Transitions in Ethiopian journalism culture

A introdução de métodos robustos para aplicação em REI é de suma importân- cia ao se considerar a existência de componentes inteligentes distribuídos nesse tipo de rede. Inteligência nesses componentes pressupõe capacidade de resolução local de problemas. Portanto, os componentes básicos dessas redes deverão ser equipa- mentos com capacidade de atuação autônoma e, ao se utilizarem de rotinas de pre- dição para aprendizado ou composição de estratégias para jogos entre seus agentes, deverão contar com métodos robustos e eficientes.

A utilização de métodos heurísticos combinados a formulações analíticas pos- sui resultados relevantes devido às vantagens proporcionadas por ambas as abor- dagens. Métodos de identificação e predição baseados nos modelos ARMA e seus derivados são vantajosos na utilização de problemas cujos domínios são suficiente- mente conhecidos. Métodos ARMA ou seus derivados poderiam ser aplicados em qualquer das instâncias de problemas aqui mostradas, eventualmente sendo necessá- rios pré-processamentos com os dados através de rotinas de remoção de tendência, de controle da variabilidade e do tratamento diferenciado quando há ciclos sazon- ais. Entretanto, aqui foi possível modelar com sucesso cada instância de problema utilizando-se os dados brutos devido a uma modelagem que agregou uma estrutura analítica ARFIMA/SARFIMA a conceitos da modelagem heurística nebulosa. Neste trabalho um sistema foi modelado com base em sua resposta dinâmica e com base em regras que estariam a serem descobertas em seu funcionamento.

Sistemas como Redes de Energia Inteligentes possuem combinadas as ca- racterísticas de funcionamento devido à resposta dinâmica e devido à sequência de eventos, as regras, que existe nesse funcionamento. Como sistema físicos, redes de energia (incluindo as MR e por extensão as Redes de Energia Inteligentes) possuem respostas instrínsecas às mudanças de estados internos. Por exemplo, a inclinação da tendência das curvas de carga dependerá dos gargalos de fluxo de potência e do nível de carregamento da rede dentre outros estados. Porém, as REI possuem interação contínua com o funcionamento das sociedades em que se encontram inseri- das. O modo como essas sociedades funcionam se expressa em parâmetros como: horários de funcionamento comercial, dias que sejam feriados, maior utilização da energia elétrica em determinados períodos do ano, decisão por compra ou venda de energia pelo prossumidor e outros. No caso das MR, essa interação é ainda mais

contundente, pois decisões de clientes individuais podem impactar de modo mais sig- nificativo o sistema (a exemplo do exposto na Seção 1.1, Figura 5). Por essa razão, a utilização de regras extraídas dos próprios dados se faz relevante porque o descobri- mento e compreensão dessas regras pode compor uma base de conhecimento que melhore as predições sobre o comportamento1_{do sistema sob estudo.}

Dessa forma, agentes que têm de tomar decisões - por exemplo, continuar o fornecimento de energia elétrica no próximo intervalo de tempo com base na previsão de demanda - devem possuir modelagens suficientemente generalistas. Devem, inclu- sive, ter à disposição métodos robustos contra a presença de ruído, erros e ausência de informação, problemas esses muito comuns em aplicações industriais. Todas es- sas características podem ser tratadas de forma analítica, mas, se forem consideradas como variáveis linguísticas, também pode-se desenvolver um conjunto de regras para tratá-las diretamente. Essa flexibilidade é que torna a metodologia híbrida interessante para aplicações no ambiente das REI.

Foram apresentados resultados da metodologia proposta que corroboram com as premissas discutidas de generalidade e eficiência.

Primeiramente foi realizada uma avaliação da qualidade dos modelos obtidos sobre os conjuntos de treinamento da EBD. Ficou demonstrado que se obtiveram mo- delos com poder de explicar os dados de forma significativa com desvios MAPE≤ 5%, em média. Nota-se que dois dos conjuntos de dados apresentavam características especiais como sazonalidade e dois deles apresentavam forte tendência. Essas ca- racterísticas sugeririam a utilização de uma etapa prévia de pré-processamento e, no entanto, isso não foi feito neste trabalho pois o modelo proposto não se baseia em pressupostos fortes. Uma análise sobre os resíduos obtidos ao fim dessa modelagem mostrou o não-correlacionamento dos mesmos, indicando que não havia diferença estatisticamente relevante entre modelo e dados.

A partir de conclusões como essa, deve-se avaliar se esse comportamento de alto poder de explicação do modelo se replica sobre dados gerados pelo mesmo pro- cesso estocástico que produziu o conjunto de treinamento - o conjunto de validação. Isso foi feito ao utilizarem-se os dados de quatro países europeus - Itália, Noruega, Es- panha e Suécia. Essas bases consistiam em medições horárias ao longo de um ano e possuem características da sazonalidade diária e semanal das quatro sociedades citadas. Além disso, havia clara mudança do perfil de consumo em algumas bases de dados (e.g., Itália, ao final de 𝑥 > 3000 (v. Figura 30)) e tendência com possível rever- são (Suécia e Noruega). Primeiramente observou-se a repetição do alto desempenho na modelagem do conjunto de treinamento, com valores de MAPE≤ 5%. Também se verificou que esse desempenho se repetiu no conjunto de validação - o que representa

Capítulo 7. Discussões e conclusão 97

uma boa generalização do modelo. A verificação da generalização do modelo se deu de duas formas.

Primeiramente foi avaliada a amplitude dos valores de MAPE sobre o conjunto de validação. O pior caso de MAPE observado no conjunto de validação foi da ordem de 10% (Itália) - desconsiderando-se um outlier em ≈ 15%. Em (LIU et al., 2014b; COELHO et al., 2016b), erros da ordem de 10% no conjunto de validação são consi- derados como limiar para o aumento considerável no OPEX das MR. Todas as outras instâncias de problema apresentaram MAPE≤ 7% no conjunto de validação (v. Figura 35), um valor que pode ser considerado pequeno.

A segunda avaliação feita sobre a generalização dos modelos obtidos sobre essas bases de dados foi realizada verificando se havia diferenças significativas entre os resíduos gerados nos conjuntos de treinamento e de validação. A Figura 36 com- para as distribuições de valores de resíduos nos conjuntos de treinamento e validação nesses países. Para dar suporte à análise de diferença entre essas amostragens, foi realizada uma sequência de testes-T cujos resultados estão registrados na Tabela 6. Não houve diferença significativa entre esses conjuntos de resíduos, o que implica que o modelo desempenha igualmente tanto para dados de treinamento quanto para dados novos. Portanto, verificou-se um grande poder de generalização do modelo SARFIMA-FTS.

Uma análise comparativa do desempenho do método proposto foi realizada sobre duas bases de dados: o primeiro conjunto é composto por curvas anuais de demanda de França e Inglaterra, com períodos de amostragem de 30 min; o segundo conjunto é composto por quatro curvas de demanda de quatro MR, denominadas A, B, C e D, originadas nos trabalhos de (AMJADY; KEYNIA; ZAREIPOUR, 2010; LIU et al., 2014b).

Um primeiro bloco de comparações foi realizado entre o método proposto e outros métodos consagrados na literatura sobre os dados de França e Inglaterra. A partir dos resultados listados na Tabela 9 comparando seis métodos com o proposto SARFIMA-FTS, verifica-se que este é o que melhor desempenha, em média.

O segundo bloco de comparações foi realizado sobre os dados de microrre- des. Esses dados mostraram característica que tornaria mais dificultosa a escolha de um modelo: suas FACpar (v. Figura 45) não apresentam claramente o “lag de cut out”. Entretanto, o método proposto foi capaz de sobrepujar o desempenho dos outros métodos em pelo menos 25% das situações apresentadas.