Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles

• Autor(a) principal: Belotti, Jônatas Trabuco
• 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
• 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

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.