Redes neurais construtivas e modelos estat\u00edsticos qual a melhor alternativa para previs\u00e3o de vaz\u00f5es<\/p>\n
O Setor El\u00e9trico Brasileiro tem mais de 90% de sua energia proveniente de usinas hidroel\u00e9tricas que se encontram distribu\u00eddas por 12 bacias hidrogr\u00e1ficas do pa\u00eds. O Operador Nacional do Sistema El\u00e9trico (ONS) com o objetivo de otimizar o despacho centralizado das usinas possui dentre outras atribui\u00e7\u00f5es a de realizar de forma mensal a previs\u00e3o de vaz\u00f5es para os locais dos aproveitamentos hidrel\u00e9tricos. A previs\u00e3o para o primeiro m\u00eas \u00e9 realizada utilizando-se o modelo PREVIVAZ, que a partir de dados em base semanal, seleciona o melhor modelo dentre as 94 diferentes combina\u00e7\u00f5es de s\u00e9ries temporais, estruturas estacion\u00e1ria ou peri\u00f3dica, m\u00e9todos de estima\u00e7\u00e3o de par\u00e2metros e diferentes transforma\u00e7\u00f5es e consolida os resultados em base mensal. O uso de modelos lineares na predi\u00e7\u00e3o de vaz\u00f5es e de s\u00e9ries temporais, como os modelos cl\u00e1ssicos de Box-Jenkins, geralmente est\u00e1 intimamente relacionado \u00e0 simplicidade desses modelos, o que acarreta um f\u00e1cil projeto e implementa\u00e7\u00e3o. Entretanto, existem muitas situa\u00e7\u00f5es do mundo real nas quais se faz necess\u00e1rio um mapeamento n\u00e3o-linear entre as vari\u00e1veis de entrada e o dom\u00ednio de resposta do sistema, da\u00ed a necessidade de novas t\u00e9cnicas que permitam este mapeamento de forma eficiente. Com o advento do algoritmo backpropagation<\/i>, uma grande aten\u00e7\u00e3o tem-se dado \u00e0s redes neurais, especialmente \u00e0s redes MLP (multi-layer perceptron<\/i>), em fun\u00e7\u00e3o da sua capacidade de poder aproximar uma fun\u00e7\u00e3o arbitr\u00e1ria n\u00e3o-linear em muitas vari\u00e1veis. Portanto, as redes MLP podem ser consideradas uma t\u00e9cnica extremamente poderosa para realizar um mapeamento n\u00e3o-linear. Entretanto, esses pesquisadores n\u00e3o fornecem procedimentos para determinar o n\u00famero de neur\u00f4nios necess\u00e1rios na camada escondida, para realizar a aproxima\u00e7\u00e3o de uma dada fun\u00e7\u00e3o. Esse aspecto \u00e9 de fundamental import\u00e2ncia, haja vista que se o n\u00famero de neur\u00f4nios na camada escondida for muito grande, al\u00e9m de se ter um modelo n\u00e3o-parcimonioso, a rede poder\u00e1 memorizar os dados de treinamento e ficar com uma pobre capacidade de generaliza\u00e7\u00e3o. O principal objetivo deste artigo \u00e9 apresentar o modelo NeuroInflow que \u00e9 baseado em redes neurais construtivas e comparar os resultados obtidos com a metodologia tradicional do modelo PREVAZ atualmente em uso no setor. A nossa aplica\u00e7\u00e3o est\u00e1 baseada num hist\u00f3rico de vaz\u00f5es m\u00e9dias mensais no per\u00edodo de 1931 a 1998 para todas as usinas do Sistema Interligado Nacional. Para realizar nosso experimento com o horizonte de 1 (um) m\u00eas \u00e0 frente utilizamos estes dados para 36 usinas hidroel\u00e9tricas. Para nossa an\u00e1lise de longo prazo comparamos os resultados obtidos no per\u00edodo de janeiro de 2001 a Dezembro de 2001 e no per\u00edodo de Fevereiro de 2001 a dezembro de 2001.<\/p>\n
NEUROINFLOW<\/b>
Este modelo permite a realiza\u00e7\u00e3o de previs\u00e3o de vaz\u00f5es m\u00e9dias mensais, semanais e di\u00e1rias. A vers\u00e3o 1.0 corresponde ao modelo de previs\u00e3o de vaz\u00f5es m\u00e9dias mensais com o objetivo de permitir uma an\u00e1lise energ\u00e9tica de longo prazo. O modelo tem como base o uso de redes neurais construtivas. Este modelo foi utilizado para treinamento de todos os pontos de interesse ao programa mensal de opera\u00e7\u00e3o, tendo sido dividido em quatro m\u00f3dulos para maior facilidade de uso e manuten\u00e7\u00e3o. O NEUROINFLOWNORDESTE que faz previs\u00e3o para 3 usinas, o NEUROINFLOWNORTE que faz previs\u00e3o para 3 usinas o NEUROINFLOWSUL que faz previs\u00e3o para 15 usinas e o NEUROINFLOWSUDESTE que faz previs\u00e3o para 74 usinas. No quadro 1 comparamos os resultados obtidos com redes neurais com os do modelo Prevaz publicados no relat\u00f3rio de longo prazo – ONS, isto \u00e9, para o per\u00edodo de Outubro\/2000 a Set\/2001, Janeiro\/2001 a Dezembro\/2001, Fevereiro\/2001 a Dezembro\/2001 e Mar\u00e7o\/2001 a Dezembro\/2001, para efeito de an\u00e1lise de desempenho dos modelos utilizamos o erro relativo percentual m\u00e9dio absoluto. A an\u00e1lise foi realizada da seguinte forma: Como exemplo, de Outubro\/2000 a Setembro\/2001, utilizamos com entrada a vaz\u00e3o verificada em Junho\/2000, a vaz\u00e3o estimada em Julho\/2000 e a vaz\u00e3o prevista para Setembro\/2000 atrav\u00e9s do PREVIVAZ, resultados dispon\u00edveis no PMO. <\/p>\n
Quadro \u2013 1 \u2013Compara\u00e7\u00e3o entre relat\u00f3rio de longo prazo e redes neurais construtivas <\/p>\n
| \n APROVEITAMENTO<\/p>\n<\/td>\n | \n Out\/00 a Set\/00<\/p>\n<\/td>\n | \n Jan\/01 a Dez\/01<\/p>\n<\/td>\n | \n Fev\/01 a Dez\/01<\/p>\n<\/td>\n | \n Mar\/01 a Dez\/01<\/p>\n<\/td>\n<\/tr>\n | ||||
| \n <\/p>\n<\/td>\n | \n Prevaz<\/p>\n<\/td>\n | \n Rede<\/p>\n<\/td>\n | \n Prevaz<\/p>\n<\/td>\n | \n Rede<\/p>\n<\/td>\n | \n Prevaz<\/p>\n<\/td>\n | \n Rede<\/p>\n<\/td>\n | \n Prevaz<\/p>\n<\/td>\n | \n Rede<\/p>\n<\/td>\n<\/tr>\n |
| \n TUCURUI<\/p>\n<\/td>\n | \n 43%<\/p>\n<\/td>\n | \n 23%<\/p>\n<\/td>\n | \n 58%<\/p>\n<\/td>\n | \n 28%<\/p>\n<\/td>\n | \n 63%<\/p>\n<\/td>\n | \n 31%<\/p>\n<\/td>\n | \n 18%<\/p>\n<\/td>\n | \n 14%<\/p>\n<\/td>\n<\/tr>\n |
| \n ILHA SOLTEIRA<\/p>\n<\/td>\n | \n 60%<\/p>\n<\/td>\n | \n 44,4%<\/p>\n<\/td>\n | \n 50%<\/p>\n<\/td>\n | \n 41%<\/p>\n<\/td>\n | \n 58%<\/p>\n<\/td>\n | \n 42%<\/p>\n<\/td>\n | \n 32%<\/p>\n<\/td>\n | \n 24%<\/p>\n<\/td>\n<\/tr>\n |
| \n EMBORCAÇÃO<\/p>\n<\/td>\n | \n 131%<\/p>\n<\/td>\n | \n 119%<\/p>\n<\/td>\n | \n 132%<\/p>\n<\/td>\n | \n 116%<\/p>\n<\/td>\n | \n 126%<\/p>\n<\/td>\n | \n 115%<\/p>\n<\/td>\n | \n 95%<\/p>\n<\/td>\n | \n 79%<\/p>\n<\/td>\n<\/tr>\n |
| \n FURNAS<\/p>\n<\/td>\n | \n 100%<\/p>\n<\/td>\n | \n 77,5%<\/p>\n<\/td>\n | \n 91%<\/p>\n<\/td>\n | \n 66%<\/p>\n<\/td>\n | \n 87%<\/p>\n<\/td>\n | \n 69%<\/p>\n<\/td>\n | \n 62%<\/p>\n<\/td>\n | \n 44%<\/p>\n<\/td>\n<\/tr>\n |
| \n ITUMBIARA<\/p>\n<\/td>\n | \n 81%<\/p>\n<\/td>\n | \n 76%<\/p>\n<\/td>\n | \n 90%<\/p>\n<\/td>\n | \n 76%<\/p>\n<\/td>\n | \n 84%<\/p>\n<\/td>\n | \n 74%<\/p>\n<\/td>\n | \n 60%<\/p>\n<\/td>\n | \n 48%<\/p>\n<\/td>\n<\/tr>\n |
| \n SOBRADINHO<\/p>\n<\/td>\n | \n 71%<\/p>\n<\/td>\n | \n 55%<\/p>\n<\/td>\n | \n 89%<\/p>\n<\/td>\n | \n 84%<\/p>\n<\/td>\n | \n 92%<\/p>\n<\/td>\n | \n 72%<\/p>\n<\/td>\n | \n 52%<\/p>\n<\/td>\n | \n 34%<\/p>\n<\/td>\n<\/tr>\n |
| \n FOZ DO AREIA<\/p>\n<\/td>\n | \n 35%<\/p>\n<\/td>\n | \n 33%<\/p>\n<\/td>\n | \n 28%<\/p>\n<\/td>\n | \n 26%<\/p>\n<\/td>\n | \n 26%<\/p>\n<\/td>\n | \n 23%<\/p>\n<\/td>\n | \n 21%<\/p>\n<\/td>\n | \n 19%<\/p>\n<\/td>\n<\/tr>\n<\/table>\n Analisando-se a o quadro 1 podem-se verificar os enormes ganhos obtidos na previs\u00e3o de longo prazo com as redes neurais. Fazendo-se uma rela\u00e7\u00e3o percentual entre os modelos estat\u00edsticos e as redes neurais podemos elaborar a tabela 3 com os ganhos na redu\u00e7\u00e3o do erro de previs\u00e3o. No caso de previs\u00f5es apresentadas neste artigo, uma \u00fanica rede NSRBN foi capaz de fornecer melhores resultados do que os diversos melhores modelos de Box-Jenkins, calibrados para cada m\u00eas do ano, com um tempo de treinamento inferior a 2 minutos, fornecendo-se apenas a janela de entrada (valores passados de vaz\u00f5es). Os resultados obtidos com a metodologia proposta al\u00e9m da facilidade de uso, uma vez que o usu\u00e1rio n\u00e3o precisa ser especialista em redes neurais, fornece ganhos substanciais chegando em alguns aproveitamentos a fornecer uma redu\u00e7\u00e3o de 50% no erro cometido para a previs\u00e3o de longo prazo. Em m\u00e9dia temos uma redu\u00e7\u00e3o no erro superior a 30%.<\/p>\n Autores:<\/h6>\nM\u00eauser Valen\u00e7a<\/p>\n","protected":false},"excerpt":{"rendered":" T\u00edtulo: Redes neurais construtivas e modelos estat\u00edsticos qual a melhor alternativa para previs\u00e3o de vaz\u00f5es Resumo: O Setor El\u00e9trico Brasileiro tem mais de 90% de sua energia proveniente de usinas hidroel\u00e9tricas que se encontram distribu\u00eddas por 12 bacias hidrogr\u00e1ficas do pa\u00eds. O Operador Nacional do Sistema El\u00e9trico (ONS) com o objetivo de otimizar o despacho […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[163],"tags":[],"class_list":["post-33915","post","type-post","status-publish","format-standard","hentry","category-artigos"],"yoast_head":"\n |