Please use this identifier to cite or link to this item:
https://repositorio.ufpa.br/jspui/handle/2011/11425
metadata.dc.type: | Tese |
Issue Date: | 8-May-2019 |
metadata.dc.creator: | LOPES, Márcio Nirlando Gomes |
metadata.dc.contributor.advisor1: | ROCHA, Brigida Ramati Pereira da |
Title: | Modelagem do potencial de geração de energia hidrelétrica: uma contribuição para o planejamento energético na Amazônia |
Other Titles: | Modeling of hydroelectric power generation potential: a contribution to energy planning in the Amazon |
Citation: | LOPES, Márcio Nirlando Gomes. Modelagem do potencial de geração de energia hidrelétrica: uma contribuição para o planejamento energético na Amazônia. Orientadora: Brigida Ramati Pereira da Rocha. 2019.167 f. Tese (Doutorado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br/jspui/handle/2011/11425. Acesso em:. |
metadata.dc.description.resumo: | Os estudos de viabilidade para aproveitamentos hidrelétricos (AHE) utilizam dados observados de vazão para estimar o potencial de geração de energia. De acordo com o regramento brasileiro, os registros necessitam abranger um período mínimo de setenta anos de observação. No entanto, em algumas regiões os registros de vazão compreendem curtos períodos, de modo que a série temporal não captura a variabilidade natural do clima e isto pode levar a erros na interpretação das informações, de tal forma que a geração de energia da planta pode ser inferior à esperada. Para tratar tal problema, esta tese propõe uma metodologia inovadora para estimar o potencial de geração de energia. O princípio consiste em utilizar dados de precipitação, que possui séries temporais longas, para estimar o potencial de geração de energia através de uma modelagem que emprega técnicas de inteligência artificial. Dois métodos distintos de aprendizado de máquina foram testados. O primeiro é uma técnica de deep learning denominada Group Method of Data Handling – GMDH. O segundo utiliza redes neurais artificiais com opções distintas para algoritmos de otimização, Levenberg-Marquardt e regularização bayesiana. A metodologia foi aplicada para o aproveitamento hidrelétrico de Jatobá, na bacia do rio Tapajós, no Pará. Os indicadores de avaliação mostraram que os modelos apresentam habilidade para simular a geração de energia, com melhor desempenho para o GMDH que atingiu 95% de correlação com os dados reais e apenas 12% de erro percentual médio. As simulações obtiveram melhor desempenho durante a estação seca, o que é fundamental, visto que este período crítico para a geração de energia hidrelétrica define a energia firme do empreendimento. Análises estatísticas sobre os dados observados detectaram tendência significativa de redução da precipitação em algumas sub-bacias do rio Tapajós. Simulações incorporando um cenário de mudanças climáticas, proposto pelo Painel Intergovernamental sobre Mudança do Clima, assim como um cenário de tendência estatística de longo prazo, ambos indicaram redução da capacidade de produção energética para os próximos vintes anos, sugerindo que o AHE Jatobá poderá não atender a demanda de energia firme do projeto no longo prazo, sob tais condições. O sucesso desta abordagem pode contribuir para reduzir incertezas e subsidiar os estudos preliminares para implementação de usinas hidrelétricas, assim como simular cenários para apoio ao planejamento, reduzir custos e gerar dados sintéticos para séries temporais de geração de energia cobrindo períodos sem dados observacionais de campo. |
Abstract: | The feasibility studies for hydroelectric power plants (HPP) use observed flow data to estimate the potential for energy generation. According to the Brazilian rule, the records need to cover a minimum period of seventy years of observation. However, in some regions the flow records comprise short periods, so that the time series does not capture the natural variability of the climate and this can lead to errors in the interpretation of the information, such that the power generation of the plant can be lower than expected. To address this problem, this thesis proposes an innovative methodology to estimate the potential of power generation. The principle is to use precipitation data, which has long time series, to estimate the potential of power generation through a modeling that employs artificial intelligence techniques. Two distinct methods of machine learning were tested. The first is a deep learning technique called Group Method Data Handling (GMDH). The second uses artificial neural networks with distinct options for optimization algorithms, Levenberg-Marquardt and Bayesian regularization. The methodology was applied to the Jatobá hydroelectric project in the Tapajós river basin in Pará. The evaluation indicators showed that the models have the skill to simulate the power generation, with a better performance for the GMDH, which reached 95% correlation with the actual data and only 12% average error percentage. The simulations obtained better performance during the dry season, which is fundamental, since this critical period for the generation of hydropower defines the firm energy of the enterprise. Statistical analysis on the observed data detected a significant tendency of precipitation reduction in some sub-basins of the Tapajós River. Simulations incorporating a climate change scenario proposed by the Intergovernmental Panel on Climate Change, as well as a scenario of long-term statistical trend, both indicated a reduction in power production capacity for the next twenty years, suggesting that the HPP Jatobá may not meet the project's firm energy demand for long-term under such conditions. The success of this approach can contribute to reducing uncertainties and subsidizing preliminary studies for the implementation of hydropower plants, as well as simulating scenarios to support planning, reduce costs and generate synthetic data for time series of power generation covering periods without observational field data. |
Keywords: | Geração de energia Amazônia GMDH Método de grupo de manipulação de dados RNA Mudanças climáticas Energia hidrelétrica |
metadata.dc.subject.areadeconcentracao: | SISTEMAS DE ENERGIA ELÉTRICA |
metadata.dc.subject.linhadepesquisa: | SISTEMAS DE POTÊNCIA |
metadata.dc.subject.cnpq: | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
metadata.dc.publisher.country: | Brasil |
Publisher: | Universidade Federal do Pará |
metadata.dc.publisher.initials: | UFPA |
metadata.dc.publisher.department: | Instituto de Tecnologia |
metadata.dc.publisher.program: | Programa de Pós-Graduação em Engenharia Elétrica |
metadata.dc.rights: | Acesso Aberto |
metadata.dc.source: | 1 CD-ROM |
Appears in Collections: | Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Tese_ModelagemPotencialGeracao.pdf | 7,86 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License