Post on 30-Dec-2015
description
Consumo de electricidade
2020
2015
2010
2005
Previsão Geográfica de ConsumosPrevisão Geográfica de Consumos“Spatial Load Forecasting”“Spatial Load Forecasting”
Cláudio MonteiroCláudio Monteiro
Distribuição de Energia II5º ano da LEEC - ramo de Energia (FEUP)
Onde e quando ?Onde e quando ?Maia, 1995 Maia, 2002
Novos consumidores domésticos Novos consumidores industriais
Sistemas de informação geográficaSistemas de informação geográfica
consumidoresconsumidores
casascasas
estradasestradas
realidaderealidade
Sistemas de informação geográficaSistemas de informação geográficaVectorialVectorial RasterRaster SuperfíciesSuperfícies
Cálculos com Cálculos com
MapasMapas
Previsão Geográfica de ConsumosPrevisão Geográfica de Consumos
Distance to Roads
Distance to Urban center
Terrain Slope
Factores de influência geográfica
Previsão do crescimento geográfico
Previsão Global
Mapas de cargaModelo de
utilização final
Distribuição geográfica dos consumidores
Consumo por consumidorforma e energia dos diagramas
Distância a Estradas
Dist. centros urbanos
Topografia
Número de consumidorespor tipo e por potência contratada
Fuzzy Spatial Load ForecastingFuzzy Spatial Load Forecasting
Fuzzy SystemCellular
Automata
Potential for Development
Global Forecasting
Scenario CoordinatorDevelopment
GeographicInfluence Factors
IF (distance to road is CLOSE) AND(distance to urban center is MODERATE CLOSE) AND
(terrain slope is MODERATE) AND(domestic saturation is MEDIUM) AND(industrial saturation is MEDIUM)……..
THENdomestic PfD = 20 consumers per stage per km2 AND
industrial PfD = 0.1 consumers per stage per km2……..
Knowledge Base
Potential for Development
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy Spatial Load ForecastingFuzzy Spatial Load Forecasting
Fuzzy SystemCellular
Automata
Potential for Development
Global Forecasting
Scenario CoordinatorDevelopment
Potential for Development
Global number of consumers growth
per stage
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy Spatial Load ForecastingFuzzy Spatial Load Forecasting
Fuzzy SystemCellular
Automata
Potential for Development
Global Forecasting
Scenario CoordinatorDevelopment
DevelopmentCA state change depends on:Potential for Development
a) Positive feedback
b) Neighborhood effect
c) Innovation factor
c
t
jiji
t
ji
b
t
jiji
a
t
jiji
t
ji DPDPDPPji
,
0
,
1
,,
0
,,
0
,
1
,
,8
1
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy Spatial Load ForecastingFuzzy Spatial Load Forecasting
Fuzzy SystemCellular
Automata
Potential for Development
Global Forecasting
Scenario CoordinatorDevelopment
tt-1time stage
St
St-1
Saturationlevel
Dt
St
low
medium
highCoast RoadConstruction on stage 2
Ring RoadConstruction on stage 6
Dynamic Influence FactorsSt
St-1
Dt
St
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy System implementationFuzzy System implementation
1
0max,
vN
i
i
Ljik NLcod
Rule coding
2v Maps
10 1 2 3 4
0 50 3000 5000 10000
Dis
tanc
e to
Roa
ds (
m) 0 - Very close
1 - Close2 - Quite close3 - Far4 - Very far
10 1 2 3
0 1000 5000 10000
Dis
tanc
e to
U
rban
cen
ters
(m
)
0 - Very close1 - Close2 - Far3 - Very far
1x
2x
11xA
22xA
Rule coding =
Distance to road Distance to road quite closequite close (L(L11=2)=2)
Distance to urban center Distance to urban center closeclose (L(L22=1)=1)
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy System implementationFuzzy System implementation
1
0max,
vN
i
i
Ljik NLcod
Rule coding
2v Maps
10 1 2 3 4
0 50 3000 5000 10000
Dis
tanc
e to
Roa
ds (
m) 0 - Very close
1 - Close2 - Quite close3 - Far4 - Very far
1 0 1 2 3
0 1000 5000 10000
Dis
tanc
e to
U
rban
cen
ters
(m
)
0 - Very close1 - Close2 - Far3 - Very far
1x
2x
distance to road distance to road is 2000mis 2000m and and
distance to urban centerdistance to urban center is 4000m is 4000m
2000
0.7
0.3
4000
0.2
0.8
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy System implementationFuzzy System implementation
1
0max,
vN
i
i
Ljik NLcod
Rule coding
2v Maps
10 1 2 3 4
0 50 3000 5000 10000
Dis
tanc
e to
Roa
ds (
m) 0 - Very close
1 - Close2 - Quite close3 - Far4 - Very far
1 0 1 2 3
0 1000 5000 10000
Dis
tanc
e to
U
rban
cen
ters
(m
)
0 - Very close1 - Close2 - Far3 - Very far
1x
2x
2000
0.7
0.3
4000
0.2
0.8
label variable,
CompositionComposition
(matching value)(matching value)
v
vvariablek rule
conjunctionconjunction
(support value)(support value) rule rule activationactivation 0,14
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy System implementationFuzzy System implementation1
0 1 2 3 4
0 50 3000 5000 10000
Dis
tanc
e to
Roa
ds (
m) 0 - Very close
1 - Close2 - Quite close3 - Far4 - Very far
1 0 1 2 3
0 1000 5000 10000
Dis
tanc
e to
U
rban
cen
ters
(m
)
0 - Very close1 - Close2 - Far3 - Very far
1x
2x
2000
0.7
0.3
4000
0.2
0.8
label variable,
CompositionComposition
(matching value)(matching value)
v
vvariablek rule
conjunctionconjunction
(support value)(support value) rule rule activationactivation
i
iAk xki ,
Support value
2v Maps
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy System implementationFuzzy System implementation
Rule 2
Rule 6
Rule 4
1x
2x
1X
2X
iAji xji
,,
i
iAk xki ,
k
k
N
kk
N
kkk b
y
1
1
Zero-order Sugeno fuzzy rules
Output
Matching values
Support values
Output
kk bf
Ruleconsequent
b2
b6
b4
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Fuzzy system trainingFuzzy system training– identification of the zero-order Sugeno coeficients identification of the zero-order Sugeno coeficients bbkk
– by minimizingby minimizing the error function (local learning)the error function (local learning)
pN
pkpkp byE
1
2
kp
Historicaldevelopment
py
Rule base
Rule 2
Rule 5
Rule 4
1X
2X
p
p
N
pkp
N
ppkp
k
y
b
1
1
For all activation
points
Rule weightDistance to roads
Distance to centers
Historical influence factors
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
Merging judgmental informationMerging judgmental information
1x
1
0 1000 3000 5000 10000
2x
1
0 1000 5000 10000
Dis
tanc
e t
o R
oads
(m
)D
ista
nce
to
Urb
an c
ente
rs (
m)
Judgmental Output
h
hN
kk
kk yhb
k
1
Rule tuning
– Knowledge-base update based on human expert rulesKnowledge-base update based on human expert rules
IF (distance to road is M1) AND(distance to urban center is M2) .
THENdomestic PfD is h consumers per stage per km2
0,13,11,1 2,1
Rule 2
Rule 6
Rule 4
k
k
N
kk
N
kkk b
y
1
1
Matching values
System Output
3,22,2
1,2
i
iAk xki ,
kk bf
MM11
MM22
Fuzzy inputsFuzzy inputs
Como se faz ? Por exemplo, com Inferência Difusa…Como se faz ? Por exemplo, com Inferência Difusa…
ExemploExemplo Factores de influência:
• Distância ao centro urbano principal• Distância a centros urbanos secundários• Nível de saturação• Distância a estradas• Distância à linha da costa• Inclinação do terreno
Construção da base de conhecimento:• 2512 regras geradas automaticamente com base em 38400 áreas elementares.• 266 geradas pelo conhecimento de especialistas
Crescimento global:• crescimento, entre 1000 e 4000 consumidores por ano
ExemploExemplo
Construção de novas estradas (Cenário 1)Construção de novas estradas (Cenário 1)
AnelConstrução no ano 6
MarginalConstrução no ano 2
ExemploExemplo
Stage 1Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7
Exemplo (cenário 2)Exemplo (cenário 2)
Alterando o ano da construção (Cenário 2)Alterando o ano da construção (Cenário 2)
AnelConstrução no ano 2
MarginalConstrução no ano 6
Exemplo (cenário 2)Exemplo (cenário 2)
Stage 1Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7
Comparação dos cenáriosComparação dos cenáriosCenário 1Marginal no ano 2
Cenário 2Anel no ano 2 Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7
Diferente crescimento globalDiferente crescimento global
1000
2000
3000
4000
Stage
1
Stage
2
Stage
3
Stage
4
Stage
5
Stage
6
Stage
7
Scenario 2
Scenario 3
Glo
ba
l tre
nd
ing
Cenário 2Anel no ano 2Marginal no ano 6Crescimento linear
Cenário 3Anel no ano 2Marginal no ano 6Crescimento não linear
Característica de crescimentoCaracterística de crescimentoStage 1
A
B
C
D
0
20
40
60
80
100
Stage
1
Stage
2
Stage
3
Stage
4
Stage
5
Stage
6
Stage
7
Sa
tura
tion
Le
vel
Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7
A (Scn2)A (Scn3)C (Scn2)C (Scn3)D (Scn2)D (Scn3)B (Scn2)B (Scn3)
Crescimento anual
Adicionando informação qualitativaAdicionando informação qualitativa
IF (distance to road is (MEDIUM HIGH VERY HIGH)) AND(other variables is (DON’T CARE)) AND
THENdomestic PfD DECREASE 20%
Incertezas geográficasIncertezas geográficas Factores de influência:
• Distância ao centro urbano principal
• Distância a centros secundários
• Nível de saturação
• Distância a estradas
• Distância à linha da costa
• Inclinação do terreno
Crescimento global:• crescimento, entre 1000 e 4000 consumidores
Simulação de Montecarlo:• 30 previsões por ano• avaliação contínua da convergência
Incertezas Distância à mancha % [75;85]
Distância à mancha % [75;85]
N( 0 , is 10%; result from iter s-1)
N( DTM , STD da vizinhança)
N( linear , 20%)
Incertezas geográficasIncertezas geográficas
Stage 1Stage 2Stage 3Stage 4Stage 5Stage 6Stage 7
Variância do crescimento da carga obtida por simulação de incertezas nas variáveis de entrada e na propagação
Using Spatial Load ForecastingUsing Spatial Load Forecasting
Traçados geográficosTraçados geográficos
Influência da inclinaçãoInfluência da inclinação
Influência da distribuição das cargasInfluência da distribuição das cargas
Traçados geográficosTraçados geográficos
Localização de subestaçõesLocalização de subestações4 iterations 3 iterations4 iterations 3 iterations
Traçados geográficosTraçados geográficosTrabalho de seminário 2004/2005…Trabalho de seminário 2004/2005…
Traçados geográficosTraçados geográficosTrabalho de seminário 2004/2005…Trabalho de seminário 2004/2005…