Navegando por Assunto "Time series"

Agora exibindo 1 - 3 de 3

Acesso aberto (Open Access)
Modelo de previsão hidrológica utilizando redes neurais artificiais: um estudo de caso na bacia do Rio Xingu- Altamira-Pa
(Universidade Federal do Pará, 2019-10-10) SILVA, Arilson Galdino da; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
O conhecimento acerca da amplitude do transbordamento dos leitos fluviais é extremamente necessário para determinação das áreas de risco. A cidade de Altamira-PA, localizada às margens do rio Xingu, vem sofrendo com casos extremos de cheias que tendem a provocar inundações, resultando em severos prejuízos para a sua população. Considerando o problema, este trabalho apresenta a proposta de um sistema de previsão de nível mensal do Rio Xingu baseado em Redes Neurais Artificiais Perceptron de Múltiplas Camadas. Para o desenvolvimento do sistema foram utilizados dados de precipitação na bacia e sub-bacias do Rio Xingu, e informações de Temperatura da Superfície do Mar (TSM) do período de 1979 a 2016. Os resultados satisfatórios obtidos demonstram a grande aplicabilidade das Redes Neurais Artificiais para o problema de previsão de cheias, visto que comparada a outras metodologias possuem maior precisão na busca de soluções para problemas não lineares. Para o tratamento e seleção das variáveis de entrada foi utilizada a abordagem de correlação, com o objetivo de melhorar a acurácia dos resultados, selecionando, assim, as melhores informações com suas respectivas defasagens, na qual são inseridas em três cenários de predição: modelo com dados de precipitação, modelo com informações de temperatura da superfície do mar e aplicação utilizando a junção de TSM com precipitação. Para mensurar a capacidade de predição dos métodos propostos, foram obtidos os valores Mean Square Error (MSE) e coeficiente de determinação (R²), para a melhor estratégia, empregando somente variáveis oceânicas, TSM, sendo respectivamente os valores 2,99x104 e 0,9991 considerando, principalmente, o tratamento dos valores de entrada da Rede Neural.
Acesso aberto (Open Access)
Modelo híbrido baseado em séries temporais e redes neurais para previsão da geração de energia eólica
(Universidade Federal do Pará, 2018-08-30) ALENCAR, David Barbosa de; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720
A geração de energia elétrica através de turbinas eólicas é uma das alternativas praticamente inesgotáveis de geração de energia elétrica. Ela é considerada uma fonte de energia limpa, porém ainda necessita de muita pesquisa para desenvolvimento de ciência e tecnologias que assegurem uma uniformidade na geração, propiciando uma maior participação desta fonte na matriz energética tanto no Brasil quanto no mundo, pois o vento apresenta bruscas variações na velocidade, densidade e em outras variáveis importantes. Nos sistemas elétricos de base eólica, cada horizonte de previsão é aplicado em um determinado segmento específico, previsão de minutos, horas, semanas, meses e anos futuros do comportamento do vento, desta forma pode-se avaliar a disponibilidade de energia para o próximo período, uma informação relevante no despacho das unidades geradoras e no controle do sistema elétrico. Esta tese teve como proposta, desenvolver modelos de previsão a ultra curto, curto, médio e longo prazo da velocidade do vento, baseado em técnicas de inteligência computacional, usando modelos de Redes Neurais Artificiais, SARIMA e modelos híbridos e prever a capacidade da geração de potência para cada horizonte. Para aplicação da metodologia utilizou-se as variáveis meteorológicas do banco de dados do sistema de organização nacional de dados ambientais SONDA, estação de Petrolina, do período de 01 de janeiro de 2004 à 31 de março de 2017. O desempenho dos modelos foi comparado com 5, 10 e 20 passos para frente, considerando minutos, horas, dias, semanas, meses e anos como horizonte de previsão. O modelo hibrido obteve melhor resposta na previsões dentre as quais destacou-se o horizonte de horas.
Acesso aberto (Open Access)
Previsão de geração de energia fotovoltaica utilizando transformação de séries temporais em imagens e redes neurais convolucionais bidimensionais
(Universidade Federal do Pará, 2023-10-26) MONTEIRO, Diego Ramiro Melo; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
Este trabalho apresenta uma nova abordagem baseada em Rede Neural Convolucional Bidimensional (Convolutional Neural Network – CNN) e técnicas de transformação de séries temporais em imagens, como Campo Angular Gramiano (Gramian Angular Field – GAF) e Gráfico de Recorrência (Recurrence Plot – RP), para previsão em curto prazo da geração de energia elétrica de uma microusina fotovoltaica conectada à rede elétrica, localizada no Centro de Excelência em Eficiência Energética da Amazônia – CEAMAZON, da Universidade Federal do Pará (UFPA). As técnicas de GAF e de RP foram utilizadas para transformação das séries temporais em imagens para serem utilizadas como entrada para a CNN. A previsão de geração de energia elétrica com maior precisão possibilita ao usuário conhecer com maior grau de acerto quais os possíveis custos para implantação da rede e os prazos para retorno financeiro, além de avaliar com maior assertividade a disponibilidade de carga que poderá ser conectada ao sistema. Os resultados da previsão com a utilização de GAF e RP em rede CNN 2D foram comparados com resultados utilizando outros tipos de rede neurais já consolidadas na área, como a Perceptron Multicamadas e a CNN 1D, tendo a CNN 2D obtido em alguns casos valores RMSE próximos ou um pouco inferiores, mostrando assim a aplicabilidade da utilização de imagens obtidas através de transformação das séries temporais de energia fotovoltaica em rede CNN 2D para o problema.