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
Registro completo de metadados
Campo DCValorIdioma
dc.creatorSilva, Diogo Fernandes Costa-
dc.date.accessioned2020-12-10T18:49:47Z-
dc.date.available2020-12-10T18:49:47Z-
dc.date.issued2020-11-30-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/382-
dc.description.sponsorshipOutrospt_BR
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectPredição de vazãopt_BR
dc.subjectEnergiapt_BR
dc.subjectRede neural recorrentept_BR
dc.subjectMemória a curto e a longo prazopt_BR
dc.subjectLSTMpt_BR
dc.subjectDeep learningpt_BR
dc.titlePredição de vazão de uma usina hidrelétrica utilizando deep learningpt_BR
dc.title.alternativeForecasting of water flow in a hydroelectric power plant using LSTM recurrent neural networkpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Galvão Filho, Arlindo Rodrigues-
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-2151-8039pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7744765287200890pt_BR
dc.contributor.referee1Carvalho, Rafael Viana de-
dc.contributor.referee1IDhttps://orcid.org/0000-0001-8656-5472pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8037512088703488pt_BR
dc.contributor.referee2Franco, Ricardo Augusto Pereira-
dc.contributor.referee2IDhttps://orcid.org/0000-0001-7169-3367pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5597959559288383pt_BR
dc.contributor.referee3Coelho, Clarimar José-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/1350166605717268pt_BR
dc.description.resumoO 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Ciências Exatas e da Computaçãopt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.degree.graduationEngenharia de Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Engenharia de Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
PID6453153.pdf314,84 kBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


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

Ferramentas do administrador