Modelos de Redes Neurais para Previsão de Energia Natural Afluente

Descrição

O planejamento energético de um país ou região é fundamental para garantir a confiabilidade no fornecimento de energia, o desenvolvimento econômico e a sustentabilidade ambiental. No Brasil, a geração de energia pelas usinas hidrelétricas representa mais de 60% da produção. Nesse contexto, o planejamento energético nacional depende do conhecimento da disponibilidade hídrica, uma vez que a operação eficiente do sistema e a confiabilidade no fornecimento de energia estão diretamente relacionadas ao comportamento da energia natural afluente (ENA). A ENA bruta de uma usina corresponde ao potencial de geração associado às vazões afluentes, sendo utilizada para o gerenciamento e a tomada de decisão no setor elétrico. Neste projeto, propõe-se modelar e prever séries temporais de ENA por meio de abordagens baseadas em redes neurais artificiais. Serão investigados modelos como Neural Network Autoregressive (NNAR), Multilayer Perceptron (MLP), Long Short-Term Memory (LSTM) e Transformers, os quais são capazes de capturar padrões não lineares e dependências temporais complexas presentes nas séries. Diferentes especificações e arquiteturas de redes neurais serão avaliadas com base em métricas usuais de desempenho, com o objetivo de identificar modelos mais precisos e robustos. Dessa forma, o estudo pretende contribuir para o aprimoramento das previsões hidrológicas, com impactos diretos no planejamento energético e na gestão sustentável dos recursos hídricos.