Exportar este item: EndNote BibTex

Use este identificador para citar ou linkar para este item: https://bdtd.unifal-mg.edu.br:8443/handle/tede/955
Registro completo de metadados
Campo DCValorIdioma
dc.creatorBRITO, Bethânia Oliveira de-
dc.creator.Latteshttp://lattes.cnpq.br/9263324208592908por
dc.contributor.advisor1SALGADO, Ricardo Menezes-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8918198224706238por
dc.contributor.advisor-co1BEIJO, Luiz Alberto-
dc.contributor.referee1BEIJO, Luiz Alberto-
dc.contributor.referee2OHISHI, Takaaki-
dc.date.accessioned2017-04-27T23:31:39Z-
dc.date.issued2016-02-26-
dc.identifier.citationBRITO, Bethânia Oliveira de. Modelagem inteligente para previsão de séries de vazões afluentes. 2016. 101 f. Dissertação (Mestrado em Estatística Aplicada e Biometria) - Universidade Federal de Alfenas, Alfenas, MG, 2016.por
dc.identifier.urihttps://bdtd.unifal-mg.edu.br:8443/handle/tede/955-
dc.description.resumoA geração de energia elétrica é assunto estratégico para o desenvolvimento econômico de qualquer nação e geralmente está ligada aos recursos naturais disponíveis. A exploração de tais fontes devem ser aproveitadas de maneira a maximizar os benefícios proporcionados e minimizar os impactos negativos ao meio ambiente e sociedade. A estratégia de previsão de séries de vazões consiste em estimar o fluxo de água com determinada antecedência visando minimizar as incertezas e os riscos auxiliando na redução dos fatores que prejudicam o planejamento das hidroelétricas e maximizando os resultados obtidos, pois a geração de energia elétrica a partir do sistema hidráulico depende principalmente das séries de vazões afluentes (TUCCI, 2002). Para realizar previsão de séries de vazões, encontram-se na literatura diversos modelos, dentre estes, as redes neurais artificiais, programação genética, modelos autorregressivos, entre outros. A fim de melhorar o desempenho das previsões de vazões propõe-se neste trabalho a construção de ensembles, que consiste em combinar componentes individuais. Neste trabalho, utilizou-se uma base dados do Operador Nacional de Sistemas (ONS) de duas usinas localizadas no Rio Grande: Água Vermelha e Itutinga. Os modelos que mais se destacaram como componentes individuais foram a rede neural artificial (RNA) com algorítimos de treinamento Backpropagation (BPM) e Gradient Method (GRAD) e a Programação Genética (PG). O ensemble BPM foi o que apresentou maior eficiência e capacidade de generalização. O MAPE da previsão dos modelos do período seco é menor que no período úmido. Não houve um modelo que se destacou em todos os casos quanto aos erros de previsão, sendo que os resultados dependem das características da usina e do período em estudo. Fazer previsões por períodos levaram a menores erros que quando considerado todo o ano. Após a combinação das componentes individuais, na maioria dos casos houve melhoria do desempenho, sendo que o melhor caso foi capaz de prover uma diminuição de até 14% do erro médio absoluto percentual (MAPE) em relação a melhor componente individual.por
dc.description.abstractThe generation of power is of strategic importance for the economic development of any nation. The ability to generate power is fundamentally linked to the availability of natural resources. The exploitation of such resources should be guided by principles to maximize the benefit provided and minimize the negative impact on the environment and society. The generation of electricity from hydraulic system depends mainly on the water inflow series (TUCCI, 2002). The forecast strategy series streamflow estimates the water flow with the goal of minimizing uncertainties and risks while reducing factors that hinder the planning of hydroelectric energy production. There are several models in the literature for performing streamflow series forecasting. They include: artificial neural networks, genetic programming, and autoregressive models, among others. In this paper, we propose the construction of ensembles - the combination of individual components - in order to improve the performance of forecasts of streamflow rates. We used one database from the Operador Nacional do Sistema Elétrico (ONS) in two plants located in Rio Grande: Água Vermelha and Itutinga. The models that stood out were the artificial neural network (ANN) with the training algorithms Backpropagation (BPM), Gradient Method (GRAD), and genetic programming (GP). The ensemble BPM showed greater efficiency and generalizability. The forecast MAPE of models for dry periods is less than for the wet season. Model results depended upon the characteristics of the plant and the period under study. Making predictions by periods led to minor mistakes when taken throughout the year. After combining the individual components, there was up to a 14% reduction of the average percentage absolute error (MAPE).eng
dc.description.provenanceSubmitted by Marlom César da Silva (marlom.silva@unifal-mg.edu.br) on 2017-04-27T23:29:52Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação de Bethânia Oliveira de Brito.pdf: 3219019 bytes, checksum: fff6baeec667738cf6e5dd1150c2e8a8 (MD5)eng
dc.description.provenanceApproved for entry into archive by Marlom César da Silva (marlom.silva@unifal-mg.edu.br) on 2017-04-27T23:30:46Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação de Bethânia Oliveira de Brito.pdf: 3219019 bytes, checksum: fff6baeec667738cf6e5dd1150c2e8a8 (MD5)eng
dc.description.provenanceApproved for entry into archive by Marlom César da Silva (marlom.silva@unifal-mg.edu.br) on 2017-04-27T23:31:10Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação de Bethânia Oliveira de Brito.pdf: 3219019 bytes, checksum: fff6baeec667738cf6e5dd1150c2e8a8 (MD5)eng
dc.description.provenanceMade available in DSpace on 2017-04-27T23:31:39Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertação de Bethânia Oliveira de Brito.pdf: 3219019 bytes, checksum: fff6baeec667738cf6e5dd1150c2e8a8 (MD5) Previous issue date: 2016-02-26eng
dc.description.sponsorshipPrograma Institucional de Bolsas de Pós-Graduação - PIB-PÓSpor
dc.formatapplication/pdf*
dc.languageporpor
dc.publisherUniversidade Federal de Alfenaspor
dc.publisher.departmentInstituto de Ciências Exataspor
dc.publisher.countryBrasilpor
dc.publisher.initialsUNIFAL-MGpor
dc.publisher.programPrograma de Pós-Graduação em Estatística Aplicada e Biometriapor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/-
dc.subjectRedes Neurais (Computacão)por
dc.subjectAlgoritmos - Genéticapor
dc.subjectPrevisão Hidrológicapor
dc.subject.cnpqPROBABILIDADE E ESTATISTICA::PROBABILIDADE E ESTATISTICA APLICADASpor
dc.titleModelagem inteligente para previsão de séries de vazões afluentespor
dc.typeDissertaçãopor
Aparece nas coleções:Mestrado

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação de Bethânia Oliveira de Brito.pdf3,14 MBAdobe PDFBaixar/Abrir Pré-Visualizar


Este item está licenciada sob uma Licença Creative Commons Creative Commons