Carlos Eduardo Martins Barbosa (cemb@cin.ufpe.br) Hybrid technique of ant colony and particle swarm optimization for short term wind energy forecasting Carlos Eduardo Martins Barbosa (cemb@cin.ufpe.br) 06/07/2015
Roteiro Resumo Introdução ACO PSO Comparação ACO e PSO HAP Forecasting da Energia Eólica Resultado dos Experimentos do Artigo Conclusões do Artigo Resultados Preliminares dos Experimentos
Resumo Altamente dependente da wind speed Wind farms Considerável porção da energia renovável mundial Altamente dependente da wind speed Nem sempre um valor constante de saída Fornecimento não disruptivo de eletricidade Bom sistema de agendamento e forecasting Nova técnica híbrida swarm (HAP) Binaloud wind farm, localizada na província Razavi Khorasan, no nordeste do Irã
Resumo Província de Razavi Khorasan
Resumo Binaloud Wind Farm
Resumo Dados HAP ACO + PSO 365 dias, de hora em hora Entrada Saída Velocidade do vento e temperatura ambiente Saída Wind power
Resumo Resultados Alta qualidade Convergência mais rápida MAPE de 3,513% Convergência mais rápida
Introdução Energia Importante parte da civilização moderna Supre necessidades de diversas unidades Combustíveis fósseis 81% da demanda de energia mundial em 2009 Mais alta contribuição dentre todas as fontes de energia Segundo a International Energy Agency (IEA) Aumento de 85% durante a última década
Introdução Energia Contribuiu para a produção de gases de efeito estufa, aquecimento global e fontes de poluição natural Instabilidade nas relações políticas entre países produtores de petróleo Aumento na demanda de energias sustentáveis e renováveis
Introdução Energia Eólica Colhida durante séculos Condução de navios, moinhos de vento, bombas d’água Avanços nas tecnologias das turbinas eólicas Colher a energia eólica em grande escala (parques eólicos) Motivação Disponibilidade de grande potencial de extração Baixo custo de manutenção e impostos governamentais Fonte livre de energia, limpa e sem poluição ambiental
Introdução Previsão da Energia Eólica Depende altamente da velocidade do vento Não é um valor constante Necessário prever o poder de saída do parque eólico Manutenção e planejamento de recursos Tomada de decisão Programação e integração com sistemas de energia
Introdução Previsão da Energia Eólica Muitos estudos tem sido realizados Várias abordagens Dois grupos principais Análise de dados históricos da energia eólica Provém boa saída para escalas altas de forecasting (mensais ou maiores) Modelo de previsão numérica de tempo (NWP model) Melhores saídas para previsões para prazos curtos e muito curtos Abordagem híbrida
Introdução Natureza do Forecasting
Introdução Forecasting NWP Híbrida Outras abordagens Gera saídas com base no estado da atmosfera em determinado período de tempo, não se limitando ao mercado da indústria elétrica Híbrida Muitas pesquisas têm usado também o histórico dos dados da energia gerada pelo vento Outras abordagens Média móvel autorregressiva Redes neurais artificiais Conjuntos e sistemas fuzzy SVM
Introdução Algoritmos Computacionais Evolucionários Algoritmos genéticos (GA) Otimização por enxame de partículas (PSO) Otimização por colônia de formigas (ACO)
Introdução Revisão da Literatura Pousinho e Mendes (2011) PSO para otimizar os parâmetros de modelo adaptativo neuro-fuzzy Previsão de curto prazo da velocidade do vento em Portugal MAPE de 5,41% Damousis e Dokopoulos (2001) Otimizar os parâmetros de lógica fuzzy utilizando GA Mesmos objetivos MAPE de 9,5%
Introdução Revisão da Literatura Jursa e Rohrig (2008) Combinação de RNA com abordagem NN Otimizar modelo de previsão em parques eólicos da Alemanha RMSE de 10,75%
Introdução Revisão da Literatura Em geral, estudos com métodos computacionais evolucionários para otimizar o modelo de previsão mostram melhores resultados quando comparados a outras técnicas na literatura. Métodos híbridos Reduzir as desvantagens e combinar as vantagens dos algoritmos Híbrido ACO + PSO (HAP) Proposto por Kiran et. al. (2012) Forecasting de médio e longo prazo na demanda de carga na Turquia Prever a energia eólica da wind farm em Binaloud, Irã Modelo matemático de forecasting: funções S-curve e parábola
ACO Colônias de formigas Funcionamento Comportamento de busca por alimentos Proposto por Dorigo e Gambardella (1997) Só depois foi modificado e apresentado como técnica de otimização Shen et al, 2005; Dorigo et al, 2006 Funcionamento Se uma fonte de comida é encontrada: Realiza avaliações sobre o tamanho da fonte Formiga carrega uma porção do alimento para o formigueiro Deixando uma trilha de feromônio no caminho
ACO Funcionamento Trilha de feromônio A quantidade do feromônio depositado depende da qualidade da fonte Auxilia a formiga a encontrar o alimento e voltar ao formigueiro Ajuda as outras formigas a encontrar o alimento Escolhem, através do olfato e conforme a probabilidade, o caminho com maior feromônio O feromônio evapora com o tempo As formigas tentam encontrar o caminho mais curto possível
ACO Comportamento
ACO Versão Contínua Usado para problema de busca em espaços de otimização contínua Testado em diversas funções de benchmark Intensifica a quantidade de feromônio ao redor do melhor valor da função objetivo ao longo da execução Todas as formigas chegam mais perto do melhor caminho obtido na busca
ACO Versão Contínua Localização da formiga k no espaço de solução: t: número da iteração T: número total de iterações xgbest: localização da melhor solução obtida até a iteração t ∂x: vetor randômico gerado de [-α, α] para determinar a variação permitida O valor deste salto é determinado ao fim de iterações O sinal determina a direção de variação de xgbest
ACO Versão Contínua Evaporação do feromônio Incremento do feromônio ao redor da melhor solução obtida a cada iteração
ACO Versão Contínua Ideia geral do algoritmo ACO contínuo
PSO Otimização por enxame de partículas Introduzida por Kennedy e Eberhart (1995) Inspirado no movimento de pássaros e peixes Usa um ambiente de busca (espaço de soluções) que cobre todas as possíveis soluções para o problema As partículas “voam” no espaço de soluções Em cada iteração propõem uma solução para o problema Resultante de 3 componentes Inércia Cognitivo Social
PSO Uma função de aptidão avalia a posição das partículas a cada iteração Atualização das velocidades e posições a cada iteração pbest: melhor posição da partícula k até a iteração t gbest: melhor posição, considerando todas as partículas, até a iteração t v: velocidade da partícula k na iteração t xp: posição da partícula k na iteração t c1: coeficiente cognitivo c2: coeficiente social rand1 e rand2: números randômicos entre (0, 1]
PSO w: coeficiente de inércia Decrescente ao longo da execução t: iteração atual T: número máximo de iterações wmax: valor inicial do coeficiente de inércia wmin: valor final do coeficiente de inércia
PSO Diagrama para o movimento da partícula k
PSO Ideia geral do algoritmo PSO
Comparação ACO e PSO Inspiração biológica diferente Ambos são capazes de resolver problemas complexos Escapam de mínimos locais Lidam bem com problemas de forecasting No ACO apenas as trilhas de feromônio ao redor da melhor solução encontrada é atualizada Um salto é permitido para cada formiga procurar melhores soluções ao redor da melhor solução encontrada O PSO permite maior variação e liberdade para as partículas A técnica híbrida proporcionará as vantagens de ambos
HAP Introduzida por Kiran et al (2012) Ideia geral Aplicada a previsão de longo prazo em demanda de carga na Turquia Ideia geral As melhores soluções encontradas pelo ACO e pelo PSO são comparadas em cada iteração A melhor delas é copiada para ambos os algoritmos Isso mantém a metodologia original de cada algoritmo
HAP Assim, as trilhas dos feromônio são atualizadas não apenas ao redor do xgbest, mas ao redor da melhor solução obtida pelo HAP Isto leva a melhores resultados iteração após iteração A colônia e o enxame mantém seus comportamentos individuais Como o HAP é uma combinação de duas técnicas de inteligência de enxames, espera-se que ele obedeça às mesmas regras deste tipo de técnica Seu algoritmo se divide em duas partes Inicialização Manipulação da solução
HAP Pseudocódigo da Inicialização
HAP Pseudocódigo da Manipulação da Solução
Forecasting da Energia Eólica Estratégia de extrapolação determinística Modela o sistema com uma equação matemática específica Inclui diversas constantes
Forecasting da Energia Eólica Estratégia de extrapolação determinística
Forecasting da Energia Eólica HAP é usado para encontrar os valores das constantes De forma a minimizar o erro entre o valor observado e o estimado Modelo matemático escolhido para duas variáveis inclui: S-curve Parábola r: número da amostra X1: primeira variável de entrada (velocidade do vento) X2: segunda variável de entrada (temperatura do ambiente) a,b,c,d,e,f: parâmetros a serem otimizados pelo HAP - Criam espaço de busca 6-dimensional para o algoritmo
Forecasting da Energia Eólica Função Objetivo A avaliação das soluções da colônia e do enxame depois de cada iteração é realizada usando a seguinte função objetivo: Yrforecast: valor de energia eólica estimado Yrobserved: valor de energia eólica observado R: número máximo de amostras usadas no processo de forecasting
Forecasting da Energia Eólica Fluxograma do HAP
Resultados dos Experimentos do Artigo Binaloud wind farm contém 43 turbinas eólicas de 660 kW que rendem uma capacidade máxima de 28.4 MW. Cobre uma área de 700 hectares Informações Geográficas
Resultados dos Experimentos do Artigo Dados Energia Eólica de hora em hora, de abril/2010 a março/2011 Obtidos do Instituto de Meteorologia de Nishabour
Resultados dos Experimentos do Artigo Os dados de abril/2010 a janeiro/2011 (306 dias ou 7344 amostras) foram usados para treinar o modelo proposto Os dados restantes (59 dias ou 1416 amostras entre fevereiro/2011 e março/2011) foram usados para testar a performance e acurácia do modelo O erro percentual médio absoluto foi usado para avaliar a acurácia do modelo Simulação realizada no MATLAB 2011, COREi7@2.9 GHz com 8.00 GB RAM
Resultados dos Experimentos do Artigo Configurações dos parâmetros wmax = 1.2 wmin = 0.2 c1 = 2 c2 = 2
Resultados dos Experimentos do Artigo Algoritmo comparado com o ACO e com o PSO isolados Com os mesmos parâmetros e condições Foram executadas 20 execuções independentes Melhor resultado das 20 execuções dos algoritmos HAP apresentou melhor resultado
Resultados dos Experimentos do Artigo Energia eólica estimada x observada De fevereiro/2011 a março/2011
Resultados dos Experimentos do Artigo Energia eólica estimada x observada De 01/03/2011 a 05/03/2011
Resultados dos Experimentos do Artigo Convergência das técnicas Mostradas para 2000 iterações Todas atingem seus valores finais estáveis HAP converge mais rapidamente
Resultados dos Experimentos do Artigo HAP apresentou maior qualidade e mais rápida convergência em relação ao ACO e ao PSO isolados Como são técnicas de busca aleatória, a consistência de seus resultados para cada execução tem importante papel na determinação de sua aplicabilidade em aplicações do mundo real Para avaliar o desempenho da qualidade das técnicas foram calculados: Desvio Padrão (baseado na variância do valor objetivo médio das 20 execuções) Coeficiente de Variação (determina o SD como uma porcentagem do valor médio de todas as 20 execuções)
Resultados dos Experimentos do Artigo Resultados da análise de consistência Comparação dos resultados obtidos Outros algoritmos baseados em inteligência artificial Aplicados a forecasting de energia eólica em curto prazo Forecasting de energia eólica de uma wind farm em Portugal Pesquisa de Pousinho e Mendes (2011) Também considera dados de hora em hora em um ano Usa seis técnicas
Resultados dos Experimentos do Artigo Pousinho e Mendes (2011) 6 técnicas ARIMA Modelos de persistência Redes neurais (NN) Redes neurais combinadas com transformada de wavelet (NNWT) Wavelet neuro-fuzzy (WVN) Híbrido do PSO e adaptive network-based fuzzy (HPA)
Resultados dos Experimentos do Artigo Resultados Comparativos Mostram que HAP alcançou o menor MAPE entre todas as técnicas comparadas Para medir a diferença entre os resultados:
Conclusões do Artigo Uma técnica híbrida do ACO e do PSO é usada para prever a energia eólica de saída de uma wind farm Combinação de duas meta-heurísticas da categoria inteligência de enxames Comportamento da energia eólica modelado matematicamente a partir de funções S-curve e parábola Espaço de soluções 6-dimensional definido para exploration e explotation pelas formigas e partículas Obtém alta qualidade de resultado e rápida convergência Quando comparado a outras técnicas MAPE de 3.513% Completamente aceitável e melhor que o PSO e o ACO
Resultados Preliminares dos Experimentos Não foi encontrada a base de dados da wind farm Binaloud Abril/2010 a março/2011 Entrada Velocidade do vento Temperatura do ambiente Saída Energia eólica
Resultados Preliminares dos Experimentos Foi encontrada uma base de dados do Texas (EUA)
Resultados Preliminares dos Experimentos
Resultados Preliminares dos Experimentos Base de dados do Texas (EUA) 2004 a 2006 Dados de 10 em 10 minutos Entrada Velocidade do vento Saída Energia eólica
Resultados Preliminares dos Experimentos
Resultados Preliminares dos Experimentos Forecasting da Energia Eólica Modelo matemático escolhido para uma variável inclui: S-curve r: número da amostra X: variável de entrada (velocidade do vento) a,b,c,d: parâmetros a serem otimizados pelo HAP - Criam espaço de busca 4-dimensional para o algoritmo
Resultados Preliminares dos Experimentos Problemas Valores de saída próximos a zero elevam o MAPE Manter valores de saída próximos a zero Ignorar valores de saída próximos a zero Dados de 10 em 10 minutos Very short term forecasting Média dos valores de hora em hora (short term forecasting) Qual os limites de variação para as variáveis que representam as dimensões do espaço de soluções? [-1,1] Valor inicial de alfa no ACO 1
Resultados Preliminares dos Experimentos Foi utilizada a mesma quantidade de dados do artigo 7344 dados de treinamento 1416 dados de teste Simulação realizada no Visual Studio 2012, na linguagem de programação C#, CORE 2 Quad, 2.66 GHz com 4.00 GB RAM
Resultados Preliminares dos Experimentos Algoritmo comparado com o ACO e com o PSO isolados, além do ABC e do Cuckoo Search
Resultados Preliminares dos Experimentos Energia eólica estimada x observada
Resultados Preliminares dos Experimentos Energia eólica estimada x observada 10 dias
Resultados Preliminares dos Experimentos Convergência das técnicas Mostradas para 1000 iterações Todas atingem seus valores finais estáveis HAP converge mais rapidamente
Dúvidas?
Referências http://www.sciencedirect.com/science/article/pii/S0167610513002249 https://fenix.tecnico.ulisboa.pt/downloadFile/3779575589391/Class7-EstimateEnergyDemandTurkey_ACO.pdf http://read.pudn.com/downloads137/doc/project/586115/Ant%20colony%20optimization%20for%20finding%20the%20global%20minimum.pdf http://www.engedu2.net/v3/CA-O34.pdf http://www.researchgate.net/publication/236324320_Evaluation_of_wind_energy_potential_as_a_power_generation_source_for_electricity_production_in_Binalood_Iran https://docs.google.com/a/cin.ufpe.br/file/d/0B21HoBq6u9TsN1NXc19Eb0ExWFE/edit http://webx.ubi.pt/~catalao/PESGM10_Pousinho.pdf http://www.icrepq.com/icrepq'10/244-Pousinho.pdf http://www.math.uni-bremen.de/~dsn/Publications/tmp/1-s2.0-S0096300312011277-main.pdf