Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/382
Registro completo de metadados
Campo DC | Valor | Idioma |
---|---|---|
dc.creator | Silva, Diogo Fernandes Costa | - |
dc.date.accessioned | 2020-12-10T18:49:47Z | - |
dc.date.available | 2020-12-10T18:49:47Z | - |
dc.date.issued | 2020-11-30 | - |
dc.identifier.uri | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/382 | - |
dc.description.sponsorship | Outros | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Pontifícia Universidade Católica de Goiás | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Predição de vazão | pt_BR |
dc.subject | Energia | pt_BR |
dc.subject | Rede neural recorrente | pt_BR |
dc.subject | Memória a curto e a longo prazo | pt_BR |
dc.subject | LSTM | pt_BR |
dc.subject | Deep learning | pt_BR |
dc.title | Predição de vazão de uma usina hidrelétrica utilizando deep learning | pt_BR |
dc.title.alternative | Forecasting of water flow in a hydroelectric power plant using LSTM recurrent neural network | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.contributor.advisor1 | Galvão Filho, Arlindo Rodrigues | - |
dc.contributor.advisor1ID | https://orcid.org/0000-0003-2151-8039 | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7744765287200890 | pt_BR |
dc.contributor.referee1 | Carvalho, Rafael Viana de | - |
dc.contributor.referee1ID | https://orcid.org/0000-0001-8656-5472 | pt_BR |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/8037512088703488 | pt_BR |
dc.contributor.referee2 | Franco, Ricardo Augusto Pereira | - |
dc.contributor.referee2ID | https://orcid.org/0000-0001-7169-3367 | pt_BR |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/5597959559288383 | pt_BR |
dc.contributor.referee3 | Coelho, Clarimar José | - |
dc.contributor.referee3Lattes | http://lattes.cnpq.br/1350166605717268 | pt_BR |
dc.description.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. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Escola de Ciências Exatas e da Computação | pt_BR |
dc.publisher.initials | PUC Goiás | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | pt_BR |
dc.degree.graduation | Engenharia de Computação | pt_BR |
dc.degree.level | Graduação | pt_BR |
Aparece nas coleções: | TCC Engenharia de Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
PID6453153.pdf | 314,84 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador