MELHORIA NA PREVISÃO DA SÉRIE TEMPORAL DE INSTRUMENTOS DE MONITORAMENTO DE BARRAGEM VIA COMBINAÇÃO DE MÉTODOS

Autores

  • Emerson Lazzarotto Universidade Estadual do Oeste do Paraná - UNIOESTE Campus de Foz do Iguaçu
  • Liliana Madalena Gramani Universidade Federal do Paraná - UFPR
  • Anselmo Chaves Neto Universidade Federal do Paraná - UFPR
  • Luiz Albino Teixeira Junior Universidade Federal de Integração Latino Americana - UNILA
  • Edgar Manuel Carreno Franco Universidade Estadual do Oeste do Paraná - UNIOESTE

DOI:

https://doi.org/10.12957/cadest.2015.18510

Resumo

DOI: 10.12957/cadest.2015.18510

Resumo

Barragens de usinas hidrelétricas são avaliadas por inspeções visuais e por instrumentos de monitoramento. As leituras periódicas de um instrumento podem ser interpretadas como uma série temporal estocástica cujos valores passados fornecem informações relevantes para construção de predições acerca de seus valores futuros, além de indicar tendências do comportamento futuro da barragem como um todo. Desta forma, é fundamental produzir previsões mais acuradas possíveis, de modo que sirvam de alerta confiável para predição de eventuais anormalidades no comportamento da barragem, permitindo a realização precoce de obras e ações de intervenção. Assim, este artigo propõe uma metodologia na qual é feita uma avaliação do desempenho por meio da previsão de séries temporais das leituras de um instrumento da barragem da usina hidrelétrica de Itaipu usando uma combinação híbrida dos previsores ARIMA-GARCH e redes neurais artificiais, com a utilização da decomposição wavelet. Os resultados mostram que a combinação híbrida proposta alcançou desempenho, em termos de acurácia, bastante superior quando comparado com o uso individual dos métodos preditivos tradicionais e de suas combinações.

Palavras-chave: Segurança de barragem; Séries Temporais Estocásticas; Modelos ARIMA-GARCH; Redes Neurais Artificiais; Decomposição Wavelet.

 

Biografia do Autor

Emerson Lazzarotto, Universidade Estadual do Oeste do Paraná - UNIOESTE Campus de Foz do Iguaçu

Centro de Engenharias e Ciências Exatas

Colegiado do Curso de Matemática

Liliana Madalena Gramani, Universidade Federal do Paraná - UFPR

Departamento de Matemática

Anselmo Chaves Neto, Universidade Federal do Paraná - UFPR

Departamento de Estatística

Luiz Albino Teixeira Junior, Universidade Federal de Integração Latino Americana - UNILA

ILATIT

Edgar Manuel Carreno Franco, Universidade Estadual do Oeste do Paraná - UNIOESTE

Centro de Engenharias e Ciências Exatas

Referências

ADHIKARI, R.; AGRAWAL, R. K. An introductory study on time series modelling and forecasting. Lambert Academic Publishing, 2013.

AMJADY, N.; HEMMATI, M. Day-ahead price forecasting of electricity markets by a hybrid intelligent system. European Transactions on Eletrical Power, v. 19, p. 89-102, 2009.

BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time-series analysis - forecasting and control, 4ª ed. Hoboken, New Jersey: John Wiley & Sons, Inc., 2008.

BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e aplicações. Rio de Janeiro : LTC, 2000.

CAO, M.; QIAO, P.; REN, Q. Improved hybrid wavelet neural network methodology for time-varying behavior prediction of engineering structures. Neural Comput. & Applic., v. 18, p. 821-832, 2009.

CHATFIELD, C. The analysis of time series. 5ª. ed. London: Chapman & Hall/CRC, 1996.

DÍAZ-ROBLES, L. A. et al. A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas; The case of Temuco, Chile. Atmospheric Enviroment, v. 42, p. 8331-8340, 2008.

GUJARATI, D. N.; PORTER, D. C. Econometría. 5ª. ed. México: McGRAW-HILL/INTERAMERICANA, 2010.

KHASHEY, M.; BIJARI, M. A novel hybridazation of artificial neural networks and ARIMA models for time series forecasting. Applied soft computing, v. 11, p. 2664-2675, 2011.

KRIECHBAUMER, T. et al. An improved wavelet-ARIMA approach for forecasting metal prices. Resources Policy, v. 39, p. 32-41, 2014.

KUMAR, U.; DE RIDDER, K. GARCH modelling in association with FFT e ARIMA to forecast ozone episodes. Atmospheric Enviroment, v. 44, p. 4256-4265, 2010.

LIU, H. et al. Forecasting models for wind speed using wavelet, wavelet packet, time series and artificial neural networks. Applied Energy, v. 107, p. 191-208, 2013.

LIU, H.; SHI, J. Applying ARIMA-GARCH approaches to forecasting short-term electricity prices. Energy Economics, v. 37, p. 152-166, 2013.

MORETTIN, P. A.; TOLOI, C. M. Análise de séries temporais, 2ª edição rev. e ampl. São Paulo: Edgard Blucher, 2006.

TAN, Z. et al. Day ahead eletrecity price forecasting using wavelet transform combined with ARIMA and GARCH models. Applied energy, v. 87, p. 3606-3610, 2010.

TEIXEIRA JR., L. A. Combinação SSA-wavelet de métodos preditivos com ajuste numérico MINIMAX, na geração de previsões e cenários. Rio de Janeiro: Tese de Doutorado - Departamento de Engenharia Elétrica - PUC, 2013.

TEIXEIRA JR., L. A. et al. Artificial neural network and wavelet decomposition in the forecast of global horizontal solar radiation. Pesquisa Operacional, Rio de Janeiro, v. 35, n. 1, p. 73-90, Jan./Apr. 2015.

WALNUT, D. F. An introduction to wavelet analysis. Boston : Birkhauser, 2002.

ZHANG, G. P. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, v. 50, p. 159-175, 2003.

Downloads

Publicado

2015-12-10

Como Citar

Lazzarotto, E., Gramani, L. M., Neto, A. C., Teixeira Junior, L. A., & Carreno Franco, E. M. (2015). MELHORIA NA PREVISÃO DA SÉRIE TEMPORAL DE INSTRUMENTOS DE MONITORAMENTO DE BARRAGEM VIA COMBINAÇÃO DE MÉTODOS. Cadernos Do IME - Série Estatística, 38, 1. https://doi.org/10.12957/cadest.2015.18510

Edição

Seção

Artigos Serie Estatística