Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
Texto Completo: | http://repositorio.utfpr.edu.br/jspui/handle/1/4037 |
Resumo: | A matriz energética brasileira é predominantemente composta por usinas hidrelétricas. Por este motivo, é importante garantir máxima eficiência no funcionamento dessas plantas, já que a consequência direta é um impacto significativo no custo da produção e na precificação de energia. Determinar a vazão afluente a uma usina hidrelétrica é uma etapa de fundamental importância na eficiência desta operação. Durante os anos, vários modelos lineares, como o Autorregressivo, e não lineares, como Redes Neurais Artificiais, têm sido utilizados na previsão de vazões afluentes. Com o objetivo de aperfeiçoar as técnicas existentes, este trabalho realizou a previsão de vazões mensais através da utilização de 2 modelos lineares: Autoregressivo e Autoregressivo de Médias Móveis; 10 arquiteturas de Redes Neurais Artificiais: MLP, RBF, ELM, ELM (CR), Elman, Jordan, ESN Jaeger, ESN Jaeger (CR), ESN Ozturk e ESN Ozturk (CR); e 6 Ensembles: combinadores de Média, Mediana, MLP, RBF, ELM e ELM (CR). O termo CR é relativo à presença do coeficiente de regularização. Os testes foram realizados nas séries históricas das usinas de Água Vermelha, Belo Monte, Ilha Solteira, Paulo Afonso e Tucuruí com horizontes de previsão de 1, 3, 6 e 12 passos a frente. Além disso, as entradas utilizadas pelos modelos neurais foram selecionadas através do método Wrapper. Ainda, foram propostas e testadas 3 estratégias de previsão fazendo uso de dados dos eventos climáticos El Niño e La Niña, tendo duas delas resultado em melhoras significativas nas previsões. Ao final verificou-se que o desempenho dos modelos neurais foi melhor que dos modelos lineares em todas as simulações, provando a superioridade dos preditores não lineares. Destaca-se a Rede Neural ELM como o melhor preditor. |
id |
UTFPR-12_0990797fabda1711537799580f6189de |
---|---|
oai_identifier_str |
oai:repositorio.utfpr.edu.br:1/4037 |
network_acronym_str |
UTFPR-12 |
network_name_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
repository_id_str |
|
spelling |
2019-04-26T20:11:27Z2019-04-26T20:11:27Z2019-02-15BELOTTI, Jônatas Trabuco. Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles. 2019. 137 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019.http://repositorio.utfpr.edu.br/jspui/handle/1/4037A matriz energética brasileira é predominantemente composta por usinas hidrelétricas. Por este motivo, é importante garantir máxima eficiência no funcionamento dessas plantas, já que a consequência direta é um impacto significativo no custo da produção e na precificação de energia. Determinar a vazão afluente a uma usina hidrelétrica é uma etapa de fundamental importância na eficiência desta operação. Durante os anos, vários modelos lineares, como o Autorregressivo, e não lineares, como Redes Neurais Artificiais, têm sido utilizados na previsão de vazões afluentes. Com o objetivo de aperfeiçoar as técnicas existentes, este trabalho realizou a previsão de vazões mensais através da utilização de 2 modelos lineares: Autoregressivo e Autoregressivo de Médias Móveis; 10 arquiteturas de Redes Neurais Artificiais: MLP, RBF, ELM, ELM (CR), Elman, Jordan, ESN Jaeger, ESN Jaeger (CR), ESN Ozturk e ESN Ozturk (CR); e 6 Ensembles: combinadores de Média, Mediana, MLP, RBF, ELM e ELM (CR). O termo CR é relativo à presença do coeficiente de regularização. Os testes foram realizados nas séries históricas das usinas de Água Vermelha, Belo Monte, Ilha Solteira, Paulo Afonso e Tucuruí com horizontes de previsão de 1, 3, 6 e 12 passos a frente. Além disso, as entradas utilizadas pelos modelos neurais foram selecionadas através do método Wrapper. Ainda, foram propostas e testadas 3 estratégias de previsão fazendo uso de dados dos eventos climáticos El Niño e La Niña, tendo duas delas resultado em melhoras significativas nas previsões. Ao final verificou-se que o desempenho dos modelos neurais foi melhor que dos modelos lineares em todas as simulações, provando a superioridade dos preditores não lineares. Destaca-se a Rede Neural ELM como o melhor preditor.The Brazilian energy matrix is predominantly composed of hydroelectric plants. In this way, it is important to ensure maximum efficiency in the operation of these plants since the direct consequence is a significant impact on the cost of energy production and pricing. Determining the streamflow to a hydroelectric plant is a fundamental step in the efficiency of the operation. Over the years, several linear models, such as Autorregressive, and nonlinear, as Artificial Neural Networks have been used to predict streamflows. In order to improve the existing forecasting techniques, this work accomplished the forecast of monthly streamflows through the use of 2 linear models: Autoregressive and Autoregressive of Moving Averages; 10 Architectures of Artificial Neural Networks: MLP, RBF, ELM, ELM (CR), Elman, Jordan, ESN Jaeger, ESN Jaeger (CR), ESN Ozturk and ESN Ozturk (CR); and 6 Ensembles: Medium, Median, MLP, RBF, ELM and ELM (CR) combiners. The term CR is related to the presence of the regularization coefficient. The tests were carried out of the historical séries of the plants of Água Vermelha, Belo Monte, Ilha Solteira, Paulo Afonso and Tucuruí with forecasts horizons of 1, 3, 6 and 12 steps ahead. In addition, the inputs used by the neural models were selected using the Wrapper method. Also, we proposed and tested 3 forecasting strategies using data from the El Niño and La Niña climatic events, two of which resulted in significant improvements in the performances. We verified that the performance of the neural models were better than the linear models in all the simulations, proving the superiority of the nonlinear predictors. We highlight the ELM as the best predictor.Universidade Tecnológica Federal do Paraná (UTFPR)porUniversidade Tecnológica Federal do ParanáPonta GrossaPrograma de Pós-Graduação em Ciência da ComputaçãoBrasilBrasilCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOCiência da ComputaçãoAnálise de séries temporaisPrevisão hidrológicaRedes neurais (Computação)Time-series analysisHidrological forecastingNeural networks (Computer science)Previsão de vazões afluentes utilizando redes neurais artificiais e ensemblesPrediction of affluent flows using artificial neural networks and ensemblesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisPonta GrossaPonta GrossaSiqueira, Hugo Valadareshttp://lattes.cnpq.br/6904980376005290Usberti, Fábio Luizhttp://lattes.cnpq.br/6034522313829097Mattos Neto, Paulo Salgado Gomes deAlmeida, Sheila Morais deStevan Junior, Sergio LuizSiqueira, Hugo Valadareshttp://lattes.cnpq.br/8626059480159836Belotti, Jônatas Trabucoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))instname:Universidade Tecnológica Federal do Paraná (UTFPR)instacron:UTFPRORIGINALPG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdfPG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdfapplication/pdf1706168http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/1/PG_PPGCC_M_Belotti%2c%20J%c3%b4natas%20Trabuco_2019.pdfe3a42b439db1892c763b0d4d0933c745MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81290http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/2/license.txtb9d82215ab23456fa2d8b49c5df1b95bMD52TEXTPG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdf.txtPG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdf.txtExtracted texttext/plain288707http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/3/PG_PPGCC_M_Belotti%2c%20J%c3%b4natas%20Trabuco_2019.pdf.txt814021a7b07b6d815a331c4edab591e6MD53THUMBNAILPG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdf.jpgPG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdf.jpgGenerated Thumbnailimage/jpeg1228http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/4/PG_PPGCC_M_Belotti%2c%20J%c3%b4natas%20Trabuco_2019.pdf.jpg03a673b7662d34e70f46c1cba73ea6cfMD541/40372019-04-27 03:00:41.631oai:repositorio.utfpr.edu.br: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ório de PublicaçõesPUBhttp://repositorio.utfpr.edu.br:8080/oai/requestopendoar:2019-04-27T06:00:41Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR)false |
dc.title.pt_BR.fl_str_mv |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
dc.title.alternative.pt_BR.fl_str_mv |
Prediction of affluent flows using artificial neural networks and ensembles |
title |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
spellingShingle |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles Belotti, Jônatas Trabuco CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Análise de séries temporais Previsão hidrológica Redes neurais (Computação) Time-series analysis Hidrological forecasting Neural networks (Computer science) Ciência da Computação |
title_short |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
title_full |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
title_fullStr |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
title_full_unstemmed |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
title_sort |
Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles |
author |
Belotti, Jônatas Trabuco |
author_facet |
Belotti, Jônatas Trabuco |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Siqueira, Hugo Valadares |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/6904980376005290 |
dc.contributor.advisor-co1.fl_str_mv |
Usberti, Fábio Luiz |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/6034522313829097 |
dc.contributor.referee1.fl_str_mv |
Mattos Neto, Paulo Salgado Gomes de |
dc.contributor.referee2.fl_str_mv |
Almeida, Sheila Morais de |
dc.contributor.referee3.fl_str_mv |
Stevan Junior, Sergio Luiz |
dc.contributor.referee4.fl_str_mv |
Siqueira, Hugo Valadares |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/8626059480159836 |
dc.contributor.author.fl_str_mv |
Belotti, Jônatas Trabuco |
contributor_str_mv |
Siqueira, Hugo Valadares Usberti, Fábio Luiz Mattos Neto, Paulo Salgado Gomes de Almeida, Sheila Morais de Stevan Junior, Sergio Luiz Siqueira, Hugo Valadares |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
topic |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO Análise de séries temporais Previsão hidrológica Redes neurais (Computação) Time-series analysis Hidrological forecasting Neural networks (Computer science) Ciência da Computação |
dc.subject.por.fl_str_mv |
Análise de séries temporais Previsão hidrológica Redes neurais (Computação) Time-series analysis Hidrological forecasting Neural networks (Computer science) |
dc.subject.capes.pt_BR.fl_str_mv |
Ciência da Computação |
description |
A matriz energética brasileira é predominantemente composta por usinas hidrelétricas. Por este motivo, é importante garantir máxima eficiência no funcionamento dessas plantas, já que a consequência direta é um impacto significativo no custo da produção e na precificação de energia. Determinar a vazão afluente a uma usina hidrelétrica é uma etapa de fundamental importância na eficiência desta operação. Durante os anos, vários modelos lineares, como o Autorregressivo, e não lineares, como Redes Neurais Artificiais, têm sido utilizados na previsão de vazões afluentes. Com o objetivo de aperfeiçoar as técnicas existentes, este trabalho realizou a previsão de vazões mensais através da utilização de 2 modelos lineares: Autoregressivo e Autoregressivo de Médias Móveis; 10 arquiteturas de Redes Neurais Artificiais: MLP, RBF, ELM, ELM (CR), Elman, Jordan, ESN Jaeger, ESN Jaeger (CR), ESN Ozturk e ESN Ozturk (CR); e 6 Ensembles: combinadores de Média, Mediana, MLP, RBF, ELM e ELM (CR). O termo CR é relativo à presença do coeficiente de regularização. Os testes foram realizados nas séries históricas das usinas de Água Vermelha, Belo Monte, Ilha Solteira, Paulo Afonso e Tucuruí com horizontes de previsão de 1, 3, 6 e 12 passos a frente. Além disso, as entradas utilizadas pelos modelos neurais foram selecionadas através do método Wrapper. Ainda, foram propostas e testadas 3 estratégias de previsão fazendo uso de dados dos eventos climáticos El Niño e La Niña, tendo duas delas resultado em melhoras significativas nas previsões. Ao final verificou-se que o desempenho dos modelos neurais foi melhor que dos modelos lineares em todas as simulações, provando a superioridade dos preditores não lineares. Destaca-se a Rede Neural ELM como o melhor preditor. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-04-26T20:11:27Z |
dc.date.available.fl_str_mv |
2019-04-26T20:11:27Z |
dc.date.issued.fl_str_mv |
2019-02-15 |
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.citation.fl_str_mv |
BELOTTI, Jônatas Trabuco. Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles. 2019. 137 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019. |
dc.identifier.uri.fl_str_mv |
http://repositorio.utfpr.edu.br/jspui/handle/1/4037 |
identifier_str_mv |
BELOTTI, Jônatas Trabuco. Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles. 2019. 137 f. Dissertação (Mestrado em Ciência da Computação) - Universidade Tecnológica Federal do Paraná, Ponta Grossa, 2019. |
url |
http://repositorio.utfpr.edu.br/jspui/handle/1/4037 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Ponta Grossa |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Ciência da Computação |
dc.publisher.initials.fl_str_mv |
Brasil |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Tecnológica Federal do Paraná Ponta Grossa |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) instname:Universidade Tecnológica Federal do Paraná (UTFPR) instacron:UTFPR |
instname_str |
Universidade Tecnológica Federal do Paraná (UTFPR) |
instacron_str |
UTFPR |
institution |
UTFPR |
reponame_str |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
collection |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) |
bitstream.url.fl_str_mv |
http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/1/PG_PPGCC_M_Belotti%2c%20J%c3%b4natas%20Trabuco_2019.pdf http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/2/license.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/3/PG_PPGCC_M_Belotti%2c%20J%c3%b4natas%20Trabuco_2019.pdf.txt http://repositorio.utfpr.edu.br:8080/jspui/bitstream/1/4037/4/PG_PPGCC_M_Belotti%2c%20J%c3%b4natas%20Trabuco_2019.pdf.jpg |
bitstream.checksum.fl_str_mv |
e3a42b439db1892c763b0d4d0933c745 b9d82215ab23456fa2d8b49c5df1b95b 814021a7b07b6d815a331c4edab591e6 03a673b7662d34e70f46c1cba73ea6cf |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT)) - Universidade Tecnológica Federal do Paraná (UTFPR) |
repository.mail.fl_str_mv |
|
_version_ |
1805923102570315776 |