65ª Reunião Anual da SBPC

A. Ciências Exatas e da Terra - 2. Ciência da Computação - 6. Inteligência Artificial e Redes Neurais

Comparação de previsões de consumo de energia elétrica usando Redes Neurais Artificias e Análise de Regressão

Matheus Braun Magrin - Departamento de Informática e Estatística Luiz Angelo Daros de Luca - Me. - IDESTI - Instituto de Capac., Pesquisa e Desenv. Inst. em G. S. de TI Claudio Magalhães de Oliveira - Dr. Eng. - IDESTI - Instituto de Capac., Pesquisa e Desenv. Inst. em G. S. de TI Gueibi Peres Souza - Prof. Dr. - Depto. de Economia e Relações Internacionais - UFSC Manuela Machado - Departamento de Economia e Relações Internacionais - UFSC Daiane de Bortoli - Departamento de Economia e Relações Internacionais - UFSC

INTRODUÇÃO:

Prever o comportamento de eventos futuros, no curto, médio e longo prazos, é importante em inúmeros e distintos setores. As previsões são utilizadas, dentre outros, no auxílio à tomada de decisão sobre as ações futuras, que podem envolver questões de segurança e manejo de grandes quantidades de recursos. No setor elétrico nacional, elas são utilizadas como subsídio à tomada de decisão pelas empresas geradoras, transmissoras e distribuidoras de energia, bem como pelos demais agentes, como o ONS (Operador Nacional do Sistema Elétrico) e EPE (Empresa de Pesquisa Energética), nas mais diversas atividades diárias. Existem diversos métodos quantitativos que são capazes de realizar previsões, a exemplo de Suavização Exponencial e Regressão Linear. Ainda, a literatura apresenta exemplos do uso de Redes Neurais Artificiais (RNAs) para previsão. Assim, dada a importância das previsões, se faz necessário estudar e comparar técnicas que permitam a obtenção de previsões precisas.

OBJETIVO DO TRABALHO:

Comparar a capacidade de previsão das Redes Neurais Artificiais em relação a modelos de Análise de Regressão na previsão do consumo residencial mensal de energia elétrica do estado de Santa Catarina, na área de concessão da Celesc Distribuição S.A. (distribuidora local de energia elétrica).

MÉTODOS:

Foram construídos dois modelos de análise de regressão para prever a energia mensal sem tendência dos clientes residencias da Celesc a partir de 15 variáveis explicativas: 11 binárias para os meses do ano; proporção de dias úteis no mês; proporção de dias com horário de verão (HV) no mês e dois mapeamentos da relação da temperatura ambiente, diária e mensal, com a energia utilizando um polinômio. Por ter uma tendência crescente, a energia foi estacionada dividindo seu valor pela média móvel centrada de 24 meses para permitir a extrapolação das RNAs. Os modelos foram construídos com dados do período de Janeiro/01 a Junho/10. Após, os mesmos foram aplicados para prever o período de Julho/10 a Junho/11. Em ambos os modelos foram testados um dos polinômios e as demais 13 variáveis. Para a comparação, foram criadas RNAs do tipo Perceptron Múltiplas Camadas (MLP) utilizando os mesmos conjuntos de variáveis dos modelos econométricos. Para os dois conjuntos de dados foram testadas diferentes combinações de quantidades de camadas e neurônios. Dentre as inúmeras RNAs criadas, foram escolhidos os dois melhores modelos onde o erro apresentou menor variabilidade e média. A avaliação foi feita através do Erro Quadrado Médio (MSE) e do Erro Percentual Absoluto Médio (MAPE).

RESULTADOS E DISCUSSÃO:

Após a remoção das variáveis não significativas, no primeiro modelo de regressão (Reg1) permaneceram: as dummies de Abril, Maio e Dezembro, a proporção dos dias em HV e o polinômio testado. No segundo modelo (Reg2) permaneceram as dummies de Junho à Dezembro e o polinômio. Os erros MSE e MAPE de Reg1 foram, respectivamente 0,0005 e 1,7% na predição e 0,0005 e 1,71% na previsão. A RNA construída com os mesmos dados de Reg1 (RNA1) e que foi escolhida, apresentou erros de 0,0004 e 1,43% na previsão. Reg2 apresentou MSE e MAPE de 0,0005 e 1,62% para a predição e 0,0005 e 1,76% na previsão. Similarmente, a RNA usando as mesmos dados de Reg2 (RNA2) escolhida apresentou erros de 0,0004 e 1,6% na previsão. Dentre as várias RNAs testadas, ambas as escolhidas (RNA1 e RNA2) tem a mesma arquitetura: a camada de entrada e somente a camada de saída com função de ativação linear. O funcionamento desta arquitetura, sem camadas ocultas e função de ativação não-linear, equivale ao funcionamento da análise de regressão (modelo linear). Os resultados obtidos, mostrando desempenho ligeiramente superior das RNAs, são devidos a uma pequena redução e consequente alteração no conjunto de treino das RNAs, dados estes utilizados como conjunto de validação.

CONCLUSÕES:

Os modelos de Regressão e as RNAs apresentaram erros (MAPE) na previsão abaixo de 2% para ambos os conjuntos de dados, resultados considerados aceitáveis na área. Os resultados mostram que as RNAs obtiveram erros menores, porém próximos, no horizonte de previsão de 12 meses (12 passos à frente). Em relação a Reg1, a RNA1 reduziu em 0,28 p.p. o MAPE na previsão. Em relação a Reg2, a RNA2 diminuiu o MAPE na previsão em 0,16 p.p.. Nos quatro modelos finais, os valores do MSE também foram similares, embora as RNAs tenham apresentado MSEs ligeiramente menores. As RNAs escolhidas, devido a sua arquitetura, tem poder de explicação equivalente ao da Análise de Regressão. As discrepâncias nos erros são devidas às pequenas diferenças nos conjuntos de dados usados na construção dos modelos. Assim conclui-se que, para estes conjuntos de dados e espaço amostral, as RNAs se mostraram equivalentes para a previsão da energia mensal sem tendência 12 passos à frente. Cabe ressaltar que, o processo de construção dos modelos de Análise de Regressão selecionou previamente as variáveis de entrada utilizadas pelas RNAs. Com isso, é possível que existam relações não-lineares entre a energia e as variáveis exógenas descartadas pela Análise de Regressão, que não foram exploradas pelas RNAs.

Palavras-chave: Redes MLP, Métodos quantitativos, Séries temporais.