Modelos robustos de previsão de vazão baseados em Wavelets e redes neurais artificiais

• Autor(a) principal: Freire, Paula Karenina de Macedo Machado
• Data de Publicação: 2019
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UFPB
• Texto Completo: https://repositorio.ufpb.br/jspui/handle/123456789/26404
• topic: CNPQ::ENGENHARIAS::ENGENHARIA CIVIL; Engenharia Civil e Ambiental; Previsão de vazão; Redes Neurais Artificiais (RNA); Transformada Wavelet Discreta (TWD); Civil and Environmental Engineering; Flow forecast; Artificial Neural Networks (ANN); Discret Wavelet Transform (DWT)

O desenvolvimento econômico de qualquer região pode estar diretamente ligado à quantidade e qualidade de seus recursos hídricos. Um gerenciamento adequado destes recursos é capaz de minimizar os efeitos de vários fenômenos naturais, tais como as secas que afetam diretamente o setor energético, o que recentemente têm provocado apagões no Brasil. Modelos de previsão são comumente usados para prover um melhor planejamento e operação de sistemas de abastecimento de água. Entretanto, procedimentos que consideram a previsão de curto a longo prazo ainda são escassos na literatura, principalmente no que diz respeito ao nordeste brasileiro. Desta forma, o objetivo deste trabalho foi o desenvolvimento de modelos robustos de previsão de vazão para diferentes horizontes (diários, mensais e anuais). Foram desenvolvidos dezoito modelos, sendo seis para previsão diária (RNAdQ→Q, RNAdP→Q, RNAdPQ→Q, WRNAdQ→Q, WRNAdP→Q e WRNAdPQ→Q); seis para previsão mensal (RNAmQ→Q, RNAmP→Q, RNAmPQ→Q, WRNAmQ→Q, WRNAmP→Q e WRNAmPQ→Q); além de seis para previsão anual (RNAaQ→Q, RNAaP→Q, RNAaPQ→Q, WRNAaQ→Q, WRNAaP→Q e WRNAaPQ→Q), os quais foram testados para previsão das vazões afluentes ao reservatório de Xingó. A eficiência desses modelos foi testada e foi comparada com a dos modelos tradicionais baseados em redes neurais artificiais (RNAdX, RNAmX e RNAaX), que são modelos que usam dados de vazão antecedente no reservatório de Xingó para prever a vazão futura no mesmo reservatório. A eficiência também foi testada e comparada com a dos modelos híbridos wavelet-redes neurais artificiais (WRNAdX, WRNAmX e WRNAaX), que são modelos que usam dados de vazão antecedente tratados através da transformada wavelet para prever a vazão futura no mesmo reservatório. Os resultados mostraram que os modelos híbridos (WRNA) foram superiores àqueles utilizando apenas redes neurais artificiais (RNA). De forma específica, para previsões diárias, o melhor modelo foi o híbrido WRNAdQ→Q, que utiliza as vazões transformadas dos reservatórios a montante, bem como a combinação destas vazões, como entrada no modelo para a previsão da vazão no reservatório de Xingó. Para previsões mensais e anuais, os modelos ideais foram os híbridos WRNAmPQ→Q e WRNAaPQ→Q, respectivamente, os quais utilizam a precipitação transformada ocorrida na bacia do reservatório de Três Marias e a vazão transformada no reservatório de Xingó como entrada em cada modelo para a previsão da vazão no reservatório de Xingó.