Máquinas desorganizadas para previsão de séries de vazões
Ano de defesa: | 2013 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
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 |