Use este identificador para citar ou linkar para este item: https://repositorio.ufjf.br/jspui/handle/ufjf/14338
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
guilhermemarinsmaciel.pdfPDF/A5.59 MBAdobe PDFThumbnail
Visualizar/Abrir
Tipo: Tese
Título: Arquitetura híbrida para a previsão de afluências em reservatórios baseada no modelo SMAP e Deep Learning
Autor(es): Maciel, Guilherme Marins
Primeiro Orientador: Marcato, André Luís Marques
Co-orientador: Silva Junior, Ivo Chaves da
Membro da banca: Belat, Edmarcio Antonio
Membro da banca: Souza, Reinaldo Castro
Membro da banca: Passos Filho, João Alberto
Membro da banca: Oliveira, Leonardo Willer de
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.
Abstract: Hydrological models are essential tools to generate scenarios or forecast water resources availability, which are used to plan the short-term electrical systems operation. However, there is a trade-off when choosing a given model. Complex models may provide good results depending on very complicated analytical and optimization procedures beyond sophisticated data, whereas simpler models offer reasonable results with much more amenable tuning approaches. To improve the quality of simpler models this work proposes the coupling of the Soil Moisture Accounting Procedure (SMAP) hydrological model with a Deep Learning architecture based on Conv3D-LSTM. In the proposed methodology, the SMAP is first optimized to obtain general parameters of the hydrographic basin. This optimized model’s output is used as input to the Conv3D-LSTM estimator to provide the final results. This gray estimator model can generate fast and accurate results. Studies with the goal of forecast the natural flow seven days ahead are carried out for two large Brazilian hydroelectric plants to validate the method. The results obtained by the architecture are better than those obtained with decoupled techniques.
Palavras-chave: SMAP
Deep learning
Previsão de vazão
Modelo híbrido
Conv3D
LSTM
Runoff forecasting
Hybrid model
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Idioma: por
País: Brasil
Editor: Universidade Federal de Juiz de Fora (UFJF)
Sigla da Instituição: UFJF
Departamento: Faculdade de Engenharia
Programa: Programa de Pós-graduação em Engenharia Elétrica
Tipo de Acesso: Acesso Aberto
Attribution 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by/3.0/br/
DOI: https://doi.org/10.34019/ufjf/te/2022/00039
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/14338
Data do documento: 3-Mai-2022
Aparece nas coleções:Doutorado em Engenharia Elétrica (Teses)



Este item está licenciado sob uma Licença Creative Commons Creative Commons