Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM
The prediction of inflows to the reservoirs of hydroelectric plants is of great importance in optimizing the operation planning, and aims to present a future scenario that may impact the energy generation process by increasing or decreasing the expected inflow. In this forecasting process, computati...
| Autor principal: | SANTOS, Ayla Lis Lopes |
|---|---|
| Grau: | Trabalho de Curso - Graduação - Monografia |
| Publicado em: |
2022
|
| Assuntos: | |
| Acesso em linha: |
https://bdm.ufpa.br:8443/jspui/handle/prefix/4578 |
| id |
oai:https:--bdm.ufpa.br:8443:prefix-4578 |
|---|---|
| recordtype |
dspace |
| spelling |
oai:https:--bdm.ufpa.br:8443:prefix-45782025-01-22T14:56:16Z Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM SANTOS, Ayla Lis Lopes TEIXEIRA, Raphael Barros http://lattes.cnpq.br/4902824086591521 Previsão de vazões afluentes Redes neurais artificiais Redes neurais recorrentes Usinas hidrelétricas LSTM Prediction of inflows Artificial neural networks Recurrent neural networks Hydroelectric plants CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA::GERACAO DA ENERGIA ELETRICA CNPQ::ENGENHARIAS::ENGENHARIA CIVIL::ENGENHARIA HIDRAULICA::HIDROLOGIA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO The prediction of inflows to the reservoirs of hydroelectric plants is of great importance in optimizing the operation planning, and aims to present a future scenario that may impact the energy generation process by increasing or decreasing the expected inflow. In this forecasting process, computational mathematical models based on neural networks are generally used. In this work we present a study of the application of Long Short-Term Memory (LSTM) Recurrent Neural Networks in the problem of forecasting the daily inflow of the Tucuruí Hydroelectric Power Plant (UHE) located in the Tocantins Araguaia Hydrographic Basin, in the horizon of 1 to 7 days ahead, considering the historical series of data measured by the National Water Agency (ANA) of UHE’s located upstream of its reservoir. The results obtained through the training of the model, showed the feasibility of its application to predict the daily inflow through the tests and analyzes carried out throughout the work, where the adjustment of each scenario presented was approximately 91% when the comparison was carried out. between the computational values, with the original data portion of the set set aside for validation. A previsão de vazões afluentes aos reservatórios das usinas hidrelétricas é de grande importância na otimização do planejamento de operação, e tem como objetivo apresentar um cenário futuro que poderá impactar no processo de geração de energia através do aumento ou diminuição de vazão afluente prevista. Neste processo de previsão são geralmente utilizados modelos matemáticos computacionais baseados em redes neurais. Neste trabalho apresentamos um estudo da aplicação de Redes Neurais Recorrentes Long Short-Term Memory (LSTM) no problema de previsão de vazão afluente diária da Usina Hidrelétrica (UHE) de Tucuruí localizada na Bacia Hidrográfica Tocantins Araguaia, no horizonte de 1 até 7 dias à frente, considerando as séries históricas de dados medidos pela Agência Nacional de Águas (ANA) de UHE’s localizadas à montante do seu reservatório. Os resultados obtidos através do treinamento do modelo, mostraram viabilidade de sua aplicação para previsão de vazão afluente diária por meio dos testes e análises realizadas ao longo do trabalho, onde o ajuste de cada cenário apresentado ficou em aproximadamente 91% ao ser realizada a comparação entre os valores computacionais, com a porção dos dados originais do conjunto separados para a validação. 2022-10-03T16:44:08Z 2022-10-03T16:44:08Z 2022-07-11 Trabalho de Curso - Graduação - Monografia SANTOS, Ayla Lis Lopes. Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM. Orientador: Raphael Barros Teixeira. 2022. [9], 44 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2022. Disponível em: https://bdm.ufpa.br:8443/jspui/handle/prefix/4578. Acesso em:. https://bdm.ufpa.br:8443/jspui/handle/prefix/4578 Acesso Aberto Disponível na Internet via Sagitta |
| institution |
Biblioteca Digital de Monografias - UFPA |
| collection |
MonografiaUFPA |
| topic |
Previsão de vazões afluentes Redes neurais artificiais Redes neurais recorrentes Usinas hidrelétricas LSTM Prediction of inflows Artificial neural networks Recurrent neural networks Hydroelectric plants CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA::GERACAO DA ENERGIA ELETRICA CNPQ::ENGENHARIAS::ENGENHARIA CIVIL::ENGENHARIA HIDRAULICA::HIDROLOGIA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| spellingShingle |
Previsão de vazões afluentes Redes neurais artificiais Redes neurais recorrentes Usinas hidrelétricas LSTM Prediction of inflows Artificial neural networks Recurrent neural networks Hydroelectric plants CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA::GERACAO DA ENERGIA ELETRICA CNPQ::ENGENHARIAS::ENGENHARIA CIVIL::ENGENHARIA HIDRAULICA::HIDROLOGIA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO SANTOS, Ayla Lis Lopes Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM |
| topic_facet |
Previsão de vazões afluentes Redes neurais artificiais Redes neurais recorrentes Usinas hidrelétricas LSTM Prediction of inflows Artificial neural networks Recurrent neural networks Hydroelectric plants CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::SISTEMAS ELETRICOS DE POTENCIA::GERACAO DA ENERGIA ELETRICA CNPQ::ENGENHARIAS::ENGENHARIA CIVIL::ENGENHARIA HIDRAULICA::HIDROLOGIA CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO |
| description |
The prediction of inflows to the reservoirs of hydroelectric plants is of great importance in optimizing the operation planning, and aims to present a future scenario that may impact the energy generation process by increasing or decreasing the expected inflow. In this forecasting process, computational mathematical models based on neural networks are generally used. In this work we present a study of the application of Long Short-Term Memory (LSTM) Recurrent Neural Networks in the problem of forecasting the daily inflow of the Tucuruí Hydroelectric Power Plant (UHE) located in the Tocantins Araguaia Hydrographic Basin, in the horizon of 1 to 7 days ahead, considering the historical series of data measured by the National Water Agency (ANA) of UHE’s located upstream of its reservoir. The results obtained through the training of the model, showed the feasibility of its application to predict the daily inflow through the tests and analyzes carried out throughout the work, where the adjustment of each scenario presented was approximately 91% when the comparison was carried out. between the
computational values, with the original data portion of the set set aside for validation. |
| author_additional |
TEIXEIRA, Raphael Barros |
| author_additionalStr |
TEIXEIRA, Raphael Barros |
| format |
Trabalho de Curso - Graduação - Monografia |
| author |
SANTOS, Ayla Lis Lopes |
| title |
Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM |
| title_short |
Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM |
| title_full |
Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM |
| title_fullStr |
Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM |
| title_full_unstemmed |
Previsão de vazão afluente da UHE-Tucuruí por redes neurais recorrentes LSTM |
| title_sort |
previsão de vazão afluente da uhe-tucuruí por redes neurais recorrentes lstm |
| publishDate |
2022 |
| url |
https://bdm.ufpa.br:8443/jspui/handle/prefix/4578 |
| _version_ |
1829093176738054144 |
| score |
11.753735 |