Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões
Main Author: | |
---|---|
Publication Date: | 2022 |
Format: | Master thesis |
Language: | por |
Source: | Repositório Institucional da UFABC |
Download full: | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124304 |
Summary: | Orientadora: Profa. Dra. Patrícia Teixeira Leite Asano |
id |
UFBC_4db6097c0671b68f16e33cef6ab7a7d8 |
---|---|
oai_identifier_str |
oai:BDTD:124304 |
network_acronym_str |
UFBC |
network_name_str |
Repositório Institucional da UFABC |
repository_id_str |
|
spelling |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazõesPREVISÃO DE VAZÕESAPRENDIZADO COMPUTACIONALREDES NEURAIS CONVOLUCIONAISPLANEJAMENTO ENERGÉTICOSTREAMFLOW FORECASTINGMACHINE LEARNINGARTIFICIAL NEURAL NETWORKSENERGY PLANNINGPROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABCOrientadora: Profa. Dra. Patrícia Teixeira Leite AsanoDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Energia, Santo André, 2022.Este trabalho aborda o problema da previsão de vazões naturais afluentes aos aproveitamentos hidrelétricos e às bacias hidrográficas. Considerando que não se contemplam a construção de novas usinas hidrelétricas com reservatórios, o tempo necessário para recuperar os reservatórios das usinas existentes entre as épocas chuvosas e secas é cada vez maior, portanto, a previsão de vazões deve ser feita com a maior acurácia possível. A metodologia empregada pelos modelos utilizados para o planejamento e operação do Sistema Interligado Nacional é compatível com modelos de previsão de vazões e de geração de cenários hidrológicos. Dentre os modelos utilizados para previsão de vazões, vale citar os modelos físicos, estatísticos e os baseados em sistemas inteligentes. Apesar de esses modelos serem constantemente aprimorados, a acurácia obtida para algumas usinas e bacias hidrográficas apresentam grandes desvios, que, consequentemente, são incorporados aos modelos de planejamento e operação. Os efeitos econômicos desses desvios aumentam o custo de geração da energia elétrica, que aumenta o valor da tarifa paga pela sociedade. Neste contexto, com a motivação de se melhorar a acurácia na etapa de previsão de vazões, propõe-se dois modelos de aprendizado de máquina: um baseado na metodologia de Time Delay Neural Network (TDNN), e outro baseado na metodologia Long Short Term Memory (LSTM). O primeiro foi desenvolvido em código aberto na linguagem Java, e para o segundo foi feita a implementação de uma aplicação desenvolvida em Python ao caso das bacias hidrográficas brasileiras. Ambas as metodologias aplicadas obtiveram resultados superiores aos modelos físicos e estatísticos que atualmente vem sendo utilizado pelo setor elétrico brasileiro.This work addresses the problem of forecasting natural flows tributary to hydroelectric plants and hydrographic basins. Considering that the construction of new hydroelectric plants with reservoirs is not contemplated, the time required to recover the reservoirs of existing plants between the rainy and dry seasons is increasing, therefore, the flow forecast must be made with the greatest possible accuracy. The methodology used by the models used for the planning and operation of the National Interconnected System is compatible with models for forecasting flows and generating hydrological scenarios. Among the models used for forecasting flows, it is worth mentioning the physical, statistical models and those based on intelligent systems. Although these models are constantly being improved, the accuracy obtained for some plants and hydrographic basins presents large deviations, which, consequently, are incorporated into the planning and operation models. The economic effects of these deviations increase the cost of generating electricity, which increases the value of the tariff paid by society. In this context, with the motivation of obtaining results to improve the accuracy in the flow forecasting stage, two machine learning models are proposed: one based on the Time Delay Neural Network (TDNN) methodology, and another based on the Long Short methodology. Term Memory (LSTM). The first was developed in open source in the Java language, and for the second, an application developed in Python was implemented for the case of Brazilian watersheds. Both applied methodologies obtained superior results to the physical and statistical models that are currently being used by the Brazilian electricity sector.Asano, Patrícia Teixeira LeiteSantos, Ricardo Caneloi dosAzambuja, Rodrigo da RosaFerreira, Fábio Godoy2022info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf128 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124304http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124304&midiaext=80814Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124304porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2023-06-14T15:38:42Zoai:BDTD:124304Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2023-06-14T15:38:42Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false |
dc.title.none.fl_str_mv |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
title |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
spellingShingle |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões Ferreira, Fábio Godoy PREVISÃO DE VAZÕES APRENDIZADO COMPUTACIONAL REDES NEURAIS CONVOLUCIONAIS PLANEJAMENTO ENERGÉTICO STREAMFLOW FORECASTING MACHINE LEARNING ARTIFICIAL NEURAL NETWORKS ENERGY PLANNING PROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABC |
title_short |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
title_full |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
title_fullStr |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
title_full_unstemmed |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
title_sort |
Desenvolvimento de ferramenta baseada em redes neurais artificiais para aplicação ao problema da previsão de vazões |
author |
Ferreira, Fábio Godoy |
author_facet |
Ferreira, Fábio Godoy |
author_role |
author |
dc.contributor.none.fl_str_mv |
Asano, Patrícia Teixeira Leite Santos, Ricardo Caneloi dos Azambuja, Rodrigo da Rosa |
dc.contributor.author.fl_str_mv |
Ferreira, Fábio Godoy |
dc.subject.por.fl_str_mv |
PREVISÃO DE VAZÕES APRENDIZADO COMPUTACIONAL REDES NEURAIS CONVOLUCIONAIS PLANEJAMENTO ENERGÉTICO STREAMFLOW FORECASTING MACHINE LEARNING ARTIFICIAL NEURAL NETWORKS ENERGY PLANNING PROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABC |
topic |
PREVISÃO DE VAZÕES APRENDIZADO COMPUTACIONAL REDES NEURAIS CONVOLUCIONAIS PLANEJAMENTO ENERGÉTICO STREAMFLOW FORECASTING MACHINE LEARNING ARTIFICIAL NEURAL NETWORKS ENERGY PLANNING PROGRAMA DE PÓS-GRADUAÇÃO EM ENERGIA - UFABC |
description |
Orientadora: Profa. Dra. Patrícia Teixeira Leite Asano |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124304 |
url |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124304 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=124304&midiaext=80814 Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=124304 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 128 f. : il. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFABC instname:Universidade Federal do ABC (UFABC) instacron:UFABC |
instname_str |
Universidade Federal do ABC (UFABC) |
instacron_str |
UFABC |
institution |
UFABC |
reponame_str |
Repositório Institucional da UFABC |
collection |
Repositório Institucional da UFABC |
repository.name.fl_str_mv |
Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC) |
repository.mail.fl_str_mv |
|
_version_ |
1801502110375739392 |