Reconhecimento de Cargas Não lineares Hospitalares por meio de Redes Neurais Artificiais
|
|
- Alexandra Rios Sintra
- 5 Há anos
- Visualizações:
Transcrição
1 1 Reconhecimento de Cargas Não lineares Hospitalares por meio de Redes Neurais Artificiais Wellington M. S. Bernardes, Student Member, IEEE, Sérgio F. de P. Silva e R. A. S. Fernandes Resumo-- Este trabalho apresenta uma metodologia de análise das formas de onda de tensão e corrente medidas em um determinado barramento com vistas ao reconhecimento da operação/funcionamento de determinadas cargas hospitalares de características não lineares. Para tal intuito, empregou-se a técnica de Redes Neurais Artificiais. Esta é uma ferramenta adequada que pode auxiliar mantenedores de instalações elétricas de estabelecimentos hospitalares no reconhecimento dessas cargas. Os dados para processamento foram extraídos de um hospital de grande porte. Em adição, os atributos de maior relevância derivados do pré-processamento dos sinais foram submetidos ao processo de treinamento das Redes Neurais Artificiais, via Matlab, a fim de que essas redes identificassem as cargas. Por fim, as Redes Neurais foram validadas e confirmou-se que a metodologia proposta frente ao reconhecimento das cargas é satisfatória para aplicação, apresentando baixo erro quadrático médio e acertos superiores a 90 %. Palavras-Chave-- Cargas não lineares, identificação de fontes harmônicas, qualidade de energia elétrica, redes neurais artificiais, transformada discreta de Fourier. A I. INTRODUÇÃO qualidade de energia elétrica é um assunto bastante discutido devido à crescente utilização de cargas não lineares no sistema elétrico de potência, que podem prejudicar o funcionamento adequado de outras cargas situadas no mesmo barramento. Tais cargas não lineares são responsáveis pelo consumo de potências harmônicas e, portanto, há o surgimento de correntes harmônicas [1]. A utilização intensa de produtos eletrônicos que demandam menor consumo de energia elétrica ocasionou no aumento progressivo das cargas não lineares. Tais equipamentos podem ser encontrados em residências, comércio e indústrias (como Este trabalho foi financiado pela Fundação de Apoio à Pesquisa do Estado de Minas Gerais (FAPEMIG) Wellington Maycon Santos Bernardes é aluno de Mestrado do Departamento de Engenharia Elétrica da Escola de Engenharia de São Carlos (EESC) da Universidade de São Paulo (USP) ( wellingtonmaycon@usp.br). Sérgio Ferreira de Paula Silva é professor da Faculdade de Engenharia Elétrica da Universidade Federal de Uberlândia ( sergio@eletrica.ufu.br). Tel R. A. S. Fernandes está com o Departamento de Engenharia Elétrica da Escola de Engenharia de São Carlos, Universidade de São Paulo ( ricardo.asf@usp.br). exemplo de cargas tem-se: lâmpadas fluorescentes, computadores, cicloconversores e soft-starters). É importante aliar a qualidade de energia elétrica com métodos que auxiliem nas tomadas de decisão para estudos sobre racionalização e conservação da energia elétrica, pois, a energia quando fornecida fora dos padrões esperados pode acarretar em falhas de equipamentos, operação indevida, perdas, paralisações, dentre outros prejuízos. Portanto, pode-se dizer que a qualidade de energia elétrica está diretamente relacionada com a eficiência energética de cargas e processos e, no caso de unidades hospitalares, pode afetar inclusive a eficiência do atendimento aos pacientes. Sabe-se que esforços científicos são desempenhados com o intuito de se desenvolver métodos para identificação e mensuração de harmônicos característicos desse tipo de carga na rede [2]-[3]. Além das técnicas convencionais, como aquelas que usam mínimos quadrados [4]-[5], existem as técnicas baseadas em sistemas inteligentes [6]. Dentre as metodologias que empregam sistemas inteligentes, destaca-se o trabalho de [7], onde são empregadas Redes Neurais Artificiais (RNAs) do tipo Perceptron de Múltiplas Camadas (PMC), RBF (Radial Basis Function) e SVM (Support Vector Machine) para o reconhecimento de assinaturas harmônicas de cargas. Atualmente, não há muitos estudos na área da Qualidade de Energia Elétrica que avaliam a eficiência do emprego de RNA para identificar cargas não lineares em um ambiente hospitalar. Geralmente, os trabalhos científicos abordam outros espaços e tipos de cargas, como motores elétricos e fornos a arco em indústrias e lâmpadas em residências. Por conseguinte, esse trabalho é uma contribuição ao setor hospitalar, engenheiros clínicos e mantenedores de instalações elétricas de estabelecimentos assistenciais de saúde para identificar a presença ou ausência de seus aparelhos por meio de RNAs. Como se trata de um problema de reconhecimento de padrões, o uso de RNAs é pertinente, pois caso novas cargas sob análise forem incrementadas no sistema, as RNAs serão capazes de acomodar a si próprias sem a exigência de alguma especificação explícita, necessitando somente de um novo treinamento. Diante dessa conjuntura, a pesquisa apresentada neste artigo visa empregar RNAs, para dentro de um conjunto de sinais de tensão e corrente medidos junto a um alimentador de diversas
2 2 cargas hospitalares que realizam diagnósticos por imagem, identificar quais estão em funcionamento. Esses aparelhos estão conectados comumente em um ponto do sistema e a combinação entre eles provê certa assinatura harmônica de tensão e corrente. II. REDES NEURAIS ARTIFICIAIS As RNAs são modelos computacionais baseados no sistema nervoso de seres vivos e são caracterizadas pela capacidade de aprender ou modificar seu comportamento para gerar uma saída adequada. Outra vantagem é a capacidade de generalizarem o conhecimento obtido, e dessa forma, estimarem soluções que antes não eram conhecidas. Além disso, as RNAs são tolerantes a falhas, podem ser autoorganizáveis e podem ter a capacidade de gerar cluster de dados [8]. Em geral, o conjunto total das amostras disponíveis sobre o comportamento do sistema é subdividido em dois subconjuntos, sendo um para treinamento e o outro para validação. As amostras do subconjunto de treinamento servem para treinar a rede neural de forma que seus pesos sinápticos sejam iterativamente ajustados em conformidade com o erro quadrático médio calculado para cada iteração do processo de treinamento. Já as amostras do subconjunto de validação são usadas para verificar a eficácia da rede neural previamente treinada, isto é, nesta etapa a característica de generalização da rede neural deve ser atendida. Ainda, a escolha do número de camadas escondidas, bem como a determinação do número de neurônios em cada camada escondida é necessária para a parametrização da rede. Ao contrário dos pesos sinápticos, esses números são valores iniciais e constantes durante todo processo iterativo e, neste trabalho foram obtidos por tentativa e erro, observando a relação entre o tempo de processamento e o custo computacional. Basicamente, para obter um resultado satisfatório ao utilizar RNAs, podem-se tentar as seguintes abordagens [9]: a) Redefinir os pesos sinápticos e bias iniciais da rede e treinar novamente; b) Aumentar a quantidade de camadas neurais escondidas e/ou neurônios das camadas; c) Redefinir a quantidade de variáveis de entradas, se informações mais irrelevantes estiverem disponíveis; d) Testar outros algoritmos de treinamento para comparar velocidade e memória necessária. III. EQUIPAMENTOS ELETROMÉDICOS ANALISADOS O foco de estudo desse trabalho abrangeu alguns equipamentos da área da radiologia que realizam diagnósticos por imagem que utilizam alguma radiação (por exemplo, raios- X, raios gama ou radiação eletromagnética). Dentre as cargas sob enfoque, estão o equipamento de raios-x, o tomógrafo computadorizado helicoidal e o aparelho de hemodinâmica (angiografia). As características elétricas dos equipamentos eletromédicos estudados podem ser resumidas na Tabela I. TABELA I CARACTERÍSTICAS ELÉTRICAS NOMINAIS Equipamento Potência [kva] Tensão [V] Corrente [A] Raios-X com mesa ,8 telecomandada Tomógrafo computadorizado ,0 helicoidal Aparelho de hemodinâmica ,09 Alguns exemplares de ciclos de corrente dos três equipamentos em certo intervalo de operação são visualizados nas Fig. 1, Fig. 2 e Fig. 3. Ia [A] Tempo [s] Fig. 1. Ciclo de corrente do aparelho de raios-x com mesa telecomandada. Ia [A] Tempo [s] Fig. 2. Ciclo de corrente do tomógrafo computadorizado helicoidal. Ic [A] Tempo [s] Fig. 3. Ciclo de corrente do aparelho de angiografia. Diante do que já fora mencionado, após a escolha dos pontos a serem monitorados, o estudo para identificação desses equipamentos eletromédicos com o uso de RNAs é
3 3 esquematicamente mostrado na Fig. 4. Nesse trabalho, além das redes serem capazes de identificar cargas segregadas, também devem identificar cargas agrupadas em operação ou em standby. Fig. 4. Diagrama de blocos que demonstra sumariamente o método proposto. IV. METODOLOGIA PARA AQUISIÇÃO E PROCESSAMENTO DE DADOS Os sinais foram coletados junto ao barramento onde os equipamentos de diagnósticos por imagens de um hospital encontravam-se conectados. Nesse setor, esses equipamentos possuem tensão nominal de 380/220 V, estrela aterrado e frequência fundamental de 60 Hz. A coleta foi alcançada com o uso de dois analisadores de energia: o RMS MARH-21 e o Embrasul RE6000, sendo a frequência de amostragem de 3,84 khz. Também são conhecidos como medidores, registradores ou qualímetros digitais. Em adição, seus respectivos softwares foram utilizados para análise de dados. Essas ferramentas medem e registram grandezas de sistemas elétricos em tempo real (podendo ser sistemas monofásicos, bifásicos e/ou trifásicos). Ademais, estes medidores possuem três canais de entrada para sinais de tensão e três canais de entrada para sinais de corrente. Para a leitura do conteúdo da memória de massa, os dados do RMS MARH-21 foram enviados ao computador pela interface serial (RS-232) e do Embrasul RE 6000 por meio da interface Universal Serial Bus (USB). As formas de onda da tensão e corrente registradas e importadas para um computador, em seguida foram analisadas por meio do software Matlab (The MathWorks, Inc), usando as ferramentas de processamento de sinais e de RNAs [9]. A partir dos sinais de tensão e corrente de uma única fase, empregou-se uma janela deslizante com tamanho de um ciclo (64 amostras) e com deslocamento de meio ciclo (32 amostras). À medida que ocorria o deslocamento dessa janela, os cálculos para as entradas das RNAs (atributos) eram realizados. Se os valores das 64 amostras por ciclo fossem utilizados como entradas das RNAs, isso exigiria um elevado esforço computacional. Dessa maneira, justificam-se os cálculos supracitados para as entradas. Devido ao sistema elétrico encontrar-se equilibrado, considerou-se somente uma das três fases, pois, sendo o ângulo de fase um atributo irrelevante para identificação de fontes harmônicas [10], pode-se adotar tal estratégia para a aquisição dos dados. V. TOPOLOGIA DA REDE E PROCESSO DE TREINAMENTO PARA RECONHECIMENTO DE CARGAS NÃO LINEARES Inicialmente, a Fig. 5 mostra a topologia da rede neural adotada nesse trabalho. Cada rede neural para o reconhecimento de um ou mais equipamentos ligados no ponto de medição é composta de duas camadas escondidas. O processo de treinamento de redes PMC utilizou o algoritmo de Levenberg-Marquardt, que é um método gradiente de segunda ordem, baseado no método dos mínimos quadrados para modelos não lineares, que pode ser inserido ao algoritmo backpropagation no intuito de melhorar a eficiência da etapa de treinamento. Assim sendo, o método de Levenberg-Marquardt conduz o treinamento de redes PMC na ordem de 10 a 100 vezes mais rápido que o algoritmo backpropagation convencional [11]. A topologia (valores de λent, α1 e α2) para resolver esse problema foi encontrada empiricamente a partir de sucessivas
4 4 tentativas de RNAs, observando uma relação de custobenefício, desempenho do algoritmo e tempo de processamento. em frequências específicas [12]. A escolha do espectro de frequências das correntes como atributo foi baseado no trabalho de Fernandes [6]. A função de ativação ( g ) adotada nas camadas ocultas foi a tangente hiperbólica. Sua expressão matemática é representada por (1). Já na camada de saída, empregou-se a função linear cujo resultado assume valores reais entre -1 e 1 e representa o estado em que se encontra o equipamento (ligado ou desligado). Essas funções são totalmente diferenciáveis e o objetivo delas é limitar a saída dos neurônios. A variável β está associada ao nível de inclinação da função tangente hiperbólica em relação ao seu ponto de inflexão e adotou-se um valor igual a 0,6. 1 e 1 + e β. u g ( u) = β. u (1) Fig. 5. Topologia genérica da rede neural proposta, sendo: [λ 1, λ 2,..., λ p] são os neurônios da camada de entrada, [1,2,..., α 1] são os neurônios da primeira camada intermediária, [1,2,..., α 2] são os neurônios da segunda camada intermediária, w são os pesos associados a cada neurônio e [1] é a camada de saída representando o estado de um ou mais equipamentos eletromédicos φ no sistema. Neste trabalho, duas análises foram realizadas para o reconhecimento das cargas não lineares: A. Primeira análise: somente uma carga no ponto de medição Na primeira análise, um equipamento estava ligado e nove entradas foram escolhidas para as redes. Essas entradas foram as distorções harmônicas normalizadas de primeira à nona ordem do sinal de corrente do equipamento de raios-x, tomógrafo computadorizado helicoidal e do equipamento de angiografia. Optou-se por utilizar redes neurais especialistas para cada equipamento, isto é, três RNAs sendo cada uma responsável por um equipamento com 9 neurônios na camada de entrada (λ ent ), 18 neurônios na primeira camada oculta (intermediária) (α 1 ), 9 neurônios na segunda camada oculta (α 2 ) e um neurônio na camada de saída foram criadas. As harmônicas foram obtidas por meio da Transformada Discreta de Fourier. Essa transformada é baseada em técnicas matemáticas que são adequadas para análise de sinais estacionários e extração das componentes espectrais dos sinais Independentemente dos atributos escolhidos, os valores de entrada e saída foram normalizados para evitar regiões de saturação das funções de ativação, baseada no princípio dos segmentos proporcionais (teorema de Tales). Do total de padrões obtidos (1500 amostras), 350 de cada equipamento, totalizando 1050 amostras (70 %) foram utilizadas para o treinamento de todas as RNAs e 150 de cada equipamento, totalizando 450 amostras (30 %) foram separados para a realização da validação (sendo 150 do equipamento de raios- X, 150 do tomógrafo computadorizado helicoidal e 150 do aparelho de angiografia). A escolha de dados foi realizada de maneira aleatória. Adquirido o espectro de frequências das amostras, os dados foram submetidos às RNAs a fim de identificar as cargas hospitalares presentes. Como critério de parada, adotou-se o Erro Quadrático Médio (EQM) menor do que 10-8 ou até que alcançasse 500 épocas durante o treinamento. Utilizar a variável época como critério de parada para redes PMC é adequado em situações em que a precisão especificada para o problema se torna inalcançável. B. Segunda análise: combinações de cargas no ponto de medição Uma segunda análise foi realizada com o intuito de investigar o desempenho do sistema quando há mais de um equipamento acionado. Para tanto, os sinais de tensão e corrente foram coletados no transformador responsável pela alimentação de todos os equipamentos monitorados. Seis redes para essa situação foram desenvolvidas. Para cada rede, 3 neurônios na camada de entrada (λ ent ), 20 neurônios na primeira camada oculta (α 1 ), 10 neurônios na segunda camada oculta (α 2 ) e um neurônio na camada de saída foram escolhidos. Em acréscimo, a função de treinamento foi via Levenberg- Marquardt, a função de ativação das camadas ocultas foi a tangente hiperbólica e a função de ativação da camada de saída foi linear. A codificação da camada de saída é mostrada na Tabela II.
5 5 TABELA II CODIFICAÇÃO DA CAMADA DE SAÍDA (SEGUNDA ANÁLISE) Redes Classes Hemodinâmica ligado Raios-X ligado + Tomógrafo ligado Tomógrafo ligado + Hemodinâmica ligado Raios-X ligado + Hemodinâmica (standby) Tomógrafo (standby) + Hemodinâmica (standby) Raios-X ligado + Tomógrafo (standby) + Hemodinâmica ligado Erro Médio Quadrático Desempenho ótimo de treinamento na época 7 (8.9023e-007) Treinamento Ótimo Objetivo Para tal análise, três entradas devidamente pré-processadas e normalizadas foram adotadas, sendo elas: a) valor eficaz do sinal de tensão; b) quantidade de cruzamentos em zero do sinal de corrente; c) integral do sinal de corrente. A escolha desses atributos foi baseada em trabalhos sobre processamento de sinais, já que as cargas possuem formas de ondas características [13]-[14]. Do total de padrões obtidos (3000 amostras), 350 de cada equipamento, totalizando 2100 amostras (70 %) foram utilizadas para o treinamento de todas as RNAs e 150 de cada equipamento, totalizando 900 amostras (30 %) foram separados para a realização da validação. Como critério de parada, estipulou-se um EQM menor do que 10-6 ou até que alcançasse 500 épocas durante o treinamento. Essas escolhas levaram em consideração a generalização da rede e o tempo de processamento após sucessivas verificações. VI. RESULTADOS EXPERIMENTAIS A. Primeira análise: somente uma carga no ponto de medição As Fig. 6, 7 e 8 mostram os EQMs (ε) e a quantidade máxima de épocas no final do treinamento de cada uma das RNAs. Erro Quadrático Médio Desempenho ótimo do treinamento na época 19 (6.6887e-010) Treinamento Ótimo Objetivo Épocas Fig. 6. EQM em função das épocas durante treinamento da RNA do equipamento de raios-x na primeira análise Épocas Fig. 7. EQM em função das épocas durante treinamento da RNA do tomógrafo computadorizado helicoidal na primeira análise. Erro Médio Quadrático Desempenho ótimo de treinamento na época 12 (2.8632e-007) Treinamento Ótimo Objetivo Épocas Fig. 8. EQM em função das épocas durante treinamento da RNA do aparelho de hemodinâmica na primeira análise. O sistema reconheceu adequadamente todos os equipamentos analisados através das 450 amostras. As redes tiveram 100 % de acerto na identificação dessas cargas, portanto nota-se que a saída da rede alcançou um elevado índice de exatidão. B. Segunda análise: combinações de cargas no ponto de medição O desempenho do sistema quando existe mais de um equipamento acionado foi averiguado nesse segundo teste. Resumidamente, os EQMs após o treinamento de todos os RNAs são visualizados na Tabela III, assim como o número máximo de épocas. Seguinte a essa fase, a validação da rede foi executada. A porcentagem de acerto na segunda análise também foi bastante satisfatória, alcançando 98,62 % na avaliação geral conforme a Tabela IV. É natural que a presença de mais de uma carga no alimentador proporcionasse uma forma de onda característica de tensão e corrente e assim, as RNAs teriam seus pesos sinápticos e limiares sintonizados durante o processo de treinamento a fim de representar a nova situação.
6 6 TABELA III EQMS APÓS ETAPA DE TREINAMENTO RNAs (cargas) EQMs Épocas Hemodinâmica ligado 1, Raios-X ligado + Tomógrafo ligado 2, Tomógrafo ligado + Hemodinâmica ligado 1, Raios-X ligado + Hemodinâmica (standby) 2, Tomógrafo (standby) + Hemodinâmica (standby) 9, Raios-X ligado + Tomógrafo (standby) + Hemodinâmica ligado 3, TABELA IV DESEMPENHO DAS REDES NEURAIS PARA IDENTIFICAÇÃO DAS CARGAS RNAs (cargas) Acerto (%) Hemodinâmica ligado 100 Raios-X ligado + Tomógrafo ligado 94,8 Tomógrafo ligado + Hemodinâmica ligado 99,9 Raios-X ligado + Hemodinâmica (standby) 97 Tomógrafo (standby) + Hemodinâmica (standby) 100 Raios-X ligado + Tomógrafo (standby) + Hemodinâmica ligado 100 É bom mencionar que, em uma fase preliminar, outras estruturas de redes e parâmetros foram testadas, até atingir resultados aceitáveis. Afirma-se que houve casos em que a porcentagem de acerto foi em torno de 61 %, todavia isso foi influenciado pela escolha inadequada dos parâmetros de entrada das RNAs, bem como do número de amostras e das funções de treinamento e ativação. Diante dos resultados acima apresentados, apesar da característica não linear das cargas analisadas e, consequentemente, das diferentes assinaturas espectrais encontradas, fica evidente que a utilização de RNAs no reconhecimento de cargas obteve significativos resultados. VII. CONCLUSÃO Um estudo sobre a identificação das fontes de correntes harmônicas em um estabelecimento assistencial de saúde foi demonstrado neste trabalho e o acerto para a detecção de quais cargas não lineares e hospitalares estão em operação obteve índices superiores a 90 %. Para atingir tal objetivo, a coleta das formas de onda dessas cargas foi necessária. Ao invés de empregar o sinal bruto como entrada das RNAs, optou-se em extrair algumas características (atributos) desses sinais para serem utilizadas como entrada, facilitando o trabalho de aprendizagem das RNAs. Isso decrementou a quantidade de cálculos para a sintonização dos pesos sinápticos da rede. Quando apresentou o reconhecimento das combinações de cargas no ponto de medição (segunda análise), as redes demoraram mais para serem processadas (quantidade de épocas superior a 200, na maioria), pois alguns atributos entre as amostras dos equipamentos (carga segregada e cargas agrupadas em operação ou em standby) eram meramente semelhantes, dependendo do ciclo temporal. À medida que havia certa distinção entre as amostras, as redes foram autossuficientes para iterativamente alterar seus pesos sinápticos e serem capazes de detectar todas as situações, respeitando a tolerância do EQM. O alimentador analisado foi restrito a cargas não lineares, já que os equipamentos de diagnósticos por imagens por normas técnicas devem ser isolados dos demais tipos, incluindo as cargas lineares. Pesquisas futuras poderão abranger sistemas elétricos hospitalares que abrangem cargas lineares e não lineares agrupadas em um único alimentador. Para tal, bastaria coletar os sinais elétricos e treinar as redes com a presença dessas cargas. Em acréscimo, a arquitetura neural desenvolvida pode ser prototipada em software, já que após o treinamento, em geral os resultados são obtidos por operações matemáticas elementares. Assim, esse trabalho também pode ser aplicado em problemas de controle supervisório para identificar cargas presentes no sistema, seja em hospitais ou até mesmo no setor industrial. VIII. REFERÊNCIAS [1] R. C. Dugan, M. F. McGranaghan, S. Santoso and H. W. Beaty, Electrical Power System Quality, McGraw-Hill, [2] S. F. P. Silva and J. C. Oliveira, The sharing of responsibility between the supplier and the consumer for harmonic voltage distortion: a case study, Electric Power Systems Research (Elsevier), v. 78, pp , [3] W. Xu, A method for determining customer and utility harmonic contributions at the point of common coupling, IEEE Transactions on Power Delivery, v. 15, n. 2, pp , [4] G. T. Heydt, Identification of harmonic sources by a state estimation technique, IEEE Transactions on Power Delivery, v. 4, n. 1, pp , Jan [5] G. D Antona, C. Muscas, P. A. Pegoraro, S. Sulis, Harmonic source estimation in distribution systems, IEEE Transactions on Intrumentation and Measurement, v. 60, n. 10, pp , Oct [6] R. A. S. Fernandes, I. N. Silva and M. Oleskovicz, Data mining applied to identification of harmonic sources in residential consumers, IEEE Latin America Transactions, v. 9, n. 3, pp , Jun [7] D. Srinivasan and A. C. Liew, Neural-network-based signature recognition for harmonic source identification, IEEE Transactions on Power Delivery, v. 21, n. 1, pp , [8] S. Haykin, Neural Networks A Comprehensive Foundation, Prentice Hall, [9] Neural Network Toolbox TM : user s Matlab guide. The MathWorks, Inc, [10] S. Varadan and E. B. Makram, Practical considerations in the application of neural networks to the identification of harmonic loads, Electrical Power Systems Research, v. 30, pp , [11] M. T. Hagan and M. B. Menhaj, Training feedforward networks with the Marquardt algorithm, IEEE Transactions on Neural Networks, v. 5, n. 6, pp , [12] P. G. V. Axelberg, I. Y. Gu and M. H. J. Bollen, Support vector machine for classification of voltage disturbances, IEEE Transactions on Power Delivery, v. 22, n. 3, pp , [13] M. A. Bidgoli, A. Soori and M. T. Bina, A new phase sequence detector for the three-phase rotary loads, in Proc nd Power Electronics, Drive Systems and Technologies Conference, pp [14] X. X. Yang and M. Kratz, Power system flicker analysis by RMS voltage values and numeric flicker meter emulation, IEEE Transactions on Power Delivery, v. 24, n. 3, pp , 2009.
7 7 IX. BIOGRAFIA Wellington Maycon Santos Bernardes nasceu em Goiânia, GO. Possui formação de curso Técnico em Segurança do Trabalho pelo Serviço Nacional de Aprendizagem Comercial (2010) e graduação em Engenharia Elétrica pela Universidade Federal de Uberlândia (2010). Atualmente, é mestrando em Engenharia Elétrica na Escola de Engenharia de São Carlos da Universidade de São Paulo. Interesse em eficiência energética, proteção de sistemas elétricos, qualidade da energia elétrica e segurança do trabalho. Ricardo Augusto Souza Fernandes possui graduação em Engenharia Elétrica pela Fundação Educacional de Barretos (2007). Recebeu os títulos de mestre e doutor em Engenharia Elétrica pela Escola de Engenharia de São Carlos (EESC/USP), em 2009 e 2011, respectivamente. Suas atividades de pesquisa incluem a aplicação de sistemas inteligentes em Qualidade da Energia Elétrica e Smart Grids. qualidade. Sérgio Ferreira de Paula Silva é natural de Ituiutaba, MG. Possui graduação (1996), mestrado (2000) e doutorado (2007) em Engenharia Elétrica pela Universidade Federal de Uberlândia (UFU). Atualmente, é pesquisador e professor adjunto da UFU. Atua principalmente nos seguintes temas: eficiência energética, distorções harmônicas, qualidade da energia elétrica, harmônicos em sistemas elétricos de potência, atribuição de responsabilidade e normas e indicadores de
Identificação de Cargas Elétricas Hospitalares Utilizando Redes Neurais Artificiais
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 248-253, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Identificação de Cargas Elétricas Hospitalares
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
Leia maisADEQUAÇÃO DE UM ANALISADOR DE ENERGIA CONVENCIONAL À LEGISLAÇÃO BRASILEIRA NO CONTEXTO DA QUALIDADE E EFICIÊNCIA ENERGÉTICA
ADEQUAÇÃO DE UM ANALISADOR DE ENERGIA CONVENCIONAL À LEGISLAÇÃO BRASILEIRA NO CONTEXTO DA QUALIDADE E EFICIÊNCIA ENERGÉTICA Nome dos autores: Jeyson Carlos Hashimoto de Medeiros 1 ; Sergio Manuel Rivera
Leia maisDESEQUILÍBRIO DE TENSÕES EM INSTALAÇÕES ELÉTRICAS AGROINDUSTRIAIS
DESEQUILÍBRIO DE TENSÕES EM INSTALAÇÕES ELÉTRICAS AGROINDUSTRIAIS Ricardo Martini Rodrigues [1] Paulo José Amaral Serni [2] José Francisco Rodrigues [3] Luiz Gonzaga Campos Porto [4] Departamento de Engenharia
Leia maisIDENTIFICAÇÃO DE FONTES HARMÔNICAS POR REDES NEURAIS ARTIFICIAIS
IDENTIFICAÇÃO DE FONTES HARMÔNICAS POR REDES NEURAIS ARTIFICIAIS Ricardo Augusto Souza Fernans, Ivan Nunes da Silva, Mário Oleskovicz Departamento Engenharia Elétrica, Escola Engenharia São Carlos - USP
Leia maisGRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA - GCQ
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GCQ - 22 6 a 2 Outubro de 2005 Curitiba - Paraná GRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisCenários harmônicos em cargas residenciais e comerciais Transformadores
8 O Setor Elétrico / Agosto de 200 Capítulo VIII Cenários harmônicos em cargas residenciais e comerciais Transformadores Igor Amariz Pires* Enquanto os consumidores residenciais, apresentados no Capítulo
Leia maisESTIMAÇÃO DE HARMÔNICAS NO CONTEXTO DA QUALIDADE DA ENERGIA ELÉTRICA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DE HARMÔNICAS NO CONTEXTO DA QUALIDADE DA ENERGIA ELÉTRICA UTILIZANDO REDES NEURAIS ARTIFICIAIS André L. S. Pessoa, Eduardo H. C. Barbosa, Pedro H. C. Ulisses, Hermes M. G. C. Branco Universidade
Leia maisANÁLISE DA INFLUÊNCIA DE EQUIPAMENTOS ELETROMÉDICOS NA QUALIDADE DA ENERGIA ELÉTRICA
1 ANÁLISE DA INFLUÊNCIA DE EQUIPAMENTOS ELETROMÉDICOS NA QUALIDADE DA ENERGIA ELÉTRICA WELLINGTON MAYCON SANTOS BERNARDES 1 SÉRGIO FERREIRA DE PAULA SILA Resumo: Este trabalho apresenta uma análise dos
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA O RECONHECIMENTO DE ASSINATURAS HARMÔNICAS DE EQUIPAMENTOS ELETROMÉDICOS
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA O RECONHECIMENTO DE ASSINATURAS HARMÔNICAS DE EQUIPAMENTOS ELETROMÉDICOS Eduardo Barbosa, Holland Filho, Vinícius Oliveira Universidade Federal do Piauí UFPI
Leia maisEstudos para Identificação e Classificação de Harmônicos em Medição de Energia Elétrica Utilizando uma Arquitetura Neural
1 Estudos para Identificação e Classificação de Harmônicos em Medição de Energia Elétrica Utilizando uma Arquitetura Neural A. N. Souza, J. L. Padilha, W. H. Sato, D. S. Gastaldello, C. C. O. Ramos e K.
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisUM MÉTODO ALTERNATIVO PARA A ESTIMAÇÃO DE COMPONENTES HARMÔNICOS POR REDES NEURAIS ARTIFICIAIS
UM MÉTODO ALTERNATIVO PARA A ESTIMAÇÃO DE COMPONENTES HARMÔNICOS POR REDES NEURAIS ARTIFICIAIS MATHEUS GALVÃO MARTINS SOUZA*, MÁRIO OLESKOVICZ* E RENATO MACHADO MONARO ** *Departamento de Engenharia Elétrica
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisPalavras-chave: distribuição de energia elétrica; fluxo de potência; regulador de tensão.
Desenvolvimento e Modelagem de Regulador de Tensão para Fluxo de Potência em Redes de Distribuição de Energia Elétrica Rodrigo Mendonça de CARVALHO; Antônio Cesar Baleeiro ALVES Escola de Engenharia Elétrica
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisUm estudo acerca de equipamentos eletromédicos radiológicos na qualidade da energia elétrica em estabelecimentos assistenciais de saúde
1 Um estudo acerca de equipamentos eletromédicos radiológicos na qualidade da energia elétrica em estabelecimentos assistenciais de saúde Wellington Maycon S. Bernardes, Student Member, IEEE, Ciciane Chiovatto,
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia maisFERRAMENTA DE AUXÍLIO NO PROCESSO DE MEDIÇÃO DE ENERGIA ELÉTRICA UTILIZANDO INTELIGÊNCIA COMPUTACIONAL RESUMO
31 FERRAMENTA DE AUXÍLIO NO PROCESSO DE MEDIÇÃO DE ENERGIA ELÉTRICA UTILIZANDO INTELIGÊNCIA COMPUTACIONAL RESUMO Marco Antônio Silva Pereira 1 Este artigo aborda assuntos relacionados aos problemas encontrados
Leia maisDIAGNÓSTICO DE FALTAS EM UM SISTEMA DE DISTRIBUIÇÃO SUBTERRÂNEO UTILIZANDO REDES NEURAIS ARTIFICIAIS
DIAGNÓSTICO DE FALTAS EM UM SISTEMA DE DISTRIBUIÇÃO SUBTERRÂNEO UTILIZANDO REDES NEURAIS ARTIFICIAIS ALEXANDRE V. FESTA, THAIS R. KEMPNER, MÁRIO OLESKOVICZ Laboratório de Sistemas de Energia Elétrica,
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisUma Nova Modelagem de Transformadores Trifásicos para Análise Harmônica em Sistemas de Distribuição. ENERSUL Energias do Brasil
21 a 25 de Agosto de 26 Belo Horizonte - MG Uma Nova Modelagem de Transformadores Trifásicos para Análise Harmônica em Sistemas de Distribuição Eng. Me. Thiago M. Morais ENERSUL Energias do Brasil thiago@enersul.com.br
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisp TPP = (6.1) e a rajada de perda de pacote é medida pela Comprimento Médio da Rajada (CMR ) que é dada por
6 Perdas de Pacotes O problema de perda de pacotes em rajadas nas redes IP e redes móveis é um dos fatores mais importantes a serem considerados na análise de sistemas de reconhecimento de voz distribuídos.
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisAVALIAÇÃO DO AGRUPAMENTO DE LÂMPADAS FLUORESCENTES COMPACTAS PARA REPRESENTAÇÕES DE EQUIVALENTES EM SIMULAÇÕES COMPUTACIONAIS DE FLUXO HARMÔNICO
AVALIAÇÃO DO AGRUPAMENTO DE LÂMPADAS FLUORESCENTES COMPACTAS PARA REPRESENTAÇÕES DE EQUIVALENTES EM SIMULAÇÕES COMPUTACIONAIS DE FLUXO HARMÔNICO Márcio Melquíades Silva 1, Manuel Losada y Gonzalez 2 1
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisMEDIÇÃO E MONITORAMENTO DA QUALIDADE DA ENERGIA
MEDIÇÃO E MONITORAMENTO DA QUALIDADE DA ENERGIA Joaquim Eloir Rocha 1 Os processos industriais estão cada vez mais sensíveis a pequenas perturbações que ocorrem freqüentemente nos sistemas elétricos. O
Leia maisDécimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
A ESTIMAÇÃO DO VALOR EFICAZ DAS TENSÕES TRIFÁSICAS EM PONTOS ESTRATÉGICOS DE UM SISTEMA DE DISTRIBUIÇÃO VIA REDES NEURAIS ARTIFICIAIS F. B. Bottura* F. S. P. Camargo* M. Oleskovicz* R. C. Santos** * Universidade
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisRelatório de performance de redução de consumo de energia com ação de eficiência energética
Relatório de performance de redução de consumo de energia com ação de eficiência energética Taxa de redução obtida de 20,07 por cento Relatório de performance de redução de consumo de energia com produtos
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisE M B R A S U L. embrasul.com.br. Analisador de Energia RE4080
Analisador de Energia RE4080 RE4080 Re4080 Uso ao tempo (IP65); Estudo do fluxo de carga; Fator de Potência; Consumo e demanda; Curvas de carga em transformadores; Curvas de carga em motores. 1. Apresentação
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisParâmetros importantes de um Analisador de Espectros: Faixa de frequência. Exatidão (frequência e amplitude) Sensibilidade. Resolução.
Parâmetros importantes de um Analisador de Espectros: Faixa de frequência Exatidão (frequência e amplitude) Sensibilidade Resolução Distorção Faixa dinâmica Faixa de frequência: Determina as frequências
Leia maisRelatório de performance de redução de consumo de energia com produtos
Relatório de performance de redução de consumo de energia com produtos ------- Taxa de redução obtida de 14,0 por cento Araucária PR Relatório de desempenho de redução de consumo de energia com produtos
Leia maisEstimativa de Distorções Harmônicas Geradas por Consumidores Residenciais
21 a 25 de Agosto de 2006 Belo Horizonte - MG Estimativa de Distorções Harmônicas Geradas por Consumidores Residenciais Renato Vinhal Nunes Universidade Federal de Minas Gerais Selênio Rocha Silva Universidade
Leia maisDécimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
UTILIZAÇÃO DE REDES NEURAIS PARA MODELAGEM DO COMPORTAMENTO DE ISOLADORES A. H. Reiner* L. H. Meyer* F. H. Molina** *Fundação Universidade Regional de Blumenau ** Centrais Elétricas de Santa Catarina S/A
Leia maisArnulfo Barroso Vasconcellos, Dr.; Roberto Apolônio, Dr.; Fernando Novelo, Acad. Universidade Federal de Mato Grosso UFMT
Estudo do Impacto do Sistema de Acionamento de um Motor de Indução Trifásico na Eficiência Energética e Qualidade da Energia Elétrica: Um Estudo de Caso Elevador de Canecas Arnulfo Barroso Vasconcellos,
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisRegra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisTÍTULO: SISTEMA PARA ANÁLISE DE FENÔMENOS ELÉTRICOS RELACIONADOS COM A QUALIDADE DA ENERGIA FORNECIDA PELAS CONCESSIONÁRIAS
TÍTULO: SISTEMA PARA ANÁLISE DE FENÔMENOS ELÉTRICOS RELACIONADOS COM A QUALIDADE DA ENERGIA FORNECIDA PELAS CONCESSIONÁRIAS CATEGORIA: CONCLUÍDO ÁREA: CIÊNCIAS EXATAS E DA TERRA SUBÁREA: Engenharias INSTITUIÇÃO(ÕES):
Leia maisMEDIDOR DE QUALIDADE DA ENERGIA ELÉTRICA UTILIZANDO CONCEITOS DE INSTRUMENTOS VIRTUAIS
MEDIDOR DE QUALIDADE DA ENERGIA ELÉTRICA UTILIZANDO CONCEITOS DE INSTRUMENTOS VIRTUAIS Azauri A. Oliveira Jr Universidade de São Paulo USP Avenida Trabalhador São-carlense, 400 - São Carlos - SP azaurijr@sel.eesc.usp.br
Leia maisCapítulo 3. Modelagem da Rede Elétrica Estudada
Modelagem da Rede Elétrica Estudada 58 3 MODELAGEM DA REDE ELÉTRICA ESTUDADA. A primeira fase do estudo foi a escolha da subestação e dos alimentadores aéreos primários. A subestação, bem como seus circuitos
Leia maisCLASSIFICAÇÃO DE DISTÚRBIOS EM RELAÇÃO À QUALIDADE DE ENERGIA USANDO REDE NEURAL ARTIFICIAL
CLASSIFICAÇÃO DE DISTÚRBIOS EM RELAÇÃO À QUALIDADE DE ENERGIA USANDO REDE NEURAL ARTIFICIAL Rafael Santos Freire Ferraz *1, Renato Santos Freire Ferraz 2, Aniel Silva de Morais 3, Adjeferson Custódio Gomes
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisSCQ/ a 26 de Outubro de 2001 Campinas - São Paulo - Brasil
SCQ/010 21 a 26 de Outubro de 2001 Campinas - São Paulo - Brasil STE SESSÃO TÉCNICA ESPECIAL DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA USO DE FILTROS PASSIVOS EM TOPOLOGIA
Leia maisE M B R A S U L. embrasul.com.br. Analisador de Energia RE4001
Analisador de Energia RE4001 RE4001 Estudo do fluxo de carga; Fator de Potência; Consumo e demanda; Curvas de carga em transformadores; Curvas de carga em motores. RE4001 1. Apresentação O RE4001 possui
Leia maisMARCOS ROGÉRIO CÂNDIDO APLICAÇÃO DA TRANSFORMADA WAVELET NA ANÁLISE DA QUALIDADE DE ENERGIA EM FORNOS ELÉTRICOS A ARCO
MARCOS ROGÉRIO CÂNDIDO APLICAÇÃO DA TRANSFORMADA WAVELET NA ANÁLISE DA QUALIDADE DE ENERGIA EM FORNOS ELÉTRICOS A ARCO São Paulo 2008 MARCOS ROGÉRIO CÂNDIDO APLICAÇÃO DA TRANSFORMADA WAVELET NA ANÁLISE
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisAVALIAÇÃO E DETERMINAÇÃO DOS INDICADORES DE QUALIDADE E EFICIÊNCIA DA ENERGIA ELÉTRICA. Lucas Bevilaqua 1 ; Carlos R. P. Oliboni 2
AVALIAÇÃO E DETERMINAÇÃO DOS INDICADORES DE QUALIDADE E EFICIÊNCIA DA ENERGIA ELÉTRICA Lucas Bevilaqua 1 ; Carlos R. P. Oliboni 2 INTRODUÇÃO O conceito de qualidade de energia está relacionado a um conjunto
Leia maisEFICIÊNCIA E QUALIDADE ENERGÉTICA EM EDIFICAÇÕES PÚBLICAS ESTUDO DE CASO NAS INSTALAÇÕES DO IFC CAMPUS LUZERNA
EFICIÊNCIA E QUALIDADE ENERGÉTICA EM EDIFICAÇÕES PÚBLICAS ESTUDO DE CASO NAS INSTALAÇÕES DO IFC CAMPUS LUZERNA Autores: João Pedro SCHEURICH, Marcos FIORIN, Jessé de PELEGRIN, Tiago DEQUIGIOVANI. Identificação
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisAnalisador de Energia RE6001 ANALISADOR DE ENERGIA. Prog
EMBRASUL Analisador de Energia RE6001 EMBRASUL ANALISADOR DE ENERGIA EMBRASUL RE6001 Prog Amplo display gráfico; Fácil instalação e operação; Configurado por módulos opcionais; Excelente faixa de medição;
Leia maisEstimação de Componentes Harmônicos de Sistemas Elétricos de Potência por meio do Algoritmo de Seleção Clonal
Estimação de Componentes Harmônicos de Sistemas Elétricos de Potência por meio do Algoritmo de Seleção Clonal Luanna Holanda de Siqueira Aluna Marcus Lemos Orientador
Leia maisAvaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia maisInteligência Artificial Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
Leia maisFigura 1 Várias formas de ondas repetitivas: (a) onda cosseno, (b) onda seno, (c) onda triangular (d) onda quadrada
ASSOCIAÇÃO EDUCACIONAL DOM BOSCO FACULDADE DE ENGENHARIA DE RESENDE ENGENHARIA ELÉTRICA ELETRÔNICA Disciplina: Laboratório de Circuitos Elétricos Corrente Alternada 1. Objetivo Uma medida elétrica é a
Leia mais