Professional Documents
Culture Documents
j=0
y(k j) = y(k) + y(k 1) + . . .
= (1 + q
1
+ q
2
+ . . .)y(k),
Note que
Sy(k) = (1 q
1
)
1
y(k) =
1
y(k),
ou seja
S =
1
.
2.3 Representaes Lineares e No-Lineares 15
Vrias sries temporais, especialmente econmicas e nanceiras, so
no-estacionrias (Morettin e Toloi (2006)), mas quando se toma a primeira
diferena, normalmente a srie resultante pode ser considerada estacion-
ria
2
. Por exemplo, a srie y(k) no-estacionria, mas
W(k) = y(k) y(k 1) = (1 q
1
)y(k) = y(k)
pode ser estacionria.
Se W(k) =
d
y(k) for estacionria, pode-se representar W(k) por um
modelo ARMA(p,q) da seguinte forma
p
(q
p
)W(k) =
q
(q
q
)(k), (2.1)
sendo que (k) um processo aleatrio branco (rudo branco).
Se W(k) a primeira diferena de y(k), ento a srie temporal y(k) a
soma (integral) de W(k) e pode ser modelada pelo seguinte modelo ARIMA
p
(q
p
)
d
y(k) =
0
+
q
(q
q
)(k), (2.2)
de ordem (p,d,q), normalmente referido como ARIMA(p,d,q). p e q so as
ordens de e , respectivamente, isto ,
p
(q
p
) = 1
1
(q
1
) . . .
p
(q
p
)
e
q
(q
q
) = 1
1
(q
1
) . . .
q
(q
q
). O parmetro
0
representa a constante
no modelo.
Explicitando a Equao 2.2 em funo de y(k) e considerando d = 1,
tem-se o modelo ARIMA(p,1,q):
y(k) = (1 +
1
)y(k 1) + (
2
1
)y(k 2) + . . .
+(
p
p1
)y(k p)
p
y(k p 1)
+
0
1
(k 1)
2
(k 2)
. . .
q
(k q) + (q)
. (2.3)
Omodelo 2.3 ummodelo linear discreto no tempo que explica o valor
da sada y(k) em funo de valores prvios da prpria sada. O modelo
NARIMA (do ingls Nonlinear Auto Regressive Integrated Moving Average
Model) representado da seguinte forma:
2
De acordo com Aguirre (2007) um processo estacionrio se as leis de probabilidade
que o regem no variam com o tempo. Pode-se dizer que um processo estacionrio est
em equilbrio estatstico. O conceito de estacionariedade est intimamente ligado ao de
invarincia.
16 2 Fundamentao Terica
y(k) = F
[(1 +
1
)y(k 1) + (
2
1
)y(k 2) + . . .
+(
p
p1
)y(k p)
p
y(k p 1)
+
0
1
(k 1)
2
(k 2)
. . .
q
(k q) + (q)]
, (2.4)
sendo que, o grau de no-linearidade, e F[.] uma funo no-linear
que pode assumir uma variedade de formas, tais como racional e polino-
mial (Aguirre (2007)). Esta ltima satisfatria em muitos casos (Corra
(2001); Coelho (2002)). Uma das mais importantes vantagens do modelo
polinomial NARIMA que este linear nos parmetros, possibilitando
assim, o uso do mtodo do mnimos quadrados na estimao dos mesmos.
Note que no modelo (2.1) todas as razes de
p
(q
p
) esto fora do crculo
de raio unitrio (Box et al. (1994); Morettin e Toloi (2006)). Portanto, pode-
se escrever o modelo (2.2) da seguinte forma
(q
q
)y(k) =
q
(q
q
)(k), (2.5)
em que (q
q
) um operador autoregressivo no-estacionrio, de ordem
p+d, comd razes iguais a um, sobre o crculo de raio unitrio, e as restantes
p fora do crculo, isto ,
(q
q
)y(k) =
p
(q
p
)
d
=
p
(q
p
)(1 q
p
). (2.6)
O modelo (2.2) supe que a d-sima diferena da srie y(k) pode ser
representada por um modelo ARMA. Na maioria dos casos, a primeira
derivada, d = 1, suciente para tornar a srie temporal estacionria, en-
quanto que se d > 2 a relao sinal-rudo dos dados na fase de identicao
pode ser alterada prejudicialmente.
Quando a srie corretamente diferenciada, a varincia da srie trans-
formada diminui, ao passo que o excesso de diferenas aumentar a vari-
ncia. Detalhes sobre a diferenciao de sries temporais quanto ao nvel
e a inclinao podem ser vistos em Morettin e Toloi (2006).
2.3.1.1 Previso com Modelos ARIMA
Nesta seo ser apresentado um mtodo de previso utilizando a re-
presentao do modelo ARIMA por Equao de diferenas (discutido an-
2.3 Representaes Lineares e No-Lineares 17
teriormente).
A idia central prever o valor de y(k + h) supondo que se conhece as
observaes passadas, isto , . . . , y(k 2), y(k 1), y(k). Nesse contexto, o
instante k chamado origem das previses e h o horizonte das previses.
Esse mtodo de previso ser demonstrado utilizando um exemplo
com um modelo ARIMA(2,1,2). Suponha que o modelo construdo para a
srie temporal y(k) seja um ARIMA(2,1,2) com a seguinte forma
(1
1
q
1
2
q
2
)(1 q
1
)y(k) = (1
1
q
1
2
q
2
)(k),
ento
(1
1
q
1
2
q
2
)(1 q
1
)y(k + h) = (1
1
q
1
2
q
2
)(k + h).
Considerando que
q
1
y(k) = y(k 1), e
y(k + h 1) = y
k
(h 1),
ento
y(k + h) = (1 +
1
)y(k + h 1) (
1
2
)y(k + h 2)
3
y(k + h 3) + (k + h)
1
(k + h 1)
2
(k + h 2).
Logo,
y
k
(h) = (1 +
1
)y
k
(h 1) (
1
2
)y
k
(h 2)
3
y
k
(h 3) +
+
k
(h)
1
k
(h 1)
2
k
(h 2).
Assim tem-se que
y
k
(1) = (1 +
1
)y(k) (
1
2
)y(k 1)
3
y(k 2)
1
(k)
2
(k 1),
y
k
(2) = (1 +
1
) y
k
(1) (
1
2
)y(k)
3
y(k 1)
2
(k),
y
k
(3) = (1 +
1
) y
k
(2) (
1
2
) y
k
(1)
3
y(k),
y
k
(h) = (1 +
1
) y
k
(h 1) (
1
2
) y
k
(h 2)
3
y
k
(h 3), h 4
Das predies acima, observa-se que:
18 2 Fundamentao Terica
os termos de mdias mveis ((k)) desaparecem para h > q (q a
ordem da parte MA), pois, no existe este valor para h > q;
para calcular y
k
(h) preciso de y
k
(h1), y
k
(h2), . . . que so calculados
recursivamente.
2.3.1.2 Atualizando as previses
Inicialmente, determina-se as previses y
k
(h+1) a partir de duas origens:
(a) k + 1 : y
k+1
(h) =
h
(k + 1) +
h+1
(k) +
h+2
(k 1) + , (2.7)
(b) k : y
k
(h + 1) =
h+1
(k) +
h+2
(k 1) + (2.8)
Subtraindo (2.7) de (2.8) e aps algumas manipulaes obtm-se
y
k+1
(h) = y
k
(h + 1) +
h
t+1
. (2.9)
Dessa maneira, a previso de y
k
(h + 1), feita no instante k, pode ser
atualizada quando umnovo dado, y(k+1), observado. Assim, a previso
y
k
(h +1), na origem k +1, pode ser realizada, adicionando-se y
k
(h +1) um
mltiplo do erro de previso (k + 1) = y(k + 1) y
k
(1).
2.3.2 Rede Neuro-Fuzzy
Uma rede neuro-fuzzy pode ser denida como sendo um sistema fuzzy
3
que treinado por algum algoritmo derivado da teoria de aprendizado de
mquina. Este tipo de rede o resultado da unio destes dois modelos.
Com isto, tem-se a capacidade das redes neurais em reconhecimento e
classicao, sem esquecer da robustez e habilidade de generalizao.
Por outro lado, tm-se os sistemas fuzzy que, por meio da suas regras
e conjuntos fuzzy, facilitam o entendimento do problema, porque modela
o ambiente por meio de uma linguagem prxima da usada pelos especi-
alistas. Por exemplo, os sistemas fuzzy tm demonstrado serem bastante
3
A lgica Fuzzy, desenvolvida por Lofti A. Zadeh na Universidade da Califrnia em
Berkeley na dcada de 60, combina teoria probabilstica, inteligncia articial e redes
neurais para que possa representar o pensamento humano, ou seja, ligar a lingstica e a
inteligncia humana, pois, muitos conceitos so melhores denidos por palavras do que
pela matemtica (Zadeh (1965)).
2.3 Representaes Lineares e No-Lineares 19
consistentes e conveis, quando aplicados a sistemas de controle, reco-
nhecimento de padres, interpolao de funes e previso (Cox (1994);
Jang (1993)).
O primeiro aspecto que torna possvel essa integrao o fato de as
redes neurais e os sistemas fuzzy serem aproximadores universais. Por-
tanto, a rede neuro-fuzzy mantm essa caracterstica fundamental para
o desenvolvimento das aplicaes. Outro aspecto que ambos os siste-
mas manipulamdados incompletos, imprecisos, complexos e no-lineares,
alm de alto grau de abstrao de informao irrelevante para o sistema.
As redes neuro-fuzzy herdam da rede neural sua capacidade de apren-
dizagem, generalizao, classicao, robustez, adaptao e agrupamento
de dados comuns em clusters. As redes neurais sempre foram vistas como
uma caixa preta, ou seja, no possvel obter o conhecimento sobre as deci-
ses da rede no processo de treinamento. Oadvento das redes neuro-fuzzy
quebra este conceito de caixa preta das redes neurais, porque o compor-
tamento deste modelo pode ser entendimento atravs da observao das
variveis lingsticas, das funes de pertinncia, dos relacionamentos en-
trada/sada e das prprias regras fuzzy, as quais podemexplicar facilmente
o funcionamento do sistema, devido a simplicidade e proximidade com a
linguagem humana.
A arquitetura ANFIS (Adaptive Neuro-Fuzzy Inference System) foi pro-
posta por Jang (1993), e possivelmente seja o sistema neuro-fuzzy mais
conhecido e empregado devido as suas qualidades de bom classicador e
previsor
4
.
Estruturalmente, verica-se que a nica limitao na congurao da
rede para os sistemas adaptativos como o ANFIS que esta deve ser do
tipo feedforward (Jang, Sun, e Mizutani (1997)). Apesar dessa mnima
restrio, as redes adaptativas podem ser empregadas em uma ampla
variedade de aplicaes, como na tomada de deciso, no processamento
de sinais e em controle. A seguir descreve-se a arquitetura do sistema de
inferncia ANFIS.
Arquitetura - Por simplicidade, considere um sistema de inferncia
fuzzy com duas entradas x e y e uma sada z. Para um modelo fuzzy
4
Uma possvel extenso ao ANFIS o modelo CANFIS (Coative Neuro-Fuzzy Modelling)
proposto por Mizutani e Jang (1995). Uma das vantagens deste modelo que ele aceita
mltiplas entradas e mltiplas sadas.
20 2 Fundamentao Terica
Sugeno de primeira ordem, um conjunto usual de regras se-ento a
seguinte:
Regra 1: Se x A
1
e y B
1
ento f
1
(x, y) = p
1
x + q
1
y + r
1
,
Regra 2: Se x A
2
e y B
2
ento f
2
(x, y) = p
2
x + q
2
y + r
2
.
A Figura 2.1 ilustra o mecanismo de raciocnio para esse modelo fuzzy
Sugeno de primeira ordem com duas entradas e duas regras; a arquitetura
ANFIS equivalente aquela mostrada na Figura 2.2, onde os ns da mesma
camada tmfunes similares. Aseguir, passa-se a descrever cada camada
do modelo.
Figura 2.1: Modelo fuzzy Sugeno com duas entradas e e duas regras (Jang
(1993)).
Camada 1 - cada n nesta camada um n adaptativo com uma funo
n do tipo (denota-se a sada do i-simo n na camada l como O
l,i
):
O
1,i
=
A
i
(x), para i = 1, 2, ou
O
1,i
=
B
i2
(y), para i = 3, 4, (2.10)
sendo x (ou y) a entrada para o n i e A
i
(ou B
i2
) um rtulo lingstico
(como pequeno ou grande) associado a este n. Em outras palavras,
O
l,i
a funo de pertinncia parametrizada apropriadamente, tal como a
funo sino (bell) generalizada:
2.3 Representaes Lineares e No-Lineares 21
Figura 2.2: Arquitetura ANFIS equivalente para o modelo da Figura 2.1
(Jang (1993))
A
(x) =
1
1 +
xc
i
a
i
2b
, (2.11)
a
i
, b
i
, c
i
o conjunto de parmetros que determinam funo sino.
Camada 2 - cada n nesta camada um n xo rotulado por
, cuja
sada o produto de todos os sinais da entrada:
O
2,i
= w
i
=
A
i
(x)
B
i
(y), i = 1, 2. (2.12)
Cada n de sada dessa camada representa o nvel de disparo (ring
strength), w
i
, da regra. Em geral, qualquer outro operador T-norma pode
ser usado como funo n nessa camada.
Camada 3 - cada n i nesta camada um n rotulado N. A partir dessa
camada tem-se o processo de defuzzicao. A sada desse n, chamada
nvel de disparo normalizada, dada pela razo entre o i-simo nvel de
disparo da regra e a soma de todas os nveis de disparo:
O
3,i
= w
i
=
w
i
w
1
+ w
2
, i = 1, 2. (2.13)
Camada 4 - Cada n i nesta camada um n adaptativo com uma
22 2 Fundamentao Terica
funo n do tipo
O
4,i
= w
i
f
i
= w
i
(p
i
x + q
i
y + r
i
), (2.14)
em que w
i
um nvel de disparo normalizado da camada 3 e pi, q
i
, r
i
o
conjunto de parmetros deste n. Tem-se, ento, um produto entre os n-
veis de disparo normalizados e o valor do conseqente da regra em si. Por
isso, parmetros nesta camada so denominados parmetros conseqen-
tes.
Camada 5 - Cada n i nesta camada umn xo rotulado
, que calcula
a sada geral do sistema como a soma de todos os sinais de sua entrada:
O
5,i
=
i
w
i
f
i
=
i
w
i
f
i
i
w
i
. (2.15)
Note-se que a arquitetura dessa rede adaptativa no nica; pode-se
combinar as camadas 3 e 4 para se obter uma rede equivalente comsomente
quatro camadas. Da mesma forma, possvel tambmnormalizar os pesos
na ltima camada.
Finalmente, a Figura 2.3 (a) mostra uma arquitetura ANFIS que equi-
valente a um modelo Sugeno de primeira ordem de duas entradas com
nove regras, onde cada entrada tem trs funes de pertinncia associa-
das, e a Figura 2.3 (b) ilustra como o espao de entrada bi-dimensional
particionado emnove regies fuzzy sobrepostas (grid), cada uma delas go-
vernadas por uma regra fuzzy se-ento. Aidenticao dos parmetros do
modelo ANFIS realizada, em geral, empregando algoritmos de aprendi-
zagem hbrida, isto , combinando estimao de mnimos quadrados com
retropropagao (Mathworks (2001)).
O treinamento do modelo ANFIS realizado em duas etapas. Na pri-
meira etapa os parmetros dos antecedentes cam xos e os conseqentes
so estimados pelo mtodo dos mnimos quadrados ordinrios (MQO)
5
. J
na etapa 2 os parmetros dos conseqentes camxos e os parmetros dos
antecedentes so ajustados pelo algoritmo Gradiente Descendente
6
(Jang
5
Veja detalhes do mtodo MQO em (Aguirre (2007)).
6
Veja detalhes do algoritmo Gradiente Descendente em (Braga, Carvalho, e Ludemir
(2000)).
2.3 Representaes Lineares e No-Lineares 23
Figura 2.3: Arquitetura ANFIS para (a) modelo Sugeno e (b) espao de
entrada (Jang (1993)).
et al. (1997)).
Note que a arquitetura dessa rede adaptativa no nica; pode-se
combinar as camadas 3 e 4 para se obter uma rede equivalente comsomente
quatro camadas. Da mesma forma possvel tambm normalizar os pesos
na ltima camada, a Figura 2.3 ilustra uma ANFIS deste tipo. A estrutura
mostrada na Figura 2.4 utilizada neste trabalho.
Figura 2.4: Arquitetura ANFISpara omodeloSugeno, onde a normalizao
dos pesos executada na ltima camada (Jang (1993)).
24 2 Fundamentao Terica
2.3.3 Rede Neural Articial
Esta seo faz uma sucinta apresentao das Redes Neurais Articiais
(RNAs). Maiores informaes a respeito do assunto podem ser encontra-
das nos textos (Braga et al. (2000); Haykin (2001)).
As redes neurais articiais (RNAs) so estruturas matemticas capazes
de aprender, memorizar e generalizar determinadas situaes e problemas
a elas apresentadas. Uma Rede Neural formada pela interconexo de um
determinado nmero de nodos (neurnios). Braga et al. (2000) dizem que
os neurnios so unidades de processamento no-linear. Toda fundamen-
tao terica referente s redes neurais articiais pode ser vista com mais
detalhes em Braga et al. (2000); Haykin (2001).
Os problemas, aos quais as RNAs so aplicveis, consistem basica-
mente em situaes onde existam dados, experimentais ou no, que so
apresentados rede em uma etapa denominada de treinamento, onde
os pesos sinpticos so ajustados com intuito de que alguma tarefa seja
realizada. Alm da capacidade de aprendizado a partir de exemplos. as
redes possuem a capacidade de generalizao, que consiste na habilidade
da mesma em apresentar solues para dados distintos (dados de valida-
o), diferentes dos dados apresentados na etapa de treinamento. Braga
et al. (2000) citam que as principais caractersticas das RNAs so: (i) o
aprendizado a partir de exemplos; (ii) adaptabilidade; (iii) capacidade de
generalizao; (iv) tolerncia a falhas; e (v) rpida implementao.
No contexto deste presente trabalho, as RNAs sero aplicadas para a
aproximao de funes e para a previso de valores futuros da srie de
consumo de energia de New England e do Estado de Minas Gerais.
2.3.3.1 Perceptron Multicamadas
A Perceptron Multicamada mais conhecida por sua sigla MLP, do
ingls Multilayer Perceptron. A caracterstica marcante de uma rede MLP
que ela pode ter vrias camadas ocultas. A MLP basicamente consiste
de uma camada de ns, (fontes de entrada), uma ou mais camadas de ns
processadores ou computacionais (neurnios) ocultos e uma camada de
sada tambm composta por ns computacionais. A camada formada por
neurnios ocultos (camada oculta) recebe este nome porque no h acesso
da entrada e nem da sada sobre esta camada.
As redes MLPpossuemcapacidade de resolver problemas no-lineares.
2.3 Representaes Lineares e No-Lineares 25
As no-linearidades so inseridas nos modelos por meio das funes de
ativao no-lineares de cada neurnio e da composio de sua estrutura
emcamadas sucessivas. Afuno de ativao, tambmchamada de funo
de transferncia, uma funo matemtica que, aplicada combinao
linear entre as variveis de entrada e pesos que chegam a determinado
neurnio, retorna ao seu valor de sada, ou seja, determina a relao entre
entradas e sadas de cada neurnio da rede. Neste projeto utilizada a
funo tangente hiperblica, tanto para a camada de entrada quanto para
a de sada, dada por
tanh(x) =
2
1 + e
2x
1. (2.16)
A funo de ativao tangente hiperblica geralmente usada para a pre-
viso de sries temporais (Zhang, Patuwo, e Hu (1998)).
A Equao 2.16 se aproxima de uma funo degrau, porm passvel
de diferenciao tornando possvel o treinamento por mtodos que usam
o gradiente. A sada y para uma rede MLP com uma camada escondida
dada por
y =
,
j=1
W
j
f
i=1
x
i
w
i j
+ b
i
+ B (2.17)
Haykin (2001) cita que o modelo Neural multi-camadas, sendo um
aproximador universal de funes, capaz de aproximar qualquer funo
contnua desde que o nmero de neurnios na camada escondida seja
sucientemente grande.
O algoritmo de treinamento de retropropagao do erro, mais conhe-
cido como backpropagation (Rumelhart e McClelland (1986)), o algoritmo
mais popular para o treinamento de RNAs multicamadas. Basicamente o
algoritmo consiste de dois passos: a propagao e a retropropagao. No
primeiro passo, um vetor de entradas aplicado camada de entrada e o
seu efeito se propaga pela rede (Equao 2.17) produzindo umconjunto de
sadas. A resposta obtida pela rede subtrada da resposta desejada para
produzir um sinal de erro. O segunda passo consiste em propagar esse
sinal de erro na direo contrria s conexes sinpticas, ajustando-as de
26 2 Fundamentao Terica
forma a aproximar as sadas da rede das sadas desejadas.
Em uma rede MLP, basicamente, tem-se como parmetros de escolha:
(i) o nmero de neurnios na camada de entrada; (ii) o nmero de camadas
escondidas e o nmero de neurnios nestas camadas; (iii) o nmero de
neurnios na camada de sada. Apesar da literatura citar alguns algoritmos
para realizar a escolha destes parmetros, no existe uma soluo geral
que atenda a todos os casos. Dessa forma, essa escolha torna-se parte do
problema e a soluo varia de acordo com cada caso e de acordo com a
complexidade de cada processo.
Como o problema deste trabalho se resume a previso de sries tem-
porais, a escolha do nmero de neurnios na camada de entrada trata-se
da escolha dos atrasos (lags) da srie temporal.Novamente este um fator
que depende muito das caractersticas do processo em estudo.
2.3.3.2 Controle de generalizao
Um ponto importante a ser observado no treinamento de redes MLP
o controle de generalizao. Sabe-se que quando uma rede apresenta
complexidade inferior complexidade do problema ela no conseguir se
ajustar aos dados e ir apresentar erros elevados, tanto no treinamento,
quanto na validao. Essa uma questo que deve ser observada no
momento do treinamento da rede. Uma forma de se tratar este problema
o uso do algoritmo chamado Early Stopping ou Parada Precoce (Braga et al.
(2000)).
O processo de treinamento de uma RNA pode ser dividido em duas
etapas distintas. Na primeira o erro de treinamento e o erro de validao
diminuemmostrando que a rede est apreendendo as principais caracters-
ticas dos dados apresentados. No segundo momento o erro de treinamento
continua a diminuir enquanto que o erro de validao tende a aumentar.
Nesse ponto a rede passa e se especializar aos dados do treinamento acar-
retando a perda da capacidade de generalizao e no conseqente aumento
do erro de de validao. O algoritmo sugere que o treinamento se encerre
quando o erro de validao comece a aumentar.
2.4 Comentrios nais 27
2.4 Comentrios nais
Este Captulo teve como principal nalidade familiarizar o leitor com
tcnicas de aproximao de sistemas lineares e no-lineares. Foi discutido
tambm fatores que afetam a preciso das previses, tais como, fatores
climticos, classe de consumidores, assimcomo a economia, dentre outros.
Mtodos de previso de carga usam modelagem matemtica avanada.
Uma breve reviso bibliogrca foi apresentada mostrando as princi-
pais tcnicas que esto sendo abordadas na literatura para a previso de
curto, mdio e longo-prazos do consumo de energia eltrica.
Alguns aspectos abordados neste Captulo sero usados nos Captulos
seguintes. No prximo Captulo apresentada a metodologia utilizada
neste trabalho.
Captulo 3
Metodologia
"Todos modelos so errados, mas alguns so teis."
G.E.P. Box
Este Captulo apresenta a metodologia utilizada para a modelagemdas
sries temporais de consumo de energia eltrica da cidade de NewEngland
e do Estado de Minas Gerias.
Ao longo deste Captulo sero abordados os principais ndices de de-
sempenho que so utilizados para quanticar o quo satisfatrio so os
resultados das previses dos modelos. Em especial dar-se- nfase na li-
teratura, que trata especicamente da previso de longo-prazo no setor
energtico. A descrio das sries temporais de New England e de Mi-
nas Gerais sero mostradas. No caso de Minas Gerais, ser mostrada a
metodologia para se obter a srie de consumo total.
A metodologia usada para separar as componentes de uma srie tem-
poral, o ltro TCS (Mohr (2005)), ser vista. Logo aps, os procedimentos
para obteno de modelos ARIMA, NARIMA, RNF e RNAsero descritos.
3.1 ndices de desempenho
Em problemas de previso de sries temporais, uma importante ta-
refa a de quanticar a qualidade da predio obtida. Isso permite, por
exemplo, comparar diversos algoritmos e diversas estruturas de mode-
los utilizando ndices de desempenho. A seguir so apresentados alguns
dos ndices de desempenho mais utilizados em problemas de previso de
sries temporais.
Antes de rever as denies de alguns ndices, necessrio a seguinte
nomenclatura: a srie temporal a ser predita ser indicada por y(k), e
30 3 Metodologia
a previso por y(k). A previso usada neste trabalho a predio de k
passos-a-frente, em que k pode assumir valores de 1 at o horizonte de
previso. Os cinco erros mais usados na literatura so:
O erro mdio (ME do ingls mean error)
ME =
1
N
N
k=1
y(k) y(k), (3.1)
O erro absoluto mdio (MAE do ingls mean absolute error)
MAE =
1
N
N
k=1
y(k) y(k)
, (3.2)
O erro quadrtico mdio (MSE do ingls mean squared error)
MSE =
1
N
N
k=1
(y(k) y(k))
2
, (3.3)
O erro percentual mdio (MPE do ingls mean percentage error)
MPE =
1
N
N
k=1
y(k) y(k)
y(k)
100, (3.4)
O erro percentual absoluto mdio (MAPE do ingls mean absolute
percentage error)
MAPE =
1
N
N
k=1
y(k) y(k)
y(k)
100
, (3.5)
Os ndices de erro (3.1)-(3.5) servem, por exemplo, para comparar dois
previsores. Entretanto, tais ndices no indicam se o desempenho de um
determinado previsor "razovel". Dependendo do nvel da parcela es-
tocstica em uma srie temporal, um MAPE = 10% pode ser um timo
desempenho. Semelhantemante, tomando-se uma srie puramente de-
terminstica e estacionria, um MAPE = 1% pode indicar um pssimo
previsor. A m de prover ndices que permitam avaliar a qualidade de
3.1 ndices de desempenho 31
um previsor relativa aos dados, dene-se a raiz do erro quadrtico mdio
normalizado (RMSE do ingls root mean square error)
RMSE =
N
k=1
(y(k) y(k))
2
N
k=1
(y(k) y)
2
, (3.6)
em que y o valor mdio de y(k), sendo que a mdia calculada na janela
de identicao (estimao de parmetros ou treinamento). A expresso
(3.6) mostra que o erro de previso do modelo sendo avaliado (numerador
na Equao (3.6)) normalizado pelo erro cometido por um preditor trivial,
que nesse caso nada mais do que o valor mdio dos dados. Assim,
valores RMSE 1 indicam que a ao do previsor sendo avaliado no
signicativamente melhor do que simplesmente tomar o valor mdio dos
dados, y, e consider-lo como previso. Deve ser notado que a utilidade
do ndice RMSE aumenta medida que a componente estocstica da srie
temporal y(k) ser torna dominante.
Para dados em que a(s) componente(s) determinstica(s) (so) domi-
nante(s), outros ndices devem ser usados. Uma alternativa interessante
U
Theil
=
N
k=1
(y(k) y(k))
2
N
k=1
(y(k) y(k 1))
2
, (3.7)
que conhecido como estatstica U de Theil (Theil (1958)). A interpretao
das Equaes 3.6 e 3.7 simples. No primeiro caso, descrito acima, o ndice
compara as predies do modelo com a mdia temporal do sinal, que
usada como preditor trivial. Semelhantemente, na estatstica U de Theil o
preditor trivial o valor anterior da srie temporal. Em ambos os casos,
valores menores do que a unidade indicam um melhor desempenho em
relao ao preditor padro considerado (mdia ouumpasso frente). Uma
boa comparao de vrios ndices pode ser encontrada em (Fair (1986)).
Deve ser notado que o previsor trivial no U de Theil apenas uma
reviso de um passo frente. Isso torna o previsor trivial difcil de ser
superado quando se deseja fazer a previso vrios passos a frente.
Vale observar que para avaliar corretamente o desempenho de um
32 3 Metodologia
determinado previsor, qualquer que seja o ndice usado, o mesmo precisa
ser calculado em um trecho de dados de validao, ou seja dados que no
foram usados na construo do modelo.
Na literatura especializada, artigos que trataram especicamente da
predio de longo-prazo no setor energtico utilizaram os seguintes cri-
trios de erro: MPE (Al-Saba e El-Amin (1999)), max(MPE) (Al-Saba e
El-Amin (1999)), erros nas unidades de medio (MWh) (Da, Jiangyan, e
Jilai (2000)), MSE (Ang e Goh (1991)), MAPE (Fung e Tummala (1993)).
Aqui vale a pena ressaltar que em (Kandil, El-Debeiky, e Hasanien (2001))
seis diferentes ndices de erro (os cinco das eqs. 3.1-3.5 e mais o desvio
padro dos erros) foram usados na avaliao de previses de longo-prazo.
Em Makridakis, Wheelwright, e Myndman (1998) a estatstica U de Theil
utilizada para avaliar o desempenho de diversos previsores em problemas
de predio de longo-prazo de diversas grandezas.
Como pode ser constatado, ao contrrio do que acontece em trabalhos
na rea de previso de curtssimo prazo, onde o ndice MAPE domina,
no h preferncia entre os autores sobre qual ndice de erro utilizar. Isso
sugere que mais de um ndice deva ser levado em conta na avaliao
de diferentes mtodos de previso. Neste trabalho os ndices MPE (3.4),
MAPE (3.5), RMSE (3.6) e U de Theil (3.7) so considerados para avaliar o
desempenho das previses.
3.2 Descrio dos dados
Neste trabalho so realizados dois estudos de caso distintos. No pri-
meiro estudo, a previso do consumo de energia eltrica usando dados
da companhia de eltrica de New England, no USA, realizada. E no
segundo estudo realizada a previso do consumo de energia eltrica no
Estado de Minas Gerais, Brasil. A primeira srie temporal usada para
vericar a capacidade preditiva dos modelos, uma vez que o histrico de
dados da segunda srie muito pequeno, dicultando, assim, a validao.
As sries de consumo so apresentadas nas prximas sees.
3.2.1 Consumo de New England
Os dados de consumo da companhia energtica de New England esto
disponibilizados na internet (www.iso-ne.com), e compreendem o con-
3.2 Descrio dos dados 33
sumo horrio de energia do ano de 1980 a 1998. Os arquivos disponveis
esto no formato Excel e cada arquivo contm 8760 amostras (alguns con-
tm 8784 amostras, referentes aos anos bissextos no perodo de 1980 a
1998). Assim, as amostras de consumo horrio relativas ao ano de 1980
so encontradas no arquivo HourlyData1980.xls, e sucessivamente at o
ano de 1998 (HourlyData1998.xls), totalizando dezoito arquivos. Estes
arquivos foramunidos no Matlab e salvos no arquivo NE_hourly.mat, com
166560 amostras horrias (dezoito anos). Como os dados de carga esto
agrupados por hora, o valor de demanda e de consumo de cada ponto
numericamente o mesmo. Sendo assim, os dados podem ser agrupados
por dia e por ms
1
.
A srie temporal de consumo de energia horria total da companhia
eltrica de New England mostrada na Figura (3.1) e a Figura (3.2) exibe
o consumo total de energia agrupado mensalmente.
0 2 4 6 8 10 12 14 16
x 10
4
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8
2
2.2
x 10
4
Horas
C
a
r
g
a
(
W
h
)
Figura 3.1: Consumo horrio total da cidade de New England referente
ao perodo que se estende de janeiro de 1980 a dezembro de 1998. Fonte:
ISO-NE.
O agrupamento mensal dos dados da companhia de New England
totaliza 228 amostras.
1
Todas as anlises que so realizadas neste trabalho levam em considerao os dados
agrupados mensalmente.
34 3 Metodologia
0 50 100 150 200
6
7
8
9
10
11
12
x 10
6
Meses
C
o
n
s
u
m
o
(
W
h
)
Figura 3.2: Consumo mensal total da cidade de New England referente
ao perodo que se estende de janeiro de 1980 a dezembro de 1998. Fonte:
ISO-NE
.
3.2.2 Consumo de Minas Gerais
Nosegundo estudo de caso so usados dados da Companhia Energtica
de Minas Gerais, a CEMIG-Distribuio
2
. Abase de dados disponibilizada
pela CEMIG contempla os valores mensais de consumo de energia em
watt-hora (wh) entre dezembro de 1996 e julho de 2006. Para cada classe
de consumidores, determinadas internamente pela CEMIG, existe uma
srie contendo os valores mensais no horizonte temporal citado. As sries
disponveis so mostrados abaixo:
residencial (y
re
);
comercial (y
co
);
industrial (y
in
);
rural (y
ru
);
poder pblico (y
pp
);
2
A partir desse ponto CEMIG-Distribuio ser citada apenas como CEMIG.
3.2 Descrio dos dados 35
iluminao pblica (y
ip
);
servio pblico (y
sp
);
consumo prprio (y
cp
).
A srie de consumo total de energia consiste no somatrio do consumo
referente s demais sries e denida por
y
to
= y
re
+ y
co
+ y
in
+ y
ru
+ y
pp
+ y
ip
+ y
sp
+ y
cp
.
Em uma etapa anterior os dados passaram por um processo de ltra-
gem em que as amostras despadronizadas outliers foram retiradas e subs-
titudas por valores obtidos por meio de interpolao polinomial. Para
identicao de outliers, foi aplicado o teste de Grubbs (Grubbs (1969)).
Esse algoritmo considera que os dados obedecem razoavelmente a uma
distribuio normal, ou seja, aqueles pontos que parecem fugir do padro
estatstico de uma distribuio gaussiana so caracterizados como outliers.
Retirados os outliers, a interpolao das sries foi realizada por meio de
uma funo que utiliza um polinmio de 3
a
ordem.
O procedimento descrito em um relatrio interno (Aguirre, Aguirre,
Mendes, e Martinez (2006)). Por questes relacionadas a condencialidade,
os dados so apresentados comescala normalizada, omitindo-se os valores
reais em (wh) do consumo de energia da companhia. A normalizao dos
dados foi feita tal que os valores da srie se situassem dentro do range
entre 0 e 1. Para isso tem-se:
y
n
(k) =
y(k)
y
max
, (3.8)
em que y
n
(k) o vetor de dados normalizado e y
max
o maior valor da
srie y(k). A srie normalizada apresentada na Figura 3.3. Esta srie da
corresponde a 1/8 da energia total distribuda pela CEMIG e contempla
um nvel de tenso de distribuio.
A Figura 3.3 mostra o comportamento da srie de consumo total que
ser utilizada como base para obteno dos modelos, j que o objetivo
realizar a previso do consumo total da companhia. Alguns pontos podem
ser percebidos claramente por uma simples inspeo visual:
i) A srie apresenta uma quebra na tendncia no ano de 2001 causada
pela crise de abastecimento;
36 3 Metodologia
0 20 40 60 80 100 120
0.7
0.75
0.8
0.85
0.9
0.95
1
Meses
A
m
p
l
i
t
u
d
e
Figura 3.3: Srie de consumo mensal total do Estado de Minas Gerais
referente ao perodo que se estende de dezembro de 1996 a julho de 2006.
Fonte: CEMIG.
ii) A componente de tendncia sofre alteraes e apresenta comporta-
mentos distintos no pr e ps-racionamento;
iii) possvel vericar visualmente a existncia de certa sazonalidade
nos dados, possivelmente causada pela inuncia de fatores scio-
comerciais. importante chamar a ateno para o fato de esta srie
ser menos irregular do que aquela mostrada na Figura 3.2.
A prxima seo detalha uma metodologia que usada neste trabalho
para ltrar as componentes das sries temporais: componente de tendn-
cia, componente cclica e componente sazonal.
3.3 Componente Cclica, sazonal e de tendncia
A abordagem de anlise de sries temporais baseados em tendncias
parte do pressuposto de que uma srie temporal pode ser entendida como
a composio de comportamentos de tendncia, fatores cclicos, variaes
sazonais, alm de fatores aleatrios representados de maneira genrica
como rudo branco.
3.3 Componente Cclica, sazonal e de tendncia 37
Tendncia em uma srie temporal a mudana gradual observada por
meio da variao dos valores da srie ao longo do tempo e que se mantm
ao se remover os componentes de ciclos, sazonalidades e fatores aleatrios.
Quando aplicado ao consumo de energia eltrica, esse conceito normal-
mente est relacionado ao comportamento do consumo ao longo do tempo
devido alterao correspondente na quantidade de consumidores ou s
mudanas de perl de clientes percebidas a longo-prazo.
Ciclos e sazonalidades so comportamentos estocsticos que acontecem
de maneira recorrente ao longo de um perodo denido.
Morettin e Toloi (2006) conceituam que os comportamentos sazonais
so utuaes ocasionadas na srie temporal devido inuncia de algum
fator externo de sazonalidade.
Os componentes de ciclo apresentam um comportamento similar, no
entanto, normalmente apresentam comprimento maior que os componen-
tes sazonais e no apresentam durao uniforme.
No caso de sries temporais de energia eltrica comum observar a
existncia de comportamentos recorrentes que caracterizam a sazonali-
dade devido a inuncia de fatores exgenos, em diferentes horizontes de
observao. Tais comportamentos podem ser identicados em situaes
como as descritas a seguir:
Variaes anuais, normalmente associadas a inuncia de polticas
governamentais;
Variaes regulares ao longo dos meses do ano, devido s mudanas
de temperatura caractersticas de cada poca que geramnecessidades
de comportamentos particulares quanto a utilizao de equipamen-
tos eletro-intensivos, sobretudo para a classe residencial;
Comportamentos caractersticos em cada um dos dias da semana,
principalmente devido a intensidade das atividades comerciais e in-
dustriais;
Comportamentos caractersticos para cada hora do dia, de acordo
com o perl das classes consumidoras.
Com a remoo das componentes de tendncia, ciclos e sazonalidades,
tm-se os componentes residuais que podem, eventualmente, representar
fatores aleatrios para o entendimento do comportamento do consumo.
38 3 Metodologia
Considerando que toda srie temporal de energia eltrica possui um com-
ponente gerado pela inuncia de fatores aleatrios, mesmo se o compor-
tamento exato dos demais componentes da srie forem identicados com
preciso, ainda existir divergncia entre os valores previstos pelo modelo
e valores observados. Uma vez que a componente residual isolada, a
magnitude deste componente pode ser utilizada para se dimensionar o
percentual de incerteza que se deve considerar ao se realizar a previso de
valores futuros da srie.
No presente trabalho foi utilizada uma abordagem para identicao
de tendncias, ciclos e sazonalidades proposta por Mohr (2005) chamada
ltro TCS (Trend Cycle Season). O ltro TCS pode ser entendido como
um mtodo para a decomposio de sries temporais univariadas nas
componentes de tendncia, ciclo e sazonalidade, baseada no ltro HP
de Hodrick e Prescott (Hodrick e Prescott (1997)). fundamentada em
modelos estocsticos explcitos tanto para a identicao de tendncia
quanto de ciclos e sazonalidades, permitindo a extrao simultnea dos
trs componentes da srie.
No ltro HP, a tendncia estocstica restrita a um modelo de segunda
ordem. Oltro TCS uma extenso do ltro HP na medida emque cria um
modelo de extrao de tendncia de qualquer ordeme adiciona ummodelo
estocstico para a extrao das componentes de ciclo e sazonalidades. Os
processos cclicos e sazonais denidos no algoritmo TCS assumem que os
componentes seguem a denio de processos estacionrios ARMA.
Em (Mohr (2005)) so discutidas as caractersticas dos ltros TCS e
apresentada a demonstrao matemtica do algoritmo. Uma outra tcnica,
encontrada em Coelho (2006), verica se h algum padro determinstico
na srie temporal alm do comportamento quase-peridico.
3.4 Procedimentos paraseparaodas componen-
tes da srie temporal
A srie de consumo do Estado de Minas Gerais apresenta apenas 116
amostras. Como pode ser visto na Figura 3.3 a srie de consumo do Estado
de Minas Gerais apresenta mudana de comportamento, principalmente
a partir da amostra 55, onde o racionamento de energia eltrica no pas
ocorreu devido ao baixo nvel de gua dos reservatrios. Devido a essa
3.4 Procedimentos para separao das componentes da srie temporal 39
mudana de dinmica da srie, e tambm por apresentar a componente
de tendncia com crescimento bastante elevado, mesmo tendo ocorrido
o racionamento, foi preciso modelar o consumo atravs da componente
sazonal e tendncia + ciclos separadas. As componentes de tendncia,
sazonalidade e ciclo dos dados da srie temporal de consumo, Figura 3.3,
foramseparados usando a metodologia citada na se 3.3. Na Figura 3.4 pode
observar as componentes de tendncia, sazonalidade e ciclo, separadas
pelo ltro TCS. A Figura 3.5 apresenta a componente de sazonalidade e a
soma das componentes de tendncia e ciclo.
0 20 40 60 80 100 120
0.7
0.8
0.9
1
0 20 40 60 80 100 120
0.15
0.1
0.05
0
0.05
0.1
Figura 3.4: Componentes de tendncia (- -), sazonalidade (-.-), ciclo (+), e
consumo total ().
Acomponente sazonalidade foi mantida separada para servir como en-
trada para as representaes no-lineares, pois esta componente apresenta
ciclos anuais bem denidos. As componentes restantes foram somados
(tendncia + ciclo). Percebe-se na Figura 3.5 que quando a componente c-
clica somada a componente de tendncia o resultado uma componente
que acompanha melhor a srie temporal. A partir daqui, quando for ci-
tado no texto "componente tendncia", deve-se entender que corresponde
soma das componentes de tendncia e ciclo.
Para as previses livre de 60 passos frente, para a componente de
40 3 Metodologia
0 20 40 60 80 100 120
0.2
0
0.2
0.4
0.6
0.8
1
1.2
Meses
Figura 3.5: Componentes de tendncia + ciclo (- -), sazonalidade (-.-), e
consumo total ().
tendncia foi ajustada uma reta com o mesmo coeciente angular do tre-
cho referente s observaes 80 a 116, pois a partir dessas amostras
que tendncia do consumo se mostra crescente, desconsiderando assim a
tendncia pr-racionamento. Assim considerando-se que a tendncia das
observaes 80 a 116 uma reta a previso de 60 passos frente obtida.
Para a previso livre de 60 passos frente da srie de NewEngland no
foi necessrio aproximar a tendncia por uma reta, pois, esta srie de con-
sumo possui bastante amostras, uma vez que as previses no extrapolam
o tamanho da srie.
Para obteno de modelos NARIMA tambm foi necessrio retirar a
componente da tendncia da srie de New England. No entanto, os re-
sultados da modelagem usando as representaes Neural e Neuro-Fuzzy
mostraram-se satisfatrias sem a extrao da componente tendncia.
Para a srie de consumo do Estado de Minas Gerais o procedimento de
separar a componente de tendncia da srie foi aplicado para obteno de
modelos NARIMA, Neurais e Neuro-Fuzzy.
3.5 Procedimentos para os modelos ARIMA e NARIMA 41
3.5 Procedimentos para os modelos ARIMA e
NARIMA
Os procedimentos utilizados para obteno de modelos ARIMA so
embasados em (Box e Jenkins (1970); Aguirre (2007)).
Em Box e Jenkins (1970) detalhado toda metodologia dos modelos
ARIMA. Os autores mostram que a estratgia para a escolha do modelo
baseada em um ciclo iterativo, no qual a escolha da estrutura do modelo
baseada nos prprios dados. A Figura 3.6 mostra esse ciclo.
Figura 3.6: Esquema das etapas do modelo ARIMA.
Os estgios do ciclo iterativo so:
Na especicao, uma classe de modelos considerada para a anlise.
Na identicao, um modelo escolhido com base na anlise de auto-
correlaes, autocorrelaes parciais e outros critrios. Nessa etapa,
identicada a necessidade de diferenciar os dados para tornar a srie
estacionria e calculada a ordem do processo autoregressivo (p) e do
processo de mdias mveis (q). Tradicionalmente, as principais ferra-
mentas nessa fase so as funes de autocorrelao e autocorrelaes
parciais.
42 3 Metodologia
A seguir vem a fase de estimao, na qual os parmetros do modelo
identicado so estimados, ou seja, os coecientes AR e MA.
Finalmente, na fase vericao ou diagnstico, o modelo encontrado
determinado adequado ou no usando-se, por exemplo, a anlise de
resduos.
No entanto, neste trabalho, proposta uma estrutura alternativa para
os modelos ARIMA. Nas fase de identicao as ordens do processo AR e
do MA so escolhidas usando-se a taxa de reduo do erro (Aguirre (2007))
e na fase da estimao dos parmetros realizada usando-se os mnimos
quadrados (Aguirre (2007)). Estas tcnicas podem, em princpio, retirar os
termos desnecessrios do modelo que proporcionam instabilidade num-
rica e ocasionam comportamentos dinmicos e esprios ao sistema. A
Figura 3.7 (a) mostra a representao esquemtica para o modelo ARIMA,
onde os regressores so os mximos atrasos da srie temporal, no caso
doze (12).
Inicialmente a obteno de modelos NARIMA mostrou-se difcil, pois,
usando a metodologia empregada pelos modelos ARIMA a obteno de
modelos no-lineares no mostrou-se eciente, resultando sempre em mo-
delos instveis.
Uma possvel soluo, para se obter modelos NARIMA
3
, foi retirar
a componente de tendncia das sries temporais de New England e do
Estado de Minas Gerais e aps isso obter a primeira diferena. Esse pro-
cedimento apresentou modelos estveis. Uma outra alternativa, que no
mostrada neste trabalho, foi retirar a componente de tendncia e modelar
as sries temporais semobter a primeira diferena, resultando nummodelo
NARMA (no-linear autoregressivo de mdia mvel). Este procedimento
tambm resultou em modelos estveis.
Aseo 3.4 detalha como a componente de tendncia foi ltrada da srie
original de consumo de Minas Gerias. A Figura 3.7 (b) exibe a topologia
para o modelo no-linear (NARIMA).
Na topologia usada para o modelo NARIMA (Figura 3.7) so passados
como entradas os doze primeiros regressores da componente sazonal que
3
Por denio os modelos ARIMA e NARIMA a tendncia removida pela primeira
diferena. No entanto, simulaes dos modelos NARIMA com a tendncia mostraram
instabilidade, e a sada encontrada foi retirar a tendncia e aps isso realizar a primeira
diferena
3.6 Procedimentos para a RNF 43
Figura 3.7: Representao esquemtica de modelos (a) ARIMA e (b) NA-
RIMA.
so modelados pela representao NARIMA, e na sada do modelo so
somadas as componentes cclica e a tendncia, resultando no modelo.
O aumento do nmero de regressores da srie temporal no acarretou
melhora no desempenho do modelo.
3.6 Procedimentos para a RNF
Os procedimentos utilizados para a rede Neuro-Fuzzy so embasados
de acordo com a seo 2.3.2, onde a fundamentao terica foi detalhada.
Os procedimentos so apresentados para os dois casos de estudo, a srie
de consumo de New England e a da CEMIG.
Os dados apresentados nas Figuras 3.2 e 3.3 foram normalizados. Para
a normalizao os dados foram divididos pelo mximo valor de consumo
de acordo com Equao (3.8). A normalizao dos dados, tanto para a
rede Neuro-Fuzzy quanto para a Rede Neural, proporciona a obteno
de resultados melhores, (Braga et al. (2000); Haykin (2001)). Os resultados
das previses de srie de NewEnglandso apresentados desnormalizados,
isto , multiplicados pelos mximos das srie temporal.
A RNF, a princpio, no uma estrutura dinmica. Para que a RNF
incorporasse a dinmica das sries temporais foi preciso denir os regres-
sores (atrasos) para a entrada da rede. Como os dados de consumo so
mensais, sabe-se que, em condies normais, o consumo de um certo ms
do ano bastante parecido com o consumo do mesmo ms do ano interior
44 3 Metodologia
devido as variaes regulares ao longo dos meses do ano, e as mudanas
caractersticas de cada poca, caracterizando a sazonalidade de perodo 12.
Assim, o dcimo segundo regressor contm bastante informao dinmica
das sries. Outros regressores tambm foram usados como entrada para a
rede. No decorrer da descrio dos procedimentos os outros regressores
para rede sero denidos.
Como mencionado anteriormente, neste trabalho so apresentados dois
estudos de caso. O primeiro leva em conta a srie temporal de consumo
de energia eltrica de New England (USA), e o segundo a srie temporal
de consumo de Minas Gerais, fornecida pela Cemig. Para os dois casos
inicialmente congurada uma RNF que realiza a previso de 12 passos
frente para avaliar a ecincia da tcnica usada. Aps isso, a topologia de
12 passos reajustada para realizar a previso livre de 60 passos frente.
Como cada amostra das sries representa o consumo total de um ms, a
previso livre de 12 passos frente equivalente a previso de 1 ano
frente, e a de 60 passos frente equivalente a 5 anos frente, ou 60 meses
a frente. Neste trabalho, usa-se a metodologia de realimentar a topologia
do modelo para obter a previso de k passos frente, sendo k o horizonte
de previso.
O desempenho das previses das redes avaliado por meio da anlise
dos erros MPE MAPE, RMSE e U de Theil, Equaes 3.4, 3.5, 3.6, 3.7,
respectivamente. Vrias redes foram treinadas e as que apresentaram os
menores ndices citados foram selecionadas.
3.6.1 Modelo de consumo de New England
A srie de consumo de New England tem 228 observaes. Destas 228
amostras, as primeiras 168 amostras foram separadas (janeiro de 1980
dezembro de 1993). A previso livre de 12 passos frente foi efetuada,
usando-se para o treinamento 156 observaes das 168. As 12 observaes
que restaram foram usadas para a validao. Com isso, a ecincia da
rede foi avaliada. A partir da, a mesma rede usada para treinar as 168
primeiras observaes, e a previso livre de 60 passos frente avaliada.
As 60 observaes nais (169 228) foramusadas comodados de validao.
Os ndices MPE, MAPE, RMSE e U de Theil so avaliados. A Figura 3.8
mostra a topologia do modelo Neuro-Fuzzy para o consumo de energia de
New England.
3.6 Procedimentos para a RNF 45
Figura 3.8: Representao esquemtica de modelo Neuro-Fuzzy do con-
sumo de energia de New England.
A sada da rede desnormalizada multiplicando o vetor de sada pelo
valor mximo da srie temporal.
A escolha dos atrasos (lags) um fator que depende muito das caracte-
rsticas do processo emestudo. Para as sries de consumo mensais de New
England e do Estado de Minas Gerais foram usados os mesmos atrasos de
cada srie para compor as entradas dos modelos neurais. Foram feitas
simulaes para os atrasos [1-4,12]. Tambm tentou-se simular com outras
entradas, como exemplo [1-12], [1-4,12,23-24], dentre outras, entretanto os
melhores resultados foram obtidos com os atrasos [1-4,12]. Estes mesmos
testes foramrealizados usando-se a RNF. Aguirre, Rodrigues, Lima, e Mar-
tinez (2008) apresentam uma discusso que pode servir para justicar os
atrasos escolhidos para a camada de entrada do modelo Neuro-Fuzzy e
Neural.
3.6.2 Modelo de consumo da CEMIG
Para obteno do modelo Neuro-Fuzzy do consumo de Minas Gerais
usou-se a metodologia para extrao das componentes da srie, citada na
seo 3.4.
ARNF treinada usando-se as 104 primeiras observaes (de dezembro
de 96 a julho de 2005) da componente sazonalidade. E as 12 ltimas
amostras (de agosto de 2005 a julho de 2006) so usadas para a validao
livre de 12 passos (1 ano) frente das redes. Os regressores usados na
entrada da RNF so mostrados na Figura 3.9.
Aps a avaliao do comportamento da rede para a previso de 12
passos frente, treinou-se a mesma rede considerando todas as 116 ob-
46 3 Metodologia
servaes da srie, e a previso de 60 passos frente (de agosto de 2006 a
julho de 2011) realizada. Neste caso, no entanto, no existem amostras
para validao.
Para a previso livre de 60 meses frente, como no existem amostras
para comparao, tambm no existe componente de tendncia para os
60 passos futuros. Sendo assim, os valores futuros da tendncia foram
aproximados por uma reta, que por sua vez, incorpora ocoeciente angular
da tendncia aps o racionamento de energia, ou seja, tende a acompanhar
o mesmo crescimento do consumo de energia dos dados passados (a partir
da observao 80).
Figura 3.9: Representao esquemtica de modelo Neuro-Fuzzy do con-
sumo de energia do Estado de Minas Gerais. (ys representa os dados da
componente sazonal da srie de consumo da Cemig.)
Como pode ser visto na Figura 3.9 na fase de treinamento da rede
Neuro-Fuzzy o critrio de parada denido pelo nmero de pocas. Tipi-
camente uma poca do treinamento denida como uma nica apresen-
tao de todos os vetores da entrada a rede. Ento a rede atualizada de
acordo com os resultados de todas estas apresentaes. A taxa de apren-
dizagem especica a velocidade com que os pesos so atualizados, e
denida como sendo 0, 1. E outro parmetro que deve ser denido para
o treinamento da rede o nmero de regras do tipo (ifthen) para cada
entrada associada, que igual a 3.
Os parmetros de treinamento foram os mesmos para os estudos de
caso apresentados neste trabalho. Essas conguraes apresentaram os
melhores resultados.
A sada da RNF somada componente de tendncia, resultando no
consumo de energia normalizado do Estado de Minas Gerais (Figura 3.9).
3.7 Procedimentos para a RNA 47
3.7 Procedimentos para a RNA
Para os procedimentos da RNA devem ser levados em conta a escolha
das entradas do modelo, escolha do nmero de neurnios na camada
escondida, escolha das sadas, porcentagem de dados para treinamento e
validao. Algumas consideraes sobre a escolha da topologia da rede
so feitas a seguir. Vale citar uma frase de Zhang et al. (1998): "O projeto de
uma RNA mais uma arte que uma cincia".
Nesta seo so apresentados os procedimentos para obteno do mo-
delo Neural. Mauro (2007) apresenta detalhes desta metodologia de mode-
los Neurais que realizam a previso a longo-prazo de consumo de energia
eltrica. No trabalho o autor aborda a previso de 60 meses frente do
consumo de energia da CEMIG.
Aescolha do nmero de neurnios na camada de entrada, no problema
de modelagem de sries temporais, trata-se basicamente da escolha dos
atrasos utilizados como entradas no modelo. Na seo 3.6.1 foi descrito
como a escolha dos regressores para a entrada da Rede Neural e da Neuro-
Fuzzy foram escolhidos.
O neurnio da camada de sada corresponde, no problema de modela-
gem de sries temporais, ao horizonte de previso. Existem duas formas
de se construir um modelo de previso. A primeira a previso de 1 passo
frente, em que apenas um neurnio utilizado na camada de sada. A
segunda forma utilizada quando se deseja ter como sada a previso em
umhorizonte maior do que a amostragemda srie. Por exemplo, deseja-se
obter a previso para 6 meses frente, para uma srie de amostragem
mensal. O que se pode fazer utilizar as previses de um passo frente
e realiment-las no modelo para obter as previses no horizonte maior, ou
utilizar mais neurnios na camada de sada obtendo a sada diretamente
sem a necessidade de realimentar previses. Neste trabalho usa-se a me-
todologia de realimentar a topologia do modelo para obter a previso de
k passos frente, sendo k o horizonte de previso, conhecida como simu-
lao livre. As funes de ativao tanto da camada escondida, como da
camada de sada foram a funo tangente hiperblica (Equao 2.16).
Oneurnio da camada escondida normalmente obtido por tentativas.
Na literatura, at onde foi pesquisado, no se encontrou uma metodolo-
gia para determinar o nmero de neurnios da camada escondida. Neste
trabalho, foram realizadas vrias simulaes com o nmero de neurnios
48 3 Metodologia
na camada escondida variando de 2 at 20. Para cada neurnio foram
realizadas 50 simulaes, inicializando a rede em condies iniciais dife-
rentes para tentar evitar que o algoritmo de treinamento alcanasse um
mnimo local. A simulao correspondente ao nmero de neurnios da
camada que apresentou melhor desempenho, em funo dos ndices de
desempenho, foi escolhida.
Uma questo importante a ser denida a composio dos dados para
treinamento e validao, isto , quais os dados que sero usados para
treinar os modelos, e quais sero utilizados para valid-los. A literatura
sugere que pelo menos 20%da base de dados seja separada para validar os
modelos obtidos na fase de treinamento (Braga et al. (2000)). A seguir so
detalhados as topologias obtidas para a srie de NemEngland e da Cemig.
3.7.1 Modelo de consumo de New England
Os mesmos procedimentos usados na seo 3.6.1 para separar os dados
de treinamento e validao so utilizados para a RNA. Das 228 amos-
tras da srie de consumo de energia eltrica de New England, separou-se
168 amostras para a previso de 12 meses frente. Uma topologia de 8
neurnios na camada escondida foi determinada, (Figura 3.10).
Figura 3.10: Representao esquemtica de modelo Neural do consumo
de energia de New England.
A metodologia utilizada no treinamento da rede MLP
dados normalizados para o intervalo [0,1];
3.8 Comentrios nais 49
as redes foramtreinadas utilizandooalgoritmode Levenberg-Marquardt
(Braga et al. (2000)), com controle de generalizao do tipo parada
antecipada;
os regressores para o modelo e o nmero de neurnios (n) na ca-
mada de escondida so obtidos por tentativa e erro. So realizadas
simulaes para vrios atrasos da srie temporal. Os atrasos mais
signicativos so [1-4,12]. E tambm realizada uma busca para os
valores de n variando de [2:2:20], sendo escolhido 8 neurnios na
camada intermediria. Tanto a escolha dos regressores, quanto a de-
terminao de n foram feitas em funo dos ndices de desempenho;
dentre os modelos gerados escolhido aquele com menor erro de
validao.
3.7.2 Modelo de consumo da Cemig
A metodologia empregada para estimar o modelo Neuro-Fuzzy em
3.6.2 a mesma aqui empregada para encontrar o modelo Neural do con-
sumo de energia do Estado de Minas Gerais.
Os detalhes de toda escolha e procedimentos da estrutura da Rede
Neural podem ser vistos em (Mauro (2007)). O autor tratou, com sucesso,
da modelagem da srie temporal de consumo da CEMIG utilizando Redes
Neurais.
Inicialmente os dados foram separados em componentes de tendncia,
sazonalidade e ciclos, como mostrado na Figura 3.5. A Figura 3.11 mostra
a topologia usada para o modelo Neural do consumo da Cemig.
Estimada a rede para a previso de 12 passos frente, esta mesma rede
atualizada para realizar as previses de 60 passos frente. A topologia
da rede apresenta 8 neurnios na camada escondida. A sada da RNA
somada componente de tendncia e ciclo, resultando no consumo de
energia normalizado do Estado de Minas Gerais.
3.8 Comentrios nais
Neste captulo foram descritos todos procedimentos necessrios que
conduzemna obteno de modelos de previso para o consumo de energia
50 3 Metodologia
Figura 3.11: Representao esquemtica de modelo Neural do consumo de
energia do Estado de Minas Gerais. (ys representa os dados da componente
sazonal da srie de consumo da Cemig.)
da cidade de New England e para o Estado de Minas Gerais. Os prximos
captulos apresentaro os resultados da aplicao destes procedimentos
mostrados aqui.
A Tabela 3.1 apresenta uma sntese da forma que os dados so apre-
sentados s representaes em cada estudo de caso. Por exemplo, no caso
de New England, o modelo NARIMA obtido atravs da componente
sazonalidade e sua sada so somadas a tendncia e ciclo.
Tabela 3.1: Comparao dos modelos atravs do ndice de desempenho:
MPE, MAPE e RMSE para a srie de consumo em Minas Gerais.
Estudo de caso/ New England CEMIG
Representao
ARIMA Srie total Srie total
NARIMA Sazonalidade Sazonalidade
RNF Srie total Sazonalidade
RNA Srie total Sazonalidade
O Capitulo 4, mostrar os resultados referentes a cidade de New En-
gland, e o Captulo 5 os resultados do Estado de Minas Gerais.
Captulo 4
Estudo de caso 1: Srie temporal
de New England
"Voc tem que se apaixonar com seus dados, mas nem sempre
com seus modelos."
G.M. Jenkins
Sero utilizados neste captulo os procedimentos apresentados no cap-
tulo anterior. Os resultados e algumas discusses da obteno do modelos
ARIMA, NARIMA, Neuro-Fuzzy e Rede Neural para a previso do con-
sumo de energia da cidade de New England so apresentados. Todos os
modelos deste estudo de caso so obtidos a partir da srie temporal sem
sua extraao da componente de tendncia. O nico modelo em que houve
a extrao desta componente foi o modelo NARIMA, como se ver abaixo.
As representaes RNF e RNA, para este caso, no foi necessrio ex-
trair a componente de tendncia, pois, estes modelos conseguiram bom
funcionamento geral em face no estacionariedade.
4.1 Modelo ARIMA
O modelo ARIMA estimado a partir da srie de consumo de New
England, da observao 1 at a 168
1
, sendo que os 12 meses
2
seguintes
foram utilizados para escolher o seguinte modelo:
y(k) = +0, 804 y(k 12) + 0, 888 y(k 1)
0, 0891 y(k 4) 0, 804 y(k 13)
+0, 112 y(k 2) + 0, 0891 y(k 5)
. (4.1)
1
Isso corresponde a 14 anos, ou seja, de janeiro de 1980 a dezembro de 1993.
2
De janeiro a novembro de 1994.
52 4 Estudo de caso 1: Srie temporal de New England
O modelo (4.1) foi simulado livremente 12 passos frente. Veja Figura
4.1. O erro percentual mdio (MPE) para a simulao livre de 12 passos (1
ano) frente do modelo (4.1) foi de 0,996%.
0 20 40 60 80 100 120 140 160 180
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
(a)
168 170 172 174 176 178 180
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
(b)
Figura 4.1: Simulao do modelo ARIMA. (a) apresenta os dados de con-
sumo de energia com a previso de 12 passos frente, e (b) apresenta
o detalhe dos dados de validao com a sada do modelo ARIMA. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 0,996%;
MAPE: 7,406%; RMSE: 1,096; U
Theil
: 0,892.
O modelo (4.1) agora simulado para 60 meses (5 anos)
3
frente.
A Figura 4.2 mostra a simulao livre de 60 passos frente do modelo
(4.1). Nessa simulao observa-se que o modelo apresenta oscilaes apre-
civeis que acompanham as oscilaes reais do consumo. Nesta mesma
gura percebe-se tambm que o modelo generaliza de forma convincente
a tendncia da srie. O erro percentual mdio para a simulao livre de 60
passos foi de 0,129%. Entretanto, percebe-se que a medida que o horizonte
de previso aumenta, a resposta do modelo tende a amortecer para um
valor de consumo mdio.
3
De janeiro de 1994 a dezembro de 1998.
4.1 Modelo ARIMA 53
0 50 100 150 200 250
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
(a)
160 170 180 190 200 210 220 230
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
(b)
Figura 4.2: Simulao do modelo ARIMA. (a) apresenta os dados de con-
sumo de energia com a previso de 60 passos frente, e (b) apresenta
o detalhe dos dados de validao com a sada do modelo ARIMA. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 0,129%;
MAPE: 5,920%;, RMSE: 1,047; U
Theil
: 0,995.
54 4 Estudo de caso 1: Srie temporal de New England
4.2 Modelo NARIMA
O modelo NARIMA foi estimado a partir da srie de consumo de New
England sem a componente de tendncia (Figura 3.7), da observao 1 at
a 168, sendo que os 12 meses seguintes foram utilizados para escolher o
seguinte modelo:
y(k) = +0, 986 y(k 12) + 0, 0205 y(k 7)
+ y(k 1) 0, 986 y(k 13)
+0, 987 y(k 11)y(k 12)
0, 987 y(k 12)y(k 13)
0, 0205 y(k 8)
. (4.2)
A Figura 4.3 mostra a previso livre de 12 passos frente do modelo
(4.2) j adicionada a componente de tendncia.
0 20 40 60 80 100 120 140 160 180
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
(a)
168 170 172 174 176 178 180
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
(b)
Figura 4.3: Simulao do modelo NARIMA. (a) apresenta os dados de
consumo de energia com a previso de 12 passos frente, e (b) apresenta
o detalhe dos dados de validao com a sada do modelo ARIMA. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: -0,298%;
MAPE: 6,924%;, RMSE: 0,961; U
Theil
: 0,782.
A simulao livre de 12 passos frente, de acordo com a Figura 4.1,
4.3 Rede Neuro-Fuzzy 55
apresenta erro percentual mdio de -0,298%.
Da mesma forma que foi apresentado para o modelo ARIMA na seo
anterior, o modelo (4.2) agora simulado para 60 meses (5 anos) frente.
0 50 100 150 200 250
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
(a)
160 170 180 190 200 210 220 230
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
(b)
Figura 4.4: Simulao do modelo NARIMA. (a) apresenta os dados de
consumo de energia com a previso de 60 passos frente, e (b) apresenta
o detalhe dos dados de validao com a sada do modelo ARIMA. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 1,644%;
MAPE: 6,810%; RMSE: 1,134; U
Theil
: 1,076.
A previso livre de 60 meses frente, Figura 4.4, apresenta ndices de
desempenho relativamente pequenos, e tambm observa-se que o modelo
consegue absorver a dinmica da srie de consumo representando adequa-
damente as oscilaes e mudanas de tendncia que acontecem a partir da
observao 168 (janeiro de 1994) at a 228 (dezembro de 1998).
4.3 Rede Neuro-Fuzzy
Como foi apresentado na Seo 3.6 as entradas pra o modelo Neuro-
Fuzzy foramos regressores [1-4,12] do consumo de energia eltrica (Figura
3.8). AFigura 4.5 mostra a simulao livre de 12 passos a frente do modelo.
56 4 Estudo de caso 1: Srie temporal de New England
0 20 40 60 80 100 120 140 160 180
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
168 170 172 174 176 178 180
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
Figura 4.5: Simulao da rede Neuro-Fuzzy. (a) apresenta a comparao
do consumo de energia com os dados de validao de 12 passos frente, e
a (b) apresenta o detalhe dos dados de validao com a sada da rede. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 0,801%;
MAPE: 3,279%; RMSE: 0,518; U
Theil
: 0,873.
4.3 Rede Neuro-Fuzzy 57
A previso de 12 passos do consumo de energia da cidade de New
England usando a rede Neuro-Fuzzy apresentou erro MPE de 0,801%,
MAPE: 3,279%, RMSE: 0,518.
0 50 100 150 200 250
6
8
10
12
x 10
6
(a)
C
o
n
s
u
m
o
(
W
h
)
160 170 180 190 200 210 220 230
8
9
10
11
x 10
6
(b)
C
o
n
s
u
m
o
(
W
h
)
Meses
Figura 4.6: Simulao da rede Neuro-Fuzzy. (a) apresenta a comparao
do consumo de energia com os dados de validao de 60 passos frente, e
a (b) apresenta o detalhe dos dados de validao com a sada da rede. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 0,813%;
MAPE: 2,672%; RMSE: 0,506; U
Theil
: 0,567.
A Figura 4.6 (a) apresenta as observaes usadas para o treinamento
da rede e a sada de 60 passos frente da rede. E na Figura 4.6 (b)
apresentado o detalhe das observaes usadas para a validao, com as
respectivas amostras previstas pelo modelo Neuro-Fuzzy.
A previso livre de 60 passos frente apresentou ndices MPE: 0,813,
MAPE: 2,672, RMSE: 0,506. A Figura 4.6 mostra que a RNF apresenta u-
tuaes apreciveis. Isto , na previso de 60 de passos o modelo Neuro-
Fuzzy consegue modelar a sazonalidade anual contida nos dados de con-
sumo e tambm consegue acompanhar a tendncia positiva dos dados de
validao.
58 4 Estudo de caso 1: Srie temporal de New England
4.4 Rede Neural Articial
Nesta seo usada uma Rede Neural Articial para realizar a previso
do consumo de energia de New England. A descrio da srie temporal
de New England detalhada em (3.2.1).
A srie de consumo possui 228 observaes mensais. De acordo com
a Seo 3.6.1 foram separadas as primeiras 156 observaes para o treina-
mento do modelo Neural e as 12 prximas amostras para a validao livre
de 12 passos frente. AFigura 4.7 mostra o desempenho visual do modelo
Neural para a validao de 12 passos frente.
0 20 40 60 80 100 120 140 160 180
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
(a)
168 170 172 174 176 178 180
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
(b)
Figura 4.7: Simulao da Rede Neural Articial. (a) apresenta a compa-
rao do consumo de energia com os dados de validao de 12 passos
frente, e a (b) apresenta o detalhe dos dados de validao com a sada da
rede. () consumo real, (-.-) consumo previsto. Erro apresentados, MPE:
0,204%; MAPE: 2,383%; RMSE: 0,364; U
Theil
: 1,054.
A validao livre de 12 passos frente, apresentada na Figura 4.7,
apresenta ndices de desempenho, MPE = 0,204, MAPE = 2,383 e RMSE =
0,364, que indicam bom desempenho do modelo Neural. A topologia do
modeloNeural apresenta 8 neurnios na camada escondida e na camada de
entrada os regressores usados so [1-4,12]. Ambas camadas usam funes
4.5 Comparao das Representaes 59
de ativao tangente hiperblica.
A Figura 4.8 mostra o modelo Neural avaliado para a previso de 60
meses frente.
0 50 100 150 200 250
6
8
10
12
x 10
6
C
o
n
s
u
m
o
(
W
h
)
(a)
160 170 180 190 200 210 220 230
8
9
10
11
x 10
6
C
o
n
s
u
m
o
(
W
h
)
Meses
(b)
Figura 4.8: Simulao da Rede Neural Articial. (a) apresenta a compa-
rao do consumo de energia com os dados de validao de 60 passos
frente, e a (b) apresenta o detalhe dos dados de validao com a sada da
rede. () consumo real, (-.-) consumo previsto. Erro apresentados, MPE:
1,404%; MAPE: 3,142%; RMSE: 0,576; U
Theil
: 0,998.
Visualmente percebe-se que o modelo Neural, Figura 4.8 (b), consegue
generalizar a dinmica da srie de consumo de New England. Tanto
a tendncia da srie, quanto as oscilaes sazonais so absorvidas pelo
modelo. Os ndices de desempenho revelam que o modelo apresenta bom
desempenho para a previso livre de 60 meses frente.
4.5 Comparao das Representaes
Todas as representaes usadas neste captulo, a saber: ARIMA, NA-
RIMA, RNF e RNA, mostraram grande robustez na previso de longo-
prazo do consumo de energia de New England. A Tabela 4.1 abaixo
60 4 Estudo de caso 1: Srie temporal de New England
detalha os erros MPE, MAPE e RMSE das representaes para a previso
livre de 12 e 60 passos frente.
Tabela 4.1: Comparao dos modelos atravs do ndice de desempenho:
MPE(%), MAPE(%) e RMSE para a srie de consumo em New England.
MPE MAPE RMSE U
Theil
Previso 12 60 12 60 12 60 12 60
ARIMA 0,996 0,129 7,406 5,920 1,096 1,047 0,892 0,995
NARIMA -0,298 1,644 6,924 6,810 0,961 1,133 0,782 1,076
RNF 0,801 0,813 3,279 2,672 0,518 0,506 0,873 0,567
RNA 0,204 1,404 2,383 3,142 0,364 0,576 1,054 0,998
Pela anlise dos ndices apresentados na Tabela 4.1 e nas Figuras deste
captulo, percebe-se que todas as representaes usadas demonstram con-
vergncia e boa preciso sobre os dados de consumo de energia na cidade
de NewEngland. Omodelo ARIMAapresentou 0,129%de erro percentual
mdio, o menor para a o horizonte de 60 meses frente. O modelo Neuro-
Fuzzy apresentou erro MAPE de 2,672% e RMSE de 0,506 para previses
de 60 meses frente, os menores entre os modelos. De acordo com esses
resultados o modelo RNF apresenta os melhores resultados para a previso
livre de 60 meses frente. Em relao previso de 12 passos frente a
RNA apresenta ndices menores em relao s outras apresentaes.
relevante lembrar que de todas as representaes mostradas na Ta-
bela 4.1 a nica que teve a retirada da tendncia para a modelagem foi a
NARIMA, pois, este mostrou-se instvel quando simulado considerando
a srie temporal com todas suas componentes.
Captulo 5
Estudo de caso 2: Srie temporal
da Cemig
Neste captulo so apresentados os resultados da previso do consumo
de energia eltrico do Estado de Minas Gerais. As simulaes com res-
pectivos ndices de desempenho dos modelos ARIMA, NARIMA, RNF e
RNA so mostrados.
Como foi visto no Captulo 3 para os modelos NARIMA, RNF e RNA
foi necessrio extrair a componente de tendncia e som-la na sada do
modelo.
5.1 Modelo ARIMA
A Equao 5.1 abaixo representa o modelo ARIMA estimado a partir
da srie temporal de consumo do Estado de Minas Gerais. A amostra 1 a
amostra 104
1
foram usadas para identicao do modelo, e as 12 amostras
(meses)
2
seguintes foram utilizados para validar o seguinte modelo:
y(k) = +0, 646 y(k 12) + 0, 71 y(k 1)
0, 0341 y(k 11) 0, 225 y(k 10)
0, 387 y(k 13) + 0, 29 y(k 2)
. (5.1)
O modelo 5.1 foi simulado livremente 12 passos frente e a Figura 5.1
mostra a previso livre de 12 passos frente.
A Figura 5.2 mostra a simulao livre de 60 passos frente
3
do mo-
delo (5.1). Nesta simulao observa-se que o modelo tende acompanhar
as oscilaes e a tendncia reais do consumo. Percebe-se tambm, que a
1
Isso corresponde a 9 anos e oito meses, ou seja, de dezembro de 1996 a julho de 2005.
2
De agosto de 2005 a julho de 2006.
3
De agosto de 2006 a julho de 2011.
62 5 Estudo de caso 2: Srie temporal da Cemig
0 20 40 60 80 100 120
0.7
0.8
0.9
1
A
m
p
l
i
t
u
d
e
104 106 108 110 112 114 116
0.8
0.85
0.9
0.95
1
A
m
p
l
i
t
u
d
e
Meses
Figura 5.1: Simulao do modelo ARIMA. (a) apresenta os dados de con-
sumo de energia com a previso de 12 passos frente, e (b) apresenta
o detalhe dos dados de validao com a sada do modelo ARIMA. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 1,956%;
MAPE: 3,557%; RMSE: 1,732; U
Theil
: 1,425.
5.1 Modelo ARIMA 63
0 20 40 60 80 100 120 140 160 180
0.7
0.8
0.9
1
(a)
A
m
p
l
i
t
u
d
e
110 120 130 140 150 160 170 180
0.84
0.86
0.88
0.9
0.92
(b)
A
m
p
l
i
t
u
d
e
Meses
Figura 5.2: Simulao do modelo ARIMA. (a) apresenta os dados de con-
sumo de energia com a previso de 60 passos frente, e (b) apresenta o
detalhe do modelo ARIMA (-.-) consumo previsto.
64 5 Estudo de caso 2: Srie temporal da Cemig
medida que o horizonte de previso aumenta o modelo tende estabilizar
para um valor de consumo mdio. O erro percentual mdio para a simu-
lao livre de 60 passos no pde ser calculado por no existirem amostras
de validao.
5.2 Modelo NARIMA
O modelo NARIMA foi estimado a partir da srie de consumo da
CEMIG sem a componente de tendncia (Figura 3.7), da observao 1 at
a 104, sendo que os 12 meses seguintes foram utilizados para escolher o
seguinte modelo:
y(k) = +0, 895 y(k 12) + 0, 885 y(k 1)
0, 895 y(k 13) + 0, 115 y(k 2)
2, 290 y(k 5)y(k 7)
+2, 290 y(k 6)y(k 8)
. (5.2)
Este modelo foi obtido a partir da componente sazonal, e a Figura 5.3
mostra a previso livre de 12 passos frente do modelo 5.2 j adicionada
a componente tendncia.
A simulao livre de 12 passos frente, de acordo com a Figura 5.3
apresenta erro percentual mdio de -0,075%.
Da mesma forma que foi apresentado para o modelo ARIMA, na Seo
5.1, o modelo (5.2) agora simulado 60 meses (5 anos) frente e na sua
sada adicionada a componente de tendncia, veja o esquema na Figura
3.7 (b).
A previso livre de 60 meses frente, apresentada na Figura 5.4, conse-
gue absorver a dinmica da srie de consumo representado as oscilaes
sazonais e mudanas de tendncia que acontecem a partir da observao
104 (agosto de 2005) at a observao 176 (julho de 2011).
5.3 Rede Neuro-Fuzzy
De acordo com a seo 3.6.2 so apresentados os resultados. Para ob-
teno do modelo Neuro-Fuzzy a tendncia foi extrada. A Figura 5.5
apresenta a simulao da rede Neuro-Fuzzy com previso livre de 12 pas-
sos frente usando os dados de consumo de energia do Estado de Minas
5.3 Rede Neuro-Fuzzy 65
0 20 40 60 80 100 120
0.7
0.8
0.9
1
A
m
p
l
i
t
u
d
e
(a)
104 106 108 110 112 114 116
0.85
0.9
0.95
A
m
p
l
i
t
u
d
e
Meses
(b)
Figura 5.3: Simulao do modelo NARIMA. (a) apresenta os dados de
consumo de energia com a previso de 12 passos frente, e (b) apresenta
o detalhe dos dados de validao com a sada do modelo NARIMA. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: -0,075%;
MAPE: 2,723%; RMSE: 1,354; U
Theil
: 1,114.
66 5 Estudo de caso 2: Srie temporal da Cemig
0 20 40 60 80 100 120 140 160 180
0.7
0.8
0.9
1
1.1
(a)
A
m
p
l
i
t
u
d
e
110 120 130 140 150 160 170 180
0.85
0.9
0.95
1
(b)
A
m
p
l
i
t
u
d
e
Meses
Figura 5.4: Simulao do modelo NARIMA. (a) apresenta os dados de
consumo de energia com a previso de 60 passos frente, e (b) apresenta
o detalhe do modelo NARIMA (-.-) consumo previsto.
5.3 Rede Neuro-Fuzzy 67
Gerais. Nesta simulao o modelo Neuro-Fuzzy apresentado j somado
tendncia. A rede foi escolhida em funo do ndice de desempenho
MPE.
0 20 40 60 80 100 120
0.7
0.8
0.9
1
(a)
A
m
p
l
i
t
u
d
e
104 106 108 110 112 114 116
0.85
0.9
0.95
(b)
A
m
p
l
i
t
u
d
e
Meses
Figura 5.5: Simulao da rede Neuro-Fuzzy. (a) apresenta a comparao
do consumo de energia com os dados de validao de 12 passos frente, e
a (b) apresenta o detalhe dos dados de validao com a sada da rede. ()
consumo real, (-.-) consumo previsto. Erros apresentados, MPE: 0,431%;
MAPE: 1,883%; RMSE: 0,762; U
Theil
: 0,564.
A previso de 12 passos do consumo de energia do Estado de Minas
Gerais apresentou erro MPE de 0, 431%, MAPE de 1, 883%, RMSE de 0, 762
e U
Theil
de 0,564.
Na validao de 12 passos frente, Figura 5.5 (b), nota-se que a RNF
consegue absorver a dinmica dos dados reais de consumo de energia
eltrica. As oscilaes da srie temporal foi capturada nestes 12 passos,
como tambm a tendncia positiva, que indica crescimento no consumo
de energia.
AFigura 5.6 mostra as previses de consumo a partir de janeiro de 2007
at dezembro de 2011, ou seja, 60 meses frente.
Claro que, como ainda no esto disponveis os dados de consumo de
energia a partir de 2007, a previso de 60 meses frente a partir de janeiro
68 5 Estudo de caso 2: Srie temporal da Cemig
0 20 40 60 80 100 120 140 160 180
0.7
0.8
0.9
1
(a)
A
m
p
l
i
t
u
d
e
110 120 130 140 150 160 170 180
0.85
0.9
0.95
1
(b)
Meses
Figura 5.6: Simulao da rede Neuro-Fuzzy. (a) apresenta a comparao
do consumo de energia com os dados de validao de 60 passos frente, e
a (b) apresenta o detalhe da sada da rede (-.-) consumo previsto.
de 2007 uma estimativa e por isso no tem como validar estas previses
atravs de ndices de erro, como exemplo o MPE, MAPE, RMSE e o U
de Theil. No entanto, o estudo de caso 1, seo 4, apresentou resultados
apreciveis, com ndices de erros muito pequenos, tanto para 12 passos,
quanto para 60 passos frente.
Sendo assim, a estimativa do consumo de energia para o Estado de
Minas Gerais mostra-se vlida, mesmo porque a resposta da rede para a
previso de 60 meses frente (Figura 5.6) apresenta utuaes sazonais pa-
recidas com o ltimo ciclo da srie de consumo, e tambm a rede consegue
generalizar de maneira satisfatria a tendncia de consumo.
5.4 Rede Neural Articial
Nesta seo apresentado os resultados obtidos comuso da Rede Neu-
ral Articial. Toda a metodologia para obteno desses resultados foi
mostrada em 3.7.2. O modelo Neural aqui apresentado foi obtido sem
5.4 Rede Neural Articial 69
a componente de tendncia, e na sada dele a componente adicionada
(Figura 3.11).
A Figura 5.7 mostra os dados de treinamento e a validao de 12 meses
frente do modelo obtido, com atrasos [1-4,12] e nmero de neurnios na
camada escondida, n = 8.
0 20 40 60 80 100 120
0.7
0.8
0.9
1
1.1
(a)
A
m
p
l
i
t
u
d
e
104 106 108 110 112 114 116
0.85
0.9
0.95
(b)
A
m
p
l
i
t
u
d
e
Meses
Figura 5.7: Simulao da Rede Neural Articial. (a) apresenta a compa-
rao do consumo de energia com os dados de validao de 12 passos
frente, e a (b) apresenta o detalhe dos dados de validao com a sada da
rede () consumo real, (-.-) consumo previsto. Erro apresentados, MPE:
-0,361%; MAPE: 1,503%; RMSE: 0,590; U
Theil
: 0,313.
Vale lembrar que os resultados apresentados referem-se previso livre
de 12 meses frente. De acordo com os procedimentos (seo 3.7.2) a
componente de tendncia foi extrada dos dados de consumo e modelo
neural foi obtido a partir da componente sazonal. sada da rede foi
somada a tendncia. A Figura 5.7 (b) mostra a comparao da previso
com os dados reais de consumo de energia.
Para a previso livre de 60 meses frente, Figura 5.8, no existem
dados para comparar a ecincia da rede. No entanto, a conabilidade
das previses apresentadas aqui tomam como base os resultados obtidos
com a srie de consumo de New England (seo 4.4). A Figura 5.8 mostra
70 5 Estudo de caso 2: Srie temporal da Cemig
a previso de 60 meses frente, a partir de julho de 2006 at o horizonte
de previso, agosto de 2011.
0 20 40 60 80 100 120 140 160 180
0.7
0.8
0.9
1
1.1
A
m
p
l
i
t
u
d
e
(a)
110 120 130 140 150 160 170 180
0.8
0.85
0.9
0.95
1
1.05
(b)
A
m
p
l
i
t
u
d
e
Meses
Figura 5.8: Simulao da Rede Neural Articial. (a) apresenta a compa-
rao do consumo de energia com os dados de validao de 60 passos
frente, e a (b) apresenta o detalhe da sada da rede. () consumo real, (-.-)
consumo previsto.
Pode-se perceber na Figura 5.8 que as utuaes previstas pelo modelo
mantm-se aparentemente constantes durante a janela de previso.
5.5 Comparao das Representaes
Neste captulo a comparao dos modelos para a previso do consumo
de energia do Estado de Minas Gerais em funo dos ndices de desempe-
nho s pode ser realizada para a previso livre de 12 passos frente (Tabela
5.1). Para a de 60 os ndices no podem ser calculados, pois, as amostras
no esto disponveis para a validao.
Para anlise das previses livre a partir de julho de 2006 realizada
uma comparao entre as previses geradas por cada modelo. Esta an-
lise consiste em comparar visualmente as previses livre (Figura 5.9), e
5.5 Comparao das Representaes 71
Tabela 5.1: Comparao dos modelos atravs do ndice de desempenho:
MPE(%), MAPE(%), RMSE e U
Theil
para a srie de consumo em Minas
Gerais.
MPE MAPE RMSE U
Theil
Previso 12 60 12 60 12 60 12 60
ARIMA 1,956 3,557 1,732 1,425
NARIMA -0,075 2,723 1,354 1,114
RNF 0,431 1,883 0,762 0,564
RNA -0,361 1,503 0,509 0,313
comparar a resposta espectral dessas previses.
0 50 100 150 200 250
0.8
1
(a)
0 50 100 150 200 250
0.8
1
(b)
0 50 100 150 200 250
0.8
1
(c)
0 50 100 150 200 250
0.2
0.4
0.6
0.8
1
1.2
(d)
Meses
Figura 5.9: Comparao das simulaes dos modelos: (a) ARIMA, (b)
NARIMA, (c) RNF, (d) RNA. As previses iniciam-se a partir da linha
vertical contnua (obervao 116).
Nesta comparao as previses livres foramgeradas para umhorizonte
de 125 passos frente, isto 10 anos e cinco meses, at dezembro de 2016.
Ohorizonte de previso foi aumentado para poder observar se no decorrer
do meses o modelo conseguiria manter a tendncia e oscilaes dos dados
72 5 Estudo de caso 2: Srie temporal da Cemig
reais, claro que, considerando que nenhum distrbio
4
afetasse o consumo
de energia.
Comparando visualmente as previses (Figura 5.9) nota-se que me-
dida que se aumenta o horizonte de previso para o modelo ARIMA ele
tende a amortecer as oscilaes e estabilizar em um valor por volta de 0,9
(normalizado). J as outras estruturas conseguem prolongar os ciclos sa-
zonais e manter a tendncia da srie de consumo real. A previso usando
a RNA (Figura 5.9 (d)) mostra que o modelo diverge medida que o hori-
zonte de previso aumenta, aumentado gradativamente os ciclos sazonais,
o que acarreta aumento da varincia das previses.
0 0.1 0.2 0.3 0.4 0.5
0
0.005
0.01
(a)
A
m
p
l
i
t
u
d
e
0 0.1 0.2 0.3 0.4 0.5
0
2
4
x 10
3
(b)
A
m
p
l
i
t
u
d
e
0 0.1 0.2 0.3 0.4 0.5
0
0.005
0.01
(c)
A
m
p
l
i
t
u
d
e
0 0.1 0.2 0.3 0.4 0.5
0
0.005
0.01
(d)
A
m
p
l
i
t
u
d
e
0 0.1 0.2 0.3 0.4 0.5
0
0.02
0.04
(e)
Freqncia
A
m
p
l
i
t
u
d
e
0,008
0,095
0,172
0,259
0,345
0,422
0,08
0,168 0,256
0,344
0,424
0,008
0,008
0,008
0,088
0,096
0,088
0,168
0,168
0,176
0,256
0,256
0,256
0,336
0,344
0,344
0,424
0,416
0,416
Figura 5.10: Comparao dos espectros de freqncia: (a) srie temporal
de consumo do Estado de Minas Gerais, (b) ARIMA, (c) NARIMA, (d)
RNF, (e) RNA.
De acordo com a Figura 5.9 e a Tabela 5.1 percebe-se que a RNA apre-
senta ndices menores para previses de 12 passos, porm, medida que o
4
Como exemplo cita-se o racionamento de energia que provoca mudanas consider-
veis no consumo de energia.
5.5 Comparao das Representaes 73
horizonte de previso aumenta a RNA tende instabilidade, aumentando
a varincia das suas oscilaes. O modelo ARIMA tende a estabilizar para
um valor mdio de consumo longo-prazo. No entanto, os modelos NA-
RIMA e RNF apresentam, a longo-prazo, oscilaes bem parecidas com a
da srie histrica e conseguemmanter a tendncia crescente. Este resultado
mostra que os modelos Neuro-Fuzzy e NARIMA podem ser ferramentas
importantes quando o problema realizar a previses a longo-prazo de
sries de consumo.
A Figura 5.10 mostra a comparao dos espectros de freqncia
5
das
previses (de agosto de 2006 at dezembro de 2016) dos diferentes mo-
delos obtidos com a srie de consumo de Minas Gerais. De acordo com
essa gura nota-se que o espectro do consumo de Minas Gerias (5.10 (a))
apresenta basicamente seis freqncias. Enquanto que para o espectro das
previses das diferentes representaes usadas nesse trabalho (5.10 (b),
(c), (d) e (e)) observa-se que estas conseguiram absorver a dinmica da
srie temporal de consumo de Minas Gerais, pois, conseguem generalizar
as principais freqncias da srie temporal. Contudo, preciso tomar o
seguinte cuidado ao analisar a Figura 5.10. A nica informao que o es-
pectro pode dizer a forma de onda da srie temporal. Uma forma de onda
idntica, mas deslocada, seria uma m previso, mas daria exatamente o
mesmo espectro.
5
Anlise e obteno de espectro de freqncia a partir da Transformada de Fourier
podem ser encontrados em Oppenheim e Schafer (1989).
Captulo 6
Discusso e Concluso
Aplicou-se tcnicas de identicao e inteligncia computacional linear
e no-linear na obteno de modelos para estimar o consumo de energia
eltrica na cidade de New England e no Estado de Minas Gerais. Para
a modelagem usou-se quatro representaes, ARIMA, NARIMA, Rede
Neural e Rede Neuro-Fuzzy, sendo a primeira linear e as trs ltimas
no-lineares.
Aprimeira srie apresenta umconjunto maior de amostras histricas de
consumo, e foi usada para avaliar a robustez das representaes citadas.
A segunda srie temporal apresenta um conjunto de dados com menor
nmero de observaes e ainda mudana na dinmica da mesma como
consequncia ao racionamento que aconteceu em 2001 devido ao baixo
nvel de gua nos reservatrios. Os quatro tipos de representaes foram
aplicadas e a previso de 5 anos frente foi estimada.
No Captulo 3, toda metodologia usada para obteno dos modelos foi
detalhada. importante ressaltar que a srie de consumo do Estado de
Minas Gerais, para as representaes no-lineares, foi necessrio separar a
componente de tendncia dos dados e estimar o modelo a partir da sazo-
nalidade da srie temporal. Atendncia foi somada na sada do modelo. O
mesmo procedimento foi realizado para a srie de New England, usando
a representao NARIMA.
Outros procedimentos foram analisados, entretanto, no produziram
resultados melhores do que os apresentados nesta dissertao. Por exem-
plo, retirou-se os dados pr racionamento da srie de Minas Gerais e os
modelos no-lineares no demonstraram convergncia rpida e preciso
sobre os dados. Avantagemdos procedimentos usados no Captulo 3 que
quando se decompe a srie temporal em suas componentes e modela-se
apenas a sazonalidade, as representaes conseguem interpretar os ciclos
76 6 Discusso e Concluso
sazonais e estim-los, extrapolando-os para as previses de 1 ano e 5 anos
frente.
Nos Captulos 4 e 5 foramapresentados os resultados dos modelos para
a srie de New England e de Minas Gerais, respectivamente.
No Captulo 4 todas representaes apresentaram desempenhos favo-
rveis, como visto na Tabela 4.1. Se for levado em considerao o erro
mdio quadrtico (MPE) apresentado nesta Tabela, a representao RNA
atingiu 0,204% de erro para a previso livre de 12 passos, e para 60 passos
o ARIMA apresentou 0,129% de erro, e as outras representaes consegui-
ram atingir ndices de erro bem prximo destes citados. Este resultado
comprova como as representaes ARIMA, NARIMA, RNA, RNF, podem
ser importantes ferramentas para a previso do consumo de energia da ci-
dade de New England. Neste Captulo apenas a representao NARIMA
foi obtida sem a componente de tendncia, e esta foi somada na sada do
modelo.
Na previso de 60 meses frente o ARIMA mostrou que a medida que
o horizonte de previso aumenta, as oscilaes sazonais do modelo ten-
dem a car amortecidas (Figura 4.2), subentendendo-se que, extrapolando
para innitos meses frente o modelo ir convergir para um valor xo
de consumo. Este fato comprovado na Seo 5.5, onde a previso foi
extrapolada para 125 meses frente e o consumo convergiu para um valor
xo. Isso mostra que o modelo ARIMA bastante eciente para previses
de curto e mdio-prazos, pois quando o horizonte de previso muito
longo esta representao tende a capturar a mdia extrapolada, ou seja, o
modelo ARIMA tende a modelar a tendncia da srie temporal, sendo um
timo previsor de tendncia a longo-prazo.
NoCaptulo5 os desempenhos forammedidos apenas para as previses
livre de 12 meses frente, pois, a srie de consumo do Estado de Minas
tem apenas 116 amostras. A Tabela 5.1 detalha os ndices de desempenho
dos modelos. O modelo NARIMA apresentou erro percentual mdio de
0,075%para previso livre de 12 meses, a RNAde 0,361%, a RNF de 0,431%
e o ARIMA de 1,956%. O NARIMA apresentou o menor ndice entre as
representaes. Todas as representaes no-lineares (NARIMA, RNF e
RNA) foram obtidas extraindo-se a tendncia, e aps a obteno esta foi
adicionada ao modelo.
Como no existem amostras para a validao das previses de 60 me-
ses frente, uma alternativa encontrada foi de primeiro extrapolar as
77
previses em cada modelo (Figura 5.9), e depois comparar o espectro de
freqncia dessas previses (Figura 5.10). Quando aumenta-se o horizonte
de previses, percebe-se que o modelo ARIMA converge para um valor de
consumo xo, como j foi citado acima. Na Figura 5.9 (b) o modelo NA-
RIMA conseguiu manter oscilaes para as previses livre de 125 meses
frente, demonstrando robustez e ecincia na previso a longo-prazo do
consumo de energia de Minas Gerais. O mesmo aconteceu com o modelo
Neuro-Fuzzy que conseguiu generalizar as oscilaes sazonais que exis-
tem na srie para o horizonte de previso sem que houvesse convergncia
para um valor.
Em relao previso usando a RNA notou-se que esta representao
diverge medida que o horizonte de previso aumenta. A divergncia
se d devido s oscilaes sazonais tenderem a aumentar, aumentando-se
assim a varincia, como foi mostrado na Figura 5.9 (d). De acordo com
os ndices de desempenho apresentados, a RNA pode ser considerada um
modelo eciente para previses de mdio-prazo (1 ano frente). Quando o
horizonte maior, longo-prazo, a RNF mostra eciente, pois, este modelo
consegue mapear os ciclos sazonais das sries de consumo e copi-los
para o horizonte de previso, como pode ser notado na Figura 5.9.
Em relao comparao espectral das previses pode-se concluir que
os espectros (Figura 5.10) apresentambasicamente as mesmas freqncias.
Este fato leva a concluir que as previses, estimadas a partir das diferen-
tes representaes, conseguem capturar as principais oscilaes da srie
histrica e as replicam para o horizonte previsto.
Em relao retirada ou no da tendncia das sries temporais para
a modelagem pode-se concluir que o modelo NARIMA converge apenas
quando a componente extrada, isto para qualquer um dos estudos de
caso aqui abordados. Quanto retirada da tendncia para os modelos
RNF e RNA, isso foi preciso para a srie temporal da CEMIG. Acredita-se
que este fato deve-se dinmica diferente entre as duas sries temporais
apresentadas neste trabalho. Na srie de New England os ciclos sazonais
so mais bem denidos e, a partir da amostra 100, as mudanas de nveis
(tendncia) so menos bruscas, o que j no acontece na srie da CEMIG.
Asrie da CEMIGno apresenta ciclos sazonais bemdenidos e apresenta
uma mudana brusca de nvel devido ao racionamento em 2001.
Dessas discusses apresentadas e dos resultados obtidos conclui-se que
as representaes ARIMA, NARIMA, RNF e RNA, usadas neste trabalho,
78 6 Discusso e Concluso
so ecientes para a previso de 5 anos frente do consumo de energia da
cidade de New England e do Estado de Minas Gerais.
6.1 Proposta para trabalhos futuros
A seguir sugerem-se alguns aspectos que ainda podem ser explorados:
pesquisar / utilizar outras ferramentas para a previso a longo-prazo
do consumo de energia;
aplicar o procedimento apresentado a outros sistemas reais;
estudo mais aprofundado dos modelos NARIMA. Obter respostas
sobre a instabilidade desses modelos quando aplicada metodologia
de Box e Jenkins. Procurar responder o por qu esta metodologia
instvel quando aplicada em sries temporais com tendncias.
Referncias Bibliogrcas
Aguirre, L.A., Aguirre, L., Mendes, E.M.A.M., e Martinez, C.B. Pesquisa
de modelo de previso de energia, para curto e mdio prazo, utilizando
inteligncia computacional. Technical report, Universidade Federal de
Minas Gerais, 2006. Relatrio Tcnico Interno.
Aguirre, L.A. e Billings, S.A. Improved structure selection for nonlinear
models based on term clustering. International Journal of Control, 62(3):
569587, 1995.
Aguirre, L.A., Rodrigues, D.D., Lima, S.T., e Martinez, C.B. Dynamical
prediction and pattern mapping in short-term load forecasting. Int. J.
Electrical Power and Energy Systems, 30:7378, 2008.
Aguirre, Luis Antonio. Introduo identicao de sistemas: tcnicas lineares
e no-lineares aplicadas a sistemas reias. UFMG, 2007. ISBN 85-7041-220-7.
3
a
Edio Revista e Ampliada.
Al-Saba, T. e El-Amin, I. Articial neural networks as applied to long-term
forecasting. Articial Intelligence in Engineering, 13:189197, 1999.
Ang, X.Q. Liuand B.W. e Goh, T.N. Forecasting of electricity consumption:
a comparison between an econometric model and a neural network. In
Proceeding of the IEEE International Joint Conference on Neural Networks,
pages 12541259, 1991.
Aslanargun, A., Mammadov, M., Yazici, B., e Yolacan, S. Comparison
of ARIMA, neural networks and hybrid models in time series: tourist
arrival forecasting. Journal of Statistical Computation and Simulation, 77
(1):2953, Janeiro 2007.
80 REFERNCIAS BIBLIOGRFICAS
Bakirtzis, A.G., Petridis, V., Kiartzis, S.J., Alexiadis, M.C., e Maissis, A.H. A
neural network short-term load forecasting model for the greek power
system. IEEE Transactions on Power Systems, 11:858863, 1996.
Billings, S.A., Chen, S., e Korenberg, M.J. Identication of mimo nonli-
near systems using a forward-regression estimator. International Journal
Control, 49(6):21572189, 1989.
Box, G.E.P. e Jenkins, G.M. Time Series Analysis: Forecasting and Control. San
Francisco: Holden Day, 1970.
Box, G.E.P., Jenkins, G.M., e Reinsel, G. Time Series Analysis: Forecasting and
Control. Englewood Clis: Prentice Hall, third edition, 1994.
Braga, A.P., Carvalho, A.C., e Ludemir, T.B. Redes Neurais Articiais: teoria
e aplicaes. Livraria Tcnica Cientca, 2000.
Campos, R.J., Jesus, T.A., e Mendes, E.M.A.M. Uma abordagem fuzzy
para a previso de curto-prazo do consumo de energia eltrica. In XXX
Congresso Nacional de Matemtica Aplicada - CNMAC, Brasil, Florianpolis,
Setembro 2007.
Charytoniuk, W., Chen, M.S., e Olinda, P. Van. Nonparametric regression
based short-term load forecasting. IEEE Transactions on Power Systems,
13:725730, 1998.
Chen, B.J., Chang, M.W., e Lin, C.J. Load forecasting using support vector
machines: A study on eunite competition 2001. Technical report, De-
partment of Computer Science and Information Engineering, National
Taiwan University, 2002.
Chen, H., Canizares, C.A., e Singh, A. Ann-based short-term load fore-
casting in electricity markets. Proceedings of the IEEE Power Engineering
Society Transmission and Distribution Conference, 2:411415, 2001.
Cho, M.Y., Hwang, J.C., e Chen, C.S. Customer short-termload forecasting
by using ARIMA transfer function model. In 1 editor, Proceedings of the
International Conference on Energy Management and Power Delivery, pages
317322, 1995.
REFERNCIAS BIBLIOGRFICAS 81
Chow, T.W.S. e Leung, C.-T. Nonlinear autoregressive integrated neural
network model for short-term load forecasting. In 143, Vol., editor, IEE
Proceedings Gener. Trasm. Distrib. No 5, 1996.
Coelho, M.C.S. Modelos de Hammerstein e de Wiener: conexes com
modelos narx e sua aplicao em identicao de sistemas no-lineares.
Masters thesis, Universidade Federal de Minas Gerais, Brasil, Belo Ho-
rizonte, 2002.
Coelho, M.C.S. Anlise de Determinismo emSries Temporais Quase-Peridicas.
PhD thesis, Universidade Federal de Minas Gerais, Brasil, Belo Hori-
zonte, Dezembro 2006.
Corra, Marcelo Vieira. Identicao caixa-cinza de sistemas no-lineares uti-
lizando representaes NARMAX racionais e polinomiais. PhD thesis, Uni-
versidade Federal de Minas Gerais, Brasil, Belo Horizonte, 2001.
Cox, E. The Fuzzy Systems Handbook. Academy Press Inc., Estados Unidos,
1994.
Da, X., Jiangyan, Y., e Jilai, Y. The physical series algorithm of mid-long
term load forecasting of power systems. Electric Power Systems Research,
53:3137, 2000.
De Gooijer, Jan G. e Hyndman, Rob J. 25 years of time series forecas-
ting. International Journal of Forecasting, 22(3):443473, 2006. available at
http://ideas.repec.org/a/eee/intfor/v22y2006i3p443-473.html.
Engle, R.F., Mustafa, C., e Rice, J. Modelingpeakelectricitydemand. Journal
of Forecasting, 11:241251, 1992.
Fair, R.C. Evaluating the predictive accuracy of models. In Griliches, Z. and Intr-
riligator, volume III, chapter 33. Elsevier Science Publishers, Amsterdam,
1986.
Fan, J.Y. e McDonald, J.D. A real-time implementation of short-term load
forecasting for distribution power systems. IEEE Transactions on Power
Systems, 9:988994, 1994.
Feinberg, E.A., Hajagos, J.T., e Genethliou, D. Load pocket modeling. In
Proceedings of the 2nd IASTED International Conference:Power and Energy
Systems, pages 5054, Crete, 2002. Palm Springs.
82 REFERNCIAS BIBLIOGRFICAS
Feinberg, E.A., Hajagos, J.T., e Genethliou, D. Statistical load modeling.
In Proceedings of the 7th IASTED International Multi-Conference: Power and
Energy Systems, pages 8891, CA, 2003. Palm Springs.
Fogel, D.B. An introduction to simulated evolutionary optimization. IEEE
Transactions on Neural Networks, 5:314, 1994.
Fung, Y.H. e Tummala, V.M.R. Forecasting of electricity consumption: a
comparative analysis of regression and articial neural networks mo-
dels. In IEE 2nd International Conferenc on Advances in Power SystemsCon-
trtol, Operation and Management, pages 782787, 1993.
Ghiassi, M., Saidane, H., e Zimbra, D.K. A dynamic articial neural
network model for forecasting time series events. International Journal of
Forecasting, 21:341362, 2005a.
Ghiassi, M., Zimbra, D.K., e Saidane, H. Medium term system load fore-
casting with a dynamic articial neural network model. Electric Power
Systems Rechearch, 76:302316, October 2005b.
Grubbs, Frank. Procedures for detecting outlying observations in samples.
Technometrics, 11(1):121, 1969.
Haida, T. e Muto, S. Regression based peak load forecasting using a trans-
formation technique. IEEE Transactions on Power Systems, 9:17881794,
1994.
Haydari, Z., Kavehnia, F., Askari, M., e Ganbariyan, M. Time series load
modelling and load forecasting using neuro-fuzzy techniques. In 9th
International Conference - Electrical Power Quality and Utilization, Espanha,
Barcelona, Outubro 2007.
Haykin, Simon. Redes Neurais: princpios e prtica. Bookman, Porto Alegre,
segunda edition, 2001.
Hippert, H.S., Pedreira, C.E., e Souza, R.C. Neural networks for short-term
load forecasting: A review and evaluation. IEEE Transactions on Power
Systems, 16:4455, 2001.
Ho, K.L., Hsu, Y.Y., Chen, F.F., Lee, T.E., Liang, C.C., Lai, T.S., e Chen, K.K.
Short-term load forecasting of taiwan power system using a knowledge
REFERNCIAS BIBLIOGRFICAS 83
based expert system. IEEE Transactions on Power Systems, 5:12141221,
1990.
Hodrick, Robert e Prescott, Edward C. Postwar u.s. business cycles: An
empirical investigation. Journal of Money, Credit, and Banking, 1997.
Hyde, O. e Hodnett, P.F. An adaptable automatedprocedure for short-term
electricity load forecasting. IEEE Transactions on Power Systems, 12:8493,
1997.
Jang, J.S.Roger, Sun, C.T., e Mizutani, E. Neuro-Fuzzy and Soft Computing:
a computacional approach to learning and machine intelligence. NJ: Prentice
Hall, 1997.
Jang, Jyh-Shing Roger. ANFIS: Adaptive-network-based fuzzy inference
system. IEEETransactions onSystems, Man, and Cybernetics, 23(3):665685,
1993.
Kandil, M.S., El-Debeiky, S.M., e Hasanien, N.E. The implementation of
long-termforecastingstrategies usinga knowledge-basedexpert system:
part ii. Electric Power Systems Research, 58:1925, 2001.
Kiartzis, S.J. e Bakirtzis, A.G. A fuzzy expert system for peak load forecas-
ting: Application to the greek power system. In 3 editor, Proceedings of
the 10th Mediterranean Electrotechnical Conference, pages 10971100, 2000.
Li, Y. e Fang, T. Wavelet and support vector machines for short-term
electrical load forecasting. In Proceedings of International Conference on
Wavelet Analysis and its Applications, pages 399404, 2003.
Ljung, L. System Identication: Theory for the user. Prentice Hall, 1987.
Makridakis, S., Wheelwright, S.C., e Myndman, R.J. Forecasting: Methods
and Applications. John Wiley and Sons, Hoboken, NJ, 3rd edition, 1998.
Mathworks, The. Fuzzy logic toolbox. www.mathworks.com, 2001.
Mauro, Daniel Fonseca. Desenvolvimento de um mdulo baseado em
redes MLP de umsistema de previso de consumo de energia. Technical
report, Universidade Federal de Minas Gerais, Junho 2007. Monograa.
84 REFERNCIAS BIBLIOGRFICAS
Miranda, V. e Monteiro, C. Fuzzy inference in spatial load forecasting. In
Proceedings of IEEE Power Engineering Winter Meeting, pages 10631068,
2000.
Mizutani, E. e Jang, J.S.R. Coative neural fuzzy modeling. IEEE Procedings
of the International Conference on Neural Networks, pages 760765, 1995.
Mohandes, M. Support vector machines for short-term electrical load
forecasting. International Journal of Energy Research, 26:335345, 2002.
Mohr, M. Atrend-cycle-season lter. ECB Working Paper Series, (499), Julho
2005.
Morettin, Pedro A. e Toloi, Cllia M.C. Anlise de Sries Temporais. Edgard
Blcher, So Paulo, segunda edio revista e ampliada edition, 2006.
Mori, H. e Kosemura, N. Optimal regression tree based rule discovery
for short-term load forecasting. In Proceedings of IEEE Power Engineering
Society Transmission and Distribution Conference, pages 421426, 2001.
Oliveira, A. Novo modelo eltrico - papel ampliado para gerao dis-
tribuda. In Seminrio INEE - Instituto Nacional de Ecincia Energtica,
Setembro 2004.
Oppenheim, A.V. e Schafer, R.W. Discrete-Time Signal Processing. Prentice-
Hall, 1989.
Pandian, S.C., Duraiswamy, K., Rajan, C.C.A., e Kanagaraj, N. Fuzzy
approach for short termload forecasting. Electric Power Systems Research,
76:541548, 2006.
Papalexopoulos, A.D., Hao, S., e Peng, T.M. An implementation of a neural
network based load forecasting model for the ems. IEEE Transactions on
Power Systems, 9:19561962, 1994.
Peng, M., Hubele, N.F., e Karady, G.G. Advancement in the application
of neural networks for short-term load forecasting. IEEE Transactions on
Power Systems, 7:250257, 1992.
Reis, A.J.R. Pr-processamento de sries temporais para um previsor de
carga eltrica a curto prazo via redes neurais articiais. In XIII Congresso
Brasileiro de Automtica, pages 20362041, 1999.
REFERNCIAS BIBLIOGRFICAS 85
Rodrigues, D.D. Previso de fornecimento de energia eltrica: Um estudo
de caso do ponto de vista do barramento. Masters thesis, Universidade
Federal de Minas Gerais, Brasil, Belo Horizonte, Julho 2002.
Rumelhart, D. e McClelland, J. Parallel Distributed Processing, volume 1.
MIT Press, Cambridge, MA, EUA, 1986.
Ruzic, S., Vuckovic, A., e Nikolic, N. Weather sensitive method for short-
termload forecasting in electric power utility of serbia. IEEE Transactions
on Power Systems, 18:15811586, 1998.
Sderstrm, T. e Stoica, P. System Identication. Prentice-Hall, 1989.
Serro, F.C.C. Modelo de previso de carga de curto prazo utilizando redes
neurais e lgica fuzzy. Masters thesis, Pontca Universidade Catlica,
Brasil, Rio de Janeiro, 2003.
Skarman, S.E. e Georgiopoulous, M. Short-term electrical load forecasting
using a fuzzy artmap neural network. In Proceedings of SPIE, pages
181191, 1998.
Theil, H. Economic forecasts and policy. North-Holland Publishing Co., 1958.
Yang, H.T. e Huang, C.M. A new short-term load forecasting approach
using self-organizing fuzzy armax models. IEEE Transactions on Power
Systems, 13:217225, 1998.
Yang, H.T., Huang, C.M., e Huang, C.L. Identicationof ARMAXmodel for
short-term load forecasting: An evolutionary programming approach.
IEEE Transactions on Power Systems, 11:403408, 1996.
Zadeh, L.A. Fuzzy sets. Fuzzy Sets, Information and Control, 8:338353, 1965.
Zhang, G., Patuwo, E., e Hu, M. Forecasting witharticial neural networks:
the state of the art. International Journal of Forecasting, (14):3562, 1998.