Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/4037
Título: Previsão de vazões afluentes utilizando redes neurais artificiais e ensembles
Título(s) alternativo(s): Prediction of affluent flows using artificial neural networks and ensembles
Autor(es): Belotti, Jônatas Trabuco
Orientador(es): Siqueira, Hugo Valadares
Palavras-chave: Análise de séries temporais
Previsão hidrológica
Redes neurais (Computação)
Time-series analysis
Hidrological forecasting
Neural networks (Computer science)
Data do documento: 15-Fev-2019
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Ponta Grossa
Citação: 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.
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.
Abstract: 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.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/4037
Aparece nas coleções:PG - Programa de Pós-Graduação em Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PG_PPGCC_M_Belotti, Jônatas Trabuco_2019.pdf1,67 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.