[pt] O sistema hidroelétrico é responsável por 83,7% da energia
elétrica gerada no país. Assim sendo, a geração de energia
elétrica no Brasil depende basicamente das vazões
naturais que afluem aos aproveitamentos hidroelétricos
distribuídos por doze bacias hidrográficas no país. Sendo o
Operador Nacional do Sistema Elétrico (ONS) o órgão
responsável por elaborar a previsão e a geração de cenários
de vazões naturais médias diárias, semanais e mensais para
todos os locais de aproveitamentos hidroelétricos do
Sistema Interligado Nacional (SIN), a qualidade da previsão
da vazão natural é de suma importância para este órgão. A
qualidade dessa previsão impacta diretamente no
planejamento e em programas de operação do SIN, tal como o
Programa Mensal de Operação - PMO. Mesmo com a melhoria na
qualidade da previsão de vazões por meio da criação e
adoção dos mais diversos modelos determinísticos e
estocásticos nos últimos anos, os erros de previsão são,
ainda, significativos. Deste modo, o objetivo principal
desta dissertação foi propor um novo modelo capaz de
proporcionar um significativo ganho de qualidade na
previsão de vazões nas regiões dos aproveitamentos
hidrelétricos das bacias hidrográficas do país. O modelo
proposto, baseado em redes neurais, tem como ferramenta
primordial a utilização de transformadas wavelets, que
filtram os dados históricos de vazões, ou seja, as entradas
das redes neurais de previsão, dividindo esses
dados de entrada (sinais) em diversas escalas, no intuito
de que as redes neurais possam melhor analisá-los. Para
verificar a eficácia do modelo proposto, aqui denominado MIP
(Modelo Inteligente de Previsão), procedeu-se um estudo de
caso que realiza a previsão de vazões naturais incrementais
médias diárias e semanais no trecho incremental entre as
Usinas Hidroelétricas (UHE) Porto Primavera, Rosana e
Itaipu da Bacia do Rio Paraná, chegando-se a um erro de
aproximadamente 3,5% para previsão de vazões um dia à
frente, 16% para 12 dias à frente, e 9% para previsão média
semanal. Esta dissertação objetiva, também, investigar a
eficácia do uso de informações das precipitações
observadas e previstas na previsão de vazão, em conjunção
com o uso do histórico de vazões. / [en] The hydroelectricity system is responsible for 83.7% of the
electric energy generated at Brazil. Therefore, the
generation of electric power in Brazil depends basically on
the natural flow rates distributed by twelve basins in the
country. The quality of prediction of natural flow is of
crucial importance for the Brazilian governmental agency,
ONS (from the portuguese language Electrical National
Operator System), responsible for preparing the forecast
and the generation of scenarios of daily, weekly and
monthly average natural streamflows of all places of
hydroelectric exploitations of SIN (from the portuguese
language National Linked System). The quality of that
forecast impacts directly in the planning and operation
programs of SIN, for example, the PMO (from the portuguese
language Monthly Operation Program). Even with the
improvement in the quality of river flow forecasts through
the creation and adoption of the various deterministic and
stochastic models in recent years, the errors of
forecasting are still significant. Thus, the main goal of
this dissertation was proposing a new model capable
of providing a significant improvement in Streamflow
forecasts in regions of exploitations of hydroelectric
basins of the country. The proposed model, based on neural
networks, has the primary tool the use of wavelet
transforms, to filter streamflows historical data, or the
entries of predict neural networks, dividing the input data
(signals) in several scales, in order that the neural
networks can better analyse them. In order to check the
effectiveness of the proposed model, here called MIP (from
the portuguese language Forecast Intelligent Model), it was
developed a case study to forecast daily and weekly average
of natural incremental streamflows between the
Hydroelectric Plants: Porto Primavera, Rosana e Itaipu
belonging to the the Parana River Basin. The model
reaches up an error of about 3,5% to estimates of
streamflows one day ahead, 16% to 12 days ahead, and 9% for
average weekly forecast. This thesis aims to also
investigate the effectiveness of the use of information of
observed and predicted rainfall in the forecast flow, in
conjunction with the use of the historical streamflows.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:12169 |
Date | 08 September 2008 |
Creators | MARCELO ALFREDO DE ASSIS FAYAL |
Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | English |
Type | TEXTO |
Page generated in 0.0202 seconds