Information theoretic learning para previsão de vazões diárias e seu impacto na formação do PLD horário

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorFerreira, Vitor Hugo-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3961773765127529-
Autor(es): dc.contributorPinho, André da Costa-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0117849318803359-
Autor(es): dc.contributorBorba, Bruno Soares Moreira Cesar-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0309392084163978-
Autor(es): dc.contributorAoki, Alexandre Rasi-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0566385360819334-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1010100650055512-
Autor(es): dc.creatorNunes Junior, Elson Antonio-
Data de aceite: dc.date.accessioned2024-07-11T18:00:36Z-
Data de disponibilização: dc.date.available2024-07-11T18:00:36Z-
Data de envio: dc.date.issued2022-09-06-
Data de envio: dc.date.issued2022-09-06-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/26206-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/761790-
Descrição: dc.descriptionComo a previsão de vazões afluentes a hidrelétricas é uma das informações de entrada do processo de programação da operação do Sistema Interligado Nacional (SIN), é importante que as previsões geradas sejam cada vez mais assertivas de modo que as saídas desse processo estejam cada vez mais condizentes com as reais condições do sistema. O uso de Redes Neurais Artificiais (RNAs) para previsão de afluências pode ser considerada como uma alternativa aos métodos preditivos oficiais adotados pelo Operador Nacional do Sistema Elétrico (ONS) e, nessa linha, os conceitos de Information Theoretic Learning (ITL) garantem análise estatística mais robusta aplicada na etapa de aprendizagem da rede. O objetivo deste trabalho é a modelagem de um previsor de afluências diárias a partir do uso de técnicas de RNAs e dados de entrada hidrológicos e meteorológicos. No treino da rede, foi utilizado o Critério de Maximização da Correntropia (MCC) – conceito oriundo do framework de ITL – com o objetivo de aumentar a similaridade entre amostras calculadas e reais, consequentemente reduzindo o erro de previsão. As saídas do modelo são incorporadas ao programa de otimização de despacho hidrotérmico de curtíssimo prazo, a fim de se analisar o impacto no preço spot do mercado de energia elétrica. Para efeito comparativo, foi desenvolvida outra rede neural, porém sem o uso do ITL, além de um previsor ingênuo. Na análise de exatidão das afluências previstas, os resultados mostraram que o previsor principal se sobressaiu aos outros dois modelos e, no horizonte do primeiro dia de previsão, foi melhor ou equivalente aos modelos utilizados oficialmente no setor em 63,9% das hidrelétricas avaliadas. Na etapa de avaliação de preço, a curva de variação do preço, referente à alternativa principal apresentou ótima aderência à referência oficial, acompanhando movimentos de subida e descida de maior volatilidade. Ao final, é adotada uma curva de preços referente ao cenário de vazões reais, provendo comparação na qual se verificou que, em média, os preços relativos ao previsor proposto foram mais próximos dos valores de afluências reais do que as curvas de referência oficiais.-
Descrição: dc.descriptionAs the streamflow forecast in one of the inputs of the system operation programming process, it is important that the forecasts become more accurate in such a way that the outputs of that process are increasingly aligned with the real conditions of the electrical system. The use of Artificial Neural Networks for streamflow forecast can be considered as an alternative to the official forecasters applied by the Transmission System Operator in Brazil (ONS) and, in this perspective, the concepts of Information Theoretic Learning provide robustness for statistical analysis during training step. The goal of this paper is the development of a daily streamflow forecast model with artificial neural networks techniques and hydrological and meteorological input data. In training step, it was adopted the Maximum Correntropy Criterion – a ITL concept – to maximize the similarity between calculated and real outputs, reducing prediction errors consequently. The outputs of this new model were used as input for the very short-term hydrothermal dispatch software to analyze the impact in the spot price of the Brazilian energy market. For comparative analysis, two other models were developed: an ANN without the application of ITL and a naïve alternative. In the accuracy analysis of predicted flows, the results showed that the main predictor overcame the other two models and, in the first day of forecast, it was equivalent or more accurate than the models officially used in the energy sector for 63,9% of the investigated hydro power plants. The outputs regarding the spot price indicated a similar behavior of the main model’s curve compared to the official reference, following upward and downward movements with more volatility. At the end, a price curve referring to the application of the realized streamflow is adopted, providing the following conclusion: the prices related to the proposed forecaster were closer to the realized streamflow scenario than the official curves.-
Descrição: dc.description101 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectRedes Neurais Artificiais-
Palavras-chave: dc.subjectCorrentropia-
Palavras-chave: dc.subjectPrevisão de Vazões-
Palavras-chave: dc.subjectPLD-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectEngenharia elétrica-
Palavras-chave: dc.subjectVazão natural-
Palavras-chave: dc.subjectArtificial Neural Networks-
Palavras-chave: dc.subjectInformation Theoretic Learning-
Palavras-chave: dc.subjectCorrentropy-
Palavras-chave: dc.subjectFlow Forecast-
Palavras-chave: dc.subjectSpot Price-
Título: dc.titleInformation theoretic learning para previsão de vazões diárias e seu impacto na formação do PLD horário-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.