X Simpósio de Recursos Hídricos do Nordeste
Normalização Gama: Uma alternativa para a extrapolação de uma Rede Neural
na previsão de vazões
Lara Dantas – UPE – Ecomp ([email protected])
Mêuser Valença – UPE – Ecomp([email protected])
Roteiro
• Motivação• Objetivo• Rede Neural• Preparação de dados• Normalização• Resultados• Conclusão
Motivação
• As hidroelétricas são as maiores fontes deprodução de energia elétrica do país.
• As usinas apresentam grandenecessidade de uma maior precisão naprevisão dos valores de vazão.
Objetivo
• Utilizar uma rede neural juntamente comuma nova técnica de normalização pararealizar previsões de valores de vazõessuperiores aos que estão disponíveis nabase de dados para treinamento.
Rede Neural Artificial
• A Rede Neural Artificial (Artificial NeuralNetwork – ANN) é um modelo que se baseiano comportamento e funcionamento docérebro humano.
• O cérebro realiza processamentosparalelos e é capaz de tomar decisõesbaseadas no processo de aprendizagem.
• Capaz de aproximar funções não-lineares.
Rede Neural Artificial
• A ANN utilizada nesse trabalho foi a MultiLayer Perceptron (MLP).
• Apresentam 3 camadas:– Camada de entrada;– Camada escondida– Camada de saída.
Preparação dos dados
• A usina de Sobradinho, situada no Rio SãoFrancisco, foi escolhida como alvo de estudo.
• O histórico utilizado foi de valores diários devazão de 1931 à 2007.
• No ano de 1979 ocorreu a maior cheia dohistórico, por isso, foi utilizado para testes e nãodurante o treinamento.
• Foram utilizados 14 valores passados pararealizar a previsão de 7 dias a frente.
Normalização dos dados
• Como os dados possuem intervalos devariação diferentes, se faz necessário anormalização dos dados para que assim,a rede neural possa tratá-los com amesma ênfase durante o treinamento.
• Existem na literatura diversas técnicas denormalização: normalização linear,estatística e simples.
Normalização dos dados
• Foi observado que as técnicas existentes nãoconseguiam obter bons resultados ao realizara previsão no ano onde ocorreu a maior cheiajá registrada, 1979.
• Assim, com o objetivo de melhorar orendimento da rede neural, foi proposta atécnica de normalização utilizando a funçãoprobabilística gama. Ao ser utilizada, todos osvalores ficarão em um intervalo entre 0 e 1.
Normalização dos dados
• Por ser uma função bastante complexa,foram desenvolvidos estudos queestabeleceram fórmulas auxiliares para ocálculo dos parâmetros da função.
• Com todos os dados de vazão preparados,as fórmulas são aplicadas para todos osvalores.
Treinamento da Rede Neural
• Após os dados estarem devidamentenormalizados foi utilizado o software NeuroHidropara realizar o treinamento da rede neural.
• Várias simulações foram realizadas e osmelhores valores de taxa de aprendizagem emomentum foram definidos.
• A parada do treinamento foi feita através devalidação cruzada de forma a evitar osuperajustamento, ou seja, selecionar o pontoótimo de parada. (overfit).
Treinamento da Rede Neural
• Taxa de aprendizagem, responsável peloajuste dos pesos durante o processo detreinamento, foi usado o valor igual a 40%;
• Fator momentum, responsável porminimizar o risco da rede neural ficarpresa a mínimos locais, foi usado o valorigual a 80%.
Resultados
• Para explicitar melhor os resultados doteste da rede neural, foram construídosdois gráficos que representam a diferençada técnica de normalização normalmenteutilizada (linear) e a técnica proposta.
Conclusão
• Conforme se pode observar nos dois gráficosmostrados acima, a técnica de normalizaçãoproposta neste artigo obteve melhoresresultados. Isso é constatado ao realizar acomparação entre as duas figuras, onde épossível notar que com a normalizaçãoutilizando a função gama, a curva dosvalores previstos ficou mais próxima da curvados valores reais, caracterizando uma melhorprevisão de vazão.