Spelling suggestions: "subject:"algoritmo genética""
1 |
Modelagem inteligente para previsão de séries de vazões afluentesBRITO, Bethânia Oliveira de 26 February 2016 (has links)
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. / The 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). / Programa Institucional de Bolsas de Pós-Graduação - PIB-PÓS
|
Page generated in 0.051 seconds