Arquitetura híbrida para a previsão de afluências em reservatórios baseada no modelo SMAP e Deep Learning
Ano de defesa: | 2022 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Tese |
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: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://doi.org/10.34019/ufjf/te/2022/00039 https://repositorio.ufjf.br/jspui/handle/ufjf/14338 |
Resumo: | Modelos hidrológicos são ferramentas essenciais para prever ou gerar cenários da disponibilidade de recursos hídricos, usados para planejar a operação de sistemas elétricos de curto a longo prazo. No entanto, há um empasse ao escolher um determinado modelo. Modelos complexos, como modelos distribuídos, podem fornecer bons resultados por procedimentos analíticos, otimizações robustas e dados sofisticados. Já modelos mais simples, como os concentrados, oferecem resultados razoáveis com abordagens de ajuste muito mais fáceis. Para melhorar a qualidade de modelos mais simples, este trabalho propõe o acoplamento do modelo hidrológico Soil Moisture Accounting Procedure (SMAP) com uma arquitetura Deep Learning baseada em camadas Conv3D-LSTM. Na metodologia proposta, o SMAP é primeiramente otimizado para obter parâmetros gerais da bacia hidrográfica. Este modelo recebe um ajuste local, baseado no algoritmo Twiddle, usado como entrada para a arquitetura Conv3D-LSTM. Este modelo de estimativa de caixa cinza pode gerar resultados rápidos e precisos. Estudos, visando prever a vazão natural com sete dias de antecedência, foram realizados em duas grandes hidrelétricas brasileiras para validar o método. Os resultados obtidos pela arquitetura híbrida são melhores que os obtidos com as técnicas desacopladas. |