Estimativa da produção hidrelétrica por meio de redes neurais artificiais

Abstract

Este trabalho avaliou redes neurais artificiais do tipo feedforward aplicadas à predição da geração hidrelétrica diária em duas usinas (UHE Rosana e UHE Porto Primavera), utilizando dados públicos de operação do reservatório e meteorologia. O conjunto de dados foi construído a partir de informações de 2023–2025, com treinamento e seleção de modelos em 2023–2024 e validação temporal independente em 2025. Na fase de modelagem, foram comparados algoritmos de treinamento e múltiplas arquiteturas com duas camadas ocultas, adotando métricas tradicionais de desempenho. A melhor rede do conjunto inicial de parâmetros foi obtida com o algoritmo Rprop e arquitetura 14–8. Em seguida, realizou-se filtragem de atributos baseada na correlação de Pearson, removendo variáveis com baixa correlação linear com a geração. Esse procedimento eliminou as variáveis meteorológicas e originou um modelo mais simples (Rprop 4–2). Na validação temporal referente ao ano de 2025, o modelo desenvolvido a partir do conjunto de dados filtrado apresentou melhor capacidade de generalização em comparação ao modelo treinado com o conjunto inicial, evidenciada pela obtenção de menores valores de RMSE (119,18 frente a 162,07), ARE (0,1113 frente a 0,1569) e ARED (11,13% frente a 15,69%). Os resultados indicam que variáveis operativas do reservatório concentram a informação preditiva dominante, enquanto variáveis meteorológicas, na forma disponível, tendem a adicionar ruído e aumentar a sensibilidade a falhas de coleta.

This study evaluated feedforward artificial neural networks applied to the prediction of daily hydropower generation at two plants (UHE Rosana and UHE Porto Primavera), using publicly available reservoir operation and meteorological data. The dataset was constructed from information covering the period from 2023 to 2025, with model training and selection performed on data from 2023–2024 and independent temporal validation conducted using 2025 data. During the modeling phase, different training algorithms and multiple architectures with two hidden layers were compared, adopting traditional performance metrics. The best performing network using the initial set of input parameters was obtained with the Rprop algorithm and a 14–8 architecture. Subsequently, a feature selection procedure based on Pearson’s correlation was applied, removing variables with low linear correlation with hydropower generation. This process eliminated the meteorological variables and resulted in a simpler model (Rprop 4–2). In the temporal validation using 2025 data, the model developed from the filtered dataset demonstrated superior generalization capability compared to the model trained with the initial dataset, as evidenced by lower values of RMSE (119.18 versus 162.07), ARE (0.1113 versus 0.1569), and ARED (11.13% versus 15.69%). The results indicate that reservoir operational variables concentrate the dominant predictive information, whereas meteorological variables, in their available form, tend to introduce noise and increase sensitivity to data collection failures.