Geração de energia hidrelétrica: uma análise comparativa de métodos de previsão estatísticos e de inteligência artificial aplicados a dados da região sul do Brasil

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRibeiro, Matheus Henrique Dal Molin-
Autor(es): dc.contributorRibeiro, Matheus Henrique Dal Molin-
Autor(es): dc.contributorFigueira, Cleonis Viater-
Autor(es): dc.contributorLima, José Donizetti de-
Autor(es): dc.creatorSilva, Andreia Aparecida da-
Data de aceite: dc.date.accessioned2025-08-29T12:22:38Z-
Data de disponibilização: dc.date.available2025-08-29T12:22:38Z-
Data de envio: dc.date.issued2024-07-09-
Data de envio: dc.date.issued2024-07-09-
Data de envio: dc.date.issued2023-11-23-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/33931-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1094191-
Descrição: dc.descriptionDue to Brazil's vast hydroelectric potential, hydroelectric power is the country's main source of energy production. In addition, generating energy from the power of rivers has environmental and economic advantages. Furthermore, in the literature, hydraulic energy forecasting is gaining prominence in the scientific community, but the use of classic forecasting models is being little used. In this context, the aim of this study is to evaluate the performance of the AutoRegressive Integrated Moving Average (ARIMA), Support Vector Regression (SVR) models and a combination of both models using the simple arithmetic mean to forecast hydroelectric power generation in the states of Paraná, Santa Catarina and Rio Grande do Sul, Brazil. For the study, time series with 363 monthly observations were extracted from the National Electricity System Operator, from June 2013 to June 2023. The Kwiatkowski-Phillips-Schmidt-Shin (KPSS) test was used to identify stationarity, and the ACF and PACF functions were used to analyze autocorrelation in each time series. ARIMA, SVR and both models were used to forecast horizons of 1, 3, 6 and 12 months ahead. To assess the accuracy of the forecasts, the performance error measures Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) were used. The results show that, in general, the SVR model performed better in terms of RMSE for forecasting hydroelectric power generation up to 12 months ahead, whose forecast error, based on the test set, was 967.76 MWmed, 795.71 MWmed, and 811.28 MWmed, for the states of Paraná, Santa Catarina, and Rio Grande do Sul. With a forecast range of 95% probability, the minimum and maximum forecasts for hydroelectric power generation from July 2023 to June 2024 will be 678.17 MWmed and 5489.3 MWmed, 297.28 MWmed and 4242.08 MWmed, 337.96 MWmed and 2459.77 MWmed, for Paraná, Santa Catarina, and Rio Grande do Sul respectively. This study makes it possible to plan power system operators in order to verify the capacity of this resource to individually supply the growing energy demand in the southern region of Brazil.-
Descrição: dc.descriptionDevido ao vasto potencial hídrico no Brasil, a energia hidráulica é a principal fonte de produção de energia do país. Além disso, a geração de energia proveniente da força dos rios traz vantagens em âmbito ambiental e econômico. Ademais, na literatura, a realização de previsões de energia hidráulica está destacando-se frente a comunidade científica, mas, a utilização de modelos clássicos de previsão está sendo pouco utilizado. Nesse contexto, o objetivo desse trabalho, é avaliar o desempenho dos modelos de Média Móvel Integrada Auto-Regressivo (do inglês, AutoRegressive Integrated Moving Average, ARIMA), Regressão com Vetores de Suporte (do inglês, Support Vector Regression, SVR) e uma combinação pela média aritmética simples de ambos modelos, para prever a geração de energia hidráulica nos estados do Paraná, Santa Catarina e Rio Grande do Sul, Brasil. Para o estudo, séries temporais com 363 observações mensais foram extraídas do Operador Nacional do Sistema Elétrico, correspondente a junho de 2013 até junho de 2023. O teste de Kwiatkowski–Phillips–Schmidt–Shin (KPSS) foi utilizado para identificar a estacionariedade, e as funções ACF e PACF empregadas para analisar a autocorrelação em cada série temporal. Os modelos ARIMA, SVR e a de ambos, foram usadas para prever horizontes de 1, 3, 6 e 12 meses à frente. Para avaliar a precisão das previsões as medidas de erro de desempenho, Erro Médio Percentual Absoluto (do inglês, Mean Absolute Percentage Error, MAPE) e Raiz Quadrada do Erro Médio (do inglês, Root Mean Square Error, RMSE) foram utilizadas. Os resultados mostram que, em geral, o modelo SVR apresentou melhor performance em termos ao RMSE, para previsão da geração de energia hidráulica de até 12 meses à frente, cujo erro na previsão, com base no conjunto de testes, foi de 967,76 MWmed, 795,71 MWmed, e 811,28 MWmed, para os estados do Paraná, Santa Catarina, e Rio Grande do Sul. Com intervalo de previsão com 95% de probabilidade, as previsões mínimas e máximas de geração de energia hidráulica de julho de 2023 à junho de 2024, será 678,17 MWmed e 5489,3 MWmed, 297,28 MWmed e 4242,08 MWmed, 337,96 MWmed e 2459,77 MWmed, para o Paraná, Santa Catarina, e Rio Grande do Sul respectivamente. Esse estudo possibilita o planejamento de operadores de sistemas elétricos de potência, a fim de verificar a capacidade desse recurso em suprir individualmente a crescente demanda energética da região sul do Brasil.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Matemática-
Publicador: dc.publisherLicenciatura em Matemática-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectEnergia elétrica - Produção-
Palavras-chave: dc.subjectUsinas hidrelétricas-
Palavras-chave: dc.subjectGeradores hidrelétricos-
Palavras-chave: dc.subjectElectric power production-
Palavras-chave: dc.subjectHydroelectric power plants-
Palavras-chave: dc.subjectHydroelectric generators-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::MATEMATICA-
Título: dc.titleGeração de energia hidrelétrica: uma análise comparativa de métodos de previsão estatísticos e de inteligência artificial aplicados a dados da região sul do Brasil-
Título: dc.titleHydroelectric power generation: a comparative analysis of statistical and artificial intelligence forecasting methods applied to Brazilian southern region-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.