Abstract— This work proposes the development of a computational tool that goal at forecasting the daily generation capacity of electric power in a distributed system based on micro generators that use renewable and seasonal sources. In the specific case, wind and photovoltaic microgenerators are used, which can be found in smart homes. The forecasting tool is based in Extreme Learning Machine (ELM) which is an artificial neural network model. The parameter selection implemented for ELM is based on the Particle Swarm Optimization (PSO). The forecasting system used the mathematical models of the seasonal micro-generators and a meteorological database of the geographic region where the distributed system is located. The tests performed indicate that the Mean Square Error Root (REQM) of the forecast is 7.3 percent.

Keywords— Electric Power Systems, Demand Forecasting,

Artificial Neural Networks, Distributed Generation, Smart Home.

I. INTRODUÇÃO ALTERAÇÃO do paradigma energético surgiu com a inclusão dos conceitos de Redes Inteligentes (ou Smart Grids) e de Geração Distribuída (GD), onde geradores de

baixa potência, geralmente baseados em fontes alternativas de energia, são encontrados em unidades consumidoras [1].

As Smart Grids são microrredes dotadas de sistemas de comunicação e controle entre seus elementos, propiciando o uso otimizado da energia produzida, melhorando, inclusive, a qualidade da energia e a eficiência da rede elétrica.

Para desenvolver um projeto em Smart Grid são necessários conhecimentos específicos em, por exemplo, geração, transmissão e distribuição de energia, técnicas de sensoriamento, monitoramento e supervisão de grandezas físicas e econômicas, além do conhecimento em transmissão de dados em uma rede geograficamente distribuída, e de técnicas de armazenamento e processamento de grandes volumes de informações [2].

Um dos problemas a ser tratado em uma Smart Grid é o Gerenciamento pelo Lado da Demanda (GLD) (ou Demand Side Management (DSM)), permitindo um maior controle do

H. R. O. Rocha, Universidade Federal do Espírito Santo (UFES), São

Mateus, Espírito Santo, Brasil, helder.rocha@ufes.br. L. J. Silvestre, Universidade Federal do Espírito Santo (UFES), São

Mateus, Espírito Santo, Brasil, leonardo.silvestre@ufes.br. W. C. Celeste, Universidade Federal do Espírito Santo (UFES), São

Mateus, Espírito Santo, Brasil, wanderley.celeste@ufes.br. D. J. C. Coura, Universidade Federal do Espírito Santo (UFES), São

Mateus, Espírito Santo, Brasil, daniel.coura@ufes.br. L. O. Rigo Jr., Universidade Federal do Espírito Santo (UFES), São

Mateus, Espírito Santo, Brasil, luis.rigo@ufes.br. (Corresponding author: H. R. O. Rocha)

usuário sobre o seu consumo de energia, promovendo o uso eficiente da energia elétrica [3].

No GLD com micro-geração, a previsão da capacidade de geração interna e da energia elétrica demandada pelos dispositivos consumidores de energia elétrica é de grande importância para uma eficiente minimização de custos e maximização de benefícios. Trata-se de um problema complexo, que requer a utilização de, por exemplo, técnicas de análise de dados e de modelos de previsão.

Neste trabalho são considerados dois microgeradores baseados em fontes de energia renovável, sendo um eólico e um fotovoltaico. Embora o uso de tais microgeradores tem sido cada vez mais evidente, eles trazem um aspecto incômodo para um sistema de geração distribuído que é o fato de serem fontes intermitentes, sendo influenciados por parâmetros climáticos como temperatura ambiente, velocidade do vento, umidade do ar, pressão, nebulosidade e irradiação solar. A previsão dessa capacidade de geração pode ser realizada por técnicas de Inteligência Artificial que fazem uso das informações climáticas, tais como as Redes Neurais Artificiais (RNAs), as quais são modelos computacionais que permitem simular o funcionamento do sistema nervoso central (cérebro), que tem a capacidade de aprender e reconhecer padrões [4].

Neste contexto, o presente trabalho tem como principal objetivo realizar a previsão da capacidade de geração de energia com 24 horas de antecedência de um microgerador, a partir de informações climáticas, tais como: temperatura ambiente, velocidade do vento, umidade do ar, pressão e irradiação solar, permitindo assim um possível planejamento da demanda residencial para o dia seguinte. A RNA escolhida com este objetivo é a Extreme Learning Machine (ELM), que tem alta velocidade de aprendizagem e boa capacidade de generalização, adequando-se perfeitamente ao problema aqui abordado. O procedimento de escolha dos parâmetros da RNA foi realizado através da meta-heurística Particle Swarm Optimization (PSO).

Este artigo está organizado de tal forma que na Seção II mostra-se o que vem a ser o Sistema de Gerenciamento e Controle da Curva de Demanda (SGCCD). A Seção III descreve um dos modelos possíveis para uma micro GD (µGD). A Seção IV detalha o Sistema de Aprendizagem, o qual é baseado na rede neural ELM e no Algoritmo PSO. A Seção V apresenta os resultados, enquanto que na Seção VI são feitas as considerações finais.

II. SISTEMA DE GERENCIAMENTO E CONTROLE DE CURVA DE DEMANDA (SGCCD)

H. R. O. Rocha, L. J. Silvestre, W. C. Celeste, D. J. C. Coura, L. O. Rigo Jr.

Forecast of Distributed Electrical Generation System Capacity Based on Seasonal Micro

Generators using ELM and PSO

A

1136 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 4, APRIL 2018

O GLD é um campo da tecnologia que inclui medidas que buscam reduzir os picos de consumo e a demanda total de energia, melhorar a confiabilidade da rede, aumentar a eficiência energética através de um melhor balanceamento da rede, gerenciar os gastos com energia, proporcionar um maior controle dos equipamentos, favorecer a geração distribuída, aumentar a utilização e o fator de carga das unidades geradoras, e proporcionar o deslocamento de carga quando o sistema estiver operando próximo à capacidade de geração [3].

Com o advento do conceito Smart Grid, o GLD tem ganhado cada vez mais força, devido, principalmente, à superação de algumas barreiras tecnológicas, tais como processamento em tempo real, altas taxas de tráfego de dados, alta quantidade de dados para armazenamento e processamento, entre outras. É possível encontrar algumas definições na literatura para o conceito Smart Grid, que, por ser um ramo tecnológico ainda em formação, tem permitido agregar novas formas de definição. Neste sentido, neste trabalho, uma Smart Grid é vista como sendo uma microrrede (microgrid) autônoma, isto é, com capacidade para tomar suas próprias decisões. Dentre tais decisões, cita-se como exemplo o GLD. Assim, a Smart Grid, como aqui definida, prevê algo além de demanda. Prevê possibilidade de geração interna, possibilidade de decidir quando e como usar a energia da rede pública, a possibilidade de o usuário estabelecer seus limites de consumo de energia e de conhecer em detalhes tanto do que está consumindo cada carga de sua microrrede quanto do que ela é capaz de gerar.

Um dos problemas existentes na GLD quando inserida nesta definição de Smart Grid, é que pode haver uma capacidade interna de geração de energia que, em geral, baseia-se em geradores que se utilizam de fontes sazonais e intermitentes de energia. É o caso, por exemplo, dos geradores fotovoltaicos cuja capacidade de geração está associada à presença de radiação solar, ou dos geradores eólicos, que são capazes de gerar energia elétrica quando a velocidade do vento está dentro de limites muito bem definidos. Logo, um sistema GLD eficiente deve contar com um sistema capaz de prever a capacidade de geração interna, com foco na minimização/maximização da relação custo/benefício, sendo este o principal objetivo deste trabalho.

O sistema de previsão de demanda, que inclui a previsão da capacidade de geração, para energia renovável a ser implementado faz parte de um Sistema de Gerenciamento e Controle de Curva de Demanda (SGCCD) proposto em [5]. Pode-se observar na Fig. 1 a existência de três blocos fundamentais, a saber:

• Unidade de Gerenciamento e Controle (UGC); • Unidade Consumidora (UC); e • Rede Pública (RP). De acordo com a Fig. 1, a UGC recebe as seguintes

informações: geração interna, que representa a quantidade de energia gerada pela Smart Grid; disponibilidade financeira, que representa o quanto o consumidor pode ou quer gastar com a compra de energia; energia comprada, que é a energia fornecida por uma concessionária via RP; tarifa corrente, que é o valor instantâneo pago pela energia adquirida da RP; e energia consumida nos ramais da UC.

UNIDADE DE GERENCIAMENTO E

CONTROLE

Rede Pública

UNIDADE CONSUMIDORA

Geração interna

Disponibilidade financeira

Energia comprada

Energia consumida nos ramais

Atuação on/off em ramais

Atuação on/off na entrada da smart grid

Tarifa SMART GRID

Figura 1. Sistema de Gerenciamento e Controle de Curva de Demanda (SGCCD).

A Fig. 2 apresenta um diagrama de blocos que detalha o

sistema de geração interna de energia elétrica (micro GD ou µGD) quando baseada em fontes sazonais. Na figura, mostra-se que a geração interna de energia é devido a uma µGD composta por k ε Ζ+ microgeradores, os quais se baseiam em fontes sazonais (que dependem de variáveis meteorológicas) para fornecer potência elétrica. Logo, depara-se aqui com o problema de previsão de capacidade de geração interna da µGD. As seções seguintes mostram uma forma de como resolver tal problema, isto é, na Seção III é apresentado o modelo matemático de uma µGD, bem como o conjunto de variáveis meteorológicas para atender tal modelo, enquanto que na Seção IV é apresentado um sistema de aprendizado baseado em técnicas de inteligência artificial.

G1

G2

Gk

Variáveis meteorológicas

Geração Interna

Micro GD

Figura 2. Micro GD sazonal.

III. MICRO GD SAZONAL

Nesta seção são abordadas as modelagens matemáticas para a obtenção das potências geradas pela micro GD (µGD), cuja potência total é dada por

1

)( ∑=

=GGGD

N

kkPP

(1)

onde k é o índice que identifica um determinado gerador de uma µGD (vide Figura 2), NG é o número de geradores de uma µGD e PG é a potência gerada por um gerador da µGD.

Assim, para o caso específico considerado neste trabalho, NG=2, de modo que PG(1) = Pf (potência fornecida pelo gerador fotovoltaico) e PG(2) = Pe (potência fornecida pelo gerador eólico). As subseções a seguir apresentam os respectivos modelos matemáticos para os dois geradores aqui

OLIVEIRA ROCHA et al.: FORECAST OF DISTRIBUTED 1137

considerados, bem como o conjunto de variáveis meteorológicas necessárias para alimentar o modelo.

A. Modelo do painel fotovoltaico

Pode-se observar na literatura alguns modelos matemáticos para painéis fotovoltaicos, dentre os quais está o proposto por [6], e que será considerado neste trabalho porque considera que a eficiência do painel varia para diferentes pontos de operação. O modelo em questão é dado por:

)1( IVFFNPP fG ×××==

(2)

sendo que

×IV/×IVFF= ×T-KV=V

-T+KII= r,/-N+r= TT

scocmppmpp

cvoc

ci sc

otac

⎪⎪

⎩

⎪⎪

⎨

⎧

)()(

] )25([]80)20[(

(3)

onde: N - é o número de painéis; Tc - é a temperatura do painel fotovoltaico (oC); Ta - é a média da temperatura ambiente (oC); Not - é a temperatura nominal de operação da célula (oC); I - é a corrente na célula (A); r - é irradiação solar (kW/m2); Isc - é a corrente de curto circuito da célula (A); Ki - é o coeficiente de corrente/temperatura (A/ oC); V - é a tensão no módulo fotovoltaico (V); Voc - é a tensão de circuito aberto do módulo (V); Kv - é o coeficiente de tensão/temperatura (V/ oC); FF - é o fator de forma (adimensional); Vmppt - é a tensão no ponto de máxima potência (V); Imppt - é a corrente no ponto de máxima potência (A).

B. Modelo da turbina eólica

Modelos matemáticos de turbinas eólicas permitem avaliar a capacidade de geração de energia elétrica em função da velocidade do vento disponível em um determinado local. A literatura descreve várias formas de modelagem de geradores eólicos, sendo que a curva de potência polinomial obtida a partir do método dos mínimos quadrados é o mais usualmente empregado [7]. Logo, optou-se neste trabalho pelo uso do modelo dado na Equação (4), o qual é obtido em [8], onde o autor aplicou tal método para descrever uma turbina eólica com controle de stall.

Vi

VVVVa

VV

PP

o

oii

i

i

eG

⎪⎪⎩

⎪⎪⎨

⎧

≥

∑=

<≤×

<≤

==

V 0,

9

1 ,

0 ,0

)2(

(4)

onde V é a velocidade do vento, Vi e Vo são os limites mínimo (cut-in) e máximo (cut-out) de velocidade do vento, que definem a faixa de operação da turbina, e ai (i=0,1,2,...9) são os coeficientes do polinômio.

Para determinar os coeficientes do polinômio, utilizou-se os dados obtidos no manual da turbina eólica e a ferramenta polyfit do software Matlab.

C. Variáveis meteorológicas

Para o modelo de µGD apresentado nas subseções A e B, faz-se necessário o uso de alguns dados comumente encontrados em estações meteorológicas como, por exemplo, velocidade do vento e temperatura ambiente. Para que se possa alcançar o objetivo de previsão de capacidade de geração interna via uso da modelagem matemática apresentada nesta seção e do sistema de previsão apresentado na Seção IV, é necessário o conhecimento do histórico meteorológico na região onde funciona a µGD, o que, em geral, não é um grande problema, pois as estações meteorológicas normalmente são capazes de armazenar tal histórico.

IV. SISTEMA DE PREVISÃO DE GERAÇÃO INTERNA A. Extreme learning machine (ELM)

Máquinas de Aprendizado Extremo, ou do inglês Extreme Learning Machines (ELM) [9], são um tipo relativamente recente de Rede Neural Artificial (RNA) que possuem capacidade para realizar classificação multiclasses e regressão, e têm se mostrado bastante adequadas para tratar de problemas que envolvam conjuntos de dados incompletos, informação distorcida e problemas complexos.

Dentre as principais características de uma ELM, pode-se citar a alta velocidade de aprendizagem e a boa capacidade de generalização, sendo sua estrutura composta por apenas uma camada escondida, ou seja, é uma SLFN (Single Layer Feedforward Neural Network). Seu princípio baseia-se em projetar aleatoriamente os padrões de entrada em um espaço de alta dimensão (camada escondida) - isto é, os pesos e termos de polarização da camada escondida recebem valores aleatórios, segundo uma distribuição uniforme -, calculando os pesos da camada de saída de forma analítica [9], por meio da inversa generalizada (pseudo-inversa). Por não ser iterativo, o treinamento de uma ELM é, normalmente, muito mais rápido do que o de RNAs tradicionais, como aquelas treinadas com o algoritmo de retropropagação de erros (backpropagation) [10].

O processo de aprendizado de uma RNA do tipo ELM pode ser demonstrado por meio da manipulação de matrizes. Para tanto, considere: um conjunto de n padrões de entrada para o treinamento, representado pela matriz X, onde cada padrão possui m atributos (assim temos uma matriz de [n x m]); a saída desejada desses padrões representada pelo vetor Y (com n elementos); uma matriz de pesos da camada escondida da rede, representada por Z, com dimensões [n x p] onde p é o número de neurônios na camada escondida da rede neural, inicializada com valores aleatórios; e, finalmente, a saída da rede neural, representada por H e calculada pela equação:

),( ZXH ψ=

(5)

1138 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 4, APRIL 2018

onde ψ(.,.) é a função de ativação que pode ou não ser diferenciável.

A matriz de pesos da camada de saída, represntada por Wp

X 1, é calculada por meio da pseudo-inversa de H, HT, isto é

YHW T ×=

(6)

A partir do cálculo da matriz W, para encontrar a saída da rede, faz-se

^WHY ×=

(7)

Assim, o erro de treinamento é igual a

^YYE −=

(8)

A saída testY^

para o conjunto de padrões de teste Xtest é dada por

^WHY testtest ×=

(9)

onde Htest é a projeção dos padrões de teste na camada escondida, dada por

)( ZXH testtest ×=ψ

(10)

B. Método de ajuste da ELM

A escolha da arquitetura ótima para uma ELM pode ser formulada como um problema de otimização no espaço de possíveis topologias, considerando parâmetros como função de ativação, número de neurônios na camada escondida, os pesos e os biases da camada de entrada. Para avaliar o resultado da escolha da arquitetura da rede, utilizam-se métricas aplicadas sobre o erro no conjunto de treinamento da ELM (obtido pela Equação 8).

Várias técnicas de otimização estão disponíveis na literatura. Muitas delas poderiam ser usadas para definir os parâmetros ótimos da ELM aqui proposta. Neste artigo será usada a técnica de otimização por Enxame de Partículas (Particle Swarm Optimization - PSO), pois trata-se de uma ferramenta que explora adequadamente o espaço de busca e converge rapidamente para uma solução ótima [11-13]. O PSO é um método estocástico baseado no comportamento coletivo, onde indivíduos (partículas) da população (enxame) trocam informações entre si e também interagem com o ambiente para alcançar um objetivo específico.

As partículas são distribuídas aleatoriamente num espaço de soluções e possuem também uma velocidade associada, que indica sua tendência de movimento. Essa velocidade depende de três termos: termo da inércia, que é a tendência para seguir a própria direção com a mesma velocidade; termo cognitivo, que força a partícula a voltar a uma posição anterior que seja melhor do que a atual; e termo de aprendizado social, que força a partícula a seguir a direção de seus melhores vizinhos. Com essas informações, a posição e velocidade de cada partícula são atualizadas a cada iteração do algoritmo. O

procedimento de movimento das partículas ocorre até o enxame convergir para uma solução ótima.

No PSO implementado neste trabalho, a configuração ou formato das partículas é dinâmico, pois depende do número de neurônios na camada escondida da rede neural. O primeiro elemento da partícula representa esse número de neurônios, como pode ser observado no algoritmo a seguir:

Algoritmo do PSO

Passo 1: Iniciar as variáveis do enxame de partículas. • x representa a posição de uma partícula e é constituído

pelo número de neurônios na camada escondida – Nesc=p, função de ativação FuncAti ∈ {sigmoide, degrau, base radial, seno, base triangular}, pesos da camada escondida (w1,w2,...,wm x Nesc) e bias da camada escondida (b1,b2,...,bNesc);

• m e mn são os números de atributos e o número máximo de neurônios;

• U é um vetor d-dimensional de números aleatórios uniformemente distribuídos entre 0 e 1;

• xmin é o menor valor da variável x que compõe uma possível solução;

• xmax é o maior valor da variável x que compõe uma possível solução;

• Dim é a dimensão máxima das partículas; • xi=xmin+(xmax-xmin)U, ∀ i=1,...,Dim; • vi=(xmax-xmin)U-xi, ∀ i=1,...,Dim, é a velocidade; • Pbesti=0 representa a melhor localização da partícula; • Gbest=0 representa a melhor localização do enxame; • Pbestfuni=0; • Gbestfuni=0; • N é o tamanho do enxame; • w = 1/(2*log(2)) é a ponderação da inércia; • c1=0.5 + log(2) representa o parâmetro cognitivo; • c2=c1 representa o parâmetro social.

Passo 2: Calcular o valor da função-objetivo f(x) para todas as partículas considerando a quantidade de neurônios na camada escondida.

• O vetor Pbesti recebe a posição atual de cada partícula;

• O vetor Pbestfuni recebe o valor da função-objetivo da partícula;

• Gbest recebe a posição da melhor partícula do enxame;

• Gbestfun recebe a função-objetivo da melhor partícula do enxame.

Passo 3: Atualizar as posições e velocidades das partículas de acordo com as equações a seguir:

vi=w*vi+c1.rand().(Pbest-xi)+c2.rand().(Gbest-xi)), ∀ i=1,...,(x1 x m)+2

xi=xi+vi; ∀ i=1,...,(x1 x m)+2 vj=w* vj +c1.rand().(Pbest-xj)+c2.rand().(Gbest- xj)),

∀ j=(Dim - mn)+1...,(Dim - mn)+ x1 xj = xj +vj; ∀ j=(Dim - mn)+1...,(Dim - mn)+ x1

Passo 4: Calcular o valor da função-objetivo f(x) para todas

OLIVEIRA ROCHA et al.: FORECAST OF DISTRIBUTED 1139

as partículas considerando a quantidade de neurônios na camada escondida. Passo 5: Para cada partícula, comparar o valor da função-objetivo atual com o valor de Pbesti. Caso o atual seja melhor, Pbesti recebe a posição atual e Pbestfuni recebe o valor da função-objetivo atual. Passo 6: Encontrar o melhor valor objetivo entre as partículas atuais e comparar com o Gbest. Caso haja melhora, Gbest recebe a posição e Gbestfun recebe a função-objetivo da melhor partícula. Passo 7: Repetir o processo a partir do Passo 3 até que uma condição de parada seja encontrada.

V. RESULTADOS

Para a realização dos experimentos computacionais com a rede neural ELM, foram obtidos dados de uma estação meteorológica, localizada no Campus de São Mateus da Universidade Federal do Espírito Santo (UFES). Tratam-se de dados meteorológicos medidos de hora em hora, entre os dias 01/01/2014 a 20/06/2016, correspondendo a 21.648 padrões de entrada. Cada padrão contém as seguintes variáveis:

• Data; • Hora (UTC); • Temperatura média (ºC ); • Umidade Relativa média (%); • Pressão média (hPa); • Velocidade do vento (m/s); • Direção do vento; • Rajada do vento (m/s); • Irradiação (kW/m2).

Inicialmente, foi simulada a potência gerada com base nos dados de cada padrão de entrada, medido pela estação meteorológica, através das Equações (2) e (4). Para esta simulação, foi considerada uma micro GD com potência de pico total de 2,56 kW, sendo 1 kW relativo da turbina eólica e 1,56 kW relativo de um arranjo de 6 painéis fotovoltaicos.

Em seguida, os valores de potência total foram deslocados em 24 horas, formando um padrão completo, contendo: dados meteorológicos medidos pela estação no dia D hora k (entrada da rede ELM); potência total simulada no dia D+1 hora k (saída desejada da rede ELM). Após esta etapa, descartou-se os padrões que possuíam dados ausentes, restando 20.208 padrões.

Finalizando o pré-processamento dos dados, foi realizada a normalização dos dados de entrada e de saída, no intervalo entre 0 e 1, em função dos limites mínimos e máximos identificados para cada variável. Em sequência, os dados foram separados em dois conjuntos: treinamento (80%) e teste (20%).

O conjunto de treinamento foi dividido e utilizado em dois momentos: para seleção da arquitetura da rede neural através do algoritmo PSO (75% do conjunto de treinamento); e, posteriormente, para a calibração final dos pesos e bias da rede neural ELM (25% do conjunto de treinamento). Como arquitetura resultante do processo de treinamento, temos: uma

rede com 159 neurônios na camada escondida; neurônios com função de ativação sigmoide; uma matriz de pesos [9x159]; e, com um bias associado a cada neurônio.

O conjunto de teste foi utilizado para medição da qualidade das previsões geradas pela rede neural ELM-PSO. Sendo utilizadas as seguintes métricas, para análise dos resultados: Erro Quadrático Médio (EQM); Raiz do Erro Quadrático Médio (REQM); e Erro Médio (EM). A ELM-PSO resultante apresentou EQM=0,00536, REQM=0,0732 e EM=0,04305.

As Fig. 3 e 4 apresentam dois exemplos comparativos (selecionados aleatoriamente) entre a demanda apresentada pelo modelo matemático usando os dados meteorológicos reais e a prevista pela ELM otimizada com o método PSO, onde se observa uma pequena discrepância entre as curvas obtidas.

Figura 3. Previsão do dia 25/01/2015.

Figura 4. Previsão do dia 26/05/2016.

A Fig. 5 mostra a regressão linear simples entre os valores previstos (eixo X) e os valores reais (eixo Y) para a ELM-PSO. Os coeficientes da regressão α=0,84 e β=0,016 especificam, respectivamente, a inclinação da reta e o ponto onde a ela intercepta o eixo Y. A partir da regressão, pode-se observar a aderência dos resultados obtidos para a RNA, revelada pela coincidência das linhas (vermelha e preta). Esses

1140 IEEE LATIN AMERICA TRANSACTIONS, VOL. 16, NO. 4, APRIL 2018

são sinais de que a escolha gera uma modelagem de previsão de boa qualidade, na qual os erros são minimizados.

Figura 5. Regressão para a ELM.

A Tabela II mostra a eficiência da ELM com ajuste de

parâmetros pela Metaheurística PSO e ELM tradicional onde foram feito vários testes com diferentes configurações e o melhor resultado foi obtido com 110 neurônios e função de ativação Sigmoide. Na Tabela II se observa um ganho de 9,93% no erro da ELM-PSO quando comparado com a ELM tradicional. Observa-se também um aumento em cerca de 44% no número de neurônios necessários e um grande aumento no tempo de ajuste da rede.

TABELA II

COMPARATIVO ENTRE ELM-PSO E ELM TRADICIONAL

Tipo Neur. REQM Tempo (seg.) ELM 110 0,0813 1,12

ELM-PSO 159 0,0732 106,00

VI. CONCLUSÃO

O uso de uma rede neural Extreme Learning Machine (ELM) mostrou-se satisfatório na previsão da capacidade de geração de energia de um micro GD (eólica + fotovoltaica) com 24 horas de antecedência.

O artigo além de demonstrar a eficiência da rede neural para previsão da geração distribuída, também traz contribuição no ajuste de parâmetros da ELM baseado na Metaheurística Particle Swarm Optimization (PSO) usando o conceito de partículas dinâmicas. A metodologia (ELM-PSO) teve um melhor desempenho quando comparado com a ELM tradicional (parâmetros escolhidos aleatoriamente).

Os testes realizados indicam que a Raiz do Erro Quadrático Médio (REQM) da previsão usando a ELM-PSO é de 7,3 porcento. Quanto ao tempo de execução da ELM-PSO a um aumento significativo no tempo de treinamento em relação ao ELM tradicional. Isto não representa um problema da metodologia, tendo em vista que o treinamento é off-line.

AGRADECIMIENTOS

Os autores agradecem o apoio do CNPq, Proc. 443384/2014-2 e a da FAPES, Proc. 67651259/14.

REFERÊNCIAS [1] T. Ackermann, G. Anderson, L. Soder, Distributed generation: a

definition, Electrical Power System Research, vol. 57, no.3, pp. 195–204, 2001.

[2] N. Hadjsaïd and J. Sabonnadière, Smart Grids, John Wiley & Sons, Inc., 2012.

[3] C.W. Gellings, The concept of demand-side management for electric utilities, Proceedings of the IEEE, vol. 73, no.10, pp. 1468–1470, 1985.

[4] C. P. B. Chupong, Forecasting power output of PV grid connected system in Thailand without using solar radiation measurement, Energy Procedia, vol. 9, pp. 230–237, 2011.

[5] J. Terci and al., Demand Planning in Smart Homes, IEEE Latin America Transactions, vol. 14, no. 7, pp. 3247–3255, 2016.

[6] A. Y. Abdelaziz, Y. G. Hegazy, W. El-Khattam and M. M. Othman, Optimal allocation of stochastically dependent renewable energy based distributed generators in unbalanced distribution networks, Electric Power Systems Research, Vol. 119, pp. 34-44, 2015.

[7] C. Carrillo, A.F. Obando Montaño, J. Cidrás, E. Díaz-Dorado, Review of power curve modelling for wind turbines, Renewable and Sustainable Energy Reviews, Vol. 21, pp. 572-581, 2013.

[8] R. Fiorotti, Metodologia para Determinar a Potência Firme das Unidades de Geração Distribuída e sua Aplicação no Processo de Previsão de Demanda das Redes de Distribuição de Energia Elétrica, Universidade Federal do Espírito Santo, 2015.

[9] G. Huang, H. Zhou, X. Ding and R. Zhang, Extreme Learning Machine for Regression and Multiclass Classification, Trans. Sys. Man Cyber. Part B, Vol. 42, no. 2, pp. 513-529, 2012.

[10] S. Haykin, Redes neurais: princípios e prática, Porto Alegre: Bookman, pp. 1-900, 2001.

[11] J. Kennedy and R. Eberhart, Particle Swarm Optimization, Proc. IEEE Int.Conf. on Neural Networks, no. 4, pp. 1942-1948, 1995.

[12] V. F. Arruda and R. A. Krohling, Otimização via enxame de partículas para treinamento de redes neurais artificiais do tipo ELM: Um estudo de caso para predição de séries temporais. Anais do XLVIII Simpósio Brasileiro de Pesquisa Operacional, 2016.

[13] Y. Xu and Y. Shu, Evolutionary Extreme Learning Machine - Based on Particle Swarm Optimization, In Advances in Neural Networks - ISNN 2006, Lecture Notes in Computer Science, Vol. 3971, pp. 644-652, 2006.

Helder Roberto de Oliveira Rocha possui graduação em Engenharia Elétrica e doutorado em Computação pela Universidade Fluminense em 2002 e 2015. É professor da Universidade Federal do Espírito Santo.

Leonardo Jose Silvestre possui graduação em Ciência da Computação pela Universidade Federal de Viçosa (2003), mestrado em Informática pela Universidade Federal do Espírito Santo (2005) e doutorado em Engenharia Elétrica pela Universidade Federal de Minas Gerais (2015). Atualmente é da Universidade Federal do Espírito Santo. Wanderley Cardoso Celeste possui graduação e doutorado em Engenharia Elétrica pela Universidade Federal do Espírito em 2002 e 2009. Atualmente é professor adjunto do Departamento de Computação e Eletrônica (DCEL), na Universidade Federal do Espírito Santo.

Daniel José Custódio Coura possui graduação e mestrado em Engenharia Elétrica pelo Instituto Nacional de Telecomunicações (1998, 2004) e doutorado em Engenharia Elétrica pela Universidade Federal do Espírito Santo (2009). É professor da Universidade Federal do Espírito Santo. Luís Otávio Rigo Júnior Possui doutorado em Engenharia de Sistemas e Computação pela Universidade Federal do Rio de Janeiro (2011). Atualmente é professor do Departamento de Computação e Eletrônica (DCEL), UFES

OLIVEIRA ROCHA et al.: FORECAST OF DISTRIBUTED 1141