Escute esse artigo
Tempo de leitura: 3 minutos

 

 

Instituição de Ensino Superior: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
Programa: ENGENHARIA DE PRODUÇÃO (31005012014P4)
Título: Modelos Puros versus Híbridos: Uma análise de performance utilizando séries de vazões brasileiras
Autor: ANA PAULA SANTOS DELFINO
Tipo de Trabalho de Conclusão: DISSERTAÇÃO
Data Defesa: 23/08/2018
Resumo:
O setor elétrico brasileiro é fortemente dependente da energia hidrelétrica e a predição acurada das séries de vazões é essencial para o planejamento e gestão de risco. Recentemente, os modelos híbridos, que combinam técnicas de previsão e pré-processamento de dados, têm se destacado. Entretanto, na literatura, não há consenso sobre a superioridade de previsão destes modelos em relação aos tradicionais (puros). Este trabalho visa contribuir para literatura com a avaliação da performance de previsão e a adequabilidade de modelos puros e híbridos para séries mensais estacionárias e não estacionárias de vazões. Para isso, foram construídos modelos usando as técnicas de previsão de Redes Neurais Artificiais e ARIMA acoplados com as técnicas de pré-processamento de dados Singular Spectrum Analysis (SSA) e Seasonal and Trend decomposition based on Loess (STL). Como resultado, este estudo mostra para a série de Sobradinho (estacionária) os modelos puros obtiveram um melhor desempenho, já para a série de Belo Monte (não estacionária) os modelos híbridos foram os melhores.

Palavras-Chave: Modelos híbridos;vazões;machine learning;redes neurais artificiais;ARIMA;SSA;STL;forecast.

Abstract: The Brazilian electricity sector is strongly dependent on hydropower and the accurate prediction of streamflow series is essential for planning and risk management. Recently, hybrid models, which combine prediction and data preprocessing techniques, have stood out. However, in the literature there is no consensus on the predictive superiority of these hybrid models versus their pure version. This paper aims to contribute to the literature with the evaluation of prediction performance suitability of pure and hybrid models for monthly stationary and non – stationary series of streamflow. For this, models were constructed using Artificial Neural Network and ARIMA forecasting techniques coupled with the Singular Spectrum Analysis (SSA) and Seasonal and Trend decomposition based on Loess (STL) data pre-processing techniques. As a result, this study shows that pure models obtained a better performance for the Belo Monte (stationary series), already hybrid models were the best for the Sobradinho (non-stationary series).

Keyword: Hybrid models;streamflow;machine learning;artificial neural networks;ARIMA;SSA;STL;forecast.

Volume: 1
Páginas: 77
Idioma: PORTUGUES
Biblioteca Depositária: PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO
Autorização de divulgação: O trabalho possui divulgação autorizada
Anexo: 1621704_2018_Completo
Área de Concentração: GERÊNCIA DE PRODUÇÃO
Linha de Pesquisa: PLANEJAMENTO DE SISTEMAS DE PRODUÇÃO E OPERAÇÕES
Projeto de Pesquisa: Modelos para planejamento energético

 

Compartilhe!