Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados

Detalhes bibliográficos
Autor(a) principal: Siqueira, Hugo Valadares, 1983-
Data de Publicação: 2009
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/1610311
Resumo: Orientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol Attux
id UNICAMP-30_5946ae3c52b152922d12a91df19c8a78
oai_identifier_str oai::468427
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspiradosForecast of seasonal streamflow series with artificial neural networks and linear models adjusted for bio-inspired algorithmsAnálise de séries temporais - Processamento de dadosRedes neurais (Computação)Computação evolutivaPrevisão hidrologicaTime-series analysis - Data processingNeural networks (Computer science)Evolutionary computationForecasting hydrologicalOrientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol AttuxDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de ComputaçãoResumo: O Sistema Elétrico é um dos pilares do desenvolvimento tecnológico e industrial de uma nação. Dessa forma, é necessário gerir de uma maneira eficiente todos os recursos necessários para obtenção de energia elétrica. Os recursos hídricos se tornam essenciais já que o parque gerador brasileiro é predominantemente hidráulico. Neste contexto, o estudo da previsão de séries de vazões das usinas hidrelétricas tornou-se um campo de pesquisa altamente relevante para o planejamento da geração de energia no Brasil. Os modelos empregados pelo setor elétrico são os chamados modelos de Box & Jenkins, que exige um pré-tratamento dos dados de entrada por conta da sazonalidade encontrada nas vazões ao longo do ano. Este trabalho se utiliza de uma gama de modelos de previsão para comparação de desempenho no problema de previsão de séries de vazões médias mensais, em períodos distintos, da usina hidrelétrica de Furnas. Dentre os modelos lineares, é proposta a utilização de um dos modelos estatísticos, o Auto-regressivo e Médias Móveis (ARMA), tendo seus coeficientes calculados através de algoritmos bioinspirados: algoritmo genético e duas propostas de algoritmos imunológicos, uma baseada em pequenas alterações do CLONALG e a opt-aiNet. Em seguida, um filtro linear realimentado de resposta ao impulso infinita (IIR) tem seus coeficientes calculados pelos algoritmos de otimização acima citados. Na parte dos métodos nãolineares, fez-se a abordagem da aplicação de redes neurais artificiais do tipo perceptron de múltiplas camadas (MLP), com a utilização do algoritmo do gradiente conjugado escalonado modificado para o treinamento. Por fim, uma rede de estados de eco (ESN) é utilizada no problema, com dois algoritmos de treinamento: a proposta de Ozturk et al. E a de Consolaro. Os resultados experimentais mostram a aplicabilidade das ferramentas bioinspiradas e, em muitos casos, a relevância do laço de realimentação. No caso nãolinear, não foi possível obter resultados expressivos para a MLP, enquanto as ESN's mostraram alguns resultados promissores.Abstract: The Electric System is one of the pillars of technological and industrial development of a nation. Thus, it is necessary to manage in an efficient manner all necessary resources to obtain electrical energy. Water resources become essential since the Brazilian generator park is predominantly hydraulic. In this context, the study of prediction of the streamflow series of hydroelectric dams has become a field of research highly relevant to the planning of energy generation in Brazil. The models used by the electric sector are called models of Box & Jenkins, which requires pre-processing of input data due to the seasonality found in streamflow throughout the year. This work uses a range of forecasting models to compare performance in the problem of monthly averages streamflows series approached, in different periods, the hydroelectric power plant of Furnas. Among the linear models, it is proposed to use one of a statistical model, the autoregressive and moving average (ARMA), taking their coefficients calculated by bio-inspired algorithms: genetic algorithm and two proposed of immunological algorithms, one based on small changes in CLONALG and opt-aiNet. Then, a recurrent linear filter with the infinite impulse response (IIR) has its coefficients calculated by the optimization algorithms above. At the non-linear part, it is the approach of applying artificial neural networks of the type of multi-layer perceptron (MLP), using the algorithm of the modified scaled conjugate gradient for training. Finally, an echo states network is used in the problem, with two training algorithms: the proposal of Ozturk and of Consolaro. The experimental results show the applicability of bio-inspired tools and, in many cases, the importance of the loop of feedback. For the non-linear case, it was not possible to obtain significant results for the MLP, while the ESN's have shown some promising results.MestradoAutomaçãoMestre em Engenharia Elétrica[s.n.]Lyra Filho, Christiano, 1951-Attux, Romis Ribeiro de Faissol, 1978-Ballini, RosangelaVon Zuben, Fernando JoséUniversidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASSiqueira, Hugo Valadares, 1983-2009info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf156 p. : il.https://hdl.handle.net/20.500.12733/1610311SIQUEIRA, Hugo Valadares. Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados. 2009. 156 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1610311. Acesso em: 15 mai. 2024.https://repositorio.unicamp.br/acervo/detalhe/468427porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T05:39:20Zoai::468427Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T05:39:20Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
Forecast of seasonal streamflow series with artificial neural networks and linear models adjusted for bio-inspired algorithms
title Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
spellingShingle Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
Siqueira, Hugo Valadares, 1983-
Análise de séries temporais - Processamento de dados
Redes neurais (Computação)
Computação evolutiva
Previsão hidrologica
Time-series analysis - Data processing
Neural networks (Computer science)
Evolutionary computation
Forecasting hydrological
title_short Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
title_full Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
title_fullStr Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
title_full_unstemmed Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
title_sort Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados
author Siqueira, Hugo Valadares, 1983-
author_facet Siqueira, Hugo Valadares, 1983-
author_role author
dc.contributor.none.fl_str_mv Lyra Filho, Christiano, 1951-
Attux, Romis Ribeiro de Faissol, 1978-
Ballini, Rosangela
Von Zuben, Fernando José
Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Siqueira, Hugo Valadares, 1983-
dc.subject.por.fl_str_mv Análise de séries temporais - Processamento de dados
Redes neurais (Computação)
Computação evolutiva
Previsão hidrologica
Time-series analysis - Data processing
Neural networks (Computer science)
Evolutionary computation
Forecasting hydrological
topic Análise de séries temporais - Processamento de dados
Redes neurais (Computação)
Computação evolutiva
Previsão hidrologica
Time-series analysis - Data processing
Neural networks (Computer science)
Evolutionary computation
Forecasting hydrological
description Orientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol Attux
publishDate 2009
dc.date.none.fl_str_mv 2009
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://hdl.handle.net/20.500.12733/1610311
SIQUEIRA, Hugo Valadares. Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados. 2009. 156 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1610311. Acesso em: 15 mai. 2024.
url https://hdl.handle.net/20.500.12733/1610311
identifier_str_mv SIQUEIRA, Hugo Valadares. Previsão de series de vazões com redes neurais artificiais e modelos lineares ajustados por algoritmos bio-inspirados. 2009. 156 p. Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1610311. Acesso em: 15 mai. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/468427
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
156 p. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1799138459244298240

Registros relacionados