1. O documento apresenta um estudo sobre predição de nível no canal de fuga da Usina de Itaipu usando técnicas de mineração de dados.
2. Foram testados modelos de regressão linear, árvore de regressão, e redes neurais para prever o nível com base em variáveis como vazão turbinada, vazão vertida e vazão em Monday.
3. Os resultados indicaram que a árvore de regressão obteve os melhores resultados, com erro médio absoluto de 0,0532 m e coeficiente de correlação de 0
8. 8
Modelo Utilizado Atualmente
• Proposto em 2005: Melhorar predição;
• Vazão Vertida (VV);
• Vazão Turbinada (VT);
• Vazão em Monday (R11);
• Nível no Canal de Fuga (CF);
• Dados Horários de 1991 à 2004.
33. 33
Experimento
Coeficiente de Correlação 0,9997
Erro Médio Absoluto 0,0534
Raiz do Erro Quadrático Médio 0,076
Raiz do Erro Quadrático Relativo 2,3058%
2
Regressão Linear
Linear
Regression
+
WEKA
1
1 n
i i
i
t o
n =
−∑ 2
1
1 n
i i
i
t o
n =
−∑
2
1
2
1
n
i i
i
n
i
i
t o
t t
=
=
−
−
∑
∑
41. 41
Nível horário Canal de Fuga da Usina de Itaipu
Data 01:00 02:00 03:00 … 23:00 24:00
01/02/2006 103.19 103.08 102.91 … 103.08 103.19
02/02/2006 103.08 103.08 102.91 … 103.19 103.08
… … … … … … …
04/08/2013 104.77 104.17 103.9 … 104.37 104.33
1
(96 x 24) - 8 = 2.296 casos de teste
Dados de Teste
Dados horários de
01-Mai-2013 à 08-Ago-2013
52. 52
Conclusão
• É conveniente que Itaipu atualize
constantemente seu modelo;
• Árvore Regressão obteve resultados
melhores;
• RNA pode não ser eficiente em
cheias não registradas.
54. 54
Trabalhos Futuros
• Interface integrada com os dados de
Itaipu, para realizar predições;
• Ampliar os estudos, buscando outras
informações relevantes aos modelos.
55. 55
Trabalhos Futuros
• Simulação Hidrodinâmica;
• Estudar métodos de substituição de
valores;
• Ampliar o conjunto de treinamento e
testes.
56. Referências Bibliográficas
[1] LIMA, C. A. B. et al. Referência das Grandezas Hidroenergéticas. [S.l.],
2012;
[2] MENDONÇA, J. E. C. S. de; VENANCIO, J. D. V.; PAUL, L. G. Atos Oficiais
da Itaipu Binacional. Curitiba - PR: Itaipu Binacional, 2005;
[3] SÓRIA, M. A. Z. Usina de Itaipu Integração energética entre Brasil e
Paraguai. 1. ed. Curitiba - PR: Editora da Universidade Federal do Paraná,
2012;
[4] ITAIPU. Nossa História. 2014. Disponível em: <www.itaipu.gov.br>;
[5] DOSUALDO, D. G.; REZENDE, S. O. Análise de Precisão de Métodos de
Regressão. São Carlos - SP, 2003;
57. [6] HENRIQUES, C. Análise de Regressão Linear Simples e Múltipla. [S.l.], 2011;
[7] PICHILIANI, M. Data Mining na Prática: Árvores de Decisão. 2006;
[8] WITTEN, I. H.; FRANK, E. Data Mining: Pratical Machine Learning Tools and
Techniques. 2. ed. [S.l.]: Elsevier, 2005;
[9] HAND, D.; MANNILA, H.; SMYTH, P. Principles of Data Mining. [S.l.]: The MIT
Press, 2001;
[10] FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to
knowledge discovery in databases. AIMagazine,1996;
[11] JAMES, G. et al. An Introduction to Statistical Learning. New York: Springer, 2013;
Referências Bibliográficas