Académique Documents
Professionnel Documents
Culture Documents
So Cristovo
2012
Orientadores:
Prof. Dr. Carlos Alberto Villacorta Cardoso
Prof. Dr. Jugurta Rosa Montalvo Filho
SO CRISTOVO-SE BRASIL
DEZEMBRO DE 2012
_________________________________________
Orientador: Prof. Dr. Carlos Alberto Villacorta Cardoso
_________________________________________
Orientador: Prof. Dr. Jugurta Rosa Montalvo Filho
__________________________________________
Prof. Dr. Pablo Javier Alsina
___________________________________________
Prof. Dr. Elyson dan Nunes Carvalho
SO CRISTOVO-SE BRASIL
DEZEMBRO DE 2012
AGRADECIMENTOS
A minha esposa Elidiane pela pacincia e companheirismo durante toda a
jornada acadmica, no deixando desistir quando me faltavam foras para continuar.
Aos meus filhos Luiz e Elisa pelas horas de descontrao.
Aos meus orientadores Carlos Alberto Villacorta Cardoso e Jugurta Rosa
Montalvo Filho pelas palavras de incentivo e apoio ao longo do desenvolvimento deste
trabalho.
A SERGAS pelo fornecimento dos dados histricos e contribuio para o
desenvolvimento da ferramenta.
Aos meus colegas e amigos pela presena durante esta jornada.
- iii -
Dezembro/2012
- iv -
December / 2012
-v-
SUMRIO
1.
INTRODUO ....................................................................................................... 1
1.1
1.2
1.3
1.4
1.5
2.
3.
4.
METODOLOGIA.................................................................................................. 30
4.1
4.2
4.3
4.4
4.5
5.
RESULTADOS ...................................................................................................... 41
5.1
CONSUMIDOR INDUSTRIAL A .......................................................................... 41
5.1.1 Modelo de regresso .................................................................................... 41
5.1.2 Modelo de srie temporal ............................................................................ 44
5.1.3 Modelo de rede neural Artificial ................................................................. 47
5.1.4 Comparao dos resultados......................................................................... 48
5.2
CONSUMIDOR INDUSTRIAL B ........................................................................... 50
5.2.1 Modelo de regresso .................................................................................... 50
5.2.2 Modelo de srie temporal ............................................................................ 53
- vi -
CONCLUSO........................................................................................................ 67
6.1
- vii -
Captulo 1
1. Introduo
O gs natural um combustvel fssil encontrado no subsolo, por
acumulaes em rochas porosas, isoladas do exterior por rochas impermeveis,
associadas ou no a depsitos de petrolferos. Sua composio funo de uma srie de
fatores naturais que determinaram o seu processo de formao e as condies de
acumulao do seu reservatrio de origem [1].
O gs natural encontrado na natureza uma mistura diversificada de
hidrocarbonetos saturados, cujo componente preponderante o Metano e em menores
quantidades, o Propano e o Butano, entre outros [2].
De acordo com a Lei n. 9.578/97 Lei do Petrleo, o gs natural
definido como sendo a poro do petrleo que existe na fase gasosa ou em soluo no
leo, nas condies originais do reservatrio, e que permanece no estado gasoso nas
condies atmosfricas de presso e temperatura.
A composio comercial do gs natural variada e depende da
composio do gs natural bruto, do mercado atendido, do uso final e do produto gs
que se deseja. No mercado Brasileiro, segundo a resoluo da ANP n. 16, de 17 de
junho de 2008, a especificao do gs natural deve seguir o especificado no Quadro 1.1.
Quadro 1.1 Especificao para o Gs Natural Comercializado no Brasil.
[2]
-1-
[2].
-5-
FERIADOS
0,6
SEXTAFEIRA
0,95
SBADO
0,90
DEMAIS
DIAS
0,95
(1)
-7-
1.5 Objetivos
O objetivo principal deste trabalho estudar as potencialidades das
tcnicas de previso, sejam elas, regresso, sries temporais, redes neurais ou as
mesmas de forma associada na previso de consumo de gs natural, num cenrio
caracterizado pela predominncia de grandes consumidores industriais, diferentes entre
si, com vistas a melhorar os atuais mtodos de previso utilizados pela companhia
distribuidora em estudo.
Como objetivos especficos pode-se mencionar:
-8-
Captulo 2
2. Estado da arte
Em 1994 AZZAM-UL-ASAR et al [5] publicaram o artigo denominado
A Specification of Neural Network Applications in the Load Forecasting Problem.
Neste artigo os autores investigam a eficcia da Rede Neural Artificial (RNA) para a
previso de curto prazo de carga em sistemas eltricos de potncia. So demonstrados o
processo de aprendizagem e a capacidade de uma rede neural na previso do pico dirio
de carga com a utilizao de exemplos. Diferentes abordagens para normalizao dos
dados e padres de entrada so utilizadas para explorar a correlao entre a carga
histrica, temperaturas e os padres de carga esperados. As redes foram treinadas com
dados reais de carga usando um algoritmo de backpropagation. As perspectivas para a
aplicao de uma soluo combinada utilizando redes neurais artificiais e sistemas
especialistas, chamada de rede hbrida, tambm so discutidas. Sendo estas apontadas
como uma soluo mais completa para o problema de previso em face de utilizao de
um sistema simples.
Em 1995 BROWN et al [6] publicaram o artigo denominado
Development of Artificial Neural Network Models to Predict Daily Gas Consumption.
Modelos Redes Neurais Artificiais (RNA) para predizer o consumo dirio de gs natural
so o tema deste artigo. A metodologia baseada no conhecimento da rede e na intuio
dos controladores para previso de consumo discutida. Resultados mostram que a
Rede Neural Artificial pode reduzir o erro de previso (RMSE Root Mean Square
Error) em mais de metade, quando comparado com os modelos de regresso linear e
que quando comparados com previses feitas pelos controladores da companhia de gs,
os erros de previso da Rede Neural Artificial so 20% a 30% menores.
Em 1995 MOHAMMED et al [7] publicaram no IEEE o artigo
denominado Practical Experiences with An Adaptive Neural Network Short-Term Load
Forecasting System. Neste artigo apresentado um sistema baseado em uma rede neural
adaptativa para previso de carga eltrica em curto prazo. O sistema foi desenvolvido e
implementado para a Florida Power Company and Light (FPL). Experincias prticas
com o sistema so discutidas, como a capacidade de previso de carga com um tempo
de espera de uma hora a sete dias. O mecanismo adaptativo usado para treinar as redes
neurais quando o sistema esta on-line. Os resultados indicam que o sistema de previso
de carga apresenta previses robustas e mais precisas, permitindo uma maior
-9-
- 11 -
Captulo 3
3. Tcnicas de previso
Determinar uma relao entre o consumo de gs e os fatores que
influenciam o seu comportamento trata-se de um processo bastante complexo. No
segmento industrial fatores como condies climticas (perodo chuvoso e perodo
seco), finais de semana e feriados podem ser determinantes para o planejamento e
controle da produo [4]. O mesmo ocorre para o segmento de gs natural veicular, pois
tais fatores influenciam na demanda por transporte automotivo e consequentemente o
consumo de gs natural.
Neste aspecto, diversas abordagens tm sido aplicadas, tais como
regresso, processos estocsticos, redes neurais artificiais e sistemas especialistas [14].
No campo da previso de consumo, outra dificuldade a ser vencida a de
estimar e ajustar os parmetros do modelo, que dependem de dados histricos, que por
sua vez podem tornar-se obsoletos ou no refletir as variaes do consumo.
(2)
- 12 -
3 )
- 15 -
(4)
(5)
(6)
(7)
1
!&
!&
!&
!
!&
0 . - ! 0 - 0
!!
1
!
!&
5
5
( 8 )
( 9 )
( 10 )
5
( 11 )
5
- 18 -
em que:
12 )
:6 = 6 ;6
( 13 )
;6 a estimativa de xt, um valor constante e i so os coeficientes constantes autoregressivos que descrevem como um valor corrente xt relaciona-se com valores passados
xt-1, xt-2, ... , xt-p.
A mdia de um AR(p) dada pelo valor estimado E[xt] [28]:
<#6 *
9
= =
1 7 7 78 )
( 14 )
( 15 )
6 7. 6& 9 :6
16 )
2
2
em que um parmetro a ser estimado e E[t] = 0; E[t ] = ; e E[t s] = 0; para t s.
Modelo de mdias mveis (MA)
Quando uma observao xt gerada pela mdia ponderada do valor
presente e dos q primeiros valores passados de um processo de rudo branco t mais a
- 19 -
mdia , ento ela pode ser modelada por um processo MA (Moving Average) (q), dado
por [28]:
6 = :6 ? . :6& ? . :6& ?@ . :6&@
17 )
( 18 )
( 19 )
( 20 )
( 21 )
- 20 -
7ABC . 6 ?A. :6
- 21 -
uma queda exponencial gradativa e sua funo de autocorrelao parcial kk sofrer uma
queda repentina aps o lag k, conforme pode ser visto na Figura 3.6.
Caso contrrio, efetua-se a anlise dos estimadores para verificar at que
ordem de defasagem do correlograma desta funo estatisticamente significante. Essa
ser sua ordem auto-regressiva [20].
no
3. O modelo
est adequado?
sim
4. Realizao das
previses
fim
- 23 -
E! F G!H H
( 23 )
HJ
K! LE! !
( 24)
- 24 -
( 25 )
( 26 )
- 25 -
Figura 3.10. Arquitetura de uma rede neural artificial multilayer perceptron com
duas camadas escondidas
Conceitualmente diz-se que uma rede neural artificial progressiva
(feedforward) quando no so definidos laos de realimentao, ou seja, as sadas dos
neurnios em quaisquer camadas esto, exclusivamente, ligadas as entradas da camada
subsequente. Como resultado tem-se que o sinal de entrada propaga-se em sentido
progressivo atravs de todas as camadas da rede. A rede multilayer perceptron uma
rede progressiva [36].
Outro aspecto a ser observado esta relacionado conectividade, ou seja, a
rede pode ser ou no completamente conectada. A rede dita completamente conectada
quando cada n de uma camada est conectado a todos os outros ns da camada
adjacente. Em caso contrrio algumas sinapses podem estar faltando. Em termos
prticos a ausncia de uma sinapse pode ser emulada com um peso constante e igual a
zero [36].
- 26 -
Passo direto
Nesta etapa os pesos sinpticos no so alterados e o sinal na camada de
entrada propagado atravs das camadas escondidas at a camada de sada, neurnio a
neurnio [36].
O sinal obtido como resultado na sada do neurnio j equacionado por
KH N LQH N
( 27 )
( 28 )
RJ
( 29 )
( 30 )
( 31 )
- 27 -
em que BGHR N a correo aplicada a i-sima sinapse do neurnio j, KR N o sinal de
entrada no i-simo n de entrada do neurnio j, TH N o gradiente local do neurnio j e
P a razo de aprendizado, esta fator ser discutido mais adiante.
Para os casos em que o neurnio encontra-se na camada de sada, o
gradiente local simplesmente o sinal de erro do neurnio multiplicado pela primeira
derivada de sua no linearidade ( 32 ) [36].
TH N LH QH NH N , neurnio j de sada.
( 32 )
em que TH N o gradiente local do neurnio j, H N sinal de erro j-simo n de sada
do neurnio j, LH QH N primeira derivada da funo de ativao associada ao
neurnio j.
( 33 )
( 34 )
em que a constante denominada de Constante de Momento com 0 < < 1. Seu efeito
aumentar a velocidade da trajetria no espao de pesos na direo da descida mais
ngreme.
Situao observada quando a correo aplicada ao peso sinptico matem
seu sinal algbrico aps vrias iteraes, caracterizando uma trajetria na superfcie de
erro ao longo de uma descida acentuada, a correo do peso sinptico acelerada pelo
fator de momento, j que o mnimo global ainda deve estar longe.
No caso de um eventual mnimo local ao longo desta descida acelerada,
este pode ser facilmente transpassado.
Por outro lado, quando observa-se a troca de sinal aps algumas iterao,
caracterizando uma trajetria na superfcie de erro prxima ao mnimo global, a
correo do peso sinptico freada pela reduo do valor absoluto mdio do fator de
momento, j que um mnimo (provavelmente global) est prximo e uma alta
velocidade poderia desestabilizar o algoritmo em torno do mnimo.
- 29 -
Captulo 4
4. Metodologia
Este Captulo apresenta a metodologia utilizada para a modelagem dos
dados de consumo de gs natural para consumidores dos segmentos industrial e
automotivo da Sergipe Gs S/A - SERGAS.
No decorrer deste Captulo sero abordados os principais ndices de
desempenho que so utilizados para avaliar o quo satisfatrio so os resultados das
previses dos modelos.
Uma vez que no presente trabalho explorada a combinao de vrias
tcnicas de previso, neste captulo sero introduzidos os procedimentos para obteno
de modelos REGRESSO (linear simples, linear mltipla e no linear transformada
polinomial, exponencial, logartmica e potncia), SRIE TEMPORAL (auto-regressivo,
mdia mvel, auto-regressivo de mdia mvel e auto-regressivo integrado e de mdia
mvel) e REDES NEURAIS ARTIFICIAIS (redes Multilayer Perceptron com
aprendizado atravs do algoritmo backpropagation).
1
X< F K(Z) K;(Z)
Y
!J
( 35 )
1
X\< = F|K(Z) K;(Z)|
Y
!J
- 30 -
( 36 )
1
X^< = F(K(Z) K;(Z))
Y
( 37 )
!J
1
K(Z) K;(Z)
X_< = F
100
Y
K(Z)
( 38 )
!J
1
K(Z) K;(Z)
X\_< = F `
100`
Y
K(Z)
( 39 )
!J
+[
;(Z))
!J(K(Z) K
+[
b)
!J(K(Z) K
( 40 )
+[
;(Z))
!J(K(Z) K
+[
!J(K(Z) K(Z 1))
( 41 )
- 31 -
mdio dos dados pelo valor anterior da srie. Da mesma forma, valores menores do que
as unidades indicam um melhor desempenho em relao ao previsor trivial.
Observa-se que o preditor trivial no U de Theil apenas a diferena de
um passo frente, tornando o previsor trivial difcil de ser superado quando se deseja
fazer a previso de mdio e longo prazo.
( 42 )
( 43 )
( 44 )
( 45 )
( 46 )
sendo transformada em
- 32 -
mNop mN .
( 47 )
L P .
( 48 )
( 49 )
.
( 50 )
( 51 )
transformada em:
( 52 )
L P .
( 53 )
Para o ajuste dos modelos foram utilizados os dados dirios das 01:00 s
11:00 do dia em anlise e os 24 valores horrios do dia anterior, conforme ilustrado na
Figura 4.1.
A escolha deste perodo se d pelo fato de que estes so os dados que
esto disponveis no sistema de telemetria para realizao da previso.
Para validao do modelo utiliza-se a equao calculada e estimam-se os
valores para um dia inteiro, ou seja, das 01:00 at as 24:00, conforme ilustrado no
Figura 4.2.
- 33 -
MAE
2,05
2,63
2,18
1,92
1,93
MSE
MPE
7,42
3,77
11,21
17,84
9,30 - 24,36
5,92 - 4,69
8,04 - 23,79
MAPE
18,19
34,46
36,51
19,78
34,97
- 36 -
p Lags
(1 2)
(1 2)
(1 2)
()
q Lags
(3 4)
(3 4)
()
(1 2)
ME
5,34
-2,75
3,84
15,25
MAE
193,3
182,9
177,8
269,8
MSE
6,02E+04
5,63E+04
5,14E+04
1,22E+05
MPE
-5,7
21,61
-5,11
-7,06
MAPE
20,52
114,9
18,83
28,45
Rede Neural Artificial Padro: neste modelo tm-se como
entradas da rede os valores reais de consumo das 01:00 s 11:00 do dia atual, alm dos
valores dos 24 valores horrios do dia anterior, formando uma rede com um vetor de 35
entradas e um de 24 sadas conforme ilustrado na Figura 4.6.
( 54 )
em que o valor da sada prevista utilizando rede neural artificial auxiliada por sries
temporais, { o valor da sada prevista utilizando sries temporais e k} o valor do erro
previsto utilizando redes neurais artificiais.
Adicionalmente os modelos apresentados de redes neurais pode-se
inserir, aos j existentes vetores de entradas, um vetor contendo informaes sobre os
dias da semana codificados em nmeros binrios, mostrado na Figura 4.8. Esta prtica
visa aumentar a eficincia da rede neural para os casos em que so observadas
caractersticas particulares associadas aos dias da semana, ou seja, a existncia de um
comportamento tpico para cada dia da semana.
- 39 -
ME
0,14
0,13
0,31
0,16
MAE
1,38
1,41
1,39
1,34
MSE
2,88
2,98
2,89
2,85
MPE
-8,69
-9,23
-7,71
-8,32
MAPE
18,38
19,11
18,6
18,1
- 40 -
Captulo 5
5. Resultados
Neste captulo sero apresentados os resultados das previses de
consumo de gs utilizando os modelos descritos no captulo 4. Estes resultados tambm
so analisados e discutidos utilizando os ndices de desempenho, comentados tambm
no capitulo anterior, bem como a luz das possveis penalidades no caso da previso de
consumo exceder os limites de +5% e -10% normalmente utilizados pelos supridores na
programao diria junto s distribuidoras.
Neste contexto sero comparados os melhores resultados obtidos em cada
modelo frente s diferentes configuraes utilizadas e, em seguida, comparado o melhor
resultado frente ao modelo adotado atualmente na companhia distribuidora em anlise.
Nos estudos de caso deste trabalho utilizaram-se os dados dos dias
compreendidos entre 01/01/2011 e 31/07/2011 para treinamento e entre 01/08/2011 e
31/08/2011 para validao.
Os resultados sero apresentados nas sees a seguir.
ME
0,50
0,23
-0,42
0,09
-0,24
MAE
2,05
2,63
2,18
1,92
1,93
MSE
7,42
11,21
9,30
5,92
8,04
MPE
3,77
17,84
-24,36
-4,69
-23,79
MAPE
18,19
34,46
36,51
19,78
34,97
RMSE
0,85
1,05
0,95
0,76
0,89
- 42 -
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
LINEAR
LOGARITMICA
24,14%
34,49%
75,86%
65,51%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
41,38%
41,37%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
34,45%
24,14%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Diante das observaes realizadas, seja ela do ponto de vista dos ndices
de desempenho, seja do ponto de vista da aplicao de penalidades, o modelo de
regresso logartmica apresentou o melhor desempenho para o conjunto de dados em
questo, por ele amortecer a curva de previso evitando que sejam realizadas
programaes de volumes excessivas e que no sero atingidas, reduzindo assim a
aplicao de penalidades por erros a menor.
- 43 -
p Lags q Lags
(1 2 3 4) (5 6)
(1 2 3 4) (5 6 7 8)
(1 2 3 4)
()
(1 2 3)
()
ME
0,00
0,00
0,00
0,00
MAE
0,10
0,10
0,10
0,10
MSE
0,02
0,02
0,02
0,02
MPE
-4,61
-4,72
-4,90
-4,94
A partir dos dados da Tabela 5.3 possvel observar que, no mbito das
series temporais, o modelo que melhor se adqua a srie em estudo
predominantemente auto-regressivo com pequenas variaes nos ndices de
desempenho quando utilizado uma parametrizao com Mdias Mveis. Este
comportamento, por sua vez, j poderia ser previsto analisando os grficos da
Autocorrelao (ACF) e da Autocorrelao Parcial (PACF), pois para uma srie
unicamente auto-regressiva ARIMA (p,0,0), sua funo de autocorrelao sofrer uma
queda exponencial gradativa, conforme pode ser visto na Figura 5.5 e sua funo de
autocorrelao parcial sofrer uma queda repentina aps o lag k, conforme pode ser
visto na Figura 5.6 [20].
- 44 -
- 45 -
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
(4,0,2)
(4,0,4)
(4,0,0)
(3,0,0)
51,74%
51,74%
55,17%
51,74%
48,26%
48,26%
44,82%
48,26%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
24,13%
24,13%
24,13%
24,13%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
24,13%
24,13%
20,68%
24,13%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Na Figura 5.10 pode ser verificado o erro percentual para cada amostra,
assim como, a aplicao de penalidades em funo da extrapolao dos limites
superiores e inferiores.
Diante das observaes realizadas o modelo ARIMA unicamente autoregressivo apresentou um melhor desempenho, pois conforme dito anteriormente,
atravs da anlise dos correlogramas ACF e PACF, havia um forte indicio de que a srie
seria modelada com um modelo ARIMA(p,0,0) confirmado por intermdio dos grficos
e tabelas apresentadas nesta seo.
ME
0,23
-0,33
0,30
-0,17
MAE
1,31
1,32
1,28
1,18
MSE
2,76
3,01
2,35
2,29
MPE
-6,82
-11,69
-4,82
-9,17
MAPE
17,06
18,14
14,79
15,49
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
Sigmoide(2,3)
Sigmoide(1,1)
68,96%
65,51%
31,03%
34,48%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
27,58%
31,03%
- 47 -
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
3,44%
3,44%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Figura 5.11. Anlise das Curvas das Redes Neurais Artificiais SIGMOIDE (1,1)
Figura 5.12. Anlise das Curvas das Redes Neurais Artificiais SIGMOIDE (2,3)
ME
0,09
0,00
0,23
0,30
MAE
1,92
0,10
1,31
1,28
MSE
5,92
0,02
2,76
2,35
MPE
-4,69
-4,90
-6,82
-4,82
MAPE
19,78
18,51
17,06
14,79
RMSE
0,76
0,67
0,52
0,48
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
REGRESSO
SRIES TEMPORAIS
RNA
RNA + ST
34,49%
55,17%
51,72%
68,96%
65,51%
44,82%
48,27%
31,03%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
41,37%
24,13%
24,13%
27,58%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
24,14%
20,68%
24,13%
3,44%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
METODOLIGIA ATUAL
RNA + ST
41,94%
68,96%
58,06%
31,03%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
45,16%
27,58%
- 49 -
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
12,90%
3,44%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
ME
-0,09
0,12
-2,76
-0,07
-2,82
MAE
1,33
1,85
3,40
1,40
3,30
MSE
4,29
7,33
35,53
4,99
36,31
MPE
-6,90
19,08
-102,70
-15,20
-91,34
MAPE
27,14
46,35
110,10
37,09
96,96
RMSE
0,89
1,14
2,57
0,96
2,60
- 50 -
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
LINEAR
LOGARITMICA
55,17%
55,17%
44,82%
44,82%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
31,03%
31,03%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
13,79%
13,79%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
- 51 -
- 52 -
q Lags
()
()
()
()
ME
0
0
0
0
MAE
0,01
0,01
0,01
0,01
MSE
0
0
0
0
MPE
-0,24
-0,34
-0,33
-0,35
MAPE
4,45
4,55
4,56
4,56
RMSE
0,25
0,25
0,25
0,25
UTHEIL
0,99
0,97
0,97
0,97
PERODO DE AJUSTE
01/07/2011 - 31/07/2011
01/07/2011 - 31/07/2011
01/07/2011 - 31/07/2011
01/07/2011 - 31/07/2011
PERODO DE VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
A partir dos dados da Tabela 5.12 possvel observar que, no mbito das
series temporais, o modelo que melhor se adqua a srie em estudo estritamente autoregressivo. Este comportamento, por sua vez, j poderia ser previsto analisando os
grficos da Autocorrelao (ACF) e da Autocorrelao Parcial (PACF), pois para uma
srie unicamente auto-regressiva ARIMA (p,0,0), sua funo de autocorrelao sofrer
uma queda exponencial gradativa, conforme pode ser visto na Figura 5.17 e sua funo
de autocorrelao parcial sofrer uma queda repentina aps o lag k, conforme pode ser
visto na Figura 5.18 [20].
Analisando o correlograma dos resduos, ilustrado na Figura 5.20, notase que no h valores significativos para os coeficientes de autocorrelao, e que,
portanto, os resduos so um rudo branco, apresentado na Figura 5.21. Pela
metodologia de Box e Jenkins chega-se a um modelo apropriado para descrever o perfil
de consumo.
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
(1,0,0)
(2,0,0)
(3,0,0)
(4,0,0)
79,31%
79,31%
79,31%
82,75%
20,68%
20,68%
20,68%
17,24%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
13,79%
13,79%
13,79%
13,79%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
6,89%
6,89%
6,89%
3,44%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Na Figura 5.22 pode ser verificado erro percentual para cada amostra,
assim como, a aplicao de penalidades em funo da extrapolao dos limites
superiores e inferiores.
- 54 -
ME
-0,04
-0,07
-0,05
-0,08
MAE
0,09
0,10
0,10
0,15
MSE
0,01
0,02
0,02
0,04
UTHEIL
0,04
0,04
0,04
0,07
PERODO DE AJUSTE
01/07/2011 - 31/07/2011
01/07/2011 - 31/07/2011
01/07/2011 - 31/07/2011
01/07/2011 - 31/07/2011
PERODO DE VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
TIPO R.N.A.
Tan. Hip.(2,2)
Tan. Hip.(1,2)
PADRO
PADRO + ST
VETOR DIA
PERCENTUAL
DE ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
SIM
SIM
100,00%
100,00%
0,00%
0,00%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
0,00%
0,00%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
0,00%
0,00%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Figura 5.23. Anlise das Curvas das Redes Neurais Artificiais TAN H (2,2)
- 56 -
Figura 5.24. Anlise das Curvas das Redes Neurais Artificiais TAN H (1,2)
ME
-0,09
0,00
-0,04
-0,05
MAE
1,33
0,01
0,09
0,10
MSE
4,29
0,00
0,01
0,02
MPE
-6,90
-0,35
-0,59
-0,61
MAPE
27,14
4,56
1,14
1,35
RMSE
0,89
0,25
0,05
0,05
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
REGRESSO
SRIES TEMPORAIS
RNA
RNA + ST
55,17%
82,75%
100,00%
100,00%
44,82%
17,24%
0,00%
0,00%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
31,03%
13,79%
0,00%
0,00%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
13,79%
3,44%
0,00%
0,00%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
MODELO
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
METODOLIGIA ATUAL
RNA OU RNA + ST
77,42%
100,00%
22,58%
0,00%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
22,58%
0,00%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
0,00%
0,00%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
- 58 -
ME
-0,09
3,11
-0,76
-0,23
-0,69
MAE
0,57
3,11
1,49
0,49
1,13
MSE
0,51
11,34
5,20
0,39
2,49
MPE
-2,05
52,33
-14,61
-4,25
-12,97
MAPE
9,96
52,33
26,25
8,70
19,87
RMSE
1,12
5,27
3,57
0,98
2,47
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
LINEAR
LOGARITMICA
44,82%
48,27%
55,17%
51,72%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
34,48%
41,37%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
20,68%
10,34%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Diante das observaes realizadas, seja ela do ponto de vista dos ndices
de desempenho, seja do ponto de vista da aplicao de penalidades, o modelo de
regresso logartmica apresentou um melhor desempenho para o conjunto de dados em
questo, por ele amortecer a curva de previso evitando que sejam realizadas
programaes de volumes excessivas e que no sero atingidas, reduzindo assim a
aplicao de penalidades por erros a menor.
- 60 -
ME
0,00
0,00
0,00
0,00
MAE
0,10
0,10
0,10
0,10
MSE
0,01
0,01
0,02
0,02
MPE
-12,72
-12,80
-13,67
-13,80
A partir dos dados da Tabela 5.21 possvel observar que, no mbito das
series temporais, o modelo que melhor se adqua a srie em estudo o ARMA. Este
comportamento, por sua vez, pode ser antecipado analisando os grficos da
Autocorrelao (ACF) e da Autocorrelao Parcial (PACF), pois para uma srie autoregressiva mdia mvel, ARIMA (p,0,q), sua funo de autocorrelao, assim como sua
funo de autocorrelao parcial sofrero uma queda exponencial gradativa e/ou
oscilaes senoidais, conforme pode ser visto nas Figura 5.29 e Figura 5.30 [31].
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
(4,0,1)
(4,0,0)
(4,0,2)
(2,0,0)
24,13%
24,13%
31,03%
27,58%
75,86%
75,86%
68,96%
72,41%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
0,00%
0,00%
0,00%
3,44%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
75,86%
75,86%
68,96%
68,96%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Na Figura 5.34 pode ser verificado erro percentual para cada amostra do
melhor ajuste, assim como, a aplicao de penalidades em funo da extrapolao dos
limites superiores e inferiores.
- 63 -
ME
0,10
0,07
0,09
0,03
MAE
0,36
0,35
0,35
0,33
MSE
0,22
0,22
0,23
0,23
TIPO R.N.A.
VETOR DIA
PERCENTUAL
DE ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
NO
NO
62,06%
72,41%
37,93%
27,58%
- 64 -
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
27,58%
17,24%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
10,34%
10,34%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
Figura 5.35. Anlise das Curvas das Redes Neurais Artificiais TAN H (2,2)
Figura 5.36. Anlise das Curvas das Redes Neurais Artificiais SIGMOIDE (1,3)
- 65 -
ME
-0,23
0,00
0,07
0,03
MAE
0,49
0,10
0,35
0,33
MSE
0,39
0,02
0,22
0,23
MPE
-4,25
-13,67
0,60
-0,22
MAPE
8,70
39,28
5,76
5,46
RMSE
0,98
0,84
0,73
0,74
PERCENTUAL DE
ACERTOS
PERCENTUAL
APLICAO DE
PENALIDADES
REGRESSO
SRIES TEMPORAIS
RNA
RNA + ST
48,27%
31,03%
72,41%
62,06%
51,72%
68,96%
27,58%
37,93%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MAIOR
41,37%
0,00%
17,24%
27,58%
PERCENTUAL DE
APLICAO DE
PENALIDADES POR
ERROS A MENOR
10,34%
68,96%
10,34%
10,34%
PERODO DE AJUSTE /
VALIDAO
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
01/08/2011 - 30/08/2011
- 66 -
Captulo 6
6. Concluso
O presente trabalho permitiu constatar a possibilidade de melhorar de
forma significativa a previso de consumo de gs em mdio prazo utilizando tcnicas
como as redes neurais artificiais, as sries temporais e a combinao de ambas. A
metodologia do presente trabalho, utilizando estas tcnicas para realizao da previso
de consumo de gs natural nos segmentos industrial e GNV, bastante promissora,
trazendo vantagens em termos de versatilidade e maior preciso quando comparada a
tcnica usada atualmente na companhia.
Adicionalmente, tanto as redes neurais, como as sries temporais, ou a
associao de ambas aplicadas aos casos de estudo deste trabalho conseguiram melhores
ndices de acerto, quando comparadas com as tcnicas de regresso linear, polinomial,
logartmica e de potncia.
No tocante ao comparativo entre as tcnicas propostas, sejam elas
regresso, sries temporais e redes neurais artificiais, sendo esta ltima associada ou
no a tcnica de sries temporais, evidente que os melhores resultados so uma
combinao das caractersticas dos dados histricos do consumidor em anlise e a
tcnica que melhor modela os seus dados. Em outras palavras, no pode-se afirmar que
uma tcnica superior ou inferior sem antes analisar de forma minuciosa as
caractersticas da srie, tais como tendncias, sazonalidades, variaes irregulares e
randmicas.
Quando analisado o desempenho dos resultados frente aos objetivos
propostos foi possvel verificar a estreita relao entre o MAPE (mean absolute
percentage error) e a aplicao de penalidades, uma vez que para todos os casos as
previses com mnimos MAPEs correspondiam as menores penalidades.
O problema da programao diria exige um grande esforo de previso,
uma vez que devem ser previstos em torno de 14 valores no futuro, neste contexto foi
possvel verificar que o desempenho das redes neurais melhorou medida que foi
incrementado o nmero de entradas utilizando-se no apenas as do dia em questo, mas
tambm amostras do dia anterior. Alm disso, dois tipos de funes de disparo se
destacaram, principalmente, a funo sigmoide, e em menor grau a tangente hiperblica.
- 67 -
- 68 -
Referncias Bibliogrficas
[ 1 ] GASNET. O site do gs natural. Distribuidoras de Gs. Disponvel em:
<http://www.gasnet.com.br> . Acessado em: 22 de novembro de 2011.
[ 2 ] MONTEIRO, J. V. FREITAS; SILVA, J. R. N. M. Gs Natural aplicado
indstria e ao grande comrcio. So Paulo: Blucher, 2010. 182p.
[ 3 ] AGNCIA NACIONAL DE PETRLEO, GS NATURAL E
BIOCOMBUSTIVIS ANP. Disponvel em: <http://www.anp.gov.br> .
Acessado em: 22 de novembro de 2011.
[ 4 ] KHOTANZAD, A; ELRAGAL, H; LU, T. L. Combination of artificial neuralnetwork forecasters for prediction of natural gas consumption. IEEE transactions
on neural networks / a publication of the IEEE Neural Networks Council, v. 11, n.
2, p. 464-73, jan 2000.
[ 5 ] AZZAM-UL-ASAR; MCDONALD, J. R. A Specification of Neural Network
Applications in the Load Forecasting Problem. IEEE TRANSACTIONS ON
CONTROL SYSTEMS TECHNOLOGY, v. 2, p. 135-141, out 1994.
[ 6 ] BROWN, R. H.; MATIN, I. Development of Artificial Neural Network Models
to Predict Daily Gas Consumption. Computer Engineering, p. 1389-1394, 1995.
[ 7 ] MOHAMMED, O. PARK, D. MERCHANT, R. et al. Practical Experiences
with An Adaptive Neural Network Short-Term Load Forecasting System The
Florida Power and Light ANN Architectures and Input. Forecast, v. 10, n. 1, p.
254-265, 1995.
[ 8 ] KHOTANZAD, A.; ELRAGAL, H. Natural Gas Load Forecasting with
Combination of Adaptive Neural Networks. Electrical Engineering, p. 4069-4072,
1999.
[ 9 ] PEHARDA, D.; DELIMAR, M.; LONEARIC, S. Short term hourly forecasting
of gas consumption using neural networks. Electrical Engineering, p. 367-371,
2001.
[ 10 ] VIET, N. H.; MANDZIUK, J. Neural and Fuzzy Neural Networks for Natural
Gas Consumption. Neural Networks, n. 503, p. 759-768, 2003.
[ 11 ] KIZILASLAN, R.; KARLIK, B. Comparison Neural Networks Models for Short
Term Forecasting of Natural Gas Consumption in Istanbul. Network, p. 448-453,
2008.
[ 12 ] XU, G.; WANG, W. Forecasting Chinas natural gas consumption based on a
combination model. Journal of Natural Gas Chemistry, v. 19, n. 5, p. 493-496, set
2010.
[ 13 ] ABREU, THAYS; ARAJO ,KLAYTON A. M.; LOPES, MARA L. M.;
LOTUFO, ANNA DIVA P. Metodologia Hbrida Utilizando os Modelos ARIMA e
- 69 -
- 71 -
Apndice A - Ferramenta
Computacional
Nesta seo sero apresentadas as funcionalidades implementadas na
ferramenta computacional, assim como o diagrama funcional, estrutura das telas e
forma de utilizao.
A-1 Apresentao
Na Figura A.2 encontram-se representado o diagrama funcional da
ferramenta computacional, no qual observa-se a diviso da ferramenta em basicamente
duas etapas: cadastramento de consumidores e configurao dos modelos de previso.
Incio
Seleo da funcionalidade
desejada
Cadastramento de
Consumidores
Cadastro de dados de
identificao do
consumidor
Seleo do consumidor
Ajuste e validao
dos modelos de
Sries Temporais
Trmino
Ajuste e validao
dos modelos de
Redes Neurais
Anlise da aplicao
de penalidades
Trmino
- 73 -
- 74 -
- 75 -
- 76 -
- 77 -
- 79 -
- 80 -
- 81 -