@MASTERSTHESIS{ 2016:768912291,
 	title = {Modelagem inteligente para previsão de séries de vazões afluentes},
 	year = {2016},
 	url = "https://bdtd.unifal-mg.edu.br:8443/handle/tede/955",
 	abstract = "A 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.",
 	publisher = {Universidade Federal de Alfenas},
 	scholl = {Programa de Pós-Graduação em Estatística Aplicada e Biometria},
 	note = {Instituto de Ciências Exatas}
}