Exercícios de projeto de previsão de carga

Exercícios de projeto de previsão de carga

Michael Douglas C. da Silva

Acadêmico de Engenharia Elétrica

[e-mail]

Universidade Federal do Pampa – Campus Alegrete

1. Faça um resumo dos principais métodos utilizados na projeção de séries temporais. Duas publicações abordam especificamente as novas técnicas e foram disponibilizadas no Moodle.

A importância das séries temporais só vem crescendo nos últimos anos principalmente para engenheiros e pesquisadores das áreas de exatas.

Pode se definir como uma série temporal um conjunto de informações colhidas de forma periódica. Assim, o pesquisador poderá ver o comportamento de tal fenômeno dentro de um determinado período podendo assim de tal forma prever algum acontecimento não prejudicando seus resultados.

1. Redes neurais artificiais

Estes modelos de algoritmo são baseados no modelo biológico do funcionamento dos neurônios.

Uma RNA se assemelha ao cérebro em 2 motivos:

• Capita informações para seu ambiente por meios de aprendizagem;
• Forças de conhecimento dos neurônios, conhecidos como pesos sinápticos são utilizados para armazenamento de dados.

Uma característica muito importante é o seu processo de aprendizagem que a partir do meio onde a rede se encontra, ela aprende como melhorar o seu desempenho caso o projetista determine, sem a necessidade de um “professor”.

Estes processos de aprendizagem se dividem em três:

• Aprendizagem supervisionada: Precisa de um supervisor monitorando externamente suas respostas.
• Aprendizagem não-supervisionada: Não necessita de um supervisor, tendo sua saída elaborada de uma maneira independente sendo gerada somente pelas relações dos dados de entrada.
• Aprendizado por reforço: Considerado como um paradigma entre os outros dois métodos de aprendizagem citados pois o conjunto de treinamento será formado somente pelos vetores de entrada, mas existe um crítico externo em substituição ao supervisor do aprendizado supervisionado

1.  Lógica nebulosa

        

É uma teoria matemática que permite modelar o modo aproximado do raciocínio humano, imitando assim a habilidade de tomada de decisão em meio a uma incerteza e imprecisão.

Métodos de previsão de Séries temporais

•  Algoritmo de Wang – Mendel

Este algoritmo provê um método genérico do método das nebulosas que combina informações para uso em previsão de séries temporais.

É formado por cinco passos:

1. Divisão dos dados de entrada e de saída em conjuntos fuzzy;
2. Geração das regras fuzzy;
3. Definição de um grau para cada regra gerada;
4. Composição da base de conhecimento
5. Defuzzificação (Previsão de valores futuros).

Os quatro primeiros passos compõe a etapa de treinamento, já o quinto passo realiza a partir da base obtida a previsão propriamente dita.

Todas as regras geradas são armazenadas, porem as regras conflitantes são excluídas sendo preservada aquelas que possuem um maior grau de parentesco.

Para a previsão dos valores futuros, os dados de entrada são recebidos e a base de conhecimento é aplicada onde um processo de defuzzificação combina as saídas das regras ativadas e calcula o valor previsto pelo método do centro de massa.

        

• Algoritmo Backpropagation

Este algoritmo vem do fato de que as derivadas parciais das funções custo em relação aos parâmetros livres da rede são determinados por retropropagação dos sinais de erro através da rede, camada por camada.  

A retropopagação pode ser descrita por dois passos computacionais: processamento para frente e o processamento para trás.

• Métodos baseados em médias

Estes métodos não oferecem informações sobre o grau de confiança da previsão, pois não utilizam uma regressão para estimar o modelo. Por esse motivo, eles não permitem que se calcule o erro-padrão e nem que se descreva o componente estocástico ou não explicado da série temporal.

Elas se subdividem em alguns métodos sendo:

1. Média Móvel simples (MMS): previsão para o período t, imediatamente futuro, é obtida tomando-se a média aritmética dos n valores reais da demanda imediatamente passados.

1. Média Móvel ponderada (MMP): Também usa n valores para a composição da média. As componentes da série de dados recebem pesos que refletem, geralmente, uma maior importância dada aos valores mais recentes da demanda.

1. Simples Suavização Exponencial (SSE): deve ser utilizado na ausência do componente de tendência, pois se a série tem uma tendência para cima, esse modelo irá tender a subestimar os valores previstos; se a série tem tendência para baixo, irá tender a superestimar esse valor (Pindyck & Rubinfeld, 2004). Segundo Gaither e Frazier (2001), esse método toma a previsão do período anterior e adiciona um ajuste (constante α ) para obter a previsão para o próximo período. Esse ajuste é a proporção do erro da previsão verificada no período anterior, que é computada pela multiplicação do erro de previsão por uma constante com valores entre 0 e 1. . Essa constante α (alfa) é chamada de constante de suavização ou “smoothing”. A sistemática desse método, segundo Makridakis et al.. (1998), se resume no fato de que, quando o valor de α está próximo de 1, a nova previsão incluirá um ajuste substancial para os erros da última previsão; quando entretanto, α está mais próximo de zero, a nova previsão incluirá um ajuste bem pequeno. O princípio básico desse método, então, é que o erro passado é usado para corrigir a nova previsão na direção oposta tomada por esse mesmo erro passado. Esse processo de auto ajuste persiste até que esse erro seja totalmente corrigido.

1. Dupla Suavização Exponencial (DSE):  Morettin e Toloi (2004) afirmam que os métodos de média vistos anteriormente “não são adequados para analisar séries temporais que apresentem tendência”. Gaither e Frazier (2001) (apud Bacci, 2007) reiteram que os modelos de médias MMS, MMP e SSE são apropriados para o planejamento e previsão de curto prazo, onde sazonalidade e tendência não são fatores importantes. Contudo, quando se considera previsão de médio prazo, a sazonalidade e a tendência tornam-se fatores importantes. A incorporação do componente de tendência dentro do método de previsão SSE é chamado de “Double Exponential Smoothing” ou (Holt’s Method) (Ragsdale, 2004) pelo fato de tanto o nível (média) como a tendência serem ambas suavizadas. Além da constante α (constante de suavização para a média ou nível), é utilizada no modelo uma constante δ (teta)5 para modelar a tendência da série (Bacci, 2007).

1. Holt-Winters Exponential Smoothing (HW), segundo Newbold (1994), é uma extensão do método DSE, com a diferença de considerar, além da suavização do nível e da tendência, a suavização da sazonalidade para realizar a previsão. O método HW, dessa forma, é baseado em três equações de suavização: uma para suavizar o nível, outra para tendência, e uma última para suavizar a sazonalidade. Existem dois métodos diferentes de HW, dependendo se a sazonalidade é modelada de forma aditiva ou se é modelada de forma multiplicativa: o Holt-Winter’s multiplicativo (HWM) e Holt-Winter’s Aditivo (HWA) (Makridakis et al.., 1998).

• Métodos Naive (MN)

Por Makridakis et al. (1998), a previsão através desse método é obtida com esforço e manipulação mínimos, pois é baseada somente na informação mais recente disponível. Como exemplo de um desses métodos pode-se citar aquele que usa somente a observação mais recente disponível como sendo a própria previsão para o período imediatamente futuro.