PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Engenharia de Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/382
Tipo: Trabalho de Conclusão de Curso
Título: Predição de vazão de uma usina hidrelétrica utilizando deep learning
Título(s) alternativo(s): Forecasting of Water Flow in a Hydroelectric Power Plant Using LSTM Recurrent Neural Network
Autor(es): Silva, Diogo Fernandes Costa
Primeiro Orientador: Galvão Filho, Arlindo Rodrigues
metadata.dc.contributor.referee1: Carvalho, Rafael Viana
metadata.dc.contributor.referee2: Franco, Ricardo Augusto Pereira
metadata.dc.contributor.referee3: Coelho, Clarimar José
Resumo: O fluxo de água é uma informação importante para o estudo da produção de energia, bem como a gestão e controle de energia hidrelétrica. A previsão de informações de cenários futuros permite tomar ações a fim de otimizar a geração de energia elétrica. Este trabalho propõe um modelo para gerar a previsão de vazão baseado em uma Rede Neural Recorrente, mais especificamente do tipo Memória de Longo-Curto Prazo (LSTM). O dataset utilizado para validar o modelo LSTM é obtido de um histórico de vazão da Usina Hidrelétrica Jirau, instalada no rio Madeira no estado de Rondônia, Brasil. O modelo foi treinado e testado com a resolução de um passo de tempo de um dia. Resultados experimentais mostraram baixos erros de acordo com a capacidade preditiva. O resultado previsto foi avaliado por uma equipe de especialistas operacionais, da Usina Hidrelétrica Jirau, o qual atestou que os resultados podem ser utilizados em um cenário real. Conclui-se que o modelo LSTM é uma boa estratégia para a previsão de vazão de água para o estudo da eficiência de turbinas hidrelétricas.
Palavras-chave: Predição de vazão
Energia
Rede Neural Recorrente
Memória de Longo-Curto Prazo
LSTM
Deep Learning
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Idioma: por
País: Brasil
Editor: Pontifícia Universidade Católica de Goiás
Sigla da Instituição: PUC Goiás
metadata.dc.publisher.department: Escola de Ciências Exatas e da Computação
Tipo de Acesso: Acesso Aberto
URI: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/382
Data do documento: 30-Nov-2020
Aparece nas coleções:TCC Engenharia de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PID6453153.pdf314,84 kBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.

Ferramentas do administrador