Previsão de vazões médias mensais usando redes neurais nebulosas

Abstract

Este trabalho apresenta um modelo de rede neural nebulosa para previsão de vazões sazonais. O modelo é baseado em um método de aprendizado construtivo onde grupos de neurônios competem quando a rede recebe uma nova entrada. A rede aprende os parâmetros fundamentais para definir as regras nebulosas e funções de pertinência para cada variável de entrada. O modelo foi aplicado para o problema de previsão de vazões médias mensais de três usinas hidroelétricas situadas em diferentes regiões do Brasil. O desempenho do modelo foi comparado com métodos convencionais usados para previsão de vazões. Os resultados mostraram que a rede neural nebulosa forneceu um melhor desempenho para previsão um passo à frente, com erros significativamente menores que as outras abordagens.<br>This paper presents a neural fuzzy network model for seasonal streamflow forecasting. The model is based on a constructive learning method where neurons groups compete when the network receives a new input, so that it learns the fuzzy rules and membership functions essential for modelling a fuzzy system. The model was applied to the problem of seasonal streamflow forecasting using a database of average monthly inflows of three Brazilian hydroelectric plants located at different river basins. The performance of the model developed was compared with conventional approaches used to forecast streamflows. The results show that the neural fuzzy network model provides a better one-step-ahead streamflow forecasting, with forecasting errors significantly lower than the other approaches

Inferência Bayesiana No Desenvolvimento De Previsores Neurais De Vazão Diária Utilizando Informações De Precipitação

“…Co m o objetivo de superar as deficiências dos modelos matemáticos de previsão de vazão, p ode-se registrar um aumento significativo nos últimos anos do número de trabalhos que utilizam modelos baseados em redes neurais [3], [4], [5], [7] e do número de trabalhos que agregam, à filosofia d e redes neurais, o histórico de vazões e informações de chuvas (observadas e previstas) nos locais dos aproveitamentos [10], [11], [13], [14]. As Redes Neurais Artificiais (RNAs) são uma das técnicas de aprendizado de máquina de maior sucesso e com estrutura matemát ica flexível, capaz de identificar relações não-lineares complexas entre entrada e saída, sem a necessidade de entendimento dos fe nômenos naturais.…”

“…O uso de um modelo heurístico do tipo caixa-preta, co mo por exemp lo, as Redes Neurais Artificiais, tornou-se uma boa alternativa para o tratamento deste problema . Co mo motivação para o uso neste trabalho de Redes Neurais Artificiais pode -se destacar, dentre os estudos realizados por [3], [4], [5], [8], [10], [11], [13], [14], onde modelos baseados em Redes Neurais foram superiores aos modelos tradicionais de Regressão Múltipla e modelos lineares de séries temporais usando metodologia de Bo x e Jenkins.…”

“…O controle de comple xidade ou regularização de modelos neurais visa adequar o nível de não -linearidade disponibilizado pela estrutura à regularidade apresentada pelos dados, evitando a modelagem desnecessária do ruído e a conseqüente redução da capacidade de generalização do modelo. Na literatura de previsão de vazões naturais, foco principal deste trabalho, os estudos realizados utilizando redes neurais não apresentam metodologias sistemáticas para o tratamento do controle de complexidade do modelo [3], [4], [5]. Por outro lado, existem na literatura de prev isão de séries temporais metodologias automáticas e acopladas para regularização de modelos neurais, incluindo técnicas analíticas para seleção de entradas e definição de estrutura [6], [7], desenvolvidas originalmente para previsão de carga e com resultados satisfatórios também para previsão de vazão mensal [8].…”

Inferência Bayesiana no Desenvolvimento de Previsores Neurais de Vazão Diária Utilizando Informações de Precipitação

“…Na literatura de previsão de vazões naturais, foco principal deste trabalho, os estudos realizados utilizando redes neurais não apresentam metodologias sistemáticas para o tratamento do controle de complexidade do modelo (Ballini, 2000), (Ballini, Soares e Andrade, 2003), (Valença, Ludermir e Valença, 2005), (Ilker et.al., 2011), (Wang e Xia, 2009). Por outro lado, existem na literatura de previsão de séries temporais metodologias automáticas e acopladas para regularização de modelos neurais, incluindo técnicas analíticas para seleção de entradas e definição de estrutura (Ferreira e Alves da Silva, 2007), (Ferreira e Alves da Silva, 2008), desenvolvidas originalmente para previsão de carga e com resultados satisfatórios também para previsão de vazão mensal (Ferreira e Leocádio, 2011).…”

Modelos autorregressivos periódicos para previsão e geração de séries de vazões médias mensais

“…Ula (1993) apresentou a previsão do erro quadrático médio mínimo e Lund & Basawa (2000), que explorou o cálculo da previsão recursiva e do erro quadrático médio. Outros modelos de previsão e a comparação do desempenho com outras técnicas, tais como redes neurais artificiais (Ballini et al, 2003) ou abordagens bayesianas como em Wang (2006), Wang et al (2009) e Wang & Robertson (2011) podem ser encontradas na literatura.…”