Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFJF |
Texto Completo: | https://repositorio.ufjf.br/jspui/handle/ufjf/12699 |
Resumo: | A operação de uma usina hidrelétrica é dependente de diversos fatores como a programação de geração de energia, do volume de água disponível no seu reservatório, as condições do rio a jusante e a segurança das barragens. Um grande desafio da operação é controlar o vertimento da água do reservatório. Embora a ação de vertimento represente a perda de recursos energéticos, esta ação também é uma estratégia poderosa para controlar o nível do reservatório, garantindo a segurança da barragem. A tomada de decisão quanto a essa operação é realizada com antecedência e geralmente se baseia em informações estimadas de nível e demanda. Neste contexto, este trabalho aplica técnicas de aprendizado supervisionado de máquina para predizer, cinco horas a frente, a condição operativa de vertimento em uma usina hidrelétrica. Com o objetivo de ser utilizado em tempo real, este método visa auxiliar o operador, de modo que este consiga tomar decisões mais assertivas e seguras, preservando recursos energéticos e promovendo aumento da segurança das barragens e, consequentemente, dos trabalhadores e da população que reside às margens do rio a jusante da usina. Floresta Aleatória, Perceptron Multicamadas e a combinação destes algoritmos de aprendizado são utilizados e comparados neste trabalho. A metodologia proposta foi implementada e testada com uma usina hidrelétrica localizada no Rio Tocantins, Brasil, com capacidade de geração de 902,5MW. Os resultados da metodologia demonstraram ue a ferramenta tem capacidade de ser um auxílio eficiente aos operadores de uma usina nas tomadas de decisão, visto que os modelos de previsão alcançaram patamares superiores à 99% de acerto nas previsões de vertimento. |
id |
UFJF_40e0be35a28832c4ef2a39fecb91e39d |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/12699 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Silva Junior, Ivo Chaves dahttp://lattes.cnpq.br/6893941321946438Oliveira, Leonardo Willer dehttp://lattes.cnpq.br/9223644407644508Asano, Patrícia Teixeira Leitehttp://lattes.cnpq.br/5742286307682505Melo, Igor Delgado dehttp://lattes.cnpq.br/9811563971757515http://lattes.cnpq.br/3230660279209896Nascimento, Pedro Henrique Macedo2021-05-20T11:05:49Z2021-05-132021-05-20T11:05:49Z2021-02-26https://repositorio.ufjf.br/jspui/handle/ufjf/12699A operação de uma usina hidrelétrica é dependente de diversos fatores como a programação de geração de energia, do volume de água disponível no seu reservatório, as condições do rio a jusante e a segurança das barragens. Um grande desafio da operação é controlar o vertimento da água do reservatório. Embora a ação de vertimento represente a perda de recursos energéticos, esta ação também é uma estratégia poderosa para controlar o nível do reservatório, garantindo a segurança da barragem. A tomada de decisão quanto a essa operação é realizada com antecedência e geralmente se baseia em informações estimadas de nível e demanda. Neste contexto, este trabalho aplica técnicas de aprendizado supervisionado de máquina para predizer, cinco horas a frente, a condição operativa de vertimento em uma usina hidrelétrica. Com o objetivo de ser utilizado em tempo real, este método visa auxiliar o operador, de modo que este consiga tomar decisões mais assertivas e seguras, preservando recursos energéticos e promovendo aumento da segurança das barragens e, consequentemente, dos trabalhadores e da população que reside às margens do rio a jusante da usina. Floresta Aleatória, Perceptron Multicamadas e a combinação destes algoritmos de aprendizado são utilizados e comparados neste trabalho. A metodologia proposta foi implementada e testada com uma usina hidrelétrica localizada no Rio Tocantins, Brasil, com capacidade de geração de 902,5MW. Os resultados da metodologia demonstraram ue a ferramenta tem capacidade de ser um auxílio eficiente aos operadores de uma usina nas tomadas de decisão, visto que os modelos de previsão alcançaram patamares superiores à 99% de acerto nas previsões de vertimento.Operation at a hydroelectric plant is dependent on several factors such as the schedule of power generation, the volume of water available in its reservoir, the conditions of the river downstream, and the safety of the dams. A major challenge of the operation is to control the spillage from the reservoir. Although the spillage action represents the loss of energy resources, this action is also a powerful strategy to control the level of the reservoir, ensuring the safety of the dam. Decision-making regarding this operation is carried out in advance and is generally based on estimated level and demand information. In this context, this work applies supervised machine learning techniques to predict, for five hours to come, the operating condition of pouring in a hydroelectric plant. Intending to be used in real-time, this method aims to assist the operator, so that he can make more assertive and safer decisions, preserving energy resources and promoting increased safety of dams, and consequently, of workers and the population that resides river banks downstream of the plant. Random Forest, Multilayer Perceptron and the combination of these learning algorithms are adopted and compared in this work. The proposed methodology was implemented and tested with a hydroelectric plant located on the Tocantins River, Brazil, with a generation capacity of 902.5MW. The results of the methodology demonstrated that the tool has the capacity to be an efficient aid to the operators of a plant in decision making, since the forecasting models reached levels above 99% of correctness in the spillage forecasts.porUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia ElétricaUFJFBrasilFaculdade de EngenhariaAttribution-ShareAlike 3.0 Brazilhttp://creativecommons.org/licenses/by-sa/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAAprendizado de máquinaPrevisãoEnergia hidroelétricaTelemetriaGerenciamento de recursosMachine learningForecastHydroelectric energyTelemetryResource managementAplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFORIGINALpedrohenriquemacedonascimento.pdfpedrohenriquemacedonascimento.pdfapplication/pdf1671301https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/1/pedrohenriquemacedonascimento.pdffd92f4e56b76b6bb111e0119d6664ae5MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81031https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/2/license_rdf9b85e4235558a2887c2be3998124b615MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTpedrohenriquemacedonascimento.pdf.txtpedrohenriquemacedonascimento.pdf.txtExtracted texttext/plain126786https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/4/pedrohenriquemacedonascimento.pdf.txt6432efb6ecab82ad807c088ad66be5daMD54THUMBNAILpedrohenriquemacedonascimento.pdf.jpgpedrohenriquemacedonascimento.pdf.jpgGenerated Thumbnailimage/jpeg1154https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/5/pedrohenriquemacedonascimento.pdf.jpge39928b05592d17a89147b2530cd852eMD55ufjf/126992021-05-21 03:17:06.798oai:hermes.cpd.ufjf.br:ufjf/12699Tk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo=Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2021-05-21T06:17:06Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
title |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
spellingShingle |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas Nascimento, Pedro Henrique Macedo CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizado de máquina Previsão Energia hidroelétrica Telemetria Gerenciamento de recursos Machine learning Forecast Hydroelectric energy Telemetry Resource management |
title_short |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
title_full |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
title_fullStr |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
title_full_unstemmed |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
title_sort |
Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas |
author |
Nascimento, Pedro Henrique Macedo |
author_facet |
Nascimento, Pedro Henrique Macedo |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Silva Junior, Ivo Chaves da |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/6893941321946438 |
dc.contributor.advisor-co1.fl_str_mv |
Oliveira, Leonardo Willer de |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/9223644407644508 |
dc.contributor.referee1.fl_str_mv |
Asano, Patrícia Teixeira Leite |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/5742286307682505 |
dc.contributor.referee2.fl_str_mv |
Melo, Igor Delgado de |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/9811563971757515 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3230660279209896 |
dc.contributor.author.fl_str_mv |
Nascimento, Pedro Henrique Macedo |
contributor_str_mv |
Silva Junior, Ivo Chaves da Oliveira, Leonardo Willer de Asano, Patrícia Teixeira Leite Melo, Igor Delgado de |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Aprendizado de máquina Previsão Energia hidroelétrica Telemetria Gerenciamento de recursos Machine learning Forecast Hydroelectric energy Telemetry Resource management |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Previsão Energia hidroelétrica Telemetria Gerenciamento de recursos Machine learning Forecast Hydroelectric energy Telemetry Resource management |
description |
A operação de uma usina hidrelétrica é dependente de diversos fatores como a programação de geração de energia, do volume de água disponível no seu reservatório, as condições do rio a jusante e a segurança das barragens. Um grande desafio da operação é controlar o vertimento da água do reservatório. Embora a ação de vertimento represente a perda de recursos energéticos, esta ação também é uma estratégia poderosa para controlar o nível do reservatório, garantindo a segurança da barragem. A tomada de decisão quanto a essa operação é realizada com antecedência e geralmente se baseia em informações estimadas de nível e demanda. Neste contexto, este trabalho aplica técnicas de aprendizado supervisionado de máquina para predizer, cinco horas a frente, a condição operativa de vertimento em uma usina hidrelétrica. Com o objetivo de ser utilizado em tempo real, este método visa auxiliar o operador, de modo que este consiga tomar decisões mais assertivas e seguras, preservando recursos energéticos e promovendo aumento da segurança das barragens e, consequentemente, dos trabalhadores e da população que reside às margens do rio a jusante da usina. Floresta Aleatória, Perceptron Multicamadas e a combinação destes algoritmos de aprendizado são utilizados e comparados neste trabalho. A metodologia proposta foi implementada e testada com uma usina hidrelétrica localizada no Rio Tocantins, Brasil, com capacidade de geração de 902,5MW. Os resultados da metodologia demonstraram ue a ferramenta tem capacidade de ser um auxílio eficiente aos operadores de uma usina nas tomadas de decisão, visto que os modelos de previsão alcançaram patamares superiores à 99% de acerto nas previsões de vertimento. |
publishDate |
2021 |
dc.date.accessioned.fl_str_mv |
2021-05-20T11:05:49Z |
dc.date.available.fl_str_mv |
2021-05-13 2021-05-20T11:05:49Z |
dc.date.issued.fl_str_mv |
2021-02-26 |
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 |
https://repositorio.ufjf.br/jspui/handle/ufjf/12699 |
url |
https://repositorio.ufjf.br/jspui/handle/ufjf/12699 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-ShareAlike 3.0 Brazil http://creativecommons.org/licenses/by-sa/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/1/pedrohenriquemacedonascimento.pdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/4/pedrohenriquemacedonascimento.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/12699/5/pedrohenriquemacedonascimento.pdf.jpg |
bitstream.checksum.fl_str_mv |
fd92f4e56b76b6bb111e0119d6664ae5 9b85e4235558a2887c2be3998124b615 8a4605be74aa9ea9d79846c1fba20a33 6432efb6ecab82ad807c088ad66be5da e39928b05592d17a89147b2530cd852e |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1801661427038027776 |