Redes neurais construtivas e modelos estatísticos qual a melhor alternativa para previsão de vazões

Título:

Redes neurais construtivas e modelos estatísticos qual a melhor alternativa para previsão de vazões

Resumo:

O Setor Elétrico Brasileiro tem mais de 90% de sua energia proveniente de usinas hidroelétricas que se encontram distribuídas por 12 bacias hidrográficas do país. O Operador Nacional do Sistema Elétrico (ONS) com o objetivo de otimizar o despacho centralizado das usinas possui dentre outras atribuições a de realizar de forma mensal a previsão de vazões para os locais dos aproveitamentos hidrelétricos. A previsão para o primeiro mês é realizada utilizando-se o modelo PREVIVAZ, que a partir de dados em base semanal, seleciona o melhor modelo dentre as 94 diferentes combinações de séries temporais, estruturas estacionária ou periódica, métodos de estimação de parâmetros e diferentes transformações e consolida os resultados em base mensal. O uso de modelos lineares na predição de vazões e de séries temporais, como os modelos clássicos de Box-Jenkins, geralmente está intimamente relacionado à simplicidade desses modelos, o que acarreta um fácil projeto e implementação. Entretanto, existem muitas situações do mundo real nas quais se faz necessário um mapeamento não-linear entre as variáveis de entrada e o domínio de resposta do sistema, daí a necessidade de novas técnicas que permitam este mapeamento de forma eficiente. Com o advento do algoritmo backpropagation, uma grande atenção tem-se dado às redes neurais, especialmente às redes MLP (multi-layer perceptron), em função da sua capacidade de poder aproximar uma função arbitrária não-linear em muitas variáveis. Portanto, as redes MLP podem ser consideradas uma técnica extremamente poderosa para realizar um mapeamento não-linear. Entretanto, esses pesquisadores não fornecem procedimentos para determinar o número de neurônios necessários na camada escondida, para realizar a aproximação de uma dada função. Esse aspecto é de fundamental importância, haja vista que se o número de neurônios na camada escondida for muito grande, além de se ter um modelo não-parcimonioso, a rede poderá memorizar os dados de treinamento e ficar com uma pobre capacidade de generalização. O principal objetivo deste artigo é apresentar o modelo NeuroInflow que é baseado em redes neurais construtivas e comparar os resultados obtidos com a metodologia tradicional do modelo PREVAZ atualmente em uso no setor. A nossa aplicação está baseada num histórico de vazões médias mensais no período de 1931 a 1998 para todas as usinas do Sistema Interligado Nacional. Para realizar nosso experimento com o horizonte de 1 (um) mês à frente utilizamos estes dados para 36 usinas hidroelétricas. Para nossa análise de longo prazo comparamos os resultados obtidos no período de janeiro de 2001 a Dezembro de 2001 e no período de Fevereiro de 2001 a dezembro de 2001.

NEUROINFLOW
Este modelo permite a realização de previsão de vazões médias mensais, semanais e diárias. A versão 1.0 corresponde ao modelo de previsão de vazões médias mensais com o objetivo de permitir uma análise energética de longo prazo. O modelo tem como base o uso de redes neurais construtivas. Este modelo foi utilizado para treinamento de todos os pontos de interesse ao programa mensal de operação, tendo sido dividido em quatro módulos para maior facilidade de uso e manutenção. O NEUROINFLOWNORDESTE que faz previsão para 3 usinas, o NEUROINFLOWNORTE que faz previsão para 3 usinas o NEUROINFLOWSUL que faz previsão para 15 usinas e o NEUROINFLOWSUDESTE que faz previsão para 74 usinas. No quadro 1 comparamos os resultados obtidos com redes neurais com os do modelo Prevaz publicados no relatório de longo prazo – ONS, isto é, para o período de Outubro/2000 a Set/2001, Janeiro/2001 a Dezembro/2001, Fevereiro/2001 a Dezembro/2001 e Março/2001 a Dezembro/2001, para efeito de análise de desempenho dos modelos utilizamos o erro relativo percentual médio absoluto. A análise foi realizada da seguinte forma: Como exemplo, de Outubro/2000 a Setembro/2001, utilizamos com entrada a vazão verificada em Junho/2000, a vazão estimada em Julho/2000 e a vazão prevista para Setembro/2000 através do PREVIVAZ, resultados disponíveis no PMO.

Quadro – 1 –Comparação entre relatório de longo prazo e redes neurais construtivas

Analisando-se a o quadro 1 podem-se verificar os enormes ganhos obtidos na previsão de longo prazo com as redes neurais. Fazendo-se uma relação percentual entre os modelos estatísticos e as redes neurais podemos elaborar a tabela 3 com os ganhos na redução do erro de previsão. No caso de previsões apresentadas neste artigo, uma única rede NSRBN foi capaz de fornecer melhores resultados do que os diversos melhores modelos de Box-Jenkins, calibrados para cada mês do ano, com um tempo de treinamento inferior a 2 minutos, fornecendo-se apenas a janela de entrada (valores passados de vazões). Os resultados obtidos com a metodologia proposta além da facilidade de uso, uma vez que o usuário não precisa ser especialista em redes neurais, fornece ganhos substanciais chegando em alguns aproveitamentos a fornecer uma redução de 50% no erro cometido para a previsão de longo prazo. Em média temos uma redução no erro superior a 30%.

Autores:

Mêuser Valença