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 de |
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 a curto e a longo 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 | 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