Embed Size (px)
Citation preview
Ciência da ComputaçãoApresentação Final do TCC
Predição de Nível no Canal de Fuga da Usina de
Itaipu Empregando Técnicas de Mineração de
Dados
TERESINHA ARNAUTS HACHISUCAOrientadora
PAULO NEISCo-Orientador
WELLINTHON MEURER RONFIMAcadêmico/Estagiário
ÍNDICEContexto
Motivação
Objetivo
Modelo Atual
Proposta
Experimentos Realizados
Conclusões
Trabalhos Futuros
Rio Iguaçu
Rio Paraná
Rio Acaray
Monday
R11
ContextoCanal de Fuga
Rio Iguaçu
Rio Paraná
Rio Acaray
Monday
R11
Contexto
Variação Horária: 50 cm
Variação Diária: 2 m
Vel. Sup. Max: 2 m/s
Canal de Fuga
Motivação
Cálculo daDisponibilidade Energética
Planejamento hidro-energético daUsina de Itaipu
NívelCanal de Fuga
+ Exata
7
Objetivo
Obter modelos computacionais de predição
horária de nível no canal de fuga da
Usina de Itaipu
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.
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
Erro MáximoAbsoluto
Modelo AntigoOcorrência
(%)
Modelo AtualOcorrência
(%)
20 cm 18% 91%
10 cm 8% 65%
Fonte: Relatório Técnico: Referência das Grandezas Hidroenergéticas.
Modelo Atual x Antigo
10
Fonte: Relatório Técnico: Referência das Grandezas Hidroenergéticas.
Modelo Atual x Antigo
Modelo AntigoModelo Atual
11
Proposta
13
1
Regressão Linear
LinearRegression
Proposta
14
2
Árvore de Regressão
M5P Tree
1
Regressão Linear
LinearRegression
3
Redes Neurais
MultilayerPerceptron
Proposta
15
2
Árvore de Regressão
M5P Tree
1
Regressão Linear
LinearRegression
Proposta
16
2
Árvore de Regressão
M5P Tree
1
Regressão Linear
LinearRegression
3
Redes Neurais
MultilayerPerceptron
Proposta
17
2
Árvore de Regressão
M5P Tree
1
Regressão Linear
LinearRegression
3
Redes Neurais
MultilayerPerceptron
Proposta
18
2
Árvore de Regressão
M5P Tree
1
Regressão Linear
LinearRegression
3
Redes Neurais
MultilayerPerceptron
Proposta
Fonte: [FAYYAD] From data mining to knowledge discovery in databases.
19
Knowledge Discovery in Databases (KDD)
20
Ferramentas
Python
PréProcessamento
WEKAJAVA
Extração de Padrões
PósProcessamento
Python
PréProcessamento
22
Escopo do Pré-Processamento
Fonte: [FAYYAD] From data mining to knowledge discovery in databases.
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
Distribuição dos Dados
25
Dados de Monday
26
Outliers e Nulos = 0
769 ≈ 1%valores com problemas
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) / 4Média = 0.0425
103.19 103.08 102.91 102.95 102.99 NULL NULL 103.08 103.19
Algoritmo de Interpolação
28
Dados Pré-Processados
Experimentos
29
30
Escopo dos Experimentos
Fonte: [FAYYAD] From data mining to knowledge discovery in databases.
Experimento 1Seleção de Atributos
Variáveis AtributosTURBINADA 0 à 24MONDAY 0 à 24VERTIDA 0 à 24CANAL DE FUGA 0 à 24
100
32
Modelo ARFF
33
Experimento
Coeficiente de Correlação 0,9997Erro Médio Absoluto 0,0534Raiz do Erro Quadrático Médio 0,076
Raiz do Erro Quadrático Relativo 2,3058%
2Regressão Linear
LinearRegression
+WEKA1
1 n
i ii
t on =
−∑ 2
1
1 n
i ii
t on =
−∑2
12
1
n
i iin
ii
t o
t t
=
=
−
−
∑
∑
34
Atributos Selecionados
Variáveis AtributosTURBINADA 0 e 1MONDAY 0 e 1VERTIDA 0, 1 e 2CANAL DE FUGA 0 à 24
32
Experimento 2Extração de Padrões
36
Modelo ARFF
Variáveis AtributosTURBINADA 0 e 1MONDAY 0 e 1VERTIDA 0, 1 e 2CANAL DE FUGA 0 à 8
16
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 +
M5P Tree
38
Multilayer Perceptron
39
40
Análise do Treinamento
M5PTree
LinearRegression
MultilayerPerceptron
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
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 TesteDados horários de
01-Mai-2013 à 08-Ago-2013
42
Conjunto de Teste
Teste 1
Conjunto de Testesestá contido no
Conjunto de Treinamento
Erro Máximo
AbsolutoAtual M5P
TreeLinear
RegressionMultiLayerPerceptron
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
Erros Observados
Distribuição KDE
Predições
Teste 2
Conjunto de Testes não está contido no
Conjunto de Treinamento
Predições
Erros Observados
Distribuição KDE
52
Conclusão• É conveniente que Itaipu atualize
constantemente seu modelo;• Árvore Regressão obteve resultados
melhores;• RNA pode não ser eficiente em
cheias não registradas.
Trabalhos Futuros
54
Trabalhos Futuros
• Interface integrada com os dados de Itaipu, para realizar predições;
• Ampliar os estudos, buscando outras
informações relevantes aos modelos.
55
Trabalhos Futuros
• Simulação Hidrodinâmica;• Estudar métodos de substituição de
valores;• Ampliar o conjunto de treinamento e
testes.
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;
[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
Obrigado!
Wellinthon Meurer Ronfim [email protected]
Teresinha Arnauts Hachisuca [email protected]
Paulo Neis [email protected]
