Redes neurais, metodologias de agrupamento e combinação de previsores aplicados a previsão de vazões naturais

Planejamento de sistemas hidroeletricos possui um alto grau de complexidade e dificuldade, uma vez que involve características de produção não lineares e depende de muitas variaveis. Um das variaveis chave e a vazão natural. Os valores de vazões devem ser previstos com acuracia, uma vez que esses valores influenciam significativamente na produção de energia. Atualmente, no setor de geração hidroeletrica, a previsão de vazões e baseada na metodologia de Box & Jenkins. Este trabalho propõe um modelo de previsão baseado em agrupamento nebuloso como alternativa para a previsão de vazões naturais medias mensais. O modelo utiliza o algoritmo de agrupamento fuzzy c-means para explorar a estrutura dos dados historicos, e procedimentos de mediana e reconhecimento de padrões para capturar similaridades na tendencia das series. Ainda, este trabalho sugere um modelo que combina previsões geradas por um conjunto de metodos individuais de previsão, de uma maneira simples, mas efetiva. Utiliza-se, como combinador, uma rede neural treinada com o algoritmo do gradiente. O objetivo e combinar as previsões geradas por diferentes modelos na tentativa de capturar as contribuições das características de previão mais importantes de cada previsor individual. Esse metodo tambem e aplicado a previsão de series de vazões naturais medias mensais escolhendo-se, como modelos individuais, aqueles que obtiveram melhor desempenho para uma dada serie. Resultados experimentais com dados reais de vazão sugerem que o modelo preditivo aseado em agrupamento nebuloso obtem um desempenho superior, quando comparado com a metodologia atual de previsão de vazões adotada pelo setor hidroeletrico, e, ainda, com uma rede neural nebulosa, um modelo não linear. Alem disso, o modelo de combinação alcança um desempenho superior que os modelos de previsão individuais, pois apresentam erros de previsão menores.In addition, this work suggests a linear approach to combine forecasts generated by a set of individual forecasting models in a simple and effective way. We use, as a combiner, a neural network trained with the gradient descent algorithm. The aim is to combine the forecasts generated by the different forecasting models as an attempt to capture the contributions of the most important prediction features of each individual model at each prediction step. The approach is also used for streamflow time series prediction choosing, as individual forecasting models, the most promising predictive methods. Experimental results with actual data suggest that the predictive clustering approach performs globally better than the current streamflow forecasting methodology adopted by many hydroelectric systems worldwide, and a fuzzy neural network, a nonlinear prediction model. The combination approach, with lower prediction errors, performs better than each of the individual forecasting models