Forecasting Natural Gas Consumption using ARIMA Models and
Transcrição
Forecasting Natural Gas Consumption using ARIMA Models and
Forecasting Natural Gas Consumption using ARIMA Models and Artificial Neural Networks C. V. Cardoso and G. L. Cruz Abstract— Production and distribution activities in natural gas systems are performed by producer and distributor companies, respectively. Producer companies are responsible for attending the demands of the local distributor companies while distributor companies are responsible for leading the gas to the final consumers. The producer adjusts its production capacity, daily, considering the availability of the gas transportation pipelines network and the demands from consumers. Consequently, the distributor companies are forced to forecast, in the early hours, the total gas volume to be consumed during the whole day. If the gas consumed exceed the forecasted limits penalties are applied to the distributor companies. In this paper, three approaches for natural gas consumption forecasting are implemented and examined: The time series model Autoregressive Integrated Moving Average (ARIMA), the Artificial Neural Networks (ANNs) and a Hybrid Methodology combining these two techniques. Data from a northeast Brazilian distributor company has been used for validating the proposed forecasting algorithms. Keywords— ARIMA, ANN, Artificial Neural Networks, Gas Consumption Forecasting. O I. INTRODUÇÃO gás natural possui um amplo leque de aplicações, podendo ser utilizado, por exemplo, como combustível, nos segmentos veicular, industrial, comercial e residencial [1]. Adicionalmente, nos últimos anos a sua participação tem se incrementado significativamente na matriz energética. O sistema de beneficiamento deste recurso abrange dois tipos de empresas: as produtoras e as distribuidoras. Assim, as empresas produtoras são responsáveis por suprir a demanda de gás natural das empresas distribuidoras locais. Uma vez que o produtor ajusta a sua capacidade produtiva em função da disponibilidade dos dutos de transporte, dos gasodutos e das demandas dos centros consumidores, os contratos de fornecimento, frequentemente, incluem cláusulas que obrigam as distribuidoras a realizar a programação diária do consumo de gás. A programação diária, nesse contexto, é a previsão do volume total de gás natural que será retirado no dia, a qual é normalmente calculada nas primeiras horas e comunicada ao produtor. Caso, no final do dia, as empresas distribuidoras retirem um volume de gás fora dos limites fixados com relação ao valor previsto, são aplicadas multas [2]. Motivadas pela necessidade de evitar multas, as distribuidoras de gás natural têm criado metodologias empíricas para a determinação do volume gás a ser consumido ____________________________ C. V. Cardoso, Universidade Federal de Sergipe (UFS), São Cristovão, Sergipe, Brasil, [email protected] G. L. Cruz, Sergas Sergipe Gás S. A., Aracaju, Sergipe, Brasil, [email protected] em cada ponto da rede com certa antecedência, dentro da menor margem de erro possível. No ambiente acadêmico, a maioria das pesquisas realizadas sobre previsão de consumo nas distribuidoras de gás aponta para a utilização de Redes Neurais Artificiais (RNAs). Essa preferência justifica-se pela capacidade que as RNAs têm de lidar com fenômenos não lineares, predominando o uso das RNAs do tipo feedforward [1]-[3]-[4]. Como outros tipos de RNAs utilizadas de forma similar, destacam-se: RNAs do tipo recorrentes [5]; RNAs adaptativas [6]; e inclusive RNAs combinadas com a lógica Fuzzy [7]. Os primeiros trabalhos de previsão de consumo de gás, considerando dados reais, constataram uma evidente relação entre o consumo de gás natural e as condições climáticas. Esses trabalhos relatam a aplicação de técnicas de previsão, maiormente RNAs, em lugares muito frios, nos quais os sistemas de aquecimento residencial utilizam gás natural. Assim, variáveis como a temperatura e/ou a velocidade dos ventos exercem influência direta sobre o consumo de gás [4][8]-[9]. Adicionalmente, a literatura também apresenta a utilização de métodos estatísticos como, por exemplo, a metodologia Box-Jenkins ou o modelo ARIMA para a previsão de séries temporais [10]. No contexto da previsão de consumo de gás utilizando esse modelo, podemos mencionar as seguintes referências: [11]-[12]-[13]. Este trabalho tem como principal objetivo a aplicação de técnicas de previsão de consumo de gás em uma empresa distribuidora de gás localizada no Nordeste brasileiro, onde as temperaturas são elevadas na maior parte do ano. Sendo os sistemas de climatização baseados em ar condicionado, alimentados pela rede elétrica convencional, a influência climática não constitui um fator preponderante no consumo de gás. Além disso, é o consumo industrial que representa a maior parte do consumo total de gás nas companhias distribuidoras dessa região. Considerando essas particularidades, o presente estudo analisa três abordagens distintas de previsão de consumo de gás: por modelos de séries temporais do tipo ARIMA; por Redes Neurais Artificiais (RNAs); e implementando uma metodologia híbrida dessas duas técnicas. Para o estudo de caso, foram utilizados os dados de uma distribuidora de gás natural, situada no Nordeste brasileiro. O restante do artigo é organizado da seguinte forma: na seção II e III serão abordadas, respectivamente, as metodologias de previsão bem como os índices avaliação de desempenho das previsões utilizadas. A seção IV é dedicada a apresentar e discutir os resultados e finalmente a seção V resumirá as conclusões do trabalho. II. MÉTODOS DE PREVISÃO Nesta seção são introduzidos os seguintes métodos de previsão: Previsão por Modelos Estatísticos – ARIMA; Previsão por Redes Neurais Artificiais; e. Previsão pelo Método Híbrido. A. PREVISÃO POR MODELOS ESTATÍSTICOS - ARIMA Como técnica de previsão por modelos estatísticos, foi utilizada a metodologia conhecida como Box-Jenkins ou ARIMA – Autoregressive Integrated Moving Average. De uma forma resumida, podemos afirmar que, para um processo estacionário, no modelo ARIMA, o valor futuro de uma variável, representado por uma série temporal é uma função linear das observações passadas e do erro aleatório, conforme pode ser observado na equação apresentada a seguir [13]: (1) = + + +⋯ + − − −⋯ Onde, e , são , respectivamente, o valor da variável e o ruído aleatório no instante t; (i=1,2,…p) e (j=0,1,2,…q) são os parâmetros do modelo; p e q são inteiros e se referem respectivamente à ordem, tanto da parcela auto-regressiva quanto da parcela de média móvel do modelo. Neste modelo, , como uma variável considera-se o erro aleatório, independente, identicamente distribuído com média igual a zero e variância constante. A família ARIMA abrange os seguintes modelos: Modelo Auto-regressivo AR. Também denominado de puramente auto-regressivo, é definido quando q=0 na Equação 1. A aproximação de uma série temporal pelo modelo AR é realizada quando os valores futuros possuem uma relação linear com as componentes passadas da série temporal. Modelo de Média Móvel MA. Definido quando p=0 na Equação 1, sendo q a ordem do modelo. Este modelo reflete uma relação linear entre as componentes passadas do erro aleatório e a previsão dos próximos valores da série temporal. Modelo Auto-regressivo de Média Móvel ARMA – Autoregressive Moving Average. Definido para p e q diferentes de zero na Equação 1. Este modelo, na aproximação da série temporal, superpõe os dois anteriores, AR e MA. Modelo ARIMA - Auto-regressivo Integrado de Média Movél. É possível definir este modelo através da Equação 2, que representa a generalização da Equação 1, e também abrange processos ou séries não estacionárias. Assim, o ARIMA é definido como um modelo onde a Série Temporal é submetida a um processo de diferenciação, cuja ordem é representada por d. Este processo de diferenciação tem como objetivo remover as tendências e estabilizar a variância antes da aplicação os modelos anteriormente descritos. (2) = ∆ + ∆ A metodologia Box-Jenkins está constituída por estas três etapas interativas: identificação do modelo, estimação de parâmetros e verificação. Na primeira etapa é realizada a identificação do modelo, que é escolhido principalmente de acordo com a análise da Autocorrelação ACF e da Autocorrelação Parcial PACF que são, tradicionalmente, as principais ferramentas de análise nesta fase. Resumidamente, são identificados: p, d e q. Na segunda etapa são estimados os coeficientes auto-regressivos (i=1,2,…p) e (j=1,2,…q), normalmente através de uso do método dos mínimos quadrados. Na terceira etapa é verificado o ajuste do modelo proposto à série original em análise. Caso o ajuste não seja satisfatório, o ciclo iterativo de análise é reiniciado até que o modelo se ajuste adequadamente, possibilitando então a realização das previsões de consumo. Na Fig. 1 é apresentado o ajuste realizado, utilizando um modelo do tipo auto-regressivo. Nesta Figura também é possível observar que a série original do período de treinamento é similar à série prevista, sendo a diferença representada por uma curva de erro, cujo comportamento se assemelha a um ruído branco, inclusive com uma ACF próxima de zero. Figura 1. Exemplo de ajuste do modelo (gráfico superior), erro de ajuste de Modelo (gráfico central) e Autocorrelação do erro de ajuste (gráfico inferior) [14]. x1 x2 Pesos sinápticos Sinais de Entrada b x1 w1 w2 xm Variáveis de Entrada bias Σ Θ Saída wm Camada Entrada Camada Oculta Camada de Saída Variáveis de Saída y1 x2 y2 xm yn Combinador Função de Linear Disparo Figura 2. Estrutura de um neurônio e um exemplo de uma RNA com uma camada oculta. B. PREVISÃO POR REDES NEURAIS ARTIFICIAIS As RNAs podem ser definidas como sistemas de B. processamento fundamentados nas redes neuronais biológicas, asB.quais podem ser implementadas tanto em hardware como em software e são capazes de lidar com problemas abstratos ouB.pouco definidos [15]. Na Fig. 2 é possível observar uma representação da B. unidade de processamento das RNAs, conhecida como neurônio, e um exemplo estrutural de uma RNA comum a camada de entrada de m variáveis, uma camada oculta e uma camada de saída de n variáveis. Como observado na Fig. 2, um neurônio artificial pode ser modelado matematicamente com base nas equações 3 e 4, apresentadas a seguir: (3) = = ( + ) semana, que está sendo previsto (D), é incluído no vetor de entradas da rede. Por exemplo, se está sendo realizada a previsão de uma segunda-feira, o código terá todos os seus componentes correspondentes iguais a zero, com exceção do componente correspondente a segunda-feira, que será igual a um (Fig. 4). (4) A Equação 3 representa a combinação linear das entradas . Por e seus respectivos pesos sinápticos de entrada outro lado, a Equação 4 define a função de disparo ( + )que pode ser do tipo sigmoide ou do tipo tangente hiperbólica, ambas utilizadas no presente trabalho. Do ponto de vista da arquitetura, as RNAs podem ser de dois tipos: RNAs alimentadas em avanço (feedforward), nas quais o processamento segue um sentido único, ou seja, o fluxo da informação vai das entradas em direção às saídas através das camadas da rede. RNAs recorrentes (feedback), nas quais não existe um sentido para o processamento da informação, existindo processos realimentados. As aplicações de previsão utilizam frequentemente RNAs do tipo feedfoward, com algoritmo de aprendizagem denominado backpropagation, que é o tipo utilizado no presente trabalho. Neste tipo de RNA é importante definir quais são as variáveis que serão usadas como entradas e quais serão usadas como saídas. Isso permitirá definir o número de neurônios da camada de entrada e da camada saída, respectivamente. Adicionalmente, para cada modelo deve ser pesquisada a configuração de rede que permita uma melhor previsão. Para tanto, é necessário realizar as seguintes atividades: escolher o número de camadas ocultas, o número de neurônios em cada camada e a porcentagem de dados do banco de dados históricos que será usada para o processo de aprendizado e a porcentagem que será usada para a validação do desempenho da rede. Na metodologia utilizada neste estudo, a seleção das entradas da rede neural é realizada de duas formas: 1) Rede Neural Padrão. Este modelo, chamado de Rede Neural Artificial Padrão (RNA Pt), tem como entrada: um vetor com os valores reais de consumo de 1:00 am às 11:00 am do dia corrente e um vetor com os 24 valores de consumo do dia anterior. Dessa forma, a camada de entrada da rede terá 35 neurônios e a saída da rede estará constituída pela previsão dos 24 valores do dia corrente. Com essa configuração, será possível definir a previsão de 11 valores, já medidos, e uma previsão de 13 valores desconhecidos, como é ilustrado na Fig. 3. Por conseguinte, a partir dos valores previstos de saída da rede neural, será possível calcular o consumo total de gás do dia corrente. 2) Rede Neural com Codificação do Dia. Nesta configuração de RNA, o código do dia corrente da Figura 3. Configuração do modelo de RNA padrão. Figura 4. Inserção da codificação do dia da semana. C. PREVISÃO POR MODELO HÍBRIDO Além da utilização dos modelos ARIMA e RNA na previsão de séries temporais, existem também trabalhos combinando as características particulares destes dois métodos. Por exemplo, o trabalho de Zhang tem como idéia principal aproveitar a capacidade do modelo ARIMA de modelar sistemas lineares e as RNAs de lidar com sistemas não lineares [13]. Seguindo esse conceito, além da previsão utilizando os modelos ARIMA e RNA, separadamente, no presente trabalho foi testado um terceiro modelo que tem como objetivo aproveitar as vantagens destas duas técnicas numa abordagem particular à problemática da programação diária. No modelo híbrido, propõe-se o uso do modelo ARIMA para a previsão do consumo de gás, aproveitando assim a capacidade desta técnica para modelar adequadamente sistemas lineares. Adicionalmente, neste modelo híbrido, as RNAs têm como objetivo prever as possíveis diferenças entre a previsão realizada com o modelo ARIMA e o consumo real. A intenção do modelo híbrido é aproveitar a capacidade das RNAs de realizar a previsão de fenômenos não lineares. Seguindo o raciocínio descrito no parágrafo anterior, a saída da RNA, auxiliada por modelos de Séries Temporais, proporcionará o erro entre a previsão do modelo ARIMA e a série real. Para tanto, durante o processo de aprendizagem, a RNA foi treinada com um banco de dados histórico, ̃ ,o qual foi criado a partir da previsão do consumo que utilizou os modelos de Séries Temporais do tipo ARIMA, ,e os dados históricos reais de consumo, . O cálculo foi realizado através da seguinte expressão: ̃ = − (5) Uma vez finalizada a etapa de aprendizagem, na qual é obtida a configuração da RNA. Na etapa de previsão, a RNA, tendo como entradas a série prevista pelo modelo de Séries Temporais, , os valores de consumo do dia anterior e os 10 primeiros valores reais do dia corrente, tem como saída a previsão do erro, ̃ . Assim, através da Equação 6 será possível calcular a série prevista de consumo do dia corrente,Y. Y =Y +e (6) A seguir uma descrição mais detalhada da estrutura desta RNA. 1) Rede Neural Assistida por Séries Temporais. A rede neural, assistida por modelo de séries temporais (RNA + ST), tem sua arquitetura definida pelos seguintes dados: um vetor com os valores reais de consumo de 1:00 am até as 10:00 am do dia corrente (10 valores), um vetor com os 24 valores de consumo do dia anterior e um terceiro vetor formado pelos 24 valores de consumo do dia corrente, previstos pelo modelo de séries temporais, ARIMA. Resumidamente, esta configuração de RNA possuirá 58 neurônios na camada de entrada. Por outro lado, a saída dessa configuração será um conjunto de 24 valores de erro, como é possível observar na próxima figura. Este tipo de RNA é parte de uma metodologia híbrida na qual, a partir do modelo ARIMA, será possível encontrar uma série que se aproxime da série original e cuja diferença ou erros, relacionados à série real, serão previstos com a ajuda de uma RNA. Realizando a somatória das componentes de Y a longo do dia, será possível realizar a programação diária de consumo de gás, x(k). III. ÍNDICES DE AVALIAÇÃO Para a análise dos resultados, as métricas utilizadas para avaliar o ajuste da previsão realizada com os valores de consumo reais são apresentadas a seguir. O MAE, embora seja um índice dimensional, por ser uma medida absoluta na qual não há cancelamento de erros com sinal diferente, tem sido muito usada para comparar o desempenho de previsores. Por outro lado, o MAPE, além de ser uma medida absoluta, oferece um resultado percentual, o que facilita o processo de comparação entre previsores. MAE –Absolute Mean Error MAE = MAPE - Mean Absolute percentage Error e-RMSE - Root Mean Square Error MAPE = − 1 N |x(k) − x(k)| 1 N = x(k) − x(k) 100 x(k) ∑ ∑ ( ( ) − ( )) ( ( ) − ̅) (7) (8) (9) Já o e-RMSE, utilizado neste trabalho, é também uma medida adimensional, pois normaliza o RMSE convencional no que diz respeito ao desvio padrão da série total. Sendo assim, valores próximos de 1 significam que o previsor não é significativamente melhor que simplesmente usar o valor médio dos dados como previsão. É importante salientar que os índices de desempenho foram calculados considerando os valores acumulados para cada dia, ou seja, cada x(k) nas fórmulas 7, 8 e 9 representa o volume de gás consumido no dia e x(k) representa o valor previsto, usando as metodologias descritas anteriormente. Figura 5. Configuração RNA auxiliada por SériesTemporais. Além dos índices de desempenho, também foram observadas as quantidades de acertos do valor previsto quando comparado com o consumo real do dia. Para tanto, usou-se o mesmo critério de aplicação de multas que a produtora normalmente aplica à empresa distribuidora de gás, cujos dados foram usados no presente trabalho. Os critérios de aplicação de multa são: "a maior", quando o consumo de gás do dia ultrapassar os 105 % do valor previsto; e "a menor", quando o mesmo for menor que 90% da previsão de consumo. IV. RESULTADOS E DISCUSSÃO Uma vez que os principais clientes das distribuidoras de gás do Nordeste brasileiro são indústrias e estações de abastecimento de combustível veicular, foram usados dados de dois consumidores industriais, aqui denominados de A e B, e um terceiro, pertencente ao segmento de gás veicular, aqui denominado de C. As leituras de consumo de cada consumidor são realizadas a cada hora. O banco de dados histórico desses três consumidores foi dividido em duas parcelas. Uma destinada a obter os modelos de previsão, que denominaremos de período de aprendizagem, totalizando 80% dos dados disponíveis (aproximadamente 5700 leituras de consumo por consumidor). E a outra, com os 20% restantes do banco de dados, será utilizada para comprovar o desempenho dos modelos de previsão, denominada de período de verificação [16]. Os resultados da primeira metodologia, na qual se propõe o uso apenas de modelos de séries temporais do tipo ARIMA, são apresentados na Tabela I. Nessa tabela é possível observar que os resultados das previsões foram obtidos principalmente com séries do tipo puramente Auto-regressivas (AR) e Autoregressiva com Médias Móveis (ARMA). Os consumidores A e B possuem um comportamento predominantemente auto-regressivo. O consumidor A, por exemplo, apesar de ser modelado, como é apresentado nas primeiras duas linhas da tabela, por dois modelos ARMA (4, 0, 2) e (4, 0, 4), os resultados do seu desempenho não foram melhores que aqueles obtidos através de modelos puramente AR (4,0,0) e (3,0,0). TABELA I RESULTADOS DE PREVISÃO UTILIZANDO A METODOLOGÍA BOXJENKINS (ARIMA) ARIMA (p, d, q) (4,0,2) (4,0,4) (4,0,0) (3,0,0) (1, 0, 0) (2, 0, 0) (3, 0, 0) (4, 0, 0) (4, 0, 1) (4, 0, 0) (4, 0, 2) (2, 0, 0) Índices de Desempenho % MAE RMSE MAPE Acertos (m3) Consumidor A 0,10 0,66 18,18 51,74 0,10 0,66 18,26 51,74 0,10 0,67 18,51 55,17 0,10 0,67 18,59 51,74 Consumidor B 0,01 0,25 4,45 79,31 0,01 0,25 4,55 79,31 0,01 0,25 4,56 79,31 0,01 0,25 4,56 82,75 Consumidor C 0,10 0,82 38,48 24,13 0,10 0,82 38,67 24,13 0,10 0,84 39,28 31,03 0,10 0,86 40,46 27,58 Erros Totais RMSE de 0,25 e MAE de 0,01, foram indicativos de uma ótima porcentagem de acertos (82,75%), o que significaria um baixo índice de penalidades. Na Tabela II são apresentados os melhores resultados de previsão de consumo de gás utilizando as seguintes configurações de RNAs: Padrão (Pt); Padrão com codificação do dia corrente (Pt+D); Padrão assistido por modelos de séries temporais do tipo ARIMA (Pt+ST); Padrão assistido por séries temporais do tipo ARIMA com codificação do dia corrente (Pt+ST+D). Na Tabela II são apresentadas também as funções de ativação das RNAs de cada modelo, sendo neste estudo consideradas apenas a função sigmoide e a tangente hiperbólica, entre parêntesis à arquitetura interna da rede, ou seja, o número de camadas ocultas e a quantidade de neurônios por camada. O melhor resultado para o consumidor A foi encontrado usando a metodologia híbrida, ou seja, combinando os modelos de séries temporais ARIMA com as RNAs (Pt+ST). Observou-se, também, que os melhores resultados nas previsões significaram melhores índices de acerto (68,96%), sendo estes resultados coerentes com os menores MAPEs, destacando-se as configurações de RNAs de baixa complexidade, ou seja, com duas camadas ocultas com três neurônios cada uma, bem como de uma camada oculta com três neurônios com MAPEs de 14,79 % e 15,49 %, respectivamente. Por outro lado, aplicando apenas os modelos puramente auto-regressivos, AR, não foi possível obter mais do que 55 % de acertos nas previsões. % Penalidades Erros a Erros a Major Menor 48,26 48,26 44,82 48,26 24,13 24,13 24,13 24,13 24,13 24,13 20,68 24,13 20,68 20,68 20,68 17,24 13,79 13,79 13,79 13,79 6,89 6,89 6,89 3,44 75,86 75,86 68,96 72,41 0,00 0,00 0,00 3,44 75,86 75,86 68,96 68,96 TABELA II RESULTADOS DE PREVISÃOCOM RNA Modelo Arqui tetura MAE (m3) RMSE Pt+ST+D Pt+ST Si (2,3) Si (1,1) 1,28 1,18 0,48 0,47 0,09 0,05 0,10 0,06 Pt+D Pt+ST+D % Acertos Consumidor A 14,79 68,96 15,49 65,51 Consumidor B Erros Totais % Penalidades Erros Erros a a Maior Menor 31,03 34,48 27,58 31,03 3,44 3,44 1,14 100 0,00 0,00 0,00 1,35 100 0,00 0,00 0,00 Consumidor C Pt+ST De forma geral é possível observar que os índices de avaliação, como o MAE, o MAPE e o e-RMSE, acompanham os erros totais. Quando menor seu modulo menor os erros da previsão do consumo. No caso do consumidor A, apesar das previsões terem atingido um MAPE de 18,51%, o desempenho das mesmas não foi o suficiente para evitar penalidades uma vez que, se aplicada uma faixa de erro, com os limites "a maior" e "a menor", definidos na seção anterior, mais da metade dos valores previstos seriam penalizados (55,17%). Para o consumidor C, os resultados das previsões por séries temporais foram menos favoráveis, pois, com um MAPE de 39,28%, o melhor resultado foi de 68,96% previsões sujeitas a possíveis penalidades. No que diz respeito ao consumidor B, um MAPE de 4,56%, Ta (2,2) Ta (1,2) MAPE Pt Ta (2,2) Si (1,3) 0,33 0,74 5,46 62,06 37,93 27,58 10,34 0,35 0,73 5,76 72,41 27,58 17,54 10,34 No que diz respeito ao consumidor B, apenas utilizando a configuração Padrão, foi possível obter um índice de acertos de 100%, o que significa que usando esse algoritmo a companhia distribuidora de gás não sofreria nenhuma multa ou penalidade. Da mesma forma que para o consumidor A, comparando as duas tabelas anteriores, é possível observar que o desempenho das RNAs foi muito melhor que a dos modelos Auto-regressivos AR. É possível constatar, também, que à medida que se obtém MAPEs menores, o desempenho das previsões melhora significativamente, isso também é evidente quando comparamos os desempenhos das previsões com os MAPEs de 4,5%, obtidos com as séries temporais, com os das RNAs que foram entorno de 1,3%. O melhor índice de previsão para o consumidor C correspondeu para uma RNA padrão (Pt), sendo, neste caso, a melhor previsão obtida para um MAPE de 5,76% com uma taxa da acertos de 72%. De forma diferente aos modelos AR, as RNAs conseguiram melhorar significativamente a quantidade de acertos de aproximadamente 25% para 72%, o que também tem relação com a redução de MAPE de 40% para aproximadamente 5,5%. Na comparação com os modelos ARIMA, tanto as RNAs como o método híbrido obtiveram os melhores resultados de previsão para os três consumidores. Uma razão para isso é que as RNAs lidam melhor com fenômenos não lineares, diferentemente dos modelos ARIMA que se fundamentam em relações lineares entre os valores futuros eas observações passadas. [2] [3] [4] [5] [6] [7] [8] V. CONCLUSÃO No cenário apresentado, caracterizado pelo predomínio de grandes consumidores industriais de gás, como é o caso das cidades do Nordeste brasileiro, foi possível constatar que a problemática da “programação diária” pode ser abordada utilizando diferentes algoritmos de previsão para cada consumidor. De forma geral, as previsões com a RNA e o método híbrido tiveram melhores resultados que apenas usando os métodos ARIMA, provavelmente devido à maior capacidade das RNAs de lidar com fenômenos não lineares quando comparada a essa última. Com o intuito de melhorar o desempenho das previsões com RNAs, foi necessário incluir na entrada tanto as amostras de consumo do dia corrente, quanto as do dia anterior e ainda codificar o dia da semana que está sendo previsto. Observouse que essas considerações variam de consumidor para consumidor. Por exemplo, com a inclusão do código do dia corrente como parte da entrada das RNAs, foi possível melhorar o desempenho das previsões para os consumidores A e B. Por outro lado, isso não se repetiu na mesma medida para o consumidor C. Isso pode ser um indicativo de que os consumidores A e B possuem comportamentos mais repetitivos do que uma estação de combustível, definido como consumidor C, que tem um comportamento mais estocástico. É importante salientar que os resultados encontrados neste estudo apresentaram melhor desempenho que os métodos convencionais, utilizados pela distribuidora de gás em questão. Normalmente baseada em regressões, essa empresa, muitas vezes, ajusta seus cálculos de acordo com a experiência do profissional encarregado da programação diária. . AGRADECIMENTOS Ao Professor Dr. Jugurta Rosa Montalvão Filho pelas valiosas sugestões dadas ao presente trabalho. REFERÊNCIAS [1] J. V. Freitas Monteiro; J. R. N. M. Silva. Gás Natural aplicado à indústria e ao grande comércio. São Paulo: Blucher, 2010. [9] [10] [11] [12] [13] [14] [15] [16] A. Khotanzad, H. Elragal; T. L. Lu. Combination of artificial neuralnetwork forecasters for prediction of natural gas consumption. IEEE transactions on neural networks, vol. 11, no 2, p. 464-73, jan. 2000. R. H. Brown; I Matin. Development of Artificial Neural Network Models to Predict Daily Gas Consumption. Computer Engineering, p. 1389-1394, 1995. D. Peharda; M. Delimar; S. Loncaric. Short term hourly forecasting of gas consumption using neural networks. In: Proceeding of 23rd International Conference on Information Technology Interfaces, 2001. ITI 2001, vol. 1, p. 367-371, jun. 2001. P. Musilek; E. Pelikán; Brabec; M. Simunek. Recurrent Neural Network Based Gating for Natural Gas Load Prediction Systems. IEEE Transaction on Power Systems, vol. 10,no.1, p 254-265. Feb. 1995. O. Mohammed; D. Park; R. Merchant; T. Dinh; C. Tong; A. Azeem; J. Farah; e C. Drake. Practical Experiences with An Adaptive Neural Network Short-Term Load Forecasting System. IEEE Transactions on Power Systems, vol. 10, no.1, p. 254-265, 1995. H. N Viet; J. Mandziuk. Neural and Fuzzy Neural Networks for Natural Gas Consumption Prediction.Workshop on Neural Networks for Signal Processing, 503, p. 759-768, 2003. M. S. Kandil; S. M. El-Debeiky; N. E Hasanien.The implementation of long-term forecasting strategies using a knowledge-based expert system: part ii. Electric Power Systems Research, vo. 58, no. 1, p.1925, 2001. C. Rui; W. L.Jian; Y.Ningjiw; Z. Pengyan. The Forecasting of China Natural Gas Consumption Based on Genetic Algorithm. Fifth International Joint Conference on INC, IMS and IDC, p. 1436-1439, 2009. G. E. P. Box; G. M. Jenkins;G. C. Reinsel. Time Series Analysis – Forecasting and Control. 3.ed. New Jersey: Prentice Hall, 1994. M. Akkurt, O. F. Demirel, SelimZaim. (2015, Jun.). Forecasting Turkey´s Natural Gas Consumption by using Time Series Methods [Online]. European Journal of Economic and Political Studies,vol. 3, no. 2. Available: http://ejeps.fatih.edu.tr/docs/articles/108.pdf. Al-Fattah, S.M. 2006. (2015, Jun.). Time Series Modeling for U.S. Natural Gas Forecasting. E-Journal of Petroleum Management Economics. Available: http://www.perpustakaan.depkeugo.id/FOLDE RJURNAL/24.pdf G. Peter Zhang. Time series forecasting using a hybrid ARIMA and Neural Network Model. Neurocomputing, vol. 50, p. 159-175.2003. G. L. Cruz, “Estudos de Técnicas de Previsão de Consumo em Sistemas de Distribuição de gás natural”, Dissertação de Mestrado, PROEE/UFS, São Cristovão, 2012. S. Haykin. Redes Neurais Princípios e Práticas. 2. ed. Porto Alegre: Bookman, 2001. A. P. Braga;A. C. P. L. F. Carvalho; T. B. Ludermir. Redes neurais artificiais: teoria e aplicações. Rio de Janeiro: LTC, 2000. Carlos Alberto Villacorta Cardoso, é graduado em Engenharia Eletrônica pela Universidade Antenor Orrego de Trujillo (UPAO), Trujillo, La Libertad, Peru, em 1994. Obteve o título de mestre em Engenharia Elétrica pela Universidade de São Paulo (USP), São Paulo, São Paulo, Brasil, em 1998 e de Doutor, também na USP, em 2002. Atualmente é professor adjunto no Departamento de Engenharia Elétrica da Universidade Federal da Sergipe (UFS) e suas pesquisas se concentram nas áreas de Automação Industrial, Automação de Sistemas de Sistemas de Potência e Sensores Inteligentes. Gustavo Lima Cruz, possui graduação em Engenharia Elétrica - Pio Décimo - Campus III (2004) e mestrado em Engenharia Elétrica pela Universidade Federal de Sergipe (2012). Atualmente é professor da Faculdade Pio Décimo Campus I e engenheiro eletricista - Sergipe Gás. , atuando principalmente nos seguintes temas: gás natural, previsão de consumo, séries temporais, redes neurais e perfuração direcional horizontal.
Documentos relacionados
Análise de séries temporais para previsão da evolução do número
A sazonalidade ocorre quando a série sofre influência de fatores sazonais, por exemplo, o semestre ou dia do ano, sendo o período sempre conhecido (DOWNING; CLARK, 2006).Diferentemente da sazonalid...
Leia mais