Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/14338
Files in This Item:
File Description SizeFormat 
guilhermemarinsmaciel.pdfPDF/A5.59 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Marcato, André Luís Marques-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1033215067775319pt_BR
dc.contributor.advisor-co1Silva Junior, Ivo Chaves da-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/6893941321946438pt_BR
dc.contributor.referee1Belat, Edmarcio Antonio-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/pt_BR
dc.contributor.referee2Souza, Reinaldo Castro-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6992824817295435pt_BR
dc.contributor.referee3Passos Filho, João Alberto-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/0004473428354479pt_BR
dc.contributor.referee4Oliveira, Leonardo Willer de-
dc.contributor.referee4Latteshttp://lattes.cnpq.br/9223644407644508pt_BR
dc.creatorMaciel, Guilherme Marins-
dc.creator.Latteshttp://lattes.cnpq.br/2670778464347609pt_BR
dc.date.accessioned2022-08-24T13:26:01Z-
dc.date.available2022-08-11-
dc.date.available2022-08-24T13:26:01Z-
dc.date.issued2022-05-03-
dc.identifier.doihttps://doi.org/10.34019/ufjf/te/2022/00039-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/14338-
dc.description.abstractHydrological 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.pt_BR
dc.description.resumoModelos 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.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Engenhariapt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.subjectSMAPpt_BR
dc.subjectDeep learningpt_BR
dc.subjectPrevisão de vazãopt_BR
dc.subjectModelo híbridopt_BR
dc.subjectConv3Dpt_BR
dc.subjectLSTMpt_BR
dc.subjectRunoff forecastingpt_BR
dc.subjectHybrid modelpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleArquitetura híbrida para a previsão de afluências em reservatórios baseada no modelo SMAP e Deep Learningpt_BR
dc.typeTesept_BR
Appears in Collections:Doutorado em Engenharia Elétrica (Teses)



This item is licensed under a Creative Commons License Creative Commons