward Selecion Resultado para o método:                  Entradas   Atrasos   Erro Médi...
Curto Prazo para Cachoeirinha – ACP Análise de Componentes Principais:    Últimas 20 horas;    Critérios:       Kaiser...
Curto Prazo para Cachoeirinha – ACP Critério   N° de       Neurônios   Épocas   Inicialização   Short-Cut     Erro        ...
Curto Prazo para Cachoeirinha – ACP5 de setembro de 2012                            34
Curto Prazo para Cachoeirinha – Auto-Correlação Cruzamento por Zero;    Entradas:        1, 30, 45 e 50; Resultado:   ...
Curto Prazo para Cachoeirinha – Auto-Correlação5 de setembro de 2012                         36
Curto Prazo para Cachoeirinha – Auto-Correlação Pontos Máximos:    Variação das entradas de 1 a 60 Pontos Máximos Rede ...
Curto Prazo para Cachoeirinha5 de setembro de 2012                              38
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Curto Prazo para Gravataí Modificações:    Ferramentas:       Linguagem R;       Biblioteca NNet;     Método de trein...
Curto Prazo para Gravataí – Forward Selecion Forward Selection:    1 a 400 horas de atraso;    Selecionar as 10 melhore...
Curto Prazo para Gravataí – Forward Selecion5 de setembro de 2012                             42
Curto Prazo para Gravataí – Forward Selecion Resultado para o método:                 Entradas    Atrasos   Erro Médio (%...
Curto Prazo para Gravataí – ACP Análise de Componentes Principais:    Entradas:       24 horas antes da previsão, tendê...
Curto Prazo para Gravataí – ACP Segundo os critérios:    Kaiser, as 6 primeiras componentes;    Jolliffe, as 9 primeira...
Curto Prazo para Gravataí – ACP   Critério    N° de      Neurônios   Épocas   Inicialização   Erro               Entradas ...
Curto Prazo para Gravataí – ACP5 de setembro de 2012                                47
Curto Prazo para Gravataí – Auto-Correlação Cruzamento por Zero;    1, 39, 43, 55 e 68; Resultado:    32 neurônios Ocu...
Curto Prazo para Gravataí – Auto-Correlação Pontos Máximos:    Variação das entradas de 1 a 60 Pontos Máximos; Rede bas...
Curto Prazo para Gravataí – Auto-Correlação5 de setembro de 2012                    50
Curto Prazo para Gravataí – Auto-Correlação                        Entradas   Retardos   Erro Médio (%)                   ...
Curto Prazo para Gravataí – Auto-Correlação5 de setembro de 2012                    52
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Resultados por Métodos - Cachoeirinha        Método               Critério         Entradas   Erro Médio (%)  Forward Sele...
Resultados por Métodos - Gravataí        Método                 Critério         Entradas   Erro Médio (%)   Auto-Correlaç...
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Longo Prazo Primeiros testes:    3 últimas demandas mensais;    Configuração da rede;        2 neurônios ocultos;     ...
Longo Prazo5 de setembro de 2012            58
Longo Prazo Testes com janelamento:    3 últimas demandas mensais;    Configuração da rede;        32 neurônios oculto...
Longo Prazo5 de setembro de 2012            60
Longo Prazo5 de setembro de 2012            61
Longo Prazo5 de setembro de 2012            62
Longo Prazo5 de setembro de 2012            63
Longo Prazo5 de setembro de 2012            64
Sumário Introdução Trabalhos Correlatos Metodologia Resultados    Curto Prazo      Cachoeirinha      Gravataí    R...
Conclusão Resultados de:    3,64% para o curto prazo de subestação de Cachoeirinha     utilizando Forward Selection;   ...
Bibliografia ABDEL-AAL, R. E. Short-term hourly load forecasting using abductive networks.  IEEE Transactions on Power Sy...
Bibliografia BARILI, G.; CECHIN, A. Seleção de variáveis de entrada para rede neural  artificial de previsão de demanda e...
Bibliografia ORTIZ-ARROYO, D.; SKOV, M. K.; HUYNH, Q. Accurate electricity  load forecasting with artificial neural netwo...
Perguntas5 de setembro de 2012          70
Upcoming SlideShare
Loading in …5
×

TCC - Avaliação de topologias de Redes Neurais Artificiais para previsão do consumo de carga em sistema de potência na faixa temporal de curto e longo prazo

996 views
886 views

Published on

Published in: Technology
0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
996
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
9
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

TCC - Avaliação de topologias de Redes Neurais Artificiais para previsão do consumo de carga em sistema de potência na faixa temporal de curto e longo prazo

  1. 1. Avaliação de topologias de Redes Neurais Artificiais para previsãodo consumo de carga em sistemade potência na faixa temporal de curto e longo prazo Giovani Manica Barili giovanimanicabarili@gmail.com Prof. Dr. Adelmo Luis Cechin (Orientador) Universidade do Vale do Rio dos Sinos Engenharia da Computação Dezembro 2008
  2. 2. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 2
  3. 3. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 3
  4. 4. Introdução Justificativa  Lei Federal n. 10.848 de 15/05/2004;  Divisão do setor elétrico brasileiro: Geração; Transmissão; Distribuição;  Art. 3§: Necessidade de contratação de energia previamente;  Art. 4§: Criação da Câmara de comércio de energia elétrica; Compra e venda de energia.5 de setembro de 2012 4
  5. 5. Introdução Objetivo geral:  Analisar diversas Redes Neurais Artificiais (RNA) e determinar a melhor entre elas;  Erro médio inferior a 5%; Objetivo específico:  Escolha das melhores variáveis de entrada:  Forward Selection; Análise de Componentes Principais; Auto-Correlação;  Determinar a melhor topologia através do treinamento de diversas RNAs variando a sua configuração: Neurônios ocultos; Épocas de treinamento; Inicialização;  Short-cut connection.5 de setembro de 2012 5
  6. 6. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 6
  7. 7. Trabalhos Correlatos Diversos trabalhos na área:  Longo Prazo: Tsekouras,Hatziargyrioue e Dialynas (2006);  Curto Prazo: Bakirtzis et al. (1996); Khotanzad et al. (1995); Chen, Yu e Moghaddamjo (1992); Afkhami e Yazdi (2006); Ortiz-Arroyo, Skov e Huynh (2005); Abdel-Aal (2004); Senjyu et al. (2002); Charytoniuk e Chen (2000); Drezga e Rahman (1999); Vermaak e Botha (1998);5 de setembro de 2012 7
  8. 8. Trabalhos Correlatos Chen, Yu e Moghaddamjo (1992)  Rede não totalmente conectada; Al-Rashid e Paarmann (1997)  Utilização de dois modelos neurais para previsão da carga futura: Verão  Heat Index; Inverno  Temperatura; Bakirtzis et al. (1996)  Utilização de duas previsão de temperatura para a Grécia: Norte; Sul;  Utilização do fator de correção; Khotanzad et al. (1995)  Utilização de diversos módulos.5 de setembro de 2012 8
  9. 9. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 9
  10. 10. Metodologia – Campo de Testes Área de concessão da distribuidora de energia RGE (Rio Grande Energia, uma empresa CPFL energia)  140 pontos;  Início de 2003 ao final de 2007;  Intervalo horário; Tipos de Pontos:  Pontos de Intercâmbio (IN);  Fronteiras AES Sul (FR);  Serviços Auxiliares (SA);  Consumidores Livres (CL);  Geradores Distribuídos (G1);  Geradores Embutidos (G2);  Geradores Compensados (G3); Cálculo do carga da distribuidora:  IN + G1 + G2 - ( CL + SA + FR ).5 de setembro de 2012 10
  11. 11. Metodologia – Campo de Testes5 de setembro de 2012 11
  12. 12. Metodologia – Campo de Testes Pontos Geo-Elétricos (PGE):5 de setembro de 2012 12
  13. 13. Metodologia – Campo de Testes Dados INMET – (Instituto Nacional de Meteorologia)  Estações Automáticas;  Estações Convencionais;  Período: Início de 2003 ao final de 2007; Intervalo de hora em hora e de 3 em 3 horas; Dados IPEA – (Instituto de Pesquisa Econômica Aplicada)  Dados econômicos; Consumo de condicionadores de ar; Câmbio (Dólar, Euro); Consumo de energia;  Período: Desde o início da coleta até os dias de hoje; Intervalo de meses, bimestres e trimestres;5 de setembro de 2012 13
  14. 14. Metodologia – Dados utilizados Carga:  Subestação de Cachoeirinha CAC1;  Ponto Geo-Elétrico de Gravataí;5 de setembro de 2012 14
  15. 15. Metodologia – Dados utilizados Cálculo de carga da distribuidora para o PGE de Gravataí:  Entrada:  CAC1 + CAC2 + GRA1 + GRA2 + GRA3  Saída: TR7+AL202+AL201+Souza Cruz+Epcos+Dana+Kaiser+Fitesa+Mundial Retirada dos consumidores livres;5 de setembro de 2012 15
  16. 16. Metodologia – Dados utilizados5 de setembro de 2012 16
  17. 17. Metodologia – Dados utilizados Temperatura:  Estação automática de Porto Alegre: Temperatura; ◊ Máxima; ◊ Mínima; ◊ Instantânea; Umidade; ◊ Máxima; ◊ Mínima; ◊ Instantânea; Pressão; ◊ Máxima; ◊ Mínima; ◊ Instantânea;5 de setembro de 2012 17
  18. 18. Metodologia – Dados utilizados5 de setembro de 2012 18
  19. 19. Metodologia – Dados utilizados Econômicas:  Selecionados caso sejam necessários:5 de setembro de 2012 19
  20. 20. Metodologia – Dados utilizados Normalização: D D Dn Ddp5 de setembro de 2012 20
  21. 21. Metodologia – Métodos de seleção de variáveis Forward Selection; Análise de Componentes Principais:  Kaiser;  Jolliffe;  Retenção dos 90%; Auto-Correlação:  Cruzamento por Zero;  Pontos Máximos;5 de setembro de 2012 21
  22. 22. Metodologia – Variação das topologias Neurônios ocultos:  1, 2, 4, 8, 16 Épocas de treinamento:  1000, 2000 e 4000 Incialização:  0:10 Short-cut connections:  Com ou sem5 de setembro de 2012 22
  23. 23. Metodologia Ferramentas  Linguagem R;  Programa SNNS; Dados de treinamento:  Início de 2003 ao final de 2006; Teste com a melhor rede:  Dados de 2007; Validação:  Ten-Fold Cross-Validation;  TreinoTeste (13 e 23).5 de setembro de 2012 23
  24. 24. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 24
  25. 25. Resultados Divisão para apresentação:  Curto Prazo: Cachoeirinha; Gravataí;  Longo Prazo: Gravataí;5 de setembro de 2012 25
  26. 26. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 26
  27. 27. Curto Prazo para Cachoeirinha – Forward Selecion Forward Selection:  2 a 200 horas de atraso;  Selecionar as 4 melhores entradas; Rede Base:  16 neurônios ocultos;  4000 épocas de treinamento;  Semente de inicialização igual a 8;  Com short-cut connections; Resultados da rede Base:  Erro médio de 17,59%.5 de setembro de 2012 27
  28. 28. Curto Prazo para Cachoeirinha – Forward Selecion5 de setembro de 2012 28
  29. 29. Curto Prazo para Cachoeirinha – Forward Selecion5 de setembro de 2012 29
  30. 30. Curto Prazo para Cachoeirinha – Forward Selecion5 de setembro de 2012 30
  31. 31. Curto Prazo para Cachoeirinha – Forward Selecion Resultado para o método: Entradas Atrasos Erro Médio (%) 1 1 17,59 2 168 16,44 3 169 16,34 4 2 3,64 168 horas de atraso igual a um semana da atraso;5 de setembro de 2012 31
  32. 32. Curto Prazo para Cachoeirinha – ACP Análise de Componentes Principais:  Últimas 20 horas;  Critérios: Kaiser: 3 primeiras componentes; Jolliffe: 4 primeiras componentes; Retenção dos 90%: 14 primeiras componentes;5 de setembro de 2012 32
  33. 33. Curto Prazo para Cachoeirinha – ACP Critério N° de Neurônios Épocas Inicialização Short-Cut Erro Entradas Ocultos Connections Médio (%) Jolliffe 4 16 4000 9 Sim 7,43 90% 14 16 4000 4 Não 17,51 Kaiser 3 16 4000 9 Não 17,835 de setembro de 2012 33
  34. 34. Curto Prazo para Cachoeirinha – ACP5 de setembro de 2012 34
  35. 35. Curto Prazo para Cachoeirinha – Auto-Correlação Cruzamento por Zero;  Entradas:  1, 30, 45 e 50; Resultado:  16 neurônios Ocultos;  4000 épocas de treinamento;  Semente igual a 9;  Com short-cut;  Erro médio de 17,75%.5 de setembro de 2012 35
  36. 36. Curto Prazo para Cachoeirinha – Auto-Correlação5 de setembro de 2012 36
  37. 37. Curto Prazo para Cachoeirinha – Auto-Correlação Pontos Máximos:  Variação das entradas de 1 a 60 Pontos Máximos Rede base:  8 neurônios ocultos;  4000 épocas de treinamento;  Semente de inicialização 10;  Com short-cut connections; Resultado da rede base:  11,67% de erro médio Resultado da rede:  19 pontos máximos  11,3% de erro médio5 de setembro de 2012 37
  38. 38. Curto Prazo para Cachoeirinha5 de setembro de 2012 38
  39. 39. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 39
  40. 40. Curto Prazo para Gravataí Modificações:  Ferramentas: Linguagem R; Biblioteca NNet;  Método de treinamento: Levenberg-Marquardt;  Variações: Neurônios Ocultos: ◊ 1, 2, 4, 8, 16 e 32; Épocas de treinamento: ◊ 400, 800, 1600; Semente de inicialização: ◊ 1:10;  Short-cut connections: ◊ Com;5 de setembro de 2012 40
  41. 41. Curto Prazo para Gravataí – Forward Selecion Forward Selection:  1 a 400 horas de atraso;  Selecionar as 10 melhores entradas; Rede Base:  32 neurônios ocultos;  800 épocas de treinamento;  Semente de inicialização igual a 7; Resultados da rede Base:  Erro médio de 3,63%.5 de setembro de 2012 41
  42. 42. Curto Prazo para Gravataí – Forward Selecion5 de setembro de 2012 42
  43. 43. Curto Prazo para Gravataí – Forward Selecion Resultado para o método: Entradas Atrasos Erro Médio (%) 1 1 6,53 2 142 5,14 3 146 4,07 4 29 3,84 5 207 3,78 6 35 3,87 7 49 3,91 8 144 4,04 9 99 3,53 10 17 3,495 de setembro de 2012 43
  44. 44. Curto Prazo para Gravataí – ACP Análise de Componentes Principais:  Entradas: 24 horas antes da previsão, tendência horária; 6 últimos dias a mesma hora da previsão, tendência diária; 3 últimas semanas, do mesmo dia da semana, da mesma hora, tendência semanal; última hora do mesmo dia de um mês atrás, tendência mensal;5 de setembro de 2012 44
  45. 45. Curto Prazo para Gravataí – ACP Segundo os critérios:  Kaiser, as 6 primeiras componentes;  Jolliffe, as 9 primeiras componentes;  retenção dos 90%, as 19 primeiras componentes.5 de setembro de 2012 45
  46. 46. Curto Prazo para Gravataí – ACP Critério N° de Neurônios Épocas Inicialização Erro Entradas Ocultos Médio (%) 90% 19 32 400 8 2,82 Jolliffe 9 32 800 5 3,43 Kaiser 6 32 800 9 3,795 de setembro de 2012 46
  47. 47. Curto Prazo para Gravataí – ACP5 de setembro de 2012 47
  48. 48. Curto Prazo para Gravataí – Auto-Correlação Cruzamento por Zero;  1, 39, 43, 55 e 68; Resultado:  32 neurônios Ocultos;  1600 épocas de treinamento;  Semente igual a 1;  Erro médio de 3,25%.5 de setembro de 2012 48
  49. 49. Curto Prazo para Gravataí – Auto-Correlação Pontos Máximos:  Variação das entradas de 1 a 60 Pontos Máximos; Rede base:  16 neurônios ocultos;  400 épocas de treinamento;  Semente de inicialização 3; Resultado da rede base:  2,41% de erro médio ; Resultado da rede:  46 pontos máximos;  2,25% de erro médio.5 de setembro de 2012 49
  50. 50. Curto Prazo para Gravataí – Auto-Correlação5 de setembro de 2012 50
  51. 51. Curto Prazo para Gravataí – Auto-Correlação Entradas Retardos Erro Médio (%) 1 1 736,88 2 2 4,49 3 169 4,55 4 3 4,38 5 337 4,39 6 168 2,63 7 170 2,50 8 505 2,41 9 673 2,68 10 336 2,555 de setembro de 2012 51
  52. 52. Curto Prazo para Gravataí – Auto-Correlação5 de setembro de 2012 52
  53. 53. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 53
  54. 54. Resultados por Métodos - Cachoeirinha Método Critério Entradas Erro Médio (%) Forward Selection - 4 3,64 ACP Jolliffe 4 7,43 Auto-Correlação Pontos Máximos 19 11,3 ACP 90% 14 17,51 Auto-Correlação Cruzamento por Zero 4 17,75 Acp Kaiser 3 17,835 de setembro de 2012 54
  55. 55. Resultados por Métodos - Gravataí Método Critério Entradas Erro Médio (%) Auto-Correlação Pontos Máximos 46 2,25 ACP 90% 19 2,82 Auto-Correlação Cruzamento por Zero 5 3,25 ACP Jolliffe 5 3,43 Forward Selection - 10 3,49 ACP Kaiser 9 3,795 de setembro de 2012 55
  56. 56. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 56
  57. 57. Longo Prazo Primeiros testes:  3 últimas demandas mensais;  Configuração da rede;  2 neurônios ocultos;  Semente de inicialização igual a 3;  Épocas de treinamento: 400, 800 e 1600;  Erro médio de 41,56%; Quantidade de padrões:  48 padrões;5 de setembro de 2012 57
  58. 58. Longo Prazo5 de setembro de 2012 58
  59. 59. Longo Prazo Testes com janelamento:  3 últimas demandas mensais;  Configuração da rede;  32 neurônios ocultos;  Semente de inicialização igual a 8;  Épocas de treinamento: 1600;  Erro médio de 1,3%; Quantidade de padrões:  34342 padrões;5 de setembro de 2012 59
  60. 60. Longo Prazo5 de setembro de 2012 60
  61. 61. Longo Prazo5 de setembro de 2012 61
  62. 62. Longo Prazo5 de setembro de 2012 62
  63. 63. Longo Prazo5 de setembro de 2012 63
  64. 64. Longo Prazo5 de setembro de 2012 64
  65. 65. Sumário Introdução Trabalhos Correlatos Metodologia Resultados  Curto Prazo Cachoeirinha Gravataí  Resultados por métodos  Longo Prazo Conclusão5 de setembro de 2012 65
  66. 66. Conclusão Resultados de:  3,64% para o curto prazo de subestação de Cachoeirinha utilizando Forward Selection;  2,25% para o curto prazo a região de Gravataí utilizando Auto- Correlação com o critério de Pontos Máximos;  1,30% para o longo prazo a região de Gravataí; Observações em relação aos resultados:  Utilização de somente carga para a realização da previsão;  Redes baseadas em métodos e critérios; Trabalhos futuros:  Testes com maior quantidade de épocas e neurônios ocultos;  Experimentos com as melhores redes em outras regiões;5 de setembro de 2012 66
  67. 67. Bibliografia ABDEL-AAL, R. E. Short-term hourly load forecasting using abductive networks. IEEE Transactions on Power Systems, v. 19, n. 1, p. 164–173, 2004. AFKHAMI, R.; YAZDI, F. M. Application of neural networks for short-term load forecasting.IEEE Power India Conf, p. 349–353, 2006. AL-RASHID, Y.; PAARMANN, L. D. Short-term electric load forecasting using neural network models. IEEE Transactions on Power Systems, v. 3, p. 1463– 1439, 1997.BAKIRTZIS, A. G. et al. A neural network short term load forecasting model for the greek power system. IEEE Transactions on Power Systems, v. 11, n. 2, p. 858–863, 1996. BAKIRTZIS, A. G. et al. A neural network short term load forecasting model for the greek power system. IEEE Transactions on Power Systems, v. 11, n. 2, p. 858–863, 1996. BARILI, G.; CECHIN, A. Aplicação de redes neurais artificial ao problema de previsão de demanda de energia elétrica no curto prazo. Simpósio Brasileiro de Pesquisas Operacionais (SBPO), 2008. 5 de setembro de 2012 67
  68. 68. Bibliografia BARILI, G.; CECHIN, A. Seleção de variáveis de entrada para rede neural artificial de previsão de demanda em sistemas de potência beseado em forward selection, análise de componentes principais e auto-correlaçcão. Encontro Regional de Matemática Aplicada e Computação (ERMAC), 2008. CHARYTONIUK,W.; CHEN, M.-S. Very short-term load forecasting using artificial neural networks. IEEE Transactions on Power Systems, v. 15, n. 1, p. 263–268, 2000. CHEN, S.-T.; YU, D. C.; MOGHADDAMJO, A. R.Weather sensitive short-term load forecasting using nonfully connected artificial neural network. IEEE Transactions on Power Systems, v. 7, n. 3, p. 1098–1105, 1992. ISSN 0885-8950. DREZGA, I.; RAHMAN, S. Short-term load forecasting with local ann predictors. IEEE Transactions on Power Systems, v. 13, n. 4, p. 844–850, 1999. KHOTANZAD, A. et al. An adaptive modular artificial neural network hourly load forecaster and its implementation at eletric utilities. IEEE Transactions on Power Systems, v. 10, n. 3, p. 1716–1722, 1995. 5 de setembro de 2012 68
  69. 69. Bibliografia ORTIZ-ARROYO, D.; SKOV, M. K.; HUYNH, Q. Accurate electricity load forecasting with artificial neural networks. Int. Conf. on Control and Automation, v. 1, n. 1, p. 94–99, 2005. SENJYU, T. et al. One-hour-ahead load forecasting using neural network. IEEE Transactions on Power Systems, v. 17, n. 1, p. 113– 118, 2002. TSEKOURAS, G.; HATZIARGYRIOU, N.; DIALYNAS, E. An optimized adaptive neural network for annual midterm energy forecasting. IEEE Transactions on Power Systems, v. 21, n. 1, p. 385–391, 2006. VERMAAK, J.; BOTHA, E. Recurrent neural networks for short-term load forecasting. IEEE Transactions on Power Systems, v. 13, n. 1, p. 126–132, 1998.5 de setembro de 2012 69
  70. 70. Perguntas5 de setembro de 2012 70

×