ANÁLISE DE DADOS PREDITIVO COM BI-GRU EM SISTEMAS DE ENERGIA RENOVÁVEIS

PREDICTIVE DATA ANALYSIS WITH BI-GRU IN RENEWABLE ENERGY SYSTEMS

REGISTRO DOI: 10.5281/zenodo.8111950


Eduardo de Araújo Costa;
Marcos Vinícius Sadala Barreto;
Antônio Borges de Souza Rufino.


RESUMO 

A previsão de geração de energia a partir de fontes renováveis desempenha um papel fundamental na otimização e no planejamento do fornecimento de energia sustentável. Neste artigo, propomos o uso de redes neurais recorrentes (RNNs) com modelo Bi-GRU (Bidirectional Gated Recurrent Unit) que processa as informações passadas e futuras simultaneamente, extraindo as séries temporais não lineares dos dados da entrada, para prever a geração de energia de fontes renováveis utilizadas em microredes em um sistema de redes inteligentes. A validade do modelo é verificada utilizando dados de ambiente de simulação do framework Grid2Op. A simulação resulta em um intervalo de tempo de 05 minutos de dados de produção de energia durante período de uma semana. Os experimentos realizados demonstraram que a abordagem proposta é capaz de gerar previsões confiáveis, contribuindo para uma melhor integração das fontes renováveis na rede elétrica.

Palavras-chave: Microrredes, Redes Inteligentes, Energia Renováveis, Redes Neurais Recorrentes, Bi-GRU.

ABSTRACT

Forecasting power generation from renewable sources plays a key role in optimizing and planning sustainable energy supply. In this article, we propose the use of recurrent neural networks (RNNs) with a Bi-GRU (Bidirectional Gated Recurrent Unit) model that processes past and future information simultaneously, extracting time and non-linear series from the input data, to predict the generation of energy from renewable sources used in microgrids in a smart grid system. The validity of the model is checked using data from the Grid2Op framework sandbox. The simulation results in a 05 minute time interval of energy production data over a period of one week. The experiments carried out demonstrated that the proposed approach is capable of generating accurate and reliable forecasts, contributing to a better integration of renewable sources in the electrical grid.

Keywords: Microgrids, Smartgrids, Renewable Energy, Recurrent Neural Network, Bi-GRU.

1. INTRODUÇÃO

A poluição ambiental é uma das questões mundiais que necessitam de ações com brevidade, pois a negligência causará danos severos em diversas áreas, tal como a escassez de eletricidade (Saeed et al., 2021; Sakubu et al., 2021; Ali et al., 2022). Além disso, a poluição está intimamente ligada ao aumento da demanda nas redes nacionais de energia elétrica, impulsionado pelo crescimento populacional e, consequentemente, pelo aumento na produção de bens de consumo (Rajni et al., 2022).

Essa combinação tem gerado apagões com uma frequência maior e aumento nos preços da eletricidade que levam a humanidade buscar recursos adicionais confiáveis e de alta qualidade para a geração de energia (Ali et al., 2022; Reddy et al., 2020).

Pesquisas são realizadas para propiciar o uso de outras fontes de energia, descentralizando o uso de fontes de energia baseadas em combustíveis fósseis, maximizando o uso de energia em fonte renovável, tais como: energia solar e eólica (Reddy et al., 2020; Djilali et al., 2018). Artigos demonstram o alto potencial na geração de energia dessas fontes renováveis, assim como seu grande espectro de aplicação ganhando destaque no cenário mundial (Papageorgiou et al., 2020; Güvenç et al., 2019; Pal et al., 2023; Singh et al., 2022).

A Conferência das Nações Unidas sobre Mudanças Climáticas de 2015 (COP21), conhecida atualmente como Acordo de Paris, tornou-se um marco na luta contra o aquecimento global. A conferência teve como principal objetivo voltado a reduzir as emissões dos gases antrópicas de efeito estufa. Esta conferência representou um marco significativo no esforço global para combater as mudanças climáticas, com seu principal foco voltado para a redução das emissões de gases de efeito estufa de origem humana.

Como resultado desses motivadores, os consumidores estão implantando sistemas de arquitetura de micro redes (microgrids), sistemas de energia de geração local ou geração distribuída, usando geralmente uma variedade de fontes de energia, tais como solar e eólica. Uma solução atraente para atender a uma demanda crescente por maior eficiência energética, emissão reduzida de carbono, utilização de geradores distribuídos renováveis menos dispendiosos, operação econômica e melhor qualidade e confiabilidade de energia (Guan et al., 2022).

A solução de microgrids pode ser empregada com sucesso para suprir energia em regiões remotas ou isoladas, bem como em locais onde a qualidade ou a confiabilidade da eletricidade fornecida pela rede elétrica principal não é adequada para atender às necessidades operacionais desejadas.

Com os avanços nas tecnologias da informação e comunicação aplicados aos sistemas de energia elétrica (Leskarac et al., 2015), surge o conceito de redes inteligentes, também conhecidas como smart grids. Essas redes inteligentes são projetadas para gerenciar, monitorar e controlar a distribuição de energia elétrica em tempo real. Essa abordagem visa aprimorar a eficiência, confiabilidade, segurança e sustentabilidade do sistema elétrico como um todo. Ao fazer uso das capacidades de comunicação e automação, as redes inteligentes permitem uma tomada de decisões mais precisa, superando a abordagem empírica tradicional (Purwanto et al., 2021).

Outro ponto de relevância para utilização de uma rede inteligente é o desenvolvimento de sistemas preditivos que identificam possíveis problemas na rede elétrica antes que ocorram, permitindo o gerenciamento e controle mais eficiente de fontes de energia renováveis, armazenamento de energia e dispositivos de consumo (Purwanto et al., 2021).

Na busca por diversificar a matriz energética, múltiplos sinais energéticos são injetados na rede proveniente de diversas fontes, como energia solar e eólica. Cada uma destas fontes possui características distintas, resultando em sinais energéticos com variações não-lineares.

Essas oscilações e variações podem apresentar um desafio significativo para o controle dos sinais energéticos, especialmente no que tange o equilíbrio entre oferta e demanda de energia. Para lidar com essas variações, são utilizados sistemas de monitoramento e controle, como as chamadas redes inteligentes (smartgrids). Esses sistemas incorporam tecnologias avançadas, como sensores, medidores inteligentes e algoritmos de controle, para coletar e analisar dados em tempo real, ajustando a produção e o consumo de energia conforme necessário.

Além disso, o uso de baterias para armazenamento de energia também desempenha um papel importante na mitigação das variações não lineares. Ao armazenar o excesso de energia produzido durante os períodos de baixa demanda, possibilitando a utilização quando a demanda é maior ou quando a geração de energia renovável é reduzida. Fornecendo energia instantaneamente quando necessário, ajudando a manter a estabilidade da rede elétrica e garantir um fornecimento confiável de energia (Ardiansyah et al., 2021).

Sistema preditivo em fontes renováveis, solar e eólica, são fundamentais para garantir a estabilidade da rede e permitir um despacho econômico, minimizando os custos de operação da distribuição do sistema elétrico (Xiuyun et al., 2018). Evitando o despacho excessivo ou indesejado para a rede principal, causando sobrecarga e instabilidade na rede.

Para solucionar tal desafio, diversas técnicas tradicionais e de aprendizado de máquina avançado (Machine Learning) podem ser empregadas, cada uma com sua respectiva aplicação específica. Isso abrange desde abordagens baseadas em árvores de decisão até técnicas mais avançadas de aprendizado profundo (Deep Learning) (Ardiansyah et al., 2021).

Atualmente, previsões baseadas na teoria estatística linear tradicional  não são adotadas, uma vez que não conseguem se adaptar de modo adequado tanto à série temporal quanto às características complexas não lineares dos dados de carga (Lv et al., 2020).

Modelos computacionais inspirados no funcionamento do cérebro humano, ajudam no desenvolvimento do gerenciamento do lado da demanda em coordenação com a geração de energia renovável, sendo efetivamente usados para previsões de carga elétrica. 

Assim, as redes neurais profundas baseadas em inteligência artificial emergiram como uma opção atrativa devido à sua capacidade de oferecer robustez e flexibilidade no tratamento de relações complexas e não lineares presentes em vastos conjuntos de dados de consumo de energia (Saini et al., 2022).

Estudos que empregaram técnicas de Rede Neural Recorrente (Recurrent Neural Network, RNN) identificaram que a Unidade Recorrente Fechada (Gated Recurrent Unit, GRU), frequentemente utilizada para previsões de séries temporais, demonstrou um desempenho superior na previsão de demanda e geração de energia mais precisa. Isso foi alcançado por meio do uso de unidades de portão, que controlam a propagação do sinal ao longo da rede (Xiuyun et al., 2018; Kumar et al., 2018).

As unidades de portão da GRU têm a responsabilidade de regular o fluxo de informações entre as células de memória da rede e as saídas. Estas unidades permitem que a rede aprenda a preservar informações relevantes e descartar informações irrelevantes ao longo do tempo. A GRU realiza essa tarefa usando duas portas distintas: a porta de atualização e a porta de reinicialização. A porta de reinicialização determina como combinar a nova entrada com a memória anterior, enquanto a porta de atualização decide a quantidade do estado anterior a ser retida, com base na medição do valor t+1, onde t é o tempo atual (Afrasiabi et al., 2021; Guo et al., 2021; Heghedus et al., 2019).

No entanto, A GRU unidirecional obtém apenas as sequências de dados anteriores por vez durante o treinamento. Não tem previsão para obter os dados futuros. O GRU bidirecional (Bi-GRU) tem a capacidade de aprender com as sequências de dados anteriores e subsequentes ao mesmo tempo, enquanto lida com o estado atual dos dados (Inteha et al., 2022). A aplicação do Bi-GRU pode gerar resultados de previsão mais precisos, melhorando a eficiência operacional do modelo (Lv et al., 2020). 

A fim de verificar e validar o modelo, a plataforma Grid2Op oferece uma representação detalhada do sistema elétrico, incluindo redes de transmissão, distribuição, geradores, consumidores e equipamentos de controle. Ela permite a criação de cenários realistas, com a capacidade de introduzir falhas, variações de demanda, integração de energias renováveis e outros eventos que ocorrem no sistema elétrico.

Nesse contexto, o uso de redes neurais recorrentes com modelo Bi-GRU surge como uma solução promissora para melhorar a precisão das previsões e enfrentar os desafios específicos desse problema.

2. METODOLOGIA

2.1 Pré-processamento de dados

 2.1.1 Converter as colunas de Ano, Mês, Dia, Hora e Minuto em date time, ordenando os dados em série temporal, ajustando os index dos dados, removendo os dados duplicados, mantendo os primeiros index.

 2.1.2 Após o pré-processamento, o conjunto de dados é dividido em outros subconjuntos, ou seja, dados de treinamento, dados de teste e validação.

2.2 Ajuste do modelo

 2.2.1 O erro quadrático médio (MSE) é selecionado como a função de perda para o modelo proposto. A expressão do MSE é mostrada a seguir:

Uma medida comumente usada para avaliar a diferença entre as previsões de um modelo e os valores reais do conjunto de dados.

 2.2.2 O otimizador selecionado para o modelo é a estimativa de momento adaptativo (Adam).

 A utilização do otimizador Adam para ajustar os parâmetros do modelo de forma eficiente, atualizando a taxa de aprendizado de maneira adaptativa para cada parâmetro, com base em estimativas do primeiro momento (média) e do segundo momento (variância) dos gradientes.

 2.2.3 A função Unidade Linear Retificada (RELU) é utilizada como função ativação do modelo.

      Uma função de ativação não linear simples e eficiente que tem sido amplamente utilizada em redes neurais profundas, devido à sua capacidade de evitar problemas de saturação, sua simplicidade computacional e sua capacidade de aprendizado eficiente.

2.3 Método

 2.3.1 O modelo foi testado em uma simulação de um microgrid de energia real, executado no framework de aprendizado por reforço chamado Grid2op.

 2.3.2 A simulação escolhida foi a “l2rpn_neurips_2020_track2_large” com a semente 0.

 2.3.3 Os episódios executados foram os episódios de 0 a 10.

 2.3.4 Os geradores solares em cada um dos episódios foram: O gerador 4, 5, 7 e 9.

 2.3.5 Usou-se também duas medidas de acerto mínimo, ou seja, uma diferença de erro que pode ser considerada como acerto, sendo elas, 0.5 e 0.3, com qualquer taxa de erro dentro desses parâmetros sendo consideradas acertos.

3. RESULTADOS E DISCUSSÕES

A figura 1 mostra o gráfico de acertos com erro mínimo para todos os episódios executados, observando o gráfico podemos perceber que em ambos os casos, tanto em 0.3 quanto em 0.5 o modelo conseguiu um acerto de mais de 60%, sendo maior quando a taxa de erro mínimo está em 0.5. Grande parte do erro do algoritmo está presente nos horários entre 11 e 13 horas, o que pode indicar que a quantidade desbalanceada dos dados foram determinantes para uma maior taxa de erro nesses horários.

Taxa de Acertos

A Tabela 1 ilustra a média de erro para cada um dos geradores ao empregar o modelo selecionado. Apesar de a média apresentar um valor extremamente baixo, o modelo manifesta erros individuais consideravelmente elevados, conforme evidenciado na Tabela 2. Esse fenômeno sugere que o modelo conseguiu generalizar a maior parte dos intervalos de tempo, contudo, não logrou manejar adequadamente mudanças que diferem daquelas às quais ele foi exposto. Nesse contexto, duas observações merecem atenção. Primeiramente, é relevante considerar o desequilíbrio nos dados. Em grande parte das instâncias, a quantidade de dados associados à potência nula supera significativamente o volume de dados onde a potência é superior a zero. Esse desequilíbrio ocorre porque o propósito do estudo consistia em desenvolver um modelo de previsão capaz de identificar diversas condições temporais sem recorrer a abordagens alternativas para abordar o desbalanceamento dos dados, tais como a exclusão dos registros com potência igual a zero.

Tabela 1: Média de erro por gerador

GeradorMédia de Erro
40.4928657710522156
50.4118624329566955
70.3958654999732971
90.39477235078811646

A segunda observação destaca que os dados foram obtidos da simulação “l2rpn_case14_sandbox” do grid2op. Isso significa que a avaliação do modelo ocorreu em um cenário diferente, considerando as características climáticas específicas de cada região. Além disso, ambas as simulações utilizam dados reais provenientes de locais distintos. A consideração a ser feita é que a taxa de erro é reduzida e a diminuição do erro à medida que o dia avança podem ser interpretadas como resultados altamente positivos.

Tabela 2: Maiores Erros do Modelo por Gerador

GeradorMaior Dif. PositivaHora Dif. PositivaMaior Dif. NegativaHora Dif. Negativa
45.38908:55-44.76911:30
55.95709:55-45.76710:30
74.71911:30-38.97410:15
96.07810:40-16.10007:40

Na tabela 2 podemos perceber os horários onde o modelo obteve uma taxa maior de erro, também percebe-se que nos horários entre 10 e 12 horas da manhã é onde estão localizado os maiores erros, por ser possíveis geradores de energia solar, isso faz sentido pois em uma operação normal, espera-se que o horário de meio dia seja o que produz mais energia, o que podemos aferir e que aconteceu alguma condição climática desfavorável em que o modelo não estava preparado para agir. Essa hipótese é sustentada pelo fato de as diferenças de erros negativos, ou seja, onde o modelo superestimou a produção de energia, é no mínimo 2 vezes e meia maior que uma subestimação, isso se deve porque o modelo esperava uma normalidade na produção, mas talvez um dia chuvoso ou nuvens pesadas diminuíram drasticamente a produção energética naquele momento.

Assim, é possível constatar que em situações usuais o modelo apresenta uma taxa de erro bastante adequada. No entanto, essa performance pode ser aprimorada por meio da aplicação de procedimentos nos dados de treinamento. Entre as estratégias mais frequentes, destaca-se a redução da quantidade de dados com potência igual a zero e o estabelecimento de um equilíbrio no conjunto de dados. Além disso, é recomendável distinguir entre as diferentes estações do ano, o que poderia envolver a criação de modelos distintos para cada período sazonal. O uso de abordagens alternativas também é válido, como a inclusão de indicadores para detectar mudanças abruptas, tais como o monitoramento de variáveis como pressão e umidade. Aumentar a quantidade de dados disponíveis para treinamento também se mostra uma opção valiosa.

O estudo conclui que redes Bi-GRU mostraram-se potencialmente poderosas para previsão de geração de potência em geradores solares, principalmente por suas características de memória de longo prazo e maior flexibilidade em estudos de séries temporais. Indica-se como proposta de trabalhos futuros, além das alterações nos dataset já citadas, o aumento de complexidade das séries temporais, a inclusão no dataset de treinamento de outras variáveis observacionais dos gris de energia e a aplicação das predições de séries temporais em sistemas de controle, como otimização de carga e descarga de baterias.

4. CONCLUSÃO

Este artigo aborda a previsão da geração de energia proveniente de fontes renováveis. O processo de previsão da produção de energia renovável dentro de um sistema de rede inteligente, com o uso de arquiteturas de micro redes, desempenha um papel crucial na gestão e distribuição eficiente de energia. Isso contribui para evitar desperdícios e sobrecargas no sistema elétrico. Os resultados obtidos revelam que o modelo Bi-GRU obteve desempenho satisfatório e manteve previsões precisas mesmo durante simulações realizadas em um ambiente diferente daquele que originou os dados de treinamento. Isso evidencia a robustez relativa do modelo, destacando sua capacidade de generalização e adaptação a condições variáveis.

5. REFERÊNCIAS

Ardiansyah, Kim, Y., Choi, D. (2021). LSTM-based Multi-Step SOC Forecasting of Battery Energy Storage in Grid Ancillary Services. 2021 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm), 276-281. https://doi.org/10.1109/SmartGridComm51999.2021.9632319.

Afrasiabi, S. et al. (2021). Wide-Area Composite Load Parameter Identification Based on Multi-Residual Deep Neural Network. IEEE Transactions on Neural Networks and Learning Systems, 1-11. https://doi.org/10.1109/TNNLS.2021.3133350.

Ali, M., Mohamed, M. H., Alashwali, A., Alfarraj, M., Khalid, M. (2022).
Machine Learning Based Solar Power Forecasting Techniques: Analysis and Comparison. 2022 IEEE PES 14th Asia-Pacific Power and Energy Engineering Conference (APPEEC), 1-6, https://doi.org/10.1109/APPEEC53445.2022.10072276.

Djilali, L., Sanchez, E. N., Ornelas-Tellez, F., Belkheiri, M. (2018). Neural Network Based Controller for an AC Microgrid Connected to a Utility Grid. 2018 IEEE Latin American Conference on Computational Intelligence (LACCI), 1-6. https://doi.org/10.1109/LA-CCI.2018.8625249.

Guan, Y., Wei, B., Guerrero, J. M., Vasquez, J. C., Gui, Y. (2022). An overview of the operation architectures and energy management system for multiple microgrid clusters. Ienergy, 1(3), 306-314. https://doi.org/10.23919/IEN.2022.0035.

Guo, L., Shi, P., Zhang, Y., Cao, Z., Liu, Z., Feng, B. (2021). Short-term EV Charging Load Forecasting Based on GA-GRU Model. 2021 3rd Asia Energy and Electrical Engineering Symposium (AEEES), 679-683. https://doi.org/10.1109/AEEES51875.2021.9403141.

Güvenç, U., Kaymaz, E. (2019). Economic Dispatch Integrated Wind Power Using Coyote Optimization Algorithm. 2019 7th International Istanbul Smart Grids and Cities Congress and Fair (ICSG), 179-183. 10.1109/SGCF.2019.8782354.

Heghedus, C., Segarra, S., Chakravorty, A., Rong, C. (2019). Neural Network Architectures for Electricity Consumption Forecasting. 2019 International Conference on Internet of Things (iThings) and IEEE Green
Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), 776-783. https://doi.org/10.1109/iThings/GreenCom/CPSCom/SmartData.2019.00143.

Leskarac, D., Bennett, C., Moghimi, M., Stegen, S., Lu, J. (2015). Testing facility for research and development of Smart-MicroGrid technologies. 2015 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), 1-5. https://doi.org/10.1109/APPEEC.2015.7381059.

Lv, P., Liu, S., Yu, W., Zheng, S., Lv, J. (2020). EGA-STLF: A Hybrid ShortTerm Load Forecasting Model. IEEE Access, 8, 31742-31752. https://doi.org/10.1109/ACCESS.2020.2973350.

Kumar, S., Hussain, L., Banarjee, S., Reza, M. (2018). Energy Load Forecasting using Deep Learning Approach-LSTM and GRU in Spark Cluster. 2018 Fifth International Conference on Emerging Applications of Information Technology (EAIT), 1-4. https://doi.org/10.1109/EAIT.2018.8470406.

Pal, A., Kumar Chakraborty, A., Bhattacharya, A. (2023). Allocation of PV Mounted EV Fast Charging Station in Superimposed System Considering Vehicle Flow. 2023 IEEE IAS Global Conference on Renewable Energy and Hydrogen Technologies (GlobConHT), 1-5. https://doi.org/10.1109/GlobConHT56829.2023.10087785.

Papageorgiou, K., Carvalho, G., Papageorgiou, E. I., Papandrianos, N. I., Mendonça, M., Stamoulis, G. (2020). Exploring Brazilian Photovoltaic Solar Energy development scenarios using the Fuzzy Cognitive Map Wizard Tool. 2020 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE), 1-8.
https://doi.org/10.1109/FUZZ48607.2020.9177573.

Purwanto, Hermawan, Suherman, Widodo, D. A., Iksan, N. (2021). Renewable Energy Generation Forecasting on Smart Home Micro Grid using Deep Neural Network. 2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), 1-4. https://doi.org/10.1109/AIMS52415.2021.9466089.

Rajni, Banerjee, T. (2022). A Time Series Analysis of Renewable Energy
Production in United States. 2022 5th International Conference on Computational Intelligence and Networks (CINE), 1-5. https://doi.org/10.1109/CINE56307.2022.10037293.

Reddy, P. R., Gowda, K. S. S., Charitha, S., Mahalakshmi, R. (2020). Review and Redesign of Pedal Energy – Solar Power Augmented Hybrid Bicycle. 2020 Third International Conference on Smart Systems and Inventive Technology (ICSSIT), 376-380. https://doi.org/10.1109/ICSSIT48917.2020.9214286.

Saeed, M. H., Fangzong, W., Kalwar B. A., Iqbal, K. (2021). A Review on Microgrids’ Challenges & Perspectives. IEEE Access, 9, 166502-166517. https://doi.org/10.1109/ACCESS.2021.3135083.

Sakubu, D., Liu, Q. (2021). Microgrid Forecasting Using Multiple Deep learning Models. 2021 IEEE 23rd Int Conf on High Performance Computing & Communications; 7th Int Conf on Data Science & Systems; 19th Int Conf on Smart City; 7th Int Conf on Dependability in Sensor, Cloud & Big Data Systems & Application (HPCC/DSS/SmartCity/DependSys), 1490-1497.
https://doi.org/10.1109/HPCC-DSS-SmartCityDependSys53884.2021.00222.

Singh, P., Singh, N. K., Singh, A. K. (2022). Solar Photovoltaic Energy Forecasting Using Machine Learning and Deep Learning Technique. 2022
IEEE 9th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON), 1-6. https://doi.org/10.1109/UPCON56432.2022.9986446.

Xiuyun, G., Ying, W., Yang, G., Chengzhi, S., Wen, X., Yimiao, Y.(2018). Short-term Load Forecasting Model of GRU Network Based on Deep Learning Framework. 2018 2nd IEEE Conference on Energy Internet and Energy System Integration (EI2), 1-4. https://doi.org/10.1109/EI2.2018.8582419.

Inteha, A., Nahid-Al-Masood, Hussain, F., I., Khan, A. (2022). A Data Driven Approach for Day Ahead Short Term Load Forecasting. IEEE Access, 10, 84227-84243. https://doi.org/10.1109/ACCESS.2022.3197609.

Saini, V. K., Singh, R., Mahto, D. K., Kumar, R., Mathur, A. (2022). Learning
Approach for Energy Consumption Forecasting in Residential Microgrid. 2022 IEEE Kansas Power and Energy Conference (KPEC), 1-6. https://doi.org/10.1109/KPEC54747.2022.9814744.