1

Identificao de curvas de carga diria tpicas com

uso de Mapa de Kohonen e Fuzzy C-Means

Nelson R. de Albuquerque, Douglas A. A. de Farias

Pontifcia Universidade Catlica do Rio de Janeiro
Departamento de Engenharia Eltrica - DEE / PUC
Laboratrio de Inteligncia Computacional Aplicada ICA
Rio de Janeiro. Julho-2006.
E-mail: nelson.albuquerque@redewb.net,

Resumo

Este artigo apresenta uma metodologia desenvolvida para se
projetar uma curva de carga de energia eltrica diria, tendo
por referncia o valor mximo projetado para o dia.
A partir da identificao do valor de carga de um determinado
dia e com as informaes do dia como: temperatura mxima e
se o dia projetado est em horrio de vero ou no possvel
fazer a projeo horria da carga com a utilizao de uma
curva de carga tpica. Essas curvas tpicas foram obtidas a
partir da identificao de grupos (clusters) com uso de
inteligncia computacional (mapas de Kohonen e o algoritmo
fuzzy c-means).
O mtodo explicado em detalhes para os domingos e as
demais curvas de dias tpicos (segundas, dias teis, sbados e
feriados) so apresentadas graficamente. Utilizamos a srie
diria de carga da regio sudeste de janeiro/1999 at
dezembro/2005; a srie de feriados; dias em horrio de vero e
srie de temperaturas mdia, mxima e mnima da regio de
junho/2001 at junho/2005).
Index Terms curva de carga tpica, mapa de Kohonen, FCM,
lgica Fuzzy, Redes Neurais Artificiais.
I - INTRODUO
Diariamente o Operador Nacional do Sistema Eltrico
NOS, empresa responsvel pela sincronizao de todas as
unidades geradoras de energia eltrica do Brasil, elabora
um plano da operao, que utilizado pela sala de controle
para realizar operar o SIN - Sistema Interligado Nacional.
Um dos principais insumos para elaborao desse plano de
operao a previso do consumo de carga de demanda no
intervalo de meia hora.
muito importante o uso de uma srie intervalar de
qualidade para o sucesso da operao do SIN. Essa previso
representa o comportamento dos diversos setores
econmicos durante um dia, ou seja, industrial, comercial,
residencial, agrcola, servios pblicos, etc.
Alm do comportamento nesses setores, podemos destacar
outras questes que influenciam o comportamento da curva
de carga, quais sejam: a entrada e a sada da iluminao
pblica, que se diferenciam nos perodos vero e inverno em
funo do horrio de vero; a influncia da temperatura que
modifica os hbitos das pessoas; o final de novelas de
grande audincia, dias de jogos de futebol da seleo
brasileira, etc.
Dessa forma, a previso da curva de carga por modelagem
matemtica se torna um processo complexo, que precisa em
muitos casos levar em considerao vrios fatores no
lineares e assim obter uma informao de qualidade.
Por tudo isso fica evidente a necessidade de se investir na
pesquisa e desenvolvimento de ferramenta e mtodos
estatsticos, computacionais e de inteligncia artificial no
estudo desses problemas, para que seja possvel estabelecer
rotinas, o mais automticas possvel, para realizar a tarefa da
previso da curva de carga.
II MTODOS DE AGRUPAMENTO
O mtodo de agrupamento consiste na identificao de
caractersticas semelhantes em determinados conjuntos de
dados, que levaram aqueles grupos a terem determinado tipo
de comportamento. A diferena entre agrupamento e
classificao que no primeiro caso no se conhece,
previamente, a caracterstica intrnseca do grupo.
Existem alguns mtodos j consagrados para identificao
esses grupos [3],[8],[9].
- Mtodos baseados em distncia:
Mtodos de partio (Crisp ou Fuzzy);
Mtodos hierrquicos

Outros Mtodos
CobWeb
Self Organizing Maps

O mtodo baseado na distncia consiste em encontrar um
centro de gravidade de um grupo de dados tal que a
distncia entre esse centro e os demais membros do grupo
seja a menor possvel. O nmero de centros procurado de
forma a se identificar um nmero razovel de elementos
pertencentes ao mesmo grupo que tenham caractersticas
semelhantes e que tenham divergncias relevantes com os
demais grupos. A definio se um elemento pertence a um
determinado grupo ou no; pode ser feito pelo conceito
tradicional de conjunto, onde cada elemento pertence a
apenas um agrupamento (crisp) ou utilizando-se uma
viso ambgua, apresentada na dcada de 80 por Zadeh [10],
onde um elemento pode pertencer a mais de um grupo, com
graus de pertinncias diferentes, numa escala que vai de 0 a
1 (lgica fuzzy ou lgica nebulosa).
Os mtodos crisp mais conhecidos so [4], [8]; mtodo da
mxima-verossimilhana e k-means onde se usa mtricas
relacionadas medio da distncia de k (centride do
agrupamento estudado) e os diversos elementos desse grupo.
J o mtodo desenvolvido dentro do conceito de nmero
fuzzy a fronteira entre os grupos no precisa e todos os

2
membros de cada agrupamento podem ter graus de
pertinncia a todos os grupos. Nesse caso, a escolha do
nmero de grupos tambm um processo de tentativa de tal
forma que se encontre o menor nmero de grupos
significativos onde se identifiquem as caractersticas
relevantes dos mesmos.
O mtodo hierrquico pode ter duas abordagens; bottom-
up onde parte-se dos elementos do conjunto de dados e
agrupa-se de dois em dois para encontrar os pares com
menor distncia entre eles, ou seja, que tenham
caractersticas semelhantes. Depois agrupa os pares com o
mesmo objetivo de se obter dupla de pares cuja distncia
seja mnima e assim sucessivamente at existir apenas um
nico grupo. J na abordagem top-down onde o processo
inverso, partido do geral para identificar pares de dados
com a menor distncia entre os mesmos. Ao final obtida
uma rvore invertida. O corte horizontal determina, ento, a
quantidade os clusters.
Em outro processo utiliza o agrupamento a partir do
conceito de probabilidade condicional (COBWEB
conhecido como Incremental Conceptual Clustering).
possvel a caracterizao de clusters a partir do uso de
Redes Neurais Artificiais num processo de aprendizagem
no supervisionado denominado Mapas Auto-organizveis
ou SOM (Self-Organizing Maps) desenvolvidos por Teuvo
Kohonen (1982). Nesse processo o neurnio com maior grau
de ativao, aps a apresentao rede de um determinado
dado, obtm o direito de ajustar os pesos a ele ligados. Ao
final do processo de aprendizagem, aps vrios ciclos de
ajuste de pesos, onde todos os dados so apresentados a rede
possvel identificar grupos de dados associados a um
determinado neurnio.
III - PROBLEMA
O objetivo desse trabalho encontrar grupos, os mais
homogneos possveis, que possam indicar um perfil tpico
de consumo de energia eltrica durante o dia, utilizando o
mtodo de agrupamento atravs de redes neurais artificiais,
conhecido como mapas de Kohonen [6] e pelo uso do
algoritmo FCM - fuzzy c-means [1], [2],. Posteriormente
feito a comparao dos valores encontrados atravs de cada
mtodo e compara-se o ajuste dos valores obtidos com os
padres utilizados para o treinamento dessas redes.

Caracterizao de uma curva de carga diria

O consumo de energia normalmente apresenta uma curva
que pode ser segmentada em trs momentos distintos. Uma
faixa que representa o consumo do incio do dia (Baixa);
outra onde pode ser interpretado com um consumo mdio
(Mdia); um terceiro momento que abrange o perodo onde
h uma justaposio do consumo residencial mais intenso
com o consumo industrial, comercial e de servio,
classificado como horrio de pico ou ponta (Alta).
Curva de Carga Diria - mdia da regio sudeste
0
5000
10000
15000
20000
25000
30000
35000
40000
45000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Horas
MW
B M A M

Ilustrao 1 - Curva de carga
Verifica-se, contudo, que disperso muito grande e no se
pode adotar uma curva tpica que represente o
comportamento durante o dia a partir desses dados.

Primeira segmentao
Identifica-se que determinados dias tm um comportamento
semelhante nas faixas apresentadas. Essa primeira
classificao d-se da seguinte forma [8], [10]:
Domingos;
Segundas-feiras;
Dias teis (tera-feira, quarta-feira, quinta-feira e
sexta-feira);
Sbados; e Domingos.

Ilustrao 2 - Caracterizao por dia da semana (PUC RJ - ICA)

Onde a linha contnua representa um dia til, a linha com (*)
os sbados, a linha com (+) as segundas-feiras e com (--) os
domingos.

Mesmo com essa segmentao, ainda se identifica uma
grande disperso nos valores e nos horrios de mnimo e
mximo consumo. Por exemplo, observa-se claramente essa
disperso na curva que caracteriza todos os domingos, na
srie analisada.
Consumo dirio - Domingos
0
5,000
10,000
15,000
20,000
25,000
30,000
35,000
1 3 5 7 9 11 13 15 17 19 21 23 horas
Mw
mximo
mdia
mnimo

Ilustrao 3 - Curva de carga de domingos

3
O escopo desse estudo foi, ento, identificar padres de
comportamento, em cada dia de semana, que relacione o
perfil tpico de consumo a temperatura mxima e se o dia
ou no enquadrado no horrio oficial de vero utilizando as
duas tcnicas j mencionadas.
IV - AGRUPAMENTO POR MAPAS DE KOHONEN
A srie obtida pela seleo dos domingos foi normalizada,
tendo os valores mximo e mnimo usados como limites:
( )
( ) ( )
( )
CC MIN
NORM
MAX MIN
V t V
V t
V V

(1)
Vnorm(t): Valor Normalizado; Vcc(t): Valor original; Vmax
e Vmin: valores mximo e mnimo da srie a ser
normalizada.
Foram testadas vrias configuraes de Mapas sendo que a
configurao com a melhor distribuio dos agrupamentos e
melhor definio das caractersticas foi obtida com 4
clusters ou um mapa com 4 neurnios (2 x 2). Utilizou-se o
programa MatLab (newsom) com uma topologia grid,
mtodo de clculo da distncia pela norma do vetor
(distncia Euclidiana), taxa de aprendizagem decrescente
durante o processo de agrupamento (de 0,9 a 0,01) e
vizinhana igual a zero ao final do processo (apenas um
neurnio para cada agrupamento). A fase de sintonia teve
uma varredura com 10.000 ciclos.
Ao final do processo obteve-se ativao de 03 (trs)
neurnios, sendo um deles ativado exclusivamente com
elementos oriundos de dias com Horrio de Vero - HV e os
outros dois com dias Fora do Horrio de Vero - FHV. Um
com mdia de temperatura mxima de 25C outro grupo de
dias mais quente com mdia de 30C. Foram, dessa forma,
identificadas 03 curvas tpicas:

Domingos (curvas tpicas)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HV
FHV-25C
FHV-30C

Ilustrao 4 - Curvas tpicas de Domingos / Kohonen

Tabela 1
Curvas tpicas - Domingos
hora 1 2 3 4 5 6 7 8 9 10 11 12
HV 0.474 0.324 0.218 0.148 0.119 0.111 0.044 0.000 0.092 0.176 0.237 0.269
FHV - 25C 0.311 0.198 0.126 0.084 0.065 0.068 0.018 0.000 0.103 0.181 0.221 0.246
FHV - 30C 0.431 0.292 0.209 0.155 0.126 0.103 0.000 0.037 0.132 0.197 0.232 0.252
hora 13 14 15 16 17 18 19 20 21 22 23 24
HV 0.275 0.264 0.255 0.268 0.302 0.368 0.465 0.624 1.000 0.970 0.860 0.638
FHV - 25C 0.247 0.222 0.209 0.225 0.297 0.529 1.000 0.920 0.802 0.707 0.559 0.374
FHV - 30C 0.272 0.258 0.256 0.275 0.317 0.418 0.843 1.000 0.922 0.844 0.717 0.524
(FC) - HV 1.446
(FC) - FHV 25C 1.558 Valor carga(i)= Valor Tipico(i)*Valor Mximo*(1-1/FC)+Vmximo/FC
(FC) - FHV 30C 1.492



Avaliao da recuperao do valor em MW
(desnormalizao)

Uma vez que se obtm a projeo de um valor de consumo
mximo para um determinado dia, utiliza-se uma dessas
curvas tpicas para compor a srie horria. Existem duas
maneiras de fazer essa composio:
A primeira utilizando-se os valores mximo e mnimo
projetado para aquele dia. Outro mtodo utilizar apenas o
Mximo e um Fator de Converso FC obtido pela razo
Valor Mximo / Valor Mnimo da srie.

No nosso exerccio, utilizamos essa segunda opo dado que
a projeo utilizada fornecia apenas a previso do Mximo.

Avaliao do erro
O erro mdio medido, tendo por base a srie de domingos
utilizada variou de 1% para srie recompostas com Mx-
Min e de 2% para sries recompostas com FC. O grfico a
seguir mostra a recuperao de uma determinada srie de
domingo e a tabela anexa mostra o erro hora a hora.
Comparao entre a srie original e as duas sries recuperadas
0
5000
10000
15000
20000
25000
30000
35000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Exemplo Valor Original
Curva recomposta com FC
Curva recomposta c/ Max-Min

Ilustrao 5 - Comparao entre real e recomposio por FC.
V - AGRUPAMENTO POR FUZZY C-MEANS
Partindo da mesma base de dados normalizada dos
domingos e da mesma quantidade de Clusters (quatro),
obtiveram-se as seguintes curvas tpicas para os domingos:
Curvas tpicas Domingos - (FCM)
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
hora
HV-01(30C)
HV-02 (28C)
FHV-01(28C)
FHV-02 (25C)
HV

Ilustrao 6 - Curvas tpica de domingos por FCM

Tabela 2 - Valores tpicos para os domingos (FCM)
Curvas tpicas - Domingos (FCM)
ms 1 2 3 4 5 6 7 8 9 10 11 12
HV-01(30C) 0.508 0.342 0.234 0.162 0.132 0.122 0.062 0.000 0.084 0.171 0.223 0.247
HV-02 (28C) 0.429 0.287 0.184 0.141 0.113 0.105 0.006 0.000 0.107 0.190 0.253 0.271
FHV-01(28C) 0.383 0.265 0.184 0.134 0.111 0.093 0.000 0.036 0.139 0.204 0.245 0.263
FHV-02 (25C) 0.294 0.191 0.119 0.077 0.060 0.062 0.029 0.000 0.097 0.171 0.215 0.235
ms 13 14 15 16 17 18 19 20 21 22 23 24
HV-01(30C) 0.250 0.249 0.248 0.260 0.286 0.353 0.428 0.561 0.985 1.000 0.889 0.670
HV-02 (28C) 0.281 0.271 0.255 0.272 0.312 0.386 0.527 0.796 1.000 0.923 0.796 0.573
FHV-01(28C) 0.272 0.261 0.256 0.274 0.319 0.448 0.954 1.000 0.898 0.810 0.670 0.461
FHV-02 (25C) 0.238 0.217 0.205 0.219 0.291 0.550 1.000 0.881 0.782 0.684 0.543 0.347
(FC) HV-01 = 1.422780206 (FC) FHV-01 = 1.507793936
(FC) HV-02 = 1.465389733 (FC) FHV-02 = 1.568531645


VI COMPARAO ENTRE OS AGRUPAMENTOS
Diferente do mapa de Kohonen, onde 94% das ativaes de
sries HV deram-se no mesmo neurnio, com FCM houve
uma separao em dois grupos com a caracterstica de
pertencerem a HV e com temperaturas mdias das mximas
de 28C e um maior achatamento do perodo de ponta em
um grupo com mdia mais quente durante o dia e um
achatamento no mnimo. O agrupamento Kohonen se
aproximou mais do cluster fuzzy (VH-FCM02) com mdia
de 28C. Analisando o parmetro temperatura no se pode

4
concluir a causa dessa diferena, nem to pouco se tentar
explicar levando em conta os dias dentro do perodo de
horrio de vero, pois ambos os grupos tem dias em todos os
meses do Horrio de Vero. Contudo, mesmo assim o erro
ao adotar-se um nico padro muito baixo, como j foi
visto anteriormente.
Comparao das C. Tpicas obtidas - Horrio de Vero
por M. Kohonen e por FCM
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Kohon-HV
HV-FCM02
HV-FCM04

Ilustrao 7 - Curvas tpicas de HV por Kohonen e FCM
J as curvas fora do horrio de vero tiveram uma
sobreposio grande, tanto por Kohonen quanto por FCM.
Comparao das C. Tpicas obtidas - Fora do H. de Vero
por M. Kohonen e por FCM
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
FHV-Kohon-I
FHV-Kohon-II
FHV-FCM01
FHV-FCM03


VII CURVAS TPICAS DOS DEMAIS DIAS
Segundas-feiras
Curvas Tpicas (segunda-feira)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HV
FHV (ameno)
FHV (mdio)
FHV (quente)

Ilustrao 8 - Curvas tpicas das segundas obtidas com FCM

Tabela 3 - Valores tpicos de segundas (FCM)
segundas 1 2 3 4 5 6 7 8 9 10 11 12
HV 0.214 0.095 0.024 0.000 0.014 0.100 0.258 0.400 0.616 0.760 0.834 0.826
FHV (ameno) 0.110 0.043 0.009 0.000 0.022 0.109 0.274 0.375 0.522 0.608 0.668 0.668
FHV (mdio) 0.143 0.054 0.014 0.000 0.023 0.119 0.281 0.407 0.597 0.711 0.779 0.770
FHV (quente) 0.167 0.066 0.020 0.000 0.018 0.105 0.222 0.407 0.667 0.799 0.884 0.867
13 14 15 16 17 18 19 20 21 22 23 24
HV 0.787 0.845 0.885 0.890 0.874 0.775 0.658 0.715 1.000 0.944 0.853 0.617
FHV (ameno) 0.631 0.658 0.682 0.690 0.720 0.769 1.000 0.910 0.821 0.750 0.622 0.438
FHV (mdio) 0.733 0.771 0.809 0.812 0.820 0.767 1.000 0.981 0.881 0.830 0.718 0.503
FHV (quente) 0.828 0.890 0.936 0.940 0.911 0.762 0.925 1.000 0.914 0.902 0.806 0.591


Dias teis
H.Vero (quentes x amenos)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
amenos
quentes

Ilustrao 9 - Dias teis - Horrio de vero

Tabela 4 - Valores tpicos, desvio padro e varincia.
Dias teis - Horrio de Vero
Dias amenos 1 2 3 4 5 6 7 8 9 10 11 12
Mediana 0.243 0.103 0.026 0.000 0.007 0.079 0.211 0.347 0.547 0.658 0.729 0.688
Desv.Padro 0.048 0.024 0.013 0.008 0.007 0.024 0.068 0.091 0.085 0.074 0.061 0.055
Variancia 0.002 0.001 0.000 0.000 0.000 0.001 0.005 0.008 0.007 0.005 0.004 0.003
mx 0.385 0.175 0.066 0.025 0.027 0.150 0.414 0.620 0.803 0.879 0.913 0.852
min 0.100 0.030 -0.013 -0.025 -0.014 0.008 0.007 0.074 0.291 0.437 0.544 0.524
Dias amenos 13 14 15 16 17 18 19 20 21 22 23 24
Mediana 0.652 0.711 0.749 0.753 0.754 0.686 0.652 0.730 1.000 0.881 0.787 0.531
Desv.Padro 0.036 0.039 0.049 0.051 0.054 0.051 0.069 0.090 0.000 0.037 0.048 0.061
Variancia 0.001 0.002 0.002 0.003 0.003 0.003 0.005 0.008 0.000 0.001 0.002 0.004
mx 0.760 0.829 0.895 0.907 0.915 0.839 0.860 1.000 1.000 0.992 0.931 0.714
min 0.544 0.593 0.603 0.600 0.594 0.534 0.444 0.459 1.000 0.771 0.643 0.347

Fora H. Vero (comparao de curvas tipicas)
0.00
0.20
0.40
0.60
0.80
1.00
1.20
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
+ quentes
quentes - 31%
amenos - 59%

Ilustrao 10 - Dias teis - FHV

Tabela 5 - Valores tpicos - dias teis
Srie tpica de dias teis - Fora do Horrio de Vero - FHV
FHV 1 2 3 4 5 6 7 8 9 10 11 12
Dias amenos 0.166 0.062 0.014 0.000 0.016 0.101 0.268 0.366 0.516 0.600 0.652 0.638
quentes 0.211 0.083 0.021 0.000 0.016 0.107 0.250 0.390 0.592 0.695 0.761 0.746
Dias + quentes 0.251 0.106 0.031 0.000 0.008 0.092 0.207 0.389 0.649 0.783 0.865 0.835
FHV 13 14 15 16 17 18 19 20 21 22 23 24
Dias amenos 0.593 0.627 0.659 0.662 0.683 0.741 1.000 0.891 0.774 0.717 0.589 0.377
Dias quentes 0.700 0.741 0.784 0.785 0.792 0.725 1.000 0.993 0.861 0.808 0.672 0.452
Dias + quentes 0.780 0.854 0.917 0.911 0.886 0.712 0.825 1.000 0.891 0.875 0.752 0.530


Sbados
Comparao entre as curvas de sbado
0.00
0.10
0.20
0.30
0.40
0.50
0.60
0.70
0.80
0.90
1.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
HV
FHV - ameno
FHV - quente

Ilustrao 11 Curvas tpicas de sbados

Tabela 6 - Valores tpicos de sbados
Curva tpica de um sbado
1 2 3 4 5 6 7 8 9 10 11 12
HV 0.3713 0.1845 0.0745 0.0189 0.0000 0.0228 0.0249 0.0879 0.2643 0.3873 0.4456 0.4245
FHV-ameno 0.246 0.117 0.036 0.003 0.000 0.028 0.045 0.118 0.269 0.357 0.390 0.365
FHV-quente 0.299 0.157 0.087 0.043 0.027 0.032 0.000 0.127 0.290 0.390 0.426 0.402
13 14 15 16 17 18 19 20 21 22 23 24
HV 0.3963 0.3830 0.3631 0.3553 0.3505 0.3639 0.4265 0.6302 1.0000 0.8620 0.6949 0.4666
FHV-ameno 0.342 0.335 0.324 0.322 0.338 0.524 1.000 0.934 0.779 0.628 0.484 0.286
FHV-quente 0.381 0.382 0.365 0.357 0.358 0.401 0.823 1.000 0.855 0.709 0.558 0.355

CONSIDERAES FINAIS:
O planejamento dirio do despacho das usinas hidreltricas
e unidades termeltricas da rede bsica, administrada pelo
ONS, requer uma previso do movimento de consumo ao
longo do dia e esse estudo torna-se altamente complexo
devido a multiplicidade de consumidores com os mais
diversos perfis. A modelagem matemtica, por esse motivo
torna-se extremamente complexa. O uso de tcnicas de
identificao de agrupamentos tendo como fonte de
informao as sries histricas um importante recurso para
esse trabalho.
Neste artigo mostramos o uso de duas tcnicas
desenvolvidas com aplicao de inteligncia computacional
(redes neurais e nmeros fuzzy) e que se mostraram eficazes
na identificao dos diversos perfis de consumo.
O mtodo aplicado neste estudo ser avaliado por
especialistas do ONS com objetivo de aferir sua validade,
uma vez que ainda no h modelos definitivos que
pudessem servir de paradigma para este estudo.

5
No entanto, comparando-se os dados reais do passado com
os valores obtidos pelas curvas tpicas, pudemos verificar
um o erro muito pequeno e aceitvel, uma vez que o plano
de despacho continuamente ajustado durante o dia e que
qualquer discrepncia poderia ser ajustada.
Pelo fato de ter-se utilizado apenas a temperatura mxima
do dia e no outros fatores climticos, como chuva/umidade
e luminosidade (hora do nascente e do poente) muitas
explicaes sobre os clusters no foram totalmente
consistentes.

Como desdobramento futuro desse projeto, imagina-se obter
associar essas informaes e avaliar se os agrupamentos
ficariam mais bem caracterizados.
Uma vez obtido um padro que pudesse ser atualizado
continuamente possvel simular vrias curvas de carga
baseadas nos principais parmetros que influenciam essas
curvas tpicas.


REFERNCIAS BIBLIOGRFICAS:

[1] Bezdek, C. J. and Pal, S. K. (1992). Fuzzy Models for
Pattern Recognition, IEEE Press, New York.
[2] Bezdek, J. (1981). Pattern Recognition with Fuzzy
Objective Function Algorithms, Plenum Press, New
York
[3] Cardoso, G. C. (2003). Modelo de previso baseado em
agrupamento e base de regras nebulosas, Dissertao de
Mestrado, Unicamp.
[4] Cardoso, Giselle Cristina. Modelo de previso baseado
em agrupamento e base de regras nebulosas / Giselle
Cristina Cardoso.--Campinas, SP: [s.n.], 2003.
[5] Klir, G. J. and Yuan, B. (1995). Fuzzy Sets and Fuzzy
Logic Theory and Applications, Prentice Hall.
[6] Kohonen, T. (1982). Self-organized formation of
topologically correct feature maps, Biological
Cyberneticys 43: 5969.
[7] Last, M., Klein, Y. and Kandel, A. (2001). Knowlegde
discovery in time series databases, IEEE Transactions
on Systems, Man and Cybernetics - Part B: Cybernetics
31(1): 160169.
[8] Lima, W. S. and Ohishi, T. (1999). Mapas auto-
organizveis no-paramtricos para analise da
influencia climtica em curvas de carga, Seminrio
Nacional de Produo e Transmisso de Energia
Eltrica 14: 3562.
[9] Magalhes, Marina Horota. Redes Neurais, metodologias
de agrupamento e combinao de previsores aplicados
previso de vazes naturais. Dissertao de Mestrado
Unicampi Campinas, SP 2004
[10] Salgado, Ricardo Menezes Clustering Bus Load
Curves,
http://ieeexplore.ieee.org/iel5/9620/30397/01397652.pd
f?isnumber=&arnumber=1397652
[10] Zadeh,L. A., 1965, Fuzzy sets, Information and
Control., vol. 8, pp.338-353.



6

ANEXO:
O que Mapa de Kohonen ?
Um Mapa Kohonen inspirado na forma como se supe que redes neurais naturais aprendem; e
O modelo originou-se a partir das pesquisas anteriores de Teuvo Kohonen em Anlise de
Componentes Principais e Quantizao de Vetores.
Para fundamentar uma aplicao na prtica de Mapas de Kohonen como um mecanismo para o
aprendizado auto-organizado de padres e seu posterior uso para classificao de padres, importante
analisarmos a capacidade representacional e a forma de representao da informao em um Mapa Auto-
Organizado - SOM.
Na prtica, um Mapa de Kohonen toma um conjunto de dados em um espao de dados V VV V qualquer e os
representa de forma discretizada atravs de um neurnio (e eventualmente sua vizinhana) no espao de
um Mapa Auto-Organizado A AA A. Esta transformao de um espao de representao para outro
denominada mapeamento , podendo ser representada por:
( ) ( ) ( )
: V , A x V x A (2)
A condio para que este mapeamento seja uma boa representao do espao vetorial que:
( )
min ,
r X
W X W X r A = (3)


Onde W um vetor de pesos da rede A AA A.
Este mapeamento est ilustrado na figura abaixo.


O espao vetorial V VV V um espao qualquer com a dimensionalidade do nmero de variveis de um padro X XX X
desse espao. O vetor de pesos w
s
do neurnio vencedor se S SS S A AA A e representa uma aproximao da
funo de mapeamento f que associa pontos do espao vetorial V VV V a neurnios em A AA A. w
s
o erro dessa
aproximao representado no espao vetorial V.

7
O Algoritmo Fuzzy C-Means (FCM)
O algoritmo de agrupamento de dados nebuloso fuzzy c-means (Bezdek, 1981) baseia-se em um modelo no linear de
otimizao que agrupa dados com caractersticas similares de acordo com um procedimento iterativo de minimizao de
uma funo objetivo que representa um critrio de partio, ponderado pelos graus de pertinncia dos dados aos
respectivos grupos.
O algoritmo FCM utiliza as seguintes notaes. Seja um conjunto finito de padres P = {p
1
; p
2
; ... ; p
N
}
s
onde
s

um espao Euclideano s-dimensional; c o nmero de grupos, com 2 c N; U = [
ij
] e a matriz de pertinncia,
onde
ij
, 1 i c e 1 j N denota o grau de pertinncia do padro p
j
ao grupo i. Uma c-partio de P e definida por:
[ ]
1 1
| 0,1 , , ; 1, ;0 ,
c N
fc ij ij ij i
i j
M U i j j N
= =

= = < <
`
)

(4)
O algoritmo FCM procura agrupar os dados minimizando a seguinte funo:
( )
2
1 1
, , ,1
N c
m
m ij ij fc
j i
J U V d U M m
= =
< >

(5)
Sendo d
ij
= ||p
j
v
i
||
A
a distncia entre pj e vi dada por uma norma induzida por um produto interno, isto , ||x||
A
=
x
T
Ax, com A uma matriz s x s definida positiva; V = {v
1
;v
2
; ...;v
c
} um conjunto de centros de grupo em que v
i

denominado o i-simo grupo; e m o fator que define o grau de nebulosidade da partio nebulosa do sistema. A
seguir, os passos bsicos do algoritmo FCM:

Algoritmo 1 FCM

Dado P, escolher o nmero de grupos 1 < c < N, o parmetro m > 1, o critrio de parada > 0 e o nmero mximo de
iteraes lmax.

1. Inicializar U
(0)
e o contador de iteraes l = 1.
2. Calcular os c centros de grupos
( ) ( ) ( )
{ } 1 2
, ,...,
l l l
c
v v v U
(l)
, com a equao:
( )
( )
( )
1
1
, 1, 2,...,
m
N
ij j
j l
i m
N
ij
j
p
v i c

=
=
= =

3. Utilizando
( ) l
i
v , atualizar U
(l-1)
, com seguinte procedimento:
Para j = 1 at N
Se ||p
j

( ) l
i
v ||
2
> 0
1
1
2 1
2
1
m
c
j i
l
ij
k
j k
p v
p v

=

| |

|
=
|

|
\

Se ||p
j

( ) l
i
v ||
2
= 0

l
ij
= 1; 1 i c
4. Calcular
( ) ( ) ( ) ( ) 1 1
,
max
l l l l
i j ij ij
U U

= =

Se > ou l < lmax

l = l + 1 e voltar ao passo 2

Seno parar.

8
Detalhamento do erro na recomposio de uma curva tpica

1 2 3 4 5 6 7 8 9 10 11 12
Exemplo Valor Original 24783 23569 22526 22097 21831 21715 20584 20663 21418 21988 22208 22426
Valor CurvaTipica- recomposta 0.47 0.32 0.22 0.15 0.12 0.11 0.04 0.00 0.09 0.18 0.24 0.27
Curva recomposta com FC 24,185 22,849 21,905 21,286 21,024 20,951 20,363 19,968 20,789 21,533 22,073 22,359
Curva recomposta c/ Max-Min 24,509 23,266 22,387 21,811 21,567 21,500 20,952 20,584 21,348 22,041 22,543 22,810
erro(Max-Min) 0.8% 0.6% 0.6% 0.3% 0.6% 0.6% 0.5% 0.9% 0.2% 0.2% 0.1% 0.8% 0.9%
erro-FC 1.1% 1.2% 1.5% 1.4% 1.8% 1.8% 1.8% 0.5% 1.7% 1.5% 1.0% 0.3% 0.1%


Erros V.Tpico x DesNormalizados
seq. Max-Min FC
180 1 0.8% 1.8%
130 2 0.5% 1.3%
79 3 0.8% 1.1%
24 4 1.0% 1.4%
78 5 0.3% 0.9%
138 6 0.4% 0.4%
35 7 0.7% 1.3%
189 8 0.8% 0.9%
81 9 0.4% 0.4%
22 10 0.9% 1.0%
Erro = erro quadrtico mdio percentual


Cluster obtidos para dias teis:

Presena de informao (total 815 padres) Temp mx. mdia ( C)
85% 9% 15% 1% 81% 88% 19% 9% ameno quente m. quente
1 1 1 1
2% 2% 98% 59% 1% 0% 99% 31% ameno quente
0 0 0 0
0 1 0 1
clulas clulas
Fora Horrio de Vero tem trs grupos bem marcados No perodo do Horrio de Vero identificamosdois grupos mais relevantes:
(0,0) com 59% das ativaes. Clima ameno. (1,1) - com 89% das ativaes, caracterizam-se por serem dias quentes.
(1,0) com 31% das ativaes. Dias quentes. (0,1) - com 9% das ativaes, caracterizam-se por serem dias amenos para vero.
(1,1) com 9% das ativaes. Dias mais quentes.
31.2 25.6 25.0 27.8
HV Fora HV Fora
25.9 28.5 29.1 30.6
HV Fora HV Fora
Fora HV Fora HV
HV Fora HV Fora
177 6 330 1
22 4 223 52