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

Apresentação em tema: "Universidade Federal do Pará Centro Tecnológico Programa de Pós-Graduação em Engenharia Elétrica Load Forecasting Using Support Vector Machines: A Study."— Transcrição da apresentação:

1 Universidade Federal do Pará Centro Tecnológico Programa de Pós-Graduação em Engenharia Elétrica Load Forecasting Using Support Vector Machines: A Study on EUNITE Competition 2001 Bo-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 Pires iomara@interconect.com.b Dez/2004

2 Conteúdo n Conceitos gerais sobre Previsão de carga n Conceitos gerais de SVM - Support Vector Machines Breve coment á rio sobre EUNITE COMPETITION 2001 n Previsão de carga usando SVM: estudo de caso EUNITE COMPETITION 2001. n Previsão de carga usando RN: Estudos comparativos

3 Conceitos gerais sobre Previsão de carga n Definição u Passo essencial na operação e planejamento de uma companhia de serviço público; u Ajuda na tomada de decisões importantes: F geração de energia elétrica F distribuição de carga F desenvolvimento de infra-estrutura u Extremamente importante para instituições financeiras, distribuidores de energia e demais participantes na geração, transmissão e distribuição de energia elétrica. u Previsões a curto prazo podem ajudar a estimar o fluxo de carga e a tomar decisões de prevenção de sobrecarga. u 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.

4 Conceitos gerais sobre Previsão de carga n Categorias u Previsão a curto prazo ( 1 hora, 1 semana) F Para uma determinada região é possível predizer a carga do próximo dia com precisão de aproximadamente 1-3% u Previsão a médio prazo (1 ano) F 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. u Previsão a longo prazo (Mais de um ano) F Análise dos dados históricos, baseados em um determinado período.Varia de companhia para companhia.

5 Conceitos gerais sobre Previsão de carga n Métodos de previsão u Técnicas estatísticas u Técnicas ou algoritmos de IA F Regressão F RNA F Lógica fuzzy F Sistemas especialistas

6 Conceitos gerais sobre Previsão de carga n Modelos de previsão por categoria u Médio e longo prazo F 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. F 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

7 Conceitos gerais sobre Previsão de carga n Modelos de previsão por categoria u Curto prazo F Técnicas estatísticas e IA F Regressão linear F Séries Temporais F RNA F Sistemas especialistas F Lógica fuzzy F SVM

8 Conceitos gerais sobre Previsão de carga n Fatores importantes para previsão u Fator tempo: F ano F dias da semana, feriados e fins de semana F hora do dia u Fator clima: F Temperatura F Umidade F Índice de temperatura-unidade e wind chill index u Categoria do cliente: F residencial F comercial F industrial

9 Conceitos gerais sobre Previsão de carga n Fatores importantes para previsão/categoria u Curto-prazo: clima, tempo, categoria do cliente u 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.)

10 Conceitos gerais sobre SVM u É a mais recente técnica para solução de problemas de classificação, regressão, estimação de funções, análises de séries temporais e análises de variâncias. u Baseiam-se no método de minimização estrutural de risco que é fundamentado na teoria da dimensão. u 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. F Linearmente separáveis F não linearmente separáveis u Chen et.al. Propuseram o modelo SVM para predição da demanda de carga diária em um mês. (campeão Eunite 2001)

11 Conceitos gerais sobre SVM Hiperplano (linearmente separável):

12 Conceitos gerais sobre SVM Hiperplano (linearmente separável): >= <=

13 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.

14 Conceitos gerais sobre SVM Hiperplano ( não linearmente separável):

15 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: o desvio de um ponto dado da condição ideal de separabilidade entre as classes

16 Eunite Competition 2001 n Em 2001 a Eunite (European Network on Intelligent Tecnologies for Smart Adaptative Systems) organizou uma competição mundial em previsão de carga. n 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. n Os dados fornecidos ao competidores: u Conjunto de dados de carga (medida diariamente a cada meia hora durante os anos de 97 a 98) u Conjunto de dados de temperatura (media diária de temperatura de 95 a 98) u Datas dos feriados de 97 a 98

17 Previsão de carga usando SVM análise dos dados n Propriedades da demanda de carga: carga x clima Alta demanda no inverno e baixa no verão

18 Previsão de carga usando SVM análise dos dados n 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.

19 Previsão de carga usando SVM análise dos dados n Influência climática Correlação negativa (-0,868) entre demanda de carga e temperatura. (alta temperatura causa baixa demanda)

20 Previsão de carga usando SVM análise dos dados n 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

21 Previsão de carga usando SVM preparação dos dados n Seleção dos atributos de entrada no modelo SVM u Atributos de calendário: datas e feriados são facilmente conhecidas e, podem ser codificadas sem problemas u 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). u Séries temporais: demanda de carga passada

22 Previsão de carga usando SVM metodologia utilizada n Atributos codificados e usados no modelo SVM u 7 atributos para a maior carga nos 7 dias passados u 7 atributos binários indicando os dias da semana u 1 atributo binário que indica ou não presença de feriados u 1 atributo para a média diária de temperatura (jan/99)

23 Previsão de carga usando SVM metodologia utilizada n Após escolha e codificação o modelo SVM foi treinado da seguinte maneira : u 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. u O modelo continua até encontrar a carga de 31 de jan/99.

24 Previsão de carga usando SVM metodologia utilizada n Após escolha e codificação o modelo SVM foi treinado da seguinte maneira: u os dados foram separados em dois conjuntos: F Jan/98 para teste F Demais para treino

25 Previsão de carga usando SVM Resultados

26

27

28

29

30 Previsão de carga usando Rede Neural Resultados obtidos durante estudo do paper a medição real (jan/97).a medição encontrada.

31 Previsão de carga usando Rede Neural Resultados obtidos durante estudo do paper n Passos: n 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. n 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:

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

33 MAX ERRORS

34 Referências Chapter 12 LOAD FORECASTING Eugene A. Feinberg State University of New York, Stony Brook Eugene.Feinberg@sunysb.edu Dora Genethliou State University of New York, Stony Brook dgenethl@ams.sunysb.edu