Análise e previsão da energia armazenada em reservatórios hidrelétricos utilizando técnicas de aprendizado de máquina
| dc.contributor.advisor | Faria, Felipe Lopes de Melo | |
| dc.contributor.author | Juan Pablo Amorim Joanas | |
| dc.date.accessioned | 2025-07-21T15:52:30Z | |
| dc.date.available | 2025-07-21T15:52:30Z | |
| dc.date.issued | 2025-06-13 | |
| dc.description | O presente trabalho propõe uma abordagem para a previsão da energia armazenada em reservatórios hidrelétricos, por meio da aplicação de técnicas de aprendizado de máquina, com destaque para a utilização da rede neural recorrente do tipo LSTM. Utilizou-se como fonte de dados a base Energia Natural Afluente (ENA) Diário por Subsistema, que consiste por valores de energia produzível pelas usinas do Sudeste/Centro-Oeste, disponibilizados pelo Operador Nacional do Sistema Elétrico (2024), realizando um processo de préprocessamento para adequar os dados e em seguida aplicar técnicas de aprendizado de máquina. Esta abordagem permitiu a exploração de padrões históricos de geração e armazenamento de energia, visando o desenvolvimento de modelos de previsão precisos. Posteriormente, foi conduzida uma análise dos resultados obtidos, estacando-se as técnicas que demonstraram melhor desempenho, por meio da avaliação de suas métricas pertinentes. O experimento que mais se destacou foi o Experimento 3, que utilizou médias móveis para suavizar o sinal, obtendo os melhores resultados para as métricas MASE (1,1009) e POCID (93,5094%) com uma janela de suavização de 15 dias. | |
| dc.description.abstract | This work proposes an approach for forecasting energy stored in hydroelectric reservoirs, through the application of machine learning techniques, with emphasis on the use of the LSTM recurrent neural network. The data source used was the Daily Affluent Natural Energy (ENA) database by Subsystem, which consists of values of energy produced by plants in the Southeast/Central-West, made available by the National Electric System Operator (2024), performing a pre-processing process to adapt the data and then applying machine learning techniques. This approach allowed the exploration of historical patterns of energy generation and storage, aiming at the development of accurate forecasting models. Subsequently, an analysis of the results obtained was conducted, highlighting the techniques that demonstrated the best performance, through the evaluation of their pertinent metrics. The experiment that stood out the most was Experiment 3, which used moving averages to smooth the signal, obtaining the best results for the MASE (1.1009) and POCID (93.5094%) metrics with a 15-day smoothing window. | |
| dc.identifier.uri | http://hdl.handle.net/20.500.14387/2391 | |
| dc.language.iso | Português | |
| dc.publisher.campi | Bambuí | |
| dc.publisher.country | Brasil | |
| dc.publisher.institution | Instituto Federal de Minas Gerais - Campus Bambuí | |
| dc.rights | Acesso aberto | |
| dc.subject.keyword | Aprendizado de Máquina | |
| dc.subject.keyword | LSTM | |
| dc.subject.keyword | Previsão de energia | |
| dc.subject.keyword | Reservatórios hidrelétricos | |
| dc.title | Análise e previsão da energia armazenada em reservatórios hidrelétricos utilizando técnicas de aprendizado de máquina | |
| dc.type | Trabalho de Conclusão de Curso |