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





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.


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





Junho/2020



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


June/2020

Advisors: Heloisa Teixeira Firmo


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 comparando

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¿.

http://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 capacidade 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 centrais 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 nacional. 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 estruturas

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 geradores

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 mecanismos 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


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


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


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


𝑗)𝑗 (2.9)

Onde, b, U e W continuam representando, respectivamente, o vies, peso de entrada

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)




Dense Layer (None, None, 1000)




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



+ 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)


+ 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 demais 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.

https://www.aneel.gov.br/proinfa

https://www.aneel.gov.br/metodologia-distribuicao/-/asset_publisher/e2INtBH4EC4e/content/perdas/654800?inheritRedirect=false



https://www.aneel.gov.br/proinfa

http://abeeolica.org.br/wp-content/uploads/2019/02/N%C3%BAmeros-ABEE%C3%B3lica-02.2019.pdf

http://abeeolica.org.br/wp-content/uploads/2019/02/N%C3%BAmeros-ABEE%C3%B3lica-02.2019.pdf

http://www.mme.gov.br/documents/36070/896550/participacao_0.8106472086235615.pdf/47672ba8-ee5e-f95b-4b1a-2f414b63414d



https://about.bnef.com/new-energy-outlook/

https://about.bnef.com/new-energy-outlook/

https://leginfo.legislature.ca.gov/faces/billNavClient.xhtml?bill_id=201520160SB350

https://leginfo.legislature.ca.gov/faces/billNavClient.xhtml?bill_id=201520160SB350

https://deepmind.com/blog/article/machine-learning-can-boost-value-wind-energy



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 regulado 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

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%3D10esjt9ze_267

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






https://www.ccee.org.br/relatoriodeadministracao/30-mercado-10.html

https://www.ccee.org.br/relatoriodeadministracao/30-mercado-10.html

(https:/www.ccee.org.br/portal/

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







http://www.mme.gov.br/documents/36070/896550/participacao_0.34004159075903784.pdf/0eb33d0a-e8ad-3ea2-1e49-e8cb2ba033fa

http://www.mme.gov.br/documents/36070/896550/participacao_0.34004159075903784.pdf/0eb33d0a-e8ad-3ea2-1e49-e8cb2ba033fa

http://www.epe.gov.br/sites-pt/publicacoes-dados-abertos/publicacoes/PublicacoesArquivos/publicacao-451/Informe/%20Leil/%C3/%B5es/%202019_v3.pdf




https://epocanegocios.globo.com/Brasil/noticia/2018/01/fase-de-grandes-hidreletricas-chega-ao-fim.html





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/

http://g1.globo.com/Noticias/Economia_Negocios/0%2C%2CMUL1569845-9356%2C00-LIMINAR%2BDA%2BJUSTICA%2BFEDERAL%2BDO%2BPARA%2BSUSPENDE%2BLEILAO%2BDE%2BBELO%2BMONTE.html

http://www.acendebrasil.com.br/media/estudos/2012_WhitePaperAcendeBrasil_07_Leiloes_Rev2.pdf






http://g1.globo.com/Sites/Especiais/Noticias/0%2C%2CMUL1376394-17814%2C00.html

http://g1.globo.com/Sites/Especiais/Noticias/0%2C%2CMUL1376394-17814%2C00.html




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



https://doi.org/10.1109/99.388960



https://towardsdatascience.com/complete-guide-of-activation-functions-34076e95d044



http://repositorio.unicamp.br/jspui/handle/REPOSIP/286450

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

hidreletricas 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.

https://www.mma.gov.br/estruturas/182/_arquivos/faq_belomonte_182.pdf

https://www.mma.gov.br/estruturas/182/_arquivos/faq_belomonte_182.pdf

http://repositorio.unicamp.br/jspui/handle/REPOSIP/286450

https://colah.github.io/posts/2015-08-Understanding-LSTMs/

https://colah.github.io/posts/2015-08-Understanding-LSTMs/

http://www.ons.org.br/

http://www.ons.org.br/Paginas/Noticias/20180821-Recordeeolica.aspx

http://www.ons.org.br/Paginas/Noticias/20180821-Recordeeolica.aspx

http://www.ons.org.br/paginas/sobre-o-sin/o-que-e-o-sin



http://www.ons.org.br/paginas/sobre-o-sin/o-sistema-em-numeros

http://www.ons.org.br/paginas/sobre-o-sin/o-sistema-em-numeros

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.

https://www.irena.org/Statistics/View-Data-by-Topic/Capacity-and-Generation/Country-Rankings


https://ourworldindata.org/energy-production-and-changing-energy-sources



https://www.scientificamerican.com/article/germany-enlists-machine-learning-to-boost-renewables-revolution/

https://www.scientificamerican.com/article/germany-enlists-machine-learning-to-boost-renewables-revolution/

http://www.sciencedirect.com/science/article/pii/S1364032113000105


http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-40142013000100008&nrm=iso

http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-40142013000100008&nrm=iso

https://noticias.uol.com.br/cotidiano/2009/11/11/ult5772u6082.jhtm%2C%20urlaccessdate%3D

https://noticias.uol.com.br/cotidiano/2009/11/11/ult5772u6082.jhtm%2C%20urlaccessdate%3D



https://noticias.uol.com.br/cotidiano/2009/11/11/ult5772u6050.jhtm

https://noticias.uol.com.br/cotidiano/2009/11/11/ult5772u6050.jhtm

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.

https://www.the-scientist.com/modus-operandi/implanted-magnetic-probes-measure-brain-activity-30195






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. LST M (16 , return_ sequences = True),

tf. keras. layers. Dense (1000 , activation =" relu"),


tf. keras. layers. Dense (250 , activation =" Relu"),


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 )

Otimização de operações em plantas eólicas no Brasil...

Documents

Transcript of Otimização de operações em plantas eólicas no Brasil...