Universidade Federal do Pará
Centro Tecnológico
Programa de Pós-Graduação em Engenharia Elétrica
Load Forecasting Using Support Vector Machines: A
Study on EUNITE Competition 2001
Bo-Juen Chen, Ming-Wei Chang, and Chih-Jen Lin
Departament of Computer Science and Information Engineering
National Taiwan University
Taipei 106, Taiwan ([email protected])
Yomara Pires
[email protected]
Dez/2004
Conteúdo

Conceitos gerais sobre Previsão de carga

Conceitos gerais de SVM - Support Vector Machines

Breve comentário sobre EUNITE COMPETITION 2001


Previsão de carga usando SVM: estudo de caso
EUNITE COMPETITION 2001 .
Previsão de carga usando RN: Estudos comparativos
Conceitos gerais sobre Previsão de carga

Definição
 Passo essencial na operação e planejamento de uma companhia de
serviço público;

Ajuda na tomada de decisões importantes:
 geração de energia elétrica
 distribuição de carga
 desenvolvimento de infra-estrutura

Extremamente importante para instituições financeiras, distribuidores de
energia e demais participantes na geração, transmissão e distribuição
de energia elétrica.

Previsões a curto prazo podem ajudar a estimar o fluxo de carga e a
tomar decisões de prevenção de sobrecarga.

Em economias não estáveis as decisões e investimentos são baseados
em previsões de carga a longo prazo e são mais importantes que em
lugares onde a economia é estável.
Conceitos gerais sobre Previsão de carga

Categorias

Previsão a curto prazo ( 1 hora, 1 semana)


Previsão a médio prazo (1 ano)


Para uma determinada região é possível predizer a carga do
próximo dia com precisão de aproximadamente 1-3%
Para esta mesma região é impossível ter a mesma taxa de
precisão caso deseja-se prever o pico de carga do próximo
ano sem o conhecimento da previsão do clima.
Previsão a longo prazo (Mais de um ano)

Análise dos dados históricos, baseados em um determinado
período.Varia de companhia para companhia.
Conceitos gerais sobre Previsão de carga

Métodos de previsão
 Técnicas
estatísticas
 Técnicas
ou algoritmos de IA
 Regressão
 RNA
 Lógica
fuzzy
 Sistemas especialistas
Conceitos gerais sobre Previsão de carga

Modelos de previsão por categoria

Médio e longo prazo

Modelo usuário-final: focaliza as diversas aplicações da
eletricidade em residências, comércios e industrias. A
demanda de eletricidade depende da demanda do cliente.
• Iluminação, aquecimento, refrigeração, etc.

Modelo econômico: combinam teoria estatística e economia
para previsão da demanda elétrica. Estima a energia
consumida e os fatores que influenciam o consumo (método
séries temporais)
• Renda per capita
Conceitos gerais sobre Previsão de carga

Modelos de previsão por categoria

Curto prazo
Técnicas estatísticas e IA
 Regressão linear
 Séries Temporais
 RNA
 Sistemas especialistas
 Lógica fuzzy
 SVM

Conceitos gerais sobre Previsão de carga

Fatores importantes para previsão
 Fator tempo:




Fator clima:




ano
dias da semana, feriados e fins de semana
hora do dia
Temperatura
Umidade
Índice de temperatura-unidade e wind chill index
Categoria do cliente:



residencial
comercial
industrial
Conceitos gerais sobre Previsão de carga

Fatores importantes para previsão/categoria
 Curto-prazo:
 Médio
clima, tempo, categoria do cliente
e longo prazo: dados históricos de carga e
clima, número de clientes em diferentes
categorias, área de aplicação e suas
características (economia, geografia, etc.)
Conceitos gerais sobre SVM

É a mais recente técnica para solução de problemas de classificação,
regressão, estimação de funções, análises de séries temporais e
análises de variâncias.

Baseiam-se no método de minimização estrutural de risco que é
fundamentado na teoria da dimensão.

Basicamente, uma SVM é uma máquina linear cuja idéia principal é
construir um hiperplano como superfície de decisão de tal forma que
margem de separação entre exemplos de uma classe e outra seja
máxima.


Linearmente separáveis

não linearmente separáveis
Chen et.al. Propuseram o modelo SVM para predição da demanda de
carga diária em um mês. (campeão Eunite 2001)
Conceitos gerais sobre SVM
Hiperplano (linearmente separável):
Conceitos gerais sobre SVM
Hiperplano (linearmente separável):
>=
<=
Conceitos gerais sobre SVM
Hiperplano (linearmente separável):
•usando w no lugar de wo. O problema de otimização restrito que
temos que resolver é, então, encontrar os valores ótimos de w e b
de modo que satisfaçam as restrições di (wTxi + b)> = 1 para i =
1, 2, …, N
•problema de otimização é chamado de problema primordial e é
resolvido através da aplicação do método dos multiplicadores de
Lagrange.
Conceitos gerais sobre SVM
Hiperplano ( não linearmente separável):
Conceitos gerais sobre SVM
Hiperplano ( não linearmente separável):
yi ((w  xi )  w0 )  1  i
o desvio de um
ponto dado da
condição ideal de
separabilidade entre
as classes
O problema que temos que resolver é encontrar os valores ótimos
de w e b de modo que satisfaçam as restrições: yi ((w  xi )  w0 )  1  i
Eunite Competition 2001



Em 2001 a Eunite (European Network on Intelligent Tecnologies for
Smart Adaptative Systems) organizou uma competição mundial em
previsão de carga.
Dada a temperatura e a carga dos anos de 1997 a 1998, os
competidores tinham que prever a máxima carga diária no mês de
janeiro de 1999.
Os dados fornecidos ao competidores:
 Conjunto de dados de carga (medida diariamente a cada meia
hora durante os anos de 97 a 98)

Conjunto de dados de temperatura (media diária de temperatura
de 95 a 98)

Datas dos feriados de 97 a 98
Previsão de carga usando SVM
análise dos dados

Propriedades da demanda de carga: carga x clima
Alta demanda no inverno e
baixa no verão
Previsão de carga usando SVM
análise dos dados

Propriedades da demanda de carga: periodicidade
A demanda de carga nos fins
de semana é menor que nos
dias de semana
A demanda aos sábados é
um pouco maior que aos
domingos.
Previsão de carga usando SVM
análise dos dados

Influência climática
Correlação negativa (-0,868)
entre demanda de carga e
temperatura.
(alta temperatura causa baixa
demanda)
Previsão de carga usando SVM
análise dos dados

Feriados, festividades e eventos locais
Estas datas afetam a demanda de carga
podendo aumentá-la ou diminuí-la.
Datas especiais com natal e ano novo afetam
mais que os outros feriados
Previsão de carga usando SVM
preparação dos dados

Seleção dos atributos de entrada no modelo SVM

Atributos de calendário: datas e feriados são facilmente
conhecidas e, podem ser codificadas sem problemas

Atributos de temperatura:a temperatura de jan/99 não é
fornecida foi utilizada outra SVM para predizer a
temperatura atual (baseado nos 7 dias passados).

Séries temporais: demanda de carga passada
Previsão de carga usando SVM
metodologia utilizada

Atributos codificados e usados no modelo SVM

7 atributos para a maior carga nos 7 dias passados

7 atributos binários indicando os dias da semana

1 atributo binário que indica ou não presença de feriados

1 atributo para a média diária de temperatura (jan/99)
Previsão de carga usando SVM
metodologia utilizada

Após escolha e codificação o modelo SVM foi
treinado da seguinte maneira:

depois de obtida a carga de 1 de jan/99, esta será
utilizada juntamente com as cargas de 26 a 31 de
dez/98 para predição de 2 jan/99.
O
modelo continua até encontrar a carga de 31 de
jan/99.
Previsão de carga usando SVM
metodologia utilizada

Após escolha e codificação o modelo SVM foi
treinado da seguinte maneira:

os dados foram separados em dois conjuntos:
 Jan/98
para teste
 Demais
para treino
Previsão de carga usando SVM
Resultados
Previsão de carga usando SVM
Resultados
Previsão de carga usando SVM
Resultados
Previsão de carga usando SVM
Resultados
Previsão de carga usando SVM
Resultados
Previsão de carga usando Rede Neural
Resultados obtidos durante estudo do paper
a medição real (jan/97).
a medição encontrada.
Previsão de carga usando Rede Neural
Resultados obtidos durante estudo do paper

Passos:


Fase 1
Criação do programa TrainAndTestRegressor que treina a partir de um
arquivo e testa com outro arquivo utilizando um classificador do weka do
pacote spock. weka.classifiers.neural.NeuralNetwork.
Fase 2
Esta fase foi dividida em três simulações modificando os parâmetros
do classificador em cada uma delas. A medida de avaliação do
regressor foi feita de acordo com os critérios de avaliação da
competição:
Previsão de carga usando Rede Neural
Resultados obtidos durante estudo do paper
Previsão de carga usando Rede Neural
Resultados obtidos durante estudo do paper
MAX ERRORS
Referências
Chapter 12
LOAD FORECASTING
Eugene A. Feinberg
State University of New York, Stony Brook
[email protected]
Dora Genethliou
State University of New York, Stony Brook
[email protected]