Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Dyminski, Andrea Sell | - |
Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduaçao em Métodos Numéricos em Engenharia | - |
Autor(es): dc.contributor | Ribeiro, Eduardo Parente | - |
Autor(es): dc.creator | Falkenberg, Alex Vieira | - |
Data de aceite: dc.date.accessioned | 2019-08-22T00:02:27Z | - |
Data de disponibilização: dc.date.available | 2019-08-22T00:02:27Z | - |
Data de envio: dc.date.issued | 2013-12-17 | - |
Data de envio: dc.date.issued | 2013-12-17 | - |
Data de envio: dc.date.issued | 2005 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/1884/33954 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/33954 | - |
Descrição: dc.description | Resumo: Nos últimos anos, as companhias de saneamento têm investido largamente na automação de seus sistemas de abastecimento de água (SAA), proporcionando dados em tempo real de vazão e de pressão das regiões de consumo. Após a etapa da automação e de posse das informações em tempo real e possibilidade de atuação automática sobre os elementos do SAA, é possível otimizar a operação para um melhoramento contínuo dos serviços de captação, tratamento e distribuição de água e redução de custos relacionados, tais como as perdas físicas, a energia e o uso de produtos químicos. A correta tomada de decisões operacionais depende do conhecimento prévio do perfil de demanda ao longo do dia das regiões de consumo. O presente estudo objetiva apresentar diferentes modelos de previsão de consumo a curto prazo utilizando diferentes técnicas, tais como redes neurais artificiais, regressão linear múltipla e modelos do tipo Box e Jenkins. Estas previsões baseadas em dados históricos coletados através de um sistema SCADA (Supervisory, Control and Data Acquisition), para prever o consumo urbano de água a curto prazo, particularmente para as próximas 24 horas. Os modelos foram aplicados para três bairros com perfis de consumo distintos da cidade de Ponta Grossa: Uvaranas (residencial), Centro Histórico (comercial) e Distrito Industrial (misto). Inicialmente, os dados provenientes de uma base de dados de um ano são coletados, filtrados e validados de forma a tornar possível a obtenção dos modelos de previsão. Para cada uma das regiões de consumo foram propostos e comparados segundo critérios de erro RMSE (Root Mean Square Error) e MAPE (Mean absolute Percentage Error), 6 modelos de redes neurais artificiais, 3 modelos de regressão linear múltipla, 7 modelos do tipo Box e Jenkins e dois modelos híbridos, objetivando a obtenção de possíveis alternativas para a previsão do consumo nas próximas 24 horas. Os resultados alcançados foram satisfatórios para os objetivos propostos, mesmo com a limitação dos dados e com a ausência de informações meteorológicas, fatores que influenciam diretamente no consumo. | - |
Formato: dc.format | application/pdf | - |
Formato: dc.format | application/pdf | - |
Palavras-chave: dc.subject | Teses | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Analise de series temporais | - |
Palavras-chave: dc.subject | Agua de irrigação | - |
Palavras-chave: dc.subject | Agua - Consumo | - |
Título: dc.title | Previsao de consumo urbano de água em curto prazo | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: