Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas

• Ano de defesa: 2021
• Autor(a) principal: Nascimento, Pedro Henrique Macedo
• Orientador(a): Silva Junior, Ivo Chaves da
• Banca de defesa: Asano, Patrícia Teixeira Leite , Melo, Igor Delgado de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Aprendizado de máquina; Previsão; Energia hidroelétrica; Telemetria; Gerenciamento de recursos; Machine learning; Forecast; Hydroelectric energy; Telemetry; Resource management
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/12699

A operação de uma usina hidrelétrica é dependente de diversos fatores como a programação de geração de energia, do volume de água disponível no seu reservatório, as condições do rio a jusante e a segurança das barragens. Um grande desafio da operação é controlar o vertimento da água do reservatório. Embora a ação de vertimento represente a perda de recursos energéticos, esta ação também é uma estratégia poderosa para controlar o nível do reservatório, garantindo a segurança da barragem. A tomada de decisão quanto a essa operação é realizada com antecedência e geralmente se baseia em informações estimadas de nível e demanda. Neste contexto, este trabalho aplica técnicas de aprendizado supervisionado de máquina para predizer, cinco horas a frente, a condição operativa de vertimento em uma usina hidrelétrica. Com o objetivo de ser utilizado em tempo real, este método visa auxiliar o operador, de modo que este consiga tomar decisões mais assertivas e seguras, preservando recursos energéticos e promovendo aumento da segurança das barragens e, consequentemente, dos trabalhadores e da população que reside às margens do rio a jusante da usina. Floresta Aleatória, Perceptron Multicamadas e a combinação destes algoritmos de aprendizado são utilizados e comparados neste trabalho. A metodologia proposta foi implementada e testada com uma usina hidrelétrica localizada no Rio Tocantins, Brasil, com capacidade de geração de 902,5MW. Os resultados da metodologia demonstraram ue a ferramenta tem capacidade de ser um auxílio eficiente aos operadores de uma usina nas tomadas de decisão, visto que os modelos de previsão alcançaram patamares superiores à 99% de acerto nas previsões de vertimento.