ads:
Campus de Ilha Solteira
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
“Desenvolvimento de um Sistema Dinâmico
para Predição de Cargas Elétricas por Redes Neurais
Através do Paradigma de Programação Orientada a Objeto
sob a Linguagem JAVA ”
JOSÉ ROBERTO CAMPOS
Orientadora: Profª. Drª. Anna Diva Plasencia Lotufo
Dissertação apresentada à Faculdade de
Engenharia - UNESP – Campus de Ilha
Solteira, para obtenção do título de
Mestre em Engenharia Elétrica.
Área de Conhecimento: Automação.
Ilha Solteira – SP
Novembro de 2010
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
Campus de Ilha Solteira
FICHA CATALOGRÁFICA
Elaborada pela Seção Técnica de Aquisição e Tratamento da Informação
Serviço Técnico de Biblioteca e Documentação da UNESP - Ilha Solteira.
Campos, José Roberto.
C198d Desenvolvimento de um sistema dinâmico para predição de cargas
elétricas por redes neurais através do paradigma de programação orientada
a objeto sob a linguagem JAVA / José Roberto Campos. – Ilha Solteira :
[s.n.], 2010
75 f.
Dissertação (mestrado) - Universidade Estadual Paulista. Faculdade de
Engenharia de Ilha Solteira. Área de conhecimento: Automação, 2010
Orientador: Anna Diva Plasencia Lotufo
1. Redes neurais (Computação) 2. Programação orientada a objetos
(Computação) 3. Previsão de cargas. 4. Back-Propagation.
ads:
Campus de Ilha Solteira
Dedicatória
A Deus, por sempre ser meu
maior companheiro em todos os
momentos, a minha esposa Fabiana e aos
meus pais, Francisco e Lourdes, por nunca
deixarem de me apoiar e acreditar
em mim e ao meu filho Ryan Roberto.
Agradecimentos
Agradeço, primeiramente, a Deus, por sempre me confortar nos momentos
difíceis e, principalmente, por esse tão valoroso dom da vida.
Agradeço a minha esposa Fabiana pelo amor, carinho e amizade e por estar
sempre ao meu lado e ter lutado comigo junto às decisões difíceis do mestrado, e ter me
incentivado muito nos últimos meses.
Agradeço aos meus pais, Francisco e Maria de Lourdes, e ao meu irmão, Renato,
por nunca deixarem de estarem ao meu lado, sempre me proporcionando forças que, sem elas,
não me seria possível chegar até aqui, e também em especial o meu filho Ryan Roberto por
existir e fazer parte de muitos momentos bons da minha vida, causando sempre momentos de
alegria e descontração.
Agradecimentos especiais a minha orientadora, Drª. Anna Diva Plasencia Lotufo,
pelos momentos de conhecimento e compreensão e pela dedicação em me ajudar a concluir
esse importante processo.
Agradeço também em especial ao Prof. Dr. Carlos Roberto Minussi, e a Prof. Dr.
Mara Lúcia Martins Lopes, que, além de grandes amigos, foram praticamente, co-
orientadorores deste meu trabalho.
Agradeço aos meus amigos que tanto me apoiaram durante o tempo de pós-
graduação: Deoclécio M. Kosaka (Deo), Sergio Souza Batista (Serginho), Luzinete Maria
(Lú), Maria do Carmo (Carminha), Prof. Dr. Claudio Kitano representando todos os meus
outros amigos professores do Departamento de Engenharia Elétrica da FEIS.
“Não é preciso ter pressa. A impaciência
acelera o envelhecimento, eleva a pressão
arterial e apressa a morte.
Tudo chega a seu tempo. Não se pode colher
nada antes que amadureça. A fruta colhida
verde é azeda ou amarga e não faz bem à saúde.
Quando alguém tenta realizar algo antes do
momento propício, com certeza provoca uma
situação incômoda e acaba prejudicando a
si próprio ou a outras pessoas.”
Masaharu Taniguchi
Resumo
A previsão de carga, considerada essencial no planejamento da operação
energética e nos estudos de ampliação e reforços da rede básica, assume importância
estratégica na extensão comercial, valorizando os processos de armazenamento desses dados e
da extração de conhecimentos através de técnicas computacionais. Nos últimos anos, diversos
trabalhos foram publicados sobre sistemas de previsão de cargas (demanda) elétricas. Nos
horizontes de curto, médio e longo prazo, os modelos neurais, estão entre os mais explorados.
O objetivo deste trabalho é apresentar um sistema previsor de cargas elétricas de
forma simples e eficiente através de sistemas baseados em redes neurais artificiais com
treinamento realizado pelo algoritmo back-propagation. Para isto, optou-se pelo
desenvolvimento de um software utilizando os paradigmas de programação orientada a
objetos para criar um modelo neural de fácil manipulação, e que de certa forma, consiga
corrigir o problema dos mínimos locais. Em geral, o sistema desenvolvido é capaz de atribuir
os parâmetros da rede neural de forma automática através de processos exaustivos.
Os resultados apresentados foram comparados utilizando outros trabalhos em que
também se usaram-se os dados da mesma companhia elétrica. Este trabalho apresentou um
ganho de desempenho bem satisfatório em relação a outros trabalhos encontrados na literatura
para a mesma classe de problemas.
Palavras-chave: Rede Neural. Programação Orientada a Objeto. Previsão de Cargas. Back-
Propagation.
Abstract
Load Forecasting is essential in planning and operation of power systems, in
enlarging and reinforcing the basic network, is also very important commercially, valorizing
the filing process of these data and extracting knowledge by computational techniques.
Lately, several works have been published about electrical load forecasting. Short term,
medium term and long term horizons are equally studied.
The objective of this work is to present an electrical load forecasting system,
which is simple and efficient and based on artificial neural networks whose training is with
the back-propagation algorithm. Therefore, a software is developed using the paradigms of
the object oriented programming technique to create a neural model which is ease to
manipulate, and able to correct the local minimum problem. This system attributes the neural
parameters automatically by exhaustive procedures.
Results are compared with other works that have used the same data and this work
presents a satisfactory performance when compared with those and others found in the
literature.
Key-words: Neural Network. Object oriented programming. Load forecasting. Back-
Propagation.
Lista de Figuras
Figura 2.1 – Neurônio Biológico. .......................................................................................... 17
Figura 2.2 – Representação em diagrama em blocos do sistema nervoso. ............................ 18
Figura 2.3 – Componentes de um neurônio artificial. ........................................................... 19
Figura 2.4 – Modelo de um neurônio artificial. ..................................................................... 19
Figura 2.5 – Função semi-linear (a) e sua derivada (b) em relação à entrada interna. .......... 20
Figura 2.6 – Função Sigmoidal (a) e sua derivada (b) em relação à entrada interna. ............ 21
Figura 2.7 – Tangente hiperbólica (a) e sua derivada (b) em relação à entrada interna. ....... 21
Figura 2.8 – Rede Feedforward com uma única camada. ...................................................... 23
Figura 2.9 – Arquitetura Feedforward com múltiplas camadas. ............................................ 23
Figura 2.10 – Rede Neural Recorrente. ................................................................................. 24
Figura 2.11 – Algoritmo do gradiente descendente no espaço de pesos. .............................. 31
Figura 3.1 – Classe Neuronio. ............................................................................................... 35
Figura 3.2 – Instanciação de uma classe. ............................................................................... 39
Figura 3.3 – Exemplo de Herança utilizando plataforma Java. ............................................. 41
Figura 3.4 – Polimorfismo aplicado na classe NeuronioIntermediario. ................................ 43
Figura 3.5 – Polimorfismo aplicado na classe NeuronioSaida. ............................................. 43
Figura 4.1 – Compilação de um Programa em C. .................................................................. 45
Figura 4.2 – Fluxograma de comunicação entre SO’s. .......................................................... 46
Figura 4.3 – Fluxograma da Máquina Virtual Java. .............................................................. 46
Figura 4.4 – Estrutura básica de uma classe .......................................................................... 50
Figura 5.1 – Aplicação Principal ........................................................................................... 54
Figura 5.2 – Inserção de camadas intermediárias .................................................................. 55
Figura 5.3 – Definição do período para previsão. .................................................................. 56
Figura 5.4 – Resultado da previsão de 24h para a aplicação 1. ............................................. 61
Figura 5.5 – Resultado da previsão de 48h para a aplicação 1. ............................................. 61
Figura 5.6 – Resultado da previsão de 24h para a aplicação 2. ............................................. 62
Figura 5.7 – Resultado da previsão de 48h para a aplicação 2. ............................................. 62
Figura 5.8 – Resultado da previsão de 24h para a aplicação 3. ............................................. 63
Figura 5.9 – Resultado da previsão de 48h para a aplicação 3. ............................................. 63
Lista de Tabelas
Tabela 5.1 – Especificação dos parâmetros da aplicação 1 ................................................... 59
Tabela 5.2 – Especificação dos parâmetros da aplicação 2 ................................................... 60
Tabela 5.3 – Especificação dos parâmetros da aplicação 3 ................................................... 60
Tabela 5.4 – Erro médio e erro máximo para a aplicação 1. ................................................. 64
Tabela 5.4 – Erro médio e erro máximo para a aplicação 2. ................................................. 64
Tabela 5.6 – Tabela 5.4 – Erro médio e erro máximo para a aplicação 3.............................. 64
Sumário
Capítulo 1 ............................................................................................................................... 11
Introdução .............................................................................................................................. 11
1.1 Considerações Iniciais .................................................................................................. 11
1.2 Contribuição do Trabalho ............................................................................................ 14
1.3 Apresentação do Problema ........................................................................................... 14
1.4 Organização do Trabalho ............................................................................................. 15
Capítulo 2 ............................................................................................................................... 16
Redes Neurais Artificiais ....................................................................................................... 16
2.1 Base Teórica – Redes Neurais ..................................................................................... 16
2.2 O Modelo Do Neurônio Artificial ................................................................................ 18
2.3 Arquitetura de Redes .................................................................................................... 22
2.3.1 Treinamento Supervisionado ....................................................................................... 24
2.3.2 Treinamento Não Supervisionado ................................................................................ 24
2.4 Algoritmo Back-Propagation ....................................................................................... 25
2.5 AlgoritmoBack-Propagationcom Momento ................................................................. 30
Capítulo 3 ............................................................................................................................... 32
Orientação a objetos aplicada a redes neurais artificiais ........................................................ 32
3.1 Abstração ..................................................................................................................... 33
3.2 Objetos ......................................................................................................................... 33
3.3 Classes .......................................................................................................................... 34
3.3.1 Encapsulamento ........................................................................................................... 37
3.3.2 Instanciação 38
3.3.3 Inicialização dos atributos de uma classe..................................................................... 39
3.3.4 Acesso .......................................................................................................................... 39
3.3.5 Padrão ........................................................................................................................... 40
3.3.6 Superclasse ................................................................................................................. 40
3.4 Herança ........................................................................................................................ 40
3.5 Polimorfismo ................................................................................................................ 42
Capítulo 4 ............................................................................................................................... 44
Linguagem de programação JAVA ........................................................................................ 44
4.1 LinguagemJAVA ......................................................................................................... 44
4.2 Máquina Virtual ........................................................................................................... 45
4.3 Hotspot e JIT ................................................................................................................ 47
4.4 Interpretada e Compilada ............................................................................................. 48
4.5 JVM, JRE e JDK .......................................................................................................... 48
4.6 Java API ....................................................................................................................... 48
4.7 Multiplataforma ........................................................................................................... 49
4.8 GarbageCollector ......................................................................................................... 49
4.9 Multithreaded ............................................................................................................... 49
4.10 Estrutura básica de uma classe. .................................................................................... 50
4.11 Objetivos do Java ......................................................................................................... 50
Capítulo 5 ............................................................................................................................... 52
Aplicação para previsão de cargas ......................................................................................... 52
5.1 Interface Gráfica........................................................................................................... 53
5.2 Sistema para Previsão e Diagnóstico ........................................................................... 56
5.3 Desenvolvimento do Modelo Neural pela POO .......................................................... 57
5.4 Treinamento e Resultados ............................................................................................ 58
Capítulo 6 ............................................................................................................................... 66
Conclusões e Trabalhos Futuros ............................................................................................ 66
6.1 Conclusões ................................................................................................................... 66
6.2 Sugestão para Trabalhos Futuros ................................................................................. 68
Capítulo 7 ............................................................................................................................... 69
Referências ............................................................................................................................. 69
EEEE
Capítulo1Introdução
11
Capítulo 1
Introdução
1.1 ConsideraçõesIniciais
Nos últimos anos, a preocupação com a qualidade de energia elétrica suprida aos
consumidos vem aumentando. As atividades com a geração, transmissão e distribuição de
energia elétrica tendem a criar um ambiente mais competitivo, o que motiva a busca por
eficiência e qualidade.
No setor elétrico brasileiro e em tantos outros, é imprescindível o conhecimento
do perfil da carga das estimativas das informações futuras de uma série temporal, que
viabiliza atividades como planejamento de expansão, fluxo de potência, operação
econômica, análise de segurança. Diversos métodos e técnicas podem ser encontrados com o
objetivo de análise e previsão de séries temporais, dentre elas podemos destacar: técnica de
regressão linear simples ou múltipla, alisamento exponencial, estimação de estado, filtro de
Kalman e ARIMA (Auto Regressive Integrated Moving Average) de Box & Jenkins
(ALMEIDA et al., 1991; MURTO, 1998; SWARUP; SATISH, 2002). Entretanto, todos
esses métodos não são tão triviais de serem analisados e modelados, além de exigirem muito
EEEE
Capítulo1Introdução
12
esforço computacional que pode influenciar no resultado final e elevar a complexidade da
análise.
Nas últimas décadas foram desenvolvidos vários métodos para previsão de
cargas. Uma variedade de métodos utilizando, Redes Neurais, Lógica Fuzzy, sistemas
especialistas e algoritmos de aprendizagem estatísticos são usados para diversos tipos de
previsão (DE GOOIJER; HYNDMAN, 2006).
A previsão pode ser desmembrada em quatro tipos: curtíssimo prazo, curto
prazo, médio prazo e longo prazo. A diferença de uma para outra está na classificação do
período de previsão. Para a previsão a curtíssimo prazo, o horizonte projetado de interesse é
de alguns minutos até uma hora à frente. Para a previsão a curto prazo, de interesse para este
trabalho, estima-se uma faixa de 24 horas até uma semana à frente. Já na previsão a médio
prazo, a faixa se estende a alguns meses. Finalmente, a previsão a longo prazo, se refere a
períodos superiores a um ano (MORETTIN; TOLOI, 2006).
De acordo com as classificações das previsões relacionadas, Murto (1998),
Swarup e Satish (2002), Yalcinoz e Eminoglu (2004) e Al-Kandari et al. (2004) dizem que,
a previsão de curtíssimo prazo é usada geralmente para planejamento de produção on-line e
controle. Este tipo de previsão normalmente engloba um horizonte de no máximo 15
minutos. A previsão de curto prazo, utilizada neste trabalho, ocorre no intervalo de horas, ou
dias, ou até mesmo de uma semanas. Este tipo de previsão está relacionada à segurança
diária do sistema e ao planejamento e operações econômicas. A previsão de médio prazo,
embora existam outras finalidades, as principais são: planejamento de produção, programas
de manutenção, planejamento de suprimento de combustível, sendo o período de
abrangência de algumas semanas, ou alguns meses. E por fim, a previsão de longo prazo,
com horizonte de previsão de alguns anos ou até 20 anos, está relacionada ao planejamento
de sistemas de potência. Este tipo de previsão considera as tendências de consumo ou
demanda em longo prazo.
Os tipos de cargas considerados para predição podem ser classificados como:
residencial, comercial, industrial. É considerável ressaltar que, em todos esses tipos eles
podem ter comportamentos distintos e apresentar variações durante o dia (CHEN et al.,
1996).
Diversos componentes podem influenciar na análise e na modelagem dos fatores
das cargas tais como: condições meteorológicas, (velocidade do vento, nebulosidade,
EEEE
Capítulo1Introdução
13
variações bruscas de temperaturas dentre outras), feriados, e finais de semanas. Uma boa
análise desses componentes permite influenciar de maneira direta nos resultados das
previsões, pois admitem uma maior abstração para que sirvam de entrada para um sistema
previsor (SWARUP; SATISH, 2002; MURTO, 1998).
Dentre as técnicas computacionais utilizadas, destacam-se as Redes Neurais
Artificiais (RNA), uma das técnicas mais difundidas da Inteligência Artificial. Este é um dos
métodos alternativos aos citados anteriormente, pois além de serem mais rápidos, não
exigem muito esforço computacional, não necessita de uma análise complexa para
modelagem das cargas, outro fator interessante, é que redes neurais artificiais estão se
tornando cada vez mais utilizadas pela eficiência que vem apresentando no âmbito de
previsão de cargas (SIMPSON, 1989; DE GOOIJERE; HYNDMAN, 2006).
Uma RNA é, segundo Haykin (2001), um modelo sintético de um neurônio
biológico constituído de unidades simples capaz de armazenar conhecimento experimental e
torná-lo disponível para o uso em diversas aplicações. Neste contexto, suas principais
vantagens são a capacidade de generalização, não-linearidade, adaptabilidade entre outras.
Em geral, apresentam bom desempenho quando submetidas a um modelo não-linear e a uma
grande quantidade de dados.
Este trabalho visa utilizar como técnica para previsão dessas informações
métodos baseados em redes neurais com o algoritmo de retro-propagação (back-
propagation) criados a partir de um padrão de desenvolvimento de software conhecido
como Programação Orientada a Objeto. Para isso, foi utilizada a linguagem de programação
JAVA a qual foi capaz de fornecer os recursos necessários além de vários outros pontos
positivos como à interdependência de sistemas operacionais, melhor gerenciamento de
memória, pouco recurso computacional dentre outros.
A principal vantagem desse sistema está na facilidade da manipulação dos
parâmetros da rede que através de testes exaustivos ela é capaz de atribuir os parâmetros da
rede neural visando um melhor treinamento da rede tendendo a escapar do problema dos
mínimos locais, tendendo a uma paralisia inesperada da rede.
Outro fator positivo pode ser avaliado pelo ganho de desempenho e baixo custo
computacional, de um modo geral, em comparação a outros trabalhos encontrados na
literatura como (MAEDA, et al., 2008), (NOSE FILHO, et al., 2008). Este trabalho
apresenta um ganho de desempenho muito eficiente, que trouxe uma maior confiabilidade ao
EEEE
Capítulo1Introdução
14
sistema previsor. Um fator importante de se destacar está na capacidade e facilidade de
treinamento para outros tipos de aplicações que podem ser resolvidos através de redes
neurais, pois este trabalho também introduz o desenvolvimento de uma interface gráfica que
é capaz de realizar, previsões, diagnósticos e outras aplicações relacionadas no âmbito de
redes neurais artificiais.
1.2 ContribuiçãodoTrabalho
A contribuição deste trabalho está relacionada ao desenvolvimento de um
sistema previsor de cargas elétricas de forma simples e confiável através das redes neurais
artificiais, que de um modo geral, é capaz de forma trivial e realizar previsões de curto
prazo, que especificamente para este trabalho será de 24 e 48 horas.
Evidentemente, o presente trabalho apresenta uma inovação que deve ser
mencionada, tais como:
Processo de atribuição dos parâmetros para treinamento da rede neural através
de processos exaustivos;
Precisão dos resultados equivalente às metodologias clássicas disponíveis na
literatura;
1.3 ApresentaçãodoProblema
Os principais métodos de previsão de séries temporais mais utilizados requerem
para sua aplicação o cumprimento de uma série de critérios para que o método possa
fornecer previsões aceitáveis. Apesar disso, na prática os resultados obtidos são
considerados plausíveis e não ótimos. Sob esse ponto de vista, este trabalho visa obter o
máximo de exatidão nos resultados para predição de curto prazo utilizando uma combinação
de redes neurais artificiais e técnicas de programação orientada a objeto para o
desenvolvimento de um software capaz de realizar essas predições.
A finalidade da realização de uma previsão pode implicar em um problema com
erros ainda maiores, pois geralmente a previsão é realizada e utilizada para fins de
planejamento, na tentativa de prever o que vai acontecer e assim poder se preparar.
Quando se faz a previsão, e se esta não for aceitável, uma série de problemas
pode ocorrer, desde uma falha na alocação dos recursos, tal como matéria-prima, a qual
pode provocar a falta ou excesso de produção.
EEEE
Capítulo1Introdução
15
Perante estes problemas, este trabalho tem por finalidade no aperfeiçoamento
das técnicas existentes criando um sistema previsor de cargas utilizando técnicas
computacionais de programação em conjugado a redes neurais artificiais.
1.4 OrganizaçãodoTrabalho
Após as considerações iniciais, é descrita a seguir, de forma sucinta, como o
trabalho está organizado.
Capítulo 2 – Redes Neurais Artificiais
Neste capítulo apresentam-se, os principais conceitos referentes à inteligência
artificial, mais especificamente, a redes neurais artificiais, que a partir dela toda a aplicação
de previsão de cargas será desenvolvida junto com os paradigmas de orientação a objeto
vista no capítulo 3.
Capítulo 3 – Programação Orientada a Objetos aplicadas as Redes Neurais
Artificiais
Neste capítulo são descritos aspectos relacionados aos conceitos de Programação
Orientada a Objetos aplicadas as Redes Neurais Artificiais, os principais tipos de aplicação
relacionados com esta pesquisa, suas origens e principais conseqüências.
Capítulo 4 – Linguagem de Programação JAVA
Neste capítulo é apresentado o conceito e as principais teorias da linguagem
JAVA, em termos gerais, será apresentado várias particularidades e suas inovações como
uma linguagem de programação.
Capítulo 5 – Aplicação para Previsão de Cargas Elétricas
Neste capítulo 5 são descritos os experimentos realizados para avaliar os
métodos propostos. Os resultados obtidos também são comparados a outros encontrados na
literatura.
Capítulo 6 – Conclusão
Por fim, neste capítulo apresentam-se as conclusões sobre a pesquisa e sugestões
para trabalhos futuros; e
Capítulo 7 – Referencia Bibliográfica
Neste capítulo são relacionadas às referências bibliográficas utilizadas.
EEEE
Capítulo2–RedesNeuraisArtificiais
16
Capítulo 2
Redes Neurais Artificiais
2.1 BaseTeórica–RedesNeurais
O cérebro humano é considerado o mais fascinante processador baseado em carbono
existente, sendo composto por aproximadamente 10 bilhões de neurônios. Todas as funções
e movimentos do organismo estão relacionados ao funcionamento destas pequenas células.
Os neurônios estão conectados uns aos outros através de sinapses, e juntos formam uma
grande rede, usualmente denominadas “redes neurais”. As sinapses transmitem estímulos
através de diferentes concentrações de Na+ (Sódio) e K+ (Potássio), e o resultado disto pode
ser estendido por todo o corpo humano (BRAGA et al., 2000). Esta grande rede
proporciona uma fabulosa capacidade de processamento e armazenamento de informação.
O sistema nervoso é formado por um conjunto extremamente complexo de neurônios.
Nos neurônios a comunicação é realizada através de impulsos. Quando um impulso é
recebido, o neurônio o processa, e passa um limite de ação, dispara um segundo impulso que
produz uma substância neurotransmissora no qual flui do corpo celular para o axônio (que
EEEE
Capítulo2–RedesNeuraisArtificiais
17
por sua vez pode ou não estar conectado a um dendrito de outra célula) (HAYKIN, 1999). O
funcionamento dessas redes é inspirado em uma estrutura física concebida pela natureza: o
cérebro humano, composto de aproximadamente 100 bilhões de neurônios biológicos
(WASSERMAN, 1989).
O neurônio biológico, Figura (2.1) é, de forma simplista, a unidade básica da estrutura
encontrada no cérebro humano. A membrana exterior de um neurônio é chamada de
dendrito que é o dispositivo de entrada, cujo objetivo é conduzir os sinais das extremidades
dos dendrito para dentro do corpo celular (Soma). Por outro lado o axônio é o dispositivo
que conduz a saída do corpo celular para a sua extremidade. As extremidades de um axônio
são conectadas aos dendritos de outros neurônios através das sinapses. As sinapses possuem
neurotransmissores que permitem a propagação de pulsos nervosos, que podem ser do tipo
que excitam ou inibem os pulsos.
Figura 2.1 – Neurônio Biológico.
O sistema nervoso pode ser visto como um sistema de três estágios, como mostrado no
diagrama de blocos da Figura (2.2) (BRAGA et al., 2000; HAYKIN, 1999). O centro do
sistema é o cérebro, representado pela rede neural (nervosa), que recebe continuamente
informações. Dois conjuntos de setas são ilustrados na Figura (2.2). Aquelas que apontam da
esquerda para a direita indicam a transmissão para frente do sinal portador da informação,
através do sistema. As setas da direita para esquerda representam realimentação no sistema
(BRAGA et. al., 2000). Pode-se dizer que existe realimentação quando a saída de um
elemento influencia em parte na entrada àquele elemento particular, originando em um ou
mais sinais de transmissão em torno do sistema. Os receptores convertem estímulos do
EEEE
Capítulo2–RedesNeuraisArtificiais
18
corpo humano ou do ambiente externo em impulsos elétricos que transmitem a informação
para a rede neural (cérebro). Os atuadores convertem impulsos elétricos gerados pela rede
neural em respostas discerníveis como saídas do sistema (BRAGA et al., 2000; HAYKIN,
1999).
Estímulo
RespostaReceptores
Rede Neural Atenuadores
Figura 2.2 – Representação em diagrama em blocos do sistema nervoso.
2.2 OModeloDoNeurônioArtificial
Fazendo uma analogia entre células nervosas vivas e o processo eletrônico sobre
neurônio formal, onde foi simulado o comportamento de um neurônio natural, o
neurofisiologista Warren McCulloch, do MIT, e o matemático, Walter Pits da universidade
de Illinois, fizeram em 1949 uma primeira proposta para um neurônio artificial Figura (2.3)
(MENDES FILHO; CARVALHO, 1997).
Tentando emular o processo de funcionamento do cérebro humano, tendo em vista a
aprendizagem, diversos programas foram apresentados para esta tentativa, através dessas
simulações a criação de um neurônio artificial ganhou espaço no mundo da inteligência
artificial (BRAGA et al., 2000; MENDES FILHO; CARVALHO, 1997).
EEEE
Capítulo2–RedesNeuraisArtificiais
19
Figura 2.3 – Componentes de um neurônio artificial.
Um conjunto de entradas X, x
1
, x
2
, x
3
, ..., x
n
, são aplicadas na camada de entrada do
neurônio, onde elas representam os sinais dentro das sinapses de um neurônio biológico
(MENDES FILHO; CARVALHO, 1997). Cada sinal é multiplicado por um peso associado
W, w
1
, w
2
, w
3
, ..., w
n
, que será somado no corpo celular, denominado soma, ao que
corresponde ao corpo celular biológico (MENDES FILHO; CARVALHO, 1997).
A Figura (2.4) apresenta um neurônio artificial com n entradas e uma saída;
Figura 2.4 – Modelo de um neurônio artificial.
sendo:
NL = Função não linear denominada função de ativação.
EEEE
Capítulo2–RedesNeuraisArtificiais
20
Para cada entrada (X) existe um peso sináptico (W) associado a ela. Se a soma
ponderada das conexões entre X e W for maior que o valor de w
0
, denominado bias, um
pulso de saída é enviado provocando assim a ativação do neurônio, como ilustra a Equação
(2.1), caso contrário o neurônio não será ativado. O peso bias terá um valor associado a
entra, x
0
= 1, que atua como controle do nível de saída do neurônio (STORB;
WAZLAWICK, 1999; WIDROW; LEHR, 1990, HAYKIN, 1999). A saída intermediária é
dada por:
A ativação do neurônio artificial e feita através das funções de ativação. Exemplos de
funções de ativação:
Figura 2.5 – Função semi-linear (a) e sua derivada (b) em relação à entrada interna.
A Figura (2.6) ilustra uma função sigmoidal e sua derivada.
(
2.1
)
EEEE
Capítulo2–RedesNeuraisArtificiais
21
Figura 2.6 – Função Sigmoidal (a) e sua derivada (b) em relação à entrada interna.
A Figura (2.7) ilustra a função de ativação tangente hiperbólica e sua derivada.
Figura 2.7 – Tangente hiperbólica (a) e sua derivada (b) em relação à entrada interna.
EEEE
Capítulo2–RedesNeuraisArtificiais
22
2.3 ArquiteturadeRedes
A arquitetura das RNAs refere-se à maneira pela qual os neurônios em uma rede
neural são organizados (PEREIRA, 2009).
a. Rede FeedForward com uma única camada
Este caso mais simples de rede em camadas consiste em uma camada de entrada e uma
camada de saída, geralmente os neurônios de entrada são lineares, ou seja, eles
simplesmente propagam o sinal de entrada para a próxima camada, são também conhecidos
como neurônios sensoriais (ZUBEN, 2009).
ape
n
posi
t
esco
n
cam
a
Est
a
n
as da entra
d
t
ivo.
b. Rede
As redes
n
didas, os
a
da seguint
e
F
EEEE
Figura 2
.
a
rede é co
n
d
a (x1, x2,
Feedforw
a
de múltip
l
neurônios
e
(PEREIR
A
F
igura 2.9
–
.
8 – Rede
F
n
hecida co
m
...., xm) p
a
a
rd Multi-
L
l
as camada
s
de cada c
a
A
, 2009).
–
Arquitetu
r
F
eedforwar
d
m
o Feedfo
r
a
ra saída (y
L
a
y
er
s
possuem
a
mada tem
r
a Feedfor
w
Capít
u
d
com uma
ú
r
ward porq
u
1, y2, ....,
y
uma ou
m
como ent
r
w
ard com m
ú
u
lo2–Red
e
ú
nica cama
d
u
e a propa
g
y
n), ou seja
,
m
ais camad
a
r
ada a saí
d
ú
ltiplas ca
m
e
sNeurais
A
d
a.
g
ação do si
n
,
é apenas
n
a
s interme
d
d
a dos ne
u
m
adas.
A
rtificiais
23
n
al ocorre
n
o sentido
d
iárias ou
u
rônios da
EEEE
Capítulo2–RedesNeuraisArtificiais
24
c. Rede Recorrente
O terceiro principal tipo de arquitetura de RNAs são as denominadas redes
recorrentes, pois elas possuem, pelo menos, um laço realimentando a saída de neurônios
para outros neurônios da rede (ZUBEN, 2009).
Figura 2.10 – Rede Neural Recorrente.
2.3.1 Treinamento Supervisionado
Treinamento supervisionado consiste em um método de aprendizagem em que as
combinações dos padrões de entrada e saída são arbitrados por um tutor ou professor na fase
de aprendizado, em que será avaliada pelo seu desempenho (PEREIRA, 2009, LIMA;
LABIDI, 1999). A rede então é avaliada na fase de aprendizado pelo tutor informando à rede
a melhor combinação entre os mapeamentos (padrões) de entrada-saida (PEREIRA, 2009,
LIMA; LABIDI, 1999).
2.3.2 Treinamento Não Supervisionado
Já o treinamento não supervisionado, não possui tutor, ou seja, a rede é capaz de
descobrir estaticamente, padrões relevantes aos dados de entrada (LIMA; LABIDI, 1999).
Neste tipo de treinamento, o conjunto de categorias nos quais serão classificados, não é
apresentado à rede, dessa forma, o sistema deve desenvolver sua própria representação em
relação aos estímulos da rede (LIMA; LABIDI, 1999; PEREIRA, 2009).
EEEE
Capítulo2–RedesNeuraisArtificiais
25
2.4 AlgoritmoBack‐Propagation
De acordo com Werbos, em 1974 foi apresentado a primeira instância do algoritmo
Back-Propagation (WERBOS, 1974).Logo após, vários pesquisadores se lançaram aos
estudos a este tipo de algoritmo e logo conseguiram ajustar os pesos de uma rede neural das
unidades de entrada para a unidade de saída. Os cálculos dos erros da camada intermediária
(escondida) foram determinados na ordem inversa das unidades de saída (LOPES;
MINUSSI, 2000). Está é a razão pela qual o algoritmo é chamado de B-P (Back-
Propagation). O algoritmo Back-Propagation é fundamentado no método do gradiente
descendente para adaptação dos pesos da rede (LOPES; MINUSSI, 2000).
A adaptação dos pesos é realizada levando-se em conta a minimização do erro-
quadrático. A soma do erro quadrático na última camada é dada por (WIDROW; LEHR,
1990):
sendo:
=
= saída desejada do i-ésimo elemento da última camada;
= saída obtida do i-ésimo elemento da última camada;
= número de neurônios da última camada.
Levando-se em conta o neurônio de índice i, e aplicando-se o método do gradiente
descendente, o ajuste dos pesos pode ser formulado através de (WIDROW; LEHR, 1990):
1
sendo:
=
;
= parâmetro de controle da estabilidade ou taxa de treinamento;
= representa o índice de interação;
(2.1)
(2.2)
EEEE
Capítulo2–RedesNeuraisArtificiais
26
= gradiente do erro quadrático com relação aos pesos do neurônio;
= vetor de pesos do neurônio .
Analisando a equação (2.3), a direção que corresponde a minimização do erro
quadrático corresponde à direção contrária ao gradiente. A equação (2.4) mostra como se
pode expressar o gradiente (WIDROW; LEHR, 1990):
2
A função de ativação adotada é a função sigmóide definida por (LOPES; MINUSSI,
2000):
1
1
ou
1
1
sendo:
= parâmetro que define a inclinação da curva
.
Diferenciando a Equação (2.2) considerando-se o vetor
, obtém-se:
Da equação (2.6), resulta em:
′
(2.3)
(2.4)
(2.5)
(2.6)
(2.7)
EEEE
Capítulo2–RedesNeuraisArtificiais
27
em que:
′
, derivada parcial de
com relação a
.
Observando que:
sendo:
= ∆ vetor padrão;
=
,
,
,…,
Substituindo a Equação (2.8)
′
Inserindo a Equação (2.9) na Equação (2.7), tem-se:
2
′
Utilizando o gradiente estimado no método do gradiente descendente, obtém-se o
seguinte algoritmo (WIDROW; LEHR, 1990):
1
2
′
A derivada parcial da função sigmóide dada pela Equação (2.4) pode ser expressa por
(WIDROW; LEHR, 1990):
(2.8)
(2.9)
(2.10)
(2.11)
EEEE
Capítulo2–RedesNeuraisArtificiais
28
1
1
2
1
1
2
1
1
1
1
0.5 1
E a derivada parcial da função sigmóide dada pela Equação (2.5) pode ser expressa
por (WIDROW; LEHR, 1990):
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Utilizando a função sigmóide expressada pela Equação (2.4), pode-se escrever o
algoritmo back-propagation da seguinte forma (WIDROW; LEHR, 1990):
1
2
0.5
1
(2.12)
(2.13)
(2.14)
EEEE
Capítulo2–RedesNeuraisArtificiais
29
e usando a função sigmóide apresentada na Equação (2.5), obtém-se o algoritmo back-
propagation conforme a equação a seguir (WIDROW; LEHR, 1990):
1
2
1
O treinamento através do algoritmo back-propagation, é iniciado após a apresentação
de um padrão X à rede, na qual uma saída Y será produzida. Após esse processo, calcula-se
o erro de cada saída (diferença entre a saída desejada e a saída obtida) (WIDROW; LEHR,
1990).
O próximo passo consiste na determinação do erro propagado no sentido inverso,
através da derivação parcial do erro quadrático de cada elemento associado aos pesos, e em
seguida, a rede segue para os ajustes dos pesos de cada elemento (WIDROW; LEHR, 1990).
Este processo é repetido enquanto novos padrões forem apresentados a rede até a
convergência ou obedeça a um critério de parada, geralmente este critério é dado por (|erro|
menor ou igual à tolerância preestabelecida) (WIDROW; LEHR, 1990). Os pesos iniciais,
normalmente são atribuídos randomicamente, levando-se em conta que pesos com valores
nulos geralmente proporcionam baixa convergência (WIDROW; LEHR, 1990).
Existem basicamente duas formas para realizar o treinamento via back-propagation
(MINUSSI; SILVEIRA, 1995):
Convergência por Padrão: A adaptação dos pesos é realizada de modo que a cada
padrão apresentado à rede, seus pesos sejam ajustados fazendo com que haja
convergência para cada um deles. Este processo é repetido até que os critérios de
parada sejam satisfatórios (MINUSSI; SILVEIRA, 1995).
Uma Iteração por Padrão: Este procedimento é parecido com o apresentado
anteriormente, diferindo-se apenas no ajuste dos pesos, que é feita a cada iteração
(MINUSSI; SILVEIRA, 1995).
(2.15)
EEEE
Capítulo2–RedesNeuraisArtificiais
30
2.5 AlgoritmoBack‐PropagationcomMomento
Esse algoritmo busca minimizar o erro quadrático, que é expresso em função dos
pesos, de modo a se obter um conjunto de pesos otimizado que encerrará o processo de
treinamento, tornando a rede apta a produzir padrões de saída aceitáveis. Por se tratar de um
problema de otimização, torna-se necessária a determinação do gradiente do erro em relação
aos pesos, processo este que pode ser inviabilizado devido ao tamanho do vetor de entrada,
principalmente nos problemas de engenharia que, na maioria dos casos, engloba um grande
número de variáveis (KROSE; SMAGT, 1996).
O algoritmo back-propagation provê uma aproximação da trajetória de movimento
sobre a superfície de erro, a qual, a cada ponto da superfície, segue a direção do ponto mais
íngreme em busca do ponto de mínimo global. Quanto menor for a taxa de aprendizado,
menores serão as correções a serem aplicadas aos pesos entre cada iteração, ocasionando um
processo de convergência lento. Caso contrário, se o valor desse parâmetro for alto, pode-se
obter uma aceleração no processo de convergência, mas pode-se tornar o algoritmo instável
pela oscilação em torno de um ponto de mínimo local (WIDROW; LEHR, 1990; KROSE;
SMAGT, 1996).
Uma forma simples de garantir a estabilidade e acelerar a convergência é a utilização
do fator de momento, que pode ser formulada da seguinte forma (WIDROW; LEHR, 1990).
1
∆
sendo:
∆
2
1
Δ
1
;
peso correspondente à interligação entre o i-ésimo e j-ésimo neurônio;
taxa de treinamento;
constante momento 0 1 (WIDROW; LEHR, 1990);
(2.16)
EEEE
Capítulo2–RedesNeuraisArtificiais
31
Figura 2.11 – Algoritmo do gradiente descendente no espaço de pesos.
A Figura (2.11) ilustra o gradiente descendente no espaço de pesos, sendo o termo (a)
taxa de treinamento pequena, o termo (b) taxa de treinamento grande (notar as oscilações) e
o termo (c) taxa de treinamento grande, mas com o termo momento já adicionado.
Adicionando o termo momento, pode-se perceber que ele prove movimentos em uma
direção fixa, de forma que, se vários passos fossem tomados na mesma direção, o algoritmo
“ganharia velocidade”, e assim, escapando dos mínimos locais (WIDROW; LEHR, 1990).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
32
Capítulo 3
Orientação a objetos aplicada a redes
neurais artificiais
Os programas desenvolvidos com base na orientação a objetos são compostos por um
grupo de objetos que por meio de trocas de mensagens interagem entre si. Desta forma a
troca de mensagem está relacionada a uma mensagem que parte de um objeto e chega a
outro, sendo que mandar uma mensagem é chamar um método de outro objeto.
Os programas que são fundamentados em OO permitem uma adaptação muito
eficiente e são facilmente alterados para uma melhor adaptação às necessidades apresentadas
aos usuários ou organizações.
A essência da OO é a possibilidade de alterar ou substituir partes de um sistema sem
prejudicar o sistema atual, ou seja, isso é possível pelo fato que os objetos são definidos de
forma clara e com interfaces confiáveis.
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
33
É importante destacar que a base para uma linguagem de programação fundamentada em
OO é:
Abstração
Encapsulamento
Herança
Polimorfimo
3.1 Abstração
Abstração é um processo na qual são separados os fatos relevantes dos detalhes que
não tem grande importância. Dessa forma, o conceito de abstração é bastante adequado em
situações de grande complexidade, pois a combinação de herança e polimorfismo pode
ajudar muito nessas situações (CARDOSO, 2010).
Em se tratando de desenvolvimento de algum sistema, abstração significa focalizar em
dois fatores essenciais: o que é um objeto e o que ele faz (CARDOSO, 2010).
Deste modo, ao utilizar o conceito de abstração, as decisões relacionadas ao
desenvolvimento e à implementação de objetos podem ser tomadas quando se entende
melhor o problema a ser resolvido (CARDOSO, 2010).
3.2 Objetos
Em termos gerais, pode-se entender por objetos quaisquer elementos da natureza aos
quais é possível atribuir comportamento e características (CARDOSO, 2010). De certa
forma, em termos de computação, dar-se-á ao nome de objeto aos elementos capazes de
representar uma entidade que esteja no domínio de interesse do problema analisado
(CARDOSO, 2010; ANSELMO, 2009). As entidades representadas por objetos podem ser
concretas ou abstratas (CARDOSO, 2010; ANSELMO, 2009).
A partir do conceito de classes, é possível determinar quais tipos de objetos estarão
contidos em uma aplicação OO (CARDOSO, 2010; ANSELMO, 2010). Os objetos que
interagem entre si e apresentam grande semelhança ao domínio do projeto são agrupados em
classes (CARDOSO, 2010; BORATTI, 2007, HORSTMANN; CORNELL, 2010).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
34
No momento em que os objetos são criados, ocupam um espaço na memória assim que
o estado é aplicado a um objeto ou quando é utilizado para um determinado grupo de
operações (CARDOSO, 2010; BORATTI, 2007). Mais precisamente, o estado dos objetos
refere-se aos valores contidos em seus atributos, e seu grupo de operações estão diretamente
relacionados aos seus métodos (ANSELMO, 2009; BORATTI, 2007).
Tendo em vista que objetos são instâncias de classes, para que elas possam se interagir
é necessário que essas instâncias sejam criadas, uma vez que por meio de sua manipulação,
as chamadas aos procedimentos podem ser realizadas (CARDOSO, 2010; BORATTI, 2007;
ANSELMO, 2009).
3.3 Classes
A definição de classe dar-se pela abstração de um conjunto de objetos, aos quais são
definidos por apresentarem alguma similaridade em termos de comportamento e
características (BORATTI, 2007). Dessa forma, as acepções de atributos ou propriedades de
um objeto são descritos a partir da definição de uma classe (HORSTMANN; CORNELL,
2010; ANSELMO, 2009; BORATTI, 2007).
Por meio da definição de uma classe também é possível descrever o comportamento
desses objetos (HORSTMANN, 2009). Entende-se por comportamento de um objeto a
funcionalidade que pode ser aplicada a ele (HORSTMANN 2009; CARDOSO, 2010). Um
método, no qual corresponde a um procedimento ou função, é responsável por descrever tal
funcionalidade, embora os métodos sejam correspondentes a procedimentos e funções, eles
são capazes de manipular somente os atributos definidos para um objeto e suas variáveis
locais (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
A criação de classes em Java é um procedimento que deve ter início apenas depois de
estabelecidas as classes que formarão a aplicação, bem como a estrutura e o comportamento
das mesmas (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
Geralmente classes são criadas do mais geral para o mais específico para que se possa
aproveitar o máximo do recurso da herança que permite herdar atributos e métodos da classe
pai, ou seja, é possível criar uma classe mais detalhada a partir da classe na qual foi herdada
(HORSTMANN; CORNELL, 2010; BORATTI, 2007).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
35
Para compreender de maneira clara o conceito sobre classes, considera-se a
necessidade de se criar um objeto Neurônio, por exemplo. Por isso, apresenta-se as
características que um neurônio tem em comum, tais como:
Nome do Objeto: Neuronio (classe modelo)
Características: número, camada, terminais de entrada, pesos, valor desejado,
valor obtido, erro (atributos).
Figura 3.1 – Classe Neuronio.
A partir dessa classe modelo, a qual recebe este nome por se tratar de uma definição
geral, é possível implementar e dar vida a diversos programas partindo da premissa de redes
neurais.
Em termos gerais, as classes são capazes de auxiliar na organização de um conjunto de
dados, bem como auxiliar na definição de métodos mais adequados para a alteração e a
utilização dessas características (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
36
A fim de que se possa declarar as classes de maneira adequada, é preciso
analisar algumas regras, as quais serão descritas na Tabela 3.1 a seguir (HORSTMANN;
CORNELL, 2010; BORATTI, 2007).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
37
Tabela 3.1 Regras para declaração de classes.
Regras Descrição
Classe Pública
Cada arquivo de código fonte pode conter somente uma classe
pública e, ainda, o nome atribuído a esse arquivo deve ser
igual ao nome da classe em questão (HORSTMANN, 2009).
Instruções
O arquivo de código-fonte deve apresentar em sua primeira
linha a instrução do pacote a qual ele pertence. Isso deve
ocorrer caso a classe seja parte integrante de um pacote. Tanto
as instruções de pacote quanto as instruções de importação são
aplicadas a todas as classes pertencentes ao arquivo de código-
fonte (HORSTMANN, 2009).
Modificadores
Antes que uma classe seja declarada, pode-se adicionar
modificadores à mesma. Esses modificadores podem ser de
acesso e podem ser aqueles que não se referem a acesso.
Dentro os modificadores de acesso, temos o private,
protected e público. Já entre os modificadores que não são de
acesso temos o, abstract, o final entre outros
(HORSTMANN, 2009).
3.3.1 Encapsulamento
Em uma linguagem de programação OO, a classe é o alicerce para o encapsulamento,
o qual é definido como uma técnica que faz com que os atributos da classe fiquem ocultos,
pois dessa forma, eles podem ser acessados ou modificados somente pelos métodos da
própria classe (HORSTMANN; CORNELL, 2010; BORATTI, 2007). Por este motivo, não
se faz necessário o conhecimento da implementação dessa classe uma vez que isso é de
responsabilidade dos métodos internos da classe (HORSTMANN; CORNELL, 2010;
BORATTI, 2007). Como a classe é responsável pela estrutura e comportamento dos objetos,
é comumente chamada de instancia dessa classe (HORSTMANN; CORNELL, 2010).
Os métodos presentes em um programa desenvolvido em Java são responsáveis por
determinar como as variáveis membro serão acessadas (CARDOSO, 2010).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
38
Tendo em vista que os métodos e variáveis de uma classe podem assumir
modificadores como públicos ou privados tem-se a seguinte situação:
Tudo que o usuário externo precisa saber a respeito de uma classe está implícito
em sua interface pública (CARDOSO, 2010).
Somente os códigos membros da classe são capazes de acessar seus métodos e
variáveis privados. Isso assegura a classe para que não haja ações inadequadas, e
acessos não autorizados garantindo assim o pleno funcionamento interno da classe
que ela seja exposta (CARDOSO, 2010).
3.3.2 Instanciação
Instanciação é um processo pela qual um objeto realiza a cópia de uma classe existente
(HORSTMANN; CORNELL, 2010; BORATTI, 2007). Uma classe, a qual tem a função de
determinar um tipo de dado, deve ser instanciada para que ela possa ser utilizada, deste
modo, a criação de sua instância, a qual se define como sendo um objeto referente ao tipo de
dado que foi definido pela classe (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
Comumente é bom observar que, exceto as classes do tipo abstract, qualquer outra classe
pode ser instanciada (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
Para um entendimento mais amplo sobre o processo de instanciação, pode-se destacar
um exemplo no qual utiliza uma classe neurônio já mencionada.
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
39
public static void main(){
Neuronio n = new Neuronio();
n.setTerminaisEntrada({0,0,0,0,1});
}
Figura 3.2 – Instanciação de uma classe.
3.3.3 Inicialização dos atributos de uma classe
Os atributos de uma classe podem ser inicializados logo após a sua declaração, no
entanto, caso os atributos de uma classe não possuam valores de inicialização, esses valores
poderão ser determinados conforme o tipo de classe no momento de sua instanciação
(HORSTMANN; CORNELL, 2010; BORATTI, 2007).
Se o tipo for int, seu valor será 0;
Se for do tipo booleana, seu valor será false;
Se for do tipo construído, seu valor será null.
Embora não se possa sempre contar com essas afirmações, pois como os tipos de
dados trabalham com alocação dinâmica é passivo que ele ocupe a posição de alguma outra
variável que ainda não foi totalmente liberada da memória (HORSTMANN; CORNELL,
2010).
3.3.4 Acesso
Quando se trata de acesso a uma classe, esta se referindo ao conceito de visibilidade,
ou seja, uma determinada classe deve ser capaz de visualizar a outra, dessa forma, acessar
seus métodos e atributos (HORSTMANN; CORNELL, 2010).
Para uma devida compreensão adequada deste conceito, é necessário evidenciar duas
classes, a classe X e a classe Y. A classe X é capaz de criar uma instancia de classe Y, bem
como pode tornar-se uma subclasse de Y e acessar seus métodos ou atributos de acordo com
o tipo de controle de acesso (HORSTMANN; CORNELL, 2010).
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
40
3.3.5 Padrão
O acesso a classes podem ser padrão ou público, quando possuir acesso padrão a
classe não é precedida por um modificador de acesso em sua declaração (HORSTMANN;
CORNELL, 2010; ANSELMO, 2009; BORATTI, 2007). O acesso padrão é considerado
como o acesso ao nível de pacote, uma vez que classes com esse tipo de acesso são
encontradas somente pelas classes que fazem parte do mesmo pacote (HORSTMANN;
CORNELL, 2010; ANSELMO, 2009; BORATTI, 2007).
Caso duas classes se encontrem em pacotes distintos e uma delas possua acesso
padrão, a outra deverá desconsiderar sua existência para que não haja problema durante a
compilação (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
3.3.6 Superclasse
As classes que se encontram em níveis mais elevados de uma hierarquia são
denominadas superclasses, as quais possuem uma subclasse (HOSTMANN; CORNELL,
2010). Sendo assim, subclasses são aquelas que se encontram em um nível abaixo de suas
superclasses (HORSTMANN; CORNELL, 2010).
Tendo em vista que uma classe sempre é declarada como subclasse de uma classe
existente, essa classe herda de forma automática todas as características de sua superclasse,
este é a principal técnica da OO, conhecida como herança (HORSTMANN; CORNELL,
2010; ANSELMO, 2009; BORATTI, 2007).
3.4 Herança
A herança permite o compartilhamento entre as características da classe, ou seja,
possibilita às classes partilharem seus métodos e atributos entre si, para este tipo de ligação
entre classes, a herança adota um relacionamento esquematizado hierarquicamente
(HORSTMANN; CORNELL, 2010; BORATTI, 2007).
A herança atua interativamente com o encapsulamento, por exemplo, imagine que uma
classe tenha alguns atributos encapsulados. Assim, uma subclasse desta classe herdará todos
os atributos encapsulados, além de outros atributos que fazem parte da especialização da
subclasse.
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
41
A definição de subclasses herdarem atributos de classes ancestrais assegura que
programas OO cresçam de forma linear e não geometricamente em complexidade
(HORSTMANN; CORNELL, 2010; BORATTI, 2007). Cada nova subclasse não possui
interação imprevisível em relação ao restante do sistema (CARDOSO, 2010).
Usando herança, um objeto pode tornar-se uma instância específica de um caso mais
geral, isto é, um objeto pode herdar os atributos gerais da respectiva classe mãe
(HORSTMANN; CORNELL, 2010; BORATTI, 2007). Ela precisa apenas definir as
características que o tornam único na classe na qual pertença (HORSTMANN; CORNELL,
2010; BORATTI, 2007).
A figura a seguir ilustra um exemplo de herança utilizando a plataforma Java.
Figura 3.3 – Exemplo de Herança utilizando plataforma Java.
A Figura (3.3) ilustra um exemplo de uma classe chamada NeuronioEntrada que
recebe por herança (herda) a classe Neuronio, também existem dois métodos polimórficos,
fazerSinapse() e calcularErro(), que serão explicado nos próximos capítulos.
Pela chamada hierárquica de classes, a subclasse NeuronioEntrada recebe todos os
atributos de animais, partindo do princípio que uma subclasse recebe por herança todos os
atributos de seus ancestrais.
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
42
3.5 Polimorfismo
Polimorfismo é a capacidade na qual as classes que derivam de uma superclasse de
invocar métodos que, embora apresentem a mesma assinatura, comportam-se de forma
específica para cada uma das classes derivadas, a fim de se manifestarem de acordo com
cada classe derivada, os métodos utilizam uma referência a um objeto que representa o tipo
da superclasse (HORSTMANN; CORNELL, 2010; BORATTI, 2007).
O mecanismo de redefinição de métodos é utilizado para que todos os métodos tenham
a mesma assinatura, o que se faz necessário no polimorfismo, mas vale destacar que, ao
utilizar a técnica de polimorfismo, o comportamento dos métodos somente será estabelecido
em tempo de execução (HORSTMANN; CORNELL, 2010; BORATTI, 2007; CARDOSO,
2010).
Contudo, nem todos os métodos podem sofrer ligações polimórficas, existem alguns
tipos de ligação que não permitem essas situações:
Métodos declarados como final;
A redefinição deste tipo de método não é possível. Sendo assim, seus descendentes
são incapazes de invocá-los de maneira polimórfica (BORATTI, 2007).
Métodos declarados como private;
Este tipo de métodos também não pode ser redefinido devido ao fato de,
implicitamente serem final (BORATTI, 2007).
A Figura (3.4) ilustra como é aplicado o polimorfismo utilizando a plataforma Java.
EEEE
Capítulo3–OrientaçãoaObjetosaplicadaaredesneuraisartificiais
43
Figura 3.4 – Polimorfismo aplicado na classe NeuronioIntermediario.
Figura 3.5 – Polimorfismo aplicado na classe NeuronioSaida.
Nas Figuras (3.4) e (3.5) foram utilizados herança para a superclasse Neuronio, a partir
dela, pode-se estender todas as características, ou seja, todos os atributos e métodos. Um dos
métodos herdado é o calculaErro(), pode-se perceber que este método está implementado
nas três classes, Neuronio, NeuronioIntermediario e NeuronioSaida, porém, em todas elas
eles apresentam comportamentos diferentes, denotando o conceito de polimorfismo.
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
44
Capítulo 4
Linguagem de programação JAVA
4.1 LinguagemJAVA
Entender um pouco da história da plataforma JAVA é essencial para enxergar os
motivos que levaram ao sucesso (DEITEL, 2010).
Quais eram os maiores problemas quando se programavam na década de 1990?
Ponteiros?
Gerenciamento de memória?
Organização?
Falta de biblioteca?
Ter que reescrever o código a cada vez que se mudasse de sistema operacional?
Custo financeiro de se usar a tecnologia?
A linguagem JAVA resolve bem esses problemas, que até então eram vistos com
freqüência nas outras linguagens (HORSTMANN, 2008). A Sun Micro systems (Sun) criou
um time conhecido como Green Team para desenvolver inovações tecnológicas em 1992.
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
45
Esse time foi liderado por James Gosling, considerado o pai do Java (HORSTMANN, 2009).
O time voltou com a idéia de criar um interpretador para pequenos dispositivos, facilitando a
reescrita de software para aparelhos eletrônicos, como vídeo cassete, televisão e aparelhos de
TV a cabo (HOSTMANN, 2008).
A ideia não deu certo. Tentaram fechar diversos contratos com grandes fabricantes de
eletrônicos, como Panasonic, mas não houve êxito devido ao conflito de interesses e custos
(HORSTMANN, 2008).
Em 2009 a Oracle comprou a Sun, fortalecendo a marca. A Oracle sempre foi, junto
com a IBM, uma das empresas que mais investiram e fizeram negócios através do uso da
plataforma Java.
4.2 MáquinaVirtual
Em uma linguagem de programação como o C e Fortran, por exemplo, tem-se o
seguinte escopo ao compilar um programa.
Figura 4.1 – Compilação de um Programa em C.
O código fonte é compilado para um código de máquina específico de uma plataforma e
sistema operacional. Muitas vezes o próprio fonte é desenvolvido visando uma única
plataforma (HORSTMANN, 2008; HORSTMANN, 2009).
Este executável (binário) será executado pelo sistema operacional e, por essa razão, ele
deve saber conversar com o SO em questão (HORSTMANN, 2008; DEITEIL, 2010).
Compila
Código Fonte em C
Código binário para um
determinado SO
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
46
Figura 4.2 – Fluxograma de comunicação entre SO’s.
Pela Figura (4.2) pode-se observar que, para cada SO deveria ter um código compilado
de acordo com sua arquitetura. Neste caso, se o gerente de projeto desejasse que o software
pudesse ser executado em diversas plataformas como é o caso do Open Office, Firefox, o
sistema desenvolvido deveria seguir a premissa do fluxograma apresentado acima (DEITEIL,
2010; HORSTMANN, 2009).
Os programas desenvolvidos na maioria das vezes utilizam das bibliotecas do SO,
como, por exemplo, a de interface gráfica para desenhar as “telas” do software, que será
utilizado no capítulo cinco para o design gráfico (HORSTMANN, 2009; ARNOLD et. al.
2007).
O JAVA utiliza do conceito de máquina virtual, onde existe, entre o sistema
operacional e a aplicação, uma camada extra responsável por “traduzir”, mas não apenas isso,
o que sua aplicação deseja fazer para as respectivas chamadas do sistema operacional onde ela
está sendo executada no momento (HORSTMANN, 2008; HORSTMANN, 2009; DEITEIL,
2010).
Figura 4.3 – Fluxograma da Máquina Virtual Java.
Segundo a Figura (4.3), a maneira na qual uma janela no Linux ou no Windows se
abrirá é a mesma, ou seja, independência do sistema operacional, mais especificamente,
Código Binário
Bytecode Java
Máquina Virtual
Java para Windows
Windows
Bytecode Java
Máquina Virtual
Java para Linux
Linux
Aplicação
Sistema Operacional
Código Binário
Para Windows
Windows
Código binário
Para Linux
Linux
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
47
independência de plataforma em geral. Não será necessário mais a preocupação em saber qual
plataforma o software desenvolvido será implantado (DEITEL, 2010; HORSTMANN, 2009).
Note que a máquina virtual (JVM) é um conceito muito mais amplo que um simples
interpretador. Como o próprio nome diz, uma JVM é como um “computador imaginário”; tem
tudo que um computador tem (DEITEIL, 2010). Em outras palavras, ela será responsável por
gerenciar memória, threads, a pilha de execução entre outras particularidades de um
computador (HORSTMANN, 2008; HORSTMANN, 2009; ARNOLD et al., 2007).
Partindo dessa premissa, os softwares jamais estarão envolvidos diretamente com o
sistema operacional, sempre estará relacionado apenas com a JVM (DEITEIL, 2010).
Essa é uma característica interessante, pois, tudo que passa pela JVM poderá tirar
métricas, decidir onde é melhor alocar memória, entre outros. Uma aplicação isola totalmente
a aplicação do SO (DEITEIL, 2010). Se uma JVM terminar inesperadamente, somente as
aplicações que estavam rodando irão se finalizar, isso não implicará no término prematuro de
outras que estarão rodando no mesmo computador, nem tão pouco afetará o SO (DEITEIL,
2010; HORSTMANN, 2008; ARNOLD et al., 2007).
Nesta camada, a máquina virtual, não entende o código Java, ou seja, entende somente
um código de maquina específico. Esse código de máquina é gerado por um compilador Java,
o javac, e é conhecido como “bytecode”, o compilador gera esses bytecodes que, diferente
das linguagens sem máquina virtual, vai servir para diferentes arquiteturas, uma vez que é
traduzido pela JVM (HORSTMANN, 2008; HORSTMANN 2009; DEITEIL, 2010).
4.3 HotspoteJIT
Hotspot é a tecnologia que a JVM utiliza para detectar pontos quentes da sua aplicação,
código que é executado muito, provavelmente dentro de um ou mais loops (DEITEIL, 2010).
Quando uma JVM julgar necessário, vai compilar estes códigos para instruções realmente
nativas da plataforma, para que esta aproveite o máximo de recurso oferecido pelo SO, ou
seja, irá melhorar o desempenho da aplicação Java (DEITEL, 2010; HORSTMANN, 2009;
ARNOLD et al., 2007). Esse recurso se dá por mérito do compilador JIT que é o responsável
por essa técnica (HORSTMANN, 2008; HORSTMANN 2009).
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
48
4.4 InterpretadaeCompilada
Quando se desenvolve algum programa utilizando a linguagem Java, para que esses
programas sejam executados em algum computador, é preciso realizar dois procedimentos
distintos: a interpretação e a compilação, diferentemente das outras linguagens que, ou devem
ser interpretadas ou compiladas (DEITEL, 2010).
Destacando que, ao passo que a compilação do programa é realizada somente uma única
vez, sua interpretação ocorre a cada execução do programa desenvolvido (DEITEIL, 2010).
4.5 JVM,JREeJDK
JVM apenas a virtual machine, esse download não existe, este sempre vem
acompanhada (DEITEL, 2010).
JRE Java Runtime Environment, ambiente de execução Java, formado pela JVM e
bibliotecas, tudo que se precisa para executar uma aplicação Java. (DEITEL, 2010).
JDK Java Development Kit: Pacote disponível para desenvolvedores. Na qual é
formado pela JRE somado a ferramentas, como o compilador (DEITEL, 2010).
4.6 JavaAPI
Em definição, tem-se a Java API (Application Programming Interface) como sendo
uma coleção de componentes de software, os quais englobam (DEITEIL, 2010;
HORSTMANN, 2008):
Estruturas que comportam o desenvolvimento de aplicações gráficas;
Estruturas que comportam a manipulação de arquivos;
Estruturas que comportam a interpretação de arquivos XML;
E muitos outros componentes
A organização de uma API é realizada como um conjunto de bibliotecas, nas quais
contêm interfaces e classes e também são chamadas de pacotes (HORSTMANN, 2008).
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
49
4.7 Multiplataforma
A execução de uma aplicação Java pode suceder em qualquer sistema operacional, ou
seja, é capaz de executar em qualquer plataforma a qual haja uma implementação da JVM.
Isso tudo é possível pelo fato da geração do bytecode (DEITEL, 2010; HORSTAMNN, 2008;
HORSTMANN, 2009).
Esta característica de ser executada em sistemas heterogêneos é essencial para
aplicações distribuídas, ou redes que apresentam diversas arquiteturas (DEITEL, 2010;
HORSTMANN, 2008).
4.8 GarbageCollector
Antes de se definir o que vem a ser Garbage Collector, é preciso analisar o processo de
criação de objetos em uma linguagem orientada a objetos. Sendo assim, tem-se que o
processo de criação faz com que diversos fragmentos de memória sejam ocupados de forma
dinâmica (HORSTMANN, 2008, ARNOLD et al., 2007).
Para que o desenvolvimento de aplicações por intermédio dessa linguagem não seja
limitada, o espaço que foi ocupado pelo processo de alocação dinâmica da memória, deve-se
sempre retornar ao sistema a fim de que seja reutilizado (HORSTMANN, 2009).
O GC (Garbage Collector) também é denominado de gerenciador automático de
memória, é uma das principais características do Java. É adotado por essa linguagem a qual,
após verificar se os objetos instanciados ainda possuem referencias válidas na memória, caso
contrário, recupera os espaços que não estão mais sendo utilizados pela aplicação e dessa
forma os libera (DEITEL, 2010; HORSTMANN, 2008). Isso permite que eventuais
problemas na alocação e à liberação de memória sejam evitados, bem como impede que
ocorra o estouro de memória (HORSTMANN, 2008; ARNOLD et. al., 2007).
4.9 Multithreaded
Dentre todas as características que o Java propõe, este também é uma linguagem
multithreaded, o que facilita muito a criação de aplicativos também multithreaded, nos quais
diversas linhas de execução são lançadas simultaneamente (DEITEIL, 2010; ARNOLD et al.,
2007).
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
50
Quando diversas linhas de execução (threads) são utilizadas, a performance interativa
de aplicativos gráficos é otimizada (ARNOLD et al., 2007).
4.10 Estruturabásicadeumaclasse.
Em um tópico mais adiante, uma abordagem especial sobre classes será destacada,
porém a idéia agora é somente demonstrar a estrutura básica de uma classe.
Figura 4.4 – Estrutura básica de uma classe
Em que as linhas:
1. Define o nome da classe;
2. Logo após a definição do nome da classe tem-se uma abertura de chave que
especifica o corpo (inicio do bloco) da classe. Tudo que fizer referencia à classe deverá
estar contido entre o primeiro abrir de chaves e o último fechar de chaves;
3. Definição do método main(). As instruções public, static, String, args() serão
explicadas oportunamente;
4. Abertura da chave (bloco) referente ao método main();
5. Declarações de variáveis dentro do método main();
6. Comandos dentro do método main();
7. Fecha chave (bloco) do método main();
8. Fecha chave (bloco) da classe.
4.11 ObjetivosdoJava
A quantidade enorme de bibliotecas gratuitas para realizar os mais diversos trabalhos
(tais como relatórios, gráficos, sistemas de busca, geração de código de barra, manipulação de
EEEE
Capítulo4–LinguagemdeprogramaçãoJAVA
51
XML, tocadores de vídeo, manipuladores de texto, persistência transparente, impressão, etc.)
é um ponto fortíssimo para adoção do Java, pode-se criar uma aplicação sofisticada, usando
diversos recursos, sem precisar comprar um componente específico, que costumam ser muito
caro. O ecossistema do Java é enorme (HORSTMANN, 2008; DEITEIL, 2010).
Cada linguagem tem seu espaço e seu melhor uso. O uso do Java é interessante em
aplicações que virão acrescer, em que a legibilidade do código é importante, onde existe
muita conectividade e plataformas heterogêneas (TAMASSIA et al., 2007; DEITEIL, 2010).
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
52
Capítulo 5
Aplicação para previsão de cargas
Neste capítulo será apresentada a aplicação desenvolvida bem como os resultados
encontrados nos testes para previsão de cargas elétricas.
Em tese, a aplicação foi desenvolvida utilizando padrões de softwares capazes de
otimizar o desenvolvimento e também a execução da aplicação proporcionando diversos
benefícios que são de suma importância quando se trata de treinamento de redes neurais
aplicadas na previsão de cargas elétricas.
O programa desenvolvido é capaz de arbitrar através de processos exaustivos os
parâmetros da rede tais como: taxa de aprendizado, taxa do momento, inclinação da função de
ativação, peso bias, número de camadas intermediárias etc., obtendo assim parâmetros mais
adequados para o treinamento, deste modo, o usuário final não precisa se preocupar com os
ajustes dos parâmetros para conseguir uma boa performance.
O método proposto, agiliza o treinamento capacitando assim a generalização de
modo que não seja exigida muito da capacidade computacional. Para facilitar a utilização da
aplicação, foi desenvolvida uma interface gráfica fazendo com que seja possível a
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
53
customização da rede de forma manual bem como de forma automática, deixando que o
programa arbitre os parâmetros de configuração.
É importante destacar que, em todos os testes realizados, a aplicação obteve um
comportamento bem satisfatório, para tanto, é bom enfatizar que a aplicação não necessita do
conhecimento profundo sobre o conceito de redes neurais, visto que, a aplicação é capaz de
realizar todos os procedimentos exceto a escolha do arquivo de entrada.
Os testes a seguir compreenderam dados de uma companhia do setor elétrico
brasileiro, para tanto, foram utilizados três períodos para compor o arquivo de entrada para
previsão de séries temporais para vinte e quatro horas e quarenta e oito horas, ou seja,
previsões de curto prazo.
5.1 InterfaceGráfica
Considerando a diversidade de softwares existentes no mercado, para a aplicação
deste trabalho foi desenvolvida, para que pudesse trazer de forma simples e objetiva as
diversas capacidades que se têm quando se trata de redes neurais, visando um software de
baixo custo e de pouco esforço computacional, a Figura 5.1 ilustra a interface gráfica
desenvolvida.
Nesta é possível ainda ajustar de forma manual o número de camadas
intermediárias como está ilustrado na Figura 5.2, também é possível a escolha dos parâmetros
como taxa de treinamento, inclinação da função de ativação, a escolha da função de ativação
etc., também é possível gravar os dados inerentes ao treinamento e/ou diagnóstico, após o
treinamento, convergido ou não, é possível a visualização dos gráficos do erro médio e
diagnóstico para que seja possível uma análise de forma mais detalhada.
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
54
Figura 5.1 – Aplicação Principal
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
55
Figura 5.2 – Inserção de camadas intermediárias
A Figura 5.2 ilustra um dos principais procedimentos adotados manualmente que
consiste na customização das camadas intermediárias, neste método, pode-se acrescentar
camadas intermediárias a rede neural do tipo back-propagation, a aplicação permite o
acréscimo de uma até cinco camadas intermediarias, visto que, acima disso a rede não
apresentou nenhum tipo de ganho de eficiência ou de tempo de processamento, embora tenha
sido testada para diversas aplicações, essa restrição pode ser configurada facilmente através
de um arquivo de configuração para que, caso haja necessidade do acréscimo de mais de
cinco camadas.
Após esta inclusão, é necessária a definição do número de neurônios contidos em
cada camada acrescida, de um modo geral, para cada camada é necessária a definição do
número maior que a camada antecedente para que não haja um estrangulamento de
informação, sendo assim, o programa já sugere um número indicado e não permitindo que
haja o estrangulamento.
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
56
Figura 5.3 – Definição do período para previsão.
Após a convergência do treinamento, o programa habilita a parte de previsão e
diagnostico, visto que, essas necessitam da rede já treinada, a Figura 5.3 ilustra o módulo de
previsão. Para previsão é necessário a escolha do período em horas, para os testes aplicados
neste trabalho foram usados previsões de curto prazo, 24 e 48 horas.
5.2 SistemaparaPrevisãoeDiagnóstico
Para que seja validada a fase de treinamento, o arquivo passa primeiramente por
uma verificação de consistência para que o sistema possa traduzir e reconhecer os dados de
entrada, transformando-os em números binários na amplitude de -1 (menos um) para valores
que no sistema binário é igual a 0 (zero), este método foi adotado tendo em vista a busca da
eficiência para treinamentos, objetivando o ganho de desempenho, tendo em vista que o
componente 0 (zero) não proporciona modificações efetivas nos pesos.
A previsão de carga a curto-prazo é realizada de modo que: a implementação da
recorrência na saída em um determinado instante será utilizada como entrada no instante
subseqüente. Serão considerados os dados históricos dentro de um intervalo preestabelecido a
fim de se obter melhores resultados e uma consistência na ocorrência das cargas a serem
previstas.
A entrada da rede, para uma determinada hora h, é definida como sendo os valores
da carga, extraídos dos dados históricos em quatro instantes: 1º) valor da carga corrente;
2º)valor da carga da hora anterior; 3º) valor da carga de duas horas anteriores; 4º) valor da
carga de três horas anteriores, a temperatura, etc., e os dados referentes ao tempo (mês, dia da
semana, feriado e hora, etc.). A saída da rede corresponde ao valor da carga referente à hora
(h+1), sendo assim, o vetor de entrada e saída é representado da seguinte forma
respectivamente:
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
57
X(h) = [ t
T
L(h-3) L(h-2) L(h-1) L(h) ]
T
, X R
m
Y(h) = [ L(h+1) ], Y R
1
sendo:
m = dimensão do vetor X;
L(h−p) = valor da carga p horas anterior à hora corrente h;
L(h+1) = valor da carga elétrica correspondente à hora subseqüente a hora corrente h;
t = vetor de tempo referente aos dados históricos (mês, dia da semana, feriado, hora,
etc.) representados de modo similar ao código binário (−1,+1).
Para este trabalho, foram considerados três períodos distintos formando assim três
aplicações, deste modo, com base nos dados históricos as aplicações contêm respectivamente
21, 42 e 84 dias, mais especificamente, utiliza-se como vetor de entrada os dias da semana e a
hora codificada com base no sistema binário, ou seja, serão representadas na forma de (-1 e
1), construindo um vetor com dimensão de 12 (doze) posições.
Para a primeira aplicação, foi composta com os dados históricos de 21 (vinte e
um) dias, compreendidos entre os dias 8 de julho a 28 de julho de 1998, num total de 504
vetores de entrada, e para segunda aplicação, com dados compreendidos entre o dia 17 de
junho a 28 de julho para o mesmo ano, logo derivando um banco de entradas de 1008 vetores,
e por fim a aplicação três, que foi composta por 2016 vetores, que foi compreendida entre os
dias 04 de maio a 27 de julho do mesmo ano.
5.3 DesenvolvimentodoModeloNeuralpelaPOO
Para que fosse possível o ganho do desempenho, utilizou-se para construir o
neurônio através da programação orientada a objeto o modelo biológico de forma a
concretizá-lo, de um modo geral, isso possibilitou o processamento de modo que cada camada
pudesse trabalhar de forma síncrona com os neurônios de sua camada. Havendo a necessidade
da criação de mais neurônios no desenvolvimento ou até mesmo em tempo de execução, este
modelo possibilitou um meio mais eficiente.
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
58
5.4 TreinamentoeResultados
Para realização dos treinamentos e previsões, os recursos computacionais
utilizados foram:
Propriedades da Placa Mãe:
o Fabricante: Intel Corporation;
o Modelo: D915GAV;
Propriedades do processador:
o Fabricante: Intel;
o Versão: Intel(R) Core (TM) 2 Quad CPU Q9550
o Clock (speed): 2.83GHz.
Propriedades do cache:
o Tipo: Interna;
o Tamanho: 4096 KB.
Propriedades do módulo de memória:
o Socket: CH A DIMM0;
o Tipo: DDR2, SDRAM;
o Tamanho: 3574 MB;
o Velocidade: 400 MHz.
Sistema operacional: Microsoft Windows XP Professional;
o Service Pack do Sistema Operacional: Service Pack 3.
Como o sistema desenvolvido é capaz de arbitrar os melhores parâmetros para
treinamento, cabe ressaltar que todas as três aplicações foi o sistema que se incumbiu de
atribuir os parâmetros da rede, a Tabela 5.1 ilustra os parâmetros mais adequados para o
treinamento através de processos exaustivos.
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
59
Tabela 5.1 – Especificação dos parâmetros da aplicação 1.
Item
Valor
24H 48H
Nº de Vetores padrão 504 504
Número de Camadas 4 4
Número de Neurônios por Camada 12–24–40-1 12-24-35-1
Tolerância 0,00002 0,00012
Taxa de Treinamento 0,332 7,3
Termo Momento 0,88 0,98
Inclinação da Função Sigmoide 0,115 0,128
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
60
Tabela 5.2 – Especificação dos parâmetros da aplicação 2.
Item
VALOR
24H 48H
Nº de Vetores padrão 1008 1008
Número de Camadas 4 4
Número de Neurônios por Camada 12–27–33-1 12-24-40-1
Tolerância 0,000009 0,000009
Taxa de Treinamento 3,9 0,331
Termo Momento 0,98 0,91
Inclinação da Função Sigmoide 0,4 0,1
Tabela 5.3 – Especificação dos parâmetros da aplicação 3.
Item
Valor
24H 48H
Nº de Vetores padrão 2016 2016
Número de Camadas 4 3
Número de Neurônios por Camada 12–24–41-1 12-24-1
Tolerância 0,000012 0,000009
Taxa de Treinamento 2,9 4,7
Termo Momento 0,98 0,95
Inclinação da Função Sigmoide 0,26 0,212
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
61
As tabelas 5.1, 5.2, 5.3 apresentam os melhores parâmetros calculados pelo
sistema neural desenvolvido, a seguir serão apresentados os resultados obtidos através da
previsão de cargas de curto prazo, 24 e 48 horas.
As Figuras 5.4 e 5.5 apresentam os resultados obtidos para previsão do dia 29 e 30
de Julho de 1998 respectivamente.
Figura 5.4 – Resultado da previsão de 24h para a aplicação 1.
Figura 5.5 – Resultado da previsão de 48h para a aplicação 1.
As Figuras 5.6 e 5.7 apresentam os resultados obtidos para previsão do dia 29 e 30
de Julho de 1998 respectivamente.
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
62
Figura 5.6 – Resultado da previsão de 24h para a aplicação 2.
Figura 5.7 – Resultado da previsão de 48h para a aplicação 2.
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
63
As Figuras 5.8 e 5.9 apresentam os resultados obtidos para previsão do dia 28 e 29
de Julho de 1998 respectivamente.
Figura 5.8 – Resultado da previsão de 24h para a aplicação 3.
Figura 5.9 – Resultado da previsão de 48h para a aplicação 3.
Na avaliação da precisão, é importante levar-se em consideração o erro percentual
absoluto médio MAPE (SRINIVASAN et al., 1998) e o erro máximo, que se baseia na
comparação dos valores reais da carga com os valores previstos pela rede neural da seguinte
forma:
send
o tr
a
b
ase
a
praz
o
algo
r
EEE
E
o:
L(h
)
L(h
)
N =
Tab
e
Par
a
a
balho de
L
a
da na arq
u
o
, onde co
n
r
itmo bac
k
-
E
)
= valor da
)
= valor da
número to
t
Tabela 5.
Tabela 5.
e
la 5.6 – Ta
b
a
avaliar o
s
L
opes et.
a
u
itetura A
R
n
seguiu res
u
-
propagatio
n
carga real
r
carga esti
m
t
al de horas
.
4 – Erro m
é
4 – Erro m
é
b
ela 5.4 –
E
s
istema pre
v
a
l. (2004)
d
R
T (Adapti
v
u
ltados atr
a
n
convenci
o
Cap
í
r
eferente a
h
m
ada pela r
e
.
é
dio e erro
m
é
dio e erro
m
E
rro médio
e
v
isor dese
n
d
esenvolvi
d
v
e Resona
n
a
vés de doi
s
o
nal com
M
í
tulo5–
A
p
l
h
ora h;
e
de neural r
m
áximo pa
r
m
áximo pa
r
e
erro máx
i
n
volvido ne
s
d
o em For
t
n
ce Theor
y
)
s
tipos de
r
M
APE de
2
l
icaçãopa
r
eferente à
h
r
a a aplicaç
r
a a aplicaç
i
mo para a
a
s
te trabalh
o
t
ran, utiliz
a
)
para real
i
r
edes neura
2
,03% e er
r
r
aprevisão
h
ora h;
ão 1.
ão 2.
a
plicação 3.
o
, levando-
s
a
ndo uma
r
i
zar previs
õ
is: a) rede
r
o máximo
decargas
6
4
s
e em cont
a
r
ede neura
l
õ
es a curt
o
neural co
m
de 5,62, b
)
4
a
l
o
m
)
EEEE
Capítulo5–Aplicaçãoparaprevisãodecargas
65
uma rede Rede Neural ART&ARTMAP Nebulosa com MAPE de 1,49% e erro máximo de
3,38.
Destaca-se também, Altran et al. (2005), que utilizou o algoritmo back-
propagation diversificando as funções de ativação para a busca de melhores resultados, neste
o índice do menor erro médio (MAPE) foi de 0,96% e do erro máximo de 3,86% utilizando
uma função gaussiana como ativação, vale ressaltar que este teve uma aplicação igual à
aplicação 1 abordada neste artigo, onde se alcançou erro médio de 0,76%, tendo em vista
estes trabalhos, o sistema proposto conseguiu resultados equivalentes e com bons índices nos
parâmetros MAPE e MAX dando confiabilidade e estabilidade no processo de predição.
Embora possa existir diversos artigos que abordem diferentes técnicas como em (SAINI;
SONI, 2002; OSMAS et al., 2007; LEONE, 2006), este trabalho apresentou um bom
rendimento com relação a todos os trabalhos mencionados.
As Tabelas 5.4, 5.5 e 5.6 apresentam os resultados obtidos através das
comparações realizadas levando-se em conta as saídas reais e as saídas obtidas, de um modo
geral, pode-se avaliar o desempenho das aplicações que obtiveram bons resultados com
relação a outras aplicações do mesmo gênero.
EEEE
Capítulo6–ConclusõeseTrabalhosFuturos
66
Capítulo 6
Conclusões e Trabalhos Futuros
6.1 Conclusões
Neste trabalho foi apresentado um modelo moderno e eficiente de classificação e
previsão de cargas elétricas através de paradigmas de programação orientada a objeto a qual
trouxe diversas formas de aplicar e manipular as redes neurais de forma a garantir uma
eficiência no algoritmo de retro propagação, conhecido como back-propagation, desta forma,
é importante lembrar que a aplicação desenvolvida nesta pesquisa obteve êxito na maior parte
dos testes realizados, de um modo geral, as aplicações para previsão de curto prazo obtêm
índices de erro médio abaixo de 1% conforme literatura.
Diversos testes foram feitos levando-se em contas os dias atípicos (feriados) e
finais de semanas, em que o sistema obteve êxito e um excelente desempenho, em sua maior
EEEE
Capítulo6–ConclusõeseTrabalhosFuturos
67
parte dos testes com erros médios abaixo de 4%.Assim, pode-se concluir que o sistema foi
capaz de treinar e realizar previsões para períodos distintos que também envolveram dias
atípicos e finais de semana.
A principal vantagem do modelo desenvolvido está na definição dos parâmetros da
rede neural que, através de processos exaustivos é capaz de definir quais serão os melhores
parâmetros para a realização do treinamento da rede, entretanto cabe ressaltar que os
parâmetros obtidos através desses processos pode não ser necessariamente os melhores, já que
o processo de atribuição dos pesos da rede são aleatórios. Este processo de adaptação dos
parâmetros não exige nenhum tipo de conhecimento técnico sobre redes neurais, visto que
este processo é absolutamente transparente ao usuário.
Nesta pesquisa, optou-se no desenvolvimento de um software baseado na
linguagem JAVA para que pudesse obter o máximo de desempenho uma vez que, esta
linguagem possibilita a interação com diversos tipos de sistemas operacionais e traz consigo
uma gama de técnicas para desenvolvimento de software, uma delas e talvez a mais relevante
seja a técnica de programação orientada a objeto, este modelo é capaz de tornar um termo
abstrato e transformá-lo em algo concreto fazendo que se torne mais fácil e eficiente o
desenvolvimento das aplicações, deste modo, é possível afirmar que se tratando de
desempenho em todas as aplicações desenvolvidas e testadas, tiveram êxito em relação a
outros softwares já desenvolvidos para previsões de cargas elétricas de curto prazo.
A previsão de cargas a curto prazo aqui mencionadas, apontaram uma grande
eficiência no método proposto, e os resultados foram de grande relevância no âmbito de
previsão de cargas elétricas, o sistema desenvolvido também tem a intenção de diminuir
custos e potencializar o desempenho, já que os softwares de hoje em dia como o MATLAB
são de grande custo e desenvolvidos para diversas aplicações, além de não trazer consigo
métodos já implementados de previsões de cargas.
É importante evidenciar que este trabalho também contribui não só para as áreas
comerciais, mas também para o ensino acadêmico. Nesta, o programa proposto poderá ser
usado para mostrar de forma objetiva como uma RNA pode ser aplicada em diversas áreas.
Deste modo, ficará claro para o educando quais são os meios necessários para se aplicar redes
neurais nas pesquisas deste âmbito.
EEEE
Capítulo6–ConclusõeseTrabalhosFuturos
68
Por fim, a implementação de redes neurais para previsões de cargas permitiu de
forma eficiente e confiável o diagnóstico e previsão de cargas elétricas trazendo rapidez,
agilidade, confiabilidade, menor custo e menor esforço computacional, já que o processo de
previsão é feito de forma on-line.
6.2 SugestãoparaTrabalhosFuturos
Os resultados produzidos nesta pesquisa podem ser considerados satisfatórios (no
contexto da precisão e da rapidez na obtenção das soluções), conforme argumentado
anteriormente. Porém, sugerem-se algumas melhorias e procedimentos que podem ser
implementados com o propósito de tornar esta metodologia mais eficiente:
Desenvolvimento de um método capaz de arbitrar os dados não de forma
exaustiva, mas sim de forma estatística, ou através de processos de inferência da lógica de
Fuzzy;
Inclusão de um processo de leitura do arquivo de entrada contendo os dados
históricos de forma automática.
EEEE
Capítulo7–Referências
69
Capítulo 7
Referências
AL-KANDARI, A. M.; SOLIMAN, S. A.; EL-HAWARY, M. E. Fuzzy shortterm electric
load forecasting. International Journal of Electrical Power & Energy Systems, v.26, n.2,
p.111-122, 2004.
ALMEIDA, C.; FISHWICH, P. A.; TANG, Z. Time series forecasting using neural
network vs. box-jenkins methodology. New York: Simulation Councies, 1991. p.303-310.
ALTRAN, A. B.; LOPES, M. L. M.; MINUSSI, C. R.; VILLARREAL, F. Um estudo das
funções de base radial aplicadas à previsão de cargas elétricas via redes neurais artificiais.
CONGRESSO NACIONAL DE MATEMÁTICA APLICADA E COMPUTACIONAL-
CNMAC, v.8, 2005, São Paulo. p.1-6.
EEEE
Capítulo7–Referências
70
ANSELMO, F. Aplicando lógica orientada a objetos em Java. 2.ed. São Paulo: Visual
Books, 2009. 78p.
ARNOLD, K; GOSLING, J; HOMES, D. A linguagem de programação Java. 4.ed. São
Paulo: Bookman, 2007. 145p.
BORATTI, I.C. Programação orientada a objetos em Java. São Paulo: Visual Books,
2007. 133p.
BRAGA, A. P.; LUDEMIR, T. B; CARVALHO, A. C. P. L. F. Redes neurais artificiais:
teoria e aplicação. LTC, 2000. 38p.
CARDOSO, C. Orientação a objetos na prática: aprendendo orientação a objetos com Java.
Ciência Moderna, São Paulo, v.1, 2010. 22p.
CHEN, C. S; TZENG, Y. M; HWANG, J. C. The application of artificial neural network to
substation load forecasting. Electric Power Systems Research, USA, v.38, n.2, p.150-160,
1996.
DE GOOIJER, J. G; HYNDMAN, R. J. 25 years of time series forecasting. International
Journal of Forecasting, USA, v.22, n.3, p.443–473, 2006.
DEITEL, H. M; DEITEL, P. J. Java: como programar. 8.ed. São Paulo: Pearson Prentice
Hall, 2010. 77p.
HAYKIN, S. Neural networks: a comprehensive foundation. 2. ed. New Jersey: Prentice-
Hall, 1999. 232p.
EEEE
Capítulo7–Referências
71
HAYKIN, S. Redes neurais: princípios e prática. 2.ed. Porto Alegre: Bookman, 2001. 55p.
HAYKIN, S. Neural networks and learning machines. 3.ed. New Jersey: Prentice Hall,
2008. 144p.
HORSTMANN, C. S. Conceitos de computação com Java. São Paulo: Bookman, 2008. 211p.
HORSTMANN, C. S. Core Java: fundamentos. Pearson Prentice Hall, São Paulo, 2009. v.1,
98p.
HORSTMANN, C.S; CORNELL, G. Core java 2: fundamentos. 7.ed. São Paulo: Alta
Books, 2010. 177p.
KROSE, B; SMAGT, P. V. Na introduction to neural networks. Amsterdam: University of
Amsterdam, 1996. 81p.
LEONE, M. A. Previsão de carga de curto prazo usando ensembles de previsores
selecionados e evoluídos por algoritmos genéticos. 2006. Tese (Mestrado)- Faculdade de
Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, 2006.
LIMA, C. M.; LABIDI, S. Introdução à inteligência artificial. São Luiz: FAPEMA, 1999.
166p.
LOPES, M. L. M.; MINUSSI, C. R. Treinamento de redes neurais via back-propagation com
controlador nebuloso. CONGRESSO BRASILEIRO DE AUTOMÁTICA, 13., 2000, Lugar
de Realização do Evento. Gramado-RS: UFSC, 2000. p.1616-1621.
EEEE
Capítulo7–Referências
72
LOPES, M. L. M.; LOTUFO, A. D. P.; MINUSSI, C. R. Previsão de curto-prazo de cargas
elétricas por redes neurais. CONGRESSO DA SOCIEDADE BRASILEIRA DE
AUTOMÁTICA- CBA, v.15, Gramado, 2004. p.1-6
MAEDA, J. L. Y; LOTUFO, A. D. P; LOPES, M. L. M. Previsão de cargas elétricas através
de uma rede neural de base radial (Rbf) utilizando a função grnn do matlab. In:
CONFERENCE ON DYNAMICS, CONTROL AND APPLICATIONS, v.7, Presidente
Prudente: UNESP, 2008. p1-8.
MENDES FILHO, E. F; CARVALHO, A. C. P. L. Tutorial introdutório sobre redes
neurais artificiais. Lugar de Publicação: Departamento de Ciências de Computação e
Estatística – USP, 1997. 7p.
MINUSSI, C. R.; SILVEIRA, M. C. G. Electric power system transient stability by neural
networks. MIDWEST SYMPOSIUM ON CIRCUITS AND SYSTEM, v.38., Rio de Janeiro:
Institute of Electrical & Electronics Enginee, 1995, p.1305-1308.
MORETTIN, G. A; TOLOI, C. M. Análise de series temporais. São Paulo: Edgard Blücher,
2006. 47p.
MURTO, P. Neural network models for short-term load forecasting. 1998. Thesis (Masters)-
Department of Engineering Physics and Mathematics, Helsinki University of Technology,
Helsinki, 1998.
NIELSEN, H.B. Damping parameter in marquardt’s method, Denmark: Technical University
of Denmark, 1999. 31p. (Technical Report IMM-REP-1999-05).
EEEE
Capítulo7–Referências
73
NOSE FILHO, K; LOTUFO, A. D. P; LOPES, M. L. M; Utilização de redes neurais
artificiais e redes neurofuzzy para previsão de cargas elétricas. VII BRAZILIAN
CONFERENCEON DYNAMICS, CONTROL AND APPLICATIONS, v.7, Presidente
Prudente, 2008. p 1-6.
OSMAS, Z. H; AWAD, M. L; MAHMOUD, T. K. Neural network based approach for short-
term load forecasting. INTERNATIONAL CONFERENCE ON NATURAL
COMPUTATION, v.3, North Carolina, USA, 2007. p. 22-32
PEREIRA, B.B. Data mining using neural networks: a guide for statisticians. Rio de
janeiro: UFRJ - Universidade Federal do Rio de Janeiro, 2009. 1p.
SAINI, L.M.; SONI, M.K. Artificial neural network based peak load forecasting using
levenberg-marquardt and quasi-newton methods. IEE Proceedings on Generation
Transmission, Distribution, Great Britain, v.149, n.5, p.578- 584, 2002.
SIMPSON, P. K. Artificial neural systems: foudations, paradigms, applications, and
Implementations. New York: Pergamon Press, 1989. 1p.
SRINIVASAN, D.; TAN, S. S.; CHANG, C. S.; CHAN, E. K. Practical implementation of a
hybrid fuzzy neural network for one-day-ahead load forecasting. IEE Proceedings
Generation, Transmission and Distribution, USA, v.145, n.6, p.687–692, November 1998.
STORB, B. H; WAZLAWICK, R. S. Algumas pinceladas’ sobre redes neurais artificiais.
Florianópolis: Departamento de Informática e Estatística – UFSC, 1999. 1p.
SWARUP, K. S.; SATISH, B. Integrated an approach to forecast load. IEEE Computer
Applications in Power, USA, v.15, n.1, p.46-51, 2002.
EEEE
Capítulo7–Referências
74
TAMASSIA, R; GOODRICH, M. T. Estrutura de dados e algoritmos em java. 4.ed., São
Paulo: Bookman, 2007. 21p.
WASSERMAN, P. D. Neural computing: theory and practice. Canada: Van Nostrand
Reinhold, 1989. 17p. ISBN:0-442-20743-3.
WIDROW, B.; LEHR, M.A. 30 years of adaptive neural networks: perceptron, madaline, and
back propagation. Proceedings of the IEEE, Stanford University - Canada, v.78, n.9, p.1415-
1442, 1990.
YALCINOZ, T.; EMINOGLU, U. Short term and medium term power distribution load
forecasting by neural networks. Energy Conversion and Management, USA, v.46, n.10, p.
1393-1405, 2004.
ZUBEN, F. J. V. Introdução à computação natural. Lugar de Publicação: Local de edição,
ano de publicação. Disponível em
<ftp://ftp.dca.fee.unicamp.br/pub/docs/vonzuben/ia013_2s08/notas_de_aula/topico2_08.pdf>
Acesso em: 3 abr. 2010.
WERBOS, P. J. Beyond regression: new tools for prediction and analysis in the behavioral
sciences. 1974. Master (Thesis), Harvard University, Harvard,1974.
EEEE
Apêndice
75
Apêndice A
Artigos Publicados Relacionados com esta Pesquisa de Mestrado
1. CAMPOS, J. R; LOTUFO, A. D. P; MINUSSI, C. R; LOPES, M. L. M;
“Implementação de Redes Neurais Artificiais Utilizando a Linguagem de
Programação JAVA”, DINCON´10 - 9
th
Brazilian Conferenceon Dynamics, Control
and their Applications, 9 ed., Serra Negra - SP, 2010.
2. CAMPOS, J. R; LOTUFO, A. D. P; MINUSSI, C. R; LOPES, M. L. M;
“Desenvolvimento de uma Plataforma JAVA na Previsão de Cargas Elétricas
utilizando Redes Neurais Artificiais”, Congresso Brasileiro de Sistemas Fuzzy,
Sorocaba - SP, 2010.
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
