| dc.contributor | Silva Junior, Ivo Chaves da | |
| dc.contributor | http://lattes.cnpq.br/6893941321946438 | |
| dc.contributor | Oliveira, Leonardo Willer de | |
| dc.contributor | http://lattes.cnpq.br/9223644407644508 | |
| dc.contributor | Asano, Patrícia Teixeira Leite | |
| dc.contributor | http://lattes.cnpq.br/5742286307682505 | |
| dc.contributor | Melo, Igor Delgado de | |
| dc.contributor | http://lattes.cnpq.br/9811563971757515 | |
| dc.creator | Nascimento, Pedro Henrique Macedo | |
| dc.date | 2021-05-20T11:05:49Z | |
| dc.date | 2021-05-13 | |
| dc.date | 2021-05-20T11:05:49Z | |
| dc.date | 2021-02-26 | |
| dc.date.accessioned | 2023-09-29T16:42:03Z | |
| dc.date.available | 2023-09-29T16:42:03Z | |
| dc.identifier | https://repositorio.ufjf.br/jspui/handle/ufjf/12699 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9137969 | |
| dc.description | Operation at a hydroelectric plant is dependent on several factors such as the
schedule of power generation, the volume of water available in its reservoir, the conditions
of the river downstream, and the safety of the dams. A major challenge of the operation is
to control the spillage from the reservoir. Although the spillage action represents the loss of
energy resources, this action is also a powerful strategy to control the level of the reservoir,
ensuring the safety of the dam. Decision-making regarding this operation is carried out
in advance and is generally based on estimated level and demand information. In this
context, this work applies supervised machine learning techniques to predict, for five hours
to come, the operating condition of pouring in a hydroelectric plant. Intending to be used
in real-time, this method aims to assist the operator, so that he can make more assertive
and safer decisions, preserving energy resources and promoting increased safety of dams,
and consequently, of workers and the population that resides river banks downstream of
the plant. Random Forest, Multilayer Perceptron and the combination of these learning
algorithms are adopted and compared in this work. The proposed methodology was
implemented and tested with a hydroelectric plant located on the Tocantins River, Brazil,
with a generation capacity of 902.5MW. The results of the methodology demonstrated
that the tool has the capacity to be an efficient aid to the operators of a plant in decision
making, since the forecasting models reached levels above 99% of correctness in the spillage
forecasts. | |
| dc.description | A operação de uma usina hidrelétrica é dependente de diversos fatores como a
programação de geração de energia, do volume de água disponível no seu reservatório, as
condições do rio a jusante e a segurança das barragens. Um grande desafio da operação é
controlar o vertimento da água do reservatório. Embora a ação de vertimento represente
a perda de recursos energéticos, esta ação também é uma estratégia poderosa para
controlar o nível do reservatório, garantindo a segurança da barragem. A tomada de
decisão quanto a essa operação é realizada com antecedência e geralmente se baseia em
informações estimadas de nível e demanda. Neste contexto, este trabalho aplica técnicas
de aprendizado supervisionado de máquina para predizer, cinco horas a frente, a condição
operativa de vertimento em uma usina hidrelétrica. Com o objetivo de ser utilizado em
tempo real, este método visa auxiliar o operador, de modo que este consiga tomar decisões
mais assertivas e seguras, preservando recursos energéticos e promovendo aumento da
segurança das barragens e, consequentemente, dos trabalhadores e da população que reside
às margens do rio a jusante da usina. Floresta Aleatória, Perceptron Multicamadas e a
combinação destes algoritmos de aprendizado são utilizados e comparados neste trabalho.
A metodologia proposta foi implementada e testada com uma usina hidrelétrica localizada
no Rio Tocantins, Brasil, com capacidade de geração de 902,5MW. Os resultados da
metodologia demonstraram ue a ferramenta tem capacidade de ser um auxílio eficiente
aos operadores de uma usina nas tomadas de decisão, visto que os modelos de previsão
alcançaram patamares superiores à 99% de acerto nas previsões de vertimento. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Juiz de Fora (UFJF) | |
| dc.publisher | Brasil | |
| dc.publisher | Faculdade de Engenharia | |
| dc.publisher | Programa de Pós-graduação em Engenharia Elétrica | |
| dc.publisher | UFJF | |
| dc.rights | Acesso Aberto | |
| dc.rights | Attribution-ShareAlike 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-sa/3.0/br/ | |
| dc.subject | Aprendizado de máquina | |
| dc.subject | Previsão | |
| dc.subject | Energia hidroelétrica | |
| dc.subject | Telemetria | |
| dc.subject | Gerenciamento de recursos | |
| dc.subject | Machine learning | |
| dc.subject | Forecast | |
| dc.subject | Hydroelectric energy | |
| dc.subject | Telemetry | |
| dc.subject | Resource management | |
| dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | |
| dc.title | Aplicação de técnicas de aprendizagem de máquinas na previsão de vertimento em usinas hidrelétricas | |
| dc.type | Dissertação | |
