29/05/2021
Qualificação para Doutorado Apresentada ao Programa de Pós Graduação em Engenharia Elétrica da Universidade Federal de Juiz de Fora ( ), na área de concentração em Sistemas de Energia Elétrica, como requisito parcial para
obtenção do título de Doutor em Engenharia Elétrica.
Aluno: Guilherme Marins Maciel, M.Sc.
Orientador: Prof. André Luís Marques Marcato, D.Sc. (UFJF)
Co-Orientador: Prof. Ivo Chaves da Silva Junior, D.Sc. (UFJF)
Resumo:
Modelos hidrológicos são ferramentas essenciais para prever a disponibilidade de recursos hídricos, sendo usados para planejar a operação de sistemas elétricos de curto a longo prazo. No entanto, há um empasse ao escolher um determinado modelo. Modelos complexos, como modelos distribuídos, podem fornecer bons resultados através de procedimentos
analíticos, otimizações robustas e dados sofisticados. Já modelos mais simples, como os concentrados, oferecem resultados razoáveis com abordagens de ajuste muito mais fáceis. Para melhorar a qualidade de modelos mais simples, este artigo propõe o acoplamento do
modelo hidrológico Soil Moisture Accounting Procedure (SMAP) com uma arquitetura Deep Learning baseada em camadas Conv3D-LSTM. Na metodologia proposta, o SMAP é primeiramente otimizado para obter parâmetros gerais da bacia hidrográfica. Este modelo recebe um ajuste local, baseado no algoritmo Twiddle , e é usado como entrada
para a arquitetura Conv3D-LSTM. Este modelo de estimativa de caixa cinza pode gerar resultados rápidos e precisos. Estudos com o objetivo de prever a vazão natural com sete dias de antecedência foram realizados em duas grandes hidrelétricas brasileiras para validar o método. Os resultados obtidos pela arquitetura híbrida são melhores que os obtidos com as técnicas desacopladas.
https://youtu.be/_TTBcfHXfTw
Qualificação para Doutorado Apresentada ao Programa de Pós Graduação em Engenharia Elétrica da Universidade Federal de Juiz de Fora, na área de concentração ...