Máquinas desorganizadas para previsão de séries de vazões

Detalhes bibliográficos
Ano de defesa: 2013
Autor(a) principal: Siqueira, Hugo Valadares, 1983-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Link de acesso: https://hdl.handle.net/20.500.12733/1621970
Resumo: Orientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol Attux
id UNICAMP-30_e37386e9f9382558e282d6835e24f423
oai_identifier_str oai::920909
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Máquinas desorganizadas para previsão de séries de vazõesUnorganized machines to seasonal streamflow series forecastingPrevisão de vazõesPronósticos (Modelos Box Jenkins)Redes neurais (Computação)Seleção de variáveisStreamflow forecastingPredictions (Box-Jenkins Models)Neural networks (Computer)Variable selectionOrientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol AttuxTese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Este trabalho explora a possibilidade de aplicação de arquiteturas de redes neurais artificiais - redes neurais de estado de eco (ESN) e máquinas de aprendizado extremo (ELM) - aqui denominadas coletivamente por máquinas desorganizadas (MDs), para a previsão de séries de vazões. A previsão de vazões é uma das etapas fundamentais no planejamento da operação dos sistemas de energia elétrica com predominância hidráulica, como é o caso brasileiro. Os modelos mais comumente utilizados para previsão de vazões pelo Setor Elétrico Brasileiro (SEB) são baseados na metodologia Box & Jenkins, lineares, sobretudo modelos periódicos auto-regressivos (PAR). Todavia, técnicas mais abrangentes, que alcancem melhores desempenhos, vêm sendo investigadas. Destacam-se as redes neurais artificiais, sobretudo arquiteturas do tipo perceptron de múltiplas camadas (MLP), muito conhecidas por serem aproximadores universais com elevada capacidade de aprendizado e mapeamento não-linear, características desejáveis para solução do problema em questão. Por outro lado, as máquinas desorganizadas têm apresentado resultados promissores na previsão de séries temporais. Estes modelos têm um processo de treinamento simples, baseado em encontrar os coeficientes de um combinador linear; em particular, não precisam fazer ajuste dos pesos de sua camada intermediária, ao contrário das redes MLP. Por isso, este trabalho investigou as MDs do tipo ESN e ELM, versões recorrente e não-recorrente, respectivamente, para previsão de vazões médias mensais. Serão avaliadas também três técnicas para retirada da componente sazonal característica destas séries ¿ médias móveis, padronização e diferenças sazonal ¿ além da exploração de técnicas de seleção de variáveis do tipo filtro e wrapper, no intuito de melhorar performance dos modelos preditores. Na maioria dos casos estudados, os resultados obtidos pelas MDs na previsão das séries associadas a importantes usinas hidrelétricas brasileiras - Furnas, Emborcação e Sobradinho - em cenários com horizontes variados, mostraram-se de melhor qualidade do que os obtidos pelo modelo PAR e as redes neurais MLPsAbstract: This work explores the possibility of application of neural network architectures ¿ echo state networks (ESN) and extreme learning machines (ELM) ¿ collectively referred as unorganized machines (UMs), to seasonal streamflow series forecasting. Streamflow forecasting is one of the key steps in the planning of operation of power systems with hydraulic predominance, as in the Brazilian case. The models most commonly used to streamflow prediction by the Brazilian Electric Sector are based on the Box & Jenkins methodology, with linear and especially periodic autoregressive models. However, more extensive techniques that achieve better performances have been investigated to this task. We highlight artificial neural networks, especially architectures such as multilayer perceptron (MLP), known to be universal approximators with high learning ability skills ability to perform nonlinear mapping, desirable characteristics for the solution of this problem. On the other hand, unorganized machines have shown promising results in time series forecasting. These models have a simple training process, based on finding the coefficients of a linear combiner; they do not require adjustments in the weights of the hidden layer, which are necessary with MLP architecture. Therefore, this study investigated the UMs such as ESN and ELM, recurrent and nonrecurrent versions, respectively, to seasonal streamflow series forecasting. Three techniques to remove the seasonal component of streamflow series will also be evaluated - moving averages, standardization and seasonal differences. In addition, In order to improve the performance of predictive models techniques for variable selection, such as filters and wrappers, will also be explored. In the most cases, the computational results obtained by the UMs in streamflow series forecasting associated to important Brazilian hydroelectric plants - Furnas, Emborcação and Sobradinho - with scenarios including several horizons, presented better performance when compared to forecasting obtained with PAR models and MLPsDoutoradoEnergia ElétricaDoutor em Engenharia Elétrica[s.n.]Lyra Filho, Christiano, 1951-Attux, Romis Ribeiro de Faissol, 1978-Souza, Reinaldo CastroCarvalho, André Carlos Ponce de Leon Ferreira deVon Zuben, Fernando JoséRomano, João Marcos TravassosUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASSiqueira, Hugo Valadares, 1983-2013info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf218 p. : il.https://hdl.handle.net/20.500.12733/1621970SIQUEIRA, Hugo Valadares. Máquinas desorganizadas para previsão de séries de vazões . 2013. 218 p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1621970. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/920909porreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2017-02-18T07:13:45Zoai::920909Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2017-02-18T07:13:45Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Máquinas desorganizadas para previsão de séries de vazões
Unorganized machines to seasonal streamflow series forecasting
title Máquinas desorganizadas para previsão de séries de vazões
spellingShingle Máquinas desorganizadas para previsão de séries de vazões
Siqueira, Hugo Valadares, 1983-
Previsão de vazões
Pronósticos (Modelos Box Jenkins)
Redes neurais (Computação)
Seleção de variáveis
Streamflow forecasting
Predictions (Box-Jenkins Models)
Neural networks (Computer)
Variable selection
title_short Máquinas desorganizadas para previsão de séries de vazões
title_full Máquinas desorganizadas para previsão de séries de vazões
title_fullStr Máquinas desorganizadas para previsão de séries de vazões
title_full_unstemmed Máquinas desorganizadas para previsão de séries de vazões
title_sort Máquinas desorganizadas para previsão de séries de vazões
author Siqueira, Hugo Valadares, 1983-
author_facet Siqueira, Hugo Valadares, 1983-
author_role author
dc.contributor.none.fl_str_mv Lyra Filho, Christiano, 1951-
Attux, Romis Ribeiro de Faissol, 1978-
Souza, Reinaldo Castro
Carvalho, André Carlos Ponce de Leon Ferreira de
Von Zuben, Fernando José
Romano, João Marcos Travassos
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Siqueira, Hugo Valadares, 1983-
dc.subject.por.fl_str_mv Previsão de vazões
Pronósticos (Modelos Box Jenkins)
Redes neurais (Computação)
Seleção de variáveis
Streamflow forecasting
Predictions (Box-Jenkins Models)
Neural networks (Computer)
Variable selection
topic Previsão de vazões
Pronósticos (Modelos Box Jenkins)
Redes neurais (Computação)
Seleção de variáveis
Streamflow forecasting
Predictions (Box-Jenkins Models)
Neural networks (Computer)
Variable selection
description Orientadores: Christiano Lyra Filho, Romis Ribeiro de Faissol Attux
publishDate 2013
dc.date.none.fl_str_mv 2013
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1621970
SIQUEIRA, Hugo Valadares. Máquinas desorganizadas para previsão de séries de vazões . 2013. 218 p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1621970. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/1621970
identifier_str_mv SIQUEIRA, Hugo Valadares. Máquinas desorganizadas para previsão de séries de vazões . 2013. 218 p. Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1621970. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/920909
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
218 p. : il.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189881712214016