Otimização de operações em plantas eólicas no Brasil...
Transcript of Otimização de operações em plantas eólicas no Brasil...
OTIMIZAC AO DE OPERAC OES EM PLANTAS EOLICAS NO BRASIL
ATRAVES DA UTILIZAC AO DE REDES NEURAIS CONVOLUCIONAIS
ASSOCIADAS COM MEMORIA DE LONGO PRAZO
Joao Guilherme Angstmann
Projeto de Graduacao apresentado ao Curso
de Engenharia Civil da Escola Politecnica,
Universidade Federal do Rio de Janeiro, como
parte dos requisitos necessários à obteção do título
de Engenharia
Orientadores: Heloisa Teixeira Firmo
Roberto Ivo da Rocha Lima Filho
Rio de Janeiro
Junho de 2020
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO
OTIMIZAC AO DE OPERAC OES EM PLANTAS EOLICAS NO BRASIL
ATRAVES DA UTILIZAC AO DE REDES NEURAIS CONVOLUCIONAIS
ASSOCIADAS COM MEMORIA DE LONGO PRAZO
Joao Guilherme Angstmann
PROJETO FINAL SUBMETIDO AO CORPO DOCENTE DO DEPARTAMENTO
DE ENGENHARIA CIVIL DA ESCOLA POLITECNICA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSARIOS PARA A OBTENC AO DO GRAU DE ENGENHEIRO CIVIL.
Aprovada por:
Profª. Heloisa Teixeira Firmo, D.Sc.
Prof. Roberto Ivo da Rocha Lima Filho, D.Sc.
Prof. Tarcísio Luiz Coelho de Castro, M.Sc.
Luiz Andre Moyses Lima, M.Sc.
RIO DE JANEIRO, RJ – BRASIL
JUNHO DE 2020
iii
Angstmann, Joao Guilherme
Otimizacao de operacoes em plantas eolicas no Brasil
atraves da utilizacao de Redes Neurais Convolucionais
associadas com memoria de longo prazo/ Joao Guilherme
Angstmann. – Rio de Janeiro: UFRJ/Escola Politecnica,
2020.
XVI, 64 p.: il.; 29, 7cm.
Orientadores: Heloisa Teixeira Firmo
Roberto Ivo da Rocha Lima Filho Projeto
de Graduacao – UFRJ/ Escola Politecnica/
Curso de Engenharia Civil, 2020.
Referencias Bibliograficas: p. 56 – 61.
1. Previsao de Energia. 2. Energia Eolica. 3. Redes
Neurais Convolucionais. 4. Machine Learning. 5. Long
Short-term memory. I. Teixeira Firmo, Heloisa et al.. II.
Universidade Federal do Rio de Janeiro, UFRJ, Curso de
Engenharia Civil. III. Otimizacao de operacoes em plantas
eolicas no Brasil atraves da utilizacao de Redes Neurais
Convolucionais associadas com memoria de longo prazo.
iv
”Dedico este trabalho ao meu pai
Antonio Joao Angstmann (in me-
moriam), cujo empenho em me
educar sempre veio em primeiro lugar.
Aqui estao os resultados dos seus
esforcos. Com muita gratidao.”
v
Agradecimentos
Ao longo da minha trajetoria eu tive a sorte de encontrar pessoas maravilhosas que
me ajudaram a me desenvolver enquanto pessoa e profissional, a garra e resiliencia
dessas pessoas me inspiram de modo que tais agradecimentos aqui descritos sao
demasiadamente pequenos diante da minha gratidao.
Agradeco a minha famılia, nas figuras dos meus pais, Antonio e Vera, que sempre
me deram apoio incondicional ao longo da minha vida e me incentivaram a continuar
estudando e perseguir o meu sonho de me tornar um engenheiro civil. Do mesmo
modo e indispensavel agradecer o meu avo materno, seu Geraldo Rosa, e minhas
primas Erika e Fatıma, pelo carinho e incentivo durante toda a minha trajetoria.
Agradeco ainda os meus bons amigos Joao Marcos, Nadiele, Khain, Savio, Mar-
cos Paulo, Bertrand, Vinicius, Tamires e Isabela. Pela amizade, companheirismo e
por estarem ao meu lado nos piores e melhores momentos da graduacao.
Agradeco aos professores Paulo Renato, vulgo PR, e Sandra Oda pela amizade
e pelos conselhos que me deram durante a minha graduacao. Voces nao sabem o
quanto o apoio de voces significou para mim.
Sou grato pela confianca depositada no meu trabalho pelos meus orientadores
Heloisa Firmo e Roberto Ivo, o respeito e atençao de voces bem como as criticas
possibilitaram a construcao deste projeto.
Sou grato tambem pelo companheirismo e aprendizados que tive junto aos meus
colegas da Minerva Hydrus de Robotica Submarina, Centro Academico de Enge-
nharia (CAEng/UFRJ) e Instituto Reditus. Voces foram uma parte mais do que
especial da minha trajetoria universitaria.
vi
Agradeco a gentileza da Voltalia e sua equipe por ceder os dados utilizados no
presente trabalho e pelo interesse genuíno no meu aprendizado.
Finalmente, agradeco a Universidade Federal do Rio de Janeiro, pelas oportuni-
dades de me desenvolver e pelo ensino publico de excelencia, espero que eu possa
retornar para sociedade ao menos uma parte do que me foi dado. Agradeco ainda, a
INP-ENSEEIHT que me acolheu durante o meu intercambio e me possibilizou uma
das melhores experiencia da minha vida.
vii
Resumo do Projeto de Graduacao apresentado a Escola Politecnica/UFRJ como
parte dos requisitos necessarios para a obtencao do grau de Engenheiro Civil
OTIMIZAC AO DE OPERAC OES EM PLANTAS EOLICAS NO BRASIL
ATRAVES DA UTILIZAC AO DE REDES NEURAIS CONVOLUCIONAIS
ASSOCIADAS COM MEMORIA DE LONGO PRAZO
Joao Guilherme Angstmann
Junho/2020
Orientadores: Heloisa Teixeira Firmo
Roberto Ivo da Rocha Lima Filho
Programa: Engenharia Civil
Devido aos benefıcios economicos e ambientais, a energia eolica tem se tornado uma
das fontes de energia mais promissoras para uma matriz energetica global mais di-
versa e sustentavel. Mesmo no Brasil, onde historicamente predomina o uso de
hidreletricidade, e notavel o crescimento da parcela correspondente a energia eolica,
que em 2019 atendeu 7,6% de todo o consumo nacional e ainda possui grande poten-
cial de crescimento nos proximos anos. Todavia, essa mudanca de paradigma expoe
o mercado de energia eletrica a novos riscos associados ao comportamento caotico
do vento e a sua producao de energia intermitente, de modo que o desenvolvimento
de modelos de previsao de geracao de energia eolica que tragam maior precisao para
as operacoes se tornam cada vez mais atraentes para o mercado brasileiro. Diante
desse desafio, o presente trabalho propoe a criacao de um modelo hıbrido de deep
learning capaz de prever com rapidez e precisao a producao de energia futura, alem
de mitigar os riscos associados a fonte eolica, otimizando a operacao dessas usinas
no Brasil. Dada a complexa flutuacao da variavel estudada, foi desenvolvido um
modelo avancado de deep learning baseado em uma arquitetura hıbrida que acopla
redes neurais convolucionais e memoria de longo prazo. Nessa solucao proposta, a
viii
potencia ativa gerada pelas usinas e processada por uma sequencia de camada de
rede neural convolucional que possui o papel de reconhecer e extrair automatica-
mente as principais caracterısticas de cada serie e transferi-las para um conjunto de
camadas de memoria de longo prazo, que devido a sua arquitetura sao capazes de
processar sequencias inteiras de dados, sendo uma ferramenta para extrair relacoes
e tendencias importantes que passariam despercebidas por uma rede neural artifi-
cial classica. Finalmente, o modelo retorna as previsoes horarias da metodologia.
O modelo proposto foi implementado na linguagem Python utilizando a API Keras,
com suporte do TensorFlow, sendo que seu processamento foi realizado atraves da
GPU Tesla P100-PCIE 16GB disponibilizada gratuitamente pelo Colab da Google,
sendo extensivamente testado com dados provenientes de parques eolicos em
operacao no nordeste brasileiro. Os resultados demonstraram que o metodo apre-
senta performance superior aos modelos tradicionais e aos modelos puros de redes
neurais convolucionais, memoria de longo prazo e redes neurais artificiais, apresen-
tando um erro medio percentual absoluto inferior a 5,6% para previsoes horarias 48
horas a frente possibilitando um potencial ganho financeiro. Desta forma, conclui-
se que o comportamento caotico do vento pode ser aprendido pela rede neural
proposta e que esta apresenta desempenho competitivo em relacao a literatura
especializada.
ix
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial fulfillment of
the requirements for the degree of Civil Engineer
OPTIMIZATION IN WIND POWER PLANTS IN BRAZIL THROUGH THE
USE OF CONVOLUTIONAL NEURAL NETWORKS ASSOCIATED WITH
LONG SORT-TERM MEMORY
Joao Guilherme Angstmann
June/2020
Advisors: Heloisa Teixeira Firmo
Roberto Ivo da Rocha Lima Filho
Department: Civil Engineering
Due to its economic and environmental benefits, wind energy has become one of the
most promising sources of energy for a more diverse and sustainable global energy
matrix. Even in Brazil, where historically the use of hydroelectricity predominates,
the growth of the share corresponding to wind energy it is remarkable, which in 2019
supplied 7.6% of all national consumption and still has great potential for growth in
coming years. However, this paradigm shift exposes the electricity market to new
risks associated with the chaotic behavior of wind and its intermittent energy pro-
duction, so that the development of forecasting models for wind power generation
that bring greater precision to operations becomes increasingly attractive to the
Brazilian energy market. Faced with this challenge, this work proposes the creation
of a hybrid model of deep learning capable of quickly and accurately predicting the
production of future energy, in addition to mitigating the risks associated with the
wind resource, optimizing the operation of these plants in Brazil. Given the complex
fluctuation of the studied variable, an advanced model of deep learning was devel-
oped based on a hybrid architecture that combines convolutional neural networks and
long-term memory. In this proposed solution, the active power generated by the
x
plants is processed by a convolutional neural network layer sequence that has the role
of automatically recognizing and extracting the main characteristics of each series
and transferring them to a set of layers of long-term memory, which due to their
architecture are capable of processing entire sequences of data, being a tool to
extract important relationships and trends that would go unnoticed by a classical
artificial neural network. Finally, the model returns the hourly forecasts. The
proposed model was implemented in Python using the Keras API, with TensorFlow
support, and its processing was performed through the GPU Tesla P100-PCIE 16GB
made available by Colab from Google, being extensively tested with data from wind
farms operating in northeast Brazil. The results showed that the method presents
superior performance to traditional models and pure models of convolutional neural
networks, long-term memory and artificial neural networks, presenting an average
absolute percentage error of less than 5.6% for hourly forecasts 48 hours ahead,
allowing a potential financial gain by the generator. Thus, it is concluded that the
chaotic behavior of the wind can be learned by the proposed neural network and that
it presents competitive performance in relation to the specialized literature.
xi
Sumario
Lista de Figuras xiii
Lista de Tabelas xvi
1 Introducao 1
1.1 Motivacao e Justificativa ................................................................................. 1
1.2 Objetivo Geral ............................................................................................... 4
1.3 Delimitacao da pesquisa .................................................................................. 4
1.4 Organizacao ....................................................................................................... 4
2 Fundamentacao Teorica 6
2.1 Matriz Energetica Brasileira ........................................................................... 6
2.1.1 O Sistema Interligado Nacional (SIN) ............................................10
2.2 Crescimento da Energia Eolica no Brasil ..................................................... 13
2.3 Mercado Brasileiro de Energia ....................................................................... 15
2.3.1 Comercializacao e formacao dos precos ........................................... 17
2.3.2 Mudancas no Mercado Spot e os efeitos do aumento da parti-
cipacao da Energia Eolica ................................................................. 21
2.4 Modelos de Previsao ...................................................................................... 24
2.4.1 Rede Neural Convolucional ................................................................ 24
2.4.2 Rede Neural Recorrente e LSTM ................................................... 28
2.4.3 Funcao de Ativacao ........................................................................... 31
3 Metodologia 35
3.1 Aquisicao de dados ......................................................................................... 35
3.2 Tratamento e Analise de dados ..................................................................... 36
xii
3.3 Modelo Proposto .............................................................................................. 37
3.3.1 Decomposicao Discreta de Wavelet .................................................. 39
3.3.2 Treinamento e escolha dos hiperparametros ................................... 42
3.3.3 Recursos computacionais utilizados ................................................44
3.4 Metricas de Erros ........................................................................................... 44
3.4.1 Erro Medio Absoluto Percentual ...................................................... 44
3.4.2 Erro Medio Absoluto ......................................................................... 45
3.4.3 Raiz Quadrada Media do Erro ......................................................... 45
4 Resultados e Discussoes 46
4.1 Estudo de Caso com apenas uma turbina ..................................................46
4.2 Estudo de Caso com todas as turbinas da Usina .......................................49
4.3 Estudo de Caso ganho operando no mercado de curto prazo ....................52
5 Conclusoes 54
5.1 Trabalhos Futuros ............................................................................................ 55
Referencias Bibliograficas 57
A Codigo Fonte 63
xiii
Lista de Figuras
1.1 Evolucao dos precos da energia eolica contratada por leilao no Brasil
em comparacao com as demais fontes (EPE, 2019b) .................................... 3
2.1 Oferta Interna de Energia Eletrica por Fonte (EPE, 2019a) ....................... 7
2.2 Evolucao do numero de barragens hidreletricas no paıs nos ultimos.
(Adaptado de OLIVEIRA, 2018) ................................................................. 8
2.3 Diagrama do Sistema Interligado Nacional - SIN (MME, 2019) ............. 10
2.4 Relacao entre o regime de chuvas e a intensidades do vento no nordeste
brasileiro (ONS, 2013 apud CAMARGO-SCHUBERT, 2013, p.87) . 12
2.5 Evolucao da capacidade instalada de energia eolica no Brasil e a res-
pectiva projecao de crescimento com base nos leiloes realizados ate
fevereiro de 2019 (adaptado de ABEEÓLICA, 2019) ................................. 13
2.6 Capacidade instalada das 10 maiores potencias em energia eolica do
mundo (adaptado de IRENA, 2019) .......................................................... 14
2.7 Estrutura desverticalizada do mercado energetico brasileiro (ARCE,
2011) ............................................................................................................ 16
2.8 Organizacao do Mercado Energetico Brasileiro (TOLMASQUIM, 2012) 17
2.9 Evolucao dos precos na Regiao Sudeste entre Jan/2004 e Jan/2017
(EDP, 2019) ............................................................................................ 20
2.10 Variacao da Energia Natural Afluente entre Jan/2004 e jan/2017
(EDP, 2019) ................................................................................................ 21
2.11 Grafico Preco Horario ”Sombra” do dia 01/08/2019 (CCEE, 2020b) . 22
2.12 Amostra de uma variacao horaria da producao energetica em um sıtio eolico
durante o dia (adptado de BOUBENIA et al., 2017) .................................. 23
xiv
2.13 Simulacao da variacao dos custos diarios de geracao de energia
em funcao da capacidade instalada de energia eolica no mercado
energetico colombiano (Adaptado de GONZALEZ-CASTELLANOS
et al., 2018) ................................................................................................. 23
2.14 Diagrama esquematico do experimento (WILLIAMS, 2017) ..................... 25
2.15 Exemplo de arquitetura de uma rede neural convolucional dedicada
ao reconhecimento de numeros escritos a mao (SAHA, 2018) .................. 26
2.16 Exemplo de Convolucao 2D sem comutacao do nucleo (adaptado de
GOODFELLOW; BENGIO; COURVILLE, 2016).................................... 28
2.17 Diagrama de uma Rede Neural Recorrente vista por extenso
(OLAH, 2015) ............................................................................................. 28
2.18 Estrutura de uma LSTM típica (OLAH, 2015) ............................................... 29
2.19 Grafico de uma funcao sigmoide ................................................................... 32
2.20 Grafico de uma funcao Tanh ......................................................................... 33
2.21 Grafico de uma funcao ReLU ........................................................................ 34
3.1 Potencia ativa normalizada de uma das turbinas utilizada para de-
senvolver os modelos de previsao .................................................................. 36
3.2 Autocorrelacao e Autocorrelacao parcial da serie temporal analisada . 37
3.3 Diagrama do modelo de previsao proposto ................................................. 38
3.4 Comparacao entre uma Sinusoide e Wavelet (MENDES, 2008) ................ 40
3.5 Processo de decomposicao de wavalet para k camadas (WANG et al.,
2018) ............................................................................................................ 41
4.1 Comparacao entre a previsao da subsequencia aproximacao (laranja)
e o dado real decomposto (azul) .................................................................... 47
4.2 Comparacao entre a previsao da subsequencia detalhe (laranja) e o
dado real decomposto (azul) ...................................................................... 48
4.3 Previsao da producao de potencia ativa para todo o conjunto de va-
lidacao utilizando redes neurais convolucionais e memoria de longo
prazo ............................................................................................................ 48
4.4 Previsao da producao de potencia ativa para 48 horas a frente com-
parando os modelos DNN e CNN+LSTM com os dados reais ................. 49
xv
4.5 Previsao da producao de energia ativa para todo o conjunto de va-
lidacao utilizando redes neurais convolucionais e memoria de longo
prazo ............................................................................................................ 51
4.6 Previsao da producao de energia ativa para 48 horas a frente compa- rando
os modelos DNN e CNN+LSTM com os dados reais............................... 51
4.7 PLD Horario ”Sombra”dos dias 01/11/2019 e 02/11/2019 (CCEE,
2020b) .......................................................................................................... 52
xvi
Lista de Tabelas
3.1 Estrutura do modelo de redes neurais convolucionais associados a
memoria de longo prazo ................................................................................. 43
3.2 Estrutura dos modelos de previsao utilizados como referencia .................. 43
4.1 Comparacao da performance de diferentes modelos ................................... 47
4.2 Comparacao da performance de diferentes modelos ................................... 50
4.3 Relacao KWh previsto e punicao para o modelo de redes neurais
profundas associados a memoria de longo prazo ......................................... 53
4.4 Relacao KWh previsto e punicao para o modelo de redes neurais
profundas ..................................................................................................... 53
1
Capıtulo 1
Introducao
1.1 Motivacao e Justificativa
A energia e a moeda universal, responsavel por toda transformacao que ocorre no
universo, estando presente em eventos cosmicos como explosoes de supernovas ate
as transformacoes quımicas que deram origem à vida terrestre, o domınio das suas
diferentes formas foi, sem duvida, a principal conquista da humanidade frente aos
outros animais. Desde a pre-historia a humanidade utiliza o seu intelecto avantajado
para produzir ferramentas capazes de conceder vantagens mecanicas na aquisicao
de comida, abrigo e vestimentas, fundamentais nao apenas para sobrevivencia da
especie, mas tambem para a sua dispersao pelo globo (HARARI, 2015; SMIL, 2017).
Com o domínio do fogo a humanidade obteve ainda mais energia sob o seu con-
trole, propiciando o surgimento dos primeiros assentamentos e civilizacoes. Todavia,
O crescimento populacional e aumento da complexidade da sociedade forcou a hu-
manidade a buscar maneiras de transformar energia em calor, luz e movimento de
maneiras mais eficientes, com custos mais baixos e acessıveis ao maior numero de
pessoas. No seculo XIX, para o abastecimento de uma cidade com lenha, era ne-
cessario uma area pelo menos trinta vezes maior de recursos florestais do que a
propria cidade, devido a baixa densidade de energia dessa fonte (SMIL, 2017). Todo
este processo aplicado a milhares de anos de evolucao social, culminou em uma soci-
edade tao complexa que e impossıvel conceber a vida cotidiana sem energia, de sorte
2
que o acesso a energia eletrica perfaz um dos pilares chave para o desenvolvimento
humano, social e economico. Deste modo, garantir que todos tenham acesso a esse
bem se torna um grande desafio global para o desenvolvimento (RITCHIE; ROSER,
2018).
Essa conscientizacao foi ratificada pelo Protocolo de Quioto, em 1997, que cul-
minou em esforco global em busca de fontes alternativas de energia que pudessem
oferecer energia segura, sustentavel e acessıvel para toda populacao, de modo a pro-
piciar a melhoria da qualidade de vida e desenvolvimento economica (UNFCCC,
1998). Com isto, foi acentuado o investimento em pesquisas cientıficas em energias
renovaveis e no desenvolvimento de tecnologias mais eficientes, dentre as quais as
fontes de energias eolica e solar tem se mostrado bastante atrativas dado o seu
custo competitivo e impactos ambientais reduzidos.
Apenas na ultima decada os investimentos em energia renovavel totalizaram
2,6 trilhoes de dolares, com investimentos anuais ultrapassando a marca de USD
250 bilhoes (UNEP, 2019). Tais investimentos colaboraram para a construcao de
um ecossistema mais competitivo e escalavel, resultando numa diminuicao de 30-
40% nos custos de producao de energia por fonte eolica de modo que segundo a
International Renewable Energy Agency (IRENA), o custo medio ponderado do KWh variou
entre 0,05 e 0,12 USD em 2016. Ainda, segundo a agencia os investimentos em
desenvolvimento de tecnologias de armazenagem e ganho de escala podem resultar
em uma diminuicao ainda maior, estimando uma reducao 37% ate 2025 (IRENA,
2017).
No Brasil, devido as vantagens naturais e aos incentivos governamentais, a
reducao dos custos foi ainda mais expressivos chegando a 79%, com um custo de
USD 0,024/KWh1 em 2019 para energia eolica e solar, sendo duas vezes mais
barata que as demais fontes da matriz energetica nacional, cuja dinamica pode ser
observada na Figura 1.1.
1Valor convertido de Reais (BRL) para Dolares dos Estados Unidos (USD) conforme a cotacao do dia 01/10/2019 registrado pelo Banco Central do Brasil, cujo valor informado foi de 4,1734 reais por dolar. consultado 04 de junho de 2020 Disponıvel em ¡https://www.bcb.gov.br/conversao¿.
3
Figura 1.1: Evolucao dos precos da energia eolica contratada por leilao no Brasil em
comparacao com as demais fontes (EPE, 2019b)
Globalmente se espera que, ate 2040, a producao de energia renovavel se iguale à
producao por fontes fosseis como carvao e gas natural (REN21, 2016). Para a Blo-
ombergNEF, os numeros sao ainda mais animadores para 2050, onde 50% da
demanda energetica mundial sera atendida por producao eolica e solar
(ABEEÓLICA, 2018). Fortuita- mente, o Brasil foi agraciado com um dos maiores
potenciais de energia renovavel do mundo, sendo destaque tanto na producao solar
quanto eolica, ocupando a posicao de 8ª maior capacidade instalada do mundo, atras
apenas das potencias Europeias, Estados Unidos, India e China, com grande
capacidade de expansao. Apenas em termos de energia eolica onshore o Brasil
possui um potencial latente de 500 GW (CEPEL, 2017; ABEEÓLICA, 2018).
Contudo, apesar dos custos de implementacao terem diminuıdo ao longo dos
anos e da sua grande disponibilidade, tanto a energia eolica quanto a solar sofrem
com o problema de intermitencia e volatilidade da sua producao, fato este que
tem se colocado como uma das principais barreiras para o aumento da participacao
dessas fontes na matriz energetica global. Na Alemanha, terceira maior produtora de
energia eolica do mundo, o custo adicional por manter sistemas redundantes prestes
a entrar em operacao caso haja intermitencia na geracao chega a 553 milhoes de
dolares ao ano (SCHIERMEIER, 2016).
Diante desses desafios, o desenvolvimento de pesquisas nas areas de sensoria-
mento, modelagem computacional e analise preditiva tem se mostrado grandes alia-
4
dos no processo de mitigacao desses riscos. Modelos mais robustos tendem a
auxiliar os agentes geradores e os operadores do sistema eletrico a se posicionarem
de forma mais assertiva diante da volatilidade do modal eolico permitindo maior
eficiencia das operacoes. Avancos no campo de Machine Learning tem tido um
protagonismo especial nesse processo. Segundo a empresa Xcel Energy, detentora da
maior capa- cidade instalada de energia eolica dos Estados Unidos, os modelos de
previsao tem se tornado cada vez mais acurados gerando economia de 60 milhoes
de dolares ao ano e reduzindo a emissao de CO2 em 250 mil toneladas
(SCHIERMEIER, 2016).
1.2 Objetivo Geral
Diante dos desafios apresentados, o presente trabalho visa desenvolver modelos
de previsoes baseados em deep learning aplicados ao setor de energia eolica no Brasil,
capazes de estimar com precisao a potencial producao de energia futura em intervalos
horarios para 48 horas a frente.
1.3 Delimitacao da pesquisa
O presente projeto foi realizado em colaboracao com a empresa Voltalia, uma das
maiores empresas no segmento de geracao de energia renovavel no Brasil, que gen-
tilmente disponibilizou os dados da producao de energia dos seus parques eolicos no
paıs. Por se tratar de dados sensıveis, os resultados dos modelos serao apresentados
na sua forma normalizada.
1.4 Organizacao
O trabalho esta organizado da seguinte forma. O capıtulo 2 apresenta a evolucao
da matriz energetica brasileira ao longo do tempo, bem como a organizacao do
Sistema Eletrico Brasileiro (SEB) e os reflexos do crescimento da participacao da
5
energia eolica na matriz energetica. Ainda, este capítulo desenvolve as bases teoricas
que serao utilizados para o desenvolvimento do modelo proposto.
O capítulo 3 discorre a respeito da metodologia utilizada para o tratamento e analise
dos dados e desenvolvimento do modelo hıbrido baseado em redes neurais
convolucionais e memoria de longo prazo. Do mesmo modo, o capıtulo discrimina
as abordagens com e sem a decomposicao discreta de Wavelet.
O capıtulo 4 apresenta os resultados e discussoes obtidos pelos modelos treinados
com os dados de apenas uma turbina e com dados de toda usina, comparando o ganho
de eficiencia e acuracia entre diversos modelos de referencia. Por fim, o capítulo
traz um breve estudo de caso, analisando os potenciais ganhos financeiros do ponto
de vista do agente gerador operando no mercado de curto prazo com aux ılio do modelo
proposto.
Por fim, o capıtulo 5 traz as consideracoes finais deste trabalho e possıveis rumos
futuros de pesquisa.
6
Capıtulo 2
Fundamentacao Teorica
Este capıtulo esta estruturado de modo a apresentar a evolucao da matriz
energetica brasileira ao longo do tempo, bem como a organizacao do Sistema Eletrico
Brasileiro (SEB) e os reflexos do crescimento da participacao da energia eolica na
matriz energetica. Ainda, o capıtulo traz os fundamentos teoricos por tras das redes
neurais convolucionais e memorias de longo prazo.
2.1 Matriz Energetica Brasileira
O Brasil possui uma matriz energetica privilegiada composta majoritariamente
por fontes de energia renovaveis e de baixo custo, alcando o paıs ao patamar de
referencia mundial em producao de energia limpa. Isso se deve ao seu grande
aproveitamento hidreletrico, que compoe cerca de 66,6% de toda energia ofertada no
paıs, sendo seguida por biomassa e energia eolica, cujos valores percentuais podem
ser vistos na Figura 2.1 (EPE, 2019a).
Esse cenario, contudo, remonta a um processo historico que esta intimamente re-
lacionado com os anseios da sociedade pelo desenvolvimento e da complexa dinamica
internacional do seculo XX (OLIVEIRA, 2018). Ao passo que o Brasil passava a
se modernizar atraves da implementacao de iluminacao publica, dos bondes, do
telegrafo e dos aparelhos eletrodomesticos, a necessidade de energia eletrica crescia
7
Figura 2.1: Oferta Interna de Energia Eletrica por Fonte (EPE, 2019a)
pressionando a producao nacional composta por energias fosseis como a lenha, que
devido a sua baixa eficiencia energetica nao tinha condicao de suprir o aumento
exponencial do consumo de energia que o pa ıs teria nos anos seguintes. (TELLES,
1993 apud OLIVEIRA, 2018).
Diante da escassez de alternativas fosseis, o paıs se viu obrigado a apostar na nova
tecnologia de aproveitamento hidreletrico recem criada pelas potencias Europeias
e Estados Unidos, as usinas hidreletricas. Dado o seu grande potencial latente
materializado por rios e cachoeiras, o Brasil rapidamente conquistou posicao de
destaque na producao desta fonte energetica (HUGHES, 1983). Em 1920, o paıs
possuıa 343 hidreletricas, que atendiam em torno 84,3% da oferta total da eletricidade
do paıs; esta expansao ficaria ainda mais evidente na decada seguinte, com 1.211
usinas, e uma capacidade total de 630 MW.
Essa tendencia continuaria a ser dominante no Brasil nos anos seguintes, em
especial, de 1951 a 1989, perıodo marcado por um maior protagonismo estatal na
construcao e manutencao de grandes centrais hidroeletricas. Nessa ocasiao, o Go-
verno valeu-se do contexto da guerra fria para obter vultosos emprestimos interna-
cionais para financiar o seu desenvolvimento. Foi, inclusive, nesse perıodo que se
deu a construcao de algumas das maiores obras da engenharia nacional; as usinas
hidreletricas de Itaipu (1984) e de Tucuruı (1984). Na Figura 2.2 podemos observar
8
a expansao da inauguracao de grandes usinas hidreletricas ao longos dos anos.
Figura 2.2: Evolucao do numero de barragens hidreletricas no paıs nos
(Adaptado de OLIVEIRA, 2018)
ultimos.
Neste mesmo perıodo, a Crise internacional do Petroleo de 1973 atingiu em cheio
o paıs, forcando o racionamento dos derivados de petroleo e afetando drasticamente a
economia nacional. Tal impacto aflorou o descontentamento crescente da populacao
com o Regime Militar fazendo com que a pauta energetica se tornasse prioridade
do Governo, culminando na criacao da Comissao Nacional de Energia em 1979,
e na intensificacao da construcao de grandes empreendimentos hidreletricos com
o objetivo de diminuir a dependencia do paıs em relacao a importacao do petroleo
(SILVA et al., 2013; MORETTO et al., 2012). Esses empreendimentos evidenciariam
os impactos socioambientais que a construcao de grandes hidreletricas causavam
com o alagamento de comunidades, destruicao da fauna e flora da regiao. Com isso,
surgiram movimentos sociais em defesa das populacoes afetadas reivindicando o
direito dos mesmos de permanecerem em suas terras e da necessidade de indeniza-los
pelos danos economicos e sociais decorrentes da intervencao em suas terras.
Do ponto de vista ambiental, houve uma polemica em torno da formacao do
reservatorio de barragem de Promissao do Tiete, em Sao Paulo, cujas obras ilharam
9
diversos animais, sendo transmitido pela televisao como um cataclismo ambiental,
forcando a Companhia Energetica de Sao Paulo (CESP) a arcar com os custos da
operacao de resgate desses animais (MORETTO et al., 2012). Esses fatores, jun-
tamente com a pressao do Banco Mundial, em contrapartida a novos emprestimos,
forcaram o Brasil a adotar polıticas socioambientais mais severas que perduram ate
a atualidade na forma de um licenciamento controverso que nao agrada nem ambi-
entalistas nem o governo, que tenta flexibiliza-las para executar obras de interesse. A
contınua expansao de geracao de energia por meio das grandes cen- trais hidreletricas
vem enfrentando fortes restricoes das legislacoes ambientais, uma vez que 77% do
potencial hidreletrico do paıs se encontra nos biomas Cerrado e Amazonia, que
possuem ampla protecao por parte dos orgaos ambientais, dificultando a construcao
de novas usinas (MME, 2019).
Um exemplo recente dessa restricao pode ser observado no debate gerado acerca
da construcao da Hidreletrica de Belo Monte localizada no Rio Xingu (Para) que
causou grande comocao nacional e internacional com ajuizamentos de processos por
parte do Ministerio Publico Federal que impactaram drasticamente o seu projeto
original, eliminando a presenca de reservatorios e consequentemente o seu potencial
de geracao de energia (G1, 2010; MMA, 2010). Outro caso recente e da Usina
Hidreletrica Sao Luiz do Tapajos (Para), que teve o seu licenciamento suspenso pelo
IBAMA pois a sua construcao afetaria a comunidade indıgena que vive na regiao,
forcando o seu remanejamento o que nao e permitido pela Constituicao Federal
brasileira (MPF/PA, 2016).
Diante destas restricoes, alguns especialistas acreditam que estamos diante de
mudanca de paradigma na expansao da geracao de energia no Brasil, que deve
deixar de lado os grandes empreendimentos hidreletricos para dar lugar a geracao
descentralizada com usinas eolicas, solares e pequenas centrais hidreletricas (EPOCA
NEGoCIOS, 2018). De fato, o MME (2019), atraves do Plano Decenal de Expansao
de Energia, preve que apenas oito novas usinas hidreletricas devem entrar em
operacao ate 2029, nenhuma delas com capacidade superior a 700 MW.
Desta forma, caso as interferencias ambientais sejam consideradas intrans-
ponıveis, o impacto direto de parques, reservas florestais e terras indıgenas reduziriam
o potencial hidreletrico estimado de 68 GW para 12 GW 1. Enquanto isso a demanda
10
energetica total, dependendo dos aspectos macroeconomicos, deve aumentar de 552
TWh (2019) para 802 TWh em 2029 (MME, 2019).
2.1.1 O Sistema Interligado Nacional (SIN)
O Sistema Interligado Nacional constitui a espinha dorsal do sistema energetico
brasileiro, sendo o maior arranjo de transmissao de energia do paıs com uma extensao
superior a 141.756 quilometros que cobre todas as regioes do paıs e abriga 96,6%
de toda capacidade instalada no SEB (ONS, 2018b; ONS, 2019). A Figura 2.3
demonstra de maneira esquematica os arranjos das linhas de transmissao nos quatro
subsistemas: Sul, Sudeste/Centro-Oeste, Nordeste e a maior parte da regiao Norte.
Figura 2.3: Diagrama do Sistema Interligado Nacional - SIN (MME, 2019)
1Esse valor foi retirado do Plano Decenal de Expansao de Energia 2029 e considera, de maneira conservadora, apenas empreendimentos que nao sobrepoem areas protegidas, na pratica este valor pode ser maior.
11
Tal abrangencia permite que o Operador Nacional do Sistema Eletrico (ONS)
opere de maneira centralizada quase todo o sistema eletrico brasileiro. O ONS coordena
os despachos de energia com base num conjunto de complexos modelos matematicos,
que otimizam o uso da agua estocada nos reservatorios hidreletricos, de modo a
garantir a seguranca e economicidade do sistema.
Alem das usinas hidreletricas, o SIN tambem conta com uma parcela consideravel
de termeletricas e usinas eolicas, formando um sistema hidro-termo-eolico de grande
porte, que utiliza estrategicamente as características dessas matrizes para garantir a
seguranca e economicidade da rede. Enquanto a energia proveniente das hidreletricas
e responsavel por atender a maior parte da demanda, a eolica e responsavel por
complementar a producao de maneira harmonica. Por sua vez, a termica contribui
para a seguranca da rede despachando energia em funcao das condicoes hidrologicas
vigentes, permitindo que as hidreletricas priorizem o armazenamento do estoque
de agua dos seus reservatorios, de modo a assegurar o atendimento futuro (ONS,
2018b).
Nao obstante, o sistema permite aproveitar os ganhos sinergicos que as matri-
zes hıdrica e eolica apresentam devido aos seus comportamentos sazonais. Como
concluem os estudos de Camargo-Schubert (2013), cujos resultados estao expressos
na Figura 2.4, nota-se uma correlacao inversa entre os regimes de chuvas e a
intensidade dos ventos, que torna as duas matrizes complementares. Esta com-
binacao tem um caracter bastante especial, principalmente na regiao nordeste, onde
a mesma pode colaborar para a mitigacao dos riscos hidrologicos inerentes a matriz
hidreletrica no perıodo de seca.
Apesar das vantagens, o sistema interligado possui seus inconvenientes. Por
exemplo, uma falha na geracao ou distribuicao pode gerar um desligamento em
cascata da rede, interrompendo o fornecimento de energia em grandes porcoes do
territorio nacio- nal. O episodio do Apagao no Brasil e Paraguai em 2009, ilustra
bem este aspecto desfavoravel. Em novembro de 2009 condicoes meteorologicas
adversas causaram falhas em 4 linhas de transmissao provenientes da Usina
Hidreletrica Binacional de Itaipu ocasionando o desligamento automatico de 20
turbinas. Tal ocorrencia gerou um desabastecimento que afetou 90% da populacao
12
Figura 2.4: Relacao entre o regime de chuvas e a intensidades do vento no nordeste
brasileiro (ONS, 2013 apud CAMARGO-SCHUBERT, 2013, p.87)
do Paraguai e 18 estados brasileiros, incluindo Sao Paulo e Rio de Janeiro (UOL
NOTICIAS, 2009). Alem do abastecimento de energia o apagao afetou o
abastecimento de agua nos estados de Sao Paulo e Rio de Janeiro e o sistema
bancario brasileiro (G1, 2009).
Outro inconveniente de um sistema interligado esta associado com a necessi-
dade de transportar energia por grandes distancias. O transporte resulta inevita-
velmente em perdas tecnicas relacionadas a transformacao de energia eletrica em
energia termica nos condutores - efeito joule -, perdas nos nucleos dos transfor-
madores, perdas dieletricas dentre outras (ANEEL, 2015). Resultando em perda
tecnica media de 4% da energia transportada pela rede basica e 7,5% pela rede de
distribuicao, onde ambas sao custeadas paritariamente entre os consumidores e
geradores, elevando o valor da tarifa de energia (ANEEL, 2015).
Ainda assim, as vantagens da integracao superam os inconvenientes. Ao passo que
sistemas semelhantes tem sido adotados por grandes potencias como os Estados
Unidos, com sua continental U.S. power transmission grid, e a Uniao Europeia, que planeja
integrar completamente o mercado energetico dos paıses membros (EUROPEAN
COMMISSION, 2019).
13
2.2 Crescimento da Energia Eolica no Brasil
Em resposta ao esgotamento dos potenciais hidraulicos e da crise energetica de
2001, o governo brasileiro lancou planos para ampliar a diversificacao da matriz
energetica nacional, aumentando os incentivos fiscais para producao de energias re-
novaveis. Neste contexto, foi criado o Programa de Incentivo as Fontes Alternativas
de Energia Eletrica (PROINFRA) que fornece incentivos fiscais para a producao de
energia eletrica atraves de fontes renovaveis como a eolica (ANEEL, 2017). Alem
de incentivar a producao de energia, esta medida tambem buscou incentivar a naci-
onalizacao da industria de componentes e turbinas eolicas no paıs condicionando os
benefıcios fiscais ao ındice de nacionalizacao da tecnologia (ABEEÓLICA, 2018).
Tal medida se mostrou bastante acertada, propiciando o rapido desenvolvi-
mento de uma cadeia produtiva local e eficiente, chegando a 80% de nacionalizacao
(ABEEÓLICA, 2018). Segundo a Bloomberg New Energy (BNEF) o Brasil recebeu
32 bilhoes de dolares em investimentos no setor no perıodo entre 2007 e 2017,
investimento este que se traduziu em um aumento medio de 9,8% na capacidade
instalada no mesmo perıodo e com previsao de um aumento contınuo nos proximos
anos (ABEEÓLICA, 2018). Na Figura 2.5, observa-se a evolucao da capacidade e a
projecao futura com base nos leiloes realizados ate fevereiro de 2019.
Figura 2.5: Evolucao da capacidade instalada de energia eolica no Brasil e a respec-
tiva projecao de crescimento com base nos leiloes realizados ate fevereiro de 2019
(adaptado de ABEEÓLICA, 2019)
14
Na atualidade, a energia eolica deixou de ter uma participacao irrisoria na matriz
energetica brasileira para se tornar a segunda maior fonte de energia do paıs em 2018,
atendendo cerca 8,4% da demanda em todo territorio nacional e chegando, inclusive,
a atender 98% da energia consumida em todo o Subsistema Nordeste durante uma
hora em 2018 (ONS, 2018a). O país elevou-se ao patamar de 8º maior produtor de
energia eolica do mundo com uma capacidade instalada de 14,40 GW (FIGURA 2.6).
Figura 2.6: Capacidade instalada das 10 maiores potencias em energia eolica do
mundo (adaptado de IRENA, 2019)
Contudo, o bom desempenho do setor vai muito alem das polıticas de incentivo
fiscal do Governo Federal; ele emana da qualidade dos ventos brasileiros. Segundo a
ABEEÓLICA, em 2018, o fator de capacidade medio, isto e, o potencial energetico que
pode ser explorado em relacao ao total, e de 41,8% chegando a 60% nas epocas mais
favoraveis do ano enquanto a media mundial esta estimada em 25%, fazendo o Brasil
ser o quarto paıs mais atrativo para investimentos segundo o relatorio do Climatescope
da BENEF em 2017 (ABEEÓLICA, 2018).
Alem da qualidade dos ventos, destaca-se a sua abundancia como um dos fatores
de atratividade. O Brasil possui um potencial calculado de 500 GW para producao
onshore e 1.064 GW offshore; para efeito de comparacao, toda a capacidade instalada
15
no paıs, considerando toda as fontes de energia, esta estimada em 140 GW (CEPEL,
2017; SILVA, 2019).
A soma destes fatores permite que o valor cobrado por essa energia seja signifi-
cativamente menor que das demais alternativas. No Leilao de Energia A-6, realizado
em outubro deste ano, o valor da energia eolica foi negociado a R$ 99,97/MWh com
desagio de 47,11% em relacao ao teto proposto pelo governo, enquanto as termicas
e hidraulicas foram negociadas a R$ 189,17/MWh e R$ 234,90/MWh, respectiva-
mente. Tais precos, permitiram o contrato de 1 GW e atraiu o investimento R$ 4,48
bilhoes para as eolicas que devem ser efetivados ate 2025 (EPE, 2019b).
Se do ponto de vista nacional a expansao do setor eolico colabora para a ne-
cessaria diversificacao da matriz energetica nacional, do ponto de vista regional, essa
expansao oferece a oportunidade de desenvolvimento socioeconomico para regioes
afastadas do eixo centro-sul, que historicamente concentra a maior parte da riqueza
produzida no paıs. Desta forma, a expansao da cadeia produtiva e da operacao de
parques eolicos em regioes como o nordeste estimula a dinamizacao da economia, re-
sultando no aumento da geracao de emprego e renda, na qualificacao da mao de obra
e no incentivo a de atividades de pesquisa e desenvolvimento (OLIVEIRA;
FERREIRA, 2019; MACEDO, 2015). Segundo (SIMAS; PACCA, 2013), os
investimentos no setor possuem potencial para criar mais de 195 mil postos de
trabalho entre os anos 2010 e 2020.
Apesar das vantagens, a energia eolica possui o inconveniente de ser intermitente,
de modo que o seu crescimento na matriz energetica nacional aumenta o risco de
desabastecimento. Dessa maneira, é necessário contar com sistemas redundantes,
como as termeletricas, que possam ser acionados em situacoes de estresse.
2.3 Mercado Brasileiro de Energia
O Mercado Brasileiro de Energia possui características bastante peculiares
quando comparado com o mercado energetico de outros paıses. Devido as suas di-
mensoes continentais e enorme potencial energetico, o Brasil foi capaz de adotar um
Sistema Interligado Nacional (SIN) que conecta virtualmente todo o seu territorio,
16
propiciando ganhos sinergicos relativos a diversidade dos ciclos hidrologicos e da
exploracao da producao de energia hidreletrica das diferentes regioes do paıs (ONS,
2018b). Esse sistema permitiu que o Brasil se tornasse uma das maiores potencias
em energias renovaveis do mundo, ocupando a terceira posicao entre as nacoes com
maior potencial instalado, atras apenas dos Estados Unidos e China (STATISTA,
2019).
Estas particularidades refletem na organizacao do mercado energetico, que tem
evoluıdo de modo a desverticalizar as operacoes do setor, tornando cada uma das
etapas do processo produtivo independentes entre si. No mercado energético
brasileiro, existem quatro funcoes principais: Geracao, transmissao, distribuicao e
comercializacao (FIGURA 2.7).
Figura 2.7: Estrutura desverticalizada do mercado energetico brasileiro (ARCE,
2011)
As geradoras sao os agentes responsaveis por produzir a energia que sera ofertada
na rede, na forma de livre concorrencia com pouca regulacao economica por parte
do Estado, propiciando um ambiente competitivo e tarifas menores. Por sua vez, os
sistemas de transmissao e distribuicao sao os responsaveis por transportar a
energia produzida aos agentes distribuidores. Devido aos grandes investimentos
necessarios para a sua construcao e operacao bem como baixas margens de retorno,
esse segmento e operado em formato de monopolio natural2 regulado pelo Estado,
que garante que todos os agentes geradores e comercializadores tenham acesso a rede,
assegurando a eficiencia economica de todo o processo produtivo (ARCE, 2011).
Por fim, ha os comercializadores, que sao os responsaveis por transacionar e
celebrar contratos de compra e venda de energia, ligando as distribuidoras e o con-
sumidor final ao Sistema Brasileiro de Energia (SEB). Nas proximas duas subsecoes,
discutiremos alguns aspectos interessantes do SIN e dos arranjos de comercializacao
2Monopolio Natural e um tipo de monopolio que existe devido aos altos custos de entrada no mercado ou aos altos ganhos de economia de escala em uma industria especıfica causando baixa rivalidade e competicao
17
de energia que ajudam a entender o papel da energia eolica no mercado energetico
brasileiro.
2.3.1 Comercializacao e formacao dos precos
A comercializacao de energia no Brasil e dividida em tres arranjos distintos: Am-
biente de Contratacao Regulado (ACR), Ambiente de Contratacao Livre (ACL) e
Energia de Reserva (CCEE, 2020a). Na Figura 2.8, observa-se como as estrutu- ras
de mercado e os agentes reguladores se comunicam para os dois ambientes de
contratacao.
Figura 2.8: Organizacao do Mercado Energetico Brasileiro (TOLMASQUIM, 2012)
O Ambiente de Contratacao Regulado, popularmente conhecido como Mercado
Cativo, destina-se aos consumidores que possuem demanda inferior a 2,5 MW, for-
mado usualmente por instalacoes residenciais, comerciais e industrias de pequeno
porte, que representam 72,9 % do consumo de energia no país (CCEE, 2019). Neste
arranjo, os consumidores estao associados aos seus distribuidores e nao possuem
opcao de escolher ou negociar a tarifa, sendo essa definida unilateralmente pela
distribuidora. Esta ajusta a tarifa de acordo com o preço da energia contratada por
meios de leiloes publicos organizados pelo Governo nas categorias: Energia Nova,
Energia Existente e Energia de Reserva.
O Leilao de Energia Nova e o instrumento que o Governo utiliza para expandir os
parques geradores no paıs. Esses leiloes sao caracterizados pela solicitacao publica de
uma determinada quantidade de energia que deve entrar em operacao em prazos de
3, 5 ou 6 anos dependendo da especificacao do edital. A quantidade a ser contratada
e definida pela projecao da demanda prevista pela EPE com base nas Declaracoes
18
de Necessidade de Contratacao de energia (e potencia) submetidas anualmente pelas
distribuidoras ao referido ministerio (INSTITUTO ACENDE, 2012).
O vencedor e definido pela oferta do menor valor por unidade de energia e pela
capacidade do gerador de suprir a demanda com seguranca. Ele recebe contratos
de comercializacao de energia de longo prazo, com duracao que varia de 15 a 30
anos, assegurando a comercializacao de energia pela duracao de todo o perıodo de
concessao do empreendimento (INSTITUTO ACENDE, 2012).
Os leiloes de Energia Existente e de Reserva, sao destinados a promover a re-
contratacao de energia proveniente de empreendimentos que ja estao em operacao e
para contratacao de energia reserva de modo a aumentar a seguranca do SEB, res-
pectivamente. Ha tambem leiloes de incentivo para energias alternativas, focados na
contratacao de energia proveniente de pequenas centrais hidreletricas, usinas eolicas,
solar e biomassa, sendo instituıdos de maneira a estimular a geracao e o consumo
destas fontes.
O fluxo para contratacoes no Ambiente Regulado de Energia no Brasil e iniciado
por meio de portaria do Ministerio de Minas e Energia que define as diretrizes de
habilitacao tecnica na EPE e delega a ANEEL a competencia sobre os termos dos
editais e contratos observando a legislacao vigente. Uma vez publicado o edital,
as empresas interessadas devem apresentar o projeto tecnico do empreendimento
para ser avaliado pela EPE, que julgara se o mesmo esta apto conforme as normas
do MME, os empreendimentos aptos podem participar do leilao organizado pela
Camara de Comercializacao de Energia Eletrica (CCEE), assinando um contrato com
a distribuidora caso sejam vencedores.
Devido a maturidade das fontes de energia eolica e solar e os patamares de precos
alcancado nos ultimos leiloes, o Governo definiu que os novos contratos dessas fontes
de energia a partir de 2019 serão baseado na quantidade ao inves de disponibilidade.
No contrato por quantidade, o gerador e responsavel pela entrega da energia comer-
cializada, assumindo os riscos relacionados a intermitencia da producao de energia.
Caso nao haja producao de energia o agente gerador devera comprar a energia no
mercado de curto prazo de modo a suprir a quantidade especificada em contrato,
19
enquanto anteriormente esse onus era arcado pelas distribuidoras (EPE, 2019b).
Tal mudanca chegou a gerar uma inquietação por parte dos agentes gerado- res
destas fontes, que afirmavam que tal medida aumentaria o preco ao consumidor.
Entretanto a medida acabou sendo avaliada de maneira positiva pela EPE, uma vez
que, segundo o orgao, o incremento dos precos ofertados nos leiloes nao necessaria-
mente acarretam no aumento do preco final para o consumidor pois pela configuracao
anterior uma parcela significativa dos riscos ja era transmitida ao consumidor sob
o contrato de disponibilidade. Alem disso, a alocacao de risco ao vendedor pode
levar a melhoria na expansao do sistema eletrico ao longo prazo, pois os projetos
selecionados serao aqueles que naturalmente entregam a energia mais proxima da
necessidade (EPE, 2019b; G1, 2019).
Por sua vez, o Ambiente de Contratacao Livre (ACL) e destinado aos gran-
des consumidores de energia, ou seja, agentes cuja demanda e superior a 2,5 MW.
Neste arranjo, os compradores possuem flexibilidade de compra de energia, podendo
estabelecer contratos bilaterais com as empresas geradoras e negociar as tarifas li-
vremente alem de participar do mercado de curto prazo. Embora, seja formado por
apenas 5.349 consumidores, o ACL representa 21,9% do consumo energetico nacional
(CCEE, 2018; CCEE, 2019).
Alem dos consumidores livres e cativos, ha a categoria de consumidor especial,
integrada por instituicoes que consomem entre 500 kW e 2,5MW. Esses podem optar
por operar no ACL, desde que adquiram energia de Pequenas Centrais Hidreletricas
(PCHs) ou de fontes incentivadas especiais: eolica, biomassa ou solar (CCEE, 2019).
Na pratica, tal categoria representa cerca de 84% dos consumidores do Ambiente de
Contratacao Livre, sendo portanto, a maior parcela desse mercado (CCEE, 2018).
Por fim, o setor eletrico brasileiro e complementado por um mercado de curto
prazo, denominado Mercado Spot, o qual permite que os agentes negociem a compra
e venda pontuais de energia visando suprir assimetrias temporarias entre oferta e
demanda, contribuindo assim para a estabilidade do sistema eletrico nacional. Nesse
mercado, o mecanismo de formacao dos precos segue o modelo de Mercado Regulado,
onde o agente regulador, a Camara de Comercializacao de Energia Eletrica (CCEE),
20
define semanalmente, atraves de modelos matematicos, os precos praticados nesse
mercado para cada patamar de carga e para cada submercado, respeitando um
intervalo de precos maximo e mınimo.
Apesar dos precos serem administrados pelo agente regulador, esse mercado e
caracterizado por um ambiente de elevada incerteza, de modo que o Preco de Li-
quidacao das Diferencas (PLD), apresenta uma volatilidade mensal 8,5 vezes superior
a do ındice Ibovespa (EDP, 2019). Na Figura 2.9, observa-se a evolucao da serie
historica e variacao dos precos ao longo dos anos.
Figura 2.9: Evolucao dos precos na Regiao Sudeste entre Jan/2004 e Jan/2017
(EDP, 2019)
Considerando a matriz energetica do SEB e factıvel supor que tal variacao seja
explicada pela alta dependencia do sistema interligado nacional da producao hi-
dreletrica, visto que essa depende dos regimes de chuva que sao naturalmente
volateis. Todavia, segundo a EDP (2019), apenas esse fator nao e capaz de ex-
plicar a volatilidade dos precos praticados, visto que no mesmo perıodo a Energia
Natural Afluente (ENA), utilizada pela ONS para calcular a producao hidreletrica,
variou apenas 21% em contraste aos 53% do preco da energia, indicando que a alta
volatilidade depende tambem de outros fatores inerentes a estrutura do mercado.
De acordo com a empresa, o alto risco percebido pelos agentes geradores acaba
impactando na liquidez do mercado e no aumento dos valores cobrados pelo preco
da energia, visto que o agente gerador tende a se resguardar dos potenciais preju ızos
causados pela comercializacao num ambiente de incertezas.
21
Figura 2.10: Variacao da Energia Natural Afluente entre Jan/2004 e jan/2017 (EDP,
2019)
2.3.2 Mudancas no Mercado Spot e os efeitos do aumento
da participacao da Energia Eolica
Objetivando melhorar a liquidez do mercado de curto prazo e sua eficiencia em
compatibilizar os custos da operacao com a demanda, o Ministerio de Minas e Ener-
gia, vem estudando, desde 2007, potenciais aprimoramentos na precificacao desse
mercado. Em 2019, o Ministerio de Minas e Energia (MME) anun- ciou que adotara
a proposta da Comissao Permanente para Analise de Metodologias e Programas
Computacionais do Setor Eletrico (CPAMP) para implementacao de novo modelo
de precos para o mercado de curto prazo, que passara a contar com uma precificacao
horaria, visando o acoplamento entre a formacao do preco e a operacao do SIN.
Embora seja uma medida considerada necessaria pelo mercado, vide as ma-
nifestacoes das empresas na Consulta Publica Nº 71/2019 do MME, sua imple-
mentacao deve alterar drasticamente as dinamicas das tomadas de decisoes dos ope-
radores do SEB que terao que se acostumar com a mudanca do perfil dos despachos
e com a variacao dos precos ao longo do dia, forcando uma redefinicao das suas
estrategias de operacao, alem de incentivar investimento em pesquisa e desenvolvi-
mento. Segundo a ABRAPCH (2019), essa nova dinamica incentiva o investimento
22
em solucoes inteligentes de armazenamento e cobertura de ponta como Central hi-
droeletrica reversıvel 3, reservatorios, baterias dentre outras.
Visando, estudar os reais impactos da mudanca na formacao dos precos a Camara
de Comercializacao de Energia Eletrica (CCEE) passou a calcular e divulgar os
valores do PLD horario seguindo a metodologia que sera utilizada oficialmente a
partir de 2021 (CCEE, 2020b). Na Figura 2.11, observa-se, de maneira meramente
ilustrativa, o comportamento do preco do MWh ao longo do dia 01/08/2019.
Figura 2.11: Grafico Preco Horario ”Sombra”do dia 01/08/2019 (CCEE, 2020b)
A nova configuracao coloca a energia eolica como destaque numa relacao quase
paradoxal, entre preco e incerteza. Se por um lado, a introducao da energia eolica
no despacho economico a reduz o custo da geracao de eletricidade, por outro a
sua expansao dentro do sistema eolico colabora para o aumento das incertezas do
mercado. Ainda que a Energia eolica apresente uma baixa variabilidade de producao
anual, em torno de 10% conforme relatorio da (EWEA, 2009), sua volatilidade
horaria e acentuada, o que aumenta a complexidade na operacao de adequacao da
geracao horaria ao consumo horario. Na Figura 2.12, observa-se uma amostra da
variacao horaria da producao eolica ao longo do dia.
3Central hidroelétrica reversíıvel é uma central hidrelétrica que permite o armazenamento de energia na forma de energia potencial gravitacional através do bombeamento de água entre reservatórios a diferentes altitudes
23
Figura 2.12: Amostra de uma variação horaria da velocidade do vento em um sıtio
eolico durante o dia (adpatado de BOUBENIA et al., 2017)
Num estudo de caso no mercado de curto prazo colombiano, que tem passado por
uma transicao energetica semelhante ao do Brasil, Gonzalez-Castellanos et al. (2018)
demonstrou atraves de modelos matematicos os efeitos do aumento da participacao
eolica nesse mercado. Na Figura 2.13 observamos o resultado de um desses modelos,
onde a linha azul representa a media dos cenarios e o sombreado em azul claro o seu
desvio padrao. Nele constatamos que ha uma reducao quase linear dos custos medios
de producao a medida em funcao da capacidade instalada aumenta, enquanto a
variacao do preco aumenta.
Figura 2.13: Simulacao da variacao dos custos diarios de geracao de energia em
funcao da capacidade instalada de energia eolica no mercado energetico colombiano
(Adaptado de GONZALEZ-CASTELLANOS et al., 2018)
24
Neste contexto de aumento da volatilidade do mercado energetico, os modelos de
Machine Learning capazes de estimar a producao futura tem se mostrado grandes
aliados dos operadores do sistema nos esforcos de aumentar a confiabilidade do
mesmo e diminuir os custos relativos a incerteza. Um exemplo pratico e a California,
onde o Sistema Operador Independente da California (CAISO) tem apostado em
modelos preditivos de curtíssimo prazo para programar os seus despachos de energia,
visando atingir a meta do governo local que pretende atingir os 50% de participacao
da energia renovavel dentro da sua matriz energetica do estado (CALIFORNIA
LEGISLATIVE INFORMATION, 2015). Ainda, nos Estados Unidos o projeto da
Google denominado DeepMind foi capaz de otimizar a operacao de plantas eolicas da
companhia gerando uma economia de 20% no seu primeiro ano de atuacao (CARL
ELKIN AND SIMS WITHERSPOON, 2019). Na secao seguinte, discutiremos a
evolucao dos modelos e o seu estado da arte.
2.4 Modelos de Previsao
Como mencionado no Capıtulo 1, o uso de modelos de previsao tem se difundindo
nas mais variadas areas do conhecimento passando desde de estudos sismológicos
ate econometria aplicada. Esta secao trara as bases teoricas relacionadas ao modelo
de Redes Neurais Convolucionais, Long short-term memory (LSTM) e funcao de
ativacao.
2.4.1 Rede Neural Convolucional
A Rede Neural Convolucional, tambem conhecida pelo termo em ingles convolu-
tional neural network (CNN), e um caso especial de aprendizagem profunda, cujos
padroes de conectividade dos neuronios artificiais sao inspirados no funcionamento
do cortex visual dos mamıferos, sendo considerada um dos maiores sucessos de in-
teligencia artificial baseada em princıpios biologicos devido as suas aplicacoes em
visao computacional, medicina e processamento de linguagem (GOODFELLOW;
BENGIO; COURVILLE, 2016).
25
De fato, o desenvolvimento de redes convolucionais foi fortemente influenciado
pelos trabalhos dos neurocientistas David Hubel e Torsten Wiesel, ganhadores do
premio nobel da medicina pelos seus trabalhos sobre o funcionamento do cerebro.
Em seus experimentos os pesquisadores observaram o comportamento individual da
ativacao de neuronios no cerebro de gatos, enquanto eles viam imagens projetadas
em uma tela (FIGURA 2.14). Nesses experimentos, os pesquisadores descobriram
que os neuronios no cortex visual primario respondiam mais fortemente a padroes
especıficos de iluminacao e de formatos simples como orientacao de barras, enquanto
quase nao reagiam a outros padroes, o que indicava uma especializacao desses
neuronios (GOODFELLOW; BENGIO; COURVILLE, 2016).
Figura 2.14: Diagrama esquematico do experimento (WILLIAMS, 2017)
Com o avancos nas pesquisas no campo da neurociencia, descobrimos que o fun-
cionamento com cortex visual e complexo e envolve diferentes regioes do cerebro,
cada uma especializada num tipo de tratamento. De maneira simplificada, o pro-
cessamento de imagem se inicia quando a imagem formada pela luz chega aos olhos
e estimula a retina, um tecido fotossensıvel localizado atras dos olhos.
Em seguida, os neuronios na retina realizam um tratamento previo da imagem
mas sem alterar significativamente a forma como ela e representada, entao a imagem
passa atraves do nervo optico e atraves de uma regiao no cerebro chamada lateral
geniculate nucleus ate chegar no cortex visual primario (V1), localizado na parte
de traz da cabeca, onde a imagem comeca a ser processada de maneira avancada
e inspira o uso das convolucoes em redes neurais. Posteriormente, as imagens sao
26
enviadas para o V2, entao V4 e finaliza sua jornada no cortex inferotemporal, que
identifica a cor e forma do objeto e compara com informacoes armazenadas na
memoria.
Baseados nesses arranjos cientistas e programadores criaram estruturas analogas
que simulam os mecanismos biologicos de processamento de imagens. Tais analogias,
sao observaveis na Figura 2.15 que traz um exemplo de como uma rede neural
convolucional e capaz de identificar o numero 2 escrito a mao. Nele a arquitetura
utiliza uma serie de camadas de convolucoes e pooling 4 que filtram e selecionam as
caracterısticas que serao mais relevantes para a classificacao da imagem desejada,
economizando recursos computacionais importantes, enquanto as redes neurais ficam
responsaveis por aprender e classificar o digito corretamente.
Figura 2.15: Exemplo de arquitetura de uma rede neural convolucional dedicada ao
reconhecimento de numeros escritos a mao (SAHA, 2018)
Na rede neural, a estrutura que permite o processamento de dados em duas
dimensoes e denominada convolucao. Na matematica, convolucao e um operador
linear que, aplicado a duas funcoes, produz uma terceira que expressa como a forma de
uma e modificada pela outra. Analogamente, em redes convolucionais, ela representa
como um pixel - ou dado - e expressado em funcao da sua vizinhanca. Na Eq. 2.1,
4Uma funcao de pooling substitui a saıda da rede em um determinado local por um resumo estatıstico das saıdas proximas.
27
temos a definicao formal de convolucao, que e representada por um asterisco.
𝑠(𝑡) = (𝑥 ∗ 𝑤)(𝑡) ≜ ∫ 𝑥(𝑎)𝑤 (𝑡 − 𝑎)𝑑𝑎 (2.1)
Onde x(t), w(t) e a sao a posicao do sinal no tempo, funcao de ponderacao e
tempo da medicao, respectivamente. Em uma abordagem computacional e comum
expressar a convolucao em seu domınio discreto, como pode ser visto na Eq 2.2, onde
temos a sua expressao para dois eixos:
𝑠(𝑖, 𝑗) = (𝐼 ∗ 𝐾)(𝑖, 𝑗) = ∑ ∑ 𝐼(𝑚, 𝑛)𝐾(𝑖 − 𝑚, 𝑗 − 𝑛)𝑛𝑚 (2.2)
Nesta equacao I representa uma entrada bidimensional de dimensoes m e n e K um
nucleo operador da convolucao em duas dimensoes. Ainda, em algumas bibliotecas de machine
learning e possıvel encontrar uma outra funcao, a cross-correlation, Eq. 2.3, implementada como
se fosse convolucao. Na pratica, ambas possuem me- canismos e efeitos semelhantes contudo
a cross-correlation nao possui propriedade comutativa, que em termos de redes neurais nao e
relevante. Desta forma, ela pode ser utilizada sem preju ızo para os modelos
(GOODFELLOW; BENGIO; COURVILLE, 2016).
𝑠(𝑖, 𝑗) = (𝐼 ∗ 𝐾)(𝑖, 𝑗) = ∑ ∑ 𝐼(𝑖 + 𝑚, 𝑗 + 𝑛)𝐾(𝑚, 𝑛)𝑛𝑚 (2.3)
O processo de convolucao sem comutacao do nucleo esta representado na Figura 2.16.
No cerebro biologico, ao passar por estruturas analogas ao processo de pooling e convolucao
a informacao e enviada para o cortex inferotemporal que relaciona a forma dos objetivos
com modelos armazenados na memoria. Nesse artigo, sera utilizado a arquitetura de Rede
Neural Recorrente denominada Long short-term memory (LSTM) aprendizado das
correlacoes das series temporais.
Figura 2.16: Exemplo de Convolucao 2D sem comutacao do nucleo (adaptado de
GOODFELLOW; BENGIO; COURVILLE, 2016)
28
2.4.2 Rede Neural Recorrente e LSTM
A Rede Neural Recorrente e uma famılia de redes neurais artificiais dedicadas ao
processamento de dados sequenciais onde as conexoes entre os nos formam um grafo
orientado ao longo de uma base sequencial que permite a manipulacao de sequencias
de dados muito mais longas que as suportadas por redes neurais convencionais. Tal
configuracao, ligada em loops, permite o compartilhamento de parametros ao longo de
diferentes partes do modelo (GOODFELLOW; BENGIO; COURVILLE, 2016).
Os loops podem ser interpretados como multiplas copias de uma mesma rede,
onde cada uma delas transmite a informacao para o seu sucessor. Isso é representado
na Figura 2.17.
Figura 2.17: Diagrama de uma Rede Neural Recorrente vista por extenso (OLAH,
2015)
Onde A e o estado interno da RNN, que recebe uma entrada xt e retorna o valor
ht. Esse tipo de configuracao funciona muito bem para previsao de dados sequenciais
como a previsao da proxima palavra num texto, contudo apresenta dificuldades em
previsoes que exigem dependencia de longo prazo.
Diante desse desafio foi desenvolvido um tipo especial de redes neurais
recorrentes denominada long short-term memory que comporta uma estrutura analoga
à memoria. Nesta arquitetura, ao inves de utilizar uma simples funcao de ativacao
para transformar os inputs e unidade de recorrencia, ela adota uma camada adicional de
recorrencia dentro de celulas LSTM, permitindo a utilizacao de mais parametros que
uma RNN comum (GOODFELLOW; BENGIO; COURVILLE, 2016).
Sua estrutura e definida com base no conceito de estado de celula, num meca-
nismo semelhante a uma esteira transportadora, que transmite a informacao de uma
celula para outra. Durante esse processo a LSTM possui a habilidade de remover
ou adicionar informacao atraves da associacao de sistemas denominados Gates (GO-
29
i
ODFELLOW; BENGIO; COURVILLE, 2016). Esses arranjos podem ser observadas
na Figura 2.18.
Figura 2.18: Estrutura de uma LSTM típica (OLAH, 2015)
Nesta arquitetura, o primeiro passo da informacao na celula e passar pelo forget
gate, que observa os input ht−1 e xt e retorna um valor entre 0 e 1 para cada valor
no estado de celula (Ct−1). O valor 1 representa manter a informacao e 0 representa
ignorar o input (ht−1 e xt) (OLAH, 2015).
Matematicamente, as operacoes no forget gate podem ser expressadas da seguinte
maneira:
𝑓 (𝑡)𝑖
= 𝜎(𝑏 + ∑ 𝑈 𝑓𝑖,𝑗
𝑥 (𝑡)𝑗𝑗 + ∑ 𝑊 𝑓
𝑖,𝑗ℎ (𝑡−1)
𝑗) 𝑗 (2.4)
Onde x(t) e o dado de entrada atual e h(t) e o vetor da camada oculta atual,
contendo as saıdas de todas as celulas LSTM, e b𝑓
, U𝑓
, W𝑓
, sao respectivamente
os vieses, pesos de entrada e pesos recorrentes para o forget gate.
O proximo passo da informacao dentro desta cadeia e o armazenamento no estado
de celula, que possui duas partes. A primeira e uma camada de funcao ativacao
sigmoide que cria novos valores que serao atualizados, g(t).
𝑔 (𝑡)𝑖
= 𝑡𝑎𝑛ℎ(𝑏 𝑔𝑖
+ ∑ 𝑈 𝑔𝑖
𝑥 (𝑡)𝑗𝑗 + ∑ 𝑊 𝑔
𝑖,𝑗ℎ (𝑡−1)
𝑗)𝑗 (2.5)
Enquanto, a outra cria o vetor com novos valores, i(𝑖)𝑡
, que poderá ser adicionado ao
estado.
𝑖 (𝑡)𝑖
= 𝜎(𝑏 𝑐𝑖
+ ∑ 𝑈 𝑐𝑖
𝑥 (𝑡)𝑗𝑗 + ∑ 𝑊 𝑐
𝑖,𝑗ℎ (𝑡−1)
𝑗)𝑗 (2.6)
Na sequencia, as informacoes que foram barradas no forget gate (ft) sao remo-
vidas atraves da operacao gt ∗ ft e os novos valores sao adicionados pela operacao
30
gt ∗ ft, de modo que o estado Ct e atualizado.
𝐶 (𝑡)𝑖
= 𝑓 (𝑡)𝑖
𝐶 (𝑡−1)𝑖
+ 𝑔 (𝑡)𝑖
𝜎(𝑏 𝑓𝑖
+ ∑ 𝑈 𝑓𝑖,𝑗
𝑥 𝑡𝑗𝑗 + ∑ 𝑊 𝑓
𝑖,𝑗ℎ (𝑡−1)
𝑗)𝑗 (2.7)
Por fim, o arranjo deve decidir quais informacoes serao passadas para a celula
seguinte. Para isto, o novo estado de celula atualizado passa por uma camada sig-
moide que decide quais partes deste deverao ser enviadas como output. Em seguida,
o estado passa por uma funcao tanh que o converte para valores entre -1 e 1 e os
multiplica pelas saıdas da funcao sigmoide.
ℎ (𝑡)𝑖
tanh(𝑠 (𝑡)𝑖
) 𝑞 (𝑡)𝑖
𝑎 (2.8)
𝑞 (𝑡)𝑖
= 𝜎(𝑏 𝑜𝑖
+ ∑ 𝑈 𝑜𝑖
𝑥 (𝑡)𝑗𝑗 + ∑ 𝑊 𝑜
𝑖,𝑗ℎ (𝑡−1)
𝑗)𝑗 (2.9)
Onde, b, U e W continuam representando, respectivamente, o vies, peso de en- trada
e pesos recorrentes dentro da celula LSTM.
2.4.3 Funcao de Ativacao
A funcao de ativacao e uma transformação nao linear aplicada ao longo do sinal de
entrada de uma rede neural artificial, sendo de suma importancia para a construcao
de modelos eficientes, pois essa garante a mudanca progressiva dos estados dos
neuronios sem que haja descontinuidade que inviabilize a aplicacao das derivadas
necessarias para o treinamento da rede neural. Desta forma, ela e responsavel por
ditar os padroes de como os neuronios serao ativados.
Matematicamente, a funcao ativacao pode ser entendida como uma funcao g
aplicada ao somatorio dos dados de entradas ponderados pelos pesos w.
𝑎𝑗
= 𝑔(𝑖𝑛 + 𝑗) = 𝑔(∑ 𝑤𝑖,𝑗
𝑎𝑖
𝑛0 ) (2.10)
Onde ai, wi,j e ai, sao os dados de saıda da funcao ativacao, os pesos de cada
neuronio e os dados de entrada, respectivamente. Existem numerosas funcoes de
ativacao, sendo as mais pertinentes para este trabalho as funcoes sigmoide, tanh e
ReLU.
As funcoes de ativacao sigmoides sao baseadas em princıpios biologicos e foram
bastante populares no passado devido a sua capacidade de gerar outputs bem com-
31
portados. Nela, as entradas cujos valores sejam muito grandes sao aproximados para
1, enquanto valores negativos sao aproximados para 0, conforme a Eq. 2.11. A Figura
2.19, traz a representacao visual dessa equacao.
Figura 2.19: Grafico de uma funcao sigmoide
σ(x) = 1
1+e−x (2.11)
A Eq. 2.12 traz a derivada da funcao sigmoide.
𝑑𝜎(𝑥)
𝑑𝑥=
1
1+𝑒−𝑥𝑥 (1 −
1
1+𝑒−𝑥) (2.12)
Contudo, esta funcao apresenta problemas para transmitir informacoes para re-
des neurais profundas, visto que as informacoes transmitidas por ela acabam se
diluindo ao longo da rede, diminuindo assim a capacidade de aprendizagem e apre-
sentando problemas de vanishing gradient, onde o gradiente se torna zero e a rede nao
consegue mais aprender com os dados de treino mesmo que sejam relevantes.
Uma variante da funcao sigmoide e a funcao tangente hiperbolica que perfaz uma
alternativa interessante a referida, pois apresenta uma conversao computacional mais
rapida devido a sua derivada mais ıngreme (Eq.2.13). Todavia, esta tambem preserva
o inconveniente do vanishing gradient (JAIN, 2019).
32
Figura 2.20: Grafico de uma funcao Tanh
tanh(𝑥) = 2
1+𝑒−2𝑥 − 1 (2.13)
A Eq. 2.14 traz a derivada da funcao tangente hiperbolica.
𝑑𝑡𝑎𝑛ℎ(𝑥)
𝑑𝑥= 1 −
(𝑒𝑥−𝑒−𝑥)2
(𝑒𝑥−𝑒−𝑥)2 (2.14)
Por sua vez, as funcoes ReLU, do inglês Rectified Linear Unite, nao apresentam o
mesmo problema, sendo capazes de ligar numeros grandes de neuronios com
facilidade, possibilitando configuracoes maiores e mais complexas capazes ate mesmo
de construir redes neurais capazes de vencer humanos em classificacao de animais
sem que haja problema com vanishing gradient. Caso o somatorio seja maior que
zero, o output sera proporcional ao somatorio dos pesos, do contrario este sera
zero. Conforme mostra a Figura 2.21.
33
Figura 2.21: Grafico de uma funcao ReLU
𝑓(𝑥) = {0, 𝑝𝑎𝑟𝑎 𝑥 ≤ 0𝑥, 𝑝𝑎𝑟𝑎 𝑥 > 0
(2.15)
A Eq. 2.16 traz as derivadas esquerda e direita do ponto zero da funcao ReLU.
𝑑𝑓(𝑥)
𝑑𝑥= {
0, 𝑝𝑎𝑟𝑎 𝑥 ≤ 01, 𝑝𝑎𝑟𝑎 𝑥 > 0
(2.16)
Sua simplicidade a torna computacionalmente interessante, convergindo 6 vezes
mais rapido que as citadas anteriormente (JAIN, 2019). Contudo, ao assumir que
todos os valores negativos sao iguais a zero, a funcao pode gerar o dying ReLU pois
uma vez que o somatorio atinge um valor negativo, os seus pesos serao considerados
zero sendo incapazes de se recuperar.
Ainda, por permitir outputs numericamente grandes a ReLU corre o risco de
explodir, ou seja, desencadear grandes atualizacoes nos pesos da rede, que por sua vez,
torna a mesma instavel culminando em resultados com valores de NaN5. Este
fenomeno nao ocorre com as funcoes normalizadoras como sigmoide e tanh.
5No jargãoo computacional NaN (Not a Number, em inglês) representa dado numérico
indefinido ou não representável
34
Capıtulo 3
Metodologia
Diante da relevancia de modelos de previsao para energia eolica, o presente
trabalho busca desenvolver um modelo preditivo utilizando Redes Neurais Convo-
lucionais associadas com memoria de longo prazo que se mostre competitivo diante
dos demais modelos presentes na literatura. Na sequencia sera detalhado a metodo-
logia utilizada no trabalho passando desde a aquisicao e tratamento dos dados ate
a concepcao do modelo em si.
3.1 Aquisicao de dados
A primeira etapa da metodologia consistiu na aquisicao dos dados. Para isso, foi
firmado um acordo com a Votalia que muito gentilmente cedeu dados de tres parques
eolicos operados no Rio Grande do Norte (RN, Brasil). Durante a modelagem optou-
se por utilizar uma modelagem com apenas uma variavel de entrada levando em
conta apenas a Potencia Ativa1 das turbinas, de modo a seguir os passos utilizados
pelas principais bibliografias que norteiam este trabalho.
Tendo em vista que o objetivo final e realizar previsoes horarias, os dados brutos, que
seguem o padrão da industria de serem gravados a cada 10 minutos, foram
agregados em faixas horarias, onde calculou-se a media dos valores, de modo a
compatibilizar as resolucoes dos dados com a previsao de geracao (Equacao 3.1).
1Potência Ativa se refere a parcela de energia produzida capaz efetivamente de ser transformada em energia elétrica
35
𝑃ℎ𝑜𝑟𝑎𝑟𝑖𝑜 = ∑𝑃 𝑖
6
6𝑖 (3.1)
Onde Pi e o valor da potencia ativa em minutos e Phorario corresponde a potencia
ativa media, em horas.
3.2 Tratamento e Analise de dados
Alem de agregar os valores em faixas horarias, foi necessario tratar os dados
brutos visando eliminar ruıdos provocados por falhas na medicao e manutencao
do equipamento. Os dados brutos pos tratamento primario estao representados na
Figura 3.1.
Figura 3.1: Potencia ativa normalizada de uma das turbinas utilizada para desen-
volver os modelos de previsao
De modo a auxiliar a compreensao da variavel estudada e identificar os padroes
temporais foi aplicado o teste de autocorrelacao e autocorrelacao parcial, cujos os
resultados estao disponıveis na Figura 3.2. Atraves desses e possıvel identificar
um padrao de repeticao que aparenta ter um ciclo de 24 horas, o que indica quea
producao de energia eolica abordada neste trabalho possui ciclos diarios. Tal
informacao se faz relevante pois a captura desses ciclos garantira maior eficiencia de
aprendizado da rede neural proposta.
36
Figura 3.2: Autocorrelacao e Autocorrelacao parcial da serie temporal analisada
3.3 Modelo Proposto
Como visto, os dados referentes à producao de energia eolica possuem um com-
portamento altamente volatil, variavel e aleatorio devido aa sua correlacao com as
condicoes climaticas nao estacionarias, que fazem com que a tarefa de prever seue
comportamento seja desafiadora para os metodos tradicionais de previsao. Deste
modo, o presente trabalho explora uma abordagem híbrida capaz de aproveitar a sinergia
de diferentes classes de redes neurais e aumentar o desempenho das previsoes. Para isso
o modelo segue uma linha base que engloba o tratamento do sinal, extracao de
features por meio das redes neurais convolucionais, memorias de longo prazo como
base para previsoes sequenciais e Redes Neurais Profundas, cujo esquema esta
descrito na Figura 3.3.
37
Figura 3.3: Diagrama do modelo de previsao proposto
Neste modelo os dados de entrada passam por um tratamento que engloba a sua
normalizacao com base nos valores maximos e mınimos e uma etapa opcional, que
inclui a aplicacao da transforma discreta de Wavelet (DW), composta por k
camadas de filtros passa-baixo e passa-alta capazes de decompor o sinal de entrada
em k+1 sinais que teoricamente preservariam as principais caracter´ısticas dos dados
brutos ao passo que as isola e elimina o ru ıdo branco.
38
Apos esse primeiro tratamento, cada uma das series temporais geradas pela
transformada sao processadas individualmente por uma camada de rede neural
convolucional que possui o papel de reconhecer e extrair automaticamente as
principais caracterıstica de cada serie e transferi-las para um conjunto de camadas de
memoria de longo prazo, que devido a sua arquitetura sao capazes de processar
sequencias inteiras de dados, sendo uma ferramenta poderosa para extrair relacoes e
tendencias importantes que passariam despercebidas por uma rede neural artificial
classica.
Finalmente, o modelo e complementado por uma sequencia de camadas de
redes neurais profundas que retorna as previsoes horarias para cada um dos sinais
de entrada, que sao reconstruıdos por intermedio da transformada inversa de
Wavelet dando origem a ultima previsao do modelo.
3.3.1 Decomposicao Discreta de Wavelet
Como observado na Secao 3.2, o dado bruto apresenta um comportamento nao-
linear e nao-estacionario formando picos ou flutuacoes que dificultam a realizacao
de previsoes acuradas. Desta forma, pode ser necessário aplicar ferramentas de pro-
cessamento de sinais que possam reduzir os ruídos presentes no dado bruto, cujas
solucoes mais comuns sao as transformadas de Fourier e Wavelets.
Neste trabalho, optou-se por utilizar a transformada de wavelet, devido a sua
grande eficiencia computacional em decompor sinais nao-lineares e capacidade de
conservar a componente temporal e de escala da serie, ambas essenciais para o mo-
delo proposto, apresentando, portanto, uma grande vantagem em relacao a famosa
transformada de Fourier que conserva apenas a frequencia.
Tal vantagem se deve ao fato das wavelets serem ondas de curta duracao com
energia concentrada numa regiao finita, permitindo que a mesma decomponha o sinal
em versoes deslocadas e escaladas de uma wavelet mae. Diferentemente a
transformada de Fourier decompoe as series em funcoes de seno e cosseno que sao
periodicas e infinitas, extraindo apenas a frequencia (MENDES, 2008).
Na Figura 3.4 nota-se as diferencas entre uma sinusoide e uma wavelet (db10).
Enquanto a wavelet apresenta caracterısticas irregulares e assimetricas a sinusoide
39
apresenta um comportamento previsível (MENDES, 2008). Tal característica se deve
ao fato das wavelets serem categorizadas em famílias com diversos formatos de ondas, o
que permite customiza-las para resolucao de um determinado problema (GRAPS,
1995).
Figura 3.4: Comparacao entre uma Sinusoide e Wavelet (MENDES, 2008)
Cada famılia e caracterizada por sua funcao ψa,b(t) e constituıda por compressoes
e translacoes de uma unica funcao mae ψ(t). Definida por:
𝜓𝑎,𝑏
= |𝑎|0
−𝑗
2 𝜓(𝑡−𝑏
𝑎) (3.2)
Onde a,b ∈ R, a ƒ= 0 e o termo | a |−1/2 serve para normalizar a funcao mae. Por
sua vez, a transformada de uma wavelet e dada pela Eq. 3.3.
𝑇𝑊𝑓(𝑗, 𝑘) = 𝑎0−𝑗/2
∫ 𝑓(𝑡) 𝜓(𝑎0−𝑗
𝑡 − 𝑘𝑏0)dt (3.3)
Onde j, a = 𝑎𝑗
, b = 𝑘𝑏0𝑎0𝑗, alem 𝑎0 > e 𝑏0> 1, sao constantes. Para essa funcao
ser valida e preciso que ela passe pelo criterio de admissibilidade, onde a funcao
ψ satisfaz a condicao, ∫ 𝜓(𝑡)𝑑𝑡 = 0.
Aplicando a transformada de wavelet discreta para uma funcao discreta, temos:
𝑇𝑊𝐷𝑥(𝑗, 𝑘) = 2−𝑗/2 ∑ 𝑋(𝑡)𝜓(2−𝑗 − 𝑘)𝑁−1𝑡=0 (3.4)
Onde, X(t) e o dado de entrada discretizado, ψa,b(t), j e k, as dimensoes do dado
de entrada. Para a reconstrucao, aplicamos:
𝑋(𝑡) = ∑ 2−𝑗/2 ∑ [𝑇𝑊𝐷𝑋(𝑗, 𝑘)𝜓(2−𝑗𝑡 − 𝑘)]𝑗𝑗 (3.5)
Onde, X(t) e o dado de entrada discretizado, ψa,b(t) e a funcao mae, j e k, as
dimensoes do input.
Neste trabalho, dentre todas as famılias de wavelets disponıveis, optou-se por
utilizar a família Daubechies wavelet, pois essa apresenta grande capacidade de re-
40
presentar funcoes com comportamento polinomial tal como a serie temporal estu-
dada, o que em teoria, resulta numa decomposicao de boa qualidade. Isto ocorre
pois as Daubechies possuem uma componente denominada father wavelet capaz de
determinar a largura necessaria da wavelet para aquele conjunto de dados. Apos
testes optou-se por utilizar uma Daubechies ’db20’ pois essa apresenta uma boa relacao
entre o comprimento de onda e suavidade.
Alem de famılias esse metodo de tratamento de sinais tambem possui um sistema
de filtros que permitem decompor o conjunto de dados em subsequencias mais bem
comportadas, ou seja, com poucos outliers e variacoes mais estaveis (WANG et al.,
2018). A Figura 3.5 traz uma representacao do funcionamento dessa sequencia de
filtro para k camadas.
Figura 3.5: Processo de decomposicao de wavalet para k camadas (WANG et al.,
2018)
Cada camada de filtro corresponde a um passa-alta (Eq. 3.7) e um passa-baixa
(Eq. 3.6). Desta forma, o sinal bruto da energia gerada e decomposto em uma
serie de sinais (Ak) aproximacao e detalhes (Dk) que podem variar segundo o nıvel
de decomposicao escolhido, ao longo deste trabalho foram testados diferentes nıveis
decomposicao.
𝑐0 = 1+√3
4√2, 𝑐1 =
3+√3
4√2, 𝑐2 =
3−√3
4√2, 𝑐3 =
1−√3
4√2 (3.6)
𝑐0 = −1+√3
4√2, 𝑐1 = −
3+√3
4√2, 𝑐2 = −
3−√3
4√2, 𝑐3 = −
1−√3
4√2 (3.7)
41
Desta forma, o modelo pode processar individualmente cada um dos componentes
do sinal bruto enquanto elimina os ruídos, tornando o treinamento mais eficiente.
3.3.2 Treinamento e escolha dos hiperparametros
Para treinamento da rede neural foi definido a metrica mean squared error (MSE)
como funcao de custo e o algoritmo adam optimization como mecanismo otimizador da
aprendizagem. Por sua vez, o conjunto de dados utilizados no modelo foi escolhidos
em uma proporcao 9:1, onde 90% dos dados foram utilizadas para o treinamento
e o restante para validar os resultados das previsoes. Adicionalmente, a serie temporal
foi dividida em pequenas janelas de treino com sequencias de 24 horas, permitindo que
o modelo compreenda a correlacao temporal dos dado conforme visto na Secao 3.1.
Opcoes Configuracao dos Parametros
Metodo de treinamento Otimizador Adam
Tamanho do Batch 24
Epoch 110
Funcao de custo MSE
A escolha da configuracao das camadas da rede neural foi baseada em pesquisas na
literatura, (WANG et al., 2018; WANG et al., 2017), que ajudaram a definir a ordem
das camadas e estrategia de escolha dos numeros de filtros/neuronios, e em processo
iterativo onde a cada previsao foram realizados ajustes ate chegar em um modelo que
minimize as metricas de erros. O resultado final desse processo, bem como o
formato de saıda de cada camada intermediaria podem ser observados na Tabela
3.1.
42
Tabela 3.1: Estrutura do modelo de redes neurais convolucionais associados a
memoria de longo prazo
Camada Formato de Saıda Conv-1D (None, None, 64)
Conv-1D (None, None, 32)
LSTM (None, None, 64)
DropOut (0,1) (None, None, 64)
LSTM (None, None, 32)
DropOut (0,1) (None, None, 32)
LSTM (None, None, 16)
Dense Layer (None, None, 1000)
DropOut (0,05) (None, None, 1000)
Dense Layer (None, None, 250)
Dense Layer (None, None, 125)
Output (125,1)
Para fins de avaliacao da performance do modelo proposto, foram treinados mo-
delos de benchmak, cujas arquiteturas e camadas estao descritos na Tabela 3.2.
Tabela 3.2: Estrutura dos modelos de previsao utilizados como referencia
Modelo de Previsao Estrutura Decomposicao discreta de Wavelet de nıvel 1
+ camada convolucional (64 filtros + Filtro com tamanho 2)
DWT LVL 1 + CNN + LSTM + camada convolucional (32 filtros + Filtro com tamanho 2)
+ 3 camadas de LSTM com 64, 32 e 16 neuronio
+ 3 camadas completamente conectado com 1000, 250 e 125 neuronios.
DWT LVL 4 + CNN + LSTM
Decomposicao discreta de Wavelet de nıvel 4
+ camada convolucional (64 filtros + Filtro com tamanho 2)
+ camada convolucional (32 filtros + Filtro com tamanho 2)
+ 3 camadas de LSTM com 64, 32 e 16 neuronio
+ 3 camadas completamente conectado com 1000, 250 e 125 neuronios.
CNN
Camada convolucional (64 filtros + Filtro com tamanho 2)
+ camada convolucional (32 filtros + Filtro com tamanho 2)
+ 3 camadas completamente conectado com 1000, 250 e 125 neuronios
LSTM 3 Camadas com 128, 64 e 32 neuronios
DNN 3 Camadas completamente conectadas com 1000, 500 e 250 neuronios
43
3.3.3 Recursos computacionais utilizados
Os modelos descritos nessa secao foram implementado na linguagem Python
utilizando a API Keras, com suporte do TensorFlow, sendo que seu processamento
foi realizado atraves da GPU Tesla P100-PCIE 16GB disponibilizada gratuitamente
pelo Colab da Google. Ainda, para o desenvolvimento do modelo foi utilizado as
notas de aulas do curso Sequences, Time Series and Prediction oferecido pela
Deeplearning.AI através da plataforma Coursera.
3.4 Metricas de Erros
Diante dos anseios deste trabalho de desenvolver um modelo acurado e preciso,
se faz necessario definir os criterios que serao utilizados para aferir os resultados e
compara-lo a outros modelos de referencia. Desta forma, serao adotadas as metricas
mais frequentes na literatura especializada sendo elas: Erro Absoluto Medio Per-
centual (MAPE), Erro Medio Absoluto (MAE) e Raiz Quadrada Erro do Médio
(RMSE). Tendo em vista suas caracterısticas distintas as proximas subsecoes deta-
lham a sua relevancia estatıstica.
3.4.1 Erro Medio Absoluto Percentual
O Erro Medio Absoluto Percentual e um dos principais metodos utilizados para
avaliar a qualidade de um modelo de previsao. Por ser expresso em termos per-
centuais garante uma facil compreensao do fenomeno e permite comparar modelos
aplicados a diferentes conjuntos de dados.
𝑀𝐴𝑃𝐸 = 1
𝑛∑ |
𝑦 𝑡 − ��
𝑦 𝑡
𝑛𝑡=1 | (100%) (3.8)
Onde yt e o valor real da medicao, y o valor previsto e n o numero de elementos
da serie.
44
3.4.2 Erro Medio Absoluto
O Erro Medio Absoluto expressa a distancia linear entre duas observacoes, desta
forma permite uma rapida compreensao dos erros sendo, por esse motivo, uma das
principais metricas no campo de previsao de series temporais. Todavia, diferente-
mente do MAPE, o MAE e uma medida de precisao dependente de escala, o que
inviabiliza a comparacao entre modelos aplicados em diferentes conjuntos de dados.
𝑀𝐴𝐸 = 1
𝑛∑ |𝑦
𝑡− ��𝑛
𝑡=1 | (3.9)
Onde yt e o valor real da medicao, y o valor previsto e n o numero de elementos da
serie.
3.4.3 Raiz Quadrada Media do Erro
Por sua vez, a raiz quadrada media do erro mensura a distancia quadratica
entre duas observacoes, de modo a ressaltar a magnitude dos erros presentes na
previsao. Desta forma, ao utiliza-la em conjunto com o MAE e possıvel obter um
diagnostico mais preciso sobre a variacao dos erros presentes na previsao. O RMSE
tambem e uma medida de precisao dependente de escala, o que tambem inviabiliza
a comparacao entre modelos aplicados em diferentes conjuntos de dados,
𝑀𝐴𝐸 = √ 1
𝑛∑ |𝑦
𝑡− ��𝑛
𝑡=1 | 2 (3.9)
Onde yt e o valor real da medicao, y o valor previsto e n o numero de elementos
da serie.
45
Capıtulo 4
Resultados e Discussoes
Neste capıtulo sao apresentados os resultados obtidos pelo modelo proposto bem
como as discussoes desses resultados em comparacao com modelos de referencia.
Para tal, os modelos serao comparados entre si para dois cenarios distintos: treina-
mento da rede neural com dados de apenas uma turbina e treinamento dessas redes
com dados desagregados de todas as turbinas da usina analisada. Ainda, sera reali-
zado um breve estudo de caso sobre os potenciais benefıcios do modelo proposto na
visao do agente gerador operando no mercado de curto prazo.
4.1 Estudo de Caso com apenas uma turbina
Nesta modalidade foram utilizados dados referentes a uma unica turbina, ha-
vendo 7951 observacoes, das quais 90% foram utilizados para treino e 10%
reservados para validacao, por sua vez as epochs foram definidas ate que os
resultados estabilizassem. Desta forma, as comparacoes dos resultados estao
expostas na Tabela 4.1 onde observa-se que o modelo de redes neurais convolucionais
acopladas com memoria de longo prazo apresenta o melhor resultado em comparacao
com os de- mais modelos em quase todos os parametros analisados, com excecao do
RMSE, no qual obteve uma performance ligeiramente inferior a redes neurais
profunda pura.
46
Tabela 4.1: Comparacao da performance de diferentes modelos
Modelo MAE RMSE MAPE
DWT LVL 1 + CNN + LSTM 220,30 282,19 15,68
DWT LVL 4 + CNN + LSTM 283,16 323,79 28,52
CNN + LSTM 183,92 260,87 15,28
CNN 195,21 274,00 19,38
LSTM 204,00 257,76 16,63
DNN 187,24 250,96 17,17
Nota-se tambem que ao contrario do esperado pela literatura, o modelo com
a transformada discreta de Wavelet, teve uma piora nos seus resultados ao passo que
quando o nıvel de decomposicao aumentou os resultados pioraram
significativamente. Uma hipotese para esse fenomeno pode estar relacionada a
pequenaquantidade de dados disponıveis e a enorme quantidade de ruıdos brancos
presentes na serie temporal analisada o que limitou o potencial de aprendizado do
modelo.
Tal hipotese e reforcada com base nas previsoes intermediarias presentes nas
Figuras 4.1 e 4.2. Nota-se que o modelo consegue se ajustar muito bem a
subsequencia aproximacao mas apresenta baixa eficiencia em aprender os resultados
da subsequencia detalhe, cujo sinal se assemelha muito a um ruído branco. Ainda,
a transformada divide a amostra do treino em duas series de 3995 observacoes
diminuindo o espaco amostral para treino.
Figura 4.1: Comparacao entre a previsao da subsequencia aproximacao (laranja) e o
dado real decomposto (azul)
47
Figura 4.2: Comparacao entre a previsao da subsequencia detalhe (laranja) e o dado
real decomposto (azul)
Apesar dos problemas relatados e importante destacar que os filtros da DWT
permitem que sejam criados modelos customizados para cada subsequencia, o que
poderia, em tese, melhorar a performance geral da previsao, todavia tal hipotese nao
foi explorada pelo presente trabalho. Finalmente, a Figura 4.3 traz a previsao do
modelo proposto para todo o seu conjunto de validacao, demonstrando de maneira
grafica os resultados vistos na Tabela 4.1.
Figura 4.3: Previsao da producao de potencia ativa para todo o conjunto de va-
lidacao utilizando redes neurais convolucionais e memoria de longo prazo
48
Nota-se que a previsao representa bem a serie, todavia a escala nao permite a
observacao de certos detalhes. Desta forma, a Figura 4.4 exibe apenas as primeiras
48 horas e traz Redes Neurais Profundas de modo que se possa comparar o ganho de
performance de maneira grafica.
Figura 4.4: Previsao da producao de potencia ativa para 48 horas a frente compa-
rando os modelos DNN e CNN+LSTM com os dados reais
4.1 Estudo de Caso com todas as turbinas da
Usina
Desta vez foram consideradas todas as turbinas da referida usina eolica, havendo
86667 observacoes, das quais 90% foram utilizados para o treino dos modelos e os
10% restantes foram reservadas para avaliacao da performance dos modelos. Assim
como na secao anterior, foi observado que o modelo de Redes Neurais Convolucionais
associados com memorias de longo prazo apresenta os melhores resultados com um
MAPE de 5,54%. Os demais resultados estao representados na Tabela 4.2.
49
Tabela 4.2: Comparacao da performance de diferentes modelos
Modelo MAE RMSE MAPE
DWT LVL 1 + CNN + LSTM 102,54 116,32 6,38
DWT LVL 4 + CNN + LSTM 214,56 270,82 14,99
CNN + LSTM 83,60 109,42 5,54
CNN 95,48 137,04 6,86
LSTM 90,57 102,39 6,31
DNN 213,59 236,55 13,32
A primeira coisa que chama a atencao nessa tabela e o expressivo ganho de
performance diante da abundancia de dados, o que ja era esperado conforme a lite-
ratura. Outro ponto destacavel e que alguns modelos apresentam ganhos de maiores
que outros. Observando apenas a metrica MAPE, nota-se que os modelos CNN e
CNN+LSTM apresentam os maiores ganhos de desempenho, sendo aproximada-
mente 64% mais preciso, enquanto as redes neurais profundas apresentam a menor
relacao 22%, o que ainda assim e bastante relevante.
Outro ponto a se considerar sobre esses ganhos e que eles possuem um preco:
Custo computacional. Enquanto uma CNN+LSTM com os dados de uma unica
usina executa em 7 minutos e 23 segundos a mesma arquitetura leva 1 hora e 14
minutos nas condicoes descritas nesta secao mantendo a mesma GPU. Ou seja, e
um aumento bastante expressivo.
Contudo, isto nao chega a ser um problema, visto que trata-se de um modelo
que sera utilizado por um agente gerador com acesso a capital e recursos
computacionais bastante superiores aos disponıveis para o autor deste trabalho, de
modo que o ganho de performance justifica o custo computacional.1 Por fim, assim
como na secao anterior temos a exposicao grafica dos resultados obtidos, destacando
se os ganhos de performances em relacao a Figura 4.3.
1Uma TPU chega a ser 10 vezes mais rápida que a GPU utilizada pelo autor, desta forma o tempo de execução chegaria a patamares inferiores a 7 minutos.
50
Figura 4.5: Previsao da producao de energia ativa para todo o conjunto de validacao
utilizando redes neurais convolucionais e memoria de longo prazo
A Figura 4.6 representa os mesmos dados para uma escala de tempo menor
acrescido dos resultados das redes neurais profundas permitindo uma comparacao
visual mais precisa. Destaca-se novamente os ganhos de performances, desta vez as
previsoes da CNN+LSTM sao bem mais proximos as medicoes reais.
Figura 4.6: Previsao da producao de energia ativa para 48 horas a frente comparando
os modelos DNN e CNN+LSTM com os dados reais
51
4.3 Estudo de Caso: ganho operando no mercado
de curto prazo
Diante dos resultados apresentados anteriormente, se propoe um breve exercıcio
hipotetico para investigar o potencial benefıcio financeiro ocasionado pelo aumento
da precisão do modelo. Com esse objetivo, foram escolhidos dois modelos: o
CNN+LSTM e o DNN, o primeiro foi escolhido devido a sua performance na secao
anterior e o segundo por ser um modelo de redes neurais classico amplamente
utilizado na literatura.
Adotou-se também um modelo hipotético de contrato, onde o agente gerador se
compromete a fornecer uma determinada quantia de energia com base na sua previsão de
produção para 48 horas à frente, com o preço do MWh atrelado ao PLD horário “Sombra”.
Na sequencia foi estabelecida uma data generica, apenas para ilustrar a evolucao
dos precos ao longo dos dias, sendo escolhida os dias 01/11 e 02/11 de 2019
(FIGURA 4.7).
Figura 4.7: PLD Horario ”Sombra” dos dias 01/11/2019 e 02/11/2019 (CCEE,
2020b)
Neste exemplo, caso a previsão do modelo supere a produção real para uma dada
hora, o gerador deve operar no mercado de curto prazo para adquirir a quantidade de
52
energia faltante visando cumprir o valor previamente acordado. Do mesmo modo caso a
produção seja maior que o previsto o excedente não será comercializado. Por fim, foi
considerada uma capacidade instalada hipotetica de 20 MW para ilustrar a situacao.
A Tabela 4.4 traz essa dinamica para o modelo de redes neurais profundas, onde se
observa poucas punicoes para o modelo proposto, nesse caso a receita seria de
R$35.471,00 ao final do segundo dia.
Tabela 4.3: Relacao KWh previsto e punicao para o modelo de redes neurais pro-
fundas associados a memoria de longo prazo Dia 1 Dia 2
KWh previsto Punicao (KWh) KWh Previsto Punicao (KWh) KWh previsto Punicao (KWh) KWh Previsto Punicao (KWh)
1327,29 0,00 1909,80 0,00 1.368,46 0,00 1909,77 0,00
1661,67 0,00 1909,87 0,00 1.522,91 0,00 1909,75 0,00
1880,06 0,00 1909,61 0,00 1.598,01 0,00 1909,62 0,00
1810,79 0,00 1909,76 0,00 1.574,09 0,00 1909,79 0,00
1840,29 0,00 1816,96 -5,01 1.602,63 0,00 1909,68 0,00
1894,43 0,00 1712,12 0,00 1.822,80 0,00 1638,07 -92,38
1909,83 0,00 1832,19 0,00 1.909,74 0,00 1630,48 -53,38
1909,79 0,00 1360,92 -308,93 1.909,87 0,00 1221,34 -229,29
1909,88 0,00 859,83 -438,93 1.909,76 0,00 854,37 -265,00
1910,09 0,00 777,15 -238,45 1.909,88 0,00 748,41 -107,14
1909,70 0,00 981,99 -4,98 1.909,62 0,00 772,86 0,00
1909,85 0,00 1069,52 0,00 1.909,47 0,00 1091,69 0,00
Por sua vez, a Tabela 4.3 traz essa dinamica para o modelo proposto, onde e
possıvel observar a incidencia de valores acima da garantia fısica, com 37 ocorrencias
num universo de 48 observacoes, com um valor medio de 39 KW ou 2% da energia
media produzida, o que e natural dado que o valor previsto pela CNN + LSTM sao
bem proximos das observacoes reais. Nesse exercıcio ludico a receita seria de R$
38.790,54.
Tabela 4.4: Relacao KWh previsto e punicao para o modelo de redes neurais pro-
fundas
Deste modo, aferiu-se que o modelo proposto geraria um ganho financeiro de
aproximadamente 3,3 mil reais, correspondente a 9% do valor total comercializado
no perıodo, um valor bastante expressivo.
Dia 1 Dia 2
KWh previsto Punicao (KWh) KWh Previsto Punicao (KWh) KWh previsto Punicao (KWh) KWh Previsto Punicao (KWh)
1751,52 -86,00 2060,54 -39,57 1652,66 0,00 2069,92 -30,06
1868,67 -200,54 2060,85 -38,98 1757,05 0,00 2057,47 -42,37
1991,06 -6,30 2054,91 -45,08 1723,82 0,00 2056,40 -43,62
1999,96 -28,03 2009,00 0,00 1763,44 0,00 2063,03 -36,88
2055,86 -28,24 1816,96 -75,68 1989,65 -20,21 1912,55 0,00
2073,20 -26,87 1774,40 -245,20 2056,33 -43,63 1638,07 -223,83
2073,54 -26,48 1846,44 -0,12 2073,82 -26,28 1551,74 0,00
2078,05 -22,06 1339,53 0,00 2078,39 -21,61 1086,79 0,00
2088,60 -11,74 859,83 -79,06 2075,08 -25,04 756,19 0,00
2089,76 -10,16 777,15 -120,92 2077,00 -22,85 670,20 0,00
2080,33 -19,76 981,99 -33,77 2078,90 -20,79 924,72 -122,62
2069,19 -30,84 1437,00 0,00 2065,06 -34,94 1361,34 0,00
53
Capıtulo 5
Conclusoes
Este estudo se deu no ambito de um trabalho de conclusao de curso da Univer-
sidade Federal do Rio de Janeiro e buscou desenvolver um modelo hibrido baseado
em redes neurais convolucionais e memorias de longo prazo capaz de prever com
acuracia a producao futura de energia em parques eolicos em intervalos horarios para
um horizonte futuro de 48 horas visando mitigar os riscos associados a incertezas
inerentes desta fonte energetica. Ainda, foram desenvolvidos modelos de referencias
apoiados nos modelos utilizados pela literatura para efeitos de comparacao.
Ao longo do estudo verificou-se que o modelo proposto de fato apresenta uma
performance superior aos modelos tradicionais para este conjunto de dados,
apresentando, inclusive, o maior ganho de performance com o aumento da quantidade
de dados de entrada dentre todos os modelos analisados. Destaca-se tambem que
embora, a literatura consagre o uso da decomposicao discreta de Wavelet, nao foi
observado o aumento da performance na presenca desse metodo de tratamento de
sinais, possivelmente devido à grande quantidade de ruídos presentes no dado bruto
original e na baixa capacidade de aprendizado diante das subsequencias ruidosas.
Outro ponto levantado pelo estudo relaciona o potencial ganho financeiro do
ponto de vista do agente gerador na utilizacao do modelo proposto em comparacao
com um metodo de redes neurais profundas chegando a 9% do valor total comerci-
54
alizado. Embora, seja apenas um ensaio hipotetico, os resultados reforcam os po-
tenciais ganhos economicos que o presente modelo poderia proporcionar ao agente
gerador. Importante destacar as limitacoes da previsao determinıstica que nao sao
capazes de prever com exatidao a producao futura de energia como ficou demonstrado
pelas vezes que o modelo proposto previu valores acima da producao real. Desta
forma seria interessante, em trabalhos futuros, investigar a adicao de uma
componente probabilıstica ao modelo proposto, atraves do processo gaussiano ou
outro algoritmo que o valha, de modo a fornecer uma nuvem probabilística em
intervalos de confianca que auxilie o agente a tomar as melhores decisoes.
Por fim o autor espera que este trabalho ajude a fomentar o debate a respeito da
viabilidade de uma matriz energetica mais sustentavel e sobre os benefıcios da
utilizacao de modelos preditivos como uma ferramenta de mitigacao das incertezas
associadas à operacao de usinas eolicas no Brasil.
5.1 Trabalhos Futuros
Ao longo do desenvolvimento deste trabalho foram observados potenciais desdo-
bramentos ou melhorias que poderiam ser aplicadas em trabalho futuro, tal como
aplicar modelos probabilısticos ao metodo de previsao proposto, pois diante da in-
certeza inerente da propria previsao se faz interessante estimar as incertezas em
intervalos de confiancas de modo que o gestor tenha maior visibilidade das potenci-
ais oscilacoes da producao e possa tomar decisoes mais assertivas.
Outro ponto possıvel de melhoria esta relacionado ao estudo de outras com-
binacoes de modelos preditivos para as subsequencias ’Dk’ da transformada discreta
de wavelet. Conforme observado nos resultados, o modelo proposto apresenta difi-
culdade em aprender o comportamento de series ruidosas como as encontradas nas
decomposicoes DW, desta forma se faz interessante investigar outros modelos ou
configuracoes que possam suprir essa carencia do modelo proposto e aumentar a
acuracia geral do modelo.
55
Por fim, realizar uma analise multivariada. Durante o presente trabalho foi
realizado uma modelagem univaridada, que leva em consideracao apenas os valores
passados para tracar uma previsao determinıstica. Desse modo, faz sentido investigar
se um modelo multivariado que leva em consideracao a velocidade do vento, umidade,
temperatura, presenca de instabilidades atmosfericas e outros possíveis valores que
possa gerar resultados ainda melhores.
56
( )
Referencias Bibliograficas
AGeNCIA NACIONAL DE ENERGIA ELÉTRICA. Perdas de Energia. 2015.
Disponıvel em: (https://www.aneel.gov.br/metodologia-distribuicao/-/ asset
publisher/e2INtBH4EC4e/content/perdas/654800?inheritRedirect=false)
Acesso em: 07 jun. 2020.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA. Programa de Incentivo as Fontes
Alternativas. 2017. Disponıvel em: https://www.aneel.gov.br/proinfa . Acesso em:
07 jun. 2020.
ARCE, P. E. B. Contratacao de energia no ambiente contratacao livre. Sao Carlos:
Escola de Engenharia de Sao Carlos da universidade de Sao Paulo, 2011.
ASSOCIAÇÃO BRASILEIRA DE ENERGIA EÓLICA. Eolica: Energia para um
futuro inovador. [S.l.], 2018. Acesso em: 07 jun. 2020.
ASSOCIAÇÃO BRASILEIRA DE ENERGIA EÓLICA. Numeros ABEEólica: Fe-
vereiro de 2019. [S.l.], 2019. Disponıvel em: (http://abeeolica.org.br/wp-content/
uploads/2019/02/N%C3%BAmeros-ABEE%C3%B3lica-02.2019.pdf) . Acesso em:
07 jun. 2020.
ASSOCIAÇÃO BRASILEIRA DE PCGS E CGGS. ASSUNTO: Con-
sulta Publica N° 71 - PLD Horario. 2019. Disponıvel em: (http: //www.mme.gov.br/documents/36070/896550/participacao 0.8106472086235615.
pdf/47672ba8-ee5e-f95b-4b1a-2f414b63414d). Acesso em: 07 jun. 2020.
BLOOMBERGNEF. New Energy Outlook 2019. 2019. Disponıvel em: (https:
//about.bnef.com/new-energy-outlook/).
BOUBENIA, A. et al. Modeling and simulation of a small scale wind turbine for water
pumping. Case study. 2017.
CALIFORNIA LEGISLATIVE INFORMATION. SB-350 Clean Energy and
Pollution Reduction Act of 2015. 2015. Disponıvel em: (https://leginfo.
legislature.ca.gov/faces/billNavClient.xhtml?bill id=201520160SB350).
CAMARGO-SCHUBERT ENGENHEIROS ASSOCIADOS. Atlas eolico: Bahia.
Salvador, 2013.
CARL ELKIN AND SIMS WITHERSPOON. Machine learning can boost the value of
wind energy. 2019. Disponıvel em: (https://deepmind.com/blog/article/ machine-
learning-can-boost-value-wind-energy). Acesso em: 07 jun. 2020.
57
(
(
CENTRO DE PESQUISAS DE ENERGIA ELeTRICA. Atlas do Potencial
Eolico Brasileiro: Simulacoes 2013. Rio de Janeiro, 2017.
CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELeTRICA. Camara
de Comercializacao supera 7 mil agentes e atinge marca historica. 2018.
Disponıvel em: https://www.ccee.org.br/portal/faces/pages publico/
noticias-opiniao/noticias/noticialeitura?contentid=CCEE 640173& afrLoop=
21062249101115& adf.ctrl-state=10esjt9ze 263#!%40%40%3Fcontentid%
3DCCEE 640173%26 afrLoop%3D21062249101115%26 adf.ctrl-state%
3D10esjt9ze267). Acesso em: 07 jun. 2020.
CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA. Mercado Li-
vre tem reducao de requisitos para consumidores livres e mercado re- gulado prepara
leilao inedito. 2019. Disponıvel em: (https://www.ccee.org.br/
relatoriodeadministracao/30-mercado-10.html). Acesso em: 07 jun. 2020.
CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA. Entenda o
mercado e a CCEE. 2020a. Disponıvel em:(https://www.ccee.org.br/portal/
faces/pages publico/como-participar/participe/entenda mercado? afrLoop=
144218338871891& adf.ctrl-state=f6mn41h3w 18#!%40%40%3F afrLoop%
3D144218338871891%26 adf.ctrl-state%3Df6mn41h3w 22) . Acesso em: 07 jun.
2020.
CÂMARA DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA. Preco
Horario Sombra. 2020b. Disponıvel em: https://www.ccee.org.br/portal/faces/
pages publico/o-que-fazemos/como ccee atua/precos/preco sombra? afrLoop=
109143234582290& adf.ctrl-state=1b4kuw7eiy 14#!%40%40%3F afrLoop%
3D109143234582290%26 adf.ctrl-state%3D1b4kuw7eiy 18) . Acesso em: 07 jun.
2020.
EDP SaO PAULO. Contribuicao a Consulta Publica MME no 071/2019:
Preco Horario no Mercado de Energia. 2019. Disponıvel em:
(http://www.mme.gov.br/documents/36070/896550/participacao 0.
34004159075903784.pdf/0eb33d0a-e8ad-3ea2-1e49-e8cb2ba033fa) . Acesso em: 07
jun. 2020.
EMPRESA DE PESQUISA ENERGÉTICA. Balanço Energético
Nacional|Ano base 2018 . 2019a. Disponıvel em (https://www.epe.gov.br/sites-
pt/publicacoes-dados-abertos/publicacoes/PublicacoesArquivos/publicacao-377/topico-
494/BEN%202019%20Completo%20WEB.pdf). Acesso em: 07 jun. 2020.
EMPRESA DE PESQUISA ENERGÉTICA. Leiloes de Energia
Eletrica de 2019. 2019b. Disponıvel em: (http://www.epe.gov.br/sites-
pt/ publicacoes-dados-abertos/publicacoes/PublicacoesArquivos/publicacao-451/
Informe\%20Leil\%C3\%B5es\%202019 v3.pdf). Acesso em: 07 jun. 2020.
EPOCA NEGoCIOS. Fase de grandes hidreletricas chega ao fim. 2018.
Disponıvel em: (https://epocanegocios.globo.com/Brasil/noticia/2018/01/ fase-
de-grandes-hidreletricas-chega-ao-fim.html). Acesso em: 07 jun. 2020.
EUROPEAN COMMISSION. Public engagement and acceptance in the planning and
implementation of European electricity interconnectors. 2019. Disponıvel em:
(https://www.ccee.org.br/portal/faces/pages publico/ o-que-fazemos/como ccee
58
(
) (
atua/precos/preco sombra? afrLoop=109143234582290& adf.ctrl-state=1b4kuw7eiy
14#!%40%40%3F afrLoop%3D109143234582290%
26 adf.ctrl-state%3D1b4kuw7eiy 18). Acesso em: 07 jun. 2020.
EUROPEAN WIND ENERGY ASSOCIATION. The Economics of Wind
Energy: A report by the european wind energy association. Bruxelas, 2009.
G1. Mais de 36 horas apos apagao, milhares continuam sem agua no Rio e em SP.
2009. Disponıvel em: (http://g1.globo.com/Sites/Especiais/Noticias/0,
,MUL1376394-17814,00.html). Acesso em: 07 jun. 2020.
G1. Liminar da Justica Federal do Para suspende leilao de Belo Monte. 2010.
Disponıvel em: http://g1.globo.com/Noticias/Economia Negocios/0,
,MUL1569845-9356,00-LIMINAR+DA+JUSTICA+FEDERAL+DO+PARA+
SUSPENDE+LEILAO+DE+BELO+MONTE.html). Acesso em: 07 jun. 2020.
G1. Operadores dizem que energia eolica ficara mais cara
devido a decisao da Aneel; agencia contesta. 2019. Dis-
ponıvel em: (https://g1.globo.com/economia/noticia/2019/10/12/
operadores-dizem-que-energia-eolica-ficara-mais-cara-devido-a-decisao-da-aneel-ag\ encia-contesta.ghtml). Acesso em: 07 jun. 2020.
GONZALEZ-CASTELLANOS, A. et al. Economic Impact of Wind Generation
Penetration in the Colombian Electricity Market. 2018.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning: Adaptive
computation and machine learning series. [S.l.]: MIT Press, 2016.
GRAPS, A. An introduction to wavelets. IEEE Comput. Sci. Eng., IEEE Com- puter Society Press, Washington, DC, USA, v. 2, n. 2, p. 50–61, jun 1995. ISSN 1070-9924.
Disponıvel em: (https://doi.org/10.1109/99.388960).
HARARI, Y. N. Sapiens: Uma breve historia da humanidade. [S.l.]: L&PM, 2015.
HUGHES, T. P. Networks of power: electrification in western society, 1880- 1930.
Baltimore, Maryland: Johns Hopkins University Press, 1983.
INSTITUTO ACENDE. Leiloes no Setor Eletrico Brasileiro: Analises e re-
comendacoes. Sao Paulo, 2012. Disponıvel em: http://www.acendebrasil.com.br/
media/estudos/2012 WhitePaperAcendeBrasil 07 Leiloes Rev2.pdf . Acesso em: 07
jun. 2020.
IRENA. Electricity Storage and Renewables: Cost and Markets to 2030. Abu Dhabi,
2017.
JAIN, P. Complete Guide of Activation Functi-ons. 2019. Disponıvel em:
(https://towardsdatascience.com/complete-guide-of-activation-
functions34076e95d044). Acesso em: 07 jun. 2020.
MACEDO, L. D. de. Producao de energia eletrica por fonte eolica no Brasil e aspectos
de seu impacto na regiao Nordeste e Rio Grande do Norte. Tese (Doutorado) —
Universidade Estadual de Campinas, Instituto de Economia, Campinas - SP, 2015.
Disponıvel em: (http://repositorio.unicamp.br/jspui/handle/
59
) (
MENDES, S. da C. Transformada de Wavelet aplicada a proteccoes digi- tais.
Dissertacao (Mestrado) — Faculdade de Engenharia da Universidade do Porto, Porto,
Maio 2008.
MINISTeRIO DE MINAS E ENERGIA. Plano decenal de Expansão de Energia 2029.
2019. Disponıvel em: (https://www.epe.gov.br/sites-pt/publicacoes-dados-
abertos/publicacoes/Documents/PDE%202029.pdf). Acesso em: 07 jun. 2020.
MINISTeRIO DO MEIO AMBIeNTE. UHE BELO MONTE: Perguntas e res-
postas. 2010. Disponıvel em: (https://www.mma.gov.br/estruturas/182/ arquivos/
faq belomonte 182.pdf). Acesso em: 07 jun. 2020.
REPOSIP/286450).
MINISTeRIO PuBLICO FEDERAL NO PARa. MPF/PA: Ibama arquiva licenciamento da hidreletrica Sao Luiz do Tapajos.
2016. Disponıvel em: mpf.mp.br/pa/sala-de-imprensa/noticias-pa/
ibama-arquiva-licenciamento-da-hidreletrica-sao-luiz-do-tapajos . Acesso em: 07
jun. 2020.
MORETTO, E. M. et al. Historico, tendencias e perspectivas no planejamento es-
pacial de usinas hidreletricas brasileiras: a antiga e atual fronteira amazonica. Am-
biente e Sociedade, v. 15, n. 3, p. 141–164, 2012.
MORONEY, Laurence. Sequences, time series and prediction: Semana 4. Notas de
Aula Online.
OLAH, C. Understanding LSTM Networks. 2015. Disponıvel em: (https://
colah.github.io/posts/2015-08-Understanding-LSTMs/). Acesso em: 07 jun. 2020.
OLIVEIRA, H.; FERREIRA, J. Energia eolica e desenvolvimento regional no semiarido
do Rio Grande do Norte: uma proposta de analise. 2019. 11 p.
OLIVEIRA, N. C. C. D. A grande aceleracao e a construcao de barragens
hi- dreletricas no brasil. Varia Historia, v. 34, n. 65, p. 315–346, 2018.
OPERADOR NACIONAL DO SISTEMA. Series Historicas de Vazao. 2013.
Disponıvel em: (www.ons.org.br). Acesso em: 17 ago. 2013.
OPERADOR NACIONAL DO SISTEMA. Geracao eolica bate novo recorde e atende
98% da carga do nordeste. 2018a. Disponıvel em: (http://www.ons.org.
br/Paginas/Noticias/20180821-Recordeeolica.aspx). Acesso em: 07 jun. 2020.
OPERADOR NACIONAL DO SISTEMA. O sistema interligado
Nacional. 2018b. Disponıvel em: (http://www.ons.org.br/paginas/sobre-o-sin/ o-
que-e-o-sin). Acesso em: 07 jun. 2020.
OPERADOR NACIONAL DO SISTEMA. Capacidade instalada no
Sin - 2020 - 2024. 2019. Disponıvel em: (http://www.ons.org.br/paginas/
sobre-o-sin/o-sistema-em-numeros). Acesso em: 07 jun. 2020.
REN21. Renewables 2016: Global Status Report. France, 2016.
RITCHIE, H.; ROSER, M. Energy Production & Changing Energy Sources. 2018.
60
) (
Disponıvel em: (https://ourworldindata.org/ energy-production-and-changing-
energy-sources).
SAHA, S. A Comprehensive Guide to Convolutional Neural Networks
— the ELI5 way. 2018. Disponıvel em: ( towardsdatascience.com/
a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53) .
Acesso em: 07 jun. 2020.
SCHIERMEIER, Q. Germany Enlists Machine Learning to Boost Renewa- bles
Revolution. 2016. Disponıvel em: (https://www.scientificamerican.com/
article/germany-enlists-machine-learning-to-boost-renewables-revolution/).
SILVA, A. J. V. de C. Potencial Eolico Offshore no Brasil: Localizacao de Areas Nobres atraves de Analise Multicriterio. Dissertacao (Mestrado) — UFRJ/COPPE/Programa Planejamento Energetico, Rio de Janeiro, feb 2019.
SILVA, N. F. da et al. Wind energy in brazil: From the power sector’s expansion crisis model to the favorable environment. Renewable and Sustainable Energy Reviews, v.
22, p. 686 – 697, 2013. ISSN 1364-0321. Disponıvel em: (http://www.
sciencedirect.com/science/article/pii/S1364032113000105).
SIMAS, M.; PACCA, S. Energia eolica, geracao de empregos e desenvolvimento
sustentavel. Estudos Avancados, scielo, v. 27, p. 99 – 116, 2013. ISSN 0103- 4014.
Disponıvel em: (http://www.scielo.br/scielo.php?script=sci arttext&pid=
S0103-40142013000100008&nrm=iso).
SMIL, V. Energy and Civilization – A History. [S.l.]: MIT Press, 2017.
STATISTA. Leading countries in installed renewable energy capacity worldwide in
2018. 2019. Disponıvel em: (https://noticias.uol.com.br/cotidiano/
2009/11/11/ult5772u6082.jhtm,urlaccessdate=).
TELLES, P. C. da S. Historia da engenharia no Brasil. Rio de Janeiro: Clube de
Engenharia, 1993.
THE INTERNATIONAL RENEWABLE ENERGY AGENCY. Coun-
try Rankings. 2019. Disponıvel em: https://www.irena.org/Statistics/
View-Data-by-Topic/Capacity-and-Generation/Country-Rankings . Acesso em: 07
jun. 2020.
TOLMASQUIM, M. Power Sector Reform in Brazil. Rio de Janeiro: SYNER- GIA
EDITORA, 2012.
UNEP. Global Trends in Renewable Energy Investment 2019. 2019.
UNFCCC. Kyoto Protocol to the United Nations Framework Convention on Climate
Change. 1998.
UOL NOTICIAS. 18 Estados foram afetados pelo apagao, diz ministerio,
que atribui causa ao tempo. 2009. Disponıvel em: (https://noticias.uol.com.br/
cotidiano/2009/11/11/ult5772u6050.jhtm). Acesso em: 07 jun. 2020.
WANG, F. et al. Wavelet Decomposition and Convolutional LSTM Networks
Based Improved Deep Learning Model for Solar Irradiance Forecasting.
61
(
Applied Sciences, v. 8, p. 1286, 08 2018.
WANG, H. zhi et al. Deep learning based ensemble approach for pro- babilistic
wind power forecasting. 2017. 56 - 70 p. Disponıvel em: (http:
//www.sciencedirect.com/science/article/pii/S0306261916317421).
WILLIAMS, R. Implanted Magnetic Probes Measure Brain Activity. 2017.
Disponıvel em: https://www.the-scientist.com/modus-operandi/ implanted-
magnetic-probes-measure-brain-activity-30195 . Acesso em 07 jun. 2020.
62
‘Copyr ight [2020] [ João Guilherme Angs tmann]
L icensed under the Apache License, Version 2 .0 ( the "License" ); you may not use th i s f i le except in compl iance wi th the License .
You may obta in a copy of the License at
h t tp: / /www.apache .org / l icenses/LICENSE -2 .0
Unless requi red by applicable law or agreed to in wr i t ing , sof tware d ist r ibuted under the License i s d i s tr ibu ted on an "AS IS" BASIS,
WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, e i ther express or implied .
See the License for the spec if ic language governing permissions and l imi ta t ions under the License.
Par t o f th i s code was based on the course Sequences , T imes Ser ies and Predic t ion a lso under Apache Lisence 2 .0
Copyr igh t [2020?] [Deeplearning .AI] ’
import tensorflow as tf
from keras. layers import Dropout
import numpy as np
import pandas as pd
# Divide os dados em janelas
def windowed_ dataset ( series , window_size ,
batch_size , shuffle_ buffer ):
series = tf. expand_ dims( series , axis = -1)
ds = tf. data. Dataset. from_ tensor_ slices ( series)
ds = ds. window ( window_ size + 1 , shift =1 , drop_ remainder =
True) ds = ds. flat_map ( lambda w: w. batch ( window_ size + 1))
ds = ds. shuffle( shuffle_ buffer )
ds = ds. map( lambda w: ( w[:-1], w [1:]))
return ds. batch ( batch_size). prefetch (1)
def model_ forecast ( model , series , window_ size):
ds = tf. data. Dataset. from_ tensor_ slices ( series)
ds = ds. window ( window_size , shift =1 , drop_ remainder =
True) ds = ds. flat_map ( lambda w: w. batch ( window_ size))
ds = ds. batch (32). prefetch (1)
forecast = model. predict( ds)
return forecast
Apendice A
Codigo Fonte
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
63
25 # Importa os dados
26 df= pd. read_ excel( ’. xlsx ’, header = None)
27 df = df [1][1:]
28 Data = df. values
29 Data = Data. astype( ’ float32 ’)
30 Data = Data. reshape (( len( Data), 1))
31
32 # Normaliza
33 from sklearn . preprocessing import Min Max Scaler
34 scaler = Min Max Scaler ( feature_ range =(0 , 1))
35 series = scaler. fit_ transform ( series)
36 print( series. shape)
37 series = series. ravel ()
38
39 # Divide o conjunto em treino e validacao
40 split_ time = int( len( series)*0.9)
41 time = np. arange( len( series))
42 time_train = time [: split_ time]
43 x_train = series [: split_time]
44 time_valid = series[ split_ time :]
45 x_valid = series[ split_time :]
46
47 # tratamento dos dados
48 window_ size = 24
49 batch_ size = 24
50 shuffle_ buffer_ size = 1000
51 train_set = windowed_ dataset ( x_train , window_size ,
batch_size , shuffle_ buffer_ size )
52
53 # Modelo proposto
54 model = tf. keras. models. Sequential ([
55 tf. keras. layers. Conv1D ( filters =64 , kernel_ size =2 ,
56 strides =1 , padding =" causal",
57 activation =" relu",
58 input_ shape = [ None , 1]),
59 tf. keras. layers. Conv1D ( filters =32 , kernel_ size =2 ,
60 strides =1 , padding =" causal",
61 activation =" relu"),
62 tf. keras. layers. LST M (64 , return_ sequences = True),
64
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
Listing A.1: Modelo de Redes Neurais Convolucionais Associados a
Longo Prazo
Memoria de
tf. keras. layers. Dropout (0.1) ,
tf. keras. layers. LST M (32 , return_ sequences = True),
tf. keras. layers. Dropout (0.1) ,
tf. keras. layers. LST M (16 , return_ sequences = True),
tf. keras. layers. Dense (1000 , activation =" relu"),
tf. keras. layers. Dropout (0.05) ,
tf. keras. layers. Dense (250 , activation =" Relu"),
tf. keras. layers. Dropout (0.05) ,
tf. keras. layers. Dense (125 , activation =" relu"),
tf. keras. layers. Dense (1 , activation =" relu")
])
model. compile( loss= tf. keras. losses. MSE ,
optimizer= ’ adam ’, metrics = [ ’ mae ’])
# fit do modelo
history = model. fit( train_set , epochs =110 , callbacks =[ lr_ schedule
])
# Previsao
rnn_ forecast = model_ forecast ( model , series [... , np. newaxis],
window_ size)
rnn_ forecast = rnn_ forecast [ split_time - window_ size :-1 , -1 , 0]
series1 = np. reshape( rnn_forecast ,( len( rnn_ forecast ) ,1))
series1 = scaler. inverse_ transform ( series1 )