Tese

Forecasting reservoir levels using data-driven methods and typical scenarios (2024)

• Authors:
  • Oliveira Júnior, Jordão Natal de
  • Maciel, Carlos Dias (Orientador)
• Autor USP: OLIVEIRA JÚNIOR, JORDÃO NATAL DE - EESC
• Unidade: EESC
• Sigla do Departamento: SEL
• DOI: 10.11606/T.18.2024.tde-30052025-100430
• Subjects: RESERVATÓRIOS; ENERGIA HIDRELÉTRICA; APRENDIZADO COMPUTACIONAL; ANÁLISE DE SÉRIES TEMPORAIS; INFERÊNCIA BAYESIANA; CONVOLUÇÕES; ESTATÍSTICA
• Keywords: Métodos bayesianos.; Previsão de séries temporais.; Redes bayesianas.; Redes bayesianas dinâmicas.; Teleconexões.
• Language: Inglês
• Abstract: A previsão precisa dos níveis dos reservatórios é essencial na geração de energia hidrelétrica para maximizar a produção de energia e garantir a sustentabilidade dos recursos hídricos. A previsão de variáveis hídricas é complexa devido a múltiplas incertezas e acoplamentos de teleconexões intrincados. Prever o resultado e compreender plenamente a relação entre essas variáveis é desafiador, tornando inviável consolidá-las em uma única equação. Uma estratégia alternativa envolve o uso de técnicas baseadas em dados para fazer previsões. Este trabalho apresenta um novo modelo probabilístico para prever os níveis dos reservatórios. A metodologia proposta combina técnicas tradicionais de previsão com métodos avançados de modelagem probabilística. Esta integração aborda as incertezas e complexidades inerentes às variáveis hidrológicas e meteorológicas que impactam os níveis dos reservatórios. O modelo foi extensivamente testado utilizando dados históricos do reservatório de Furnas e dos Reservatórios Equivalentes de Energia, que incluíram uma ampla gama de ciclos sazonais e flutuações hidrológicas. Os resultados demonstram que ele supera os modelos convencionais de previsão determinística em termos de precisão preditiva, fornecendo fortes evidências de sua capacidade de aprimorar a tomada de decisões operacionais na gestão de energia hidrelétrica. Além disso, o modelo produz intervalos de credibilidade e avalia previsões baseadas em cenários para uma avaliação conveniente e cálculo eficiente
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2024
• Data da defesa: 05.09.2024

Informações sobre o DOI: 10.11606/T.18.2024.tde-30052025-100430 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo NÃO é de acesso aberto
  

---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  OLIVEIRA JÚNIOR, Jordão Natal de. Forecasting reservoir levels using data-driven methods and typical scenarios. 2024. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30052025-100430/. Acesso em: 09 fev. 2026.

• APA

  Oliveira Júnior, J. N. de. (2024). Forecasting reservoir levels using data-driven methods and typical scenarios (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30052025-100430/

• NLM

  Oliveira Júnior JN de. Forecasting reservoir levels using data-driven methods and typical scenarios [Internet]. 2024 ;[citado 2026 fev. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30052025-100430/

• Vancouver

  Oliveira Júnior JN de. Forecasting reservoir levels using data-driven methods and typical scenarios [Internet]. 2024 ;[citado 2026 fev. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-30052025-100430/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Statistical evaluation of dynamical interaction involving bees: bayesian tracking and mutual information
• Parallelism strategies for big data delayed transfer entropy evaluation
• The time lag in local feld potential signals for the development of its Bayesian belief network
• CO2 emissions forecasting in multi-source power generation systems using dynamic bayesian network
• Data-driven network dynamical model of rat brains during acute ictogenesis
• The time lag in local field potential signals for the development of its Bayesian belief network
• Bayesian multi-targets strategy to track Apis mellifera movements at colony level
• Entropy: from thermodynamics to signal processing
• Applying PDC for the recognition of firearm’s calibre