Documente Academic
Documente Profesional
Documente Cultură
ii
Dissertao
apresentada
Wanderley
Pedro
Paulo
DEDICATRIA
iv
AGRADECIMENTOS
recebido
ao
longo
deste
trabalho
sendo
meu espelho
como
RESUMO
no
NEWAVE
leva
aproximadamente
quatro
horas
de
tempo
computacional (em um Pentium IV 2GHz com 512MB de memria RAM) para ser
concluda.
vi
ABSTRACT
The introduction of competition on the electricity sector has turned the electricity
price the most important variable in the energy market. On this way, efficient
estimating methods of spot prices have became crucial to maximize the agent
benefits.
This work presents a fast and efficient model to simulate the spot price based on
the Brazilian electricity market, using DOE (Design of Experiments) and ANN
(Artificial Neural Networks) techniques. The work proved that the combined
techniques provided promising results and should be applied to risk management
and investment analysis.
vii
SUMRIO
INTRODUO ............................................................................................................. 1
Introduo ............................................................................................................. 5
2.2
2.2.1
2.2.2
Modelos Economtricos............................................................................10
2.2.3
2.2.4
2.2.5
Mtodos de Simulao..............................................................................13
2.3
2.3.1
2.3.2
2.3.2.1
O Modelo NEWAVE...........................................................................19
2.3.2.2
2.3.3
3
Introduo ...........................................................................................................23
3.2
3.2.1
3.2.2
3.2.3
viii
3.2.4
3.3
Projeto de Experimentos...................................................................................38
3.3.1
3.3.2
3.3.3
3.3.4
3.3.4.1
3.3.4.2
3.3.4.3
3.3.5
3.4
3.4.1
Fundamentos ..............................................................................................55
3.4.2
Topologias de Rede...................................................................................57
3.4.3
3.4.4
Introduo ...........................................................................................................63
4.2
4.2.1
4.2.2
4.2.3
4.2.4
4.2.5
ix
4.2.6
4.3
4.3.1
4.3.2
4.3.3
4.4
4.4.1
4.4.2
4.4.3
Introduo ...........................................................................................................88
5.2
5.2.1
5.2.2
5.3
5.4
5.5
5.5.1
5.5.2
6.2
BIBLIOGRAFIA........................................................................................................ 111
x
ANEXOS........................................................................................................................... 115
ANEXO I - Multilayer Perceptron .............................................................................. 116
ANEXO II - O Algoritmo Backpropagation .............................................................. 119
ANEXO III - Procedimento de Elaborao das Redes Neurais........................... 122
xi
LISTA DE FIGURAS
xii
Figura 4-5 Diagrama de Pareto para o Grupo1 DOE Fatorial Fracionado............79
Figura 4-6 Definio do Taguchi para os fatores principais........................................81
Figura 4-7 Arquitetura das RNAs Obtidas.....................................................................85
Figura 5-1 Custos Marginais de Operao do Submercado Sudeste .......................89
Figura 5-2 Influncia das variveis ReSub1 e VEaf1 no CMO do Sudeste .............91
Figura 5-3 CMO simulados pela RNA para o Submercado Sudeste ........................92
Figura 5-4 Mediana para o CMO do Sudeste ...............................................................93
Figura 5-5 CMO tpicos simulados com a RNAB..........................................................94
Figura 5-6 CMO extremos simulados com a RNAA .....................................................95
Figura 5-7 Modelo de Simulao Elaborado .................................................................96
Figura 5-8 Valores testados na RNAQ ...........................................................................97
Figura 5-9 Valores simulados pelo modelo de RNAs In Sample ........................99
Figura 5-10 CMO do Sudeste simulados na RNAQ.................................................. 101
Figura 5-11 CMO do Sudeste simulados com as trs RNAs em conjunto ........... 101
Figura 5-12 Carta de controle dos resduos In Sample ...................................... 105
Figura 5-13 Carta de controle dos resduos Out of Sample .............................. 107
Figura AI-1 Arquitetura de uma Rede MLP ................................................................ 118
Figura AIII-1 Etapas de elaborao de RNAs no STATISTICA ............................. 122
Figura AIII-2 Anlise de regresso com o IPS ........................................................... 123
Figura AIII-3 Seleo das variveis de entrada e sada ........................................... 123
Figura AIII-4 Nmero de RNAs Testadas e Escolhidas........................................... 124
Figura AIII-5 Critrios de seleo das RNAs ............................................................. 125
Figura AIII-6 Tipos de RNAs disponveis no software.............................................. 125
xiii
Figura AIII-7 Determinao do nmero de neurnios na camada oculta .............. 126
Figura AIII-8 Seleo da proporo treinamento, teste e seleo .......................... 127
Figura AIII-9 Tipos de codificao das sadas da MLP ............................................ 127
Figura AIII-10 RNAs a serem mostradas ao final do processo .............................. 128
Figura AIII-11 Processo de treinamento das RNAs.................................................. 128
Figura AIII-12 Grfico Simulao das RNAs X Valores do Newave ...................... 130
Figura AIII-13 Histograma de resduos........................................................................ 131
Figura AIII-14 Modelo de RNA elaborada ................................................................... 131
Figura AIII-15 Ferramenta Code Generator do STATISTICA.................................. 133
Figura AIII-16 Criao do algoritmo da RNA em linguagem C ................................ 133
xiv
LISTA DE TABELAS
Tabela 3-1 Exemplo Padro Para um Experimento com 3 Fatores em 2 Nveis ....46
Tabela 3-2 Tabela de Experimentos Para o Fatorial Fracionrio 2 3-1 .......................48
Tabela 4-1 Limites da varivel volume do reservatrio para os submercados ........66
Tabela 4-3 Limites das variveis - Custo das classes trmicas.................................66
Tabela 4-4 Limites de Mnimo e Mximo para a ITS de cada Submercado ............67
Tabela 4-5 Limites para o mercado de energia de cada submercado ......................68
Tabela 4-6 Limites das Variveis ExpHS .......................................................................69
Tabela 4-7 Limites das Variveis ExpTS para os Submercados ...............................69
Tabela 4-8 Limites da Varivel Energia Afluente de Agosto para os Submercados .......... 70
xv
Tabela 5-6 Resduos relativos para os cenrios Out of Sample simulados ....... 106
Tabela AI-1 Principais Funes de Ativao.............................................................. 117
Tabela AIII-1 Anlise da Srie Gerada pela RNA...................................................... 132
xvi
Lista de Abreviaturas
ANEEL Agncia Nacional de Energia Eltrica
MAE Mercado Atacadista de Energia Eltrica
ONS Operador Nacional do Sistema
EPE Empresa de Pesquisa Energtica
CCEE Cmara de Comercializao de Energia Eltrica
ACL Ambiente de Contratao Livre
ACR Ambiente de Contratao Regulada
SEB Setor Eltrico Brasileiro
MME Ministrio de Minas e Energia
DNAE Departamento Nacional de guas e Energia Eltrica
CMSE Comit de Monitoramento do Setor Eltrico
CEPEL Centro de Pesquisa em Energia Eltrica
SIN Sistema Interligado Nacional
NEWAVE Software de Otimizao Energtica utilizado no Brasil
DECOMP Software utilizado no Brasil para a formao de preo da energia
NEWDESP Software utilizado no Brasil para realizar o despacho timo das
usinas para o primeiro ms de estudo
DOE Design of Experiments (Projeto de Experimentos)
RNA Rede Neural Artificial
MLP Multi Layer Perceptron (Rede Neural Multicamadas)
CMO Custo Marginal de Operao
PLD Preo de Liquidao das diferenas
Backpropagation Algoritmo de treinamento de Redes Neurais
xvii
PDE Programao Dinmica Estocstica
PDDE Programao Dinmica Dual Estocstica
DOE Fatorial Tipo de Projeto de Experimentos, pode ser do tipo Fatorial
Completo ou Fatorial Fracionado
DOE de Plackett-Burman Tipo de Projeto de Experimentos de Resoluo III
DOE de Taguchi Tipo de Projeto de Experimentos robusto que utiliza as
variveis de rudo para elaborao do projeto experimental
IPS Intelligent Problem Solver
PCA Tcnica de Anlise de Componentes Principais
SNN Ferramenta Statistica Neural Networks
RNAQ Rede Neural de Qualificao
RNAB Rede Neural para simulao de casos qualificados como CMO baixo
RNAA Rede Neural para simulao de casos qualificados como CMO alto
xviii
Lista de Smbolos
xix
Taxa Taxa de crescimento do mercado (%);
ReSub1 Nvel de reservatrio do Submercado Sudeste (%);
ReSub2 Nvel de reservatrio do Submercado Sul (%);
ReSub3 Nvel de reservatrio do Submercado Nordeste (%);
ReSub4 Nvel de reservatrio do Submercado Norte (%);
VEaf1 Energia Afluente do Submercado Sudeste (MW ms);
VEaf2 Energia Afluente do Submercado Sul (MW ms);
VEaf3 Energia Afluente do Submercado Nordeste (MW ms);
VEaf4 Energia Afluente do Submercado Norte (MW ms);
CO Custo do combustvel leo (R$/MWh);
CG Custo do combustvel gs natural (R$/MWh);
CC Custo do combustvel carvo (R$/MWh);
CD Custo do combustvel diesel (R$/MWh);
ITS1 Indisponibilidade de potencia das usinas trmicas do Sudeste (MW ano);
ITS2 Indisponibilidade de potencia das usinas trmicas do Sul (MW ano);
ITS3 Indisponibilidade de potencia das usinas trmicas do Nordeste (MW ano);
ExpHS1 Expanso da oferta hidrulica do Submercado Sudeste (MW);
ExpHS2 Expanso da oferta hidrulica do Submercado Sul (MW);
ExpHS3 Expanso da oferta hidrulica do Submercado Nordeste (MW);
ExpHS4 Expanso da oferta hidrulica do Submercado Norte (MW);
ExpTS1 Expanso da oferta trmica do Submercado Sudeste (MW);
ExpTS2 Expanso da oferta trmica do Submercado Sul (MW);
ExpTS3 Expanso da oferta trmica do Submercado Nordeste (MW);
Cmo11 Custo marginal de operao do Sudeste para patamar de carga pesado
(R$/MWh);
xx
Cmo12 Custo marginal de operao do Sudeste para patamar de carga mdio
(R$/MWh);
Cmo13 Custo marginal de operao do Sudeste para patamar de carga leve
(R$/MWh);
Cmo21 Custo marginal de operao do Sul para patamar de carga pesado
(R$/MWh);
Cmo22 Custo marginal de operao do Sul para patamar de carga mdio
(R$/MWh);
Cmo23 Custo marginal de operao do Sul para patamar de carga leve
(R$/MWh);
Cmo31 Custo marginal de operao do Nordeste para patamar de carga
pesado (R$/MWh);
Cmo32 Custo marginal de operao do Nordeste para patamar de carga mdio
(R$/MWh);
Cmo33 Custo marginal de operao do Nordeste para patamar de carga leve
(R$/MWh);
Cmo41 Custo marginal de operao do Norte para patamar de carga pesado
(R$/MWh);
Cmo42 Custo marginal de operao do Norte para patamar de carga mdio
(R$/MWh);
Cmo43 Custo marginal de operao do Norte para patamar de carga leve
(R$/MWh);
GH11 Gerao hidrulica mensal do Sudeste para patamar de carga pesado
(MW ms);
GH12 Gerao hidrulica mensal do Sudeste para patamar de carga mdio
(MW ms);
xxi
GH13 Gerao hidrulica mensal do Sudeste para patamar de carga leve (MW
ms);
GH21 Gerao hidrulica mensal do Sul para patamar de carga pesado (MW
ms);
GH22 Gerao hidrulica mensal do Sul para patamar de carga mdio (MW
ms);
GH23 Gerao hidrulica mensal do Sul para patamar de carga leve (MW
ms);
GH31 Gerao hidrulica mensal do Nordeste para patamar de carga pesado
(MW ms);
GH32 Gerao hidrulica mensal do Nordeste para patamar de carga mdio
(MW ms);
GH33 Gerao hidrulica mensal do Nordeste para patamar de carga leve (MW
ms);
GH41 Gerao hidrulica mensal do Norte para patamar de carga pesado (MW
ms);
GH42 Gerao hidrulica mensal do Norte para patamar de carga mdio (MW
ms);
GH43 Gerao hidrulica mensal do Norte para patamar de carga leve (MW
ms);
EARMF1 Energia armazenada final do Submercado Sudeste (MW ms);
EARMF2 Energia armazenada final do Submercado Sul (MW ms);
EARMF3 Energia armazenada final do Submercado Nordeste (MW ms);
EARMF4 Energia armazenada final do Submercado Norte (MW ms);
RSud Risco de dficit de energia no Submercado Sudeste (%);
RS Risco de dficit de energia no Submercado Sul (%);
RNste Risco de dficit de energia no Sub mercado Nordeste (%);
xxii
RN Risco de dficit de energia no Submercado Norte (%);
ME Margem de erro;
PSE Distncia de Lenths;
X Varivel de entrada do modelo de redes neurais;
Whj Matriz de pesos dos ramos para a primeira camada de uma rede neural;
B Valores de Bias;
g h Funo de transferncia da primeira camada de uma rede neural;
Wih Matriz de pesos dos ramos para a segunda camada de uma rede neural;
g i Funo de transferncia da segunda camada de uma rede neural;
original;
CAPTULO 1 - INTRODUO
1 INTRODUO
CAPTULO 1 - INTRODUO
livres,
comercializadores
geradores.
Neste
ambiente
CAPTULO 1 - INTRODUO
O programa NEWAVE responsvel pela gerao do CMO, representa o gargalo
na avaliao dos riscos de investimentos e de carteiras, pois o seu tempo
computacional bastante elevado. Dado que a maioria dos aplicativos que
avaliam risco utilizam a Simulao de Monte Carlo que por sua vez baseada
num processo iterativo, o nmero de simulaes do programa NEWAVE tende a
ser elevado impactando no tempo computacional destes aplicativos.
CAPTULO 1 - INTRODUO
artificiais (RNA). No Captulo 5 so apresentados os resultados obtidos para o
CMO do Submercado Sudeste obtidos atravs do modelo desenvolvido. Para
finalizar, no Captulo 6 so apresentadas as concluses deste trabalho.
2 REVISO BIBLIOGRFICA
2.1 Introduo
segregao
das
atividades
de
No fcil identificar as partes supridora e os consumidores. O uso da rede por uma transao
pode inibir o uso da mesma por out ra comercializao.
GERAO
GERADOR 1
GERADOR 2
DESPACHO
E
TRANSPORTE
GERADOR n
OPERADOR
DO SISTEMA E
DO MERCADO
VAREJO
E
DISTRIBUIO
D1
Dn
V1
Vn
CONSUMIDORES
FINAIS
CONSUMIDOR 1
MONOPLIO
CONSUMIDOR n
reserva
girante,
elasticidade
da
demanda
de
energia
10
despacho
econmico
dos
geradores
que
participam
do
mercado
11
12
Este trabalho esta direcionado para esta linha de mtodos conforme ser
apresentado nos captulos seguintes.
13
14
Uma figura importante que surgiu com o novo modelo do setor foi a do consumidor
livre 3. Esse tipo de consumidor pode adquirir energia de qualquer fornecedor.
Segundo Kligerman (1999), a Lei nmero 9.074 de julho de 1995 (Lei das
Concesses) e o Decreto nmero 2003 de setembro de 1996 avanaram no
processo de reestruturao mediante a criao da figura do produtor independente
de energia que de maneira diferente do concessionrio de servio pblico, passou
a assumir os riscos de comercializao de sua energia ou parte dela, introduzi ndo
assim um carter mais competitivo no setor.
Entre agosto de 1996 e novembro de 1998, foi executado um extenso projeto para
a reestruturao do setor eltrico brasileiro (SEB), coordenado pelo Ministrio das
Minas e Energia (MME) contando com a participao de consultores da Coopers &
Lybrand, denominado RE-SEB (Eletrobrs, 1998). Um grande nmero de
trabalhos foi produzido irradiando uma srie de sugestes prticas para a
reestruturao desse setor no Brasil, inclusive a criao de um mercado
atacadista de energia, substituindo o sistema de preos regulamentados de
gerao.
O modelo proposto para o setor eltrico brasileiro seguiu os padres dos modelos
internacionais, mas sem deixar de detalhar as caractersticas diferenciadas do
sistema eltrico nacional, dentre as mais importantes possvel se destacar:
predominncia de gerao hidroeltrica com a interdependncia espacial e
temporal das usinas.
Neste novo modelo, para que pudesse ocorrer a competio, fazia-se necessria
introduo de um mercado livre para elaborao de Contratos de Compra e
Venda de Energia entre geradores, comerciali zadores e distribuidores. Os preos
Para se tornar um CL, o consumidor deve necessariamente possuir um montante superior a 3MW
de pot ncia instalada.
15
as de definir normas
e procedimentos para
Foi criado em maio de 1998 pela a Lei n. 9.648 a figura do Operador Nacional do
Sistema Eltrico (ONS), que uma instituio pblica de direito privado sem fins
lucrativos, cujas principais atividades so a da coordenao e controle da
operao das usinas de gerao e linhas de transmisso de energia eltrica do
sistema interligado brasileiro. O mercado de energia passa a ter uma cmara de
negociao denominado MAE. Tanto o ONS quanto o MAE foram regulamentados
pelo Decreto n. 2.655, de julho de 1998.
16
CC
Ambiente de
Contratao
Livre
(ACL)
CL
17
18
Afluncias
Futuras
Conseqncias
Operativas
ALTAS
Operao Econmica
BAIXAS
Dficit de Energia
ALTAS
Vertimento dos
Reservatrios
BAIXAS
Operao Econmica
Usar Gerao
Hidroeltrica
Minimizar o
Custo de
Combustveis
Usar Gerao
Termoeltrica
Manter o
Volume dos
Reservatrios
2.3.2.1
O Modelo NEWAVE
19
2.3.2.2
O Modelo DECOMP
20
Foi proposta por MEDEIROS (2003) uma metodologia para previso do preo de
curto prazo (spot) da energia eltrica no Brasil baseada em sistemas Neuro-Fuzzy.
Nessa abordagem, foi gerado um histrico para algumas variveis de entrada a
partir de simulaes no programa NEWAVE. As variveis utilizadas para
elaborao do modelo foram:
21
22
3.1 Introduo
A terceira parte trata das redes neurais que sero utilizadas na modelagem do
programa NEWAVE.
23
Condies hidrolgicas;
Demanda;
Preos de combustvel;
24
b) Sistemas Hidrotrmicos
Ao contrrio dos sistemas puramente trmicos, sistemas com uma porcentagem
substancial de gerao hidroeltrica (semelhante ao sistema brasileiro) podem
25
de
energia
hidroeltrica
limitada
pela
capacidade
de
armazenamento nos reservatrios. Isto introduz uma relao entre uma deciso
de operao em uma determinada etapa e as conseqncias futuras desta
deciso. Por exemplo, se decidirmos utilizar energia hidroeltrica para atender o
mercado hoje e no futuro ocorrer uma seca, poder ser necessrio utilizar gerao
trmica de custo elevado ou, mesmo, interromper o fornecimento de energia. Por
outro lado, se optarmos por fazer uso mais intensivo de gerao trmica,
conservando elevados os nveis dos reservatrios e ocorrerem vazes altas no
futuro, poder haver vertimento no sistema, o que representa um desperdcio de
energia e, em conseqncia, um aumento desnecessrio no custo de operao.
medido
em
termos
da
economia
esperada
dos
afluentes
aos
reservatrios,
que
variam
sazonalmente
26
O valor da energia gerada por uma hidroeltrica somente pode ser medido
em termos da economia resultante nos custos de gerao trmica ou
dficits evitados e no diretamente como uma funo apenas do estado da
usina;
nvel dos
27
Com este conceito, pode-se representar uma hidroeltrica como uma "trmica"
cujo "custo marginal de operao" o valor da gua. Entretanto, importante
observar que este valor no se mede de maneira isolada em cada usina, pois
depende da operao conjunta do sistema. Em outras palavras, se a poltica tima
hidrotrmica de cada empresa for calculada de maneira isolada, os intercmbios
de energia posteriores, mesmo baseados nos valores da gua de cada empresa,
no resultam na operao mais econmica possvel.
28
29
30
de
acordo
com uma
poltica
de
operao
estabelecida.
31
Ji
i 1
j 1
EA Vi ( i (hi ) j (h j ))
Eq. 3.1
- Energia Controlvel
A energia controlvel a energia que pode ser efetivamente incorporada ao
reservatrio equivalente de energia, at o limite EA . Esta energia estimada
como o produto do volume afluente natural a cada reservatrio com a soma de
sua produtibilidade e as de todas as usinas a fio d'gua existentes entre o
reservatrio e o prximo reservatrio a jusante.
FRi
i 1
j 1
Eq. 3.2
32
jusante.
- Energia a Fio Dgua
A energia a fio d'gua corresponde energia afluente s usinas a fio d'gua, a
qual no pode ser armazenada. Esta energia calculada multiplicando-se a
produtibilidade da usina pela diferena entre o volume afluente natural e o volume
afluente natural s usinas com reservatrio situadas imediatamente a montante.
Estes volumes so limitados pelo limite de turbinamento mximo em cada usina a
fio d'gua.
Eq. 3.3
i 1
33
Gerao mxima;
Gerao mnima;
c) Interrupo do Fornecimento
O dficit de fornecimento de energia representado como uma unidade trmica
de capacidade igual demanda, com custo de operao igual ao custo atribudo
interrupo de fornecimento de energia. Este custo pode ser varivel de acordo
com a profundidade do dficit, prevendo-se um mximo de quatro segmentos
lineares.
d) Limites de Intercmbio
Dissertao de Mestrado Anderson Rodrigo de Queiroz
34
Coeficientes de perdas;
estabilidade.
Supe-se
que
as
empresas
dispem
de
ferramentas
35
Demandas
Energia armazenvel mxima
Gerao Hidroeltrica
Energia controlvel
Energia a fio d'gua
Gerao mxima
Gerao mnima
Gerao Trmica
Custo incremental de operao [$/MWh]
Fator de indisponibilidade
Intercmbio Mximo [MW]
Intercmbio Vizinho
Coeficiente de perdas
Fator de disponibilidade - sadas foradas
Interrupo de Fornecimento
Os
36
Custo do dficit;
37
Gerao Hidrulica
Custo do dficit
38
Embora muito antiga, a difuso desta metodologia foi tardia devido dificuldade
em tornar factveis seus complexos e morosos clculos; entretanto, com o advento
dos modernos programas computacionais voltados para a rea, como o MINITAB
(MINITAB, 2003) e o STATISTICA (STATISTICA, 2006), essa metodologia tornouse mais acessvel sendo utilizada com grande sucesso nas mais diferentes reas.
Alm dos programas computacionais, um outro fator que tem despertado o
interesse pelo DOE nas mais diferentes organizaes a Metodologia 6 Sigma,
desenvolvida pela empresa Motorola na dcada de 90 e adotada no mundo inteiro
pela General Electric.
39
Experimentos
Fatores
x1
+
+
+
+
-
x2
+
+
+
+
-
x3
+
+
+
+
-
Nveis
os
chamados
fatores
incontrolveis.
Na
elaborao
dos
40
no
modelo.
Esta
escolha
considera
dois
aspectos:
41
42
x1 x2 xn
Fatores
Controlveis
Entradas
Sadas
NEWAVE
Fatores
Incontrolveis
z1 z2 zm
43
DOE
Matriz
Experimental
(Amostra)
NEWAVE
Treinamento
das RNAs
44
45
Sub1 Demanda
[MW]
ReSub1
Nvel de
Reservatrio
[%]
VEaf1
Energia
Afluente
[MW]
30113,18
0,2
19384
34867,89
0,2
19384
30113,18
0,9
19384
34867,89
0,9
19384
30113,18
0,2
42054
34867,89
0,2
42054
30113,18
0,9
42054
34867,89
0,9
42054
O procedimento se repete para tantas colunas quantos forem os fatores at a ksima coluna, na qual os sinais se alteraro em grupos de 2k 1 experimentos
cada.
46
O DOE utilizado para a verificao dos efeitos principais dos fatores pode ser um
experimento de resoluo III. Se k+1 potncia de 2, o projeto de resoluo III
definido como fatorial fracionado. O nmero de experimentos definidos por esse
projeto 2k-p. Se k+1 no potncia de 2, mas mltiplo de 4, o projeto de
experimentos conhecido como DOE de Plackett-Burman (KLEIJNEN et al.,
2005).
Uma quantidade muito grande de fatores pode tornar o processo de experimentao invivel.
Confundimento uma tcnica utilizada para ac omodar um experiment o fatorial completo em
blocos utilizando um nmero menor de experiment os. Quando um efeito no pode ser estimado
separadamente diz-se que existe confundimento.
11
Segundo Montgomery (1997), busca-se sempre utilizar o projeto que possua a resoluo mais
alta.
10
47
C =A xB
48
DOE
Combinado
Respostas
DOE para
fatores principais
DOE para
fatores de rudo
Figura 3-8 Metodologia de Aplicao do DOE Combinado
Muitos tipos diferentes de experimentos foram utilizados nesse contexto. Em 1987
Taguchi props um mtodo para analisar as relaes de dependncia entre os
fatores, levando em considerao a robustez do design. Deste modo, se um fator
Dissertao de Mestrado Anderson Rodrigo de Queiroz
49
Em cada uma das etapas do DOE deve ser escolhido o modelo mais simples que
possa capturar as caractersticas essenciais do sistema (KLEIJNEN et al., 2005).
As trs etapas definidas nesse trabalho so:
50
1Aplicao
2Aplicao
3Aplicao
Identificao dos
Fatores Principais
Verificao das
Interaes entre
os Fatores
Elaborao Final
da Matriz
Experimental
DOE de PlackettBurman
DOE Fatorial
Fracionado
Combinao de
Experimentos
12
Essa influncia em alguns casos pode ser at maior do que o efeito da varivel isolada.
51
52
53
Avaliao de crdito.
54
3.4.1 Fundamentos
A arquitetura;
O algoritmo de aprendizagem.
55
Net w1 x1 w2 x2 w3 x3 ... wD xD w j x j wT x
Eq. 3.5
j 1
y ( w j x j )
Eq. 3.6
j 1
56
57
Realimentao
Entradas
Propagao para frente
58
59
60
comumente,
que
quanto
maior
for
nmero
de
clssico
de
anlise
multivariada
para
reduo
de
apenas
os
primeiros
CPs,
que
maximizam
4. Otimizao
61
8. Uso Stand-alone
9. Arquitetura Hbridas
62
4.1 Introduo
63
Nveis de reservatrios;
Alm das variveis citadas, existem outras que tambm podem afetar os
parmetros de sada, so os limites de intercmbio entre os submercados, o custo
de dficit e parmetros do prprio NEWAVE, tais como a ordem mxima do
modelo de gerao das sries sintticas de energia afluente e o nmero de
64
Para esse trabalho, as variveis esto relacionadas com o caso base do NEWAVE
do ms de agosto de 200613. A partir dos valores presentes nesse caso, so
definidos alguns procedimentos para a modelagem dos limites das variveis do
sistema.
Os
principais
parmetros
serem manipulados
para
as
caractersticas
65
ReSub2
ReSub3
ReSub4
Mnimo
20,00%
20,00%
20,00%
20,00%
Mximo
90,00%
90,00%
90,00%
90,00%
Aps a obteno dos valores adotou-se uma variao nos custos dos
combustveis de -5% a +20% para se definir os limites de mnimo e mximo para
cada uma das variveis referentes ao custo das usinas trmicas. A Tabela 4-2
mostra os limites (em R$/MWh) adotados para cada uma das variveis das
classes trmicas.
CG
CC
CD
Mnimo
488,52
110,16
142,53
591,38
Mximo
617,08
139,15
180,04
747,00
A indisponibilidade das usinas trmicas (varivel ITS) possui dois fatores distintos
a serem considerados: TEIF e IP (ambos em %), que representam a taxa de
indisponibilidade forada e a taxa de indisponibilidade programada de cada usina
trmica. A soma desses dois fatores multiplicada pela potncia da usina
representa a indisponibilidade de potncia (em MW ano) da mesma durante o ano.
66
ITS2
ITS3
Mnimo
505,16
326,01
93,41
Mximo
757,74
489,01
140,11
15
obtido atravs do somat rio dos mercados mensais (de agosto de 2006 a julho de 2007)
dividido por 12 (nmero de meses).
67
Sub2
Sub3
Sub4
Mnimo
30113,18
7801,8
6879,19
3259,37
Mximo
34867,89
9033,66
7965,38
3774,01
Alm disso, foi inserida uma nova varivel, Taxa de Crescimento do Mercado,
para auxiliar o crescimento da demanda ao longo dos anos. O mercado de energia
representado no NEWAVE para cinco anos de estudo . A varivel taxa de
crescimento do mercado tem o objetivo de representar o crescimento da demanda
em cada ano. O valor de 2% foi atribudo ao crescimento mnimo da demanda e
6% ao mximo.
16
Ano final de estudo do programa NEWAVE para o caso base de agosto de 2006.
68
ExpHS2
ExpHS3
ExpHS4
Mnimo
1675,8
1119,9
495,8
Mximo
3765,1
2039,9
440
1245,8
ExpTS2
ExpTS3
Mnimo
1644,8
1270,77
2588
Mximo
5538,13
2202,77
3904,23
69
VEaf2
VEaf3
VEaf4
Mnimo
19384
3535,8
3768,3
1895,8
Mximo
42054
8735,5
12004,5
9302,8
70
mercado
de
curto
prazo,
ou
seja,
energia
originada
do
18
O custo marginal uma das variveis obtidas pelo NEWAVE mais investigadas e o foco
principal dessa dissertao.
71
Definio da Varivel
Custo marginal de operao de operao do Sudeste para o patamar pesado.
Custo marginal de operao do Sudeste para o patamar mdio.
Custo marginal de operao do Sudeste para o patamar leve.
Custo marginal de operao do Sul para o patamar pesado.
Custo marginal de operao do Sul para o patamar mdio.
Custo marginal de operao do Sul para o patamar leve.
Custo marginal de operao do Nordeste para o patamar pesado.
Custo marginal de operao do Nordeste para o patamar mdio.
Custo marginal de operao do Nordeste para o patamar leve.
Custo marginal de operao do Norte para o patamar pesado.
Custo marginal de operao do Norte para o patamar mdio.
Custo marginal de operao do Norte para o patamar leve.
Gerao hidrulica do Sudeste para o patamar pesado.
Gerao hidrulica do Sudeste para o patamar mdio.
Gerao hidrulica do Sudeste para o patamar leve.
Gerao hidrulica do Sul para o patamar pesado.
Gerao hidrulica do Sul para o patamar mdio.
Gerao hidrulica do Sul para o patamar leve.
Gerao hidrulica do Nordeste para o patamar pesado.
Gerao hidrulica do Nordeste para o patamar mdio.
Gerao hidrulica do Nordeste para o patamar leve.
Gerao hidrulica do Norte para o patamar pesado.
Gerao hidrulica do Norte para o patamar mdio.
Gerao hidrulica do Norte para o patamar leve.
Energia armazenada final do Sudeste.
Energia armazenada final do Sul.
Energia armazenada final do Nordeste.
Energia armazenada final do Norte.
Risco de dficit do Sudeste.
Risco de dficit do Sul.
Risco de dficit do Nordeste.
Risco de dficit do Norte.
72
Mercado de Energia
Custo Marginal
Taxa de Crescimento
Energia Afluente
Nvel de Reservatrio
Gerao Hidrulica
Custo de Combustivel
Indisponibilidade
Expanso Hidrulica
Risco de Dficit
Expanso Trmica
73
Sub1
Sub2
Sub3
...
Taxa
...
Cm o11
Cm o12
Cm o13
...
1
2
3
4
5
6
7
...
30113,2
30113,2
30113,2
34867,9
30113,2
34867,9
30113,2
...
9033,66
7801,80
7801,80
7801,80
7801,80
9033,66
9033,66
...
7965,38
6879,19
7965,38
7965,38
6879,19
7965,38
7965,38
...
...
...
...
...
...
...
...
...
0,02
0,02
0,06
0,06
0,02
0,06
0,06
...
...
...
...
...
...
...
...
...
7,45
316,76
39,94
230,01
934,55
160,42
107,56
...
7,45
316,76
39,94
183,8
934,55
157,02
103,06
...
7,44
316,3
39,88
183,52
932,95
156,77
102,09
...
...
...
...
...
...
...
...
...
19
Quando duas variveis possuem um coeficiente de c orrelao prximo de um, isto significa que
estas variveis apres entam um comport ament o muito semelhante, ou seja, a presena de um
terceiro fator que afeta uma delas influenciar a outra tambm.
74
Grupo 2
Grupo 3
Grupo 4
Grupo 5
Cmo11
Cmo31
Cmo41
Rsd
Earmf4
Cmo12
Cmo32
Cmo42
Rs
Cmo13
Cmo33
Cmo43
Rnt e
Cmo21
Earmf3
Gh41
Rn
Cmo22
Gh31
Gh42
Cmo23
Gh32
Gh43
Earmf1
Gh33
Gh11
Gh12
Gh13
Gh21
Gh22
Gh23
Foram analisadas apenas uma das variveis de cada grupo (a mais fortemente
correlacionada com as demais). A Figura 4-3 mostra o diagrama de Pareto para o
Grupo 1 representado pela varivel de sada Cmg11.
Dissertao de Mestrado Anderson Rodrigo de Queiroz
75
Term
2,306
ReSub1
VEaf1
ReSub4
VEaf2
Sub2
ExpHS3
VEaf4
VEaf3
CO
ITS2
ExpTS3
Sub1
ITS3
ExpTS2
ExpHS4
CD
ExpHS2
Taxa mercado
CG
ExpTS1
ReSub2
ReSub3
ITS1
Sub3
ExpHS1
Sub4
CC
3
4
Standardized Effect
ME t PSE
Eq. 4.1
76
10
11
12
13
14
Variv el
Sub1
Sub2
Sub3
Taxa
VEaf 1
VEaf 4
ReSub 1
ReSub 2
ReSub 3
ReSub 4
CO
ITS2
ExpTS1
ExpTS2
Para essa etapa do DOE, foram definidos mais trinta e seis experimentos para
serem simulados no NEWAVE. Os primeiros 32 casos devem-se a expresso
2149 32 do fatorial fracionado, que define um projeto de resoluo IV e mais
20
77
21
A no ser para as variveis VEaf2 e VEaf3 que foram modeladas de acordo c om os valores das
medianas de seus histricos.
78
Term
3,182
AJ
AM
G
AL
AN
E
AO
AK
H
D
F
C
J
A
M
AD
B
AF
AG
AC
K
O
CO
CL
N
AH
L
AE
F actor
A
B
C
D
E
F
G
H
J
K
L
M
N
O
2
Standardized Effect
N ame
S ub1
S ub2
S ub3
Taxa mercado
V E af1
V E af4
ReS ub1
ReS ub2
ReS ub3
ReS ub4
CO
ITS 2
E xpTS 1
E xpTS 3
A anlise pelo Pareto somente uma anlise visual, ou seja, as variveis que
ultrapassam a linha tracejada possuem efeitos principais sobre as variveis de
sada. No entanto, para determinar quo forte esta influncia pode-se realizar
uma anlise do valor p, ou seja, a probabilidade associada de que se est
79
Effect
178,35
1
2
3
40,86
37,65
-57,61
71
102,86
-71
-125,88
91,69
-57,17
-8,92
1,34
-40,09
-3,95
6,33
25,36
-39,3
-0,53
27,18
-25,38
2,01
-138,07
-96,8
105,28
-135,91
-104,37
99,71
-5,36
5,67
Coef
SE Coef
18,82
9,48
-61,28
30,74
148,61
30,74
-60,69
30,74
20,43
18,82
18,83
18,82
-28,8
18,82
35,5
18,82
51,43
18,82
-35,5
18,82
-62,94
18,82
45,84
18,82
-28,59
18,82
-4,46
18,82
0,67
18,82
-20,04
18,82
-1,97
18,82
3,16
18,82
12,68
18,82
-19,65
18,82
-0,27
18,82
13,59
18,82
-12,69
18,82
1
18,82
-69,03
18,82
-48,4
18,82
52,64
18,82
-67,95
18,82
-52,18
18,82
49,85
18,82
-2,68
18,82
2,83
18,82
-84,31
56,47
T
0,002
-1,99
4,83
-1,97
1,09
1
-1,53
1,89
2,73
-1,89
-3,34
2,44
-1,52
-0,24
0,04
-1,06
-0,1
0,17
0,67
-1,04
-0,01
0,72
-0,67
0,05
-3,67
-2,57
2,8
-3,61
-2,77
2,65
-0,14
0,15
-1,49
P
0,14
0,017
0,143
0,357
0,391
0,223
0,156
0,072
0,156
0,044
0,093
0,226
0,828
0,974
0,365
0,923
0,877
0,549
0,373
0,99
0,522
0,549
0,961
0,035
0,082
0,068
0,036
0,069
0,077
0,896
0,89
0,232
Atravs da anlise para as demais variveis dos demais grupos, foi possvel
verificar que todas as 14 variveis de entrada possuem efeito sobre os parmetros
de sadas, seja atravs da interao com outras variveis ou isoladamente.
80
Esse fator aleatrio foi includo a fim de que, no treinamento, as redes neurais no capturem um
comport amento discreto (apenas valores mnimos e mximos) das variveis de entrada, o que iria
prejudicar o modelamento do processo.
81
Sub2
Sub3
Taxa VEaf1
VEaf4
Re
Re
Re
Re
Sub1 Sub2 Sub3 Sub4
CO
ITS2
Exp
TS1
Exp
TS3
0,2
0,2
0,2
1645 2588
0,2
0,9
0,9
5538 3904
0,9
0,2
0,2
5538 3904
0,9
0,9
0,9
1645 2588
0,9
0,2
0,2
1645 3904
0,9
0,9
0,9
5538 2588
0,2
0,2
0,2
5538 2588
0,2
0,9
0,9
1645 3904
0,9
0,2
0,9
5538 2588
0,9
0,9
0,2
1645 3904
0,2
0,2
0,9
1645 3904
0,2
0,9
0,2
5538 2588
0,2
0,2
0,9
5538 3904
0,2
0,9
0,2
1645 2588
0,9
0,2
0,9
1645 2588
0,9
0,9
0,2
5538 3904
Alm dos fatores pri ncipais necessrio adicionar ao estudo as variveis de rudo
(secundrias) para completar o experimento combinando os dois tipos de
experimentos. Dessa maneira foi criado um experimento fatorial fracionado para
as 13 variveis de rudo. O experimento criado gerou 16 diferentes casos para
82
VEaf2
VEaf3
CG
CC
CD
ITS1
ITS3
1675,8
1119,9
495,8
2203
3478,8 1980,46
3765,1
2039,9
440
1245,8
2203
1675,8
2039,9
1245,8
1271
93,41
1675,8
2039,9
440
495,8
2203
3765,1
1119,9
1245,8
2203
1245,8
1271
3774,01 3535,8
3768,3
3259,37 8735,5
1675,8
1119,9
440
3259,37 3535,8
3768,3
1675,8
2039,9
440
495,8
2203
17181 757,74
93,41
3765,1
1119,9
1245,8
2203
3259,37 3535,8
93,41
3765,1
2039,9
440
1245,8
2203
3259,37 8735,5
3768,3
93,41
3765,1
1119,9
440
495,8
1271
3765,1
1119,9
440
495,8
1271
93,41
1675,8
1119,9
440
1245,8
1271
3478,8 1567,86
3765,1
2039,9
495,8
1271
3478,8 1980,46
17181 505,16
93,41
3765,1
2039,9
495,8
1271
3774,01 8735,5
3768,3
3478,8 1567,86
17181 505,16
93,41
1675,8
2039,9
1245,8
1271
3774,01 3535,8
17181 757,74
93,41
1675,8
1119,9
495,8
2203
83
A elaborao das redes neurais como dito anteriormente foi realizada utilizando o
software STATISTICA atravs do pacote SNN (STATISTICA Neural Networks).
Esse pacote apresenta algoritmos de treinamento otimizados 23, e possui total
controle sobre todos os aspectos que influenciam o desempenho da rede, tais
como: funes de ativao e erro, complexidade estrutural, etc.
A forma geral de uma rede neural pode ser dada pela codificao: I:N-N-N:O.
Nessa codificao24 I o nmero de variveis de entrada; O o nmero de
variveis de sadas e cada N representa o nmero de neurnios em cada camada.
84
X01
X02
X03
..
.
Whj
h1
h2
X27
gh
Wih
o1
o2
h3
.
.
.
hn
B1
o3
.
.
.
om
gi
d1
d2
d3
B2
X: So as entradas do modelo
Whj: a matriz de pesos dos ramos para a primeira camada
B1 e B2: So os valores de Bias que so utilizados no somatrio
gh: a primeira funo de transferncia
Wih: a matriz de pesos dos ramos para a segunda camada
gi: a segunda funo de transferncia
d: So as sadas da rede neural
85
Com isso o vetor das entradas multiplica matricialmente cada linha da matriz de
pesos Whj , gerando um vetor resultante de 14 valores. Desses 14 elementos do
vetor so somados os respectivos valores de bias B1 (tambm gerados pelo
STATISTICA durante o treinamento da rede).
Eq.4.2
eh eh
gh h
e e h
Eq.4.3
Eq.4.4
Do resultado dessa operao tm-se um vetor o com trs valores que sero
substitudos na funo gi de ativao da camada sada, que no caso a funo
lgica dada por:
25
A anlise feit a para o caso de uma rede que apresenta 27 variveis de ent rada, 14 neurnios
na camada oculta e 3 sadas.
86
gi
1
1 e o
Eq.4.5
87
5 RESULTADOS OBTIDOS
5.1 Introduo
O processo de simulao dos 328 casos no NEWAVE gerou diversos valores para
o CMO do Submercado Sudeste. Nos trs patamares de carga (pesada, mdia e
leve) os valores obtidos foram praticamente iguais para todos eles como pode ser
notado na Figura 5-1.
88
1200
1000
CMO
800
600
400
200
Case 323
Case 300
Case 277
Case 254
Case 231
Case 208
Case 185
Case 162
Case 139
Case 116
Case 93
Case 70
Case 47
Case 24
Case 1
-200
CMO11
CMO12
CMO13
S .D.Ratio
Re sduos
Amostra
Eq.5.1
Onde,
Dissertao de Mestrado Anderson Rodrigo de Queiroz
89
Um menor SD. Ratio indica uma melhor previso. O grau de preciso varia em
cada tipo de aplicao, entretanto, geralmente um S.D. Ratio de 0,1 ou menor
indica uma performance de regresso muito boa (STATISTICA, 2006).
26
90
Rank
Ratio
Rank
1,87
CO
1,45
18
Subs2
1,4
21
CG
1,14
25
Subs3
1,61
CC
1,46
17
Subs4
1,48
14
CD
1,09
27
Txmerc
1,52
13
ITS1
1,18
24
VEaf1
2,58
ITS2
1,34
22
VEaf2
1,84
ITS3
1,41
20
Subs1
VEaf3
1,8
ExpHS1
1,11
26
VEaf4
1,23
23
ExpHS2
1,73
ReSub1
3,87
ExpHS3
1,64
ReSub2
1,57
11
ExpHS4
1,55
12
ReSub3
1,46
15
ExpTS1
1,45
19
ReSub4
1,87
ExpTS2
1,59
10
ExpTS3
1,46
16
VEaf1
ReSub1
CMO
800
600
400
200
0
91
1200
1000
800
600
400
200
0
CMO
RNA
-200
1
24
47
70
93
116
139
162
185
208
231
254
277
300
323
O conjunto de casos simulados foi ento separado de tal forma para que os casos
que apresentam CMO elevado fossem isolados dos casos que possuam
Dissertao de Mestrado Anderson Rodrigo de Queiroz
92
CMO SUDESTE
A nderson-Darling N ormality Test
200
400
600
800
1000
A -S quared
P -V alue <
34,20
0,005
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
279,34
352,02
123915,31
1,56530
1,25541
328
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
1200
0,00
30,54
193,43
229,14
1283,23
317,57
198,30
326,98
381,23
Mean
Median
200
240
280
320
93
-20
1
13
25
37
49
61
73
85
97
109
121
133
145
157
Para os casos de CMO alto a melhor RNA obtida foi MLP 27:27-21-3:3, Essa rede
foi treinada durante 100 ciclos com o algoritmo Backpropagation e 146 com o
Gradiente Descendente Conjugado. O S.D. Ratio obtido para essa rede foi de
0,1937 e o desvio padro do conjunto de casos utilizados para a modelagem foi de
72,50. A Figura 5-6 mostra os casos simulados pela RNA A .
94
1200
1000
800
600
400
200
CMO
R.CMO
0
1
13
25
37
49
61
73
85
97
109
121
133
145
157
95
RNAB
Dados de
Entrada
RNAQ
OU
CMO
RNAA
96
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
97
Caso
CMO
RNAQ
Final
157,02
127,13
159,42
103,06
110,71
101,16
16
693,26
679,28
702,46
17
26,00
48,01
23,30
54
198,49
184,69
184,69
55
198,45
211,20
211,20
66
779,60
277,20
772,45
80
7,20
29,07
8,10
84
15,16
36,23
10,50
10
86
717,79
712,62
862,73
11
126
0,23
33,26
1,72
12
135
0,45
42,51
2,28
13
149
23,77
38,85
23,74
14
179
441,32
417,17
342,77
15
183
495,00
467,89
490,48
16
205
193,43
148,18
187,205
17
217
25,99
24,42
24,05
18
218
25,93
28,82
25,99
19
243
1222,93
1260,79
1219,90
20
301
203,64
200,29
200,29
21
304
177,22
133,86
177,71
22
311
184,47
191,74
191,74
23
320
53,10
102,80
54,21
24
327
212,13
196,30
196,30
A Figura 5-9 mostra o grfico dos valores simulados pelo modelo de RNAs.
98
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
Foi realizado testes nas RNAs utilizando casos que no pertencem amostra, ou
seja, casos que no fizeram parte do conjunto de treinamento 28.
Para os casos fora da amostra foram gerados 20 casos aleatrios, onde os limites
das variveis de entrada adotaram valores nas fai xas de mnimo e mximo
estipuladas anteriormente. Alm disso, foram includos cenrios reais obtidos
27
28
99
NEWAV E
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Ago
Jan
Fev
Mar
45,46
4,54
122,13
8,45
26,75
7,79
131,51
63,89
4,69
141,18
723,53
706,09
733,94
841,18
1024,81
353,79
226,36
1162,82
934,76
202,05
27,25
30,83
12,17
7,86
RNA
Teste
60,21
53,79
117,66
44,86
28,13
3,81
182,33
71,88
40,37
102,40
928,47
598,60
980,84
810,15
1028,04
569,57
242,47
1145,06
918,62
137,19
120,41
161,42
20,83
14,73
Valores
Finais
46,35
1,98
161,68
14,95
29,42
9,97
182,33
56,10
3,87
136,40
1185,92
683,08
917,62
993,13
944,38
406,86
196,81
1106,08
1130,94
164,95
30,10
10,11
7,79
5,01
100
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
1200
1000
800
600
400
200
Case 23
Case 21
Case 19
Case 17
Case 15
Case 13
Case 11
Case 9
Case 7
Case 5
Case 3
Case 1
-200
CMO
R.CMO
101
102
A Tabela 5-5 mostra os resduos relativos para cada um dos cenrios testados
que participaram do treinamento das RNAs.
29
103
RNA's
159,42
101,16
702,46
23,30
184,69
211,20
772,45
8,10
10,50
862,73
1,72
2,28
23,74
342,77
490,48
187,21
24,05
25,99
1219,90
200,29
177,10
191,74
54,21
196,30
Resduo Absoluto
2,40
1,91
9,20
2,70
13,80
12,75
7,16
0,89
4,66
144,95
1,48
1,83
0,02
98,55
4,52
6,22
1,94
0,07
3,03
3,35
0,12
7,27
1,11
15,83
104
30
Os limites de controle so formados pela mdia dos des vios relativos do conjunto de casos
somado + 3 para o limite de controle superior (UCL) e 3 para o limite de controle inferior
(LCL)
105
RNA's
46,35
1,98
161,68
14,95
29,42
9,97
182,33
56,10
3,87
136,40
1185,92
683,08
917,62
993,13
944,38
406,86
196,81
1106,08
1130,94
164,95
30,10
10,11
7,79
5,01
Resduo Absoluto
0,89
2,56
39,55
6,50
2,67
2,17
50,82
7,78
0,81
4,78
462,39
23,01
183,68
151,95
80,43
53,07
29,55
56,74
196,18
37,10
2,85
20,72
4,37
2,85
106
107
CAPTULO 6 CONCLUSO
6 CONCLUSO
anlise
de
experimentos
DOE,
para
eliminar
simulaes
108
CAPTULO 6 CONCLUSO
simulao elaborado pode atender a essa necessidade e viabilizar esse tipo de
anlise.
109
CAPTULO 6 CONCLUSO
Apesar de no apresentado nesta dissertao, o procedimento proposto pode ser
usado para clculo dos custos marginais das demais regies alm das outras
variveis de sada como risco de dficit, energia final armazenada, etc.
110
CAPTULO 7 BIBLIOGRAFIA
7 BIBLIOGRAFIA
ABDI, H., VALENTIN, D., EDELMAN, B., Neural Networks A Sage University Paper N. 124, 1999.
AMARAL, L. F. M., Dissertao de Mestrado: Modelos lineares e no lineares na modelagem do
preo spot de energia eltrica do Brasil PUC-Rio, 2003.
ANGELUS, A. Electricity Price Forecasting in Deregulated Markets. The Electricity Journal, April,
2001, p. 32-41.
BALESTRASSI, P. P., Identificao de Padres em Grficos de Controle Estatstico de Processos,
em Tempo Real, Utilizando Sries Temporais e Redes Neurais Artificiais, Tese de Doutorado
UFSC 2000.
BASTIAN, J., ZHU, J., BANUNA RAYANA N, V., AND MUKE RJI, R., Forecasting Energy Prices in a
Competitive Market, IEEE Computer Ap plications in Power, Vol. 12, No.3, pp. 40-45, 1999.
BATLLE, C.AND BARQUN, J., A Strategic Production Costing Model for Electricity Market Price
Analysis, IEEE Transactions on Power Systems, Vol. 20, No. 1, pp. 67 74, February 2005.
BENINI, M., MA RRA CCI, M., PELACCHI, P. AND VENTURINI, A. Day -ahead Market Price
Volatility Analysis in Deregulated Electricity Markets, Proceedings of IEEE Power E ngineering
Society Summer Meeting, 2002, Vol. 3, pp. 1354- 1359.
BUNN, D. W., Forecasting Loads and P rices in Competitive Power Markets, Proceedings of the
IEEE, Vol. 88 No. 2, pp. 163-169, 2000.
Cmara de Comercializao de Energia Eltrica www.ccee.org.br
CEPEL. DECOMP: Determinao da Coordenao da Operao a Curto Prazo. Manual do Usurio
v. 7.1 e Manual de Referncia, 1999a.
CEPEL. NEWAVE I e II: Planejament o da Operao a Longo Prazo de S ubmercados Hidrotrmicos
Interligados. Manual do Usurio, Especificao Funcional e Manual de Metodologia, 1999.
CEPEL, P rojeto NEWAVE Modelo Estratgico de Gerao Hidrot rmica a Subsistemas
Equivalentes - Manual do Usurio, 2006
CONEJO, A.J., PLA ZAS, M.A., ESPINOLA, R. A ND MOLINA, A.B. Day -A head Electricity Price
Forec asting Using the Wavelet Trans form and ARIMA Models, IEEE Transactions on Power
Systems, Vol. 20, No. 2, pp. 1035 1042, May 2005.
CONTRE RAS, J., ESPNOLA, R., NOGA LES, F.J. AND CONEJO, A.J. ARIMA Models to Predict
Next-Day Electricity Prices, IEEE Transactions on P ower Systems, Vol. 18, No. 3, pp. 1 014-1020,
August 2003.
DAHLGREN, R., LIU, C., AND LAWARREE, J., Volatility in the California P ower Market: Source,
Methodology and Recommendations, IEEE Proceedings Generation, Transmission and
Distribution, vol. 148, no. 2, pp. 189-193, Mar. 2001.
DEB, R., ALBE RT, R., HSUE, L.-L., AND B ROWN, N., How to Incorporate V olatility and Risk in
Electricity Price Forecasting, The Electricity Journal, May 2000.
111
CAPTULO 7 BIBLIOGRAFIA
DRAPE R, N., LIN, D. K. J. Capacity Considerations For Two-Level Fractional Factorial Designs ,
Journal of Statistical Planning and Inference, n.24, p. 25-35, 1990.
ELETROB RS RE -SEB Projeto de Restruturao do S etor Eltric o Brasileiro. Eletrobrs/Coopers
& Lybrand., 1998.
ETHIE R, R. AND MOUNT, T. Estimating the Volatility of Spot Prices in Restruc tured Electricity
Markets and the Implications for Option Values, 1998.
FREIMA N, J. P., Utilizao de Redes Neurais Artificiais na Previso de Indicadores Financeiros
para A valiao Econmica de Negcios em Situao de Risco UNIFEI, 2004.
GAO, F., GUA N, X., CAO, X. A ND PAPALE XOPOULOS, A. Forecasting Power Market Clearing
Price and Quantity Using a Neural Net work Method, Proceedings of Power Engineering Summer
Meeting, Seattle, WA, July 2000, pp. 2183 2188.
GARCIA, R. C., CONTRE RAS, J., AKKEREN, M. VAN, AND GARCIA, J.B.C. A GARCH
Forec asting Model to Predict Day-Ahead Electricity Prices, IEEE Transactions on Power Systems,
Vol. 20, No. 2, pp. 867 874, May 2005.
LI, G., LIU, C.C., LAWARREE, J., GALLANTI, M., VENTURINI, A., State-of-the-Art of Electricity
Price Forecasting, IEEE 2005.
GIBBONS, J.D. (1986). "Randomness, Tests of," Encyclopedia of Statistical Sciences, 7, 555-562.
GUO, J.-J. A ND LUH, P.B. Improving Mark et Clearing Price P rediction by Using a Committee
Machine of Neural Net works, IEEE Transactions on P ower Systems, Vol. 19, No. 4, pp. 1867
1876, November 2004.
HONG, Y.-Y., HS IAO, C. -Y. Locational Marginal P rice Forecasting in Deregulat ed Electric Markets
Using Artificial Intelligence, IEE Proc.-Gener. Thansm. Distrib., Vol. 149, No. 5, September 2002.
HONGMING, Y., XIA NZHONG, D., Chaotic Characteristics of Electricity Price and its Forecasting
Model IEEE, 2003.
KIAN, A., KEYHANI, A., Stochastic Price Modeling of Electricity in Deregulated Energy Markets,
Proceedings of the 34th Hawaii Int ernational Conference on System Sciences, 2001.
KLEIJNE N, J. P. C., Sanchez, S. M., Lucas, T. W., Cioppa, T. M. State-of-the-Art Review A Users
Guide to the Brave New World of Designing Simulation Experiments, INFORMS Journal on
Computing Vol. 17, No. 3, 2005, pp. 263289.
KLIGE RMA N, A. S., A valiao da Instabilidade do Preo do Mercado de Energia Eltric a Obtido a
Partir do Custo Marginal de Curto Prazo. Monografia. Instituto de Economia, UFRJ, 1999.
KORENEFF, G., SEPPALA, A., LEHTONEN, M., KEKKONE N, V., LAITINE N, E. , HAKLI, J. AND
ANTILA, E. Electricity Spot Price Forecasting as a Part of Energy Management in De -regulated
Power mark et, Proceedings of EMPD, Vol. 1, pp. 223228, 1998.
KOVACS, Z. L. Redes Neurais A rtificiais. Fundamentos e Aplicaes: Um Texto Bsico. 2 ed.
Ed. Collegium Gognitio. So Paulo, 1996.
MACEIRA, M.E.P., Programao Dinmica Dual Estocstica Aplicada ao Planejamento da
Operao Energtica de Sistemas Hidrotrmicos com Repres entao do Processo Estoc stico de
Afluncias por Modelos Autoregressivos Peridicos, Relatrio Tcnico CEPEL 237/93, 1993.
112
CAPTULO 7 BIBLIOGRAFIA
MACEIRA, M.E.P., SUANNO, C.M., COS TA, J.P., Modelo Estratgico de Gerao Hidrotrmica a
Submercados Equivalentes - NEWAVE. Manual do Usurio, Relat rio Tcnico CEPE L 389/94,
1994.
MANDA L, P., SENJYU, T., AND FUNABASHI, T. Neural Net work Models to Predict Short -Term
Electricity Prices and Loads, IEEE 2005.
MEDEIROS, L., Tes e de Doutorado: Previso do Preo Spot no Mercado de E nergia Eltrica
PUC-Rio, 2003.
MINITAB Us ers Guide: Data A nalysis and Quality Tools. Version 14.1 USA: Minitab Inc., 2003.
MME (Ministrio de Minas e Energia Secretaria de Energia). Projeto de reestruturao do setor
eltrico brasileiro RE -SEB. 1998.
MME (Ministrio de Minas e Energia Secret aria de Energia). Proposta de modelo institucional do
setor eltrico. Julho 2003.
MONTGOME RY, D. C. Designs and Analysis of Experiments. John Wiley & Sons, 1997.
NOGA LES, F.J., CONTRERAS, J., CONEJO, A.J. AND ESPNOLA, R., Forecas ting Next-Day
Electricity Prices by Time Series Models, IEEE Transactions on Power Systems, Vol. 17, No. 2, pp.
342-348, May 2002.
PEREIRA, M. V. F., "Optimal Stochastic Operations of Large Hydroeletric Systems", Electrical
Power & Energy Systems, Vol. 11, N 3, pages 161-169, July/1989.
PIRES, J. R. C., Dissertao de Mestrado: Modelagem de formao do preo de energia eltrica
no mercado de curto prazo ITA, 2003.
PRVAN, T., STREE T, D. J. An Annotated Bibliography of Application Papers Using Certain
Classes of Fractional Factorial and Related Designs. Journal of Statistical Planning and Inference,
n.106, p.245-269, 2002.
RODRIGUE Z, C. P. AND ANDE RS, G .J. Energy Price Forecasting in the Ontario Competitive
Power System Market, IEEE Transactions on P ower Systems, Vol. 19, No. 1, pp. 366 374,
February 2004.
SKANTZE, P., ILIC, M. A ND CHAPMAN, J. Stochastic Modeling of Electric Power Prices in A
Multi-Market Environment, Proc eedings of Power Engineering Wint er Meeting, Singapore, January
2000, pp. 1109 1114.
STA TIS TICA, version 7.0, Statsoft, Tulsa OK 74104, USA 2006.
SZK UTA, B. R., SANAVRIA, L. A. AND DILLON, T. S., Electricity Price Short -Term Forecasting
Using A rtificial Neural Networks, IEEE Transactions on Power Systems, Vol. 14, No. 3, pp. 851857, August 1999
VALENZUELA, J. AND MA ZUMDA R, M. On the Computation of the Probability Distribution of the
Sport Market Price in a Deregulated Electricity Market, Proceedings of the 21st Power Industry
Computer Applications International Confere nce, Sydney, Australia, may 2001, pp. 268 -271.
VIEIRA FILHO, X.; GORENS TIN, B.G.; MEDEIROS FILHO, J.A. e OLIVEIRA, A.M. Energy Trading:
The Sout h American Experience. VII SEPOPE, Curitiba, 2000.
113
CAPTULO 7 BIBLIOGRAFIA
TE RRY, L. A. et al., "Coordinating the Energy Generation of t he B razilian National Hydrothermal
Electrical Generating System", Interfaces 16, Jan - Feb 1986, pp 16-38
ZHANG, L., LUH, P. B. AND KASIV ISWANA THA N, K. E nergy Clearing Price Prediction and
Confidence Interval Estimation With Cascaded Neural Networks, IEEE Transactions on Power
Systems, Vol. 18, No. 1, pp. 99-105, February 2003.
ZHOU, M., YAN, Z., NI, Y.X., LI, G.AND NIE, Y. Electricity price forecasting with confidence interval estimation through an extended ARIMA approach, IEEE 2006.
114
ANEXOS
ANEXOS
115
Existem diversas funes que podem ser utilizadas em uma rede neural para
servir como funo de ativao das camadas. A Tabela A-1 apresenta as
principais funes de ativao.
116
Considerando um modelo que apresenta mais do que uma sada, isto faz com
que a sada seja representada por um vetor d ( d 1 ,..., d c ) T de c funes
individuais d i calculadas. Desse modo, a rede realiza um mapeamento de um
vetor multidimensional x para outro vetor multidimensional d . A camada oculta
tem H neurnios. Utiliza-se, eventualmente, uma entrada constante e igual a 1
tambm na camada oculta. Um peso entre a varivel de entrada x j e o
neurnio h da camada oculta representado como w hj . O conjunto de todos
estes pesos pode ser agrupado na matriz W h . Analogamente, W i o conjunto
de pesos whi . Desse modo, pode-se representar a funo do perceptron
multicamadas como:
h0
j 0
d i ( x) g ( wih g ( whj x j ))
Eq. AI.01
117
d1
d2
d3
Wih
gh
Camada
Oculta
Whj
x1
x2
x3
x4
x5
x6
x7
xn
Entradas
Figura AI 1 Arquitetura de uma Rede MLP
Este tipo de rede neural capaz de realizar mapeamentos no lineares, e pode
tambm ser utilizada em problemas de separao de classes no linearmente
separveis, alm de ser muito til em regresses e previses.
Uma das maiores vantagens desta tcnica que o Multi Layer Perceptron um
aproximador universal de funes, ou seja, se os pesos forem bem adaptados
e o nmero de neurnios for adequado, o clculo desejado atingido.
118
Esse algoritmo foi descoberto diversas vezes nos anos 50, mas devido falta de
interesse pelas redes neurais durante as dcadas de 60 e 70 ficou esquecido, at
que na metade da dcada de 80 ganhou aceite dos pesquisadores quando o
interesse pelas redes neurais retornou a comunidade cientifica (ABDI, 1999).
O algoritmo backpropagation envolve duas fases. A primeira delas um fluxo para
frente de ativao gerado pela camada de entrada da RNA para a camada de
sada atravs da camada oculta. Cada neurnio da camada oculta calcula a sua
ativao atravs de um somatrio das entradas ponderado pelos pesos dos
respectivos ramos que chegam at o neurnio. Aps essa ativao os valores so
transformados em respostas utilizando funes de transferncia para esse
principio. obtido dessa maneira o vetor de sada hLx1 do neurnio da camada
oculta.
hk g h (WhjT xk )
Eq.AII.01
119
Eq.AII.02
Onde,
Eq.AII.03
Onde,
120
Eq.AII.04
Da mesma forma a nova matriz Whj para a prxima iterao obtida atravs da
seguinte formulao:
T
Whj[ n1] Whj[ n ] xk oculta
,k Whj[ n ] whj[ n ]
121
Escolha do
tipo de
problema
Critrios de
Seleo das
RNAs
Definio das
Arquiteturas
das RNAs
Anlise dos
Resultados
So dois os tipos de problemas que podem ser abordados pelo SNN (Statistica
Neural Networks):
A Figura AIII-2 mostra o uso do IPS para regresso, que o tipo de problema
abordado nesse trabalho.
122
123
124
conhecido como over-learning a caracterstica de super aprendiz ado da rede. Quando isso
ocorre a RNA apesar de adquirir muito conhecimento da amostra sua capacidade de generalizao
125
prejudicada, ou seja, a RNA passa a ter problemas para realizar anlises de casos que no
pertenam a amostra inicial.
126
127
128
Train Error /Select Error /Test Error: os algoritmos das RNAs otimizam
uma funo de erro (Ex.: Mnimos Quadrados). um ndice menos
interpretvel que a performance mas um utilizado internamente para
seleo das RNAs;
Note: uma rpida descrio de texto que o usurio pode inserir para
informao a respeito da rede;
129
1200
1000
800
600
400
200
0
Cmg13
Cmg13.25
-200
1
15
22
29
36
43
50
57
64
71
78
85
92
99
A anlise estatstica dos resduos pode ser utilizada para avaliar a preciso da
rede. Quanto mais prximos de zero os resduos, mais prxima da srie original
estar a srie simulada pela RNA.
130
110
100
90
80
70
60
50
40
30
20
10
0
-3.5 -3.0 -2.5 -2.0 -1.5 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0
Cmg1 1, Residu al
131
279,3372
Data S.D.
351,4790
Error Mean
-3,3029
Error S.D.
73,6042
Abs E. Mean
47,1769
S.D. Ratio
0,2094
Correlation
0,9779
Error Mean: mdia do erro (resduo entre valor original e o valor previsto);
132
133