Melhoria dos Processos de Previsão Porquê? A melhoria dos processos de previsão aplicados aos sistemas eléctricos de energia, está relacionada com as alterações nas filosofias de exploração destes sistemas, devidas principalmente ao aparecimento de novas fontes de produção de energia eléctrica, que obrigam a previsões cada vez mais fiáveis tanto para garantir a segurança de operação dos sistemas de energia. Tipo de Previsão A previsão que se irá tratar neste trabalho é a previsão estatística com base no histórico de séries temporais. Este tipo de previsão é utilizado em previsão de curto prazo, próximas horas, ou dias (normalmente até 3 dias). Processo O novo processo de previsão proposto neste trabalho baseia-se na utilização conjunta de um algoritmo de optimização, em conjugação com uma rede neuronal. O algoritmo de optimização que será utilizado para encontrar os valores previstos. A rede neuronal fará parte do processo de avaliação de cada solução encontrada pelo algoritmo de optimização. A utilização deste tipo de método prende-se com o facto de já terem sido feitas experiencias com este método em estimação de dados, com resultados bastante satisfatórios. A experiencia de utilização deste método em processos de previsão surge assim naturalmente, uma vez que os valores a serem previstos podem ser encarados como valores desconhecidos futuros, enquanto que os valores desconhecidos em processos de estimação são valores desconhecidos “presentes”. No fundo o objectivo é encontrar o conjunto de valores da série que mais se adequam à série, de forma a garantir que os valores de saída da rede neuronal, são o mais próximos possíveis dos valores de entrada da rede. O algoritmo de Optimização O algoritmo de optimização a utilizar será uma EPSO (“Evolutionary Particle Swarm Optimization”) pois este é um algoritmo já aplicado em diversos processos de optimização com melhores resultados, relativamente a outros processos de optimização. Partícula – Conjunto de valores a serem previstos; Função de Avaliação (Fitness) – Correntropia do erro entre as entradas e as saídas da rede neuronal; Objectivo – Maximização da correntropia do erro entre as saídas e as entradas da rede neuronal; A Rede Neuronal Apenas é utilizada uma rede neuronal, onde são simuladas todas as partículas da EPSO, sendo esta rede treinada de forma, a que as entradas sejam iguais às saídas. Esta é uma rede, também com a especificidade de a camada interna ter menos neurónios que as camadas de entrada e de saída. Estas redes são designadas de automodeladores. A rede é treinada por um algoritmo de retropropagação, no qual o objectivo é a minimização do quadrado do erro entre as saídas da rede e os valores “target”. Refira-se que os valores “target” são iguais aos valores de entrada da rede. O processo de treino só é realizado uma vez para uma série de dados, sendo que durante o processo de previsão os pesos da rede não são alterados. A principal diferença do processo de treino da rede, para o processo de previsão, é que enquanto que no primeiro, pretende-se obter um vector de saídas da rede o mais idêntico possível ao vector “target”, por alteração dos pesos internos da rede. No segundo pretende-se obter um vector de saídas da rede o mais próximo possível do vector de entradas da rede, por alteração do próprio vector de entradas. Exemplo de aplicação Este exemplo tem o objectivo de expor os conceitos do método e permitir uma compreensão mais detalhada do método de previsão proposto. Configuração da Rede Neuronal Tipo FeedFoward Função Activação Sigmoid Número neurónios Camada de Entrada – nº de elementos do vector entrada da rede; Treino Tipo – Supervisado Critério – Minimização do quadrado dos erros Processo – Parametrização dos pesos por retropropagação Utilização (Previsão) Vector de entradas (I) 𝐼 = 𝐼𝑘 + 𝐼𝑚 Ik – Vector das entradas conhecidas Im – Vector das entradas desconhecidas (a prever) Vector de saídas (O) 𝑂 = 𝑂𝑘 + 𝑂𝑚 Ok – Vector das saídas conhecidas Om – Vector das saídas desconhecidas Alteração do vector Im através de um algoritmo EPSO. 𝐼𝐾 = [𝐼1 ; 𝐼2 ; 𝐼3 ]; 𝐼𝑚 = [𝐼4 ]; 𝑂𝐾 = [𝑂1 ; 𝑂2 ; 𝑂3 ]; 𝑂𝑚 = [𝑂4 ]; Cada partícula do EPSO corresponde ao conjunto de valores a prever, neste caso cada partícula corresponde ao valor I4. Configuração da EPSO Partículas Nº de partículas – (a definir) Dimensão – 1 Outros Parâmetros – (a definir: taxa de mutação dos pesos) Função de avaliação Tipo – Maximização 1 1 1 𝑁 1 − 2 (𝜀𝑖 ) 2 2𝜎 Função - 𝑉̂ (𝜀) = 𝑁 ∑𝑁 𝑖=1 𝐺(𝜀𝑖 , 𝜎 𝐼) = 𝑁 ∑𝑖=1 𝜎 2𝜋 𝑒 2 √ 𝜀 =𝐼−𝑂 Refira-se que para avaliar cada partícula é necessário substituir o valor da entrada I4 pelo valor da partícula, simular a rede e calcular a respectiva diferença entre os vectores de entrada e de saída obtido. Posteriormente é calculada a correntropia do erro. Critério de Paragem Se ao longo de um determinado número de iterações o melhor valor para a correntropia do erro não se alterar, então o processo pára;