XGBoost para previsão de vazão naturais a partir de variáveis exógenas baseadas no índice de ZCAS

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCataldi, Marcio-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7262670454819823-
Autor(es): dc.contributorRibeiro, Eric Miguel-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1736258493456100-
Autor(es): dc.contributorZanandrea, Franciele-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3539795122211417-
Autor(es): dc.contributorPinto, Rafael Barros De Castro Pereira-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2243808522947806-
Autor(es): dc.creatorAndrade, Lis Silveira-
Data de aceite: dc.date.accessioned2024-07-11T18:18:56Z-
Data de disponibilização: dc.date.available2024-07-11T18:18:56Z-
Data de envio: dc.date.issued2023-12-04-
Data de envio: dc.date.issued2023-12-04-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/31323-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/768095-
Descrição: dc.descriptionA matriz energética brasileira é predominantemente hidrelétrica, o que torna a operação energética fortemente pautada no uso de modelos de previsão de afluência para o seu planejamento em curto, médio e longo prazo. Os principais modelos de previsão de afluência adotados, no entanto, se baseiam ou na própria série de afluência, desconsiderando tendências de longo prazo, ou no acoplamento chuva-vazão, o que é questionado por autores pela fragilidade associada à previsão de chuva. O presente trabalho propõe a implementação de um modelo ARx(p) baseado em um ensemble de árvores de decisão, para a previsão recursiva de afluência diária de curto prazo, incorporando, em sua entrada, o índice de ZCAS como informação meteorológica. O modelo foi aplicado à usina hidrelétrica de Água Vermelha, na bacia do rio Grande. Foram testadas 64 combinações de entradas, incluindo ou não o índice de ZCAS. A inclusão do índice apresentou 100% dos 5 os melhores resultados para previsão quando comparado à sua variação exclusivamente AR(p). A média do horizonte de previsão do modelo proposto se mostra performática frente à primeira semana de previsão do modelo PARMA(q) mantido oficialmente pela operação energética, o PREVIVAZ. Avaliou-se um MAPE de 13% do XGBoost contra 18% do PREVIVAZ quando ambos são aplicados a todas as semanas do ano de 2021. Sua performance durante o período úmido, estratégico para o planejamento no subsistema Sudeste/Centro-Oeste, obteve um MAPE de 15%, metade do erro de 30% apresentado pelo modelo PREVIVAZ. O modelo proposto se mostra uma ferramenta promissora para o auxílio na tomada de decisão do setor de energia-
Descrição: dc.descriptionThe Brazilian energy matrix is predominantly hydroelectric, which makes energy operation strongly reliant on the use of inflow forecasting models for short, medium, and long-term planning. However, the main inflow forecasting models adopted are either based on the inflow series itself, disregarding long-term trends, or on rainfall-runoff coupling, which is questioned by authors due to the fragility associated with rainfall prediction. This study proposes the implementation of an ARx(p) model based on an ensemble of decision trees for recursive short-term daily inflow forecasting, incorporating the ZCAS index as meteorological information in its input. The model was applied to the Água Vermelha hydroelectric power plant in the Grande River basin. 64 combinations of inputs were tested, including or excluding the ZCAS index. The inclusion of the index showed the top 5 best forecast results compared to exclusively AR(p) variations. The average forecast horizon of the proposed model demonstrated performance compared to the first week forecast of the PARMA(q) model officially maintained by energy operation, PREVIVAZ. An MAPE of 13% was evaluated for XGBoost compared to 18% for PREVIVAZ when both were applied to all weeks of the year 2021. Its performance during the wet period, which is strategic for planning in the Southeast/Central-West subsystem, achieved an MAPE of 15%, half the error of 30% presented by the PREVIVAZ model. The proposed model proves to be a promising tool for decision-making in the energy sector-
Descrição: dc.description81 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectEnergia-
Palavras-chave: dc.subjectZCAS-
Palavras-chave: dc.subjectMAPE-
Palavras-chave: dc.subjectXGBoost-
Palavras-chave: dc.subjectEnergia hidrelétrica-
Palavras-chave: dc.subjectPrevisão numérica do tempo (Meteorologia)-
Palavras-chave: dc.subjectTomada de decisão-
Palavras-chave: dc.subjectEnergy-
Título: dc.titleXGBoost para previsão de vazão naturais a partir de variáveis exógenas baseadas no índice de ZCAS-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.