Defesa de Dissertação de Mestrado de Hugo César Baur Salgado, em 11/03/2024, às 10:00 horas, por videoconferência
Link para defesa: https://meet.google.com/pdj-ziae-jci?hs=224
Predição de Nível de Armazenamento do Reservatório do Tucuruí Usando Redes Neurais Profundas (LSTM)
Resumo:
Este estudo investiga a aplicação de redes neurais recorrentes Long Short-Term Memory (LSTM) na previsão de 14 dias à frente dos níveis de água na usina de Tucuruí, com o objetivo de melhorar a predição do PLD utilizando o modelo DESSEM. A hipótese de pesquisa que se pretende responder é se a predição do preço líquido das diferenças (PLD) pode ser melhorada através da modelagem avançada de séries temporais. Assim, a pesquisa focou em identificar a arquitetura LSTM mais eficaz, o volume mínimo necessário de dados históricos para previsões acuradas e as configurações ótimas dos hiper-parâmetros. Utilizando técnicas de web scraping para coletar dados hidrológicos diários do Operador Nacional do Sistema (ONS), foi compilado um extenso conjunto de dados para a usina de Tucuruí, embora o método seja aplicável a outras usinas. Através de experimentação, incluindo o uso de GridSearch, RandomSearch, e a introdução de um método novo, o MyMethodSearch, o estudo demonstrou a superioridade desta última técnica na otimização eficaz tanto da arquitetura do modelo quanto dos hiper-parâmetros. MyMethodSearch foi desenvolvido com um processo de otimização que não só ajusta os hiper-parâmetros, mas também testa as variações nas camadas LSTM e GRU, resultando de 0.001 de MSE, 0.032 de RMSE e 0.987 de R², em um tempo de processamento de 43 minutos para o dia seguinte, e para 14 dias a frente resultando em 0.009 de MSE, 0.093 de RMSE e 0.872 de R² com mesmo tempo de processamento. Os resultados confirmam a viabilidade do uso de LSTM para previsões hídricas, com o MyMethodSearch revelando-se uma abordagem promissora para a otimização de modelos de aprendizado profundo.
Abstract:
This study investigates the application of Long Short-Term Memory (LSTM) recurrent neural networks in forecasting water levels 14 days ahead at the Tucuruí dam, with the goal of improving the Settlement Price Differences (PLD) prediction using the DESSEM model. The research hypothesis to be addressed is whether the prediction of the net settlement price (PLD) can be enhanced through advanced time series modeling. Therefore, the research focused on identifying the most effective LSTM architecture, the minimum volume of historical data required for accurate predictions, and the optimal settings of the hyperparameters. Utilizing web scraping techniques to collect daily hydrological data from the National System Operator (ONS), an extensive dataset was compiled for the Tucuruí plant, although the method is applicable to other plants. Through experimentation, including the use of GridSearch, RandomSearch, and the introduction of a new method, MyMethodSearch, the study demonstrated the superiority of this last technique in effectively optimizing both the model architecture and the hyperparameters. MyMethodSearch was developed with an optimization process that not only adjusts the hyperparameters but also tests variations in LSTM and GRU layers, resulting in 0.001 of MSE, 0.032 of RMSE, and 0.987 of R², within a processing time of 43 minutes for the following day, and for 14 days ahead resulting in 0.009 of MSE, 0.093 of RMSE, and 0.872 of R² with the same processing time. The results confirm the feasibility of using LSTM for water level forecasts, with MyMethodSearch proving to be a promising approach for the optimization of deep learning models.
Banca examinadora:
Prof. Flávio Luiz Seixas, UFF – Presidente
Prof. José Viterbo Filho, UFF
Prof. Diego Nunes Brandão, CEFET-RJ