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

1. Ciência da Computação
Apresentação Final do TCC
Predição de Nível no Canal de Fuga da Usina de
Itaipu Empregando Técnicas de Mineração de
Dados

2. TERESINHA ARNAUTS HACHISUCA
Orientadora
PAULO NEIS
Co-Orientador
WELLINTHON MEURER RONFIM
Acadêmico/Estagiário

3. ÍNDICE
Contexto
Motivação
Objetivo
Modelo Atual
Proposta
Experimentos Realizados
Conclusões
Trabalhos Futuros

4. Rio Iguaçu
RioParaná
Rio Acaray
Monday
R11
Contexto
Canal de Fuga

5. Rio Iguaçu
RioParaná
Rio Acaray
Monday
R11
Contexto
Variação Horária: 50 cm
Variação Diária: 2 m
Vel. Sup. Max: 2 m/s
Canal de Fuga

6. Motivação
Cálculo da
Disponibilidade Energética
Planejamento hidro-energético da
Usina de Itaipu
Nível
Canal de Fuga
+ Exata

7. 7
Objetivo
Obter
modelos
computacionais
de
predição
horária
de
nível
no
canal
de
fuga
da
Usina
de
Itaipu

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.

9. CF = 𝑎0 + 𝑎1 * 𝑉𝑉 +
𝑎2 * 𝑉𝑇 +
𝑎3 * 𝑅11 +
𝑎4 * 𝑉𝑉2 +
𝑎5 * 𝑉𝑇1/2 +
𝑎6 * 𝑅111/2 +
𝑎7 * 𝑅11
VV = 0 𝑚3/𝑠
VV < 3000 𝑚3/𝑠
VV >= 3000 𝑚3/𝑠
Fonte: Relatório Técnico: Referência das Grandezas Hidroenergéticas.
Modelo Atual: Regressão
9

10. Erro Máximo
Absoluto
Modelo Antigo
Ocorrência
(%)
Modelo Atual
Ocorrência
(%)
20 cm 18% 91%
10 cm 8% 65%
Fonte: Relatório Técnico: Referência das Grandezas Hidroenergéticas.
Modelo Atual x Antigo
10

11. Fonte: Relatório Técnico: Referência das Grandezas Hidroenergéticas.
Modelo Atual x Antigo
Modelo Antigo
Modelo Atual
11

12. Proposta

13. 13
1
Regressão
Linear
Linear
Regression
Proposta

14. 14
2
Árvore de
Regressão
M5P
Tree
1
Regressão
Linear
Linear
Regression
3
Redes
Neurais
Multilayer
Perceptron
Proposta

15. 15
2
Árvore de
Regressão
M5P
Tree
1
Regressão
Linear
Linear
Regression
Proposta

16. 16
2
Árvore de
Regressão
M5P
Tree
1
Regressão
Linear
Linear
Regression
3
Redes
Neurais
Multilayer
Perceptron
Proposta

17. 17
2
Árvore de
Regressão
M5P
Tree
1
Regressão
Linear
Linear
Regression
3
Redes
Neurais
Multilayer
Perceptron
Proposta

18. 18
2
Árvore de
Regressão
M5P
Tree
1
Regressão
Linear
Linear
Regression
3
Redes
Neurais
Multilayer
Perceptron
Proposta

19. Fonte: [FAYYAD] From data mining to knowledge discovery in databases.
19
Knowledge Discovery in Databases
(KDD)

20. 20
Ferramentas
Python
Pré
Processamento
WEKA
JAVA
Extração de
Padrões
Pós
Processamento
Python

21. Pré
Processamento

22. 22
Escopo do Pré-Processamento
Fonte: [FAYYAD] From data mining to knowledge discovery in databases.

23. 23
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
2.742 x 24 = 65.808
Arquivo CSV
• Dados horários de 2006 à 2013
• Fornecidos pela OPSH (Hidrologia)

24. 24
Distribuição dos Dados

25. 25
Dados de Monday

26. 26
Outliers e Nulos = 0
769 ≈ 1%
valores com problemas

27. 27
103.19 103.08 102.91 NULL NULL NULL NULL 103.08 103.19
103.19 103.08 102.91 NULL NULL NULL NULL 103.08 103.19
Média = (103.08-102.91) / 4
Média = 0.0425
103.19 103.08 102.91 102.95 102.99 NULL NULL 103.08 103.19
Algoritmo de Interpolação

28. 28
Dados Pré-Processados

29. Experimentos
29

30. 30
Escopo dos Experimentos
Fonte: [FAYYAD] From data mining to knowledge discovery in databases.

31. Experimento 1
Seleção de Atributos

32. Variáveis Atributos
TURBINADA 0 à 24
MONDAY 0 à 24
VERTIDA 0 à 24
CANAL DE FUGA 0 à 24
100
32
Modelo ARFF

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
=
=
−
−
∑
∑

34. 34
Atributos Selecionados
Variáveis Atributos
TURBINADA 0 e 1
MONDAY 0 e 1
VERTIDA 0, 1 e 2
CANAL DE FUGA 0 à 24
32

35. Experimento 2
Extração de Padrões

36. 36
Modelo ARFF
Variáveis Atributos
TURBINADA 0 e 1
MONDAY 0 e 1
VERTIDA 0, 1 e 2
CANAL DE FUGA 0 à 8
16

37. Linear Regression
- 0.0097 * CANAL_FUGA_8H +
0.0071 * CANAL_FUGA_7H +
- 0.0081 * CANAL_FUGA_6H +
- 0.0076 * CANAL_FUGA_5H +
- 0.0554 * CANAL_FUGA_4H +
- 0.1569 * CANAL_FUGA_3H +
0.2995 * CANAL_FUGA_2H +
0.9155 * CANAL_FUGA_1H +
1.4122
CANAL_FUGA_0H = - 0.0004 * TURBINADA_1H +
0.0004 * TURBINADA_0H +
- 0.0001 * VERTIDA_2H +
- 0.0001 * VERTIDA_1H +
0.0002 * VERTIDA_0H +
- 0.0002 * MONDAY_1H +
0.0002 * MONDAY_0H +

38. M5P Tree
38

39. Multilayer Perceptron
39

40. 40
Análise do Treinamento
M5P
Tree
Linear
Regression
Multilayer
Perceptron
Coeficiente de Correlação 0,9997 0,9997 0,9996
Erro Médio Absoluto 0,0532 0,0563 0,0660
Raiz do Erro Quadrático Médio 0,0749 0,0800 0,0881
Raiz do Erro Quadrático Relativo 2,2732% 2,4291% 2,6738%

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

42. 42
Conjunto de Teste

43. Teste 1
Conjunto de Testes
está contido no
Conjunto de Treinamento

44. Erro
Máximo
Absoluto
Atual
M5P
Tree
Linear
Regression
MultiLayer
Perceptron
20 cm 58,32% 96,82% 94,34% 95,21%
10 cm 32,58% 81,08% 79,14% 76,83%
Modelo Atual x Propostos
44

45. Erros Observados

46. Distribuição KDE

47. Predições

48. Teste 2
Conjunto de Testes
não está contido no
Conjunto de Treinamento

49. Predições

50. Erros Observados

51. Distribuição KDE

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.

53. Trabalhos Futuros

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

58. Obrigado!

59. Wellinthon Meurer Ronfim
wronfim@gmail.com
Teresinha Arnauts Hachisuca
arnauts@itaipu.gov.br
Paulo Neis
neis@neis.com.br