Home

Modelo de Previsão dos Consumos na RNT Considerando a

1. A metodologia de c lculo do fator de carga sazonal seguiu os seguintes passos 1 C lculo do Fator de carga sazonal m nimo F Csmin atrav s da express o B 2 Mnimo CNmed FCsmin z smm Mximo CNmax B 2 CNineq corresponde CN m dia por esta o do ano e CNmax CN m xima por esta o do ano 2 C lculo do fator de carga sazonal m ximo FCsmax atrav s da express o B 3 Mximo CNnea FCsmax RA Mnimo CN max B 3 3 3 C lculo do fator de carga sazonal atrav s da express o B 4 Fes FCsmax FCsmin B 4 B 2 Sazonalidade 87 Atrav s do F cs poss vel ent o obtermos uma maior dispers o de valores e assim classific lo da seguinte forma Tabela B 2 Padroniza o do fator de carga sazonal Sazonalidade Fcs m ximo Fcs m nimo Sem Sazonalidade 0 0 129 Sazonalidade Moderada 0 13 0 29 Sazonalidade Forte 0 3 1 De forma a validar os resultados obtidos analisaram se os diagramas de carga mensais para cada subesta o procurando altera es da CN ao longo do ano Conclui se que a classifica o por Fcs revela se eficaz pois das 63 subesta es s 7 delas foram classificadas manualmente Esta classifica o efetuou se pela observa o dos diagramas de carga As subesta es classificadas por an lise dos diagramas mensais de carga s o S7 S10 S24 S26 S40 S41 e S44 Ap s a classifica o poss vel na tabela B 3 e no gr fico da figura B 1 verificar o
2. o de transfer ncia das unidades com putacionais das redes perceptr es n o diferenci vel 7 29 M todo do Gradiente neste m todo o seu algoritmo capaz de resolver equa es diferen ciais a cada itera o este m todo escolhe a dire o que corresponde descida mais ngreme da 18 Redes Neuronais Artificiais fun o erro 7 Aprendizagem pelo m todo de Hebb este m todo possui um algoritmo que se enquadra na aprendizagem for ada Este m todo prop e que as mudan as nos pesos das liga es entre neur nios sejam dadas pelo produto da atividade pr sin ptica e p s sin ptica 29 Aprendizagem competitiva ou de Kohonen este m todo de aprendizagem insere se na classe dos algoritmos de aprendizagem n o supervisionada Neste m todo o direito resposta competido por todas as unidades de processamento 29 Aprendizagem por retropropaga o denominado por Backpropagation na literatura anglo sax nica o m todo de aprendizagem supervisionada mais utilizado A partir de um conjunto pr definido de dados de entrada sa da a rede aprende em ciclos de propaga o Dado um con junto de entrada o est mulo propagado at sa da assim os dados de sa da s o comparados com a sa da desejada e calculado um sinal de erro para cada elemento de sa da O sinal de erro retropropagado ao longo das v rias camadas os elementos de cada camada interm dia apenas recebem uma por o do
3. o de um modelo que utiliza 2 Introdu o t cnicas de previs o baseadas em intelig ncia artificial para previs o dos consumos nos Pontos de Entrega PdE da RNT de modo a auxiliar o GS na tomada de decis o relativamente s soli cita es de indisponibilidades de transformadores de pot ncia ou linhas da RNT sem colocar em risco os consumos garantindo sempre as margens de reserva adequadas No GS est dispon vel um modelo de previs o de carga de curto prazo baseada em Redes Neuronais Artificias RNA Contudo esta apresenta algumas limita es e A aprendizagem das RNA requer um tempo de computa o muito elevado e N o contempla na estrutura da RNA a possibilidade de indica o da ocorr ncia de situa es an malas nos dados considerados para a previs o e O erro da previs o tem alguma margem de redu o e M todo moroso para o tratamento de dados provenientes de fontes diferentes Tomando como ponto de partida as limita es que o modelo de previs o utilizada pelo GS apresenta surge a motiva o para a realiza o desta disserta o 1 2 Objetivos Nas subesta es MAT AT o tr nsito de pot ncias dos transformadores n o corresponde real carga el trica por eles alimentados Para isso necess rio separar em duas componentes a de carga e a de produ o distribu da nas redes a jusante O valor efetivo do consumo de uma subesta o designado doravante por Carga Natural CN resulta da soma a
4. o que foi objeto de mercado por forma a evitar desvios e a garantir o abastecimento e a seguran a do sistema e Monitorizar controlar e operar remotamente a RNT coordenando a seguran a das mano bras em regime normal e reagindo a incidentes que ameacem a estabilidade e o regular funcionamento da rede e Gerir os sistemas de informa o de suporte atividade de Gest o do sistema garantindo a fiabilidade e seguran a da opera o e adaptando os evolu o das suas necessidades 10 Rede Nacional de Transporte 2 2 2 Centro de Opera o da Rede O Centro de Opera o da Rede COR insere se no departamento de Opera o da Rede Este tem como miss o monitorizar controlar e operar remotamente a RNT coordenando a seguran a das manobras em regime normal e reagindo a incidentes que ameacem a estabilidade e o regular funcionamento da rede 17 19 Para realiza o da miss o referida anteriormente o COR tem de 19 e Monitorizar permanentemente a RNT e reagir s perturba es na sua topologia ou nas gran dezas tens o corrente frequ ncia e temperatura realizando as manobras necess rias para reposi o das condi es de opera o normal e Monitorizar permanentemente os equipamentos das instala es da REN realizando diag n sticos de avarias estabelecendo graus de gravidade e notificando os agentes necess rios para as resolver e Em regime normal executar por telecomando as manobras necess
5. sempre a mesma Este facto introduz um aumento de erro para a previs o nos dias em que isto ocorre Capitulo 7 Conclusoes e Trabalhos Futuros O presente cap tulo tem como finalidade exprimir as principais conclus es retiradas da pes quisa e do estudo realizado no desenvolvimento desta disserta o S o tamb m apresentados poss veis desenvolvimentos futuros acrescentando uma poss vel melhoria ao trabalho realizado 7 1 Conclus es Devido ao aumento da produ o em regime especial o diagrama de carga fortemente influ enciado A produ o distribu da apresenta uma enorme volatilidade o que faz com que a previs o da pot ncia de transforma o seja afetada podendo causar ao GS dificuldades na programa o das indisponibilidades dos transformadores de pot ncia presentes nas subesta es MAT AT da REN Assim surge o termo carga natural devido ao tr nsito de pot ncias passar a ser bidirecional nos transformadores da REN traduzindo se na soma de todos os produtores que se ligam a uma determinada subesta o com o tr nsito efetivo nos transformadores de pot ncia As subesta es MAT AT foram caraterizadas seguindo uma metodologia desenvolvida com o objetivo de fornecer ao GS informa es quanto ao tipo de consumo e tipo de sazonalidade Para desenvolvimento do novo modelo de previs o de CN a curto prazo foi adotada uma t c nica de previs o com Redes Neuronais Esta t cnica de previs o depende de vari v
6. descrito o seu funcionamento de forma detalhada as suas estruturas os seus tipos de aprendizagem assim como os seus algoritmos e modos de treino A previs o de carga a curto prazo um tema muito abordado pois desempenha um papel muito importante no setor el trico 20 21 Atrav s de v rios estudos realizados verifica se que as redes neuronais apresentam um bom desempenho para previs o de carga a curto prazo e em compara o com os m todos tradicionais s ries de regress o linear ou m ltipla apresentam melhores resultados As redes neuronais s o tamb m menos exigentes a n vel de tempo de computa o em compara o com outras t cnicas de previs o nomeadamente ARIMA GARCH e Wavelet ARIMA 20 21 6 22 Devido a esta efic cia muitos tipos de RNA foram criadas distinguindo se cada uma delas pela sua estrutura e t cnicas de treino aplicadas 23 3 1 Introdu o s Redes Neuronais Artificiais As Redes Neuronais Artificiais s o um modelo computacional constitu do por unidades ele mentares denominadas por neur nios Estas t m a capacidade de resolver uma gama de problemas de grande complexidade com uma t cnica n o linear Assemelham se ao comportamento do c re bro humano baseando se assim nos princ pios da biologia mais concretamente nos neur nios do sistema nervoso Todo o nosso organismo constitu do por uma rede de comunica o que forma o sistema nervoso tendo este como unidade b sica o neur ni
7. iii iv Abstract The constant change in the Electrical Power System EPS due to distributed generation cre ates a new model of managing the Portuguese Transmission Grid Nowadays the power flow is bidirectional on the Portuguese Transmission System Operator s TSO substation transformers which ceases to be seen as a real consumption and splits into two parameters the Natural Load and the sum of all the producers connected downstream of the substation From the TSO s System Manager SM responsibilities it emphasizes the uninterrupted power supply to consumers and outage planning regarding power lines and transformers keeping the adequate reserve margins and considering the required quality of service Therefore when planning transformers outage the SM needs a fine tuned load forecast together with low error The natural load forecast assumes an important factor to the SM emerging a need to create a model for short term natural load forecasts in a way to help the SM in decision making In this dissertation a study was performed about natural load forecast based on Artificial Neural Networks ANN searching for the best natural load forecast model Bearing this in mind compa risons were made between the performance of the training algorithms Levenberg Marquardt LM and Resilient Backpropagation RPROP the justifiable variables of the load diagram were studied and the number of neurons to be used on the hidden layer of the ANN
8. no campo da engenharia estas foram utilizadas para controlo e reconhecimento na d cada de 1950 Na rea da previs o somente na d cada de 1980 surgiram as primeiras aplica es nesta rea 4 A figura 3 2 sintetiza estas informa es de forma esquem tica e cronol gica e ainda outras datas re levantes poss vel verificar que houve um grande desenvolvimento na segunda metade do s culo XX em parte fruto da evolu o tecnol gica Assim at a atualidade tentam se desenvolver t c nicas mais aprimoradas e eficazes para as RNA nomeadamente atrav s de modifica es efetuadas aos algoritmos de treino Turing Hebb Dartmouth Project Minsky Papert Werbos 1st IJCNN 1st journals 1936 1949 1956 1969 1974 1987 1988 McCulloch Pitts Rosenblatt Kohonen Rumethart Hinton Wilkams 1943 1959 1972 1986 Minski 1954 INTEL1971 IBM 1981 Neuralware 1987 SAS 1997 bu ds 1 NeuroComputer 1 microprocessor Introduces PC founded Emerprise Miner GE 1954 White 1988 IBM 1998 1 computer payroll system 1st paper on forecasting 700n BI initatve na Vv A vy atl Neuroscience Applications in Engineering Applications in Business gt Pattern Recognition amp Control gt Forecasting Figura 3 2 Evolu o cronol gica das RNA 4 3 2 Arquitetura das Redes Neuronais Artificiais 13 3 2 Arquitetura das Redes Neuronais Artificiais A organiza o e as liga es dos neur nios constituintes das RNA definem a arquitetura ou topologia da r
9. Gr fico de compara o entre a CN prevista no teste A Teste C1 e CN real para S34 na semana de 28 de Abril a 4 de Maio de 2014 Na an lise efetuado ao dia 10 de Junho de 2014 poss vel constatar a partir do gr fico da figura 6 14 que o modelo reproduzido pelo teste C1 melhora a previs o de CN para o dia de feriado errando significativamente a partir das 13 horas at as 22 horas CN Mw gi Figura 6 14 Gr fico de compara o entre a CN prevista no teste A Teste C1 e CN real para S34 para o dia 10 de Junho de 2014 Como j verificado anteriormente nos dias em que a previs o depende de feriados anteriores como no caso do dia 2 de Maio de 2014 o teste Cl errava No dia 15 de Dezembro de 2014 a previs o de CN tamb m depende de um feriado Por observa o do gr fico da figura 6 15 conclui se que este modelo C1 n o apresenta resultados satisfat rios para estes dias pois a CN real encontra se muito superior a partir das 6 horas at cerca das 21 horas deste mesmo dia 60 Resultados CN Mw Figura 6 15 Gr fico de compara o entre a CN prevista no teste A Teste C1 e CN real para S34 para o dia 15 de Dezembro de 2014 6 3 2 Teste C2 De modo a colmatar o erro apresentado pelo teste C1 para os dias em que a previs o dependa de feriados elaborou se o modelo representado pelo teste C2 onde os resultados obtidos para este apresentam se nos gr ficos das figuras 6 16 e 6 17 Para o dia 10 de Junho de 2014 o
10. o testada para um ano e para tr s anos de hist rico alterando a periodicidade das entradas para 15 minutos e uma hora Aqui verifica se que o MAPE apresenta sempre um valor inferior para o algoritmo LM Nas tabelas 6 1 6 2 6 3 e 6 4 verifica se tamb m que todos os erros calculados s o inferiores para o algoritmo LM independentemente do tipo periodicidade das entradas da RNA e o hist rico de dados para treino Revela se ent o o LM o algoritmo mais preciso para este caso de estudo E MAPE RPROP E MAPE LM 8 7 84 o om 6 6 6 1 6 2 5 5 4 9 4 4 P ik 4 6 3 2014 2012 14 2014 2012 14 2014 2012 14 9 0 4 2014 2012 14 22 28 34 45 Figura 6 4 Gr fico de compara o do MAPE apresentado por cada algoritmo para um hist rico de um ano e tr s anos com entradas de periodicidade de 15 minutos 6 1 Compara o de Algoritmos Teste A 53 E MAPE RPROP E MAPE LM o 6 85 3 di i 2014 ad 2014 2012 14 2014 e 2014 2012 14 22 28 34 45 Figura 6 5 Gr fico de compara o do MAPE apresentado por cada algoritmo para um hist rico de um ano e dois anos com entradas de periodicidade de uma hora 6 1 3 Compara o da Periodicidade das Vari veis de Entrada Revelando se o LM o algoritmo mais preciso neste caso de estudo procede se ao estudo da periodicidade das entradas da RNA para este algoritmo No gr fico da figura 6 6 procede se compara o ent
11. o todos normalizados e agrupados para periodicidades de uma hora e de 15 minutos No desenvolvimento do novo modelo de previs o foram utilizadas redes neuronais do tipo unidirecional com os seus neur nios organizados por camadas Multilayer Perceptron utili zando os algoritmos de treino Resilient Backpropagation RPROP e Levenberg Marquardt LM onde estes dois algoritmos foram objeto de estudo a n vel de tempo de computa o e precis o As vari veis de entrada foram estudadas quanto sua periodicidade hist rico de dados e influ ncia na previs o de CN a curto prazo Foi utilizada uma nica camada escondida na RNA Tamb m o n mero de neur nios a utilizar na camada escondida foi objeto de estudo desta disserta o Os resultados obtidos revelam que o algoritmo LM mais preciso face ao RPROP No entanto ne cessita de um tempo computacional muito superior Concluiu se que para testes de estudo sobre a influ ncia das vari veis se pode utilizar o algoritmo mais r pido o RPROP e para testes finais deve se aplicar o LM devido a sua precis o A n vel das vari veis de entrada os resultados de monstram que a utiliza o de uma periodicidade de 15 minutos e hist rico de dados de um ano o mais vantajoso O novo modelo desenvolvido apresentou resultados muito satisfat rios em compara o com o atual modelo de previs o do GS O erro de previs o variou de subesta o para subesta o no entanto apresentou sempre erros de p
12. vel alcan ar o modelo final de uma RNA para previs o de CN a curto prazo O capitulo 6 exp e a compara o de resultados entre os diferentes algoritmos e n mero de entradas aplicados ao treino das RNA e a aplica o do mesmo s v rias subesta es da REN No final deste cap tulo apresentada uma compara o entre o modelo desenvolvido ao longo desta disserta o e o atual do GS As conclus es obtidas nesta disserta o e trabalhos futuros s o apresentados no cap tulo 7 Neste destacam se os pontos fortes e as dificuldades encontradas ao longo do desenvolvimento deste trabalho assim como poss veis desenvolvimentos futuros que n o estando no mbito da presente disserta o possam aprimorar a metodologia e a aplica o desenvolvida Introdu o Capitulo 2 Rede Nacional de Transporte A REN possui a concess o exclusiva da Rede Nacional de Transporte de acordo com o artigo n 69 do Decreto Lei 29 2006 10 A RNT assegura a liga o da energia el trica produzida nas centrais eletroprodutoras at s redes de distribui o ligando posteriormente aos consumidores finais existindo algumas exce es em que os consumidores est o ligados a RNT por quest es t cnicas ou econ micas 11 Neste cap tulo ser apresentado uma breve descri o da RNT para enquadramento do tema assim como uma an lise da estrutura e fun es desempenhadas pela concession ria da RNT 2 1 ARNT A atividade do transporte de en
13. 00 32 S45 2014 35 9 2217 1 3 90 0 201 00 09 2012 14 36 2 2316 9 3 90 0 206 00 27 6 1 1 Compara o de Tempo Computacional A n vel de tempo de computa o os gr ficos da figura 6 2 e 6 3 revelam que independente mente da periodicidade das entradas e do seu hist rico o algoritmo LM necessita de um tempo computacional mais elevado A utiliza o de entradas com periodicidade de 15 minutos revela se muito mais morosa face introdu o de entradas com periodicidade de uma hora principalmente quando utilizado um hist rico de 3 anos sendo que a utiliza o de entradas com periodicidade de uma hora necessita de um tempo computacional menor para treino das RNA TEMPO MIN e Mg 01 19 Figura 6 2 Gr fico referente m dia do tempo de treino para entradas com periodicidade de 15 minutos 52 Resultados ERPRO a LM 00 38 E 00 02 Mm 00 09 es 00 32 gt es 00 27 N p E TEMPO MIN E 00 01 Mm 00 07 E 00 05 es 00 23 TE 00 10 o E 00 02 p n C 00 13 TE 00 11 m TR 00 09 N 2 H b N e N p N p b N gt N oO N p N So t N w N N w N co w w F v Figura 6 3 Gr fico referente m dia do tempo de treino para entradas com periodicidade de uma hora 6 1 2 Compara o de Precis o Pelos gr ficos das figuras 6 4 e 6 5 poss vel realizar uma compara o entre o MAPE obtido para cada subesta
14. 269 5 8 77 2 8 770 0 195 35 6 1 106 7 2 8 8 0 270 6 3 120 9 9 40 0 306 20 10 6 209 5 440 0 238 10 8 207 3 4 50 0 235 S45 25 11 3 239 2 470 0 271 12 2 2886 510 0 327 30 11 8 270 4 490 0 306 12 6 3494 520 0 397 35 13 1 502 7 5 40 0 57 13 2 3395 5 50 0 385 6 5 N mero de Neur nios a Utilizar Teste E 65 Tendo como ponto de partida os 25 neur nios por indica o da REN efetuam se os testes para valores de neur nios acima e abaixo deste valor A partir da tabela 6 10 constata se que baixando progressivamente n mero de neur nios da camada escondida da RNA os erros melhoram J quando o n mero de neur nios sobe para 35 os erros aumentam apresentando piores previs es Face esta conclus o procede se segunda fase do teste E baixando o n mero de neur nios da camada escondida da RNA Ap s realiza o dos testes para a segunda fase obt m se os resultados apresentados na tabela 6 11 Pela an lise da tabela 6 11 verifica se que os erros obtidos mais baixos s o para 2 e 5 neur nios e estes variam tamb m consoante o n mero de entradas da RNA Tabela 6 11 Resultados dos erros obtidos do teste El e E2 na segunda fase para as subesta es S1 17 S22 S34 S40 e S45 Teste E1 Teste E2 Sub Neur nios MAD MSE MAPE RMSE MAD MSE MAPE RMSE 2 7 9 132 55 4 70 0 084 8 7 198 9 5 30 0 126 s1 5 8 6 144 4 5 10 0 091 8 126 4 4 80 0 08 10 8 1 129 1 4 80 0 082 8 8 157 4 5 20 0 099 15 9 1 163 8 5 4
15. 281 23 32 13 7 8 0 1 470 11 8 182 2 29 6 1 402 42 7 6 78 7 9 5 0 347 17 1 641 6 22 7 1 302 53 33 16 4 3 9 0 114 162 4844 192 2 313 E MAPE E2 mMAPE COR 542 53 Figura 6 25 Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o 53 S 17 e33 325 Pela an lise do diagrama de carga previsto para a subesta o S17 apresentado na figura 6 26 verifica se que o modelo de previs o do COR efetua uma previs o errada para o dia 1 e 2 de Maio de 2015 mais uma vez o modelo do COR apresenta um mau resultado de previs o para o dia de feriado poss vel visualizar neste gr fico que este modelo tamb m erra bastante para o dia 2 de Maio sendo este dia um dia em que a previs o depende de um feriado Ao contr rio do atual modelo de previs o do COR o modelo desenvolvido na presente disserta o apresentou bons resultados de previs o para ambos os dias No anexo C est o apresentados os diagramas de carga semanais para todas as subesta es comparadas Atrav s da compara o destas duas semanas entre o modelo de previs o do COR e o mo delo E2 poss vel concluir que o modelo E2 apresenta consistentemente erros de previs o mais baixos o que significa que consegue melhores previs es de CN a curto prazo face ao modelo 70 Resultados Figura 6 26 Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta
16. 4000 3500 3000 8 12 14 10 12 14 12 12 14 14 12 14 MW CN Semana em Estudo CN semana anterior Figura 4 15 Compara o do diagrama de carga da semana de 8 a 14 de Dezembro de 2014 com a semana anterior Nos feriados a dias teis o comportamento do diagrama de carga o correspondente s figuras 4 16 4 17 e 4 18 poss vel perceber que diferentes dias teis onde ocorre o feriado alteram o diagrama semanal de carga de forma diferente isto o facto de ser em pocas festivas como visto na Figura 4 17 poca Natal cia altera o diagrama de carga n o s no dia do feriado assim como no dia anterior e posterior O facto da possibilidade de uma poss vel ponte afeta tamb m o dia anterior ou posterior do diagrama de carga como pode ser visto na figura 4 16 e 4 18 6500 6000 5500 5000 4500 4000 3500 MW 3000 22 4 13 24 4 13 26 4 13 28 4 13 CN CN semana anterior Figura 4 16 Compara o do diagrama de carga da semana que inclui o feriado de 25 abril 2013 com a semana anterior 4 3 Diagrama de Carga 31 8000 7000 6000 5000 4000 3000 22 12 14 24 12 14 26 12 14 28 12 14 CN CN semana anterior Figura 4 17 Compara o do diagrama de carga da poca Natalicia com a semana anterior 7000 6000 5000 MW 4000 3000 9 6 14 11 6 14 13 6 14 15 6 14 N CN semana anterior Figura 4 18 Compara o entre o diagrama de carga da semana de 9 a 15 de Junho
17. Relat rio de Qualidade de Servi o 2014 ERSE acedido em Mar o de 2015 URL http www erse pt pt desempenhoambiental prodregesp Paginas default aspx REN Rede El ctrica Nacional e El ctrica Nacional Miss o e Responsabilidades REN Rede El ctrica Nacional Macro Estrutura da Rede El ctrica 2 2013 REN Rede El ctrica Nacional GSOR Opera o de Rede S Surender Reddy Student Member James A Momoh e Fellow Ieee Short Term Electrical Load Forecasting Using Back Propagation Neural Networks p ginas 1 6 2014 a K Choobeh Short Term Load Forecasting for Shiraz Region Using Adaptive Back Pro pagation Neural Network 2013 Int Conf Commun Syst Netw Technol paginas 583 585 2013 URL http ieeexplore ieee org lpdocs epic03 wrapper htm arnumber 6524468 doi 10 1109 CSNT 2013 125 Constantin Barbulescu Stefan Kilyeni Attila Simo Oana Pop Cosmin Oros Raluca Schi opu e Antheia Deacu ANN techniques for power consumption forecasting 20 3 IEEE Grenoble Conf PowerTech POWERTECH 2013 2013 doi 10 1109 PTC 2013 6652260 Lufuno Marwala Forecasting electricity demand in South Africa 2014 a Graves M Liwicki S Fernandez R Bertolami H Bunke e J Schmidhuber A Novel Connectionist System for Improved Unconstrained Handwriting Recognition IEEE Trans Pattern Anal Mach Intell 31 5 855 868 2009 Ricardo Bessa Treino On Line de Redes Neuronais com Crit rios de Informa o Aplicado Prev
18. S34 para o dia 25 de Abril de 2014 CN MW nun uw 55 45 35 onANmM THOR annA AFAA aA M E sagaza ARNAR Rea Sen Fer Fa Fe Atraso Figura 6 19 Gr fico de compara o entre a CN prevista no teste A Teste C1 Teste C2 e CN real para S34 para o dia 8 de Dezembro de 2014 62 Resultados 6 3 3 Compara o dos Testes C1 e C2 com Teste A Comparando no geral os testes C1 C2 e A atrav s da tabela 6 8 e do gr fico da figura 6 20 verifica se que os erros diminuem com a inclus o da vari vel feriado o que revela que a introdu o desta vari vel induz a uma melhoria para a previs o de CN Tabela 6 8 Compara o de erros obtidos entre os testes Cl e C2 Teste C1 teste C2 Sub MAD MSE MAPE RMSE MAD MSE MAPE RMSE S22 13 07 268 51 8 89 0 59 12 88 264 7 8 76 0 58 S28 7 26 119 23 5 28 0 1 6 86 108 02 4 99 0 09 S34 2 92 1719 4 55 0 05 2 84 16 03 443 0 05 S45 944 152 53 4 06 0 22 92 145 14 3 97 0 21 mMAPETeteA mMAPETeteC1 mMAPE TeteC2 5 amp amp a oo oo i E 2 na E wi D E E I T 22 28 34 sas Figura 6 20 Gr fico de compara o do MAPE para os testes efetuados A diferen a entre os dois testes m nima persistindo a d vida de qual melhor o modelo Em face destes resultados foi decidido realizar os pr ximos testes utilizando tanto uma como cinco vari veis feriado 6 4 Vari vel Feriado e Temperatura Teste D Este teste tem como objetiv
19. Tabela 6 12 Identifica o do n mero de neur nios e teste com menor erro por subesta o MAD MSE MAPE RMSE Sub Neur nios Teste Neur nios Teste Neur nios Teste Neur nios Teste S1 2 El 5 E2 2 El 5 E2 S17 2 E2 2 E2 2 E2 2 E2 S22 2 El 2 El 2 El 2 El S34 5 E2 5 E2 5 E2 5 E2 S40 2 E2 2 E2 2 E2 2 E2 S45 5 E2 5 E2 5 E2 5 E2 Relativamente ao n mero de neur nios a utilizar na camada escondida a decis o foi mais dif cil pois em S17 S22 e S40 os melhores resultados foram obtidos com dois neur nios J para S1 S34 e S45 os melhores resultados foram obtidos com 5 neur nios De modo a perceber se qual o melhor n mero de neur nios a utilizar selecionou se a melhor rede dos 5 treinos efetuados para cada n mero de neur nios 2 e 5 de cada subesta o teste Posteriormente analisaram se os erros obtidos para os dias 17 e 22 de Fevereiro de 2015 3 e 6 de Mar o de 2015 e 3 5 e 25 de Abril de 2015 Note se que os dias selecionados contemplam feriados e dias teis aleat rios Atrav s da an lise dos resultados obteve se o seguinte n mero de neur nios para o melhor erro de MAPE e MSE para os dias selecionados por subesta o Estes resultados est o apresentados na tabela 6 13 A escolha da utiliza o de 2 ou 5 neur nios na camada escondida revela se dif cil para se poder generalizar para um modelo global No entanto face os resultados obtidos na tabela 6 13 foi decidido utilizar 5 neur nios na camada esc
20. Transforma o 1 2 0 2 002 ee ee ee Evolu o do n mero de subesta es e postos de corte seccionamento e transi o da RNT coa s oi ace ai he we dona Be od eet a Ee Ge ee ee es Compara o entre a pot ncia e lica e a pot ncia do SEN 2 Evolu o da Pot ncia Instalada 2 cccclcccccll 02 2002000048 Organigrama da unidade de neg cio Eletricidade da REN Neur nio humano 3 cccccccclc Evolu o cronol gica das RNA 4 0 02 02 000 ee eee Esquema de representa o dos tipos de RNA e algoritmos de treino Estrutura de um neur nio artificial 5 0 0 000000 0 Representa o das fun es de ativa o mais utilizadas 6 Estrutura de uma RNA do tipo MLP 7 ccccccccc Diagrama de cargas para uma semana numa subesta o da regi o do Algarve Diagrama de cargas para uma semana numa subesta o na regi o de Lisboa Carateriza o por sazonalidade 2 2 ee Carateriza o por tipo de consumo 000000 eee Gr fico que ilustra o tipo de sazonalidade por tipo de consumo Diagrama de Carga di rio do SEN para o dia 2 de Abril de 2014 Correla o entre CN e a CN da semana anterior mesma hora para o per odo da Primay fa s ss te a ord eects ows ro E eS ee E aa ge oe E eS Correla o entre CN e a CN da semana anterior mesma hora para o per odo do QOULONG 6 4 6444 wow be eee be he dee doe da
21. algoritmo LM Sub Ano MAD MSE MAPE RMSE Tempo min S22 2014 12 3 239 5 8 40 0 522 01 14 2012 14 11 6 223 9 8 00 0 46 06 43 S28 2014 7 4 137 1 5 50 0 116 01 43 2012 14 8 3 165 9 6 20 0 136 13 25 S34 2014 2 8 17 1 4 40 0 052 03 08 2012 14 3 5 34 8 8 10 0 073 10 31 s45 2014 9 137 3 90 0 197 01 24 2012 14 10 172 9 4 30 0 243 09 51 Tabela 6 3 M dia dos resultados obtidos por subesta o com entradas de periodicidade de uma hora com o algoritmo RPROP Sub Ano MAD MSE MAPE RMSE Tempo min S22 2014 52 9 4402 9 9 00 0 609 00 01 2012 14 48 8 4014 8 50 0 523 00 05 S28 2014 33 9 2832 1 6 30 0 15 00 02 2012 14 35 9 31542 6 70 0 163 00 09 S34 2014 13 1 366 3 5 10 0 069 00 02 2012 14 152 635 6 9 00 0 083 00 11 S45 2014 38 6 25432 420 0 231 00 02 2012 14 37 6 2490 1 4 10 0 222 00 10 A partir das tabelas apresentadas foi poss vel proceder se an lise necess ria para obter deci s es de modo a poderem ser alcan ados os objetivos propostos para este teste 6 1 Compara o de Algoritmos Teste A 51 Tabela 6 4 M dia dos resultados obtidos por subesta o com entradas de periodicidade de uma hora com o algoritmo LM Sub Ano MAD MSE MAPE RMSE Tempo min 22 2014 50 5 4031 2 8 60 0 558 00 07 2012 14 47 6 3807 6 8 30 0 496 00 23 S28 2014 30 6 2375 9 5 70 0 126 00 05 2012 14 33 5 2724 1 6 20 0 141 00 38 S34 2014 11 6 299 4 50 0 057 00 13 2012 14 14 2 5757 8 30 0 075
22. assim selecionados locais pr ximos tendo sido selecionados os seguintes e Aveiro valores relativos cidade Ovar e Beja e Braga valores relativos ao posto de corte PCCD e Bragan a e Castelo Branco e Coimbra valores relativos subesta o S40 e vora valores relativos subesta o S2 e Faro e Guarda valores relativos subesta o S20 e Leiria valores relativos vila de Monte Real e Lisboa e Portalegre valores relativos subesta o S18 e Porto e Santar m valores relativos subesta o S42 e Set bal valores relativos subesta o S51 e Viana do Castelo e Vila Real Viseu valores relativos subesta o S3 A correla o entre a CN e temperatura n o apresentou uma forte correla o No entanto poss vel nas figuras 4 21 e 4 22 perceber se que not ria uma rela o entre a temperatura e a CN isto verifica se que a carga tem tend ncia a aumentar tanto para temperaturas mais elevadas como para temperaturas mais baixas estando por isso representada uma nuvem mais carregada no gr fico Foi poss vel concluir atrav s desta an lise que a vari vel temperatura apresenta uma maior correla o quando correlacionada com a CN de uma localidade face correla o com a CN do SEN Apresenta se no gr fico da figura 4 23 os valores obtidos de correla o ente a CN e temperatura para algumas localidades e Portugal Continental poss vel perceber se que a correl
23. canismo de apresenta o de sinais ambientais conhecidos como padr es ou dados de entrada atingindo o seu objetivo quando obtido um modelo impl cito do sistema em estudo por ajuste dos par metros da rede Isto conseguido a partir de um conjunto de regras denominado por al goritmo de treino Surgem assim v rios m todos de aprendizagem para as RNA distinguindo se tr s supervisionada n o supervisionada e for ada 29 Aprendizagem supervisionada este tipo de treino baseia se num conjunto de dados de en trada e sa da ou em algum outro tipo de informa o que represente o comportamento que deve ser apresentado pela rede neuronal ou seja um agente externo indica rede a resposta desejada para o padr o de entrada 29 Aprendizagem n o supervisionada nesta aprendizagem n o existe indica o da resposta desejada ou seja apenas s o dados rede sinais de entrada RNA 29 Aprendizagem for ada Neste treino existe uma avalia o da resposta fornecida pela rede pois s o fornecidas as sa das correspondentes s entradas deste modo s o atribu dos pr mios ou penaliza es dependendo do desempenho 29 Com base nestes tr s principais tipos de treino desenvolveram se outros tipos com o objetivo de os melhorar Seguidamente s o apresentados alguns deles Aprendizagem pelo m todo de Perceptr o foi o primeiro treino supervisionado sendo esta aprendizagem realizada por fun es discretas pois a fun
24. com a Semana anterior ecce pa s ee ee e dedos Mg O Be OLE ee ee Compara o do diagrama de carga di rio feriado de 20 de Abril com o Domingo AERON sm ee bee E Dia ARE G ee eee Ped ed a Shad Representa o da temperatura m dia di ria no ano 2014 para Portugal Continen tale para a cidade de Lisboa 0 00002 eee eee Correla o entre valores de temperatura e carga CN para Portugal Continental Correla o entre valores de temperatura e carga CN para cidade de Lisboa Representa o da correla o entre a CN por localidade e Portugal Continental com as respetivas temperaturas c ccccccccccc a Metodologia global para elabora o de um modelo para previs o de CN Exemplo da folha Excel para tratamento de dados Apresenta o dos v rios testes efetuados 2 2 2 ee ee Metodologia adotada para desenvolvimento do teste A 02 Metodologia adotada para desenvolvimento do teste B Metodologia adotada para desenvolvimento do teste C Metodologia adotada para desenvolvimento do teste D Metodologia adotada para desenvolvimento do testeE 0 Modelo da RNA utilizada para o teste A 2 ee Gr fico referente m dia do tempo de treino para entradas com periodicidade de TS MINUTOS rs ado ist qo ee eh A A ey AS Di a Gr fico referente m dia do tempo de treino para entradas com periodicidade de uma hora ia gs kad emoi
25. constantes do Plano de Desenvolvimento e Investimento da RNT garantindo a concretiza o e entrada em funcionamento das infraestruturas el tricas nos prazos e custos definidos 17 e Explora o Esta Dire o tem como fun o coordenar e controlar a manuten o operacional de todos os ativos materiais das subesta es e linhas que constituem a RNT de modo a garantir a integridade da RNT e a qualidade de servi o prestado 17 e Gest o do Sistema O GS tem como miss o assegurar o bom funcionamento do SEN de acordo com a legis la o vigente estrat gia e pol ticas definidas no sentido de garantir a seguran a da RNT e da interliga o rede continental europeia bem como o equil brio entre a produ o e o consumo otimizando o SEN no mbito das suas compet ncias 17 A Dire o GS subdivide se em quatro departamentos Despacho Sistemas e Desenvolvimento Opera o de Mercado e Opera o de Rede O GS tem como principais responsabilidades 18 e Monitorizar a rede em tempo real atrav s do sistema SCADA EMS identificando situa es an malas e coordenando o restabelecimento do servi o ap s incidente e Assegurar a verifica o t cnica da opera o do sistema el trico conjugando os programas de produ o e consumo dos agentes de mercado com a constitui o de reservas e Garantir permanentemente o equil brio entre a gera o e o consumo de eletricidade mobi lizando ou desmobilizando gera
26. de aprendizagem em casos onde gradientes consecutivos s o do mesmo sinal no entanto baixa a taxa de aprendiza gem quando os sinais do gradiente v o alternando sendo que o algoritmo identifica quando dois sinais consecutivos do gradiente est o a variar 31 Apenas o sinal da derivada utilizado para determinar a dire o da atualiza o do peso a magnitude da derivada n o tem efeito na atualiza o do peso 31 O valor de atualiza o para cada peso e bias incrementado por um fator sempre que a de rivada da fun o de desempenho que diz respeito a esse peso tem o mesmo sinal durante duas itera es Ser ent o decrementado caso o sinal mude ap s uma itera o Se o valor da derivada for zero o valor de atualiza o mant m se igual 31 3 2 2 1 Modos de Treino por Retropropaga o O treino por retropropaga o pode ser efetuado de tr s modos tendo em considera o o pro p sito da previs o a sua aplicabilidade pr tica e a precis o desejada para os resultados Al m disso n o s o desprez veis os recursos computacionais dispon veis Assim os modos s o descri tos sucintamente 25 Modo Batch ou Offline a atualiza o dos pesos realizada apenas no fim de uma poca ou de um conjunto de pocas Depende do n mero m ximo de itera es ou do valor do erro parametrizados 20 Redes Neuronais Artificiais Modo Sequencial ou estocastico quando surge um novo exemplo do conjunto de treino da
27. de curto prazo da carga natural de forma a apoiar o Gs na tomada de decis o Nesta disserta o realizou se o estudo sobre a previs o de carga natural com base em Redes Neuronais Artificiais RNA procurando obter o melhor modelo de previs o de carga natural Para tal compararam se o desempenho dos algoritmos de treino Levenberg Marquardt LM e Resilient Backpropagation RPROP estudaram se as vari veis justificativas do diagrama de carga e determinaram se o n mero de neur nios a utilizar na camada escondida da RNA que garantisse os melhores resultados Focou se ainda a aten o aos dias de feriado visto nestes dias a previs o de carga ser at pica Os resultados obtidos foram muito satisfat rios permitindo alcan ar previs es com elevado grau de precis o e baixo erro Para complementar o trabalho foi desenvolvida uma ferramenta inform tica de apoio ao GS que permite obter a previs o de carga natural num horizonte de sete dias Destaca se assim a melhoria introduzida neste departamento da REN e por conseguinte do SEN que permitir pro gramar a indisponibilidade de elementos de rede de forma mais segura evitando reconfigura es desnecess rias pelo facto dos valores apresentados se aproximarem mais da carga real Palavras Chave previs o de carga a curto prazo redes neuronais artificiais Levenberg Marquardt Resilient Backpropagation carga natural produ o distribu da diagrama de carga Rede Nacional de Transporte
28. o de testes de modo a obter se um modelo de previs o eficaz no entanto no teste final foi necess rio a utiliza o de mais tr s subesta es para uma defini o e conclus o mais robusta do melhor m todo a utilizar A escolha destas foi feita tendo em conta o tipo de consumo e a sazonalidade tentando abranger subesta es com diferentes tipos de consumos e sazonali dade assim como alocadas em diferentes distritos sendo escolhidas para realiza o de testes a subesta o S22 S28 S34 e S45 posteriormente foram selecionadas as subesta es S1 S17 e S40 5 2 Metodologia de Trabalho Tra ar uma metodologia de trabalho um processo fundamental para obter um modelo de previs o eficaz pois dada a grande quantidade de dados utilizados torna se imposs vel obter com sucesso um modelo de previs o eficaz sem estruturar uma metodologia de trabalho e adotar uma forte organiza o dos dados Esta metodologia engloba v rios procedimentos necess rios a realiza o de tratamento e nor maliza o de dados que se depreende como pr processamento Ap s efetuados procedimentos poss vel realizar v rios testes para a obten o do melhor modelo de previs o e por conseguinte a aplica o deste modelo a outras subesta es 35 36 Metodologia de treino das RNA Assim necess rio delinear um plano de trabalhos de modo a conseguir obter o resultado final com sucesso sendo adotado o plano apresentado na figura 5 1 Para al m
29. subesta o tamb m til para a previs o dos tr nsitos de pot ncia 4 1 Subesta es 23 De modo a caraterizar o perfil de cada subesta o procurou se definir o tipo de consumo associado Esta an lise encontra se no anexo B para uma informa o r pida sobre o perfil de cada subesta o Em rela o ao tipo de consumo centrou se o estudo em e Valores do consumo Estudar os valores m ximos m dios e m nimos de consumo associado a cada subesta o tendo em conta a esta o do ano e Sazonalidade Depreende se como sazonalidade o facto de determinada esta o do ano apresentar um de terminado valor de CN ao longo do um per odo definindo entre as quatro esta es do ano A classifica o teve em conta uma metodologia apresentada no anexo B a qual classifica as subesta es em Sem sazonalidade isto a CN praticamente igual ao longo do ano independente mente das esta es do ano Sazonalidade moderada a CN apresenta durante determinada esta o do ano uma certa carga mais elevada ou mais baixa face s restantes esta es do ano Sazonalidade forte apresenta duas esta es do ano com diferentes valores de CN A metodologia adotada foca se na dispers o entre a CN m xima e a CN m dia de cada esta o do ano resultando na classifica o dos valores obtidos associados classifica o descrita Para comprova o dos resultados obtidos foi feita uma an lise dos diagramas de
30. tamb m a sazonalidade forte J nas subesta es industriais predomina a sazonalidade moderada E Sem sazonalidade E Sazonalidade moderada Sazonalidade forte 88 Rural Urbano setor Terci rio Industrial Figura 4 5 Gr fico que ilustra o tipo de sazonalidade por tipo de consumo 4 2 Previs es de Carga 25 4 2 Previs es de Carga Para o gestor de sistema a previs o da carga natural um ponto fulcral Atrav s da previs o o GS pode ter uma no o do que se ir passar no futuro Deste modo a efici ncia das diversas tomadas de decis o por parte dos operadores pode melhorar consideravelmente Assim torna se imprescind vel para a gest o de energia programa o de indisponibilidades dos transformadores de pot ncia e transfer ncias de carga Como j referido a REN tem o objetivo de manter o elevado padr o dos ndices de qualidade de servi o de modo a n o se expor a situa es de risco a previs o de carga ent o uma mais valia A previs o de carga pode ser feita a curto m dio ou longo prazo sendo que a previs o a curto prazo short term load forecast a indicada para previs o do diagrama di rio para os pr ximos dias 33 Dada a grande import ncia que a previs o de carga apresenta para o GS ao longo dos ltimos anos diversos estudos t m sido efetuados de forma a melhorar as t cnicas de previs o Existe uma grande diversidade de t cnicas para a previs o de carga a curto prazo como os modelos t
31. was determined in order to guarantee the best results The study of holidays was focused due to the fact that in those days load forecast is atypical The results were very satisfactory enabling to achieve forecasts with a high degree of precision and low error To complete this work a computer tool was developed to provide support to the SM which performs a natural load forecast in a seven days scope It stands out the improvement provided to the TSO and thereby the EPS as a whole enabling the outage planning to be safer avoiding unnecessary network reconfigurations because load fo recast approaches the actual load Keywords short term load forecast artificial neural network Levenberg Marquardt Resilient Backpropagation natural load distributed production load diagram Portuguese Transmission Grid vi Agradecimentos Ap s terminus de mais uma etapa da minha vida revejo tudo que vivi at agora se hoje sou o que sou devo simplesmente a duas pessoas aos meus pais Quero lhes deixar aqui o meu eterno agradecimento por tudo o que me proporcionaram at hoje A minha irm Joana por estar sempre presente e me aconselhar sempre da melhor forma acalmando me sempre nos momentos mais dif ceis da minha vida N o posso deixar tamb m de agradecer a toda a minha fam lia pela for a que sempre me transmitiram e por acreditarem sempre em mim A alegria apoio e motiva o ao longo do desenvolvimento desta disserta o sempre estiv
32. 0 0 104 9 2 163 4 5 50 0 103 2 10 2 168 6 90 0 203 10 160 2 6 70 0 195 S17 5 15 6 363 6 10 40 0 371 14 1 2985 9 40 0 32 10 16 6 4223 11 00 0 427 17 3 450 7 11 50 0 437 15 25 3 996 1 16 40 0 917 17 5 502 1 11 70 0 489 2 14 4 362 6 9 90 0 548 14 5 364 6 9 90 0 55 S22 5 14 5 373 5 9 90 0 563 15 397 8 10 30 0 601 10 15 412 9 10 20 0 618 15 8 460 7 10 70 0 686 15 15 7 431 1 10 70 0 65 16 6 482 9 11 30 0 73 2 3 2 22 2 4 90 0 056 3 3 21 9 490 0 056 S34 5 3 2 20 4 4 70 0 052 3 1 19 6 4 60 0 05 10 3 5 26 3 5 20 0 067 3 2 21 9 4 80 0 056 15 3 8 33 9 5 70 0 086 3 7 30 5 60 0 076 2 7 3 90 6 5 10 0 117 7 3 89 5 5 10 0 115 S40 5 7 8 100 1 5 40 0 129 7 6 95 5 30 0 122 10 8 7 131 1 6 00 0 169 8 9 129 6 20 0 166 15 9 8 171 2 6 80 0 22 9 5 159 1 6 50 0 205 2 9 2 161 1 3 90 0 183 9 7 179 4 10 0 203 S45 5 8 9 148 7 3 70 0 169 8 8 143 2 3 70 0 163 10 9 5 163 9 3 90 0 186 9 5 162 7 4 00 0 185 15 10 184 2 4 20 0 209 9 9 177 4 4 10 0 201 De modo a poder se tomar uma decis o na escolha de neur nios e do modelo da RNA a utilizar procede se procura dos erros m nimos obtidos por subesta o dando origem a tabela 6 12 poss vel concluir que o teste E2 demonstrou ser mais eficaz apresentando normalmente um erro menor exce o da subesta o S22 Na subesta o S1 o teste El apresenta melhores resultados para o MAD e o MAPE No entanto para o MSE e o RMSE o teste E2 revela melhores resultados 66 Resultados
33. 15 6 16 B 1 Valores da correla o entre a CN e a CN da semana anterior e de duas semanas anteriores por per odo o es esa su iem kieo keet ee Valores da correla o entre a CN e a CN S1H1 S1H2 S2H1 e S2H2 por per odo Representa o das poss veis candidatas a vari veis de entrada da RNA com peri odicidade de 15 em 15 min naaa aaa eee Representa o das poss veis candidatas a vari veis de entrada da RNA com peri odicidade de uma hora aooaa ee ee Representa o das poss veis candidatas a vari veis de entrada da RNA com peri odicidade de 15 em 15 min ap s normaliza o lccccccccc M dia dos resultados obtidos por subesta o com entradas de periodicidade de 15 minutos com o algoritmo RPROP aaau aaa 0000004 M dia dos resultados obtidos por subesta o com entradas de periodicidade de 15 minutos com o algoritmo LM 0 00022 eee M dia dos resultados obtidos por subesta o com entradas de periodicidade de uma hora com o algoritmo RPROP 0 0000 M dia dos resultados obtidos por subesta o com entradas de periodicidade de uma hora com o algoritmo LM aoaaa aaa 022 ee eee Apresenta o do valor m ximo m nimo e m dio anual de CN para os anos 2012 2013 6 2014 pas ae ie eraa a a a ee Be es ee a aE er Sp eS Compara o de erros entre os 3 testes efetuados para a subesta o S34 Compara o de erros entre testes o oo ee Compara o de erros obtido
34. 220 kV e uma pequena redu o de 150 kV Isto deve se desclassifica o e upgrade de alguns circuitos de RNT em fim de vida til a este n vel de tens o A reconfigura o da RNT tem 6 Rede Nacional de Transporte privilegiado n veis de tens o mais elevados devido s vantagens que estes apresentam de efici ncia energ tica e a n vel ambiental pois apresentam maior capacidade de transporte e perdas menores 14 MVA km 37 500 1 3 750 30 000 3 000 22 500 2 250 Autotransformadores 15 000 1 500 EM Transformadores Linhas 150 kV 7 500 750 Linhas 220 kV Linhas 400 kV 0 0 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 Figura 2 1 Evolu o do comprimento dos circuitos de linha em servi o na rede MAT e Pot ncia de Transforma o 1 O n mero de subesta es e de postos de corte aumentaram tamb m nos ltimos anos devido essencialmente a tr s fatores e Refor o da capacidade de rece o devido constru o de novos centros produtores e Refor o da alimenta o dos consumos atrav s da Rede de Distribui o e Crit rios de seguran a e planeamento da rede Assim na figura 2 2 poss vel verificar o aumento significativo do n mero de subesta es e postos de corte para os n veis de tens o de 400 kV e 220 kV mantendo o mesmo n mero para o n vel de 150 kV Para um melhor desempenho da RNT a Entidade Reguladora dos Servi os Energ tico ERSE considera um mecanismo d
35. 23 6 24 6 25 6 26 Al A 2 A3 A4 AS A 6 A B 1 Cl C 2 C 3 C 4 C 5 C 6 D 1 Gr fico de compara o entre a CN prevista no teste A Teste Cl Teste C2 e CN real para S34 para o dia 10 de Junho de 2014 2 2 Gr fico de compara o entre a CN prevista no teste A Teste C1 Teste C2 e CN real para S34 para o dia 15 de Dezembro de 2014 2 2 aa Gr fico de compara o entre a CN prevista no teste A Teste C1 Teste C2 e CN real para S34 para o dia 25 de Abril de 2014 2 2 2 Gr fico de compara o entre a CN prevista no teste A Teste Cl Teste C2 e CN real para S34 para o dia 8 de Dezembro de 2014 2 Gr fico de compara o do MAPE para os testes efetuados Modelo da RNA referente ao teste D2 lccccccccl Compara o do MAPE obtido para todos os testes realizados Compara o do MAPE para o modelo E2 e o modelo do COR para a semana de 20 de Abril a 26 de Abril de 2015 clcccccccclc ee Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S53 ww ee Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S53 llcccccccclll ee Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o S17 ee ee Interface gr fica da aplica o ooa ee Tabela apresentada pelo bot o 1 c cccccccccl
36. AL NATURAL T RMICA HYDRO WIND SOLAR PEAK RENEWABLE NATURAL OTHER LOAD THERMAL GAS HERMA PRO PRE SPECIAL STATUS GENERATORS ORDINARY STATUS GENERATORS Figura 2 4 Evolu o da Pot ncia Instalada 2 2 2 Gestor do Sistema Opera o de Rede 2 2 1 Estutura Organizacional da REN A presente disserta o foi realizada em ambiente empresarial na REN no departamento de Opera o da Rede da Divis o do Gestor do Sistema GSOR que est sedeado em Vermoim Na figura 2 5 representado a estrutura organizacional da REN Planeamento e Engenharia Planos de Engenharia Engenharia Rede de ativos de Sistemas Asset Management Gest o do Sistemas e Desenvolvi I Opera o de Mercado sl 3 Figura 2 5 Organigrama da unidade de neg cio Eletricidade da REN 2 2 Gestor do Sistema Opera o de Rede 9 e Planeamento e Engenharia Esta Dire o tem como miss o planear e coordenar a elabora o e defini o das estrat gias das solu es de evolu o da RNT e dos planos que as englobam assegurando ainda o con trolo das an lises e solu es da rede a n vel local e global no sentido de garantir que o desempenho da RNT est de acordo com as necessidades do SEN mantendo igualmente no seu horizonte a preocupa o de reduzir impactos ambientais globais escala da AAE do PDIRT 17 e Investimento Esta Dire o tem como miss o coordenar e controlar a execu o dos projetos e das obras
37. FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO PORTO FEU FACULDADE DE ENGENHARIA UNIVERSIDADE DO PORTO Modelo de Previsao dos Consumos na RNT Considerando a Producao Distribuida Rui Manuel Teixeira Carvalho Mestrado Integrado em Engenharia Eletrot cnica e de Computadores Orientador Prof Doutor Ant nio Carlos Sep lveda Machado e Moura Co orientador Eng Ricardo Vasco Fernandes 28 de Julho de 2015 Rui Manuel Teixeira Carvalho 2015 li FEU p FACULDADE DE ENGENHARIA UNIVERSIDADE DO PORTO C AENG NFARIA Ake i Ft Be C UA Pl TADORES A Disserta o intitulada Modelo de Previs o dos Consumos na RNT Considerando a Produ o o j ri Distribuida foi aprovada em provas realizadas em 13 07 2015 Presidente Professor Doutor Jos Rui da Rocha Pinto Ferreira Professor Auxiliar do Departamento de Engenharia Eletrot cnica e de Computadores da Faculdade de Engenharia da Universidade do Porto Professor Doutor S rgio Augusto Pires Leit o Professor Auxiliar do Departamento de Engenharias da Escola de Ci ncias e Tecnologias da Universidade de Tr s os Montes e Alto Douro Ji dh Aly Me a ao Professor Doutdr Ant nio Carlos Sep lveda Machado e Moura Professor Catedr tico do Departamento de Engenharia Eletrot cnica e de Computadores da Faculdade de Engenharia da Universidade do Porto O autor declara que a presente disserta o ou relat rio de projeto da sua exclusiva a
38. Ficheiro Excel aberto pelo bot o 3 0000004 Temperaturas apresentadas ap s a sele o da capital de distrito desejada Janela aberta pelo bot o 3 para sele o da subesta o desejada Interface gr fico da aplica o ap s ser conclu do o processo do bot o 3 Apresenta o do gr fico dos valores previstos para a subesta o selecionada Gr fico de compara o do tipo de sazonalidade por tipo de consumo Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S23 2 ee Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S42 2 0 0 0 02 20 0000 002 ee ee Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S17 ee ee Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o 23 ee Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o S42 2 ee ee Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o S53 ww ee MapadaRNT 0 a ee XV 60 61 61 61 62 63 64 68 68 69 80 81 81 82 82 83 83 xvi LISTA DE FIGURAS Lista de Tabelas 4 1 4 2 5 1 5 2 5 3 6 1 6 2 6 3 6 4 6 5 6 6 6 7 6 8 6 9 6 10 6 11 6 12 6 13 6 14 6
39. Gawd Da GS O E ed E E Gr fico de compara o do MAPE apresentado por cada algoritmo para um hist rico de um ano e tr s anos com entradas de periodicidade de 15 minutos Gr fico de compara o do MAPE apresentado por cada algoritmo para um hist rico de um ano e dois anos com entradas de periodicidade de uma hora Gr fico de compara o da periodicidade de entradas para um hist rico de dados deumetr sanos 2 ee Gr fico de compara o do hist rico de entradas a utilizar para o algoritmo LM Gr fico de compara o do hist rico de entradas a utilizar para o algoritmo LM Gr fico de compara o do MAPE para os tr s testes efetuados para a subesta o S34 2 44 dodo Pe bd we E SR a SU Ha he ble SER dee eas Modelo da RNA referente ao teste B2 2 2 2 0 02000 0000 Gr fico de compara o do MAPE para os tr s testes efetuados Modelos da RNA refente ao teste C2 llccccll 0000 Gr fico de compara o entre a CN prevista no teste A Teste C1 e CN real para S34 na semana de 28 de Abril a 4 de Maio de 2014 2 2 000 Gr fico de compara o entre a CN prevista no teste A Teste C1 e CN real para S34 para o dia 10 de Junho de 2014 2 ee a Gr fico de compara o entre a CN prevista no teste A Teste C1 e CN real para S34 para o dia 15 de Dezembro de 2014 2 ee ee ee 30 30 31 31 31 32 34 34 LISTA DE FIGURAS 6 16 6 17 6 18 6 19 6 20 6 21 6 22 6
40. H1 S2H1 Fer F1 F2 F3 F4 174 4 164 0 0 0 1 1 168 7 160 0 0 0 1 1 164 159 0 0 0 1 1 157 9 156 0 0 0 1 1 5 2 Metodologia de Trabalho 39 Tabela 5 2 Representa o das poss veis candidatas a vari veis de entrada da RNA com periodi cidade de uma hora Data Hora DDS Tmed Tmax Tmin Sl S2 15 01 2014 01 00 1 4 12 8 14 11 583 603 15 01 2014 02 00 2 4 12 8 14 11 532 546 15 01 2014 03 00 3 4 12 8 14 11 506 496 15 01 2014 04 00 4 4 12 8 14 11 497 464 S1H1 S2H1 Fer F1 F2 F3 F4 665 639 0 0 0 1 1 583 603 0 0 0 1 1 532 546 0 0 0 1 1 506 496 0 0 0 1 1 e Normaliza o de dados consiste no ajuste de escalas para melhorar a aprendizagem e rapidez do treino da rede Para normaliza o da CN e temperaturas foi aplicado o m todo Min M x descrito pela fun o 5 1 onde o valor v da escala a convertido num valor v da escala A 40 y aoe x maxa mina ming 5 1 maxa Mina Sendo mina 1 max 1 A normaliza o da hora e do dia da semana foi efetuada atrav s das fun es 5 2 5 3 e 5 4 5 5 respetivamente Devido a serem vari veis c clicas foram transformadas em duas vari veis seno e cosseno com o mesmo per odo sendo de 24 para a hora e 7 para o dia da semana 2xaxH va 5 2 Hcos cos 2xaxH 4 5 3 Hsen sen 40 Metodologia de treino das RNA 2xaxH DDScos cos 7 5 4 2 H DDsSsen sen O 5 5 Onde DDS corresponde ao valor do dia da semana do con
41. RNA ao algoritmo de treino realizada uma atualiza o dos pesos O erro retropropagado para todos os pesos da rede neuronal quando o erro entre a sa da e o valor desejado calculado para cada exemplo de treino assim tem se o n mero de atualiza es dos pesos igual ao n mero de exemplos do conjunto de treino Modo Online chama se de treino Online ao funcionamento sequencial em tempo real Neste tipo de treino quando ocorre a chegada de um novo exemplo de treino este propagado desde a entrada at sa da da rede O erro sa da ser retropropagado apenas uma vez atualizando de imediato os pesos da rede Os tr s modos de treino apresentam as suas vantagens e desvantagens O treino Online para um melhor funcionamento requer um treino offline para determinar os pesos iniciais do treino Este modo de treino apresentou resultados satisfat rios na previs o de carga de um sistema el trico em estudos j realizados Com o treino Batch poss vel estimar o gradiente com grande rigor garantindo pelo menos uma converg ncia para um m nimo local J o treino sequencial n o apresenta garantia de converg ncia para um timo local Isto deve se ao seu car ter estoc stico o que evita ficar preso em timos locais Ao n vel de esfor o computacional requer um menor esfor o Capitulo 4 Variaveis Justificativas do Diagrama de Carga Cada subesta o possui carater sticas nicas No presente cap tulo efet
42. a o varia entre as v rias capitais de distrito sendo mais relevante para umas face a outras 34 Vari veis Justificativas do Diagrama de Carga 30 0 30 25 0 25 20 0 20 v 15 0 4 bv 15 10 0 5 0 10 0 0 5 3800 0 CN Figura 4 21 Correla o entre valores de Figura 4 22 Correla o entre valores de temperatura e carga CN para Portugal Con temperatura e carga CN para cidade de Lis tinental boa Portugal Continental Braga Bragan a Coimbra vora Faro Guarda Set bal Viana Vila Real Viseu o 0 1 0 2 0 3 0 4 0 5 Figura 4 23 Representa o da correla o entre a CN por localidade e Portugal Continental com as respetivas temperaturas Capitulo 5 Metodologia de treino das RNA No presente cap tulo apresentado o plano de trabalho elaborado para obten o de um modelo de previs o de CN a curto prazo As v rias etapas de pr processamento s o aqui descritas sendo estas utilizadas para todos os testes realizados no desenvolvimento desta disserta o 5 1 Escolha de Subesta es Teste A REN atualmente possui 63 subesta es onde algumas se encontram em malha fechada Cada subesta o possui as suas pr prias carater sticas e por isso revelam comportamentos com pletamente distintos umas das outras Atrav s da classifica o j referenciada no cap tulo anterior foram escolhidas quatro subes ta es para realiza
43. a app 6 f 3 P Organizar Nova pasta x 3 O A Nome j Tamanh Teo R FD s53 SKE Hiss s a gss SKE FD su 5 KE a As E sr KE ft Acce gt msa7 SKB M ft Access Table Fi s16 SKB Microsoft Access Table Shortcut ma xB M it Access Table Shortcut o f Nome do ficheiro 36 MAT files mat A eee Figura A 5 Janela aberta pelo bot o 3 para sele o da subesta o desejada A 3 Manual de Utiliza o 83 referente a capital de distrito da sua subesta o Tmin Tmax 4 Realizar Previs o Figura A 6 Interface gr fico da aplica o ap s ser conclu do o processo do bot o 3 4 Carregue no bot o 4 E desencadeado o processo de previs o de CN para os pr ximos sete dias Ap s efetuada a previs o apresentado o diagrama de carga referente aos sete dias previstos como poss vel visualizar na figura A 7 e os valores previstos s o escritos numa folha Excel que poss vel ter acesso se carregar no bot o Ver Previs o T rge Fie Edt View kmet Toots Deitop Window Help paas TASET AC IEL 23 Apr 150000 24 Apr 150000 25 Apr 150000 26Apr 150000 27 Ape 150000 ES 2DApe 150000 21 Apr 150000 22 Apr 150000 Data Figura A 7 Apresenta o do gr fico dos valores previstos para a subesta o selecionada 84 Aplica o Previs o de Carga Natural Anexo B Caraterizacao das Subesta es A carateriza o das subesta es foi feita de acordo com o descrito na pr
44. a de 21 de Julho de 2014 a 27 de Julho de 2014 Per odo Outono semana de 13 de Outubro de 2014 a 19 de Outubro de 2014 Os fatores cronol gicos s o tamb m muito influenciadores no diagrama de carga de modo a perceber qual a influ ncia fez se atrasos na CN de modo a perceber a sua influ ncia 4 3 Diagrama de Carga 27 4 3 1 1 Correla o entre CN de uma e duas semanas anteriores a cada per odo De forma a perceber qual a influ ncia das semanas anteriores para o per odo em estudo correlacionou se a CN natural em cada per odo com uma S1 e duas semanas S2 de atraso mesma hora Verifica se nas figuras 4 7 e 4 8 assim como na tabela 4 1 uma forte correla o entre as vari veis para todos os per odos para ambos os atrasos efetuados CN exce o da figura 4 9 este facto surge devido ao atraso de duas semanas contemplar um feriado o 1 de Maio existindo assim uma maior dispers o ao longo desta semana Tendo em conta estes resultados obtidos poss vel classificarmos estas vari veis como vari veis justificativas do diagrama de carga 6500 7000 6000 5500 6000 5000 5000 4500 4000 4000 3500 R 0 9824 3000 3000 3000 ado Sidi eon 3100 4100 5100 6100 7100 Figura 4 7 Correla o entre CN e a CN da Figura 4 8 Correla o entre CN e a CN da semana anterior mesma hora pa
45. al de Transporte 21 ARNT aa sue ga he e a a ee A BRR SA gio BL AE a 2 2 1 2 2 2 2 2 Gestor do Sistema Opera o de Rede ccccccclc Estutura Organizacional da REN ccccclc Centro de Opera o da Rede ccccclc Redes Neuronais Artificiais Introdu o s Redes Neuronais Artificiais 00 3 2 1 3 2 2 3 2 Arquitetura das Redes Neuronais Artificiais 00 Estrutura de um neur nio a aoaaa ee Processos de Aprendizagem ou Treino 24 Vari veis Justificativas do Diagrama de Carga SUDESLA ES a a arg ie eee ae AO a Ud E De eR bs Se DA o 4 1 1 Carateriza o das Subesta es 2 2 ee Previs es de Carga us e cue ee a a a ae ee ee al Diagrama de Carga 1 ee 4 3 1 Fatores que Influenciam o Diagrama de Carga Metodologia de treino das RNA Escolha de Subesta es Teste 2 aaa ee Metodologia de Trabalho 2 2 2 0 0 0 00002 eee 5 2 1 5 2 2 5 2 3 5 2 4 Resultados Recolha de Dados aoaaa a Tratamento de Dados oaoa ao a a Treino da Rede Neuronal Artificial oaoa a a An lise do Desempenho da Rede anoa aaae Compara o de Algoritmos Teste A aoaaa 000000 6 1 1 6 1 2 6 1 3 6 1 4 6 1 5 Compara o de Tempo Computacional Compara o de Precis o o oo ee ee Compara o da Periodicidade das Vari veis de Entrada Compara o do Hist rico d
46. ama de Carga 150 100 Carga Natural Transito de Potencias Figura 4 1 Diagrama de cargas para uma semana numa subesta o da regi o do Algarve 250 200 150 100 50 nNnrnrnrnrnrnrnrnrnrnnnrnnnnnnnnnnNnnnnn dice E o E a M n M n M a E o M o a n S a M a M n n n o M o S a AA ae et NNNNNNNNNNNNNNNNNNNNNNNN ANNAN NNNNMOMOMO HM TET THH HAH LHYYVHORKRRRHOOHO OH Dia CN Tr nsito de Pot ncias Figura 4 2 Diagrama de cargas para uma semana numa subesta o na regi o de Lisboa Os gr ficos das figuras 4 1 e 4 2 refletem o impacto da PRE no tr nsito de pot ncia nos trans formadores presentes nas duas subesta es A diferen a entre a CN e a tr nsito de pot ncias a PRE na subesta o indicada na figura 4 1 existe uma maior predomin ncia de PRE face indicada na figura 4 2 4 1 1 Caraterizacao das Subesta es A atual depend ncia dos consumidores no que diz respeito energia el trica e ao aumento de exig ncia em quest es de qualidade e continuidade de servi o a RNT tem vindo ao longo dos ltimos anos a sofrer diversas mudan as tendo como objetivo adaptar se s exig ncias atuais Assim cada subesta o apresenta carater sticas nicas dependendo do contexto em que est inserida tornando se til para o operador de sistema saber qual o comportamento apresentado por cada subesta o em diversas situa es de forma a poder ter uma atua o r pida O conhecimento dos perfis de cada
47. amento de Opera o da Rede da dire o do Gestor do Sistema Instituto Portugu s do Mar e da Atmosfera Levenberg Marquardt Muito Alta Tens o Multilayer Perceptron Produ o Distribuida Pontos de Entrega Produ o em Regime Especial Produ o em Regime Ordin rio Rede El ctrica Nacional Rede Neuronal Artificial Rede Nacional de Transporte Resilient backpropagation Relat rio da Qualidade de Servi o Supervisory Control and Data Acquisition Sistema El trico de Energia Sistema El trico Nacional Taxa Combinada de Disponibilidade Unidade de Pot ncia ativa Unidade de Tens o XiX Capitulo 1 Introducao O presente documento foi desenvolvido no mbito da unidade curricular Disserta o do Mes trado Integrado em Engenharia Eletrot cnica da Faculdade de Engenharia da Universidade do Porto Esta disserta o aborda o tema do modelo de previs o dos consumos da Rede Nacional de Transporte RNT considerando a Produ o Distribu da PD em que se procede an lise de v rios casos de estudo Neste cap tulo apresentado o enquadramento geral do tema abordado a motiva o e objetivos intr nsecos ao desenvolvimento da disserta o tamb m apresentada no final do cap tulo a estrutura da disserta o 1 1 Enquadramento e Motiva o Em Portugal a entidade respons vel pelo transporte de eletricidade a REN Redes Ener g ticas Nacionais sendo esta a concession ria da RNT Esta concess o impli
48. an lise efetuou se um novo teste a esta subesta o composto por mais cinco treinos com o hist rico de dados desde 21 de Julho de 2013 a 31 de Dezembro de 2014 Feita a compara o dos resultados obtidos deste novo teste com os anteriores obtiveram se os valores de erro apresentados na tabela 6 6 Tabela 6 6 Compara o de erros entre os 3 testes efetuados para a subesta o S34 Data MAD MSE MAPE RMSE ANO 2014 2 8 17 1 4 40 0 051 ANOS 2012 a 2014 3 5 34 8 8 10 0 072 21 6 2013 A 31 12 2014 34 25 1 5 20 0 071 E Mape 8 14 5 17 4 38 2014 2012 14 21 6 2013 a 31 12 2014 Figura 6 9 Gr fico de compara o do MAPE para os tr s testes efetuados para a subesta o S34 Por observa o da tabela 6 6 e o gr fico da figura 6 9 conclui se que esta varia o de CN entre os tr s anos estaria a afetar a previs o pois utilizando o hist rico de dados desde a data de estabiliza o da CN os erros de previs o baixaram e os resultados obtidos assemelham se ao comportamento apresentado pelas subesta es S28 e S45 6 1 5 Aspetos conclusivos do teste A Ap s an lise de todos os pontos definidos para o teste A decidiu se que apesar de um resultado de previs o mais preciso do algoritmo LM ser utilizado o algoritmo RPROP para o estudo da adi o de novas entradas RNA devido a este algoritmo apresentar um tempo computacional 56 Resultados reduzido e os seus erros de previs o n o terem comprometido o estud
49. ca que a REN seja respons vel pelo planeamento constru o opera o e manuten o da RNT abrangendo ainda o planeamento e a gest o t cnica global do Sistema El trico Nacional 8 O Gestor de Sistema GS deve assim assegurar de forma ininterrupta os equil brios necess rios ao desempenho t cnico do sistema el trico a n vel nacional garantindo a qualidade de servi o em condi es de seguran a e sempre com as convenientes margens de reserva 9 A RNT tem o objetivo de ligar os produtores aos centros de consumo e ainda a interliga o necess ria com a rede de transporte europeia para garantir o funcionamento dos mercados de ele tricidade Para al m das centrais t rmicas e h dricas cl ssicas de grande dimens o t m surgido muitas outras de menor pot ncia no mbito da produ o de origem renov vel ou da cogera o Assim os diagramas de carga das subesta es da RNT na fronteira com a rede de distribui o so freram nos ltimos anos uma profunda modifica o Esta deve se ao crescente n mero de Produ tores Distribu dos presentes nas redes de distribui o em especial devido aos produtores e licos que apresentam um car ter vol til na produ o de energia Atualmente a PD totaliza valores muito significativos por vezes at superiores aos do con sumo de uma subesta o aumentando a incerteza na previs o das cargas do ponto de vista do transporte Devido a esta incerteza surgiu a necessidade da concep
50. cado por 100 dando origem ao vetor outputfinal O comando 21 guarda os valores obtidos da previs o num ficheiro Excel No comando 22 guardada a rede treinada Este script foi sendo otimizado de modo a adaptar se aos testes efetuados sendo referido aqui apenas um pequeno excerto Com isto foi poss vel automatizar os treinos e tornar o desenvolvi mento destes testes menos moroso 5 2 4 An lise do Desempenho da Rede natural que para cada vari vel introduzida cada algoritmo utilizado cada treino efetuado se traduza num resultado diferente de previs o Sendo esta a principal raz o deste estudo a qualidade da previs o requer uma an lise cuidadosa por forma a obter se a m xima qualidade Para se conseguir uma percep o da qualidade de previs o obtida foram utilizados indicadores de erro que nos permitam uma an lise acerca dos resultados obtidos face ao valor real assim como permitir um termo de compara o entre as diversas redes testadas O erro de previs o obtido pela diferen a entre o valor real e o valor da previs o como demonstrado na express o 5 6 er A P 5 6 Onde e o erro no per odo t A o valor real no per odo t e P a previs o para o per odo t MAD Mean Absolute Deviation O desvio m dio absoluto calculado atrav s da fun o 5 7 sendo a fra o entre o somat rio dos desvios absolutos e o n mero de t per odos analisados Define se como a m dia dos desvios absolu
51. carga mensais de cada subesta o e Tipo de consumo A carateriza o por tipo de consumo seguiu uma metodologia apresentada no anexo B centrando se na classifica o do fator carga Esta classifica o foi refor ada pela an lise dos diagramas de pontas anuais fornecidos pelo SCADA e pela an lise dos esquemas da rede de distribui o de forma a verificar os consumos que cada subesta o alimentava A classifica o por tipo de consumo classifica as subesta es por Rurais Urbanas Setor Terci rio Industrial Na figura 4 3 e 4 4 apresenta se os valores globais dos resultados obtidos por esta carateriza o Das 63 subesta es dispon veis em Portugal Continental 34 s o Urbanas Setor Terci rio 21 industriais e 8 rurais Nota se que apenas 5 das subesta es n o apresentaram sazonalidade o 24 Vari veis Justificativas do Diagrama de Carga E Sem E Rural sazonalidade is E Sazonalidade moderada E Urbano setor Terci rio Sazonalidade forte Industrial Figura 4 3 Carateriza o por sazonalidade Figura 4 4 Carateriza o por tipo de consumo que faz com que seja poss vel indicar que a temperatura altera o diagrama de carga sendo que cada esta o do ano caraterizada tipicamente pelo seu grau de precipita o e temperatura Como indica o gr fico da figura 4 5 as subesta es rurais exce o de uma s o de sa zonalidade forte Nas Urbanas Setor Terci rio predomina
52. ci ais 27 151 163 2007 Ricardo Daniel e Silva Machado Previs o dos consumos na RNT considerando a produ o distribu da Desenvolvimento de um procedimento de apoio decis o do Gestor do sistema Tese de doutoramento Feup 2014 Ren Rede El ctrica Nacional REN URL http www ren pt o que fazemos eletricidade o setor eletrico t 5 Ren Rede El ctrica Nacional acedido em Mar o de 2015 URL http www ren pt pt PT o que fazemos eletricidade cadeia de valor da rede de transporte t4 EDP acedido em Mar o de 2015 URL http www edp pt pt aedp sectordeenergia sistemaelectricoportugues Pages SistElectNacional aspx ERSE acedido em Mar o de 2015 URL http www erse pt pt electricidade actividadesdosector transporte Paginas RedeNacionaldeTransporteRNT aspx ERSE acedido em Mar o de 2015 URL http www erse pt pt electricidade actividadesdosector transporte Paginas RedeNacionaldeTransporteRNT aspx Ren Rede El ctrica Nacional Caracteriza o da rede nacional de transporte para efeitos de acesso rede p gina 72 2012 Ren Rede El ctrica Nacional e El ctrica Nacional PDIRT Plano de Desenvolvimento e Investimento da Rede de Transporte de Eletricidade 2014 2023 15 76 15 16 17 18 19 20 21 22 23 a 24 25 26 27 28 a4 29 30 31 32 a 33 REFERENCIAS Ren Rede El ctrica Nacional
53. cos a utilizar para treino da RNA e a periodicidade das entradas a fornecer RNA Para desenvolvimento deste teste ser o realizados para cada subesta o 8 subtestes como apre sentado na figura 5 4 onde em cada teste s o treinadas 5 redes neuronais ou seja 40 treinos por subesta o perfazendo um total de 160 RNA a ser analisadas 42 Metodologia de treino das RNA Mar quardt 1 ano i Hora a hora 3 anos E Le Resilient backpropagation Algoritmos de treino 1 ano i Hora a hora 3anos Intervalo Hor rio dos Dados Periodo de Hist rico de Se dados Figura 5 4 Metodologia adotada para desenvolvimento do teste A 5 2 3 2 Vari vel Temperatura Teste B A vari vel temperatura como j estudado tem um efeito sobre a CN pois com o aumento ou diminui o da temperatura a CN varia Para o estudo da vari vel temperatura seguiu se a metodologia apresentada na figura 5 5 De forma a estudarmos esta vari vel realiza se o teste B onde feita a inclus o da vari vel temperatura Esta foi dividida em tr s tipos de temperatura dando origem a 3 novas entradas que s o respetivamente e Tmax Temperatura di ria m xima e Tmin Temperatura di ria m nima e Tmed Temperatura m dia di ria 5 2 Metodologia de Trabalho 43 Teste B1 Tmin e Tmax Variavel Temperatura TesteB Teste B2 Tmin Tmax e Tmed Figura 5 5 Metodologia adotada para desen
54. de 2014 com a semana anterior A partir da figura 4 19 depreende se que caso um feriado ocorra a um domingo este n o ter grande impacto no diagrama de carga Como j referido o comportamento de um feriado assemelha se a um domingo assim para efeitos de previs o de carga estes dias an malos ser o considerados como um domingo no entanto deve ter tido em especial aten o o dia e poca em que ocorrem pois estes influenciam de forma diferente o diagrama de carga ann UJU 5000 UVU Annan SUL annn PULL hiv nan LU ann UVU 6 00 2a 18 00 V VY AS SS t CN Domingo CN domingo anterior Figura 4 19 Compara o do diagrama de carga di rio feriado de 20 de Abril com o Domingo anterior 32 Vari veis Justificativas do Diagrama de Carga 4 3 1 3 Temperatura A temperatura normalmente assumida como uma vari vel influente para previs o de carga Diversos estudos efetuados revelam que a utiliza o de dados de temperatura permite melhorar o desempenho da previs o de cargas No entanto devido a n o ser poss vel dispor dos dados reais de temperatura apenas de previs es de temperatura v rios artigos defendem que a rela o entre dados de consumo e temperatura n o seja assim t o clara A utiliza o dos dados de temperatura pode ou n o ser vi vel dependendo do caso especifico que se est a analisar sendo um fator determinante a qualidade dos dados utilizados 36 A obten o dos dado
55. derada Braga S26 Industrial Sem sazonalidade Braga S27 Industrial Sazonalidade moderada Coimbra S28 Industrial Sazonalidade moderada Aveiro S29 Urbano setor Terci rio Sazonalidade forte Bragan a S30 Rural Sazonalidade forte Bragan a S31 Urbano setor Terci rio Sazonalidade moderada Viseu S32 Industrial Sazonalidade moderada Santar m S33 Rural Sazonalidade forte Leiria S34 Urbano setor Terci rio Sazonalidade forte Porto S35 Urbano setor Terci rio Sazonalidade forte Braga S36 Urbano setor Terci rio Sazonalidade moderada Aveiro S37 Urbano setor Terci rio Sazonalidade forte Guarda S38 Rural Sazonalidade forte Coimbra S39 Urbano setor Terci rio Sazonalidade forte Faro S40 Industrial Sazonalidade forte Coimbra S41 Industrial Sazonalidade moderada Braga S42 Industrial Sazonalidade moderada Santar m S43 Urbano setor Terci rio Sazonalidade forte Porto S44 Industrial Sazonalidade moderada Braga S45 Industrial Sem sazonalidade Set bal S46 Industrial Sazonalidade moderada Set bal S47 Industrial Sazonalidade moderada Santar m S48 Urbano setor Terci rio Sazonalidade moderada Lisboa S49 Industrial Sazonalidade moderada Lisboa S50 Urbano setor Terci rio Sazonalidade moderada Coimbra S51 Urbano setor Terci rio Sazonalidade forte Set bal S52 Urbano setor Terci rio Sazonalidade forte Lisboa S53 Urbano setor Terci rio Sazonalidade forte Faro S54 Urbano setor Terci rio Sazonalidade forte Porto S55 Rural Sazonalidade forte Faro S56 Industrial Saz
56. do pr processamento e treino de redes necess rio uma forte organiza o dos ficheiros a utilizar de modo a ser poss vel a obten o de qualquer dado no decorrer da an lise dos casos de estudo An lise do ia desempenho da previs o Treino da Recolha de Tratamento Dados de Dados RNA 4 Pr processamento Figura 5 1 Metodologia global para elabora o de um modelo para previs o de CN 5 2 1 Recolha de Dados A recolha de dados uma etapa fundamental para o desenvolvimento deste estudo pois necess rio obter diversos dados hist ricos de modo a ser poss vel efetuar v rios testes nas redes neuronais ou seja necess rio disponibilizar um grande conjunto de dados hist ricos das poss veis a vari veis candidatas rede neuronal para que esta consiga apresentar resultados satisfat rios da previs o de CN Foi necess rio obter um hist rico de cargas para todas as subesta es conseguido a partir dos registos de telecontagem da REN Refira se que estes valores s o referentes carga natural cor respondente pot ncia m dia dos registos de energia ativa em MW por per odos de 15 minutos considerando a Produ o Distribu da ligada subesta o em causa conforme a topologia t pica A recolha de dados de temperatura para cada capital de distrito revelou se uma das grandes dificuldades Para as subesta es dotadas de sensores de temperatura foi poss vel obt la dir
57. do teste E2 e o modelo de previs o do COR para a semana de 20 de Abril a 26 de Abril de 2015 Modelo E2 Modelo COR Sub MAD MSE MAPE RMSE MAD MSE MAPE RMSE S17 11 7 224 3 8 483 0 661 14 4 377 1 10 3 0 962 23 3 7 18 6 9 2 1 703 10 4 154 0 25 9 1 801 42 5 8 64 2 7 4 0 243 10 4 183 8 13 1 0 752 53 4 9 31 2 6 0 0 213 13 6 2585 16 7 1 989 m MAPE E2 mMAPE COR 17 23 42 53 Figura 6 23 Compara o do MAPE para o modelo E2 e o modelo do COR para a semana de 20 de Abril a 26 de Abril de 2015 Modelo E2 Modelo COR Figura 6 24 Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S53 Na semana de 27 de Abril a 3 de Maio de 2015 o modelo E2 apresentou tamb m resultados mais precisos Pela an lise da tabela 6 16 poss vel verificar que o modelo E2 para esta semana apresentou tamb m uma redu o em todos os erros A subesta o S23 apresentou a maior redu o do MAPE de 21 6 Este erro apresenta sempre valores mais baixos com a aplica o do modelo 6 7 Compara o de Resultados com o Modelo de Previs o Desenvolvido 69 E2 para todas as subesta es comparadas como reflete o gr fico da figura 6 25 Tabela 6 16 Compara o do MAPE para o modelo E2 e o modelo do COR para a semana de 27 de Abril a 3 de Maio de 2015 Modelo E2 Modelo COR Sub MAD MSE MAPE RMSE MAD MSE MAPE RMSE S17 33 16 9 3 4 0 110 13 55 340 1 14 1 1
58. e tamente do SCADA apresentando registos de temperatura em per odos de 15 minutos em graus Celsius para as restantes subesta es os valores da temperatura foram obtidos atrav s de 37 38 e 39 apresentando registo da temperatura m dia m xima e m nima di ria em graus Celsius e Fahrenheit O hist rico de dados composto por valores desde Janeiro de 2012 a Dezembro de 2014 contemplando assim um elevado n mero de amostras 105216 amostras de modo a ser poss vel simular as varia es que ocorrem com o decorrer do tempo sendo este composto pelas seguintes vari veis candidatas entrada da rede neuronal e DDS Dia da semana 1 domingo 2 segunda feira 7 s bado H hora de previs o 0 1 23 e Fer Feriados se sim a vari vel ser 1 caso n o se verifique o seu valor ser zero FerS1 Feriado na semana anterior mesma hora da hora de previs o e FerS1H1 Feriado na semana anterior uma hora antes da hora de previs o 5 2 Metodologia de Trabalho 37 e FerS2 Feriados duas semanas antes mesma hora da previs o e FerS2H1 Feriados duas semanas antes uma hora antes da hora de previs o e Sl Carga na semana anterior mesma hora que a previs o e slhl Carga na semana anterior uma hora antes da hora de previs o e S2 Carga duas semanas antes mesma hora que a previs o e s2hl Carga duas semanas antes uma hora antes da hora de previs o e tmax Temp
59. e 20 de Abril a 26 de Abril de 2015 para a subesta o S42 iqe Iqe og Iqe og IQe gZ Ige 1qe gz Ige Ige yz IGe yz IGe yz Ige yz IGe Z Ige z IGe z IGe z Ige zz IQe zz Ige zz Ige zz IQe TZ Ige tz IQe T2 IQe T2 Iqe o Igqe iqe Iqe o Real AP1 AP2 Figura C 3 Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o S17 93 Compara o de M todos 85 75 65 55 45 IBUIE IBUIE IBUI E IBUI E lewz IBUI Z IBUI Z lewz Te Te JEW T JEW T Iqe ce 1qe 0 1qe 0 1qe 0 Iqe Iqe Iqe g Iqe Iqe sz Iqe 2z Iqe 2 Iqe 2z 1qe 4Z 1qe 4Z 1qe 4Z IQe z ModeloE2 Modelo COR Rel Figura C 4 Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o S23 170 AAW NO IBUI E IBUI E IBUI E lewz lewz lewz IBUI Z ee a JEW T JWT Iqe ce Iqe ce Iqe ce Iqe ce Iqe Iqe Iqe Iqe Iqe 2 Iqe 2z Iqe 2z Iqe 9 IQe Zz IQe z IGe Zz IQe z Modelo COR Modelo E2 Rel Figura C 5 Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o S42 Compara o de M todos 94 teu g teui g JEW JEW lewz lewz lewz lewz JE WT teu T JEW T 1B WT 1qe 0 1qe 0 1qe 0 1qe 0 1qe 6 amp Iqe Iqe ez Iqe e Jqe g
60. e Dados oaoa Aspetos conclusivos do teste A aoaaa ee ee xi 21 21 22 23 25 26 Xil 6 2 Vari vel Temperatura Teste B 6 3 Vari vel Feriado Teste C 6 3 1 6 3 2 Teste C2 6 3 3 Compara o dos Testes C1 e C2 com Teste A 6 4 Vari vel Feriado e Temperatura Teste D 6 5 N mero de Neur nios a Utilizar Teste E 6 6 Resultados de outras subesta es 6 7 Compara o de Resultados com o Modelo de Previs o Desenvolvido Perce o do erro obtido 6 7 1 7 Conclus es e Trabalhos Futuros 7 1 Conclus es 7 2 Desenvolvimentos Futuros Refer ncias A Aplica o Previs o de Carga Natural Al Requisitos da Aplica o A 2 Comandos da Aplica o A 3 Manual de Utiliza o B Carateriza o das Subesta es B 1 Tipo de Consumo B 2 Sazonalidade C Compara o de M todos D Mapa RNT CONTE DO 71 lon tris ew yg An da Ga amp wk GG E Ca ew A we ee eae a fal br Bae c ety tele Bo Gee iy Coe ees ee ia 72 75 79 it Atte a ae ee Bhat A a ee et 79 WR sian dat A E i Gal o Gl ee Be Be ED 79 SA sep Se ty Se Gey e A E eh as gap gee tae ja 81 85 a irnia dba a RO AOS al SO a web ah aa SSi d 85 PREG GAM ba DS Pea Oe ee eae dole ehh EE 86 91 95 Lista de Figuras 2 1 2 2 23 2 4 2 5 3 1 3 2 3 3 3 4 3 5 3 6 41 42 4 3 44 4 5 4 6 4 7 4 8 4 9 4 10 4 11 4 12 4 13 4 14 Evolu o do comprimento dos circuitos de linha em servi o na rede MAT e Po t ncia de
61. e a introdu o da vari vel temperatura assim como a introdu o da vari vel feriado no modelo de previs o a curto prazo de CN se torna fulcral No entanto a diferen a entre o teste D1 e D2 foi novamente m nima Deste modo n o ainda poss vel definir se claramente qual o melhor modelo a utilizar 64 mTesteD2 mTesteDi mTesteC2 TesteCi mTesteB mTesteA Resultados Figura 6 22 Compara o do MAPE obtido para todos os testes realizados 6 5 N mero de Neur nios a Utilizar Teste E Encontrados os dois melhores modelos para previs o de CN neste teste define se qual o n mero de neur nios ideal para utilizar na camada escondida da RNA sendo que feita sempre uma compara o entre os dois modelos de forma a podermos encontrar o mais eficaz e preciso Seguindo a metodologia descrita no cap tulo anterior e efetuando os testes para a primeira fase obt m se os resultados apresentados na tabela 6 10 Tabela 6 10 Resultados dos erros obtidos do teste El e E2 na primeira fase para as subesta es S22 S34 e S45 Teste E1 Teste E2 Sub Neur nios MAD MSE MAPE RMSE MAD MSE MAPE RMSE 20 16 6 468 5 11 30 0 705 16 8 490 11 50 0 734 522 25 17 9 670 1 12 10 0 987 19 2 663 9 13 00 0 994 30 18 3 615 9 12 50 0 922 18 2 571 8 12 30 0 856 35 18 5 567 7 12 7 0 856 19 5 6954 13 20 0 995 20 4 2 44 5 6 30 0 113 4 3 40 6 6 40 0 103 S34 25 5 1 60 7 60 0 153 6 1 100 2 9 10 0 254 30 6 2 105 9 9 20 0
62. e duas semanas anteriores para o per odo de Primavera 6750 6250 5750 5250 E 4750 4250 3750 3250 21 jul 23 jul 25 jul 27 jul CN CN semanaanterior CN divas semanas anteriores Figura 4 13 Compara o do diagrama de carga semanal com o da semana anterior e duas semanas anteriores para o per odo de Ver o 4 3 Diagrama de Carga 29 6250 so ANJ T ANI AN on A y fN i AN a DR ADAM MAMA 4250 v V Y q V AV 3750 Ny CN CN uma semana antes CN duas semanas antes Figura 4 14 Compara o do diagrama de carga semanal com o da semana anterior e duas semanas anteriores para o per odo de Outono realizada tamb m a an lise da correla o entre a CN de uma e duas semanas antes com uma hora de atraso ou seja para a hora 1 do dia 15 de janeiro de 2015 o atraso correspondente ser a hora zero do dia 8 de janeiro de 2015 S1H1 e a hora zero do dia 1 de janeiro de 2015 S2H1 Para al m deste atraso efetuada uma outra altera o em que em vez de uma hora de atraso passa a duas horas de atraso S1H2 e S2H2 Os resultados obtidos destas correla es encontram se na tabela 4 2 Tabela 4 2 Valores da correla o entre a CN e a CN S1H1 S1H2 S2H1 e S2H2 por per odo Per odo Inverno Primavera Ver o Outono S1H1 0 86 0 88 0 88 0 87 S1H2 0 63 0 65 0 68 0 64 s2H1 0 88 0 64 0 87 0 85 S2H2 0 64 0 46 0 65 0 62 Apesar de apresentar j alguma dis
63. e incentivo o aumento da disponibilidade dos elementos da RNT sendo um fator determinante para a qualidade de servi o promovendo uma maior fiabilidade da rede de transporte Este mecanismo incide sobre o indicador Taxa Combinada de Disponibilidade TCD que conjuga os dois principais elementos da RNT os circuitos de linha linhas a reas e subterr neas e os transformadores de pot ncia transformadores de entrega rede de distribui o e os auto transformadores No ano de 2014 a TCD foi de 98 9 apresentando o melhor valor de sempre distanciando se do valor de refer ncia da ERSE de 97 5 sendo indicativo de uma cont nua e progressiva melhoria da coordena o dos trabalhos efetuados 13 15 A continuidade de servi o carateriza e avalia as situa es em que se verifica a interrup o do fornecimento de energia el trica aos PdE Esta avaliada em indicadores de qualidade de servi o 2 1 A RNT 7 N mero total de instala es 2008 2009 2010 2011 2012 2013 2014 2015 2016 B400kV B220kV BISOkV Previs o PDIRT 2014 23 Figura 2 2 Evolu o do n mero de subesta es e postos de corte seccionamento e transi o da RNT gerais que se referem totalidade de um sistema ou zona geogr fica e indicadores individuais que se referem a cada um dos pontos de entrega A REN anualmente procede carateriza o da onda de tens o em conformidade com um plano de monitoriza o realizado para o efeito de medi es
64. e interliga o entre os neur nios 26 27 Cada camada possui v rios neur nios e cada neur nio de cada camada ligado aos neur nios da camada seguinte Quando surge informa o na camada de entrada esta passa posteriormente atrav s das camadas escondidas at chegar sa da e a cada liga o entre os neur nios associado um peso 27 Neur nios Pesos w N gt K f Unidades de saida Unidades Primeira de Entrada camada oculta Figura 3 6 Estrutura de uma RNA do tipo MLP 7 3 2 1 3 Estrutura de uma MLP A estrutura topol gica de uma rede MLP de extrema import ncia Uma rede muito com plexa pode levar a um aumento do ru do provocando a incapacidade de obten o de resultados v lidos Contrariamente uma rede muito simples pode resultar numa inaptid o para reproduzir adequadamente os dados sendo a rede incapaz de modelar dados mais complexos Assim surge uma necessidade de se encontrar um equil brio entre a complexidade e simplicidade de modo a que rede seja capaz de fornecer dados cred veis 28 A sua complexidade ou simplicidade referida anteriormente depreende se com o n mero de unidades de entrada e sa da do n mero de camadas escondidas e do n mero de neur nios cons tituintes das camadas escondidas Surgindo assim a quest o de qual o n mero certo para obter a melhor estrutura de uma MLP 28 Na verdade n o h nenhum estudo matem tico que refira uma resposta def
65. ede neuronal decompondo se em dois tipos as unidirecionais feedforward e as recorrentes Recurrent ou feedback As denominadas por unidirecionais s o redes onde as liga es formadas entre os neur nios t m uma nica dire o ou seja a informa o propagada desde os neur nios de entrada at aos neur nios de sa da sem que haja ciclos ou loops na rede Nas redes unidirecionais normalmente os neur nios est o organizados por camadas surgindo assim as redes Multilayer Perceptron MLP redes com v rias camadas ou um tipo mais simples denominadas por Single Layer Perceptron 6 Este foi o primeiro e o mais simples tipo de RNA sendo por norma as mais utilizadas As RNA recorrentes caraterizam se por conter liga es entre neur nios no sentido progressivo e regressivo Devido a esta possibilidade t m o poder de processar a informa o com recurso a mem ria interna existindo realimenta o As sa das de um neur nio podem ent o ser entradas de um neur nio da camada seguinte ou da camada anterior sendo que a taxa de altera o do estado interno pode ser alterada pelos pesos de recorr ncia o que permite uma melhor perce o das distor es das entradas 24 7 No diagrama da figura 3 3 apresentam se os tipos de redes neuronais assim como os seus algoritmos de treino Backpropagation BP Resilient Backpropagation RPROP e Levenberg Marquardt LM poss vel constatar que dado maior enfoque s redes unidireci
66. eis de entrada da RNA Foi ent o realizada uma an lise sobre as vari veis justificativas do diagrama de carga e qual a influ ncia que estas t m na previs o de CN Os resultados demonstram que a carga natural da semana anterior e a de duas semanas an teriores para a mesma hora est o fortemente correlacionadas com a carga natural da hora alvo assim como a carga natural para uma e duas semanas anteriores com uma hora de atraso hora alvo Os dias de feriado introduzem uma altera o significativa no diagrama de carga por isso foi dada especial aten o a estes dias Concluiu se que a influ ncia que apresentam no diagrama de carga depende do dia da semana em que este ocorre e do per odo festivo em que este se insere A temperatura n o apresentou uma elevada correla o no entanto foi poss vel perceber se que para temperaturas mais elevadas a CN aumenta acontecendo o mesmo para as temperaturas mais baixas 71 72 Conclus es e Trabalhos Futuros Devido grande quantidade de dados das vari veis envolventes foram desenvolvidas meto dologias bem estruturadas para o tratamento dos dados e para o desenvolvimento dos testes rea lizados com as RNA tornando assim os processos menos morosos e facilitando a acessibilidade dos dados Caso seja necess rio realizar um treino para uma nova subesta o ou realizar novos treinos com um novo conjunto de dados apenas ser necess rio a introdu o dos novos dados e automaticamente ser
67. ell Nat Comput CINC 2009 1 58 61 2009 doi 10 1109 CINC 2009 107 F Maciel Barbosa Gest o Do Diagrama de Cargas p ginas 1 28 2005 J Nuno Fidalgo Susana Silva e Manuel Matos Previs o do diagrama de cargas global do SEN p ginas 1 16 2007 Temperatura URL www tutiempo net Temperatura URL http www7 ncdc noaa gov CDO cdosubqueryrouter cmd Temperatura URL http www accuweather com pt pt portugal weather Nuno Fidalgo Previs o de consumos 2014 MatLab URL http www mathworks com help nnet gs neural network time series prediction and modeling html Matlab GUI URL http www mathworks com discovery matlab gui html s tid srchtitle IPMA Intituto Portugu s do Mar e da Atmosfera URL www ipma pt 78 REFERENCIAS Anexo A Aplica o Previs o de Carga Natural O desenvolvimento de uma ferramenta de apoio ao GS foi um dos principais objetivos desta disserta o Ap s realizado o estudo para a procura do melhor modelo de RNA para previs o de CN a curto prazo foi poss vel desenvolver a aplica o Previs o de Carga Natural Esta aplica o foi desenvolvida em Matlab R2015a 42 sendo descrito o seu funcionamento no presente anexo assim como apresentado o manual de utiliza o A 1 Requisitos da Aplica o Para ser poss vel correr esta aplica o necess rio Matlab ou compilador Matlab Comipile Runtime e Microsoft Excel e Todos os ficheiros devem estar c
68. entradas 25 neur nios na camada escondida e uma sa da 58 Resultados DDSSen Y I in Y Saidas 52H1 Y Il n m X th G Entradas Figura 6 12 Modelos da RNA refente ao teste C2 Neste teste necess rio a an lise espec fica de certos dias de ano feriados e dias em que a previs o dependa de feriado Desta forma foi selecionada a semana de 28 de Abril a 4 de Maio de 2014 o feriado de 10 de Junho e o dia 15 de Dezembro de 2014 estando na presente disserta o apresentados os resultados obtidos para a subesta o S34 6 3 1 Teste C1 Com a inclus o da nova entrada Fer teste C1 obt m se o resultado apresentado nos gr ficos da figura 6 13 6 14 e 6 15 A semana de 28 de Abril a 4 de Maio de 2014 uma semana em que a previs o depende de tr s feriados anteriores 18 20 e 25 de abril de 2014 e contempla um feriado no dia 1 de Maio de 2014 Na figura 6 13 claramente se percebe que sem a inclus o da vari vel Fer a previs o de CN para o feriado de 1 de Maio de 2014 apresenta um elevado erro J a previs o com a introdu o da vari vel feriado apresenta resultados mais satisfat rios sendo estes muito mais pr ximos da CN real No dia 2 de Maio de 2014 a previs o depende de 2 feriados anteriores e assim a previs o com a introdu o da vari vel Fer apresenta erro para v rias horas desse dia 6 3 Vari vel Feriado Teste C 59 CN MW Figura 6 13
69. eram presentes no meu orientador Professor Doutor Ant nio Machado e Moura a quem desde j quero agradecer por todo o apoio prestado Uma pessoa incans vel sempre pronta a ajudar e a esclarecer alguma d vida que me surgisse muita paci ncia e simpatia quero deixar um FORTE agradecimento ao meu Co orientador Eng Ricardo Vasco Fernandes pelo tempo que predisp s para me orientar e pelos conselhos dados ao longo do desenvolvimento desta disserta o Ao Eng Vieira Couto quero deixar tamb m um agradecimento pelas excelentes condi es de trabalho e pela experi ncia que me proporcionou Aos restantes elementos do COR que sempre estiveram predispostos a ajudar me um obrigado Tamb m um agradecido obrigado ao Professor Nuno Fidalgo pela sua disponibilidade e aten o no esclarecimento de algumas d vidas O que seria da vida sem amigos A todos os meus amigos quero agradecer o apoio sentido os sorrisos as m sicas as festas o estudo os bons e maus momentos Enfim por tudo que nos foi proporcionado ao longo destes anos porque sempre que precisei voc s estiveram l Rui Carvalho vii viii The wisdom of men is not proportional to their experience but to their ability to gain experience George Bernard Shaw 1X Conte do 1 Introdu o 1 1 Enquadramento e Motiva o 2 0 0 0 0 ee ee 1 27 OBJetivOS s ee ee GA e oe eee ee ED E RO do E 1 3 Estrutura da disserta o 1 ee 2 Rede Nacion
70. eratura di ria m xima e tmin Temperatura di ria m nima e tmed Temperatura m dia di ria 5 2 2 Tratamento de Dados Obtidos todos os dados necess rios ao desenvolvimento deste estudo deveras importante trat los para que o treino das redes neuronais seja mais eficiente e r pido Este processo revela se extremamente moroso e minucioso pois qualquer erro pode ditar um mau resultado final Para cada subesta o foi criado um ficheiro Excel para posteriormente poderem ser retirados todos os dados necess rios respetiva subesta o e caso seja necess ria a sua atualiza o esta pode ser feita de uma forma r pida Na figura 5 2 apresentado um exemplo desta folha Figura 5 2 Exemplo da folha Excel para tratamento de dados 38 Metodologia de treino das RNA O tratamento de dados consiste em Verifica o dos dados efetuada uma verifica o a todos os dados de modo a encontrar poss veis erros Verificou se que os valores de CN fornecidos pelo SCADA contemplam a mudan a de hor rio de Ver o ou Inverno aumentando ou diminuindo uma hora para esses dias Desta forma corrigido este problema para que todos os dias ficassem com 24 horas Para o hor rio de Ver o s o inclu dos mais quatro valores na segunda hora do dia baseados na m dia da hora anterior e posterior Para o caso da mudan a de hor rio de Inverno s o eliminados os quatro valores re
71. eravelmente baixo apresentando um MAPE m ximo de 7 9 para a subesta o S23 6 7 Compara o de Resultados com o Modelo de Previs o Desenvol vido Atualmente o COR disp e de um modelo de previs o de CN que se comparou com o modelo desenvolvido na presente disserta o O per odo definido para compara o dos respetivos modelos da previs o de CN foi e A semana de 20 de Abril a 26 de Abril de 2015 Esta semana contempla um feriado no dia 25 de Abril de 2015 e A semana de 27 de Abril a 3 de Maio de 2015 Esta semana cont m um feriado a 1 de Maio de 2015 e a sua previs o est dependente do feriado de 25 de Abril de 2015 Na tabela 6 15 s o apresentados os resultados obtidos para a previs o da semana de 20 de Abril a 26 de Abril de 2015 Comparando os erros obtidos conclui se que todos os erros baixaram com a aplica o do modelo E2 A subesta o S23 a que apresenta uma maior diferen a de MAPE conseguindo este modelo baixar o MAPE em 16 7 como apresentado no gr fico da figura 6 23 Atrav s da an lise do diagrama de carga semanal da subesta o S53 apresentado no gr fico da figura 6 24 verifica se tamb m que o modelo E2 apresenta melhores resultados para previs o de CN Um fator tamb m muito importante a sublinhar o facto de no dia 25 de Abril de 2015 este novo modelo apresenta resultados mais precisos para a previs o deste feriado 68 Resultados Tabela 6 15 Resultados obtidos pelo modelo
72. ergia el trica integra o desenvolvimento a explora o e a ma nuten o da RNT as suas interliga es com outras redes e a gest o t cnica global do sistema assegurando a coordena o das instala es de produ o e distribui o de modo a garantir a con tinuidade e seguran a do abastecimento e funcionamento integrado e eficiente do sistema sendo a REN a entidade respons vel por todas estas fun es 12 A rede de transporte apresenta uma topologia emalhada est dividida em tr s n veis de tens o 400 kV 220 kV e 150 kV e a interliga o a Espanha efetuada em nove pontos sendo seis interliga es a 400 kV e tr s a 220 kV Atualmente constitu da por 63 subesta es 10 postos de corte 2 de seccionamento 1 de transi o e um conjunto de linhas de transporte que totalizava no ano de 2014 8630 km sendo estas quase exclusivamente a reas nos n veis de tens o 400 kV 220 kV e 150 kV Os tro os em cabo subterr neo s o explorados a 220 kV e 150 kV nomeadamente na regi o da Grande Lisboa e Grande Porto 11 13 Relativamente compensa o do fator de pot ncia a RNT possui baterias de condensadores e reat ncias shunt Para limita o das correntes de defeito encontram se ao servi o na RNT diversas reat ncias de fase e de neutro 13 No anexo D poss vel visualizar a disposi o da RNT a n vel nacional Em termos globais observa se na figura 2 1 uma tend ncia para a o aumento das linhas de 400 kV e de
73. esente disserta o B 1 Tipo de Consumo Os valores de consumo foram obtidos por subesta o para o ano de 2014 a partir dos registos de telecontagem da REN Refira se que estes valores s o referentes carga natural correspon dente pot ncia m dia dos registos de energia ativa por per odos de 15 minutos considerando a Produ o Distribu da ligada subesta o em causa conforme a topologia t pica Os dados foram previamente analisados de modo a eliminar valores an malos e foram determinados por esta o do ano e por subesta o os valores de carga m dios m ximos e m nimos Adquiridos estes valores ent o poss vel fazer a carateriza o por tipo de consumo atrav s do fator de carga de cada subesta o calculado de acordo com a formula B 1 Para classificar cada subesta o de acordo com os tr s tipos de consumo predominantes foi necess rio escolher os valores limite do fator de carga De modo a conseguir se uma classifica o coerente foram analisados v rios cen rios incluindo a observa o de diagramas de carga das subesta es da REN e an lise dos esquemas da rede de distribui o procurando que esta classifica o se adequasse realidade E CNmed B 1 CN max Sendo CNineq a CN m dia e CNmax CN m xima pot ncia ativa por subesta o dada em MW O fator de carga foi obtido atrav s da express o B 1 e classificado da seguinte forma descrita na tabela B 1 Na an lise do
74. etodologia 8 Escrita da disserta o 1 3 Estrutura da disserta o Para permitir uma melhor compreens o das metodologias utilizadas e estudos efetuados para obten o dos objetivos propostos a presente disserta o tem uma l gica sequencial apresentada em 7 cap tulos No cap tulo 1 feito o enquadramento do tema apresentada a motiva o que levou reali za o desta disserta o e s o tra ados os objetivos para a mesma O cap tulo 2 apresenta a descri o e evolu o da RNT focando tamb m as fun es da sua concession ria a REN evidenciando a sua estrutura funcional e o enquadramento do Gs No cap tulo 3 estudada a t cnica de previs o de carga a curto prazo utilizada nesta disserta o baseada em s ries temporais as RNA efetuado um estudo referente aos v rios tipos de redes neuronais e m todos de aprendizagem dando especial aten o aos v rios tipos de algoritmos que podem ser utilizados No cap tulo 4 as subesta es pertencentes REN s o analisadas nomeadamente no que diz respeito ao tipo de consumo por estas alimentado e a sua localiza o geogr fica S o aborda dos tamb m neste cap tulo os fatores que influenciam o diagrama de carga sendo apresentado o resultado do estudo efetuado sobre as vari veis justificativas do diagrama de carga O cap tulo 5 apresenta a metodologia para o desenvolvimento deste estudo Sendo apresenta das as v rias etapas adotadas para ser poss
75. ferente segunda hora do dia Verificaram se erros nas temperaturas obtidas pelo SCADA pois de um per odo de 15 minu tos para outro a temperatura aumentava ou diminu a por vezes cerca de 15 graus Celsius Representa o dos dados consiste na apresenta o e convers o dos dados isto a data transformada em dia da semana hora e atribui o de uma vari vel bin ria para a verifica o do dia ser feriado ou n o Os dados de CN foram obtidos para per odos de 15 minutos No entanto foi necess rio agrupar estes por per odos de uma hora para futuros testes a realizar Para isso efetuada a soma de quatro per odos de 15 minutos para cada hora Devido a diferen a entre per odos di rios e de 15minutos para os registos de temperatu ras obtidas pelo SCADA foi necess rio achar a temperatura m xima e m nima sendo estes valores atribu dos a cada dia Convers o da temperatura obtida em Fahrenheit para graus Celsius Na tabela 5 1 e 5 2 apresentado um excerto de poss veis entradas da RNA F1 F2 F3 e F4 correspondem a FerS1 FerS2 FerS1H1 e FerS2H1 respetivamente Tabela 5 1 Representa o das poss veis candidatas a vari veis de entrada da RNA com periodi cidade de 15 em 15 min Data Hora DDS Tmed Tmax Tmin S1 S2 15 01 2014 01 00 1 4 12 8 14 11 152 9 1544 15 01 2014 01 15 1 4 12 8 14 11 147 5 152 6 15 01 2014 01 30 1 4 12 8 14 11 143 6 150 3 15 01 2014 01 45 1 4 12 8 14 11 138 9 145 4 S1
76. initiva para estas quest es relativamente ao n mero de camadas escondidas e de neur nios de cada camada escon dida No entanto em 5 s o referidas t cnicas baseadas em pressupostos heur sticos que prop em ultrapassar o problema de defini o da estrutura de uma RNA Outra possibilidade para superar este problema consiste num processo de tentativa erro Assim atrav s de testes efetuados poss vel selecionar a estrutura que obt m um melhor desempenho 5 3 2 Arquitetura das Redes Neuronais Artificiais 17 Se for utilizado um n mero suficiente de neur nios escondidos com apenas uma camada escondida poss vel aproximar se uma RNA a uma fun o continua 5 O n mero de neur nios da camada escondida encontrado atrav s de um valor de compro misso sem que haja risco de incapacidade ou generaliza o da aproxima o da fun o pretendida 5 3 2 2 Processos de Aprendizagem ou Treino A propriedade mais importante da RNA a capacidade de aprender autonomamente de modo a que seja apresentado um timo desempenho Atrav s de um processo iterativo realizado o ajuste dos seus pesos ocorre um processo de adapta o ao comportamento e conduz a melhoria do desempenho ou seja o treino da rede A aprendizagem ocorre ou o treino est finalizado quando a RNA atinge uma solu o generalizada para uma classe de problemas Ent o o treino da RNA resume se ao ajuste dos par metros livres da rede atrav s de um me
77. is o abre um ficheiro Excel onde cont m a informa o referente previs o efetuada e Reset permite ao utilizador apagar toda a informa o j carregada permitindo o come o de uma nova previs o e Ajuda este bot o abre um ficheiro de texto onde cont m uma breve ajuda utiliza o da aplica o A 3 Manual de Utiliza o 81 A 3 Manual de Utilizacao Para realizar se uma previs o com sucesso a partir da aplica o Previs o de Carga Natural deve seguir os seguintes passos 1 Clicar no bot o 1 para abertura do ficheiro Excel que cont m informa es relativas a cada subesta o como apresentado na figura A 2 a s CDD xisx Excel 7 6 o x BASE INSERIR ESQUEMADEPAGINA FORMULAS DADOS REVER VER E7 v ie v A B c D a 1 X X C digo das Subesta oes Tipo de Consumo Sazonalidade 3 Urbano setor Terci rio Sazonalidade moderada Lisboa 4 sz Urbano setor Terci rio Sazonalidade forte vora 5 s3 Urbano setor Terci rio Sazonalidade moderada Viseu 6 S4 Industrial Sazonalidade moderada Leiria F s5 Urbano setor Terci rio Sazonalidade moderada Castelo Branco Folhal 4 gt PRONTO Figura A 2 Tabela apresentada pelo bot o 1 2 Ap s saber a informa o necess ria referente a subesta o que deseja realizar a previs o de CN clique no bot o 2 Aqui ser aberto um novo ficheiro Excel que nos permite selecionar a capital de distrito referen
78. is o E lica Tese de doutoramento J P S Catalao S J P S Mariano V M F Mendes e L a F M Ferreira An Artificial Neural Network Approach for Short Term Electricity Prices Forecasting 2007 Int Conf Intell Syst Appl to Power Syst 2007 doi 10 1109 ISAP 2007 4441655 S Valero J Aparicio C Senabre M Ortiz J Sancho e A Gabaldon Comparative analy sis of self organizing maps vs multilayer perceptron neural networks for short term load forecasting 2010 Mod Electr Power Syst 1 1 5 2010 Jo o Ribeiro Previs o de pre os de eletricidade para o mercado MIBEL 2014 D E Castro Natural Computing Basic Concepts C R C Press Fernando Jos Von Zuben Engenharia El e Universidade Presbiteriana Mackenzie INTRODU O AS REDES NEU RAIS 2006 Claudio Monteiro Previs o de consumos a curto prazo Redes Neuronais Ozgiir Ki e Erdal Uncuo Comparison of Three Back Propagation Training Algorithm for Two Case Study 12 October 434 442 2005 Shashank Mishra e G S Tripathi Comparison of Various Neural Network Algorithms Used for Location Estimation in Wireless Communication 2 6 2735 2741 2013 Claudio Monteiro O problema da previs o dos consumos REFERENCIAS 77 34 35 36 37 38 39 40 41 42 43 Yong Wang Dawu Gu Jianping Xu e Jing Li Back propagation neural network for short term electricity load forecasting with weather features Proc 2009 Int Conf Comput Int
79. is vari veis deve se adicionar o nome da respetiva vari vel e retirar caso seja necess rio eliminar a vari vel O comando 3 cria o vetor sa das com a vari vel saidal00 j anteriormente importada do Excel atrav s do comando 1 Os comandos 4 e 5 transp em as matrizes entradas e sa da100 e atribui lhes o nome in puts e targets Nos comandos 6 e 7 criada uma rede neuronal do tipo feedforward com 25 neur nios na camada escondida Nos comandos de 8 a 12 feita a divis o aleat ria dos dados importados sendo 60 para treino 20 para valida o e 20 para teste No comando 13 definido o algoritmo de treino utilizado sendo que se utiliza tainlm para a utiliza o de algoritmo de treino Levenberg Marquardt e trainrp para o algoritmo de treino Resilient Backpropagation 5 2 Metodologia de Trabalho 47 O comando 14 define o MSE como ndice de avalia o do treino um dos crit rios de paragem do treino se ap s seis itera es o MSE permanecer inalterado o treino termina Este o valor predefinido pelo Matlab podendo ser alterado para o n mero de itera es desejadas O comando 15 este comando executa o treino da rede neuronal tendo como entrada a matriz inputs e o target como valores alvo para as entradas dadas Nos comandos 16 a 18 efetuada uma previs o atrav s da matriz inputs dando origem ao vetor de previs o output O vetor output transposto e multipli
80. junto de entrada H corresponde ao valor da hora do conjunto de entrada Ap s a aplica o do processo de normaliza o tabela 5 1 surgem os dados normalizados apresentados na tabela 5 3 Tabela 5 3 Representa o das poss veis candidatas a vari veis de entrada da RNA com periodi cidade de 15 em 15 min ap s normaliza o Data Hcos Hsen DDScos DDSsen Tmed Tm x Tm n S1 15 1 14 1 00 0 96593 0 25882 0 90097 0 43388 0 41176 0 69231 0 11111 0 3117 15 1 14 1 15 0 96593 0 25882 0 90097 0 43388 0 41176 0 69231 0 11111 0 36844 15 1 14 1 30 0 96593 0 25882 0 90097 0 43388 0 41176 0 69231 0 11111 0 40987 15 1 14 1 45 0 96593 0 25882 0 90097 0 43388 0 41176 0 69231 0 11111 0 45817 S2 S1H1 S2H1 Fer F1 F2 F3 F4 0 29675 0 0878 0 2008 0 3154 0 1469 0 2333 0 33957 0 1963 0 2505 0 3903 0 2603 0 278 o ooo ooco Rp Ree Re pee Re 0 0 0 0 5 2 3 Treino da Rede Neuronal Artificial Conclu do o pr processamento poss vel realizar o treino das redes neuronais de modo a encontrar se o melhor modelo para previs o de CN Definiu se um conjunto de testes a realizar representado na figura 5 3 s subesta es selecionadas para teste O conjunto de testes apresentado na figura 5 3 tem como objetivos verificar os seguintes aspe tos e Qual o algoritmo de treino mais eficaz e menos moroso e A precis o obtida com vari veis de entrada com periodicidade de 15 minutos ou uma hora e A
81. lg brica do tr nsito nos transfor madores com o da gera o distribu da a jusante Isto no caso de uma falha local da produ o distribu da a CN aquela que deve ser fornecida pela RNT para alimenta o dos consumos No mbito da sua atividade o GS necessita da previs o a curto prazo da CN para cada subes ta o da REN Conforme foi referido esta realizada atrav s de um modelo de previs o de apoio ao GS para auxiliar as suas decis es tendo sido objeto de estudo em 7 O objetivo desta disserta o melhorar esse modelo Para a obten o de um melhor desempe nho necess rio delinear um conjunto de objetivos espec ficos que entre outros tem como base o estudo das RNA 1 Carateriza o das subesta es da REN considerando o tipo de consumo e a sua localiza o geogr fica 2 Melhoria da extra o e tratamento de dados relativos s cargas naturais por subesta o e dos valores meteorol gicos 3 Aquilatar a adequa o da ferramenta de previs o atual din mica do Sistema El trico Na cional 4 Estudo de algoritmos de treino de Redes Neuronais alternativos que permitam um treino mais c lere 1 3 Estrutura da disserta o 3 5 Definir uma estrutura de RNA que permita reduzir o erro global e incluir situa es an malas nos dados considerados para a previs o 6 Desenvolvimento da aplica o de apoio ao GS para a tomada de decis o 7 Justificar e provar as v rias etapas da m
82. lvimento deste procedimento de modo a ser mais r pido o processamento e a obten o de resultados foi adaptado o script fornecido pelo NFTOOLS do Matlab Ap s a elabora o da folha de Excel para a respetiva subesta o poss vel aplicar o seguinte script no Matlab exemplo demonstrado para a subesta o S22 41 1 DDScos xlsread dados22 xlsx 1 C2 C33693 2 entradas DDScos Fer 3 saidas saidal00 4 inputs entradas 5 targets saidas 6 hiddenLayerSize 25 46 Metodologia de treino das RNA 7 net fitnet hiddenLayerSize 8 net divideFcn dividerand 9 net divideMode sample 10 net divideParam trainRatio 60 100 11 net divideParam valRatio 20 100 12 net divideParam testRatio 20 100 13 net trainFcn trainlm 14 net performFcn mse 15 net tr train net inputs targets 16 outputs net inputs 17 errors gsubtract targets outputs 18 performance perform net targets outputs 19 outputs transpose outputs 20 outputfinal outputs 100 21 xlswrite r225 xlsx outputfinal 1 T9 22 save redeteste2215 mat net O comando 1 importa todo o conjunto de dados presentes na coluna C desde a c lula 2 at a 33693 sendo este repetido para as demais entradas alterando a letra da respetiva coluna do Excel O comando 2 cria a matriz entradas com as vari veis DDScos Fer Caso seja necess rio incluir ma
83. nde cada um deles tem duas fases A primeira fase corresponde ao aumento do n mero de neur nios para 30 e 35 e redu o deste n mero para 20 face o ponto de partida de 25 neur nios Nesta fase s o testadas as subesta es S22 S34 e S45 Na segunda fase o n mero de neur nios da camada escondida progressivamente diminu do para 15 10 5 e 2 neur nios Nesta fase as subesta es selecionadas para realiza o de testes foram S1 S17 S22 S34 S40 e S45 Esta inclus o de mais subesta es serviu para uma valida o mais conclusiva dos resultados obtidos A subesta o S28 utilizada nos testes anteriores n o foi inclu da nestes testes devido a aus ncia de dados da vari vel temperatura para o ano de 2015 para a capital de distrito em que esta se insere 5 2 Metodologia de Trabalho 45 No teste E para cada subesta o teste ser o realizados 40 treinos para cada fase totalizando um conjunto de 360 treinos Todos os treinos foram analisados estando os resultados obtidos no cap tulo seguinte Teste E2 Fer Teste E N de Neur nios Teste E2 Fer FerS1 FerS2 FerS1H1 FerS2H1 Aplicado a S1 S17 S22 S28 Figura 5 8 Metodologia adotada para desenvolvimento do teste E 5 2 3 6 Implementa o do Treino da RNA Para realiza o dos testes descritos foi o utilizado o software Matlab R2015a numa m quina que possui um processador Intel I7 1 6GHz com 6Gb de mem ria Ram Para o desenvo
84. nem sempre garante uma otimiza o global para um problema de otimi za o sem restri es 31 3 2 Arquitetura das Redes Neuronais Artificiais 19 Resilient Backpropagation O algoritmo Resilient Backpropagation tem sido utilizado com sucesso no treino de RNA onde foi provado que ganha vantagem sobre o t pico procedimento de aprendizagem de gradiente descendente em v rios problemas de refer ncia 31 O algoritmo RPROP proporciona um tempo de treino e ritmo de converg ncia mais r pido e possui a capacidade de escapar dos m nimos locais 32 Apesar de haver um grande n mero de par metros ajust veis no RPROP a maioria desses par metros pode ser definida com valores por defeito As pequenas varia es em qualquer desses par metros n o afetam o tempo de converg n cia 32 O RPROP um esquema de treino eficiente que executa uma adapta o direta dos fatores de pondera o com base em informa es de gradiente local O princ pio do RPROP eliminar os efeitos prejudiciais das grandezas das derivadas parciais para calcular o peso 32 um algoritmo de primeira ordem o tempo e mem ria necess ria linearmente proporcio nal ao n mero de par metros a otimizar sendo este o algoritmo mais f cil de ajustar regra de aprendizagem 32 A taxa de aprendizagem pode limitar ou ampliar a extens o de ajuste de peso num ciclo de treino 31 Este algoritmo aproveita os sinais do gradiente de modo a aumentar a taxa
85. nos PdE As carater sticas da onda de tens o nos PdE aos clientes MAT e AT devem respeitar os limites estabelecidos no Relat rio da Qualidade de Servi o RQS Em Portugal existem dois regimes de produ o denominados por Produ o em Regime Ordi n rio PRO e Produ o em Regime Especial PRE A PRO tem como base de produ o as fontes tradicionais n o renov veis e grandes centros eletroprodutores h dricos a PRE caraterizada pela sua produ o a partir da utiliza o de fontes de energia renov veis processos de cogera o e microprodu o produ o de eletricidade em muito pequena escala com uma pot ncia instalada inferior a 5 75kW 16 Nas figuras 2 4 e 2 3 poss vel verificar um crescimento consider vel da PRE nomeadamente um aumento da produ o e lica onde existe quase um quarto da produ o de fonte e lica Com a evolu o das fontes renov veis foi criado um novo paradigma no mix de produ o el trica nacional devido ao aumento do n mero de parques e licos sendo esta fonte de energia uma das mais promissoras Pot ncia E lica Pot ncia SEN 2012 2011 2010 MW SEN 18 546 18 894 17 895 E lica 4194 4080 3 706 23 22 21 Figura 2 3 Compara o entre a pot ncia e lica e a pot ncia do SEN 2 Rede Nacional de Transporte MW ZY f Uj YY 555s a 7 Gi GA GAGA GGA GA GZ TZ E t rmica Z CARV O Z G S OUTRA E HIDR ULICA ME E LICA Ti SOLAR PONTA RENOV VEL CO
86. o Para a realiza o dos testes finais nomeadamente no teste E as redes ser o treinadas com o algoritmo LM devido s vari veis de entradas neste teste j estarem definidas e por consequ ncia ditarem o resultado final deste modelo A periodicidade de entradas a utilizar no desenvolvimento da RNA ser de 15 minutos O hist rico de dados a utilizar ser de um ano devido ao erro elevado apresentado na subesta o S34 com um hist rico de dados de entrada de tr s anos 6 2 Vari vel Temperatura Teste B Para o estudo da vari vel temperatura s o adicionadas novas vari veis de entrada RNA do teste A dando origem a dois novos modelos de RNA Com a inclus o de Tmin e Tmax deu origem RNA correspondente ao teste B1 e com a adi o de Tmin Tmax e Tmed deu origem a RNA apresentada na figura 6 10 composta por 10 entradas para o teste Bl e 11 entradas para o teste B2 com 25 neur nios na camada escondida e uma sa da Figura 6 10 Modelo da RNA referente ao teste B2 Aplicando a metodologia anteriormente referida para se perceber o impacto da vari vel tem peratura na previs o de CN obtiveram se os resultados apresentados na tabela 6 7 e no gr fico 6 3 Vari vel Feriado Teste C 57 6 11 Em compara o com o teste A os dois testes B1 e B2 apresentaram uma redu o significativa do erro o que demostra que a vari vel temperatura deve integrar a constru o do modelo final de previs o Os subte
87. o tendo este a constitui o apresentada na figura 3 1 Cada neur nio tem a capacidade de detetar transmitir analisar e utilizar as informa es geradas por est mulos e transform los numa resposta 4 As dendrites captam os sinais eletroqu micos passando os ao corpo celular A informa o processada avan ando ao longo da constitui o do neur nio at atingir os terminais pr sin pticos que assim passam a informa o para outros neur nios Isto ocorre por intermedia o 11 12 Redes Neuronais Artificiais qu mica que ativar dendrites de outros neur nios Deste modo se passa a informa o entre neu r nios humanos 3 cone axial axomo terminais pr _ sanapticos Figura 3 1 Neur nio humano 3 De uma forma an loga as RNA aplicam modelos matem ticos computacionalmente de forma a adquirir conhecimento atrav s da experi ncia isto ret m informa o a partir da rela o entre as entradas e sa das ocorrendo um processamento interno n o linear em cada neur nio Na atua lidade as RNA apresentam grande capacidade e efic cia em aplica es que requerem intelig ncia artificial para obten o de previs es As RNA s o consideradas caixas negras pois de dif cil interpreta o qual a rela o que existe entre cada vari vel de entrada e sa da 23 5 As primeiras aplica es das RNA ocorreram na d cada de 1930 na rea da neuroci ncia J
88. o S17 existente Dada a efic cia deste modelo foi desenvolvida a aplica o Previs o de Carga Natu ral apresentada no anexo A que tem como objetivo auxiliar o COR na programa o das indispo nibilidade dos transformadores de pot ncia 6 7 1 Perce o do erro obtido O erro alcan ado por este novo modelo de previs o mostrou uma grande melhoria face aos resultados obtidos pelo atual modelo de previs o do GS apresentando resultados satisfat rios na previs o de CN a curto prazo No entanto como os resultados do novo modelo desenvolvido apresentam ainda alguns erros de previs o necess rio justific los de modo a que o utilizador consiga interpretar melhor os resultados Os fatores que afetam a qualidade da previs o alcan ada pelo modelo desenvolvido s o e Como j visto na sec o 6 1 4 uma mudan a brusca do diagrama de carga de uma de terminada subesta o pode afetar os resultados da previs o pois a rede foi treinada para uma determinada CN adaptando os seus pesos ao hist rico de dados de treino Caso exista uma modifica o acentuada do diagrama de carga a RNA n o consegue adaptar se a essa mudan a produzindo resultados imprecisos e As transfer ncias de carga entre subesta es resultantes de manobras na rede de distribui o afetam os dados hist ricos considerados na previs o Estas transfer ncias de carga n o se realizam sempre nos mesmos per odos e a quantidade de carga transferida n o
89. o avaliar o erro com a inclus o das vari veis temperatura e feriado simultaneamente N o tendo sido o teste C conclusivo quanto escolha do n mero de vari veis de feriado a utilizar este teste subdivide se no teste D1 e D2 Neste teste utilizado o modelo da RNA do teste B1 Pela adi o da vari vel Fer surge o teste D1 A inclus o de cinco vari veis feriado d origem RNA do teste D2 constitu da por 15 entradas 25 neur nios na camada escondida e uma sa da como representa a figura 6 21 Analisando os resultados obtidos na tabela 6 9 e no gr fico da figura 6 22 verifica se que apenas na subesta o S45 o MAPE apresenta valores mais elevados para os modelos D1 e D2 no entanto verifica se que o RMSE e o MSE s o mais baixos o que justifica a utiliza o deste 6 4 Vari vel Feriado e Temperatura Teste D 63 DDSCo i i Y ii Figura 6 21 Modelo da RNA referente ao teste D2 modelo adotado pelo teste D pois um dos objetivos das redes neuronais minimizar o MSE O RMSE revela se melhor quanto mais perto de zero o respetivo valor o que tamb m se verifica Tabela 6 9 Compara o de erros obtidos para teste D1 e D2 Teste D1 Teste D2 Sub MAD MSE MAPE RMSE MAD MSE MAPE RMSE S22 11 4 2057 7 80 0 449 11 2 1993 7 60 0 435 S28 23 11 3 70 0 033 2 3 10 3 3 60 0 031 S34 81 1145 3 50 0 164 7 9 109 2 3 50 0 157 S45 6 6 94 1 4 80 0 079 6 4 90 3 4 70 0 076 E poss vel assim concluir se qu
90. o de valores finito 7 Em 23 referido que as condi es gerais para uma fun o cont nua se qualificar como fun o de ativa o deve aumentar monotonamente ser limitada e diferenci vel Assim sendo as fun es utilizadas s o a fun o sigmoide a fun o tangente hiperb lica a fun o seno ou cosseno e a fun o linear Nas RNA do tipo MLP tipicamente utilizada a fun o n o linear do tipo sigmoide para os neur nios das camadas escondidas e a fun o linear pura para os neur nios da camada de sa da 5 Na figura 3 5 s o apresentadas as fun es mais utilizadas no MLP y tanh x 1 1 1 e y x Figura 3 5 Representa o das fun es de ativa o mais utilizadas 6 3 2 1 2 Multilayer Perceptron Como j referido esta uma estrutura de RNA do tipo unidirecional em que os neur nios s o organizados em camadas uma camada de entrada uma ou mais camadas escondidas e uma camada de sa da 26 6 Na figura 3 6 poss vel visualizar um exemplo de rede MLP apenas com uma camada escondida com tr s neur nios duas entradas e uma sa da 16 Redes Neuronais Artificiais Normalmente os neur nios da camada de entrada servem para transferir o padr o de entrada ao resto da rede ocorrendo processamento de informa o apenas nas camadas escondidas e na camada de sa da Com exce o da camada de entrada os sinais recebidos pelos neur nios vindos da camada anterior s o ponderados pelos valores d
91. o em funcionamento dos setores industrial transporte e servi os e Per odo de ponta que associado ao per odo entre as 19 horas e as 22 horas onde existe um pico no consumo refletido pelo consumo dom stico 26 Vari veis Justificativas do Diagrama de Carga 21 00 DO 10 00 11 00 12 00 0 4 13 00 14 00 15 00 20 HORA Figura 4 6 Diagrama de Carga di rio do SEN para o dia 2 de Abril de 2014 4 3 1 Fatores que Influenciam o Diagrama de Carga O consumo fortemente influenciado por certos fatores econ micos cronol gicos mete orol gicos demogr ficos e sociais 33 Sendo que o consumo est impl cito na modela o do diagrama de carga estes fatores influenciam tamb m o diagrama de carga assim fez se uma an lise de algumas vari veis de forma a perceber se s o justificativas ou n o do diagrama de carga atrav s da correla o entre as mesmas A sazonalidade possui uma forte influ ncia no diagrama de carga para isso correlaciona se vari veis em diferentes per odos do ano de forma a perceber qual a influ ncia de cada uma das vari veis em estudo A divis o dos per odos foi feita tendo em conta as esta es do ano pois os fatores meteorol gicos tamb m afetam o diagrama sendo definidos da seguinte forma Per odo Inverno semana de 16 de Fevereiro de 2014 a 22 de Fevereiro de 2014 Per odo Primavera semana de 12 de Maio de 2014 a 18 de Maio de 2014 Per odo Ver o seman
92. o hist rico de entradas a utilizar para o algoritmo LM O MAPE apenas na subesta o S22 se verificou um ser pouco mais baixo para um hist rico de 3 anos J em S28 S34 e S34 revela se mais baixo para um hist rico de dados de um ano assim como todos os outros erros apresentados na tabelas anteriores de notar que na subesta o S34 existe uma grande diferen a entre o MAPE para um ano e tr s anos de hist rico de dados De forma a perceber o porqu deste facto nesta subesta o realizou se um estudo mais pormenorizado Para isso analisou se o diagrama de carga anual desta subesta o assim como m ximos m nimos e m dia anual para os anos de 2012 2013 e 2014 140 120 _ 100 Ss 80 z 60 o 40 20 o NNNN NN MMM MMM g q g g ASSASSASADATESNTSIES fi gees da me ate Tas ac ag Sa a SSS S53 858 SBSH SEB BSE YS TEER RET EER RET ECR RE Figura 6 8 Gr fico de compara o do hist rico de entradas a utilizar para o algoritmo LM Da an lise efetuada ao gr fico da figura 6 8 e tabela 6 5 depreende se que a CN ao longo dos tr s anos varia acentuadamente estabilizando a partir do dia 21 de Julho de 2013 Conclu da 6 1 Compara o de Algoritmos Teste A 55 Tabela 6 5 Apresenta o do valor m ximo m nimo e m dio anual de CN para os anos 2012 2013 e 2014 CN 2012 MW CN2013 MW CN 2014 MW Maximo 88 68 110 92 116 48 Minimo 6 92 13 56 29 92 M dia 35 55 43 6 63 66 esta
93. onais do tipo MLP pois ser o o tipo de redes utilizadas na presente disserta o z Figura 3 3 Esquema de representa o dos tipos de RNA e algoritmos de treino 14 Redes Neuronais Artificiais 3 2 1 Estrutura de um neur nio Os neur nios s o as unidades b sicas de processamento que quando ligados entre si e organi zados por camadas formam uma RNA A partir das suas vari veis de entrada cada neur nio realiza um conjunto de opera es como identificado na figura 3 4 sendo estas descritas detalhadamente de seguida Neur nio K Figura 3 4 Estrutura de um neur nio artificial 5 Na express o 3 1 efetuada a soma ponderada de todas as vari veis de entrada multiplicada pelos seus pesos Wk Ou seja isto traduz se no somat rio das multiplica es efetuadas entre os sinais emitidos pelas entradas ou por um neur nio da camada anterior com o seu peso de liga o entre o neur nio K da camada anterior e o neur nio K Y Wa x Xi 3 1 i l Ap s este passo somada a polariza o bias segundo a literatura anglo sax nica by Este par metro considerado como um peso da RNA correspondente ao peso da liga o entre a vari vel de entrada unit ria e o neur nio k como demonstra a express o 3 2 Sk wri X xi de 3 2 i l A sa da do neur nio yz dada por f Sx isto Sk vai ser aplicado na fun o de ativa o e assim se obt m a sa da do neur nio k como apresentado na ex
94. onalidade moderada Viseu S57 Urbano setor Terci rio Sazonalidade forte Viseu S58 Urbano setor Terci rio Sazonalidade forte Viana do Castelo S59 Industrial Sazonalidade moderada Porto S60 Urbano setor Terci rio Sazonalidade forte Vila Real S61 Rural Sazonalidade forte Porto S62 Industrial Sazonalidade moderada Lisboa B 2 Sazonalidade 89 C digo das Subesta es Tipo de Consumo Sazonalidade Distrito S63 Industrial Sazonalidade moderada Portalegre Tabela B 3 Carateriza o das subesta es E Sem sazonalidade E Sazonalidade moderada Sazonalidade forte 22 16 12 7 2 ae o EA Rural Urbano setor Terci rio Industrial Figura B 1 Gr fico de compara o do tipo de sazonalidade por tipo de consumo 90 Carateriza o das Subesta es Anexo C Comparacao de M todos 85 75 _ 65 55 5 45 35 25 BSSBSBSSS5S5S5S5555S 555555555 55555 oca N He Ow RRRRNAANRAAAAKRARRARSSSSAKRAKNEKRE EE Modelo E2 Modelo COR Figura C 1 Diagrama de carga real e previsto para a semana de 20 de Abril a 26 de Abril de 2015 para a subesta o 23 91 Compara o de M todos 92 130 N iqe og Iqe og Iqe o 1qe gZ Ige Z 1qe gz JGE SZ IGe yz ige yz IQe yz IGe yz Ige z Ige Z Ige z Ige z iqezz iqezz iqe zz iqezz Ige Tz ige Tz Ige Tz Ige Tz Iqe 0 Iqe 0 IQe 0 Iqe 0 Modelo COR Modelo E2 Ral Figura C 2 Diagrama de carga real e previsto para a semana d
95. ondida assim encontrado o modelo da RNA para previs o de carga natural a curto prazo com 15 entradas as utilizadas no teste E2 e 5 neur nios na camada escondida Tabela 6 13 N mero de neur nios da camada escondida que apresentaram menor erro para os dias selecionados S1 S17 S22 S34 S40 S45 Dias Neuronios Neur nios Neur nios Neur nios Neur nios MNeur nios 17 fev 5 5 2 2 2 5 22 fev 5 2 2 5 2 5 06 mar 2 2 2 5 5 5 03 mar 2 5 2 5 2 5 03 abr 5 5 5 5 2 5 05 abr 5 5 2 5 2 5 25 abr 2 2 2 5 2 2 6 6 Resultados de outras subesta es 67 6 6 Resultados de outras subesta es De forma a garantir que o modelo do teste E2 eficaz para previs o de CN n o s para estas subesta es teste mas tamb m para qualquer outra subesta o da REN selecionaram se mais tr s subesta es da REN S23 S42 e S53 Esta sele o foi efetuada de acordo com as necessidades da REN s subesta es selecionadas aplicado o modelo E2 para o qual depois de treinadas e testa das para o hist rico de dados de 1 de Janeiro a 30 de Abril de 2015 obtiveram se os resultados apresentados na tabela 6 14 Tabela 6 14 Resultados obtidos com a aplica o do modelo E2 para outras subesta es SUB MAD MSE MAPE RMSE S23 3 3 19 0 7 9 0 597 S42 4 9 484 6 0 0 168 S53 5 6 534 6 8 0 236 Atrav s dos resultados obtidos poss vel concluir que o modelo do teste E2 capaz de prever a CN de forma eficiente com um erro consid
96. ontidos no diret rio da Aplica o e Liga o Internet A 2 Comandos da Aplica o Ao abrir a aplica o Previs o de Carga Natural surgir no ambiente de trabalho a figura Al 79 80 Aplica o Previs o de Carga Natural Previsao de Carga Natural 1 Tabela das Subesta es 2 Importar Temperatura 3 Subesta o Nome do ficheiro Temperatura referente a capital de distrito da sua subesta o Tmin Tmax Oil Dia 4 Realizar Previs o Dia 3 Dus Duas Dua6 Dia7 Figura A 1 Interface gr fica da aplica o De modo a compreender se as funcionalidades de cada bot o desta aplica o apresentada uma breve descri o e 1 Tabela das Subesta es tem como funcionalidade a abertura de um ficheiro Excel que cont m informa es referentes s subesta es tais como tipo de consumo sazonalidade e capital de distrito onde esta se insere e 2 Temperaturas abre um ficheiro Excel que tem a capacidade de importar as temperatu ras m ximas e m nimas previstas por o IPMA atrav s do acesso ao site 43 e 3 Subesta es disponibiliza a escolha da subesta o para a qual pretende fazer a previ s o carrega a RNA treinada para essa subesta o e ao mesmo tempo importa a temperatura prevista e 4 Realizar Previs o realiza a previs o da CN para os pr ximos 7 dias surgindo no final da previs o o gr fico referente a essa previs o e Prev
97. pers o na correla o ente a CN e a CN de uma e duas semanas antes com uma hora de atraso esta ainda se apresenta fortemente correlacionada sendo ainda uma vari vel justificativa do diagrama de carga e portanto deve ser levado em conta nas previs es efetuadas J as duas horas de atraso apresentaram uma fraca correla o e assim n o ser o inclu das 4 3 1 2 Feriados Em Portugal existem 9 feriados Nacionais sendo a esta lista s o adicionados mais feriados municipais que variam consoante a localidade Nos feriados normalmente ocorre o encerramento de ind strias algum com rcio assim como a redu o dos transportes p blicos Como referido no ponto anterior os feriados desta forma afetam o diagrama de carga e a correla o entre as vari veis Este problema revela extrema import ncia na previs o de cargas e por isso fazemos um estudo mais aprofundado destes dias an malos 30 Vari veis Justificativas do Diagrama de Carga de modo a perceber que influ ncia t m e de que forma afetam o diagrama nos diferentes dias da semana A figura 4 17 mostra claramente que a carga num feriado baixa significativamente No entanto tamb m poss vel perceber que a carga num fim de semana tamb m mais baixa assemelhando se esta ao comportamento de um domingo Ser ent o que o impacto causado pelos feriados no diagrama de carga sempre igual independentemente do dia em que ocorre 8000 7500 7000 6500 6000 5500 5000 4500
98. precis o obtida com um hist rico de um ano ou tr s anos e A precis o obtida com a inclus o da vari vel temperatura e A precis o obtida com a inclus o da vari vel feriados 5 2 Metodologia de Trabalho 41 e A precis o obtida com a inclus o das vari veis temperatura e feriados e Qual o melhor n mero de neur nios a utilizar Para a realiza o dos testes A B Ce D foram utilizadas as subesta es S22 S28 S34 e S45 para a realiza o do teste E S1 17 S22 S34 S40 e S45 Compara o de Algoritmo hist rico ia periodicidade tempo de treino TesteA Vari vel Temperatura Teste B Vari vel Feriados Teste C Subesta o Teste Vari vel Feriados e Temperatura Teste D Escolha do n mero de neur nios Teste E Figura 5 3 Apresenta o dos v rios testes efetuados 5 2 3 1 Compara o de algoritmos Teste A Nas RNA existem v rios algoritmos de treino que podem ser aplicados para previs o da CN Ap s um longa pesquisa efetuada selecionaram se dois algoritmos de treino que se demonstraram eficientes e capazes para o desenvolvimento deste estudo o Levenberg Marquardt e o Resilient Backpropagation De forma a podermos comparar os dois algoritmos realizamos o teste A para compara o dos algoritmos a n vel de precis o da previs o e do tempo de processamento com putacional Para al m disto neste teste tamb m realizado a compara o de qual o conjunto de dados hist ri
99. press o 3 3 yk f Sk 3 3 Os pesos wz s o valores que apresentam o grau de import ncia que determinada entrada 3 2 Arquitetura das Redes Neuronais Artificiais 15 possui em rela o quele neur nio O fator by corresponde ao limiar de ativa o da resposta do neur nio Quando by gt O apresenta um deslocamento para a direita da fun o de ativa o obrigando que a acumula o de sinais de entrada ultrapasse um certo limiar para originar uma resposta significativa do neur nio O fator de polariza o considerado como mais um peso cujo valor tamb m dever ser determinando no decurso do treino No fundo assumido que 1 o sinal de uma entrada suplementar com um peso by a determinar 25 Caso esta sa da seja de uma camada interm dia estes y s o as entradas para os neur nios da camada seguinte ou seja yg seriam um dos x para o neur nio da pr xima camada e assim sucessivamente ao longo das v rias camadas 3 2 1 1 Fun o de Ativa o A fun o de ativa o define matematicamente a rela o entre as entradas e sa das de um neu r nio Para a aplica o nas redes neuronais importante que a fun o de ativa o introduza a n o linearidade ou a capacidade de modelar uma fun o n o linear 23 A normaliza o da amplitude de sa da do neur nio realizada pela fun o de ativa o ou seja realiza a transforma o de uma grandeza com um dom nio de valores no intervalo R para um dom ni
100. r os feriados anteriores onde a previs o de CN possa depender desses dias O testes C dar origem a mais 40 RNA 5 2 3 4 Vari vel Feriado e Temperatura Teste D Ap s estudado qual o impacto da vari vel temperatura e feriado realizado o teste D para o estudo do efeito da inclus o destas duas vari veis Este teste dividido no teste D1 e D2 como indicado na figura 5 7 de forma a perceber se qual o melhor modelo a aplicar para a previs o da CN A realiza o do teste D contempla o treino de dez RNA por subesta o perfazendo um total de 40 RNA a analisar para este teste Teste D1 Fer Tmax e Tmin Vari vel Feriado e Temperatura Teste D Teste D2 Fer FerS1 FerS2 FerS1H1 FerS2H1 Tmax e Tmin Figura 5 7 Metodologia adotada para desenvolvimento do teste D 5 2 3 5 Numero de Neuronios a utilizar Teste E Devido a n o ser poss vel obter hist rico de dados para outras vari veis que possam influenciar a previs o de CN a curto prazo ap s ter se analisado v rios modelos de vari veis de entrada da RNA necess rio definir qual o n mero de neur nios a utilizar na camada escondida de salientar que todos os testes efetuados anteriormente utilizaram uma RNA com 25 neur nios na camada escondida A metodologia seguida para a identifica o do melhor n mero de neur nios a utilizar na ca mada escondida da RNA representada na figura 5 8 O teste E consiste em dois subtestes El e E2 o
101. ra o pe semana anterior mesma hora para o pe r odo da Primavera r odo do Outono 6500 7000 6000 5500 6000 5000 5000 4500 4000 4000 sso 3000 3000 3500 4500 5500 6500 3100 4100 5100 6100 7100 Figura 4 9 Correla o da CN com a CN de Figura 4 10 Correla o da CN com a CN de duas semanas anteriores mesma hora para duas semanas anteriores mesma hora para o per odo da Primavera o per odo do Outono Tabela 4 1 Valores da correla o entre a CN e a CN da semana anterior e de duas semanas anteriores por per odo Per odo Inverno Primavera Ver o Outono S1 0 9593 0 9934 0 9768 0 9824 S2 0 9752 0 7545 0 9779 0 9871 Analisando os gr ficos das figuras as 4 11 4 12 4 13 e 4 14 conclui se que os diagramas de carga para os diferentes per odos bastante semelhante ao diagrama de carga com os respetivos atrasos de CN o que nos comprova ainda mais a afirma o referida anteriormente 28 Vari veis Justificativas do Diagrama de Carga 7500 7000 6500 5000 4500 3500 16 fev 18 fev 20 fev 22 fev CN CN umasemanaantes CN duas semanas antes Figura 4 11 Compara o do diagrama de carga semanal com o da semana anterior e duas semanas anteriores para o per odo de Inverno 6000 5500 5000 E 4500 3500 3000 12 mai 14 mai 16 mai 18 mai CN CN umasemanaantes CN duas semanas antes Figura 4 12 Compara o do diagrama de carga semanal com o da semana anterior
102. radicionais ou seja os m todos regressivos m todos estoc sticos e n o lineares como modelos Fuzzy e Redes Neuronais Artificiais As RNA s o o modelo escolhido para previs o de carga na presente disserta o sendo estas objeto de estudo no cap tulo 3 Este m todo foi o modelo proposto pela REN e com a pesquisa efetuada foi poss vel perceber que diversos estudos revelam este m todo eficaz para previs o de carga a curto prazo mostrando melhores resultados face aos modelos tradicionais 33 34 22 4 3 Diagrama de Carga O diagrama de carga representado atrav s de uma fun o que imposta atrav s da modela o da energia consumida no tempo A partir deste diagrama o GS consegue obter informa o acerca da evolu o dos consumos assim como perceber o tipo de consumo sazonalidade e frequ ncia 35 As carater sticas do consumo modelam o diagrama de carga atrav s da figura 4 6 poss vel verificar o padr o que este segue ao longo das 24 horas di rias podendo assim ser classificado em 3 per odos e Per odo de vazio que fundamentalmente as horas do per odo noturno apresentando um consumo mais baixo representado por a ilumina o p blica e uma percentagem residual do setor de transportes e a algumas ind strias que funcionem neste per odo e Per odo de cheias este come a por volta das 8 horas onde h um aumento do consumo que pode ser explicado pelo in cio das rotinas di rias de trabalho entrand
103. ransferida e Realizar o treino para todas as subesta es Neste estudo apenas foram criadas redes para 10 subesta es num total de 63 e Efetuar o estudo das vari veis justificativas por subesta o devido ao erro variar de subes ta o para subesta o Cada rede neuronal deve ser adaptada especificamente para cada subesta o e Aferir a longevidade de cada rede treinada para garantir que o erro de previs o se mant m dentro dos valores aceit veis e Realizar um estudo para as subesta es que se encontram em malha fechada Estas devem encarar se como uma s subesta o e posteriormente efetuar se uma divis o por percenta gem de consumo por subesta o 74 Conclus es e Trabalhos Futuros Refer ncias 6 7 9 10 11 12 13 14 REN Rede El ctrica Nacional Relat rio amp contas 2014 2014 REN Rede El ctrica Nacional AENERGIA EOLICA em portugal 2012 pagina 3 2013 Vladimiro Miranda Redes Neuronais treino por retropropaga o 2007 Nuno Fidalgo Redes Neuronais TPRE 2014 Maria Helena Os rio Pestana e Engenharia Electrot cnica Departamento de Engenharia Electrot cnica e de Computadores Avalia o e Controlo de Seguran a de Redes Interligadas com Grande Penetra o E lica com base em M todos de Aprendizagem Autom tica Tese de doutoramento 2007 Jo o Catal o Previs o dos Pre os da Energia El ctrica atrav s de Redes Neuronais Artifi
104. re a periodicidade das vari veis de en trada para cada subesta o teste para um hist rico de dados de um e tr s anos Analisando estes resultados conclui se que o fornecimento de entradas com periodicidade de 15 minutos revela se mais eficaz pois apresenta um erro menor para quase todos os casos exceto para a subesta o S45 e S28 para a utiliza o de um hist rico de entradas de 3 anos E MAPE LM 15 em 15 minutos E MAPE LM Hora a Hora 8 4 8 ae 81 8 3 6 2 6 2 5 5 57 4 4 4 5 4 3 3 9 3 9 2014 al 2014 a 2014 2012 14 2014 2012 14 22 28 34 s45 Figura 6 6 Gr fico de compara o da periodicidade de entradas para um hist rico de dados de um e tr s anos A diferen a entre o erro alcan ado para as diferentes periodicidades de entrada m nimo no entanto decide se utilizar uma periodicidade de 15 minutos dado esta apresentar melhores resulta 54 Resultados dos e ser mais ben fico para a REN para a programa o de indisponibilidade dos transformadores das subesta es 6 1 4 Compara o do Hist rico de Dados A compara o do hist rico de dados realizada para uma periodicidade de entradas de 15 minutos com o algoritmo de treino LM No gr fico da figura 6 7 apresentado a compara o entre o MAPE para um e tr s anos de hist rico de dados E MAPE 2014 E MAPE 2012 14 84 20 8 1 6 2 5 5 4 4 4 3 3 9 i 22 28 34 sas Figura 6 7 Gr fico de compara o d
105. revis o relativamente baixos e sempre inferiores ao atual modelo utilizado pelo GS de salientar que o novo modelo apresenta uma previs o mais precisa em algumas subesta es para os dias de feriado e nos dias em que a previs o dependa de um dia de feriado o novo modelo desenvolvido apresentou previs es muito mais precisas Perante a efic cia de previs o do novo modelo desenvolvido de forma a auxiliar o GS foi desenvolvida uma aplica o inform tica simples e intuitiva que forne a de uma forma r pida a previs o de carga natural ao GS Assim este poder programar as indisponibilidades dos trans formadores de uma forma mais segura visto este modelo apresentar valores pr ximos CN real Esta aplica o foi desenvolvida em Matlab e Visual Basic 7 2 Desenvolvimentos Futuros A previs o de curto prazo utilizando as RNA est sempre em contante mudan a pois novos estudos apresentam novos factos que contribuem para melhorar os modelos desenvolvidos Dife rentes conjuntos de algoritmos e entradas para as RNA podem ditar melhores resultados Apesar do modelo proposto nesta disserta o se revelar eficaz sugere se para desenvolvimentos futuros alguns pontos que podem ser estudados para que o modelo de previs o possa ser ainda mais preciso Para tal se destaca 7 2 Desenvolvimentos Futuros 73 e Desenvolvimento de um m todo que indique rede neuronal que ocorreu uma transfer ncia de carga e quantificar a carga t
106. rias nas instala es da REN efetuando as comunica es necess rias para assegurar a coordena o com as salas de comando das entidades externas e com equipas de opera o local e Participar em processos de cria o de condi es de seguran a para trabalhos na RNT assu mindo o papel de Respons vel e efetuando a emiss o rece o das Autoriza es de Trabalho e Atuar como centro de comunica es assegurando a troca de informa es sobre as redes com os diversos interlocutores internos e externos e Efetuar no curto prazo a an lise b sica dos incidentes na RNT desencadeando de imediato a es corretivas quando necess rio Recolher e arquivar todas as informa es dispon veis sobre os incidentes e Participar na programa o de trabalhos que impliquem Indisponibilidades Regimes Es peciais de Explora o Regimes de Interven o em Servi o ou Ensaios de coloca o em tens o servi o em instala es da RNT Participar na elabora o do plano anual de indispo nibilidades e Determinar os par metros a implementar nos equipamentos das instala es mais direta mente relacionados com a Opera o e mant los atualizados e acess veis e Promover a elabora o e atualiza o de Protocolos de Opera o Explora o relativos a to das as entidades externas que ligam RNT Capitulo 3 Redes Neuronais Artificiais No presente cap tulo abordado o tema Redes Neuronais Artificiais RNA onde
107. s da temperatura revelou diversas dificuldades Em Portugal o hist rico de dados n o disponibilizado pelo IPMA de forma a contornar este problema os dados da tem peratura foram retirados de v rias fontes devido a estas n o contemplarem toda a informa o necess ria De 37 38 e 39 s o retirados dados relativamente a temperatura m dia di ria tem peratura m xima e m nima para algumas localidades Do SCADA foi retirada a temperatura de quinze em quinze minutos para as restantes localidades foi efetuado um tratamento desta informa o de modo a obter a m dia di ria m xima e minima de forma a que pudessem ser trabalhados os dados de forma coerente e verificado se n o existiam dados incorretos nos mesmos No gr fico da figura 4 20 poss vel verificar o que esperado temperaturas mais elevadas na poca do ver o e temperaturas mais baixas na poca do inverno e que a tendencia da m dia Nacional acompanha a temperatura local de Lisboa 30 25 20 15 Cc 10 Portugal Continental Lisboa Figura 4 20 Representa o da temperatura m dia di ria no ano 2014 para Portugal Continental e para a cidade de Lisboa As localidades foram selecionadas por capital de distrito A obten o dos dados de temperatura 4 3 Diagrama de Carga 33 revelou se uma grande dificuldade no desenvolvimento desta disserta o e por isso n o foi poss vel obter a temperatura para todas as capitais de distrito Foram
108. s diagramas de pontas anuais para o tipo de consumo industrial encontra se frequentemente uma quebra abrupta no m s de Agosto o que se depreende pelo facto do per odo de f rias de certas ind strias 85 86 Carateriza o das Subesta es Tabela B 1 Padroniza o do fator de carga por tipo de consumo Tipo de Consumo Fe m nimo Fc m ximo Rural 0 86 0 87 Urbano Setor Terci rio 0 63 0 64 Industrial 0 88 0 85 B 2 Sazonalidade A classifica o por sazonalidade foi efetuada a partir dos valores m dios m ximos e m nimos por esta o do ano de cada subesta o dando origem ao Fator de Carga Sazonal Se fosse somente efetuada uma an lise ao fator de carga por esta o do ano para cada subesta o n o seria poss vel uma an lise cuidada Atrav s do fator de carga n o poss vel uma classifica o correta isto o fator de carga segundo a formula B 1 depende da CN m dia e da CN m xima Assim para uma dada esta o do ano Z a CN m xima apresenta um valor X e um valor de CN m dia de Y Para a esta o do ano K a CN m xima correspondia a X 1 e a CN m dia a Y 1 Isto daria exatamente o mesmo fator de carga no entanto existia uma sazonalidade por esta o do ano que n o seria notada atrav s desta an lise Para ultrapassar esta dificuldade desenvolveu se uma metodologia para classifica o do fator de carga sazonal de forma a conseguir se uma maior dispers o entre os valores da CN m xima e m dia
109. s entre os testes Cl e C2 aoaaa Compara o de erros obtidos para teste D1 e D2 aoaaa Resultados dos erros obtidos do teste E1 e E2 na primeira fase para as subesta es S22 834084 6 Bade PS e gad ede ede da ba tae dee Saad Resultados dos erros obtidos do teste El e E2 na segunda fase para as subesta es 91 917 822 834 8406545 co er oe e p eoa e i ala ee Ra ee A a Identifica o do n mero de neur nios e teste com menor erro por subesta o N mero de neur nios da camada escondida que apresentaram menor erro para os dias selecionados ooa co ca caead ae pe ee Resultados obtidos com a aplica o do modelo E2 para outras subesta es Resultados obtidos pelo modelo do teste E2 e o modelo de previs o do COR para a semana de 20 de Abril a 26 de Abril de 2015 nauau aaa aa Compara o do MAPE para o modelo E2 e o modelo do COR para a semana de 27 de Abril a 3 de Maio de 2015 nuaa aaa 0000000 Padroniza o do fator de carga por tipo de consumo xvii xvili LISTA DE TABELAS B 2 Padroniza o do fator de carga sazonal 2 0 00000 87 B 3 Carateriza o das subesta es cccccccccclc a 89 Abreviaturas e Simbolos AT BP COR ERSE GS GSOR IPMA LM MAT MLP PD PdE PRE PRO REN RNA RNT RPROP RQS SCADA SEE SEN TCD MW kV Alta Tens o Backpropagation Centro de Opera o da Rede Entidade Reguladora dos Servi os Energ ticos Gestor do Sistema Depart
110. s resultados obtidos C digo das Subesta es Tipo de Consumo Sazonalidade Distrito S1 Urbano setor Terci rio Sazonalidade moderada Lisboa S2 Urbano setor Terci rio Sazonalidade forte vora S3 Urbano setor Terci rio Sazonalidade moderada Viseu S4 Industrial Sazonalidade moderada Leiria S5 Urbano setor Terci rio Sazonalidade moderada Castelo Branco S6 Urbano setor Terci rio Sazonalidade forte Guarda S7 Industrial Sazonalidade moderada Lisboa S8 Urbano setor Terci rio Sazonalidade moderada Lisboa S9 Urbano setor Terci rio Sazonalidade forte Viseu S10 Industrial Sazonalidade forte Porto S11 Urbano setor Terci rio Sazonalidade forte Porto S12 Rural Sazonalidade forte Vila Real S13 Urbano setor Terci rio Sazonalidade moderada Lisboa S14 Urbano setor Terci rio Sazonalidade forte Porto S15 Industrial Sazonalidade moderada Aveiro S16 Urbano setor Terci rio Sazonalidade forte vora S17 Urbano setor Terci rio Sazonalidade moderada Faro S18 Urbano setor Terci rio Sazonalidade moderada vora S19 Urbano setor Terci rio Sazonalidade forte Beja S20 Urbano setor Terci rio Sazonalidade moderada Castelo Branco S21 Urbano setor Terci rio Sazonalidade forte Set bal S22 Industrial Sem sazonalidade Lisboa S23 Rural Sazonalidade forte Portalegre S24 Urbano setor Terci rio Sazonalidade forte Aveiro 88 Carateriza o das Subesta es C digo das Subesta es Tipo de Consumo Sazonalidade Distrito S25 Rural Sazonalidade mo
111. sinal de erro total sendo proporcional sua contribui o na forma o da sa da original Os pesos das conex es s o atualizados para cada neur nio baseados no sinal de erro recebido 30 Na aprendizagem por retropropaga o poss vel a aplica o de v rios algoritmos de treino dado de seguida especial aten o aos algoritmos de treino deste tipo de aprendizagem Ap s pesquisa bibliogr fica para desenvolvimento da presente disserta o dos diversos m todos e deriva es encontrados para aplica o da aprendizagem por retropropaga o poss vel verificar se a efic cia dos algoritmos de treino Levenberg Marquardt e Resilient Backpropagation Levenberg Marquardt O algoritmo Levenberg Marquardt supera o BP e muitos outros m todos de gradiente conju gado numa vasta variedade de problemas Al m disso tem uma converg ncia e um treino de uma RNA mais r pida face ao BP 31 32 Este algoritmo extremamente til quando necess rio um treino muito preciso O LM uma mistura de propriedades de pesquisa local de Gauss Newton com um algoritmo de gradiente descendente que proporciona uma descida de erro consistente Este tipo de treino considerado um problema de otimiza o sem restri es 31 A principal desvantagem deste algoritmo a elevada exig ncia de mem ria computacional para o c lculo da matriz Jacobiana da fun o de erro com dimens es iguais ao n mero de pesos Outra desvantagem que
112. stes do teste B apresentam valores iguais para as subesta es S22 e S45 No entanto para as subesta es S28 e S34 apresenta um erro MAPE ligeiramente mais baixo para o teste B2 Para uma an lise mais detalhada atrav s da an lise da tabela 6 7 verifica se que o teste B2 atinge erros mais baixos No entanto esta diferen a entre os erros obtidos para o teste Bl e B2 continua a ser m nima Devido obten o da vari vel Tmed ser de dif cil obten o por parte do REN e o teste B1 apresentar resultados satisfat rios decidido optar por incluir no modelo final de previs o duas vari veis temperatura Tabela 6 7 Compara o de erros entre testes Teste B1 Teste B2 Sub MAD MSE MAPE RMSE MAD MSE MAPE RMSE S22 11 8 220 9 8 00 0 482 11 7 217 1 8 00 0 473 S28 7 6 130 1 5 60 0 11 7 4 123 6 5 40 0 104 S34 26 15 4 4 10 0 046 2 5 15 4 00 0 045 S45 82 1174 3 60 0 168 82 117 6 3 60 0 169 HTesteBi HTeste B2 Teste A 9 0 8 0 8 0 4 9 4 1 4 0 4 1 3 6 3 6 22 28 34 45 Figura 6 11 Gr fico de compara o do MAPE para os tr s testes efetuados 6 3 Vari vel Feriado Teste C A inclus o da vari vel feriado deu origem a duas novas RNA Estas t m por base a RNA do Teste A sendo adicionada uma vari vel bin ria Fer dando origem a RNA do teste C1 e outra com a inclus o de 5 vari veis bin rias dando origem a rede neuronal do teste C2 representada na figura 6 12 composta por 13
113. tada no cap tulo anterior As subesta es selecionadas para o teste A B Ce D s o a S22 a S28 a S34 e a S45 sendo acrescentadas as subesta es S1 S17 e S40 para o teste E 6 1 Compara o de Algoritmos Teste A Tendo este teste como objetivo a compara o de algoritmos de treino a n vel de tempo de pro cessamento computacional precis o periodicidade das vari veis de entrada e hist rico de dados foi definida uma rede neuronal simples Utilizou se a RNA apresentada na figura 6 1 composta por 8 entradas e 25 neur nios na camada escondida e uma sa da Ii HCos Y Saidas mM Entradas Figura 6 1 Modelo da RNA utilizada para o teste A 49 50 Resultados Utilizada a RNA apresentada em 6 1 e seguindo a metodologia apresentada no capitulo ante rior obtiveram se os resultados apresentados nas tabelas 6 1 6 2 6 3 e 6 4 Tabela 6 1 M dia dos resultados obtidos por subesta o com entradas de periodicidade de 15 minutos com o algoritmo RPROP Sub Ano MAD MSE MAPE RMSE Tempo min S22 2014 13 2 273 3 9 00 0 596 00 09 2012 14 12 241 840 0 495 00 59 528 2014 82 1684 6 10 0 142 00 14 2012 14 8 9 157 3 6 60 0 129 01 25 S34 2014 3 1 21 4 4 90 0 064 00 20 2012 14 3 7 39 5 8 70 0 083 01 19 S45 2014 9 6 1564 4 10 0 224 00 17 2012 14 10 6 195 2 4 60 0 275 01 25 Tabela 6 2 M dia dos resultados obtidos por subesta o com entradas de periodicidade de 15 minutos com o
114. te a subesta o que desejamos como apresentado na figura A 3 Ap s selecionar a capital de distrito automaticamente receber a informa o das tempera turas m ximas e m nimas para os dias em que deseja realizar a sua previs o como se pode verificar na figura A 4 Feche o ficheiro e selecione a op o guardar x P tempe OX alento BASE INSERIR ESQUEMA DEP GINA F gt c6 X fe v A 8 c a 1 gt Escotha a capital de distrito E referente sua subesta o gt a 5 Viana do Cas E 6 Vila Real Viseu x 8 9 Temp amp Figura A 3 Ficheiro Excel aberto pelo bot o 3 82 Aplica o Previs o de Carga Natural temp 7 8 O XxX BASE INSERIR ESQUEMA DE P GINA D5 f v A B c D E a 1 Cidade Porto 2 Data 19 06 2015 3 min Max 4 20 30 s 20 31 6 20 31 7 20 33 8 18 27 9 17 21 10 14 22 Figura A 4 Temperaturas apresentadas ap s a sele o da capital de distrito desejada 3 Clique no bot o 3 Aqui poss vel a sele o da RNA referente a subesta o desejada para previs o de CN aberta uma janela como apresenta na figura A 5 para efetuar a sele o e carregar o ficheiro Ap s selecionada a subesta o s o automaticamente carregadas as temperaturas obtidas anteriormente preenchendo a tabela temperatura e o nome do ficheiro passa a ter cor verde como apresentado na figura A 6 T Selecione o ficheiro net JQ minh
115. teste C2 apresenta valores previstos mais pr ximos da CN real como apresentado no gr fico da figura 6 16 CN Mw Figura 6 16 Gr fico de compara o entre a CN prevista no teste A Teste C1 Teste C2 e CN real para S34 para o dia 10 de Junho de 2014 Por observa o do gr fico da figura 6 17 depreende se que o teste C2 consegue eliminar a falha apresentada pelo teste C1 aproximando extremamente bem a carga prevista para este dia Apesar do teste C2 para os dias demonstrados anteriormente apresentar resultados satisfat rios ao efetuar a an lise a outros dias do ano como o dia 25 de abril e 8 de Dezembro de 2014 apresentado no gr fico da figura 6 18 e 6 19 surgiram d vidas quanto escolha do melhor teste 6 3 Vari vel Feriado Teste C 61 95 85 75 65 55 45 35 ooo90090000000000090000000000090 900000000 000000000000000 oA Nm od Nas OA c aA A M pd nossa SsS4SISARANA Reg TesteA Testell TesteC2 Figura 6 17 Gr fico de compara o entre a CN prevista no teste A Teste C1 Teste C2 e CN real para S34 para o dia 15 de Dezembro de 2014 75 70 65 60 55 z 50 O 35 30 oooooeoeooeoeoeeeeqeeeseeeeseeeeee5606geg COGOGGOSGGO OCO LG GOO GG ECE SES ES S oA NM THOR NonANntsynuor je dam Ei o vagas asMsaigaRARA Rel TesteA TesteCl TesteC2 Figura 6 18 Gr fico de compara o entre a CN prevista no teste A Teste C1 Teste C2 e CN real para
116. tos entre os valores reais e os valores previstos t MAD Li lerl 5 7 t 48 Metodologia de treino das RNA MSE Mean Squared Error O erro m dio quadr tico um erro a ter em considera o pois as redes neuronais tendem a minimizar o MSE Este calculado atrav s da m dia da soma dos erros de previs o ao quadrado como demostrado na express o 5 8 t o2 MSE Liat 5 8 MAPE Mean Absolute Percentage of Error O erro m dio percentual absoluto reflete se na m dia em que a previs o se desvia dos valores reais definindo se como m dia da diferen a absoluta entre os valores previstos e atuais expressa em percentagem calculado como na express o 5 9 t lel MAPE a x100 5 9 RMSE Relative Mean Squared Error O erro m dio quadr tico relativo um erro que quanto mais pr ximo estiver de zero mais precisa ser a previs o Este erro calculado atrav s da express o 5 10 _ MAE f E Rf MSE A 1Y 4 4A 5 10 RMSE f Capitulo 6 Resultados Neste cap tulo s o apresentados os resultados obtidos para cada teste efetuado j referidos no cap tulo anterior assim como as justifica es tomadas na evolu o da constru o do modelo para a RNA de previs o de CN a curto prazo para as subesta es da REN de salientar que os resultados apresentados correspondem m dia obtida dos erros para cada 5 treinos efetuados Todos os testes efetuados seguiram a metodologia apresen
117. uada uma carateriza o das subesta es da REN O diagrama de carga fortemente influenciado por fatores econ mi cos cronol gicos meteorol gicos demogr ficos e sociais Assim neste cap tulo apresentado o estudo efetuado sobre as vari veis justificativas do mesmo 4 1 Subesta es Com a entrada da PRE na produ o surgiu uma decomposi o do tr nsito efetivo nos trans formadores de pot ncia MAT AT tendo em conta a produ o a jusante e a montante da posi o do transformador Deste modo o tr nsito presente nos transformadores das subesta es da RNT n o corresponde carga real Como j referido no cap tulo 1 de modo a ultrapassar este problema surgiu assim o conceito de Carga Natural que obtida conforme a express o 4 1 Pode se ent o definir CN como sendo a soma do tr nsito efetivo dos transformadores de pot ncia das subesta es e o total da produ o distribu da ligada aquela subesta o CN TR Prod RND 4 1 A figura 4 1 mostra a an lise do tr nsito de pot ncia e CN na semana de 9 de Fevereiro de 2015 a 15 de Fevereiro de 2015 numa subesta o da regi o do Algarve Esta subesta o apresenta uma forte liga o de PRE predominantemente e lica Assim poss vel explicar a discrep ncia que existe entre a CN e o tr nsito de pot ncias pois a diferen a entre os dois representa exatamente a PRE recebida pela referida subesta o 21 22 Vari veis Justificativas do Diagr
118. utoria e foi escrita sem qualquer apoio externo n o explicitamente autorizado Os resultados ideias par grafos ou outros extratos tomados de ou inspirados em trabalhos de outros autores e demais refer ncias bibliogr ficas usadas s o corretamente citados Ke Toul liver nu fo Autor Rui Manuel Teixeira Carvalho Faculdade de Engenharia da Universidade do Porto Resumo A constante mudan a do Sistema El trico de Energia SEE devido produ o distribu da faz surgir um novo modelo de explora o da Rede Nacional de Transporte RNT O tr nsito de pot ncias passa a ter uma distribui o bidirecional nos transformadores das su besta es da Rede El ctrica Nacional REN pelo que deixa de ser visto como o consumo real e passa a repartir se em dois par metros a carga natural e a soma de todos os produtores ligados a jusante da subesta o Das fun es do Gestor de Sistema GS da REN salientam se a garantia da alimenta o inin terrupta dos consumos e a gest o das indisponibilidades dos elementos de rede linhas e trans formadores mantendo as margens de reserva adequadas e com a qualidade de servi o que lhe exig vel Deste modo no mbito da programa o de indisponibilidades de transformadores de pot ncia o GS necessita de uma previs o de carga afinada e com baixo erro A previs o de carga natural assume um fator muito importante para o GS surgindo assim a necessidade de criar um modelo para previs o
119. volvimento do teste B O estudo desta vari vel subdividiu se em dois testes B1 e B2 onde ser o realizados 10 treinos por subesta o o que totaliza um conjunto de 40 RNA a analisar 5 2 3 3 Vari vel Feriado Teste C A CN como j analisado no cap tulo 2 apresenta um comportamento diferente nos dias de feriado podendo afetar ou n o os dias seguintes isto na ocorr ncia de uma ponte ou num per odo festivo De modo a tentar combater os elevados erros de previs o que se geram nestes dias feito um estudo vari vel feriado A vari vel feriado deu origem a mais cinco entradas da rede neuronal e Fer Feriados se sim a vari vel ser 1 caso n o se verifique o seu valor ser zero FerS1 Feriado na semana anterior mesma hora da hora de previs o FerS1H1 Feriado na semana anterior uma hora antes da hora de previs o FerS2 Feriados duas semanas antes mesma hora da previs o FerS2H1 Feriados duas semanas antes uma hora antes da hora de previs o Teste C1 Fer Vari vel Feriado Teste C Teste C2 Fer FerS1 FerS2 FerS1H1 e FerS2H1 Figura 5 6 Metodologia adotada para desenvolvimento do teste C A vari vel feriado deu origem a 2 testes Cl e C2 como visualizado na figura 5 6 onde no primeiro apenas se indica RNA que o dia em causa feriado J no teste C2 introduzem se novas 44 Metodologia de treino das RNA vari veis de forma a poder se indica
120. w de E bale ees Correla o da CN com a CN de duas semanas anteriores mesma hora para o per odo da Primavera 2 2 ee Correla o da CN com a CN de duas semanas anteriores mesma hora para o per odo do Outono ccccclcll a Compara o do diagrama de carga semanal com o da semana anterior e duas se manas anteriores para o per odo de Inverno 00 Compara o do diagrama de carga semanal com o da semana anterior e duas se manas anteriores para o per odo de Primavera Compara o do diagrama de carga semanal com o da semana anterior e duas se manas anteriores para o per odo de Ver o ccccccccllc Compara o do diagrama de carga semanal com o da semana anterior e duas se manas anteriores para o per odo de Outono 00 xiii oo o N N 12 12 13 14 15 16 xiv 4 15 4 16 4 17 4 18 4 19 4 20 4 21 4 22 4 23 5 1 5 2 5 3 5 4 55 5 6 5 7 5 8 6 1 6 2 6 3 6 4 6 5 6 6 6 7 6 8 6 9 6 10 6 11 6 12 6 13 6 14 6 15 LISTA DE FIGURAS Compara o do diagrama de carga da semana de 8 a 14 de Dezembro de 2014 com a semana anterior sos ee oii aa EO BO ee ee we ee Compara o do diagrama de carga da semana que inclui o feriado de 25 abril 2013 com a semana anterior c cccccccccsl ee Compara o do diagrama de carga da poca Natal cia com a semana anterior Compara o entre o diagrama de carga da semana de 9 a 15 de Junho de 2014
121. z Jqe gZ Jge gz Jqe gz Igqe z Ige z IQe Z Ige z Modelo E2 Modelo COR Figura C 6 Diagrama de carga real e previsto para a semana de 27 de Abril a 3 de Maio de 2015 para a subesta o S53 95 96 Anexo D Mapa RNT Rede Nacional de Transporte de Electricidade Rede de Muito Alta Tensao REN Rede El ctrica Nacional S A Av E U A 55 1749 061 Lisboa Tel 21 001 3500 Fax 21 001 3100 www ren pt cedida por ESRI Portugal ESR Portuga ESCALA SCALE 1 1 000 000 Figura D 1 Mapa da RNT osawases Mapa RNT

Modelo de Previsão dos Consumos na RNT Considerando a

Contents

Download Pdf Manuals

Related Search

Related Contents

Modelo de Previs&atilde;o dos Consumos na RNT Considerando a

Contents

Download Pdf Manuals

Related Search

Related Contents

Modelo de Previsão dos Consumos na RNT Considerando a