Universidade Federal do Pará Centro Tecnológico Programa de Pós-Graduação em Engenharia Elétrica Load Forecasting Using Support Vector Machines: A Study.

Universidade Federal do ParáCentro Tecnológico

Programa de Pós-Graduação em Engenharia Elétrica

Load Forecasting Using Support Vector Machines: A Study on EUNITE Competition 2001Bo-Juen Chen, Ming-Wei Chang, and Chih-Jen Lin

Departament of Computer Science and Information Engineering

National Taiwan University

Taipei 106, Taiwan (cjlin@csie.ntu.edu.tw)

Yomara Piresiomara@interconect.com.b

Dez/2004

Conteúdo Conceitos gerais sobre Previsão de carga

Conceitos gerais de SVM - Support Vector Machines

Breve comentário sobre EUNITE COMPETITION 2001

Previsão de carga usando SVM: estudo de caso EUNITE COMPETITION 2001 .

Previsão de carga usando RN: Estudos comparativos

Conceitos gerais sobre Previsão de carga

Definição Passo essencial na operação e planejamento de uma companhia de

serviço público;

Ajuda na tomada de decisões importantes: geração de energia elétrica distribuição de carga desenvolvimento de infra-estrutura

Extremamente importante para instituições financeiras, distribuidores de energia e demais participantes na geração, transmissão e distribuição de energia elétrica.

Previsões a curto prazo podem ajudar a estimar o fluxo de carga e a tomar decisões de prevenção de sobrecarga.

Em economias não estáveis as decisões e investimentos são baseados em previsões de carga a longo prazo e são mais importantes que em lugares onde a economia é estável.

Conceitos gerais sobre Previsão de carga Categorias

Previsão a curto prazo ( 1 hora, 1 semana) Para uma determinada região é possível predizer a carga

do próximo dia com precisão de aproximadamente 1-3%

Previsão a médio prazo (1 ano) Para esta mesma região é impossível ter a mesma taxa de

precisão caso deseja-se prever o pico de carga do próximo ano sem o conhecimento da previsão do clima.

Previsão a longo prazo (Mais de um ano) Análise dos dados históricos, baseados em um determinado

período.Varia de companhia para companhia.

Conceitos gerais sobre Previsão de carga

Métodos de previsão

Técnicas estatísticas

Técnicas ou algoritmos de IA Regressão RNA Lógica fuzzy Sistemas especialistas

Conceitos gerais sobre Previsão de carga

Modelos de previsão por categoria Médio e longo prazo

Modelo usuário-final: focaliza as diversas aplicações da eletricidade em residências, comércios e industrias. A demanda de eletricidade depende da demanda do cliente.

• Iluminação, aquecimento, refrigeração, etc.

Modelo econômico: combinam teoria estatística e economia para previsão da demanda elétrica. Estima a energia consumida e os fatores que influenciam o consumo (método séries temporais)

• Renda per capita

Conceitos gerais sobre Previsão de carga

Modelos de previsão por categoria Curto prazo

Técnicas estatísticas e IA Regressão linear Séries Temporais RNA Sistemas especialistas Lógica fuzzy SVM

Conceitos gerais sobre Previsão de carga Fatores importantes para previsão

Fator tempo: ano dias da semana, feriados e fins de semana hora do dia

Fator clima: Temperatura Umidade Índice de temperatura-unidade e wind chill index

Categoria do cliente: residencial comercial industrial

Conceitos gerais sobre Previsão de carga

Fatores importantes para previsão/categoria

Curto-prazo: clima, tempo, categoria do cliente

Médio e longo prazo: dados históricos de carga e clima, número de clientes em diferentes categorias, área de aplicação e suas características (economia, geografia, etc.)

Conceitos gerais sobre SVM É a mais recente técnica para solução de problemas de classificação,

regressão, estimação de funções, análises de séries temporais e análises de variâncias.

Baseiam-se no método de minimização estrutural de risco que é fundamentado na teoria da dimensão.

Basicamente, uma SVM é uma máquina linear cuja idéia principal é construir um hiperplano como superfície de decisão de tal forma que margem de separação entre exemplos de uma classe e outra seja máxima.

Linearmente separáveis

não linearmente separáveis

Chen et.al. Propuseram o modelo SVM para predição da demanda de carga diária em um mês. (campeão Eunite 2001)

Conceitos gerais sobre SVM

Hiperplano (linearmente separável):

Conceitos gerais sobre SVM

Hiperplano (linearmente separável):

>=

<=

Conceitos gerais sobre SVM

Hiperplano (linearmente separável):

•usando w no lugar de wo. O problema de otimização restrito que temos que resolver é, então, encontrar os valores ótimos de w e b de modo que satisfaçam as restrições di (wTxi + b)> = 1 para i = 1, 2, …, N

•problema de otimização é chamado de problema primordial e é resolvido através da aplicação do método dos multiplicadores de Lagrange.

Conceitos gerais sobre SVM

Hiperplano ( não linearmente separável):

Conceitos gerais sobre SVM

Hiperplano ( não linearmente separável):

O problema que temos que resolver é encontrar os valores ótimos de w e b de modo que satisfaçam as restrições:

0(( ) ) 1i i iy w w x

0(( ) ) 1i i iy w w x

o desvio de um ponto dado dacondição ideal de separabilidade entre as classes

Eunite Competition 2001 Em 2001 a Eunite (European Network on Intelligent Tecnologies for

Smart Adaptative Systems) organizou uma competição mundial em previsão de carga.

Dada a temperatura e a carga dos anos de 1997 a 1998, os competidores tinham que prever a máxima carga diária no mês de janeiro de 1999.

Os dados fornecidos ao competidores: Conjunto de dados de carga (medida diariamente a cada meia

hora durante os anos de 97 a 98)

Conjunto de dados de temperatura (media diária de temperatura de 95 a 98)

Datas dos feriados de 97 a 98

Previsão de carga usando SVM análise dos dados

Propriedades da demanda de carga: carga x clima

Alta demanda no inverno e baixa no verão

Previsão de carga usando SVM análise dos dados

Propriedades da demanda de carga: periodicidade

A demanda de carga nos fins de semana é menor que nos

dias de semana

A demanda aos sábados é um pouco maior que aos domingos.

Previsão de carga usando SVM análise dos dados

Influência climática

Correlação negativa (-0,868) entre demanda de carga e temperatura. (alta temperatura causa baixa demanda)

Previsão de carga usando SVM análise dos dados

Feriados, festividades e eventos locais

Estas datas afetam a demanda de carga podendo aumentá-la ou diminuí-la.

Datas especiais com natal e ano novo afetam mais que os outros feriados

Previsão de carga usando SVM preparação dos dados

Seleção dos atributos de entrada no modelo SVM

Atributos de calendário: datas e feriados são facilmente conhecidas e, podem ser codificadas sem problemas

Atributos de temperatura:a temperatura de jan/99 não é fornecida foi utilizada outra SVM para predizer a temperatura atual (baseado nos 7 dias passados).

Séries temporais: demanda de carga passada

Previsão de carga usando SVM metodologia utilizada

Atributos codificados e usados no modelo SVM

7 atributos para a maior carga nos 7 dias passados

7 atributos binários indicando os dias da semana

1 atributo binário que indica ou não presença de feriados

1 atributo para a média diária de temperatura (jan/99)

Previsão de carga usando SVM metodologia utilizada

Após escolha e codificação o modelo SVM foi treinado da seguinte maneira:

depois de obtida a carga de 1 de jan/99, esta será utilizada juntamente com as cargas de 26 a 31 de dez/98 para predição de 2 jan/99.

O modelo continua até encontrar a carga de 31 de jan/99.

Previsão de carga usando SVM metodologia utilizada

Após escolha e codificação o modelo SVM foi treinado da seguinte maneira:

os dados foram separados em dois conjuntos:

Jan/98 para teste

Demais para treino

Previsão de carga usando SVM Resultados

Previsão de carga usando SVM Resultados

Previsão de carga usando SVM Resultados

Previsão de carga usando SVM Resultados

Previsão de carga usando SVM Resultados

Previsão de carga usando Rede Neural Resultados obtidos durante estudo do paper

a medição real (jan/97). a medição encontrada.

Previsão de carga usando Rede Neural Resultados obtidos durante estudo do paper

Passos: Fase 1

Criação do programa TrainAndTestRegressor que treina a partir de um arquivo e testa com outro arquivo utilizando um classificador do weka do pacote spock. weka.classifiers.neural.NeuralNetwork.

Fase 2

Esta fase foi dividida em três simulações modificando os parâmetros do classificador em cada uma delas. A medida de avaliação do regressor foi feita de acordo com os critérios de avaliação da competição:

Previsão de carga usando Rede Neural Resultados obtidos durante estudo do paper

Previsão de carga usando Rede Neural Resultados obtidos durante estudo do paper

MAX ERRORS

Referências

Chapter 12LOAD FORECASTINGEugene A. FeinbergState University of New York, Stony BrookEugene.Feinberg@sunysb.eduDora GenethliouState University of New York, Stony Brookdgenethl@ams.sunysb.edu