Avaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Rodrigo Amado Garcia-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1176144797576689-
Autor(es): dc.contributorZanandrea, Franciele-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3539795122211417-
Autor(es): dc.contributorGandelman, Dan Abensur-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2448208406883740-
Autor(es): dc.contributorFarias, William Cossich Marcial de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0268282356993607-
Autor(es): dc.creatorMota, Lucca de Souza-
Data de aceite: dc.date.accessioned2024-07-11T18:28:30Z-
Data de disponibilização: dc.date.available2024-07-11T18:28:30Z-
Data de envio: dc.date.issued2024-07-05-
Data de envio: dc.date.issued2024-07-05-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/33036-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/771280-
Descrição: dc.descriptionA previsão de vazões é uma poderosa ferramenta de auxílio para uma melhor operação de usinas hidroelétricas. Este trabalho tem como objetivo avaliar a aplicação de redes neurais para a previsão de curto prazo de vazões médias diárias afluentes a aproveitamentos energéticos. Para treinamento do modelo e realização das previsões foram utilizados os dados de vazões médias afluentes diárias do aproveitamento Itiquira, localizado na bacia do rio Itiquira no estado do Mato Grosso, disponibilizado pelo Operador Nacional do Sistema Elétrico (O.N.S), além dos dados de precipitação de estações no entorno. Propôs-se um modelo de rede neural long-short-term memory (LSTM), caracterizado por guardar dependências de longo prazo dentre as variáveis de entrada. O modelo foi aplicado com 6 diferentes configurações, a fim de se obter uma previsão de 7 dias a frente e os resultados do modelo foram comparados com os dados monitorados e com as previsões obtidas pelo modelo ARIMA/ARIMAX, amplamente utilizado. O modelo proposto apresentou desempenho satisfatório para os primeiros dias de previsão, com queda de desempenho considerável à medida que o horizonte crescia, como esperado, devido ao erro agregado do modelo e o distancaimento das condições iniciais. Além disso, o modelo LSTM se mostrou superior ao modelo ARIMA em todas as configurações testadas-
Descrição: dc.descriptionThe inflow forecast is a powerful tool for a better operation of hydroelectric plants. This study aims to evaluate the application of neural networks for the short-term forecast of average daily inflows to energy utilizations. For model training and forecasting, data on average daily inflows from the Itiquira project, located in the Itiquira river basin in the state of Mato Grosso, made available by the National Electric System Operator (O.N.S), in addition to precipitation data from surrounding stations. A long- short-term memory (LSTM) neural network model was proposed, characterized by keeping long-term dependencies among the input variables. The model was applied with 6 different configurations in order to obtain a forecast 7 days ahead and the results of the model were compared with the monitored data and with the forecasts obtained by the widely used ARIMA/ARIMAX model. The proposed model performed satisfactorily for the first days of forecasting, with a considerable performance drop as the horizon grew, as expected, due to the aggregated model error and the distance from the initial conditions. Furthermore, the LSTM model was superior to the ARIMA model in all configurations tested.-
Descrição: dc.description76 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectPrevisão de Vazões-
Palavras-chave: dc.subjectRede Neurais LSTM-
Palavras-chave: dc.subjectARIMA-
Palavras-chave: dc.subjectUsina hidrelétrica-
Palavras-chave: dc.subjectMedida de vazão-
Palavras-chave: dc.subjectRede neural-
Palavras-chave: dc.subjectFlow forecast-
Palavras-chave: dc.subjectLSTM neural network-
Título: dc.titleAvaliação da aplicação de redes neurais LSTM para previsão de vazões de uma usina hidroelétrica-
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.