ALEX VIEIRA FALKENBERG

PREVISO DE CONSUMO URBANO DE GUA EM CURTO PRAZO

Dissertao apresentada como requisito parcial obteno do grau de Mestre no Curso de Ps-Graduao em Mtodos Numricos em Engenharia, Universidade Federal do Paran. Orientadora: Profa Dra. Eng. Andrea Sell Dyminski Co-orientador: Prof. Dr. Eng. Eduardo Parente Ribeiro

CURITIBA 2005

ii

TERMO DE APROVAO

ALEX VIEIRA FALKENBERG

PREVISO DE CONSUMO URBANO DE GUA EM CURTO PRAZO

Dissertao aprovada como requisito parcial para obteno do grau de Mestre no Curso de Ps-Graduao em Mtodos Numricos em Engenharia, Universidade Federal do Paran, pela seguinte banca examinadora:

Orientadora:

Prof.a Dr.a Eng. Andrea Sell Dyminski Departamento de Construo Civil, UFPR

Co-orientador:

Prof. Dr. Eng. Eduardo Parente Ribeiro Departamento de Eletricidade, UFPR Prof.a Dr.a Maria Teresinha Arns Steiner Departamento de Matemtica, UFPR Prof. Dr. Eng. Leandro dos Santos Coelho Departamento de Engenharia de Produo e Sistemas, PUCPR

Curitiba, 1 de abril de 2005.

iii

memria de Rudolfo Falkenberg.

iv

Agradecimentos Aos professores Andrea Sell Dyminki e Eduardo Parente Ribeiro pela orientao, e pacincia. A meus pais, pelo apoio sempre presente. Mutti, Miguel e Helga, pelo eterno carinho. A Leonardo Romildo Frchting, pela amizade e ensinamentos. Ao pessoal da USCO, pela oportunidade e companheirismo. Sanepar por tornar este trabalho possvel. Aos meus amigos dos bons tempos de universidade, que sempre conseguiram atrapalhar meus estudos da melhor maneira possvel.

RESUMO
Nos ltimos anos, as companhias de saneamento tm investido largamente na automao de seus sistemas de abastecimento de gua (SAA), proporcionando dados em tempo real de vazo e de presso das regies de consumo. Aps a etapa da automao e de posse das informaes em tempo real e possibilidade de atuao automtica sobre os elementos do SAA, possvel otimizar a operao para um melhoramento contnuo dos servios de captao, tratamento e distribuio de gua e reduo de custos relacionados, tais como as perdas fsicas, a energia e o uso de produtos qumicos. A correta tomada de decises operacionais depende do conhecimento prvio do perfil de demanda ao longo do dia das regies de consumo. O presente estudo objetiva apresentar diferentes modelos de previso de consumo a curto prazo utilizando diferentes tcnicas, tais como redes neurais artificiais, regresso linear mltipla e modelos do tipo Box e Jenkins. Estas previses baseadas em dados histricos coletados atravs de um sistema SCADA (Supervisory, Control and Data Acquisition), para prever o consumo urbano de gua a curto prazo, particularmente para as prximas 24 horas. Os modelos foram aplicados para trs bairros com perfis de consumo distintos da cidade de Ponta Grossa: Uvaranas (residencial), Centro Histrico (comercial) e Distrito Industrial (misto). Inicialmente, os dados provenientes de uma base de dados de um ano so coletados, filtrados e validados de forma a tornar possvel a obteno dos modelos de previso. Para cada uma das regies de consumo foram propostos e comparados segundo critrios de erro RMSE (Root Mean Square Error) e MAPE (Mean absolute Percentage Error), 6 modelos de redes neurais artificiais, 3 modelos de regresso linear mltipla, 7 modelos do tipo Box e Jenkins e dois modelos hbridos, objetivando a obteno de possveis alternativas para a previso do consumo nas prximas 24 horas. Os resultados alcanados foram satisfatrios para os objetivos propostos, mesmo com a limitao dos dados e com a ausncia de informaes meteorolgicas, fatores que influenciam diretamente no consumo. Palavras-chave: previso de consumo de gua; sistemas de distribuio de gua; redes neurais artificiais.

vi

ABSTRACT
In the last years, the sanitation companies in Brazil has been broadly investing in their water supply systems automation, providing flow and pressure real time data from the consumption areas. After the automation stage, with all the information available in real time, and full control of the water supply system elements, it turns possible to optimize the operation on the lookout for a continuous improvement in quality of water treatment, distribution services and costs reduction, such as physical losses, energy and chemical products. The correct decisions upon operational services depend on the previous knowledge of the water consumption along the day in the local distribution areas. The present study aims at introducing several forecasting models using different techniques such as artificial neural networks, multiple linear regression Box and Jenkins models, based on historical data collected by a SCADA (Supervisory, Control and Data Acquisition) system to forecast short terms urban water consumption, particularly for the next 24 hours. The models were applied for three urban consumption areas with distinctive demand profiles from Ponta Grossa city: Uvaranas (residential), Centro Histrico (commercial) and Distrito Industrial (mixed). Firstly, the data provided by a one year database is collected, filtered and validated in order to turn possible obtaining reliable forecast models. For each one of the consumption areas, it was proposed and compared 6 artificial neural networks models, 3 multiple linear regression models, seven Box and Jenkins models and two hybrid models, intending to acquire a better alternative at forecasting the next 24 hours water consumption. The results were satisfactory considering the proposed objectives, even with the database limitation and the absence of meteorological information, factors influence directly in the water consumption. Key-words: water demand forecasting; water distribution systems; artificial neural networks.

vii

preciso cavar o poo antes de ter sede (Ditado popular)

A gua chia no pcaro que elevo boca. um som fresco diz-me quem me d a beb-la. Sorrio. O som s um som de chiar. Bebo a gua sem ouvir nada com a minha garganta. (Fernando Pessoa)

viii

LISTA DE FIGURAS
Figura 1 Volume no faturado sobre volume produzido (percentual) dados de 1995, (Silva e Conejo, 1998)................................................................................5 Figura 2 Possvel perda fsica por extenso de rede (m3/Km/dia) dados de 1995, (Silva e Conejo, 1998)..........................................................................................5 Figura 3 Topologia de rede genrica de um sistema de superviso e controle de distribuio de gua. ..........................................................................................13 Figura 4 Modelo de um neurnio artificial (Haykin, 2001). .....................................19 Figura 5 Modelo de arquitetura de RNA do tipo MLP.............................................21 Figura 6 Topologia de comunicao do sistema de abastecimento de gua de Ponta Grossa primeira etapa. .........................................................................28 Figura 7 Reduo dos dados em relao ao nmero de consumos de horas passadas para o Centro Histrico. .....................................................................31 Figura 8 Perfil de consumo de uma semana de Uvaranas para ms quente (vermelho) e frio (azul). ......................................................................................32 Figura 9 Perfil de consumo de uma semana de Centro Histrico para ms quente (vermelho) e frio (azul). ......................................................................................33 Figura 10 Consumo mdio ao longo do dia de Uvaranas, Centro Histrico e Distrito Industrial.............................................................................................................33 Figura 11 Funo de autocorrelao da srie de Uvaranas...................................40 Figura 12 Funo de autocorrelao da srie do Distrito Industrial. ......................40 Figura 13 Funo de autocorrelao da srie do Centro Histrico. .......................41 Figura 14 Funo de autocorrelao parcial da srie de Uvaranas. ......................42 Figura 15 Funo de autocorrelao parcial da srie do Distrito Industrial. ...........42 Figura 16 Funo de autocorrelao parcial da srie do Centro Histrico.............43 Figura 17 Periodograma acumulado para srie de resduos do AR(25) de Uvaranas............................................................................................................45

ix

Figura 18 Periodograma acumulado para srie de resduos do AR(27) do Centro Histrico. ............................................................................................................45 Figura 19 Periodograma acumulado para srie de resduos do AR(29) do Distrito Industrial.............................................................................................................46 Figura 20 Previso de consumo da prxima hora para Uvaranas RNh tangente hiperblica com 5 neurnios na camada oculta. ................................................51 Figura 21 Previso de consumo da prxima hora para Centro Histrico RLMd2. ...........................................................................................................................52 Figura 22 RMSE por dia da semana por hora para o Centro Histrico, RNd2 com funo de ativao tangente hiperblica previso horria. .............................53 Figura 23 Previso de consumo da prxima hora para Uvaranas AR(25). .........54 Figura 24 RMSE por dia da semana por hora para o Centro Histrico, AR(29) previso horria. ................................................................................................56 Figura 25 Previso de consumo das prximas 24 horas Uvaranas. ...................58 Figura 26 Previso de consumo das prximas 24 horas Uvaranas. ...................59 Figura 27 Previso de consumo das prximas 24 horas Uvaranas. ...................61 Figura 28 Histogramas dos resultados da previso de consumo das prximas 24 horas Uvaranas ............................................................................................64 Figura 29 Histogramas dos resultados da previso de consumo das prximas 24 horas Distrito Industrial....................................................................................65 Figura 30 Histogramas dos resultados da previso de consumo das prximas 24 horas Centro Histrico.....................................................................................66 Figura 31 Histogramas dos resultados da previso de consumo das prximas 12 horas Uvaranas. ..............................................................................................66 Figura 32 Variao do erro de previso de consumo das prximas 24 horas em relao ao nmero de semanas para clculo da parcela de ajuste Uvaranas 68 Figura 33 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas..................................................................................78

Figura 34 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas..................................................................................78 Figura 35 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial. .....................................................................79 Figura 36 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial. .....................................................................80 Figura 37 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico. ......................................................................81 Figura 38 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico. ......................................................................81 Figura 39 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas..................................................................................85 Figura 40 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas..................................................................................85 Figura 41 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial. .....................................................................86 Figura 42 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial. .....................................................................87 Figura 43 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico. ......................................................................88 Figura 44 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico. ......................................................................88

xi

LISTA DE TABELAS

Tabela 1 Comparao de erros RMSE e MAPE para as redes neurais e regresso linear mltipla Uvaranas...................................................................................49 Tabela 2 Comparao de erros RMSE e MAPE para as redes neurais e regresso linear mltipla Distrito Industrial. .....................................................................50 Tabela 3 Comparao de erros RMSE e MAPE para as redes neurais e regresso linear mltipla Centro Histrico. .......................................................................50 Tabela 4 Comparao de erros RMSE e MAPE para modelos ARMA(p,q) bairro Uvaranas............................................................................................................54 Tabela 5 Comparao de erros RMSE e MAPE para modelos ARMA(p,q) Distrito Industrial.............................................................................................................55 Tabela 6 Comparao de erros RMSE e MAPE para modelos ARMA(p,q) bairro Centro Histrico. ................................................................................................55 Tabela 7 Erros RMSE e MAPE para previses das prximas 24 horas com modelos de redes neurais, regresso linear mltipla e hbrido para previso a partir de 9:00 de 23/12/2003 Uvaranas. ..........................................................58 Tabela 8 Erros RMSE e MAPE para previses das prximas 24 horas com modelos de redes neurais, regresso linear mltipla e hbrido previso a partir de 9:00 de 23/12/2003 Uvaranas. ...................................................................60 Tabela 9 Erros RMSE e MAPE para previses das prximas 24 horas com modelos de Box e Jenkins a partir de 9:00 de 23/12/2003 Uvaranas. ...........61 Tabela 10 ndices dos modelos do tipo RNA e RLM. .............................................63 Tabela 11 ndices dos modelos tipo RNA e RLM. ..................................................75 Tabela 12 Matriz de modelos tipo RNA e RLM escolhidos segundo critrio de erro RMSE para a previso horria do bairro de Uvaranas.......................................75 Tabela 13 Matriz de modelos tipo RNA e RLM escolhidos segundo critrio de erro RMSE para a previso horria do Centro Histrico. ..........................................76

xii

Tabela 14 Matriz de modelos tipo RNA e RLM escolhidos segundo critrio de erro RMSE para a previso horria do Distrito Industrial. .........................................77 Tabela 15 Modelos tipo RNA e RLM escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Uvaranas segundo critrio de erro RMSE.........................................................................................77 Tabela 16 Modelos tipo RNA e RLM escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Distrito Industrial segundo critrio de erro RMSE. .........................................................................79 Tabela 17 Modelos tipo RNA e RLM escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Centro Histrico segundo critrio de erro RMSE. .........................................................................80 Tabela 18 ndices dos modelos tipo Box e Jenkins ...............................................82 Tabela 19 Matriz de modelos tipo Box e Jenkins escolhidos segundo critrio de erro RMSE para a previso horria do bairro de Uvaranas. ..............................82 Tabela 20 Matriz de modelos tipo Box e Jenkins escolhidos segundo critrio de erro RMSE para a previso horria do Centro Histrico. ...................................83 Tabela 21 Matriz de modelos tipo Box e Jenkins escolhidos segundo critrio de erro RMSE para a previso horria do Distrito Industrial. ..................................84 Tabela 22 Modelos tipo Box e Jenkins escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Uvaranas segundo critrio de erro RMSE.........................................................................................84 Tabela 23 Modelos tipo Box e Jenkins escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Distrito Industrial segundo critrio de erro RMSE. .........................................................................86 Tabela 24 Modelos tipo Box e Jenkins escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Centro Histrico segundo critrio de erro RMSE. .........................................................................87

xiii

LISTA DE ABREVIATURAS E SIGLAS

ARIMA ARMA CLP EEB EET ETA Fac facp FT LT MAPE MLP MSE PCV PT RAP RMSE RNA SAA SC - Auto Regressive Integrated Moving Average - Auto Regressive Moving Average - Controlador Lgico Programvel - Estao elevatria de gua bruta - Estao elevatria de gua tratada - Estao de tratamento de gua - funo de autocorrelao - funo de autocorrelao parcial - Flow transmitter (Transmissor de vazo) - Level transmitter (Transmissor de nvel) - Mean absolute Percentage Error (erro percentual absoluto mdio) - Multilayer perceptron - Mean Square Error (Erro quadrtico mdio) - Pressure control valve (Vlvula controladora de presso) - Pressure transmitter (Transmissor de presso) - Reservatrio apoiado - Root Mean Square Error (Raiz do erro quadrtico mdio) - Redes Neurais Artificiais - Sistema de abastecimento de gua - Speed controller (Variador de freqncia) - Supervisory, Control and Data Acquisition (Superviso, Controle e SCADA Aquisio de Dados) SQL - Structured Query Language

xiv

LISTA DE SMBOLOS
- fator de ajuste para previso de modelos auto-regressivos segundo hora e dia da semana - termos aleatrios (modelo ARIMA) - primeira diferena entre consumos - segunda diferena entre consumos - entrada senoidal para dia da semana - entrada senoidal para dia da semana - entrada senoidal para hora - entrada senoidal para hora - periodograma da srie temporal - coeficiente do dia de maior consumo - coeficiente da hora de maior consumo - espectro da srie temporal - funo espectral acumulada da srie temporal - vazo mdia diria anual - estrutura de dados para regresso linear mltipla com data, consumo da ltima hora e diferena entre dois ltimos consumos - estrutura de dados para regresso linear mltipla com data, consumo da ltima hora, diferena entre dois ltimos consumos e diferena entre duas ltimas diferenas - estrutura de dados para regresso linear mltipla com data e consumo da ltima hora - estrutura de dados para redes neurais com data, consumo da ltima hora e diferena entre dois ltimos consumos. - estrutura de dados para redes neurais com data, consumo da ltima hora, diferena entre dois ltimos consumos e diferena entre duas ltimas diferenas. - estrutura de dados para redes neurais com data e consumo da ltima hora - termos referentes s mdias mveis (modelo ARIMA) - termos auto-regressivos (modelo ARIMA)

aj(ds,h) at d1 d2 ed1 ed2 eh1 eh2 I(a) k1 k2 pa(f) Pa(f) qm RLMd1 RLMd2 RLMh RNd1 RNd2 RNh j i

xv

SUMRIO
RESUMO ABSTRACT LISTA DE FIGURAS LISTA DE TABELAS LISTA DE ABREVIATURAS E SIGLAS LISTA DE SMBOLOS 1 INTRODUO
1.1 1.2 1.3 1.4 ESCOPO GERAL DO PROBLEMA OBJETIVOS JUSTIFICATIVA ESTRUTURA DO TRABALHO CONSUMO DE GUA FATORES QUE INFLUENCIAM O CONSUMO VARIAES DE CONSUMO PREVISO DE CONSUMO DE GUA AUTOMAO EM SISTEMAS DE ABASTECIMENTO DE GUA A PREVISO DE CONSUMO DE GUA EM SISTEMAS DE ABASTECIMENTO A DETERMINAO DE UM MODELO DE PREVISO DE CONSUMO DE GUA PRINCIPAIS TCNICAS EMPREGADAS REGRESSO LINEAR MLTIPLA MODELOS TIPO BOX E JENKINS REDES NEURAIS ARTIFICIAIS

v vi viii xi xiii xiv 1

1 1 2 3

ANLISE DO PROBLEMA
2.1 2.2 2.3 2.4 2.5 2.6 2.7

4
4 6 8 9 10 15 17 17 18 18 19 22

2.7.1 2.7.2 2.7.3 2.7.4 2.8

ESTUDOS PREVIAMENTE REALIZADOS COLETA E FILTRAGEM DOS DADOS VARIVEIS UTILIZADAS PARA OS MODELOS DE PREVISO CARACTERIZAO DO PERFIL DE CONSUMO APLICAO DOS MODELOS DE PREVISO PREVISO HORRIA COM REDES NEURAIS ARTIFICIAIS PREVISO HORRIA COM REGRESSO LINEAR MLTIPLA PREVISO COM MODELOS BOX E JENKINS

METODOLOGIA
3.1 3.2 3.3 3.4

26
27 30 31 34 35 37 38 47

3.4.1 3.4.2 3.4.3 3.5

MODELOS HBRIDOS

RESULTADOS

49

4.1 RESULTADOS PARA PREVISO HORRIA COM REDES NEURAIS E REGRESSO LINEAR MLTIPLA 49 4.2 4.3 RESULTADOS PARA PREVISO HORRIA COMO MODELOS BOX E JENKINS PREVISO DAS PRXIMAS 24 HORAS Modelos tipo RNA e RLM Modelos tipo Box e Jenkins 54 57 57 60

4.3.1 4.3.2

xvi

5 CONCLUSES E SUGESTES PARA TRABALHOS FUTUROS REFERNCIAS APNDICE A TESTES COM MODELOS DE RNA E RLM APNDICE B TESTES COM MODELOS TIPO BOX E JENKINS

69 72 75 82

1 INTRODUO

1.1

ESCOPO GERAL DO PROBLEMA O recente investimento em automao nos sistemas de abastecimento de gua

(SAA) pelas companhias de saneamento tem proporcionado uma gama de informaes em tempo real de vazo e de presso das cidades, alm da possibilidade de atuao automtica sobre os elementos do SAA, tais como bombas, inversores de freqncia, vlvulas de bloqueio, vlvulas controladoras de presso e vazo, dosadoras de produtos qumicos, agitadores, etc. Alcanada a flexibilidade operacional, possvel otimizar a operao dos SAA para um melhoramento dos servios de captao, tratamento e distribuio de gua e reduo de custos relacionados, tais como energia, produtos qumicos e perdas fsicas de gua. A correta tomada de decises operacionais depende do conhecimento prvio do perfil de demanda ao longo do dia das regies de consumo de gua. Este tipo de previso classificado como previso a curto prazo. Diversas so as vantagens de se obter um modelo de previso de consumo de gua para otimizao da distribuio de gua, tais como a identificao imediata de vazamentos, ganho na qualidade da gua distribuda, reduo de custos de energia e planejamento otimizado da operao da estao de tratamento de gua de modo a obter os melhores pontos de operao dos sistemas que compem esta planta, principalmente daqueles relacionados a aplicaes de produtos qumicos. Diversas tcnicas de previso baseadas em dados histricos podem ser aplicadas para este fim, dentre as quais foram utilizadas as tcnicas de redes neurais artificiais, regresso linear mltipla e modelos do tipo Box e Jenkins . 1.2 OBJETIVOS Este trabalho objetiva introduzir o contexto do problema de previso de consumo urbano de gua a curto prazo e sugerir diversas tcnicas possveis de previso, analise e comparao de seus resultados de previso de consumo de gua.

Para aplicao das tcnicas de previso, foram utilizados os dados histricos de trs regies de consumo da cidade de Ponta Grossa (PR), com caractersticas de demanda distintas: Uvaranas (residencial), Distrito Industrial (misto) e Centro Histrico (comercial), cujos sistemas de abastecimento de gua foram recentemente automatizados, e seus dados disponibilizados pela Companhia de Saneamento do Paran Sanepar. Neste contexto, deseja-se alcanar um ou mais modelos de previso suficientemente confiveis a ponto de determinar aes de operao do sistema de abastecimento de gua, ou indicar condies anormais em sua operao. 1.3 JUSTIFICATIVA Considerando os modelos de previso de consumo de gua a curto prazo, o objetivo principal aperfeioar a operao do sistema de abastecimento de gua SAA, de forma a oferecer um servio / produto de melhor qualidade, mais confivel e a um menor custo. De posse de um modelo de previso de consumo confivel, a operao tima do SAA, ao longo do dia, pode ser planejado objetivando finalidades de: a) Melhoria na qualidade do produto (gua): ser alcanada por intermdio da manuteno de estoques adequados nos reservatrios de distribuio. Por um lado, a potabilidade da gua ser favorecida eliminando-se a necessidade de superdosagem de produtos qumicos na estao de tratamento de gua (ETA) e, conseqentemente, uma reduo do custo de produo. Por outro lado, evita-se a perda de qualidade da gua ocasionada pelo tempo alto de reteno entre produo e consumo. b) Melhoria na qualidade do servio: alcanada medida que se evita a falta de gua nas regies mais crticas nos perodos de pico de consumo, alm de uma ao eficaz na busca e deteco de vazamentos na rede. c) Menor custo: atravs de um planejamento correto da operao, reduz-se os custos com produtos qumicos na ETA, custos de perda fsica na rede (vazamentos) e custos de energia, evitando-se operao de bombas em horrios de picos de consumo de energia em detrimento de distribuio por

gravidade ou vlvulas controladoras de presso / vazo; contribuindo, portanto, com a atenuao de dois dos principais problemas ambientais da atualidade: desperdcio de gua e consumo elevado de energia. 1.4 ESTRUTURA DO TRABALHO No presente captulo h uma breve introduo ao trabalho com a descrio dos objetivos e justificativa. O captulo 2 aborda o problema do consumo de gua de uma forma mais ampla e sua importncia no contexto operacional dos sistemas de distribuio de gua. Neste captulo so apresentados os principais fatores determinantes do consumo de gua, assim como os tipos de regies de consumo e suas caractersticas. O tema da automao dos sistemas de abastecimento de gua abordado de forma a elucidar os possveis problemas encontrados na coleta dos dados. Alm disso, so apresentadas as tcnicas de previso empregadas neste estudo e uma reviso bibliogrfica sobre o assunto da previso de consumo de gua. No captulo 3 apresentada a metodologia adotada para obteno dos modelos de consumo de gua. O captulo 4 apresenta os resultados obtidos para previso de consumo horrio e nas prximas 24 horas das trs regies de consumo estudadas. O captulo 5 conclui o trabalho e sugere estudos futuros.

2 ANLISE DO PROBLEMA

2.1

CONSUMO DE GUA A gua conduzida a uma cidade enquadra-se em uma das seguintes classes

de consumo, ou de destino (Yassuda et al., 1976): a) Uso domstico: gua consumida nas habitaes, compreendendo as parcelas destinadas a fins higinicos, potveis e alimentares, e lavagem em geral. Esta classe pode ser dividida como de uso interno e externo, dado que a gua para o uso externo destina-se lavagem de caladas, rega de jardins, lavagem de carros, etc., enquanto que a gua para o uso interno destina-se ao consumo domstico em geral. O consumo de uso domstico varia com o nvel scio-econmico da populao, sendo maior quanto mais elevado for este padro; b) Uso comercial ou industrial: gua de uso comercial destinada a bares, restaurantes, hotis, postos de gasolina, garagens, entre outros, enquanto que a gua de uso industrial utilizada como matria-prima para lavagem, refrigerao, alimentao de caldeiras e processos industriais em geral. Esta classe representa um consumo significativamente mais elevado que o de uso domstico; c) Uso pblico: parcela de gua destinada rega de jardins, lavagem de ruas e passeios, edifcios e sanitrios de uso pblico, alimentao de fontes, esguichos e tanques fluxveis de redes de esgoto; d) Perdas: sob o ponto de vista operacional dos sistemas pblicos de abastecimento, so consideradas perdas de gua os volumes no contabilizados, dividindo-se em perdas fsicas (parcela no consumida) e perdas no fsicas (gua consumida e no registrada). As perdas fsicas originam-se de vazamentos do sistema, envolvendo captao, aduo de gua bruta, tratamento, reserva, aduo de gua tratada e distribuio de gua, alm de procedimentos operacionais. As perdas no fsicas originam-se de ligaes clandestinas ou no cadastradas, hidrmetros parados ou que submedem, fraudes em hidrmetros entre outros. A reduo das perdas fsicas permite

diminuir os custos de produo (energia, produtos qumicos e outros), enquanto que a reduo das perdas no fsicas permite aumentar a renda tarifria, melhorando a eficincia dos servios prestados e o desempenho financeiro do prestador de servios (Silva e Conejo, 1998). As figuras 1 e 2 apresentam percentuais de perdas aproximados de diferentes estados brasileiros.

AMAZONAS PAR PERNAMBUCO BAHIA GOIS MATO GROSSO DO SUL RIO DE JANEIRO SO PAULO PARAN RIO GRANDE DO SUL 10 20 30 40 50 60

Volume no faturado / volume produzido (%)

Figura 1 Volume no faturado sobre volume produzido (percentual) dados de 1995, (Silva e Conejo, 1998).

RIO DE JANEIRO PAR AMAZONAS PERNAMBUCO BAHIA SO PAULO MATO GROSSO DO SUL RIO GRANDE DO SUL GOIS PARAN 10 20 30 40 50 60 70 80

Possvel perda fsica / extenso de rede (%)

Figura 2 Possvel perda fsica por extenso de rede (m3/Km/dia) dados de 1995, (Silva e Conejo, 1998).

2.2

FATORES QUE INFLUENCIAM O CONSUMO Diversos so os fatores que afetam o consumo de gua de uma cidade

(Yassuda et al., 1976), ou, particularmente, de um bairro ou regio de consumo, dentre os quais podem ser citados: a) Clima: o consumo aumenta conforme aumenta a temperatura. A umidade tambm exerce influncia, dado que em regies mais secas o consumo maior. A presena de chuvas afeta diretamente o consumo, reduzindo-o drasticamente na sua ocorrncia; b) Hbitos e nvel de vida da populao: os hbitos da populao afetam o uso direto ou indireto da gua, tais como banhos, lavagem de caladas, lavagem de carros, rega de jardins, etc. Quanto melhor o nvel de vida da populao, maior o consumo de gua, devido a um maior nmero de possibilidades de emprego da gua, tais como rea maior de jardins, carros, mquinas de lavar roupa, piscinas, entre outras aplicaes que visam o conforto e facilidades; c) Natureza da cidade ou bairro: bairros residenciais, comerciais e industriais apresentam um perfil de consumo diferenciado. As reas industriais apresentam um consumo consideravelmente maior que os bairros tipicamente residenciais; d) Tamanho da cidade: a experincia tem demonstrado que o consumo de gua tende a aumentar conforme o aumento da populao da cidade. Entre os fatores que explicam esta tendncia destaca-se a maior demanda industrial, comercial e pblica, alm do aumento do nmero de ligaes de gua e, proporcionalmente, as perdas fsicas e no fsicas da rede hidrulica; e) Localizao geogrfica da cidade: cidades litorneas apresentam uma curva de consumo diferente das cidades localizadas em regies serranas, principalmente pelos hbitos diferenciados da populao e diferentes atividades econmicas; f) Turismo: cidades tursticas incorporam forte sazonalidade em certas pocas do ano;

g) Estao do ano: o consumo diferenciado nas quatro estaes do ano, basicamente pela interferncia dos fatores climticos; h) Dias da semana e feriados: existem comportamentos variados de consumo s segundas-feiras em relao aos domingos, sbados e restante dos dias da semana. As pessoas adquirem certos hbitos que realam esta diferenciao, tais como o fato de preferirem lavar roupas na segunda-feira ou nos sbados; i) Regras de consumo: algumas regras de consumo so evidenciadas ao analisar o comportamento de uma populao, por exemplo, aps 2 ou 3 dias consecutivos de chuva, a presena de um dia ensolarado causa um alto consumo de gua, visto que muitas pessoas aproveitam a oportunidade para lavarem suas roupas, carros e caladas; j) Medio de consumo: a ausncia de medio efetiva e individual nas instalaes prediais favorece o desperdcio e a despreocupao com vazamentos; k) Administrao pblica: a iniciativa poltica e uma preocupao maior com a manuteno e limpeza das reas de uso pblico, tais como parques, praas e pavimentos edifcios pblicos em geral; l) Preo do servio: o preo elevado das tarifas de gua e esgoto promove a reduo do consumo de gua, interferindo diretamente nos hbitos da populao; m) Presso na rede: quanto maior a presso da rede hidrulica, maior o consumo devido maior sada de gua mesmo com pequena abertura das vlvulas e torneiras, alm do aumento de perdas. Segundo a norma tcnica NBR 12218/1994, a presso esttica mxima das tubulaes distribuidoras deve ser de 500 KPa (50 mca), e a presso dinmica mnima, de 100 KPa (10 mca). Valores fora desta faixa podem ser aceitos desde que justificados tcnica e economicamente (Yoshimoto et al., 1999). Portanto, as redes distribuidoras devem trabalhar com presso mais reduzida possvel, contanto que seja suficiente para atender s condies de presso mnima definida pela norma. Dado que o consumo de gua influenciado por diversos fatores tais como condies de tempo, variaes sazonais, dia da semana e se um determinado dia

ocasionalmente feriado, o consumo do sistema de distribuio de gua urbano uma srie temporal varivel no tempo, peridica, e no estacionria (An et al., 1996). 2.3 VARIAES DE CONSUMO Dado que o consumo apresenta variaes ao longo do ano devido aos diversos fatores mencionados na seo 2.2, possvel determinar uma parcela proveniente da variao diria e uma parcela proveniente da variao horria de consumo. A variao diria decorrente dos dias da semana e s diferentes pocas do ano, enquanto que a variao horria reflete os hbitos dirios da populao. Dado o consumo total distribudo em um ano, define-se a vazo mdia diria anual conforme a seguinte equao.

qm =

volume distribudo em um ano 365

(1)

A relao entre o maior consumo dirio verificado e a vazo mdia diria anual fornece o coeficiente do dia de maior consumo dado por:
k1 = maior consumo dirio no ano vazo mdia diria no ano
(2)

A relao entre a maior vazo horria observada num dia e a vazo mdia horria do mesmo dia fornece o coeficiente da hora de maior consumo, dado por:
k2 = maior vazo horria no dia vazo mdia horria no dia
(3)

O coeficiente k1 utilizado na determinao da vazo de dimensionamento de vrias partes constitutivas de um sistema de abastecimento de gua, tais como a captao, bombas, adutoras e estaes de tratamento de gua. O coeficiente k2 utilizado no dimensionamento dos condutos de distribuio que partem dos reservatrios, pois permite conhecer as condies de maior solicitao das tubulaes (Yassuda et al., 1976).

Os reservatrios de distribuio permitem armazenar gua nos perodos de menor consumo para suprir as necessidades dos perodos de maior consumo e demandas de emergncia. O conhecimento prvio do perfil de consumo do dia fornece a vazo mdia do dia e as vazes das horas de maior consumo, possibilitando o planejamento de operao do SAA e limites de reserva necessrios para o dia. O planejamento inadequado da reserva pode tanto ocasionar

desabastecimento nas horas de maior consumo, em caso de reserva deficiente, quanto ocasionar perda de qualidade da gua, em caso de reserva muito superior necessria. 2.4 PREVISO DE CONSUMO DE GUA Em geral, os modelos de previso de demanda so baseados em dados histricos e podem ser classificados, segundo Jones et al. 1 apud (Silva e Rocha, 1999), como: a) Previso: em um conceito mais amplo, abrange qualquer tipo de informao sobre o futuro; b) Estimativa: previso condicional, baseada em pressupostos implcitos ou explcitos; c) Projeo: estimativa baseada em pressupostos que reconhecem, ao menos em parte, a continuao de uma ou mais tendncias passadas; d) Extrapolao: uma estimativa baseada em pressupostos que se baseiam inteiramente na continuao de tendncias passadas. Basicamente pode-se dividir o tipo de previso de consumo de gua de acordo com suas finalidades em duas modalidades, (Silva e Rocha, 1999): a) Previso a longo prazo: baseada na combinao de padres de consumo com projees demogrficas tem como principal finalidade servir de parmetro

Jones, C.V.; Boland, J.J.; Crews, J.E.; et al. (1984) - Municipal water demand: statistical and management issues. Westview Press. Boulder.

10

para estimativa de capacidade dos sistemas produtores, solicitaes mximas aos sistemas de distribuio e previso de investimentos para futuras ampliaes dos sistemas de abastecimentos de gua; b) Previso a curto prazo: refere-se previso das prximas horas ou at dias. Este tipo de previso fornece informaes para uma resposta instantnea dos sistemas produtores e de distribuio a picos prolongados e flutuaes acentuadas de demanda e elementos para tomada de decises operacionais para otimizar a distribuio. Permite a avaliao de benefcio lquido potencial de mdias de conservao e uso racional da gua voltada reduo de picos de consumo. Tambm identifica possveis ocorrncias de vazamentos na rede, agilizando a manuteno e reduzindo as perdas ocasionadas. As previses de curto prazo so mais complexas que as previses de longo prazo, visto que estas so menos suscetveis a variaes localizadas de consumo e, quando necessrio, so passveis de reviso parcial ao longo de sua vigncia. J as de curto prazo envolvem elementos de operao e, quando erradas, so mais evidentes e menos passveis de correo. (Silva e Rocha, 1999). 2.5 AUTOMAO EM SISTEMAS DE ABASTECIMENTO DE GUA O investimento em automatizao dos sistemas de abastecimento de gua justifica-se medida que os sistemas tornam-se cada vez mais extensos e complexos. Basicamente, um sistema de abastecimento de gua automatizado possui uma estao central de controle e operao onde deve estar o sistema SCADA (Supervisory, Control and Data Acquisition), recebendo informaes de todas as reas remotas do sistema, normalmente comandadas por controladores lgicos programveis (CLPs), atravs de uma rede de comunicao de dados. Desta forma, na estao de controle possvel monitorar todas as variveis importantes do sistema (vazo, presso, nvel, caractersticas fsico-qumicas da gua, entre outros), assim como comandar e supervisionar o estado dos diversos equipamentos envolvidos na operao, tais como bombas, inversores de freqncia, vlvulas de bloqueio, vlvulas controladoras de presso e vazo, dosadoras de produtos qumicos, agitadores, etc. Qualquer anormalidade operacional tambm alarmada

11

no sistema de superviso, a fim de que as resolues necessrias sejam tomadas em tempo hbil. Um SAA automatizado oferece uma gama de possibilidades adicionais em termos de melhorias de operao da planta, na tomada de decises nas diversas situaes operacionais, na reduo de custos de energia, e na reduo da presso na rede, atravs de inversores de freqncia, vlvulas redutoras de presso ou vlvulas controladoras de presso. Desta forma, o perfil de consumo tende a mudar depois de implantada a automatizao do sistema de abastecimento de gua. Por conseguinte, o uso de dados de consumo de origem anterior implantao da automatizao do sistema de abastecimento de gua incutiria erros na previso de consumo futuro ps-automao. A topologia de rede de um sistema de abastecimento de gua composta, de forma genrica, pela camada mais baixa de CLPs remotos, que podem ler medidas de vazo locais atravs de rede ou de placas de entradas analgicas, ou ento receber remotamente essas medies via modem ou rdio. Em um nvel acima se encontram os CLPs mestres, que por sua vez tambm coletam dados dos medidores de vazo locais ou remotos. Recebendo os dados dos CLPs, esto as estaes SCADA, permitindo a visualizao e a operao de toda planta. A figura 3 apresenta uma topologia de rede genrica de um sistema de abastecimento de gua automatizado, apresentando os principais tipos de ligaes em rede dos medidores de vazo. No canto inferior esquerdo da figura 3, a EEB01, ou estao elevatria de gua bruta, verificada a qualidade do corpo de gua atravs dos analisadores (AIT analytical indicator transmitter), atravs de bombas com inversores de freqncia (SC speed control) recalcam uma vazo definida pela estao de tratamento de gua (ETA), determinado de acordo com o volume de gua necessrio para tratar. Dois medidores de vazo (FT flow transmitter), um na sada da captao e outro na chegada da ETA indicam o valor para controle do volume de gua bruta estipulado e verificam a estanqueidade da linha, alarmando em caso de vazamentos. Aps processos de tratamento, a gua reservada em um reservatrio apoiado, neste caso (RAP01), de onde distribuda para as regies de consumo. Parte distribuda para a regio de consumo 1 via gravidade, e uma bomba booster

12

com inversor de freqncia (EET02) controla a presso jusante em um ponto remoto na regio de consumo 2, via medida de presso (PT pressure transmitter) e valor de referncia (set point) de presso determinado. O controle de presso normalmente ocorre atravs da instalao dos medidores de presso remotos nos pontos mais altos da rede de distribuio, ou menos favorecidos, podendo haver mais de um medidor de presso por elevatria de distribuio. Cada medidor de presso, por sua vez, pode ter diferentes valores de referncia de presso (set point), tal que o set point escolhido para controle pela elevatria, bem como a varivel medida, passar por uma lgica de seleo de medidores, tal que seja escolhido o medidor remoto com o maior desnvel negativo ou menor desvio positivo de presso em relao ao set point estipulado. Desta forma, garante-se o abastecimento nas regies menos privilegiadas. O nvel do RAP01, indicando condies de operao servir como segurana da EET01, que atravs de inversores de freqncia controla a presso na regio de consumo 3, verificando entre os dois medidores de presso remotos aquele que estiver em condies mais crticas. medida que aumentar o consumo, os inversores de freqncia tendem a acelerar, aumentado a vazo recalcada. Ao chegar a um limite de vazo estipulado, a EET01 passa a controlar vazo, a fim de gerenciar o volume de vazo destinado para cada regio. Quando a vazo impulsionada pela EET01 no for suficiente para atender regio de consumo 3, a vlvula controladora de presso (PCV pressure control valve) comea a atuar controlando a presso da regio de consumo 3, conforme seleo dos PTs. medida que o consumo decresce, a PCV01 tende a fechar e a EET01 volta a controlar presso na regio de consumo 3. O nvel baixo do RAP02 acionar a EET01 a alimenta-lo em um perodo do dia que no haja consumo elevado. Os medidores de vazo indicam o consumo de cada regio, tornando possvel verificar o perfil de consumo individual auxiliando no planejamento da operao. A maleabilidade de programao do CLP facilita a operao de equipamentos envolvidos no SAA de uma forma mais segura. Os CLPs de cada rea controlam os processos locais e enviam informaes relevantes para CLPs de outras reas. O sistema de superviso monitora os estados de todas as reas remotas atravs dos dados recebidos dos CLPs.

13

Figura 3 Topologia de rede genrica de um sistema de superviso e controle de distribuio de gua.

Nos sistemas da Sanepar, o sistema de superviso insere os dados de interesse em um banco de dados em intervalo de tempo estipulado, normalmente a cada 15 minutos. Os dados de interesse, no caso do problema aqui abordado, so os volumes de gua que passam pelos medidores de vazo a cada intervalo de tempo. Caso os medidores de vazo estejam ligados em cartes de entradas analgicas nos CLPs, normalmente esta medio de volume deve ser configurada no medidor de vazo para indicar um pulso a cada medida de volume, normalmente um metro cbico. Este pulso lido pelo CLP atravs de uma entrada digital e incrementa um contador que transmitido ao sistema de superviso. O erro de leitura , portanto, de 1 m3 alm do erro especfico do medidor de vazo. Caso os medidores de vazo estejam em rede, a totalizao contnua, lida diretamente atravs de uma memria especfica, sem necessidade de processamento indireto

14

pelo CLP, com apenas erro especfico do medidor e, portanto, apresentado maior preciso. A fim de que os dados de volume de gua consumido coletados pelo banco de dados sejam confiveis necessrio avaliar os tipos de falhas, interferncias, ou medidas errneas passveis de ocorrncia. Os tipos de falha variam de acordo com a topologia de rede de cada sistema, mas de forma geral, podem-se citar algumas situaes que causam a incerteza de uma leitura so: a) Falhas no medidor de vazo; b) Falha de comunicao em algum ponto da rede (entre o medidor de vazo e o CLP, entre CLPs ou entre CLPs e o sistema de superviso): em geral, a falha de comunicao provoca ou congelamento dos dados ou falta de dados; c) Falta de energia prolongada: a falta de energia prolongada impede a operao adequada dos equipamentos envolvidos (bombas, inversores, vlvulas, etc.) causando desabastecimento da rede hidrulica, demandando um tempo significativo no retorno da energia para que as condies de consumo voltem normalidade; d) Falhas de equipamentos envolvidos: falha de bombas, inversores, vlvulas, CLPs, etc; e) Vazamentos: o vazamento provoca consumo excessivo, fora dos padres normais de consumo; f) Manuteno da rede hidrulica: a manuteno da rede hidrulica implica em operao de vlvulas manuais, modificando a configurao original da rede a fim de abastecer as reas envolvidas atravs de outras vias, o que torna o perfil de consumo equivocado durante este perodo. Para que esta situao seja considerada, deve haver uma interveno manual do operador no sistema de superviso. A fim de que os dados de calibrao e determinao dos parmetros dos modelos de previso de demanda sejam corretos, necessria uma filtragem dos mesmos, conjugando os sinais de falha de comunicao e falhas de sensor com os

15

de leitura totalizada do volume de consumo. Da mesma forma, devem ser verificadas as datas onde ocorreram vazamentos e manutenes da rede hidrulica, a fim de que os dados coletados nestas ocasies sejam ignorados. Esta ltima providncia mais complexa dado que requer uma influncia manual para identificar no banco de dados o perodo dos registros a serem excludos. Portanto, ao se planejar um sistema de superviso com treinamento automtico de modelos de previso, as possveis falhas citadas anteriormente devem ser consideradas para validar os novos dados de treinamento. 2.6 A PREVISO DE CONSUMO DE GUA EM SISTEMAS DE

ABASTECIMENTO De acordo com Petrella (2002) um dos motivos que explicam a crise mundial da gua 2 seriam todos os fatores relacionados ao desperdcio e ao mau gerenciamento dos recursos disponveis. Os estudos sobre perdas nos sistemas de abastecimento de gua de Silva et al. (1998) indicam que o ndice de perdas no faturamento dos sistemas de abastecimento de gua brasileiros (volume no faturado sobre volume produzido) varia entre aproximadamente 27% e 60%. As perdas de gua podem ser divididas em perdas fsicas, ocasionadas por vazamentos desde a captao at a distribuio, e perdas no fsicas, ocasionadas por ligaes clandestinas, defeitos em hidrmetros, fraudes, entre outras. Segundo Yoshimoto et al. (1999), o efetivo controle de perdas fsicas feito atravs de quatro atividades complementares: a) gerenciamento de presso; b) controle ativo de vazamentos; c) velocidade e qualidade dos reparos; d) gerenciamento da infra-estrutura.

Existem mais de 1.4 bilho de pessoas que no tm acesso gua potvel, e mais de outros 2 bilhes de pessoas no tm qualquer sistema sanitrio domstico ou de purificao da gua de esgoto. Se nada for feito para reverter a tendncia atual, no ano 2025 o nmero de pessoas sem acesso gua potvel alcanar mais de 4 bilhes, a metade da populao mundial Petrella (2002).
2

16

A automao dos sistemas de abastecimento de gua , portanto, indispensvel a fim de atingir tais objetivos, reduzindo a presso na rede atravs de inversores de freqncia e vlvulas redutoras de presso e permitindo um completo gerenciamento da rede hidrulica atravs de sistemas SCADA, assim como a coleta em tempo real de dados de presso e vazo, e, conseqentemente, permitir identificar o comportamento de consumo das diversas regies de uma cidade. O armazenamento em banco de dados destas variveis fornece possibilidades de, atravs de anlise de dados histricos de consumo e aplicao de tcnicas diversas, obter mecanismos de previso da demanda de gua de uma determinada regio de consumo. A fim de que os dados histricos do perfil de consumo sejam consistentes, necessria uma filtragem dos mesmos no banco de dados (Lertpalangsuntia et al. (1999), conjugando os sinais de falha de comunicao e falhas de sensor com os de leitura totalizada do volume de consumo. Da mesma forma, devem ser verificadas as datas onde ocorreram vazamentos e manutenes da rede hidrulica, a fim de que os dados coletados nestas ocasies sejam ignorados. O conhecimento prvio do perfil de consumo ao longo do dia (previso a curto prazo) de uma dada regio de consumo permite planejar a operao do sistema visando otimizar os custos de produo e transferncia de gua mantendo-se a qualidade exigida. Vrias so as vantagens da obteno de um modelo de previso de consumo a fim de otimizar a distribuio de gua, dentre as quais podem ser citadas: a) Identificao imediata de perda fsica no sistema: dispondo-se de um modelo confivel de previso, este acusar em tempo hbil qualquer anormalidade (vazamentos); b) Ganho da qualidade da gua atravs de estoques adequados: limitando-se a transferir apenas o volume necessrio para os reservatrios, evita-se a perda de qualidade da gua no consumida em tempo adequado; c) Planejamento da operao das elevatrias de gua in natura e tratada segundo contratos de energia: conhecendo-se o consumo nos perodos de pico de

17

energia, pode-se planejar a reserva de gua para este perodo e desligar os equipamentos, evitando-se as multas sobre as tarifas de energia eltrica; d) Planejamento da operao diria da Estao de Tratamento de gua - ETA, de modo a obter os melhores pontos de operao de todos os sistemas que compem esta planta; e) Estimativa das variveis de ajuste de controle de presso e vazo timas ao longo do dia, bem como set points de nvel de enchimento de reservatrios; f) Logstica de produtos qumicos da ETA: atravs de uma previso de longo tempo de consumo (diria e mensal), tem-se como determinar a logstica dos produtos qumicos utilizados, evitando-se perdas e atrasos. Segundo Tucci (1998), um modelo a representao de algum objeto ou sistema, numa linguagem ou forma de fcil acesso e uso, com o objetivo de entend-lo e buscar suas respostas para diferentes entradas. medida que os sistemas se tornam mais complexos, mais desafiadora e necessria a obteno de seus modelos. O modelo em si no deve ser visto como o objetivo final, mas sim uma ferramenta para obteno de um ou mais objetivos, uma etapa para atingir uma meta. 2.7 A DETERMINAO DE UM MODELO DE PREVISO DE CONSUMO DE GUA
2.7.1 PRINCIPAIS TCNICAS EMPREGADAS

A determinao do perfil de consumo no se trata, porm, de uma tarefa trivial, dado que diversos fatores contribuem para a variao do consumo de gua em uma dada regio, tais como fatores climticos (temperatura, umidade, precipitao), caractersticas scio-econmicas, poca do ano, dia da semana, tipo do bairro (residencial, comercial, industrial ou agrcola), entre outros (An et al., 1996), caracterizando a srie temporal de consumo de gua como dinmica, multivarivel e no linear Dentre as tcnicas mais utilizadas para previso destacam-se a regresso linear mltipla (Johnson e Wichern, 1998), anlise de sries temporais (Box &

18

Jenkins, 1994), redes neurais artificiais (Haykin, 2001) e sistemas nebulosos (Klir e Yuan, 1995).
2.7.2 REGRESSO LINEAR MLTIPLA

O objetivo da regresso linear mltipla de estabelecer uma relao quantitativa entre um grupo de variveis preditivas (X) e uma resposta (Y). O modelo de regresso linear mltipla descrito pela equao 4:
Y = X +
(4)

onde: Y um vetor n x 1 de observaes. X uma matriz n x p de regressores. um vetor p x 1de parmetros. um vetor n x 1 de rudos. A soluo para o modelo um vetor B que estima o vetor tal que satisfaa a equao 5:
B = = ( X T X ) 1 X T Y
(5)

E o valor de resposta estimado ser conforme a equao 6:

Y = XB
(6)

2.7.3 MODELOS TIPO BOX E JENKINS

Para processos estacionrios, Box e Jenkins (Box et al.,1994) propuseram um modelo que considera termos regressivos da srie, mdias mveis e um rudo branco com distribuio normal, mdia zero e varincia definida. Caso a srie no seja estacionria, esta pode ser diferenciada d vezes at que se obtenha estacionariedade.

19

Um processo ARIMA(p,d,q), ou auto-regressivo-integrado-mdias mveis de ordem p (nmero de parmetros auto-regressivos), d (nmero de diferenciaes aplicadas a srie a fim de que ela se torne estacionria), e q (nmero de parmetros mdias mveis), representado pela equao 7: y t = i y t i +
i =1 p

j =1

at j + at

(7)

onde i so os termos auto-regressivos, j so os termos referentes s mdias mveis e a representa um termo aleatrio com mdia zero e varincia definida.
2.7.4 REDES NEURAIS ARTIFICIAIS

As redes neurais artificiais RNAs, na sua forma mais geral, podem ser consideradas uma mquina que projetada para modelar um problema especfico de maneira inspirada na forma como o crebro realiza uma tarefa particular ou funo de interesse (Haykin, 2001). As RNAs utilizam unidades de processamento simples denominados neurnios (artificiais) interconectados atravs de sinapses, caracterizados por valores de pesos sinpticos, e ativados por uma funo de ativao.

Figura 4 Modelo de um neurnio artificial (Haykin, 2001).

A figura 4 apresenta o modelo de um neurnio artificial, onde: xi: entradas da rede;

20

wki: pesos sinpticos; bk: bias;

(.): funo de ativao;

yk: sada da rede. Os trs elementos bsicos do modelo de um neurnio so: um conjunto de sinapses representadas pelos pesos sinpticos, que confere um grau de importncia aos sinais de entrada. Outro elemento um somador que realiza a soma dos sinais de entrada ponderados pelos pesos sinpticos, e, por fim, uma funo de ativao, cujo papel de restringir a amplitude de sada do neurnio, Haykin (2001). Matematicamente, a sada da rede yk representada pela equao:

m yk = wkj x j + bk j =1

(8)

As RNAs so capazes de adquirir conhecimento do meio atravs de aprendizagem e de generalizar, apresentando respostas a situaes inditas, podendo ser implementadas via hardware ou software. Existem vrios tipos de RNA, diferenciadas pela sua arquitetura e modos de aprendizagem. A figura 5 apresenta uma RNA tipo MLP (Multi Layer Perceptron) com uma camada de entrada com n entradas, uma camada oculta com m neurnios e uma nica camada de sada com um neurnio.

21

Figura 5 Modelo de arquitetura de RNA do tipo MLP

A camada oculta tem como funo intervir entre a camada externa da rede e a sada, conferindo rede neural capacidade de extrair estatsticas de ordem elevada (Haikin, 2001). O aprendizado da rede neural tipo MLP envolve a alterao dos pesos sinpticos de modo que o erro entre a sada desejada e a resposta fornecida pela rede neural seja minimizado. Este tipo de aprendizado (quando tem-se informaes do resultado desejado para cada entrada) denominado aprendizado supervisionado. Em geral, as RNAs oferecem as seguintes propriedades e capacidades (Haykin, 2001): a) no-linearidade; b) mapeamento entrada-sada; c) adaptabilidade; d) tolerncia falhas; e) capacidade de generalizao.

22

Em decorrncia de sua versatilidade, as RNAs tm sido utilizadas para os mais diversos fins, tais como classificao de padres, identificao de sistemas, controladores, previso, entre outros (Haykin, 2001). Para o caso em estudo, utilizaram-se as RNAs do tipo MLP com apenas uma camada de neurnios oculta respaldado pelo teorema da aproximao universal, que afirma que uma nica camada oculta suficiente para aproximar uniformemente qualquer funo contnua com suporte em um hipercubo unitrio, demonstrado por Cybenko 3 apud (Haykin, 2001). 2.8 ESTUDOS PREVIAMENTE REALIZADOS Diversos trabalhos tratando de previso so encontrados na literatura aplicados s mais distintas reas, dentre as quais, previses de demanda de energia eltrica ocupam notvel importncia, com aplicaes utilizando-se das mais variadas tcnicas de previso, (Chen et al., (1995); Zhang e Dong (2001); Ozawa e Nimura (1999); Dash et al. (1995); Reis e Silva (2003); Rodrigues (2002)), muitos destes servindo como alento aos estudos de previso de demanda de gua pela similaridade dos problemas em discusso. Estudos utilizando modelos de redes neurais aplicados a recursos hdricos e cincias ambientais tais como previso de vazo de rios, podem ser encontrados em Galvo e Valena (1999) e Valena e Ludermir (2001). Em se tratando de sistemas de saneamento, verificam-se estudos utilizando redes neurais artificiais para obteno de melhor padro de qualidade de gua em estaes de tratamento de gua atravs da remoo da cor e turbidez no processo de coagulao, reduo da dureza da gua e busca de melhor desempenho de filtros (Baxter et al., 2001). Em se tratando de previso de consumo de gua, An et al. (1996) apresentam um estudo extensivo sobre regras de consumo extradas a partir de dados histricos contendo informaes de condies de operao passadas do sistema de

CYBENKO, G.1988. Aproximation by superpositions of a sigmoidal function, Mathematics of Control, Signals, and Systems, vol. 2, pp. 303-314.

23

distribuio de gua, associando a uma previso de consumo e um fator de certeza. Florent et al. (1998) propem dois modelos de previso de demanda de gua utilizando redes neurais artificiais, o primeiro objetivando prever o consumo da prxima hora e o segundo objetivando prever o consumo nas prximas doze horas. Para tal, utilizaram dados de consumo passado, assim como informaes de dia da semana, hora e ms. Liu et al. (1996) comparam sistemas nebulosos com redes neurais artificiais e modelos auto-regressivos para previses a curto prazo e concluem que redes neurais e sistemas nebulosos so bons candidatos para este tipo de previso, com performance superiores do modelo auto-regressivo, visto que aqueles podem prever mltiplos pontos desde que haja quantidade suficiente de dados histricos disponveis para teste. Por outro lado, os modelos auto-regressivos no necessitam de um pr-treinamento, porm podem prever apenas poucos dados adiante. Lertapalangsunti et al. (1999) apresentam um software especialista ferramental para fazer previses utilizando-se diversas tcnicas, tais como redes neurais artificiais, sistemas nebulosos e regras de conhecimento. Advertem que previses a partir de uma nica tcnica esto propensas a grandes erros de previso, especialmente quando o domnio do problema inclui diferentes classes de padres. , portanto, aconselhvel dividir o problema da previso em subproblemas, aplicando diferentes tcnicas para solucionar cada subproblema comparativamente. A maioria das abordagens estatsticas leva em considerao informaes externas, tais como condies do tempo e distines para dias de semana e feriados, dado que o uso exclusivo dos dados da srie temporal pode ocasionar grandes erros de previso. Amaral (2000) procura explicar o consumo residencial mdio e mensal da cidade de Piracicaba, SP, utilizando variveis climticas e scio-econmicas, tais como o preo mdio da gua, preo marginal, consumo residencial total, consumo residencial mdio, nmero de ligaes e temperatura mdia mensal atravs de sries temporais. Zhou et al. (2000) apresentam um modelo de previso de consumo dirio para a cidade de Melbourne, Austrlia, baseado em um conjunto de equaes representados por dois componentes: consumo bsico de gua independente das

24

condies climticas e consumo sazonal de gua dependente das condies climticas, este por sua vez subdividido em uma componente sazonal cclica, uma componente sazonal climtica e uma componente de persistncia. A componente de consumo bsico de gua, no dependente das condies climticas, baseou-se nos dados histricos dos meses mais frios, ou seja, de menor consumo. As variaes desta parcela so determinadas por fatores scio-econmicos, taxa do servio e crescimento populacional, representando, portanto, pouca variao ao longo do tempo. Baxter et al. (2001) ilustram a aplicao de redes neurais artificiais para previso de consumo de gua dirio e horrio para a cidade de Edmonton, Canad, objetivando minimizar o custo de energia despendido em bombeamento, representando uma importante parcela do consumo de energia em sistema de distribuio e tratamento de gua, atravs da otimizao e planejamento de uso das bombas. A estimativa do consumo representa uma informao importante para a adequao operacional dos servios de bombeamento e planejamento das reservas visando minimizar os custos de energia. Como entradas para o modelo de previso horria, utilizaram as variveis climticas previstas disponveis, tais como temperatura mnima e mxima do dia, precipitao do dia anterior, precipitao dos ltimos cinco dias, informao de dia da semana e feriados, informao da estao do ano e consumo de gua das 09h00min s 10h00min da manh. Zhou et al. (2001) utilizam uma srie de consumo de um perodo de 142 anos para identificar o intervalo mdio de recorrncia dos dias de consumo excessivo de gua, para um, dois, trs e cinco dias consecutivos, para a cidade de Melbourne, Austrlia, fundamentando-se no fato de que o comportamento climtico ao longo do ano essencial para explicar os padres de consumo. Zhou et al. (2002) apresentam um modelo de previso de demanda para as prximas 24 horas para a cidade de Melbourne, Austrlia, decompondo a demanda em consumo bsico (no dependente das condies climticas) representado por 10% da mdia do consumo da hora separados em dia da semana e fins de semana e consumo sazonal (dependente das condies climticas). Para determinao da parcela de consumo sazonal, os perfis de demanda diurnos so estudados e definidos de acordo com o comportamento das horas de pico de consumo, entre

25

18h00min e 21h00min, variando conforme o dia da semana e ms referente. Atravs de regresso linear para cada hora e cada ms a partir do consumo, obtm-se a previso do consumo e do perfil de consumo correspondente. Trautwein Jr. (2003) compara tcnicas de redes neurais artificiais com ajustamento exponencial para previso a curtssimo prazo, definido como o consumo nos prximos 15 minutos, utilizando dados histricos de uma semana para a cidade de Curitiba. Liu et al. (2003) aplicam redes neurais artificiais para previso de consumo residencial por habitante para a cidade de Weinan, China, utilizando como dados de entrada informaes residenciais como nmero de moradores, consumo mensal da famlia, preo da tarifa de gua, renda anual per capita dos moradores. Atravs dos resultados, relatam algumas concluses: a) O consumo diretamente proporcional renda familiar; b) Para residncias de mesma renda per capita, a residncia cujo nmero de pessoas maior possui menor consumo per capita, visto que h maior possibilidade de entre estas habitarem pessoas ou muito novas ou muito idosas, que consomem menos que adultos jovens; c) Para moradores com renda per capita muito alta, o consumo aumenta de forma insignificante com o nmero de habitantes, visto que estes preferem jantar fora a maioria das vezes ao invs de jantar em casa; d) O consumo mais elstico para famlias de classe baixa.

26

METODOLOGIA
Obter modelos de previso de sries temporais envolve ao menos as

seguintes decises: a) Seleo dos dados a serem inclusos no modelo e transformaes de dados; b) Manipulao de dados invlidos: geralmente dados histricos contm leituras invlidas ou fora de ordem. Deve-se definir um procedimento de como estas ocorrncias podem ser detectadas e reajustadas ou eliminadas do banco de dados; c) Definio das variveis externas a serem includas no modelo; d) Escolha das tcnicas utilizadas para determinao dos modelos de previso; e) Uma estratgia para determinar um modelo adequado uma busca por todos os modelos possveis , em geral, bastante exaustiva e dispendiosa, e muitas vezes impraticvel, portanto, o ideal estabelecer uma estratgia para alcanar um modelo adequado de acordo com o tipo de tcnica utilizada e da srie temporal; f) Seleo da estrutura adequada do modelo selecionado; g) Definio do critrio de avaliao do modelo e mtricas de erro a serem tilizadas: RMSE, MAPE, AIC (Critrio de Informao de Akaike), MSE (Mean Square Error), etc. Neste trabalho foram utilizados o RMSE root mean square error (equao 9) e MAPE mean absolute percentage error (equao 10); h) Manipulao de previses ambguas: deve-se testar o resultado das previses de forma a garantir que a previso se encontre dentro de uma faixa esperada factvel.
RMSE = 1 n (atual i previstoi ) n i =1
2

(9)

MAPE =

1 N

i =1

atuali previstoi *100 atuali

(10)

27

3.1

COLETA E FILTRAGEM DOS DADOS A obteno de um bom modelo requer um banco de dados confivel e

completo tal que seja possvel identificar as principais caractersticas do perfil de consumo de uma determinada rea de consumo. Para este trabalho, os dados esto disponveis em um banco de dados tipo MSAccess cujos registros so inseridos por um sistema SCADA em funcionamento no centro de controle operacional da companhia de saneamento do Paran Sanepar, na cidade de Ponta Grossa, Paran. Dispe-se de um banco de dados de 30/09/2002 a 03/01/2004. Para este estudo, foram escolhidas trs regies de consumo do municpio de Ponta Grossa: Centro Histrico consumo dirio mdio de 2.100 m3, Uvaranas consumo dirio mdio de 11.000 m3 e Distrito Industrial, incluindo ncleo habitacional Santa Tereza, com consumo dirio mdio de 3.900 m3. A figura 6 ilustra a topologia de comunicao do sistema de abastecimento de gua de Ponta Grossa. As estaes de superviso comunicam-se com os CLPs via rede de comunicao dedicada, que por sua vez comunicam-se com os CLPs das reas remotas via modem ou rdio.

28

MC03

MC01

MC04

CP01

CP01A

UVARANAS
CP05 CP02 CP32

CENTRO HISTRICO
CP06

CP69

CP16

CP16a

CP18

DISTRITO INDUSTRIAL

CP08 CP36

CP39

CP35

Figura 6 Topologia de comunicao do sistema de abastecimento de gua de Ponta Grossa primeira etapa.

As tabelas de dados contm informaes de data, totalizao dos medidores envolvidos na rea remota, informaes de falha de comunicao entre as remotas envolvidas no caminho para o centro de controle e outras informaes diversas, tais como tempo de operao de bombas, medies de nvel de reservatrios e demais informaes pertinentes rea envolvida. Os medidores de vazo eletromagnticos analgicos fornecem um sinal de corrente de 4 a 20 mA, proporcional vazo instantnea medida, a ser lido pelo CLP atravs de um carto de entradas analgicas. Alm disso, fornecem um sinal digital referente ao sentido de fluxo da vazo e outro sinal digital em forma de pulso, emitido quando a vazo instantnea, integralizada, atinge um valor definido de volume, (normalmente de um metro cbico). Ambos os sinais digitais so lidos pelo CLP atravs de um carto de entradas digitais. Ao ler o pulso de totalizao, o CLP soma um metro cbico memria correspondente totalizao de vazo do medidor no sentido de fluxo de interesse. O valor de consumo de uma regio pode

29

provir de um ou mais medidores da mesma rea remota ou de reas remotas diferentes, alm de valores de nvel de um reservatrio de distribuio. A informao da totalizao de vazo ento enviada desde a rea remota onde coletada at o centro de controle operacional, onde est situado o sistema de superviso (SCADA) que, por sua vez, atravs do disparo de um comando em SQL (Structured Query Language) em tempo definido, insere um registro com os dados de interesse, no caso data e totalizao de vazo, no banco de dados. vlido observar que a data que o banco de dados recebe no a data sincronizada ao valor de totalizao, mas sim a data em que foi disparada a escrita dos dados do banco de dados do sistema de superviso para o banco de dados tipo MSAccess. Inicialmente, um filtro das tabelas existentes do banco de dados foi feito de tal forma que ignore os registros nulos ou inseridos na ocorrncia de falha de comunicao no caminho entre a rea remota (fonte dos dados) e a rea central coletora. A partir do programa computacional Matlab, uma conexo com o banco de dados MSAccess feita coletando os dados de totalizao e data de cada regio de consumo ordenada por data. Visto que os dados so coletados a cada intervalo de 15 minutos, primeiramente uma rotina seleciona as linhas da tabela de dados cujas datas correspondem ao incio de cada hora com intervalo limtrofe de cinco minutos, visando buscar os valores de consumo correspondentes ao intervalo de 60 5 minutos. O erro de leitura, desta forma, pode ser decomposto em trs parcelas. a) 1 m3 referente ao incremento mnimo de volume;

b) Erro de medio do medidor de vazo, interferindo na integralizao da medida de volume; c) Volume referente a 5 minutos, folga cedida coleta de dados, dependente da vazo instantnea da hora. Em seguida, uma nova rotina efetua a diferena entre os dados de totalizao entre duas leituras de horas adjacentes.

30

Como critrio para filtragem das leituras invlidas e outliers, foi calculado a mdia e o desvio padro de consumo para cada hora e dia da semana, e eliminados os consumos localizados fora da faixa 3, onde a mdia e o desvio padro. As linhas contendo valor de consumo igual a zero e a primeira linha subseqente tambm foram eliminadas, representando uma ausncia de atualizao das tabelas de comunicao entre reas. Os dados utilizados para as tcnicas de redes neurais artificiais e regresso linear mltipla tiveram suas linhas de valores invlidos eliminadas. Visto que para identificao correta dos parmetros dos modelos de sries temporais necessita-se preferencialmente da srie temporal sem lacunas, os dados utilizados para modelos de anlise de sries temporais tipo Box e Jenkins tiveram as lacunas de horas ausentes completadas com valores supostos de consumo. Escolheu-se para tal utilizar a mdia do consumo da hora. Visto que a base de dados possui uma lacuna entre os dias 10/12/2002 a 04/02/2003, optou-se por no utilizar os dados anteriores a esta lacuna para anlise de sries temporais, a fim de evitar a necessidade de completar toda esta faixa com valores mdios de consumo. Dispondo destes dados, foi separado um conjunto de setenta por cento dos dados para treinamento, utilizado para obter os parmetros do modelo, um conjunto de quinze por cento de dados para validao a fim de verificar a capacidade de generalizao do modelo e um conjunto de quinze por cento de dados para teste, utilizado para verificar a confiabilidade do modelo atravs dos critrios de avaliao escolhidos. 3.2 VARIVEIS UTILIZADAS PARA OS MODELOS DE PREVISO As variveis utilizadas para os modelos de previso sero basicamente as informaes de data e de consumo das horas passadas. Embora como j comentado anteriormente, o consumo seja diretamente influenciado pelas condies climticas, estas informaes no sero utilizadas como entradas dos modelos, visto que no esto facilmente disponveis de forma a serem acessadas em tempo real. Para tal, seria necessria uma conexo de fcil acesso do centro de controle operacional para um banco de informaes meteorolgicas. Supe-se, portanto, que as influncias climticas sejam explicadas pelo prprio comportamento da srie.

31

Com relao s informaes de data, foram identificadas as informaes de hora, dia da semana e ms. Com relao s informaes de consumo, para os testes com redes neurais artificiais e regresso linear mltipla, foram selecionados para cada hora os consumos das ltimas trs horas, realizando desta forma um novo filtro nos dados de forma a incluir somente os registros cujas trs ltimas informaes de consumo em horas adjacentes estejam disponveis. A figura 7 ilustra a reduo dos dados histricos utilizveis como entradas para os modelos de redes neurais e regresso linear mltipla relacionada ao nmero de consumos passados requeridos.

Figura 7 Reduo dos dados em relao ao nmero de consumos de horas passadas para o Centro Histrico.

3.3

CARACTERIZAO DO PERFIL DE CONSUMO As regies de consumo em estudo possuem comportamentos de consumo

diferentes. A regio de Uvaranas tipicamente uma regio residencial, o Centro Histrico, uma regio tipicamente comercial e o Distrito Industrial, uma regio mista entre residencial e industrial. Como uma primeira anlise destes perfis de consumo, as figuras 8 e 9 ilustram o perfil de consumo em dias de semana e fins de semana, de duas pocas distintas

32

do ano, um perodo no vero (de 23/02/2003 a 01/03/2003) e um perodo no inverno (de 10/08/2003 a 16/08/2003) para os bairros Uvaranas e Centro Histrico, respectivamente. Observa-se um maior consumo nos dias mais quentes, e um perfil de consumo diferenciado para dias de semana e fins de semana. Observa-se que para Uvaranas o consumo aumenta nos fins de semana, enquanto que no Centro Histrico o consumo diminui, caracterizando ser um bairro tipicamente comercial. Outra caracterstica peculiar de Uvaranas a grande similaridade entre as horas de baixo consumo entre os dois perodos, enquanto que para o Centro Histrico observa-se uma pequena elevao do consumo para os meses quentes.

Figura 8 Perfil de consumo de uma semana de Uvaranas para ms quente (vermelho) e frio (azul).

33

Figura 9 Perfil de consumo de uma semana de Centro Histrico para ms quente (vermelho) e frio (azul).

A figura 10 apresenta a curva do consumo mdio das horas obtido atravs de todo o conjunto de dados, dos bairros Uvaranas, Centro Histrico e Distrito Industrial.

Figura 10 Consumo mdio ao longo do dia de Uvaranas, Centro Histrico e Distrito Industrial.

34

3.4

APLICAO DOS MODELOS DE PREVISO Como primeiro passo para aplicar as tcnicas de previso, objetiva-se prever o

consumo da prxima hora dado o consumo das horas passadas e as informaes de dia da semana e hora. Em se tratando de modelos com redes neurais artificiais e regresso linear mltipla, diversos testes foram realizados com o conjunto de dados representativos da data para definio da estrutura de entradas a ser utilizada para os modelos de previso. A incluso da informao do ms no conjunto de entradas ocasionou um decrscimo no desempenho dos modelos. Portanto, escolheu-se utilizar somente as informaes de hora e dia da semana. Da mesma forma, o embaralhamento dos dados de entrada com ou sem o uso da informao do ms ocasionou um decrscimo no desempenho dos modelos. Portanto, escolheu-se utilizar dados em ordem crescente de data para treinamento dos modelos. Convencionou-se utilizar setenta por cento dos dados para treinamento, quinze por cento para validao e quinze por cento restantes dos dados para teste. Para as tcnicas de redes neurais artificiais e regresso linear mltipla utilizaram-se como entradas externas os dias da semana, a hora do consumo previsto, os consumos das horas passadas e relaes entre estes consumos. Para as entradas de hora e dia da semana pode-se tanto utilizar entradas binrias, representando, portanto, sete entradas para os dias de semana e vinte e quatro entradas para a hora, ou ento transformar as entradas em funes senoidais, como ilustrado nas equaes 11 e 12, representando duas entradas para os dias de semana e duas entradas para a hora, reduzindo o nmero de entradas dos modelos e consequentemente o tempo de processamento. Verificou-se, porm, resultados sensivelmente melhores para as entradas binrias.
2ds 2ds ed1 = sin ; ed 2 = cos 7 7 Onde ds o valor do dia da semana entre 1 e 7. 2 ( h + 1) 2 ( h + 1) eh1 = sin ; eh2 = cos 24 24
(11)

(12)

35

Onde h o valor da hora entre 0 e 23. Para as entradas de consumos passados, variou-se o nmero de consumos comparando-se os erros de previso. Tambm foram includos como entradas para RNA e RLM, relaes entre parmetros de consumo tais como a primeira diferena d1 e a segunda diferena d2 representadas pelas equaes 13 e 14 respectivamente. A entrada d1 representa a variao de consumo entre duas horas, enquanto que a entrada d2 representa a variao da variao de consumo entre as horas.
d 1i = t i 1 t i 2
(13)

Onde t i-1 o consumo da hora passada e t i-2 o consumo duas horas passadas.
d 2i = (t i 1 t i 2 ) (t i 2 t i 3 )
(14)

Onde t i-3 o consumo de 3 horas passadas.

3.4.1 PREVISO HORRIA COM REDES NEURAIS ARTIFICIAIS

Foram utilizadas trs tipos de estruturas de dados de entrada para modelos de rede neural, definidos aqui como RNh, RNd1 e RNd2. As trs estruturas diferem entre si pelas entradas, da seguinte forma: a) Entradas da RNh: Sete ns de entradas binrias para dia da semana; Vinte e quatro ns de entradas binrias para hora; Um n de entrada do consumo da hora anterior em m3. Sadas da RNh: Consumo na prxima hora em m3.

b) Entradas da RNd1: Sete ns de entradas binrias para dia da semana; Vinte e quatro ns de entradas binrias para hora; Um n de entrada do consumo da hora anterior em m3;

36

Um n de entrada da primeira diferena d1 do consumo das duas ltimas horas; Sadas da da RNd1: Consumo na prxima hora em m3. c) Entradas da RNd2: Sete ns de entradas binrias para dia da semana; Vinte e quatro ns de entradas binrias para hora; Um n de entrada do consumo da hora anterior em m3; Um n de entrada da primeira diferena d1 do consumo das duas ltimas horas; Um n de entrada da segunda diferena d2 do consumo das trs ltimas horas; Sadas da RNd2: Consumo na prxima hora em m3. Para cada estrutura utilizaram-se duas redes neurais: uma rede neural artificial tipo MLP com uma camada oculta de neurnios com funo de ativao linear, e uma rede neural tipo MLP com uma camada oculta de neurnios com funo de ativao tangente hiperblica e com neurnio de sada com funo de ativao linear, com dados normalizados entre zero e um na entrada e na sada. Para as duas redes utilizou-se como algoritmo de treinamento, o de Levenberg-Marquardt, minimizando a funo de soma do erro mdio quadrtico MSE. O nmero de neurnios na camada oculta varia entre as redes neurais, tendo sido escolhido aquele que apresenta melhor resultados para a mesma estrutura de dados. Para escolha do nmero de neurnios na camada oculta, convencionou-se o seguinte procedimento: 1. Iniciou-se com um neurnio na camada oculta e verificam-se resultados; 2. Acrescentou-se um neurnio na camada oculta (limite de 5 neurnios) e verificam-se resultados;

37

3. Comparam-se resultados: caso a nova rede fosse melhor, voltou-se ao passo 2, caso contrrio, manteve-se o nmero de neurnios da rede antiga. Para a escolha do nmero de pocas de treinamento da rede neural, a fim de maximizar a capacidade de generalizao da rede, evitando-se desta forma o overfitting, utilizou-se a funo early stopping no Matlab como critrio de parada, que utiliza o mtodo de validao cruzada. O mtodo da validao cruzada consiste em validar o modelo com um conjunto de dados diferente daquele utilizado para a estimao dos parmetros. Utiliza-se o conjunto de treinamento para selecionar o modelo e o conjunto de validao para testar ou validar o modelo. Para evitar que haja um ajuste excessivo do modelo para com o conjunto de validao, acarretando desta forma uma perda na capacidade de generalizao deste, utiliza-se um conjunto diferente do de validao, o conjunto de teste para verificao da capacidade de generalizao da rede. Neste caso, o erro sobre o conjunto de validao monitorado durante o treinamento da rede, quando comumente diminui juntamente com o erro de treinamento, at que a partir de um determinado nmero de pocas de treinamento o erro de validao comea a aumentar, indicando que a rede est iniciando o processo de overfitting e, consequentemente, perdendo sua capacidade de generalizao. Neste ponto o treinamento interrompido e a rede mantm os pesos cujo erro de validao fora mnimo.
3.4.2 PREVISO HORRIA COM REGRESSO LINEAR MLTIPLA

Utilizou-se trs tipos de estruturas para modelos de regresso linear mltipla, definidos aqui como RLMh, RLMd1 e RLMd2. As trs estruturas diferem entre si pelas entradas, da seguinte forma: a) Entradas da RLMh: Sete entradas binrias para dia da semana; Vinte e quatro entradas binrias para hora; Uma entrada do consumo da hora anterior em m3.

38

Sadas da RLMh: Consumo na prxima hora em m3.

b) Entradas da RLMd1: Sete entradas binrias para dia da semana; Vinte e quatro entradas binrias para hora; Uma entrada do consumo da hora anterior em m3; Uma entrada da primeira diferena d1 do consumo das duas ltimas horas; Sadas da RLMd1: Consumo na prxima hora em m3. c) Entradas da RLMd2: Sete entradas binrias para dia da semana; Vinte e quatro entradas binrias para hora; Uma entrada do consumo da hora anterior em m3; Uma entrada da primeira diferena d1 do consumo das duas ltimas horas; Uma entrada da segunda diferena d2 do consumo das trs ltimas horas; Sadas da RLMd2: Consumo na prxima hora em m3.
3.4.3 PREVISO COM MODELOS BOX E JENKINS

Para os modelos tipo Box e Jenkins ,

foi utilizado um conjunto de dados

distinto do utilizado para os modelos de redes neurais e regresso linear mltipla, visto que houve necessidade do preenchimento das lacunas existentes a fim de que a srie temporal estivesse completa. Desta forma, optou-se por comparar os resultados separadamente dos modelos de redes neurais artificiais e regresso linear mltipla. O conjunto de dados foi separado em trs partes: setenta por cento destinado para estimao dos parmetros dos modelos, quinze por cento destinado para avaliar a previso de consumo horria e compor a matriz de erros dos modelos, e os quinze por cento restantes para avaliar a previso nas prximas 24 horas.

39

Para este estudo, utilizou-se o software Matlab pela possibilidade de conexo com o banco de dados, facilidade de manipulao dos dados na filtragem e formatao dos mesmos, por prover de todas as tcnicas empregadas para previso, e pela facilidade em adicionar rotinas complementares s simulaes. Uma desvantagem dos modelos Box e Jenkins que sua utilizao requer experincia e algum conhecimento especfico por parte do profissional, alm do uso automtico de um pacote de computador, e mesmo assim, possvel que vrios pesquisadores identifiquem modelos diferentes para a mesma srie temporal, Morettin e Toloi (2004). A metodologia para obteno de um modelo tipo Box e Jenkins baseada em um ciclo iterativo definido pelos seguintes estgios: a) Considerao de uma classe geral de modelos (especificao); b) Identificao de um modelo baseado nas anlises de autocorrelaes, autocorrelaes parciais e outros critrios; c) Estimao dos parmetros do modelo identificado; d) Verificao do modelo ajustado atravs de uma anlise de resduos a fim de comprovar se este adequado para os objetivos da previso. Como meio de identificar o modelo ARMA(p,q) a ser utilizado, foram analisadas as funes de autocorrelao (fac) e de autocorrelao parcial (facp) dos processos, baseado nas seguintes caractersticas especficas Morettin e Toloi (2004): 1.Um processo AR(p) tem fac que decai de acordo com exponenciais e/ou senides amortecidas, infinita em extenso; 2. Um processo MA(q) tem fac finita, no sentido que ela apresenta um corte aps o lag q; 3.Um processo ARMA(p,q) tem fac infinita em extenso, a qual decai de acordo com exponenciais e/ou senides amortecidas aps o lag q-p. As figuras 11, 12 e 13 apresentam as funes de autocorrelao das sries de Uvaranas, Centro Histrico e Distrito Industrial, que segundo suas caractersticas, com decaimento de acordo com senoides amortecidas infinitas em extenso, indicam os modelos AR(p) para todas as sries.

40

Funo de autocorrelao - Uvaranas 1

0.8

0.6

0.4

0.2 fac 0 -0.2 -0.4 -0.6 -0.8 0

10

15

20

25 Lag

30

35

40

45

50

Figura 11 Funo de autocorrelao da srie de Uvaranas.

Funo de autocorrelao - Distrito industrial 1

0.8

0.6

0.4

0.2 fac 0 -0.2 -0.4 -0.6 -0.8 0

10

15

20

25 Lag

30

35

40

45

50

Figura 12 Funo de autocorrelao da srie do Distrito Industrial.

41

Funo de autocorrelao - Centro histrico 1

0.8

0.6

0.4

fac

0.2

-0.2

-0.4

-0.6

10

15

20

25 Lag

30

35

40

45

50

Figura 13 Funo de autocorrelao da srie do Centro Histrico.

Box et al. (1994) propem o uso da funo de autocorrelao parcial (facp) e demonstram que: 1. Um processo AR(p) tem facp kk 0 para k p e facp kk = 0 para k > p; 2. Um processo MA(q) tem facp que se comporta de maneira similar fac de um processo AR(p): denominada por exponenciais e/ou senides amortecidas; 3. Um processo ARMA(p,q) tem facp que se comporta como a facp de um processo MA puro. As figuras 14, 15 e 16 apresentam as funes de autocorrelao parcial das sries de Uvaranas, Centro Histrico e Distrito Industrial e sugerem valores de facp significativos at os lags 25, 27 e 29, respectivamente.

42

Funo de autocorrelao parcial - Uvaranas 1

0.8

0.6

0.4

0.2 facp 0 -0.2 -0.4 -0.6 -0.8 0

10

15

20

25 Lag

30

35

40

45

50

Figura 14 Funo de autocorrelao parcial da srie de Uvaranas.

Funo de autocorrelao parcial - Distrito industrial 1

0.5

facp 0 -0.5 0

10

15

20

25 Lag

30

35

40

45

50

Figura 15 Funo de autocorrelao parcial da srie do Distrito Industrial.

43

Funo de autocorrelao parcial - Centro histrico 1

0.5

facp 0 -0.5 0

10

15

20

25 Lag

30

35

40

45

50

Figura 16 Funo de autocorrelao parcial da srie do Centro Histrico.

Para estimao dos parmetros dos modelos convencionou-se dos algoritmos disponveis no software Matlab. Para cada regio de consumo foram testados diferentes modelos baseados nas caractersticas das fac e facp das sries temporais. O melhor modelo identificado para Uvaranas foi o AR(25), para o Centro Histrico o AR(27), e para o Distrito Industrial o AR(29). A anlise dos resduos tem como finalidade aplicar um conjunto de testes a fim de verificar se os resduos so ou no aleatrios. A verificao de um rudo aleatrio ou rudo branco informa que o modelo conseguiu explicar os dados corretamente, no restando nenhuma outra informao til nos resduos. Como anlise dos resduos aplicaram-se para as sries de resduos das trs regies de consumo o teste do periodograma acumulado para os modelos AR(25) de Uvaranas, AR(27) do Centro Histrico e AR(29) do Distrito Industrial. O periodograma foi um dos primeiros estimadores propostos nos estgios iniciais de anlise espectral de sries temporais, com a finalidade de detectar periodicidade nos dados. Baseado na suposio de que uma srie temporal

44

constituda por ondas senoidais e cossenoidais com diferentes freqncias, seja um rudo branco at, t=1,..,n, sejam observaes de um processo estocstico, o estimador I(a), denominado periodograma, do espectro pa(f) do processo dado por:
2 2 1 n 2i n 2i 1 I (a) = t + at sin t 0 < fi < a t cos 2n t =1 n t =1 n 2

(15)

Um pico na freqncia fi=i/n indica uma periodicidade e perodo 1/fi. (Morettin e Toloi, 2004). Pode-se demonstrar que se at for rudo branco, seu espectro constante e igual a 2 a2 no intervalo [0,1/2], ou seja:
p ( a ) = 2 a2 , 0 < f i < 1 2
(16)

A funo espectral acumulada para o rudo branco determinada por: 0, f < 0 f 1 Pa ( f ) = p a ( g )dg = 2 a2 f , 0 f 2 0 1 2 a , f > 2

(17)

Assim, para um rudo branco at, o espectro acumulado varia linearmente com a freqncia. O periodograma acumulado normalizado P ( f ) / a2 das sries dos resduos dos modelos AR(25) de Uvaranas, AR(27) do Centro Histrico e AR(29) do Distrito Industrial esto representados nas figuras 17, 18 e 19 respectivamente.

45

Figura 17 Periodograma acumulado para srie de resduos do AR(25) de Uvaranas.

Figura 18 Periodograma acumulado para srie de resduos do AR(27) do Centro Histrico.

46

Figura 19 Periodograma acumulado para srie de resduos do AR(29) do Distrito Industrial.

Os testes do periodograma acumulado revelam que os espectros acumulados das trs sries de resduos variam linearmente com a freqncia indicando proximidade para um rudo branco. Embora tenham sido identificados os modelos para as sries das trs regies de consumo, foram testados os modelos AR(1), AR(2), AR(5), AR(25), AR(27), AR(29) e o ARMA(2,1), para todas as sries a fim de comparar os resultados entre modelos para previso horria. O objetivo principal desta comparao foi verificar a existncia de algum modelo que se sobressaia sobre os modelos escolhidos para cada regio de consumo (AR(25) para Uvaranas, AR(27) para Centro Histrico e AR(29) para Distrito Industrial) em dias da semana e horas especficas de previso. Verificou-se que ao simular os modelos tipo Box e Jenkins para previses das prximas 24 horas no conjunto de teste, quanto mais distante a data de previso do ltimo registro de dados do conjunto utilizado para estimao dos parmetros, maior o erro de previso. A fim de tentar atenuar o erro dos modelos auto-regressivos quando aplicados em uma data mais afastada do conjunto de estimao dos parmetros, experimentou-se adicionar uma parcela de ajuste ao modelo calculada a

47

partir da mdia dos erros de previso horria do modelo auto-regressivo aplicado nos dados passados. Desta forma, a cada previso de 24 horas utilizando um modelo autoregressivo, verifica-se a mdia dos erros da previso horria do modelo de acordo com a hora de previso e dia da semana, resultando numa matriz de ajustes de 7 x 24. Aps obtida a matriz de ajustes, a cada novo passo de previso, aplica-se o modelo e adiciona-se a parcela de ajuste segundo hora e dia da semana, de acordo com as equaes 18 e 19, onde yt o consumo previsto da prxima hora e aj(ds,h) o fator de ajuste de acordo com o dia da semana, ds e hora prevista, h.
yt =

i =1

y t i + aj ( ds , h )

(18)

aj ( ds , h ) =

1 n ( ds , h )

n ( ds

,h )

t =1

et
( ds , h )

(19)

3.5

MODELOS HBRIDOS Aplicando os diferentes modelos encontrados das diferentes tcnicas de RNAs,

RLM e tipo Box e Jenkins , verifica-se que muito raramente um modelo nico superior a todos os demais em todas as situaes de dias da semana e hora para previso horria de consumo. Na busca de um modelo resultante da mescla de vrios modelos aplicveis aproveitando-se os pontos fortes de cada modelo, foi proposto um modelo hbrido de previso de consumo para as tcnicas de RNA e RLM e um modelo hbrido de previso de consumo para Box e Jenkins . Para escolha de um modelo hbrido de previso de consumo para cada bairro, primeiramente obteve-se para cada modelo de previso duas matrizes 7 x 24 representado os dias da semana e as horas contendo os erros mdios de previso horria RMSE e MAPE para o conjunto de validao. Atravs destas n matrizes denominadas matrizes de erros dos n modelos, identifica-se o modelo que conduz ao menor erro de previso horria para uma dada hora e dia da semana, obtendo-se a matriz de modelos escolhidos para RMSE e para o MAPE para cada regio de

48

consumo. As matrizes dos modelos escolhidos para cada regio de consumo esto representadas nos apndices A (RNA e RLM) e B (Box e Jenkins ).

49

4 RESULTADOS

4.1

RESULTADOS PARA PREVISO HORRIA COM REDES NEURAIS E REGRESSO LINEAR MLTIPLA A seguir, as tabelas 1, 2 e 3 apresentam os erros RMSE e MAPE para

previso de consumo na prxima hora para o conjunto de dados de teste utilizando os modelos de redes neurais artificiais e regresso linear mltipla para os bairros de Uvaranas, Distrito Industrial e Centro Histrico, respectivamente.
Tabela 1 Comparao de erros RMSE e MAPE para as redes neurais e regresso linear mltipla Uvaranas. Modelo \ Erro RNhl RNht RNd1l RNd1t RNd2l RNd2t RLMh RLMd1 RLMd2 RMSE (m3) 29,771 27,263 28,531 28,175 28,778 27,580 29,775 28,535 28,777 MAPE (%) 4,402 3,760 4,220 4,394 4,281 4,102 4,404 4,222 4,280

50

Tabela 2 Comparao de erros RMSE e MAPE para as redes neurais e regresso linear mltipla Distrito Industrial. Modelo \ Erro RNhl RNht RNd1l RNd1t RNd2l RNd2t RLMh RLMd1 RLMd2 RMSE (m3) 12,169 12,446 12,121 10,440 12,110 12,137 12,165 12,116 12,105 MAPE (%) 5,822 5,257 5,831 5,372 5,823 5,697 5,814 5,823 5,814

Tabela 3 Comparao de erros RMSE e MAPE para as redes neurais e regresso linear mltipla Centro Histrico. Modelo \ Erro RNhl RNht RNd1l RNd1t RNd2l RNd2t RLMh RLMd1 RLMd2 RMSE (m3) 8,767 7,849 8,359 9,509 8,366 7,727 8,766 8,358 8,365 MAPE (%) 7,776 6,823 7,715 9,172 7,736 6,631 7,764 7,704 7,725

A figura 20 mostra o grfico da previso da prxima hora utilizando a RNh com funo de ativao tangente hiperblica com 5 neurnios (camada oculta) para o bairro de Uvaranas, ilustrando a previso horria de consumo utilizando-se apenas a informao de data e consumo na ltima hora.

51

Figura 20 Previso de consumo da prxima hora para Uvaranas RNh tangente hiperblica com 5 neurnios na camada oculta.

A figura 21 mostra o grfico da previso da prxima hora utilizando regresso linear mltipla RLMd1, indicado como melhor modelo de regresso linear mltipla para o bairro do Centro Histrico.

52

Figura 21 Previso de consumo da prxima hora para Centro Histrico RLMd2.

A fim de analisar com maior profundidade as performances dos modelos, foram calculados os erros RMSE e MAPE de previso da prxima hora para cada hora e dia da semana distintos. Para cada modelo de redes neurais e regresso linear mltipla calculou-se uma matriz de erros RMSE e MAPE de 7 linhas representando os dias de semana por 24 colunas representado as horas do dia, resultando em nove matrizes (seis modelos de RNA e trs modelos de RLM), de RMSE e nove matrizes de MAPE para cada regio de consumo. Como ilustrao da variao do desempenho dos modelos em relao hora do consumo previsto e ao dia da semana, a figura 22 apresenta a matriz de erros RMSE para a RNd2 tangente hiperblica para o bairro Centro Histrico. Atravs desta matriz, observam-se os pontos fortes e fracos de cada modelo de acordo com a hora e o dia da semana. Em se tratando do RNd2 tangente para o Centro Histrico, verificam-se erros maiores de previso para segundas-feiras das 10h00min s 15h00min, s quintas-feiras das 15h00min s 19h00min e s sextas-feiras das 14h00min s 18h00min. Tratando-se de um bairro comercial, estes perodos coincidem justamente com a elevao de consumo caractersticos nestes perodos de acordo com o perfil de consumo

53

ilustrado na figura 9. A elevao do consumo nas quintas e sextas-feiras podem ser explicadas pelo maior movimento nos bares.
RMSE / hora / dia da semana - RNd2 tangente Centro Histrico 45 D S T Q Q S S

40

35

30

RMSE(m3)

25

20

15

10

12 horas

18

21

23

Figura 22 RMSE por dia da semana por hora para o Centro Histrico, RNd2 com funo de ativao tangente hiperblica previso horria, onde D, S, T, Q, Q, S e S referem-se : dom, seg, ter, qua, qui, sex, sab, nesta ordem.

A figura 23 ilustra a previso horria para o bairro de Uvaranas com o uso do modelo AR(25), indicado como o melhor modelo.

54

Previso horria para Uvaranas - AR(25) 900 REAL Previsto 800

700

600 consumo (m3)

500

400

300

200

100 Tue

Wed

Thu

Fri

Sat horas

Sun

Mon

Tue

Wed

Thu

Figura 23 Previso de consumo da prxima hora para Uvaranas AR(25).

4.2

RESULTADOS PARA PREVISO HORRIA COMO MODELOS BOX E JENKINS A seguir, as tabelas 4, 5 e 6 apresentam os erros RMSE e MAPE para previso

de consumo da prxima hora para o conjunto de dados de teste utilizando os modelos de sries temporais para os bairros de Uvaranas, Distrito Industrial e Centro Histrico, respectivamente.
Tabela 4 Comparao de erros RMSE e MAPE para modelos ARMA(p,q) bairro Uvaranas. Modelo \ Erro AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) RMSE (m3) 33,573 40,859 40,858 33,801 33,602 33,658 41,806 MAPE (%) 4,454 4,579 4,668 4,129 4,133 4,148 4,977

55

Tabela 5 Comparao de erros RMSE e MAPE para modelos ARMA(p,q) Distrito Industrial. Modelo \ Erro AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) RMSE (m3) 17,087 21,027 19,861 16,967 16,556 16,512 24,400 MAPE (%) 5,591 6,159 6,157 5,733 5,680 5,675 7,101

Tabela 6 Comparao de erros RMSE e MAPE para modelos ARMA(p,q) bairro Centro Histrico. Modelo \ Erro AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) RMSE (m3) 10,764 13,864 12,814 10,635 10,046 10,025 15,916 MAPE (%) 7,987 9,720 9,446 8,390 8,176 8,100 11,45

Da mesma forma, para os modelos Box e Jenkins foram calculados os erros RMSE e MAPE de previso da prxima hora para cada hora e dia da semana distintos, obtendo-se para cada modelo uma matriz de erros RMSE e MAPE de 7 linhas por 24 colunas, e a partir da comparao das matrizes de erros de todos os modelos obteve-se a matriz dos modelos escolhidos para cada regio de consumo. A figura 24 ilustra o RMSE do modelo AR(29) para o bairro Centro Histrico. Verificase uma maior debilidade deste modelo para a previso do consumo para s 12:00 de segunda-feira e para s 15:00 de sexta-feira.

56

RMSE / hora / dia da semana AR(29) Centro Histrico 30 D S T Q Q S S

25

20

RMSE(m3)

15

10

12 horas

18

21

23

Figura 24 RMSE por dia da semana por hora para o Centro Histrico, AR(29) previso horria, onde D, S, T, Q, Q, S e S referem-se : dom, seg, ter, qua, qui, sex, sab, nesta ordem.

O apndice A apresenta as tabelas de modelos escolhidos entre redes neurais e regresso linear mltipla para cada hora e dia da semana para os bairros de Uvaranas, Distrito Industrial e Centro Histrico utilizando-se o critrio de erro RMSE. Observa-se que para o bairro de Uvaranas, tabela 12, que todos os modelos entre os de redes neurais e regresso linear mltipla so selecionados para alguma determinada hora e dia da semana. Particularmente para as 09h00min e 10h00min, justamente no perodo onde ocorre maior variao de consumo, observa-se uma predominncia do modelo 6 (RNd2 tangente), dado que fornece a informao da variao do consumo nas duas ltimas horas, bem como a variao da variao do consumo nas ltimas trs horas. O apndice B apresenta as matrizes de modelos escolhidos tipo Box e Jenkins para cada bairro. Verifica-se que para as trs regies de consumo todos os modelos aparecem na matriz de modelos escolhidos (ver tabelas 19, 20 e 21).

57

4.3

PREVISO DAS PRXIMAS 24 HORAS

4.3.1 Modelos tipo RNA e RLM

Para a previso das prximas 24 horas utilizou-se a tcnica multi-step, ou previso com realimentao, de forma que o valor previsto de consumo para a prxima hora ser entrada de consumo passado para previso de consumo duas horas adiante, e assim sucessivamente. Este mtodo de previso aplica-se para qualquer valor de horas adiante, porm no indicado para previses de muitos passos devido ao erro que se acumula a cada passo de previso. No caso do modelo hbrido, para cada previso, verifica-se na matriz de modelos escolhidos segundo critrio determinado de menor erro (RMSE ou MAPE), o modelo indicado para determinada hora. Utilizaram-se os dados dos ltimos dois meses, ou seja, registros pertencentes ao conjunto de teste utilizado para os modelos de redes neurais e regresso linear mltipla para realizar testes de previso nas prximas 24 horas. A figura 25 ilustra a previso nas prximas 24 horas para o bairro de Uvaranas a partir de 23/12/2003 09h00min com os modelos RNh tangente (5 neurnios na camada oculta), RNd1 tangente (5 neurnios na camada oculta), RNd2 tangente (5 neurnios na camada oculta), RLMh, RLMd1 e hbrido. Os erros RMSE e MAPE para cada modelo encontram-se na tabela 7.

58

Previsao de consumo proximas 24 horas Uvaranas2003-12-23 09:00:00 900 REAL RNhtan RNd1tan RNd2tan RLMh RLMd1 HIBR

800

700

600 consumo em m3

500

400

300

200

100 06:00

12:00

18:00 horas

00:00

06:00

12:00

Figura 25 Previso de consumo das prximas 24 horas Uvaranas.

Tabela 7 Erros RMSE e MAPE para previses das prximas 24 horas com modelos de redes neurais, regresso linear mltipla e hbrido para previso a partir de 9:00 de 23/12/2003 Uvaranas. Modelo \ Erro RNhl RNht RNd1l RNd1t RNd2l RNd2t RLMh RLMd1 RLMd2 HIBRIDO RMSE 60,191 51,142 57,206 66,547 56,604 41,150 60,189 57,226 56,495 51,779 MAPE 9,758 8,377 10,369 10,786 10,850 7,279 9,829 10,431 10,806 8,482

59

Neste caso, a RNd2t aparece como melhor opo para previso das prximas 24 horas. A figura 26 ilustra a previso nas prximas 24 horas para o bairro de Uvaranas a partir de 26/12/2003 09h00min com os modelos RNh tangente, RNd1 tangente, RNd2 tangente, RLMh, RLMd1 e hbrido. Os erros RMSE e MAPE para cada modelo encontram-se na tabela 8.
Previsao de consumo proximas 24 horas Uvaranas2003-12-26 09:00:00 1000 REAL RNhtan RNd1tan RNd2tan RLMh RLMd1 HIBR

900

800

700 consumo em m3

600

500

400

300

200

100 06:00

12:00

18:00 horas

00:00

06:00

12:00

Figura 26 Previso de consumo das prximas 24 horas Uvaranas.

60

Tabela 8 Erros RMSE e MAPE para previses das prximas 24 horas com modelos de redes neurais, regresso linear mltipla e hbrido previso a partir de 9:00 de 23/12/2003 Uvaranas. Modelo \ Erro RNhl RNht RNd1l RNd1t RNd2l RNd2t RLMh RLMd1 RLMd2 HBRIDO RMSE 43,457 47,025 46,620 42,307 49,877 43,114 43,539 46,724 49,889 42,123 MAPE 6,970 7,934 7,533 7,552 7,976 7,184 6,980 7,545 7,971 7,013

Dado que a previso das prximas 24 horas pode ser realizada a partir de qualquer hora do dia, o desempenho dos modelos varia de acordo com a hora inicial da previso. No apndice A os grficos das figuras 33, 35 e 37 mostram o RMSE mdio para previso das prximas 24 horas para todos os modelos tipo RNA, RLM e hbrido a partir de cada hora para as trs regies de consumo.
4.3.2 Modelos tipo Box e Jenkins

Para os modelos tipo Box e Jenkins , o procedimento foi similar ao utilizado para RNA e RLM, utilizando tcnica multi-step de previso e o modelo hbrido utilizando o modelo que reproduz o menor erro para a determinada hora e dia da semana. Para teste foram utilizados os ltimos dois meses das sries temporais de cada bairro, e para clculo do erro a ser inserido no modelo auto-regressivo utilizouse o perodo de dados at uma hora antecedente ao perodo de teste. A figura 27 ilustra a previso nas prximas 24 horas para o bairro de Uvaranas a partir de 23/12/2003 09h00min com os modelos AR(2), AR(5) e hbrido. Os erros RMSE e MAPE para cada modelo encontram-se na tabela 9.

61

Previsao de consumo proximas 24 horas Uvaranas 23-Dec-2003 09:00:00 900 REAL AR(2) AR(5) HIBRIDO

800

700

600

(m3)

500

400

300

200

100 06:00

12:00

18:00 horas

00:00

06:00

12:00

Figura 27 Previso de consumo das prximas 24 horas Uvaranas.

Tabela 9 Erros RMSE e MAPE para previses das prximas 24 horas com modelos de Box e Jenkins a partir de 9:00 de 23/12/2003 Uvaranas. Modelo \ Erro AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) HBRIDO RMSE 49,525 30,008 31,740 44,151 44,730 44,705 59,379 49,312 MAPE 9,292 6,172 6,667 6,959 7,047 7,041 9,429 8,170

No apndice B os grficos das figuras 39, 41 e 43 mostram o RMSE mdio para previso das prximas 24 horas de todos os modelos tipo BOX E JENKINS e hbrido a partir de cada hora para as trs regies de consumo.

62

Em se tratando dos modelos de redes neurais artificiais e regresso linear mltipla, para cada regio de consumo foram geradas inicialmente nove matrizes 7x24 com os erros RMSE e nove matrizes de mesmo tamanho com os erros MAPE para previso da prxima hora a partir de uma dada hora. A partir destas nove matrizes foi gerada uma matriz dos melhores modelos para cada hora e dia da semana, com a qual se utilizou para compor o modelo hbrido, totalizando 10 modelos diferentes para cada regio de consumo. Estas matrizes para os bairros de Uvaranas, Distrito Industrial e Centro Histrico encontram-se no apndice A. Tomando-se os dados dos ltimos dois meses, foi simulada a previso do consumo para as prximas 24 horas para cada um dos 10 modelos a partir de cada hora contida neste perodo, independente do dia da semana. Desta simulao, obteve-se uma matriz 10 x 24 x 2 da mdia de erros RMSE e MAPE de previso para as prximas 24 horas com cada modelo a partir de cada hora. A partir desta matriz observa-se que, dependendo da hora inicial de previso, um diferente modelo pode ser mais adequado. As comparaes entre modelos, bem como as tabelas dos modelos mais indicados para cada hora encontram-se no apndice A. Para cada regio de consumo, modelos distintos so mais adequados para previso das prximas 24 horas a partir de uma hora especfica. No caso de Uvaranas, verifica-se uma predominncia nos modelos de redes neurais com funo de ativao tangente hiperblica, especialmente para o RNd2, com uso da primeira e segunda diferena. O RNd2, porm, quando utilizado na hora indevida, como o caso das 04h00min s 07h00min e das 19h00min s 23h00min, pode ocasionar grandes erros. Este modelo parece ser melhor em desempenho quando utilizado em horas onde existe uma variao maior de consumo, como o caso das 08h00min s 17h00min, como mostra a tabela 15 (apndice A). Para o Distrito Industrial os modelos de redes neurais tambm predominaram sobre os demais, intercalando entre o RNh com funo de ativao tangente hiperblica e o RNd2 com funo de ativao linear, tabela 16 (apndice A). Os modelos de regresso linear mltipla tambm apresentam bons resultados praticamente acompanhando o RNd2, tal que sua escolha pode vir a ser prefervel dado a facilidade de obteno.

63

Para o Centro Histrico os modelos lineares prevaleceram, principalmente os de regresso linear mltipla, com especial ateno para o RLMh. O modelo hbrido aparece como possvel soluo em alguns casos, tabela 17 (apndice A). A partir da simulao da previso das prximas 24 horas a partir de cada hora dos ltimos dois meses de dados, obtiveram-se os histogramas do erro MAPE do melhor modelo para cada previso de 24 horas, bem como a freqncia em que cada modelo aparece com melhor desempenho. Cada modelo representado por um ndice, de acordo com a tabela 10.
Tabela 10 ndices dos modelos do tipo RNA e RLM. NDICE 1 2 3 4 5 MODELO RNh RNh tangente RNd1 RNd1 tangente RNd2 NDICE 6 7 8 9 10 MODELO RNd2 tangente RLMh RLMd1 RLMd2 Hbrido

O primeiro histograma da figura 28 indica que o erro de previso das prximas 24 horas para o bairro de Uvaranas concentra-se em torno de 10 por cento. As colunas no segundo histograma indicam a proporo com que cada modelo (modelo 1 a modelo 10) obteve os melhores desempenhos. Verifica-se que os modelos 2 (RNh tangente), 4 (RNd1 tangente) e 6 (RNd2 tangente) alcanam melhores resultados para a previso nas prximas 24 horas.

64

Figura 28 Histogramas dos resultados da previso de consumo das prximas 24 horas Uvaranas .

O primeiro histograma da figura 29 indica que o erro de previso das prximas 24 horas para o Distrito Industrial concentra-se em torno de 13 por cento. As colunas do segundo histograma indicam que o modelos 2 (RNh tangente) obteve melhores resultados para a previso para as prximas 24 horas, seguido pelo modelo 10 (hbrido).

65

Figura 29 Histogramas dos resultados da previso de consumo das prximas 24 horas Distrito Industrial.

O primeiro histograma da figura 30 indica que o erro de previso das prximas 24 horas para o Centro Histrico concentra-se em torno de 18 por cento. As colunas do segundo histograma indicam que o modelos 7 (RLMh), 8 (RLMd1) e 9 (RLMd2) obtiveram os melhores resultados para a previso para as prximas 24 horas, seguido pelo modelo 10 (hbrido). Convm salientar que os resultados de desempenho dos modelos e conseqentemente, da escolha do melhor modelo variam com o horizonte de previso, ou nmero de passos para frente requeridos na previso. Para ilustrar, foi simulada a previso do consumo nas prximas 12 horas com os 10 modelos de redes neurais, regresso linear mltipla e hbrido para o bairro de Uvaranas. Os histogramas esto ilustrados na figura 31. Verifica-se que, para previso das prximas 12 horas o erro decai sensivelmente, e o modelo hbrido se apresenta como melhor opo de escolha mais freqentemente que na previso das prximas 24 horas.

66

Figura 30 Histogramas dos resultados da previso de consumo das prximas 24 horas Centro Histrico.

Figura 31 Histogramas dos resultados da previso de consumo das prximas 12 horas Uvaranas.

67

Os modelos tipo Box e Jenkins , apesar de mostrarem resultados sensivelmente inferiores para previso horria em relao aos modelos tipo RNA e RLM, para previso nas prximas 24 horas, alcanaram melhores resultados em erro MAPE e RMSE em todas as regies de consumo estudadas, o que demonstra serem mais estveis, com erros mais delimitados. Comprovando os grficos de autocorrelao parcial para cada regio de consumo (figuras 14,15 e 16), o melhor modelo para Uvaranas, de uma forma geral foi o AR(25), pra o Distrito Industrial o modelo hbrido obteve melhores resultados e para o Centro Histrico o melhor modelo foi o AR(25). O uso nestes modelos da parcela de ajuste aj(ds,h) (equaes 18 e 19) dependente da hora e dia da semana mostrou ser uma boa alternativa para sries temporais influenciadas pela data. Para determinao do tamanho timo da janela de dados passados para clculo desta parcela de ajuste, foram simulados com o modelo AR(25) a previso das prximas 24 horas a partir de cada hora dos dois ltimos meses de dados de Uvaranas (conjunto de dados no utilizado para estimao dos parmetros dos modelos), variando-se o nmero de semanas de dados histricos utilizados para calcular a matriz de ajuste segundo hora e dia da semana. Verificaram-se resultados com erro MAPE at 0.2 % menor para algumas horas, em particular para a previso a partir das 18h00min, caso a janela de dados fosse obtida a partir das ltimas dezessete semanas. A figura 32 mostra a variao do erro para 09h00min, 10h00min, 11h00min, 12h00min, 15h00min e 18h00min conforme nmero de semanas de dados.

68

8.5

Erro MAPE do modelo AR(25) por semanas de dados para clculo do ajuste - Uvaranas 9:00 10:00 11:00 12:00 15:00 18:00

MAPE(%)

7.5

10

15

20

25 semanas

30

35

40

45

Figura 32 Variao do erro de previso de consumo das prximas 24 horas em relao ao nmero de semanas para clculo da parcela de ajuste Uvaranas

A determinao do tamanho timo da janela de dados passados para clculo da parcela de ajuste tende a incluir certa sazonalidade ao modelo, corrigindo seus resultados a partir dos meses mais prximos. Para uma anlise mais segura, esta simulao deveria ser feita para cada ms do ano, o que resultaria em um nmero de semanas ideal para clculo da parcela de ajuste para cada ms e hora de previso. Esta simulao ainda no foi possvel pela falta de dados suficiente para tal. Outra anlise a ser feita seria a verificao se h vantagem ou no na limitao da janela de dados para clculo da parcela de ajuste em detrimento ao uso de uma quantidade maior de dados, o que confere ao modelo uma maior robustez. A confiana excessiva na sazonalidade tambm deve ser considerada com certa reserva, pelo fato que nos ltimos anos o clima vem sofrendo alteraes relevantes ocasionadas pelo efeito estufa (Braga et. al, 2002).

69

5 CONCLUSES E SUGESTES PARA TRABALHOS FUTUROS

Foram aplicadas as tcnicas de redes neurais artificiais, regresso linear mltipla e modelos do tipo Box e Jenkins para previso de consumo de gua para trs reas com perfis de consumo distintos da cidade de Ponta Grossa, Paran. Atravs da anlise do erro para previso horria, buscou-se obter um modelo hbrido utilizando os diferentes modelos de redes neurais e regresso linear mltipla, e um modelo hbrido utilizando os diferentes modelos do tipo Box e Jenkins . Atravs da aplicao de diversas tcnicas de previso para regies com caractersticas de consumo distintas verifica-se que nem sempre uma tcnica ou um modelo nico uma boa soluo para todos os casos. Cada regio deve ser estudada separadamente, sem discriminao de modelos, buscando agregar os pontos fortes de cada modelo em uma combinao de modelos ou na escolha de um modelo mais adequado para uma dada ocasio. Para previses a curto prazo, o horizonte de previso, bem como o momento a partir do qual se inicia a previso exercem influncia sobre o resultado final. Modelos distintos so mais adequados dependendo da hora inicial da previso devido variao caracterstica de consumo ao longo do dia. Por apresentarem boas respostas na interpolao e respostas no to boas na extrapolao, os modelos hbridos de redes neurais artificiais e regresso linear mltipla alcanaram resultados mais satisfatrios a medida que diminui-se o nmero de passos futuros de previso, alm de que, mesmo que se utilize sempre o melhor modelo para previso da prxima hora de acordo com o dia da semana e hora atual, a combinao de modelos utilizados em srie pode inserir erros que prejudicam o resultado final. Os modelos do tipo Box e Jenkins com ajuste, por possibilitar uma correo de erro para cada previso de consumo de acordo com a hora e dia da semana, alcanaram resultados mais satisfatrios que os de regresso linear mltipla e os projetos de redes neurais adotados (redes tipo MLP com at 5 neurnios na camada oculta) nas trs regies de consumo estudadas para previso das prximas 24 horas. Para Uvaranas, obteve-se um erro MAPE para a previso das prximas 24 horas abaixo dos dez por cento. Para o Distrito Industrial o erro permaneceu na faixa

70

de treze por cento, e para o Centro Histrico o erro obtido foi por volta de dez por cento, caracterizando uma boa estimativa de previso para os fins propostos. Um banco de dados bem estruturado de extrema importncia a fim de que seja vivel a filtragem dos registros invlidos e, consequentemente, favorecer a obteno de modelos mais confiveis. Um perodo maior de dados necessrio para verificar o desempenho dos modelos ao longo do tempo e definir uma forma de readapt-los automaticamente s variaes de consumo que ocorrem a longo prazo. Um banco de dados mais extenso tambm capaz de tornar vantajoso o uso de informaes adicionais, tais como a insero do ms ou estao do ano. Uma maior ateno em relao disponibilidade dos dados meteorolgicos seria necessria a fim de tornar o conjunto de entradas dos modelos mais completo propiciando a investigao de novas metodologias de previso com melhor desempenho e consequentemente possibilitando uma melhor explicao das parcelas de consumo envolvidas. Dada a vasta variedade de modelos aplicveis, os estudos futuros sobre uma anlise mais detalhada do comportamento das sries temporais e identificao de caractersticas no lineares destas poderiam servir de meio para direcionar a escolha dos modelos de previso a fim de evitar tempo despendido em pesquisa a ser repetido para cada nova srie. O presente trabalho verifica que mesmo utilizando um banco de dados elementar, possvel se obter uma previso a curto prazo com resultados satisfatrios a ponto de serem aproveitados na otimizao dos sistemas de abastecimento de gua. De posse de um modelo de previso de demanda, diversas possibilidades de trabalhos futuros sero viveis, envolvendo uma melhoria da operao da planta de sistemas de abastecimento de gua, tais como a programao ideal de operao de bombas e vlvulas, alarmes de vazamentos, comparaes com softwares de simulao de rede hidrulica a fim de detectar anormalidades na rede, refino dos modelos de previso, entre outros. Tratando-se de cunho ambiental, torna-se mister o investimento em otimizao de uso dos recursos impactantes ao meio ambiente, aqui envolvidos a gua e a

71

energia, por parte das empresas de saneamento, cujo custo com este projeto irrisrio comparando-se aos benefcios envolvidos.

72

REFERNCIAS
Amaral, A. M. P., 2000, Consumo total e residencial de gua tratada: aplicao de um modelo de sries temporais em Piracicaba. SP. Piracicaba, 92p. Tese ESALQ/USP. An A., Shan, N., Chan C., Cercone, N., Ziarko, W., 1996. Discovering rules for water demand prediction: an enhanced rough-set approach. Engineering Applications of Artificial Intelligence, vol. 9, pp. 645-653. Baxter, C. W., Zhang Q., Stanley S. J., Shariff R., Tupas R-R. T., Stark H.L., 2001. Drinking water quality and treatment: the use of artificial neural networks. Can. J. Civ. Eng. 28 (Suppl. 1): 26-35 Box, G. E. P., Jenkins G. M., Reinsel G. C., 1994. Time series analysis: forecasting and control. 3a. edio, Prentice Hall. Braga, B., Hespanhol I., Conejo, J. G. L., de Barros, M. T. L., Veras Jr., M. S., Porto, M. F. , Nucci, N. L. R., Juliano, N. M. de A., Eiger, S., 2002. Introduo engenharia ambiental. Prentice Hall, So Paulo. Chen, J., Wang, W, Huang, C., 1995. Analysis of an adaptive time-series autoregressive moving-average (ARMA) model for short-term load forecasting. Electric Power Systems Research vol. 34, 187-196. Coelho, L. S., Trautwein Jr. B., Vieira G. E., 2003. Avaliao de redes neurais e ajustamento exponencial aplicados previso de consumo de gua a curtssimo prazo. VI Simpsio Brasileiro de Automao Inteligente, Bauru, SP, pp. 54-59. Dash, P. K., Liew, A. C., Rahman, S. Dash, S., 1995. Fuzzy and neuro-fuzzy computing models for electric load forecasting. Engineering Application of Artificial Intelligence Vol. 8 no. 4, pp. 423-433. Florent, G., Bernardt, B., Denis, G., 1998. Drinking water demand using an hourly timestep. National School for Water and Enviromental Engineering Strasbourg, Frana. The Fifth International Conference on Neural Information Processing. Galvo, C. O., Valena, M. J. S., 1999. Sistemas Inteligentes: aplicaes a recursos hdricos e sistemas ambientais. Ed. Universidade/UFRGS/ABRH, Porto Alegre, RS. Harold, L. Stark, Stephen, J. Stanley, Ian D. Buchanan, 2001. Water demand forecasting using artificial neural networks. Department of Civil and Environmental

73

Engineering University of Alberta, Alberta, Canada. Haykin, S., 2001. Redes neurais: princpios e prtica. 2a. edio, Bookman, Porto Alegre RS. Johnson, R. A., Wichern, D. W., 1998. Applied multivariate statistical analysis. Prentice hall, 4a. edio. Klir, G. J., Yuan, B., 1995. Fuzzy sets and fuzzy logic: theory and application. Prentice Hall Lertpalangsuntia, N., Chan, C. W., Mason, R., Tontiwachwuthikul, P., 1999. A toolset for construction of hybrid intelligent forecasting systems: application for water demand prediction. Artificial Intelligence in Engineering, vol.13, pp. 21-42. Liu, K., Subbarayan, S., Shoults, R. R., Manry, M. T., Kwan, C., Lewis, F. L., Naccarino, J., 1996. Comparison of very short-term load forecasting techniques. IEEE Transactions on Power Systems; Vol. 11, no. 2, pp. 877-822 . Liu, J., Savenije, H. H. G., Xu, J., 2003. Forecast of water demand in Weinan city in China using WDF-ANN model. Physics and Chemistry of the Earth, vol. 28, pp. 219-224. Morettin, P. A., Toloi, C. M. C., 2004. Anlise de sries temporais. So Paulo, Ed. Edgard Blcher. Ozawa, K., Niimura, T., 1999. Fuzzy time-series model of electric power consumption. Proceedings of the 1999 IEEE Canadian Conference on Electrical and Computer Engineering, Edmonton, Alberta, Canada. Petrella, R., 2002. O manifesto da gua: argumentos para um contrato mundial. Ed. Vozes, Petrpolis RJ. Reis, A. J. R., Silva, A. P. A., 2003. Previsor neural de carga eltrica baseado na transformada wavelet discreta. Proceedings of the Brazilian Conference on Neural Networks, VI Congresso Brasileiro de Redes Neurais, So Paulo, pp. 343348. Rodrigues, D. D., 2002. Previso de fornecimento de energia eltrica: um estudo de caso do ponto de vista do barramento. Dissertao de Mestrado Universidade Federal de Minas Gerais, Belo Horizonte, MG. Silva, R. T., Rocha, W. S., 1999. Caracterizao da demanda urbana de gua. Braslia,DF.

74

Silva, R., Conejo, J. G. L., 1998. Indicadores de perdas nos sistemas pblicos de abastecimento. Braslia DF. Tucci, C. E. M., 1998. Modelos hidrolgicos. Porto Universidade/UFRGS/Associao Brasileira de Recursos Hdricos. Alegre: Ed.

Valena M., Ludermir T., 2001. Multivariate modelling of water resources time series using constructive neural networks. Proceedings of the Brazilian Conference on Neural Networks V Congresso Brasileiro de Redes Neurais, Rio de Janeiro, pp. 163-168. Yassuda E. R., Oliveira W. E., Gaglianone S., Nogami P. S., Pereira B. E. B., Martins J. A., 1976. Tcnica de abastecimento e tratamento de gua vol. 1. 2a. edio, CETESB, So Paulo SP. Yoshimoto, P. M., Tardel Filho, J., Sarzedas, G.L., 1999. Controle da presso na rede. Braslia, DF. Zhang, B., Dong, Z., 2001. An adaptive neural-wavelet model for short term load forecasting. Electric Power Systems Research, vol. 59, pp. 121-129. Zhou, S. L., McMahon, T. A., Walton, A., Lewis J., 2000. Forecasting daily urban water demand: a case study of Melborne. Journal of Hydrology, vol. 236, pp. 153-164. Zhou, S. L., McMahon. T. A., Wang Q. J., 2001. Frequency analysis of water consumption for metropolitan area of Melbourne. Journal of Hydrology, vol. 247, pp. 72-84. Zhou, S. L., McMahon. T. A., Walton A., Lewis J., 2002. Forecasting operational demand for an urban water supply zone. Journal of Hydrology, vol. 259, pp. 189-202.

75

APNDICE A TESTES COM MODELOS DE RNA E RLM

Tabela 11 ndices dos modelos tipo RNA e RLM. NDICE 1 2 3 4 5 MODELO RNh RNh tangente RNd1 RNd1 tangente RNd2 NDICE 6 7 8 9 -MODELO RNd2 tangente RLMh RLMd1 RLMd2 --

Tabela 12 Matriz de modelos tipo RNA e RLM escolhidos segundo critrio de erro RMSE para a previso horria do bairro de Uvaranas.
Dia da semana /hora Domingo Segundafeira Terafeira Quartafeira Quintafeira Sextafeira Sbado

0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00

2 5 2 1 2 6 2 2 2 2 6 6 5 6 2 2 3 2 7 2 7 3 2 2

4 4 8 4 7 7 2 4 8 6 6 6 8 9 3 2 2 4 8 9 2 3 1 7

8 2 9 1 6 2 6 6 6 6 6 4 4 2 2 8 6 2 3 2 2 3 9 1

5 4 2 4 6 2 6 6 2 6 6 4 1 1 6 4 6 2 3 4 4 6 4 1

4 6 6 7 3 8 9 6 2 2 6 4 2 1 2 2 3 2 6 4 2 6 8 4

4 2 9 7 7 1 3 6 6 6 6 6 5 5 2 5 2 2 7 2 2 6 4 6

4 2 4 2 6 2 6 2 2 6 6 5 5 6 6 4 4 2 2 7 1 4 4 4

76

Tabela 13 Matriz de modelos tipo RNA e RLM escolhidos segundo critrio de erro RMSE para a previso horria do Centro Histrico.
Dia da semana /hora Domingo Segundafeira Terafeira Quartafeira Quintafeira Sextafeira Sbado

0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00

4 6 6 2 6 4 4 6 6 4 4 6 1 7 2 6 4 6 9 6 2 2 6 6

4 6 7 6 4 6 2 4 6 2 4 8 2 4 2 8 6 2 6 6 7 1 4 7

6 2 6 2 6 6 7 4 6 2 8 4 4 6 9 6 8 6 1 4 2 8 2 6

6 2 6 4 2 2 9 4 6 6 7 4 4 3 6 2 8 6 3 8 7 3 2 1

6 2 6 1 4 7 4 2 6 6 4 2 3 8 6 6 8 6 9 7 8 1 6 7

4 5 6 2 2 6 4 6 6 2 4 7 4 2 4 4 2 4 6 2 2 1 7 6

2 2 2 6 6 2 4 2 6 9 6 1 8 6 2 6 2 3 3 6 5 5 6 2

77

Tabela 14 Matriz de modelos tipo RNA e RLM escolhidos segundo critrio de erro RMSE para a previso horria do Distrito Industrial.
Dia da semana /hora Domingo Segundafeira Terafeira Quartafeira Quintafeira Sextafeira Sbado

0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00

8 9 7 7 7 1 6 4 6 2 6 2 4 2 2 4 2 4 8 6 2 2 9 2

4 4 2 2 4 2 2 2 6 4 2 7 4 4 2 4 4 2 6 6 2 4 5 4

2 6 6 2 6 4 2 4 6 6 4 2 6 2 2 6 5 2 2 2 2 4 5 1

6 2 2 2 2 2 9 4 6 4 6 6 6 5 5 2 6 5 9 6 7 4 4 2

6 2 2 4 4 4 4 6 4 2 6 2 2 4 9 4 7 5 1 1 6 6 6 4

4 4 6 4 4 2 2 4 2 6 7 6 1 8 2 1 4 4 4 2 5 9 4 4

6 6 2 4 4 6 7 4 9 4 4 4 4 4 4 4 6 2 4 3 7 6 6 1

Tabela 15 Modelos tipo RNA e RLM escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Uvaranas segundo critrio de erro RMSE. Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo 0:00 76,352 4 8:00 64,169 10 16:00 78,658 6 1:00 76,113 4 9:00 67,326 6 17:00 72,221 2 2:00 67,553 6 10:00 70,005 6 18:00 72,115 2 3:00 70,958 6 11:00 69,391 6 19:00 72,657 2 4:00 68,536 6 12:00 72,415 6 20:00 79,742 4 5:00 59,31 9 13:00 72,803 6 21:00 75,411 2 6:00 59,465 9 14:00 75,858 6 22:00 74,851 2 7:00 59,797 9 15:00 77,071 6 23:00 75,968 4

78

Comparao entre modelos previso 24 horas Uvaranas 110

100

RNh RNtan RNd1 RNd1tan RNd2 RNd2tan RLMh RLMd1 RLMd2 HIBRIDO

90

RMSE (m3)

80

70

60

50

10 horas

15

20

25

Figura 33 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas.

Compara o entre modelos previso 24 horas - Uvaranas 18 RNh RNtan RNd1 RNd1tan RNd2 RNd2tan RLMh RLMd1 RLMd2 HIBRIDO

17

16

15

MAPE(%)

14

13

12

11

10

10 horas

15

20

25

Figura 34 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas.

79

Tabela 16 Modelos tipo RNA e RLM escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Distrito Industrial segundo critrio de erro RMSE. Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo 0:00 22,179 5 8:00 20,297 2 16:00 22,692 9 1:00 22,495 5 9:00 20,638 2 17:00 24,047 5 2:00 23,808 5 10:00 21,547 2 18:00 24,124 5 3:00 24,788 5 11:00 23,470 5 19:00 23,955 5 4:00 25,612 5 12:00 23,642 5 20:00 22,831 5 5:00 24,234 2 13:00 23,450 5 21:00 23,344 5 6:00 24,688 2 14:00 22,257 9 22:00 23,476 5 7:00 24,197 2 15:00 22,453 9 23:00 22,011 5

Comparao entre modelos previso 24 horas Distrito industrial 45 RNh RNhtan RNd1 RNd1tan RNd2 RNd2tan RLMh RLMd1 RLMd2 HIBRIDO

40

35 RMSE (m3) 30 25 20 0

10 horas

15

20

25

Figura 35 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial.

80

Comparao entre modelos previso 24 horas Distrito indust rial 24 RNh RNtan RNd1 RNd1tan RNd2 RNd2tan RLMh RLMd1 RLMd2 HIBRIDO

22

20

MAPE(%)

18

16

14

12

10 horas

15

20

25

Figura 36 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial.

Tabela 17 Modelos tipo RNA e RLM escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Centro Histrico segundo critrio de erro RMSE. Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo 0:00 14,465 1 8:00 14,628 7 16:00 14,297 9 1:00 14,533 1 9:00 14,697 7 17:00 14,301 7 2:00 14,596 10 10:00 14,944 7 18:00 14,332 7 3:00 15,044 10 11:00 13,650 8 19:00 14,525 7 4:00 15,755 1 12:00 13,994 10 20:00 14,802 7 5:00 13,466 7 13:00 14,053 8 21:00 14,805 3 6:00 13,59 7 14:00 13,963 8 22:00 14,835 1 7:00 14,5 7 15:00 13,876 8 23:00 14,461 9

81

Comparao entre modelos previso 24 horas - Centro histrico 21 RNh RNtan RNd1 RNd1tan RNd2 RNd2tan RLMh RLMd1 RLMd2 HIBRIDO

20

19

18 RMSE (m3)

17

16

15

14

13

10 horas

15

20

25

Figura 37 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico.

Comparao entre modelos previso 24 horas - Centro histrico 30 RNh RNtan RNd1 RNd1tan RNd2 RNd2tan RLMh RLMd1 RLMd2 HIBRIDO

28

26

24 MAPE(%)

22

20

18

16

10 horas

15

20

25

Figura 38 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico.

82

APNDICE B TESTES COM MODELOS TIPO BOX E JENKINS

Tabela 18 ndices dos modelos tipo Box e Jenkins . NDICE 1 2 3 4 MODELO AR(1) AR(2) AR(5) AR(25) NDICE 5 6 7 -MODELO AR(27) AR(29) ARMA(2,1) --

Tabela 19 Matriz de modelos tipo Box e Jenkins escolhidos segundo critrio de erro RMSE para a previso horria do bairro de Uvaranas.
Dia da semana /hora Domingo Segundafeira Terafeira Quartafeira Quintafeira Sextafeira Sbado

0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00

7 6 3 3 1 1 6 6 6 7 2 4 7 4 2 4 5 3 7 1 6 7 1 1

6 4 1 3 1 1 1 4 1 3 7 3 7 1 1 2 4 1 4 3 6 6 1 1

4 4 1 1 4 1 5 5 1 2 3 4 1 7 4 1 3 1 1 1 4 1 5 5

4 4 5 1 1 1 4 4 2 1 4 6 2 1 2 5 1 5 1 5 4 1 7 4

4 4 3 1 7 1 6 4 1 4 4 2 1 2 1 4 4 4 2 7 5 4 5 1

2 5 5 1 1 1 2 4 1 6 3 3 1 7 1 5 1 4 6 7 6 4 5 5

6 6 7 2 1 1 4 3 2 2 4 1 7 3 1 1 5 5 3 7 6 4 2 5

83

Tabela 20 Matriz de modelos tipo Box e Jenkins escolhidos segundo critrio de erro RMSE para a previso horria do Centro Histrico.
Dia da semana /hora Domingo Segundafeira Terafeira Quartafeira Quintafeira Sextafeira Sbado

0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00

4 1 6 7 5 1 4 6 1 1 1 1 1 4 2 4 6 3 3 1 4 6 2 1

3 1 6 4 6 6 1 1 4 2 1 6 1 5 1 1 5 1 2 1 6 1 5 1

4 7 4 5 6 6 2 1 6 3 4 1 6 6 5 5 5 2 4 1 1 6 6 1

5 6 1 7 5 1 2 4 3 1 5 4 7 1 7 6 2 6 6 4 1 6 1 7

6 4 6 7 5 1 6 1 5 2 4 3 6 5 5 4 1 7 5 6 6 4 4 1

1 1 4 3 6 6 7 6 3 5 1 1 6 1 5 4 1 1 4 7 4 6 4 4

2 6 6 2 6 1 3 1 2 4 4 6 5 1 3 1 1 4 4 7 1 4 1 5

84

Tabela 21 Matriz de modelos tipo Box e Jenkins escolhidos segundo critrio de erro RMSE para a previso horria do Distrito Industrial.
Dia da semana /hora Domingo Segundafeira Terafeira Quartafeira Quintafeira Sextafeira Sbado

0:00 1:00 2:00 3:00 4:00 5:00 6:00 7:00 8:00 9:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:00 20:00 21:00 22:00 23:00

4 5 6 1 2 2 3 6 5 5 1 1 4 2 1 1 6 1 3 1 4 4 1 7

6 6 5 1 3 3 1 4 1 3 3 1 5 2 1 3 4 4 7 2 5 5 5 1

4 5 4 3 1 7 3 4 4 4 4 1 4 2 4 6 7 4 7 6 5 6 1 4

6 1 5 7 1 6 1 4 6 1 2 1 6 7 1 2 6 3 1 3 6 5 1 5

6 5 1 2 1 4 7 6 1 1 7 2 1 7 5 5 4 7 1 4 6 2 4 7

5 5 1 4 2 1 7 4 3 7 6 3 4 5 6 1 5 4 2 5 5 4 4 3

6 4 1 1 1 7 1 5 3 3 3 5 2 2 1 1 1 4 4 6 4 4 6 6

Tabela 22 Modelos tipo Box e Jenkins escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Uvaranas segundo critrio de erro RMSE. Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo 0:00 55,189 4 8:00 52,244 4 16:00 58,207 4 1:00 54,963 4 9:00 50,273 4 17:00 55,257 4 2:00 53,64 1 10:00 50,329 4 18:00 55,338 4 3:00 55,671 4 11:00 49,678 4 19:00 56,303 4 4:00 55,511 4 12:00 51,226 4 20:00 57,596 4 5:00 53,831 3 13:00 51,871 4 21:00 57,393 8 6:00 54,801 3 14:00 54,335 4 22:00 57,207 4 7:00 54,589 4 15:00 53,133 4 23:00 56,399 4

85

Comparao entre modelos tipo B&J para previso 24 horas - Uvaranas 110 AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) HBRIDO

100

90

RMSE(m3)

80

70

60

50

40

12 horas

18

21

23

Figura 39 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas.
Comparao entre modelos tipo B&J para previso 24 horas - Uvaranas 30 AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2, 1) HBRIDO

25

20 MAPE(%) 15 10 5 0

12 horas

18

21

23

Figura 40 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Uvaranas.

86

Tabela 23 Modelos tipo Box e Jenkins escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Distrito Industrial segundo critrio de erro RMSE. Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo 0:00 18,571 8 8:00 20,355 4 16:00 19,760 5 1:00 18,175 8 9:00 19,713 4 17:00 21,232 4 2:00 18,093 8 10:00 19,770 4 18:00 19,246 4 3:00 18,696 8 11:00 19,571 8 19:00 19,115 8 4:00 18,827 8 12:00 19,766 4 20:00 18,893 1 5:00 18,796 8 13:00 19,818 4 21:00 19,172 4 6:00 19,099 8 14:00 19,094 8 22:00 19,273 8 7:00 19,784 8 15:00 18,917 4 23:00 18,857 8

Comparao entre modelos tipo B&J para previso 24 horas Distrito Industrial 60 AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) HBRIDO

55

50

45

RMSE(m3)

40

35

30

25

20

15

12 horas

18

21

23

Figura 41 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial.

87

Comparao entre modelos tipo B&J para previso 24 horas - Dist rito Industrial 45 AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) HBRIDO

40

35

30 MAPE(%)

25

20

15

10

12 horas

18

21

23

Figura 42 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Distrito Industrial.

Tabela 24 Modelos tipo Box e Jenkins escolhidos para previso das prximas 24 horas a partir de uma dada hora inicial de previso para Centro Histrico segundo critrio de erro RMSE. Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo Seleo/hora RMSE Modelo 0:00 8,349 1 8:00 8,364 6 16:00 9,216 4 1:00 8,569 1 9:00 8,201 6 17:00 9,662 4 2:00 8,535 5 10:00 7,903 5 18:00 8,562 4 3:00 8,575 6 11:00 7,946 5 19:00 8,532 4 4:00 9,596 4 12:00 8,989 5 20:00 8,601 4 5:00 8,866 4 13:00 8,385 5 21:00 8,746 4 6:00 8,612 6 14:00 8,221 5 22:00 8,947 4 7:00 8,560 6 15:00 8,291 4 23:00 8,881 4

88

Comparao entre modelos tipo B&J para previso 24 horas - Centro Histrico 26 24 22 AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) HBRIDO

20 18 RMSE(m3) 16 14 12

10 8 6

12 horas

18

21

23

Figura 43 RMSE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico.

Comparao entre modelos tipo B&J para previso 24 horas - Centro Histrico 35 AR(1) AR(2) AR(5) AR(25) AR(27) AR(29) ARMA(2,1) HBRIDO

30

25

MAPE(%)

20

15

10

12 horas

18

21

23

Figura 44 MAPE para previso de consumo das prximas 24 horas a partir de uma hora inicial para Centro Histrico.

89