Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
|
|
|
- Milena Balsemão Pedroso
- 7 Há anos
- Visualizações:
Transcrição
1 Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em Vigas de Aço Determinação dos Segmentos em Sinais de ECG Detecção e Diagnóstico de Falhas em Sistemas Elétricos Previsão de Séries Temporais Aplicações de Previsão Previsão de Carga Elétrica Mensal, horária, 10 em 10 min, horário de pico Previsão de Vazão Horária e semanal O problema de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Sumário Resultados 1
2 Previsão de Carga Um sistema preciso de previsão de carga oferece: segurança, confiabilidade e economia na operação de sistemas de potência. Previsão de Carga Previsão de Curto Prazo assegura uma operação eficiente e segura do sistema. Previsão de Longo Prazo expansão e planejamento da operação Métodos de Previsão Linear Regression Exponential Smoothing Box & Jenkins Lógica Fuzzy Redes Neurais Artificiais } Estatísticos } Inteligência Computacional Modelagem da rede MLP Definição da de entrada Definição do horizonte de previsão Definição de outras variáveis explicativas 2
3 Técnica de Janelamento Treinamento da Rede MLP Série de Carga W o W i Step Série de Carga Tempo Treinamento através de exemplos W i Janela de Entrada W o - Janela de Saída Camada Intermediária Camada de Saída Previsão da Carga no tempo t Previsão de de Séries Temporais valor da rede = n valores passados Ex: 5 valores passados Saída Desejada = valor da série k passos à frente Ex: valor um passo à frente Definição da de entrada Definição da de saída tempo Modelagem da rede MLP Definição da de entrada Definição do horizonte de previsão Definição de outras variáveis explicativas ex: outras séries históricas (temperatura), dia da semana, hora da previsão, mês da previsão, perfil do consumidor, etc... 3
4 Previsão de Séries Temporais Previsão de Séries Temporais da rede Ajuste dos pesos a partir do erro Erro= - previsto da rede Ajuste dos pesos a partir do erro Erro= - previsto um passo à frente um passo à frente Previsão de Séries Temporais Previsão de Séries Temporais da rede da rede um passo à frente Ajuste dos pesos a partir do erro Erro= - previsto um passo à frente Ajuste dos pesos a partir do erro Erro= - previsto 4
5 Previsão de Séries Temporais Previsão de Séries Temporais da rede Ajuste dos pesos a partir do erro Erro= - previsto da rede Ajuste dos pesos a partir do erro Erro= - previsto um passo à frente um passo à frente Previsão de Séries Temporais Previsão de Séries Temporais da rede da rede um passo à frente Ajuste dos pesos a partir do erro Erro= - previsto um passo à frente Ajuste dos pesos a partir do erro Erro= - previsto 5
6 Previsão de Valores Futuros Previsão de Valores Futuros previsto previsto da rede: inclui valores previstos pela Rede Previsão de Valores Futuros previsto Estudo de Casos Previsão de Carga Horária Previsão da carga 24 a 744 horas (um mês) a frente para duas companhias: CEMIG e LIGHT da rede: inclui valores previstos pela Rede Previsão de Carga de 10 em 10 minutos até 144 horas a frente (um dia completo) Previsão de Carga Mensal um mês a frente para as 32 companhias do setor 6
7 Perfil de Carga Previsão de Carga Horária (CEMIG) 4 redes diferentes de acordo com o dia da semana - Terça, Quarta, Quinta e Sexta-Feira **** - Sábado... - Domingo Segunda-Feira : Treinamento: de 5 valores passados valor da carga 24 horas antes Codificação binária da hora a ser prevista Conjunto de Treinamento: 2 meses anteriores Re-treinamento a cada mês Previsão de Carga Horária (CEMIG) Previsão Horária Topologia da Rede Topologia da Rede Camada de entrada: 11 neurônios. 5 últimos valores de carga. Carga 24 horas atrás. Codificação binária do horário. Camada escondida: 20 neurônios. Camada de saída: 1 neurônio. 5 valores passados Valor da Carga 24 horas antes Codificação Binária da hora Da previsão da carga 7
8 Resultado 24 horas a frente Gráficos Comparativos Meses MAPE (CEMIG) Março/1993 1,56 % Abril/1993 1,82 % Maio/1993 1,96 % Junho/1993 2,19 % Julho/1993 1,75 % Agosto/1993 1,69 % Setembro/1993 2,19 % Outubro/1993 2,81 % Novembro/1993 1,99 % Dezembro/1993 3,20 % Janeiro/1994 2,53 % Fevereiro/1994 3,12 % MAPE - Mean Absolute Percentage Error Março/ horas a frente Valores Reais ---- Valores Previstos 01/08/93 24 horas a frente Valores Reais ---- Valores Previstos Estudo de Casos Previsão de Carga Horária Previsão da carga 24 a 744 horas (um mês) a frente para duas companhias: industrial e residencial Previsão de Carga de 10 em 10 minutos até 144 horas a frente (um dia completo) Previsão de Carga Mensal um mês a frente para as 32 companhias do setor Case Studies Modelagem da MLP 7 redes diferentes, uma para cada dia da semana Previsão multi-step 144 passos a frente (1 dia completo) Previsão multi-step 30 passos a frente (horário de pico) das redes: 6 valores passados; Valor da carga na semana anterior para a mesma hora e minuto a ser prevista; codificação binária da hora/minuto da previsão. 8
9 Dados de Treinamento CEMIG - Centrais Elétricas de Minas Gerais período de 01/01/1996 a 31/08/ /01/96 a 24/08/96 para treinamento; 25/08/96 a 31/08/96 para teste. MWM h Demanda 144 passos Sunday 25/08/96 - MAPE=2.74% Wednesday 28/08/96 - MAPE=2.57% Monday 26/08/96 - MAPE=2.17% Thursday 29/08/96 - AME=2.97% Saturday 31/08/96 - AME=2.35% Friday 30/08/96 - MAPE=2.18% Tuesday 27/08/96 - MAPE=3.00% Domingo 144 passos M Sunday 25/08/96 - MAPE=2.74% Results - Monday Segunda-Feira 144 steps ahead 144 passos Monday 26/08/96 - MAPE=2.17% 9
10 Terça-Feira 144 passos Tuesday 27/08/96 - MAPE=3.00% Quarta-Feira 144 passos Wednesday 28/08/96 - MAPE=2.57% Quinta-Feira 144 passos Thursday 29/08/96 - AME=2.97% Sexta-Feira 144 passos Friday 30/08/96 - MAPE=2.18% 10
11 Sábado 144 passos Saturday 31/08/96 - MAPE=2.35% Domingo 30 passos - Horário de Pico - MWh 17:00 17:40 18:20 19:00 19:40 20:20 21:00 21:40 Sunday 25/08/96 MAPE =2.25% Segunda-Feira 30 passos - Horário de Pico - MWh 17:00 17:40 18:20 19:00 19:40 20:20 21:00 21:40 Monday 26/08/96 MAPE =1.95% Terça-Feira 30 passos - Horário de Pico - 17:00 17:40 18:20 19:00 19:40 20:20 21:00 21:40 Tuesday 27/08/96 MAPE =2.87% 11
12 Quarta-Feira 30 passos - Horário de Pico - 17:00 17:40 18:20 19:00 19:40 20:20 21:00 21:40 Wednesday 28/08/96 MAPE =1.84% Quinta-Feira 30 passos - Horário de Pico - 17:00 17:40 18:20 19:00 19:40 20:20 21:00 21:40 Thursday 29/08/96 MAPE =2.15% Sexta-Feira 30 passos - Horário de Pico - 17:00 17:40 18:20 19:00 19:40 20:20 21:00 Friday 30/08/96 MAPE =1.35% 21:40 Sábado 30 passos - Horário de Pico - 17:00 17:40 18:20 19:00 19:40 20:20 21:00 21:40 Saturday 31/08/96 MAPE=1.88% 12
13 Resultados Results-ANN Gerais Erro médio baixo para a previsão 144 passos a frente Erro é muito menor nos primeiros 40 passos MAPE Day 144 steps First 40 steps Last 104 steps Sunday 2,74 1,55 3,20 Monday 2,17 1,29 2,51 Tuesday 3,00 1,54 3,50 Wednesday 2,57 1,16 3,11 Thursday 2,97 0,99 3,73 Friday 2,18 1,84 2,32 Saturday 2,35 2,39 2,34 Resultados Gerais Erro médio percentual pequeno na previsão 30 passos a frente durante o horário de pico (5-10 pm.) MAPE% MAPE% (full day 30 steps (peak network) hours 5-10 pm) Sunday Monday Tuesday Wednesday Thursday Friday Saturday Estudo de Casos Previsão de Carga Horária Previsão da carga 24 a 744 horas (um mês) a frente para duas companhias: industrial e residencial Previsão de Carga de 10 em 10 minutos até 144 horas a frente (um dia completo) Previsão de Carga Mensal um mês a frente para as 32 companhias do setor Previsão Mensal Previsão de Carga Mensal para as 32 companhias do setor elétrico brasileiro; Uma rede neural para cada companhia; da Rede MLP: 5 valores passados; Codificação binária do mês da previsão. Diferenciação da Série para remover tendência linear de crescimento. Previsão um mês a frente: Training set: de 1983 a 1993 Test set:
14 Topologia da Rede Resultados Gerais - Média Geográfica n Valores Passados (n=5) Codificação Do Mês Valor Previsto Da Carga Região MAPE RMSE U Norte 2,59% 10,53 0,95 Nordeste 2,50% 12,69 0,89 Sudeste 2,81% 65,90 0,90 Centro-Oeste 5,01% 10,45 0,84 Sul 2,65% 28,63 0,78 MAPE - Mean Absolute Percentage Error RMSE - Root Mean Square Error U - Theil s U Resultados Gerais - Gráfico Comparativo - Previsão de Demanda Previsão Mensal Outros modelos (redes neurais com treinamento bayesianas e sistemas Neuro-Fuzzy) COMPANHIA BackProp. RNB (Aprox.G) RNB (MCMC) NFHB MAPE RMSE MAPE RMSE MAPE RMSE MAPE RMSE COPEL 1.57% % % ,17 % 28,89 CEMIG 1.47% % % ,12 % 58,49 LIGHT 3.57% % % ,22 % 81,74 FURNAS 5.28% % % ,76 % 50,78 Valores Reais ---- Valores Previstos CERJ 3.16% % % ,35 % 15,66 E.PAULO 1.58% % % ,17 % 108,11 14
15 Aplicações de Previsão Previsão de Carga Elétrica Mensal, horária, 10 em 10 min, horário de pico Previsão de Vazão Horária e semanal Previsão de Vazão com Informações de Precipitação - ONS Hidroelétricas são as principais fontes de geração de energia no Brasil Dois modelos de previsão de vazão natural média: Previsão da vazão diária (12 dias a frente); Previsão da vazão semanal. Dados utilizado do período de 1996 a 2001 Bacia de Itaipu Bacias Analisadas Bacia de Itumbiara Bacia do Iguaçu Definição dos Modelos para Previsão de Vazão Diária Itaipu Modelo de Redes Neurais: Redes Multi-Layer Perceptron com algoritmo de treinamento Back Propagation. Uma rede especializada em cada um dos 12 dias a serem previstos. Aplicação de métodos de seleção de variáveis para determinar os postos fluviométricos mais importantes na previsão da vazão. Uso de informação sobre a chuva medida pelos postos pluviométricos e por um modelo físico de previsão de chuva 10 dias a frente (Modelo ETA) para cada bacia. Informação sobre precipitação é fornecida através do cálculo da média de chuva da bacia pelo Método de Thiessen 15
16 Definição dos Modelos para Previsão de Vazão Diária Itaipu das Redes Neurais Chuva média de Thiessen dos últimos 7 dias: Cht, Cht-1, Cht-2, Cht-3, Cht-4, Cht-5, Cht-6; Vazão média dos 7 últimos dias: Vt, Vt-1, Vt-2, Vt-3, Vt-4, Vt-5, Vt-6; 10 dias de chuva prevista pelo Método ETA: ChETAt+1, ChETAt+2, ChETAt+3, ChETAt+3, ChETAt+5, ChETAt+6, ChETAt+7, ChETAt+8, ChETAt+9, ChETAt+10; vazões nos postos fluviométricos selecionados, no dia anterior à previsão. Definição dos Modelos para Previsão de Vazão Diária Itaipu Topologia das Redes Neurais Vazões Naturais Incrementais Chuva Média de Thiessen Chuva Prevista Postos Fluviométricos V t V t-6 ChT t... ChT t-6 ChETA... t... ChETA t-10 P 1 P Vazão Prevista V t+1 Resultados da Previsão de Vazão Diária Itaipu Resultados Previsão de Vazão Diária - Itaipu Previsão de Vazão Diária - Redes Neurais MLP Redes Neurais Multi-Layer Perceptron (MLP) Período Anual Período Seco Período Úmido Previsão 1º Dia com 6 Neurônios; MAPE = 4,
17 Definição dos Modelos para Previsão de Vazão Semanal - Itaipu Modelo de Redes Neurais: Redes Multi-Layer Perceptron com algoritmo de treinamento Back Propagation. Previsão da semana elétrica (sábado a sexta-feira) a partir da quarta-feira anterior. Também foram aplicados métodos de seleção de variáveis para determinar os postos fluviométricos mais influentes na previsão da vazão semanal. Utilizou-se apenas informação sobre a chuva prevista pelo Modelo ETA. Definição dos Modelos para Previsão de Vazão Semanal - Itaipu Configuração da Rede Neural: Vazão observada no dia anterior, terça-feira (V3); Soma dos 10 dias de precipitações previstas pelo Método ETA (ChETAt+1 + ChETAt+2 + ChETAt+3 + ChETAt+3 + ChETAt+5 + ChETAt+6 + ChETAt+7 + ChETAt+8 + ChETAt+9+ChETAt+10); Vazões nos postos fluviométricos selecionados, no dia anterior, terça-feira; Vazão média nas três semanas elétricas anteriores à semana em que é feita a previsão (Vmt-1, Vmt-2, Vmt-3); avaliação de 1 a 19 neurônios na camada escondida. Definição dos Modelos para Previsão de Vazão Semanal - Itaipu Topologia das Redes Neurais Resultados Previsão de Vazão Semanal - Itaipu Redes Neurais MLP Previsão Semanal para quarta-feira Vazão Natural de 3ª-feira V 3 Vazões Naturais Incrementais Semanais Vm t-1 Vm t-2 Vm t-3... Vazão Prevista V t+1 Chuva Prevista Acumulada ETA Postos Pluviométricos (1 posto) P 1 Previsão Semanal Back Propagation com 10 Neurônios; MAPE = 17,
Multi-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Multi-Layer. Perceptron. Sumário. Previsão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O problema de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 11 Previsão de Carga Um sistema preciso de previsão
Previsão de Séries Temporais
Multi-Layer Perceptron Previsão de Séries Temporais Sumário O proble ma de Previsão de Carga Modelagem das Redes Neurais MLP Estudo de Casos Resultados 1 Previsão de Carga Um sistema preciso de previsão
1 Introdução. 1.1 Motivação
1 Introdução 1.1 Motivação Ao contrário da maioria dos países, o sistema hidroelétrico é responsável por 83,7% da energia elétrica gerada no Brasil [1]. Desta maneira, esta geração de energia depende basicamente
Previsão de Vazões Naturais Afluentes a um Reservatório Utilizando a Técnica de Redes Neurais Artificiais
Previsão de Vazões Naturais Afluentes a um Reservatório Utilizando a Técnica de Redes Neurais Artificiais MSc. Carlos da Costa Ferreira Dr. Carlos Henrique Ribeiro Lima Programa de Pós-graduação em Tecnologia
Redes 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
ANÁLISES E PREVISÕES DE VAZÕES DO RIO GRANDE UTILIZANDO MODELOS DE BOX & JENKINS E REDES NEURAIS ARTIFICIAIS
ANÁLISES E PREVISÕES DE VAZÕES DO RIO GRANDE UTILIZANDO MODELOS DE BOX & JENKINS E REDES NEURAIS ARTIFICIAIS André L. F. Batista 1 1 Departamento de Informática Instituto Federal de Educação, Ciência e
4 Modelo Inteligente de Previsão (MIP)
4 Modelo Inteligente de Previsão (MIP) 4.1 Modelo Proposto Como já mencionado, o objetivo deste trabalho é a criação de uma metodologia, ou mais especificamente, um modelo que traga algum tipo de melhoria
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Motivado pela importância do estabelecimento de um sistema de apoio à decisão que auxiliasse o operador de tempo real durante
5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL
5 PREVISÃO DE SÉRIES TEMPORAIS DE VAZÃO DE DRENOS DA BARRAGEM DE FUNIL 5.1 Introdução Existem situações, como por exemplo, em grandes obras de engenharia (portos, barragens, usinas nucleares, etc.), em
Análise das previsões de precipitação obtidas com a utilização do modelo Eta como potencial subsídio para modelos de previsão semanal de vazão natural
Análise das previsões de precipitação obtidas com a utilização do modelo Eta como potencial subsídio para modelos de previsão semanal de vazão natural Marcio Cataldi, Christiane Osório Machado, Luiz Guilherme
Previsão 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
Combinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica
Luiz Albino Teixeira Júnior Combinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica Dissertação de Mestrado Dissertação apresentada como requisito
4 Estudo de casos 4.1 Descrição
4 Estudo de casos 4.1 Descrição Para avaliar o desempenho do modelo NFHB-T2 proposto neste trabalho, foram utilizadas diversas bases de dados benchmark e aplicações reais de previsão e aproximação de funções.
5 Estudo de Caso. 5.1 Introdução
5 Estudo de Caso 5.1 Introdução Neste estudo de caso, como meio de avaliar a eficiência do modelo proposto MIP, serão efetuadas previsões baseadas na vazão natural incremental verificada entre as UHE Porto
Multi-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Multi-Layer Perceptrons Redes de apenas uma camada só representam funções linearmente separáveis Redes
3 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
Modelo Hidrológico Distribuído para Previsão de Vazões Incrementais na Bacia do Rio Paranaíba entre Itumbiara e São Simão
Modelo Hidrológico Distribuído para Previsão de Vazões Incrementais na Bacia do Rio Paranaíba entre Itumbiara e São Simão Walter Collischonn Carlos Eduardo Morelli Tucci Robin Thomas Clarke Martin Delgado
4 Desenvolvimento dos Modelo
68 4 Desenvolvimento dos Modelo Neste capítulo são desenvolvidos três modelos para previsão da velocidade do vento, a saber: modelo estatístico que combina a metodologia do modelo Box&Jenkins com a regressão
Submódulo 9.2. Acompanhamento, análise e tratamento dos dados hidroenergéticos do Sistema Interligado Nacional
Submódulo 9.2 Acompanhamento, análise e tratamento dos dados hidroenergéticos do Sistema Interligado Nacional Rev. Nº. 0.0 0.1 1.0 Motivo da revisão Este documento foi motivado pela criação do Operador
Bruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Por que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
PMO de Maio Semana Operativa de 12/05/2018 a 18/05/2018
PMO de Maio Semana Operativa de 12/05/18 a 18/05/18 1. APRESENTAÇÃO Na semana de 05/05 a 11/05/18 não houve precipitação nas bacias de interesse do SIN. Para a semana de 12/05 a 18/05/18 há previsão de
A implantação do preço horário Visão do ONS
Workshop Preços Horários A implantação do preço horário Visão do ONS Brasília, 01 de agosto de 2018 Desafios das Energias Renováveis Motivação: Aspectos Operativos Perda da capacidade de regularização
UNIVERSIDADE 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
PMO de Maio Semana Operativa de 19/05/2018 a 25/05/2018
PMO de Maio Semana Operativa de 19/05/18 a 25/05/18 1. APRESENTAÇÃO Na semana de 12/05 a 18/05/18 ocorreu chuva fraca a moderada nas bacias dos rios Uruguai e Iguaçu e na incremental a UHE Itaipu, e fraca
PERCEPTRON. Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado
PERCEPTRON Características Básicas Modelo de Neurônio Estrutura da Rede Algoritmo de Aprendizado CARACTERISTICAS BASICAS - Regra de propagação net - Função de ativação: Degrau = x w + - Topologia: uma
Inteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó
Rede Neural com Atraso de Tempo Aplicada à Previsão Mensal de Vazões na Bacia Hidrográfica do Rio Piancó Camilo A. S. de Farias Celso A. G. Santos Alcigeimes B. Celeste Estrutura da Apresentação Motivação
Multi-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
Modelos Neuro-Fuzzy Hierárquicos
Modelos Neuro-Fuzzy s Flávio Joaquim de Souza DEE-PUC/RJ Particionamento Poligonal (R.N.) x 1 i c d a g b e h x 2 Roteiro Introdução; Sistemas Neuro- Fuzzy; Particionamentos dos ; Modelos Neuro- Fuzzy
Minicurso: 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
RELATÓRIO DIÁRIO DE ACOMPANHAMENTO ENERGÉTICO E METEOROLOGIA
RELATÓRIO DIÁRIO DE ACOMPANHAMENTO ENERGÉTICO E METEOROLOGIA terça-feira, 24 de outubro de 217 ACOMPANHAMENTO ENERGÉTICO Verificado 23/1 Projetado 24/1 Diferença 22/1 Verificado 23/1 Projetado 24/1 Diferença
Redes Neurais Artificiais. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9)
Redes Neurais Artificiais Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 9) Conceitos 2 Redes Neurais As Redes Neurais Artificias são modelos computacionais
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
PREVISÃO DE VAZÕES DIÁRIAS NA BACIA DO RIO SÃO FRANCISCO PARA O PERÍODO ÚMIDO 2011/2012: AVALIAÇÃO DOS RESULTADOS DOS MODELOS NEURO3M E NEUROSF
PREVISÃO DE VAZÕES DIÁRIAS NA BACIA DO RIO SÃO FRANCISCO PARA O PERÍODO ÚMIDO 2011/2012: AVALIAÇÃO DOS RESULTADOS DOS MODELOS NEURO3M E NEUROSF Luana Gomes Alessandra Maciel Guilherme Ferreira Luiz Guilhon
PMO de Novembro Semana Operativa de 24/11/2018 a 30/11/2018
PMO de Novembro Semana Operativa de 24/11/18 a 30/11/18 1. APRESENTAÇÃO Na semana de 17/11 a 23/11/18 ocorreu chuva fraca a moderada nas bacias dos rios Jacuí, Uruguai, Paranapanema, Tietê, Grande, Paranaíba
Submódulo 9.2. Acompanhamento, análise e tratamento dos dados hidroenergéticos do Sistema Interligado Nacional
Submódulo 9.2 Acompanhamento, análise e tratamento dos dados hidroenergéticos do Sistema Interligado Nacional Rev. Nº. 0.0 0.1 Motivo da revisão Este documento foi motivado pela criação do Operador Nacional
JULHO RV0 1ª Semana
JULHO 2015 RV0 1ª Semana Sumário INTRODUÇÃO... 3 CONDIÇÕES INICIAIS... 3 1 - Nível dos reservatórios... 3 2 - Expansão da oferta hidrotérmica (MW)... 4 ANÁLISE DAS CONDIÇÕES HIDROMETEREOLÓGICAS... 5 1
6. Aplicação à Séries de Velocidade do Vento
9. Aplicação à Séries de Velocidade do Vento A geração eólica de energia elétrica vem sendo explorada com mais intensidade desde e para este tipo de geração, a principal variável a ser estudada é a velocidade
CALENDÁRIO DE AVALIAÇÃO CONTÍNUA OU PERIÓDICA - 1º SEMESTRE 2016/2017 CURSO TESP EM AUTOMAÇÃO, ROBÓTICA E MANUTENÇÃO INDUSTRIAL
38 19/set 20/set 21/set 22/set 23/set 24/set Enunciado Trabalho Laboratorial 1 Enunciado Trabalho Laboratorial 1 39 26/set 27/set 28/set 29/set 30/set 1/out 40 3/out 4/out Divulgação enunciado Trabalho
JAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Redes 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
PMO de Dezembro Semana Operativa de 08/12/2018 a 14/12/2018
PMO de Dezembro Semana Operativa de 08/12/18 a 14/12/18 1. APRESENTAÇÃO No início da semana de 01/12 a 07/12/18 ocorreu chuva fraca nas bacias dos rios Jacuí, Uruguai, Iguaçu, Paranapanema, Tietê e Grande.
PMO de Março Semana Operativa de 03/03/2018 a 09/03/2018
1. APRESENTAÇÃO Na semana de 24/02 a 02/03/18 ocorreram pancadas de chuva nas bacias dos rios Tietê, Grande, Paranaíba, São Francisco e Tocantins e no trecho incremental à UHE Itaipu. Para o início da
Sumário Executivo do Programa Mensal de Operação
Sumário Executivo do Programa Mensal de Operação PMO de Janeiro Semana Operativa de 07/01 a 13/01/2017 1. APRESENTAÇÃO No início da semana de 31/12/2016 a 06/01/2017 ocorreu chuva fraca nas bacias dos
NOVEMBRO RV0 1º Semana
NOVEMBRO 2014 RV0 1º Semana Sumário INTRODUÇÃO... 2 INFORMAÇÕES ESTRUTURAIS PARA CONSTRUÇÃO DA FUNÇÃO DE CUSTO FUTURO... 3 1 - Armazenamento inicial dos reservatórios equivalentes... 3 2 - Tendência hidrológica
FEVEREIRO RV0 1ª Semana
FEVEREIRO 2016 RV0 1ª Semana Sumário INTRODUÇÃO... 3 CONDIÇÕES INICIAIS... 3 1 - Nível dos reservatórios... 3 2 - Expansão da oferta hidrotérmica (MW)... 4 ANÁLISE DAS CONDIÇÕES HIDROMETEREOLÓGICAS...
JANEIRO RV0 1º Semana
JANEIRO 2014 RV0 1º Semana Sumário INTRODUÇÃO... 1 INFORMAÇÕES ESTRUTURAIS PARA CONSTRUÇÃO DA FUNÇÃO DE CUSTO FUTURO... 1 1 - Armazenamento inicial dos reservatórios equivalentes... 2 2 - Tendência hidrológica
PMO de Novembro Semana Operativa de 10/11/2018 a 16/11/2018
PMO de Novembro Semana Operativa de 10/11/18 a 16/11/18 1. APRESENTAÇÃO No início da semana de 03/11 a 09/11/18 as bacias hidrográficas dos subsistemas Sul e Sudeste/Centro-Oeste apresentaram chuva fraca
42,6 42,0 43,0 40,0 40,3 29,0 30,1 23,4 28,7 27,7 19,5 29,4 23,1 20,5
% Armazenamento JUNHO RV0 1.1 ARMAZENAMENTO HISTÓRICO DO SISTEMA INTEGRADO NACIONAL 20 56,8 55,7 54,8,2 42,3 42,9 38,5,4 42,6 42,0 43,0,0 34,9 37,0 38,1,3 34,4 35,7 29,0 30,1 32,3 23,4 28,7 27,7 19,5 29,4
PMO de Setembro Semana Operativa de 15/09/2018 a 21/09/2018
PMO de Setembro Semana Operativa de 15/09/18 a 21/09/18 1. APRESENTAÇÃO Em reunião realizada no dia 12/09/18, o CMSE decidiu manter, para a semana operativa de 15/09/18 a 21/09/18, o despacho de usinas
CALENDÁRIO DE AVALIAÇÃO CONTÍNUA OU PERIÓDICA - 1º SEMESTRE 2017/2018 CURSO TESP EM AUTOMAÇÃO, ROBÓTICA E MANUTENÇÃO INDUSTRIAL
CALENDÁRIO DE AVALIAÇÃO CONTÍNUA OU PERIÓDICA - SEMESTRE 2017/2018 38 18/set 19/set 20/set 21/set 22/set 23/set 39 25/set 26/set 27/set 28/set 29/set 30/set 40 2/out 3/out 4/out 5/out 6/out 7/out Divulgação
FGV ENERGIA WORKSHOP SOBRE MODELOS DE PROJEÇÃO DE DEMANDA DE ENERGIA ELÉTRICA. Previsão de Carga para a Programa Mensal da Operação - PMO
FGV ENERGIA WORKSHOP SOBRE MODELOS DE PROJEÇÃO DE DEMANDA DE ENERGIA ELÉTRICA Previsão de Carga para a Programa Mensal da Operação - PMO DPL Diretoria de Planejamento PE Gerência Executiva de Planejamento
MAPAS AUTO-ORGANIZÁVEIS PARA MODELAGEM CHUVA-VAZÃO. Farias, C. A. S.; Carneiro, T. C. & Lourenço, A. M. G.
MAPAS AUTO-ORGANIZÁVEIS PARA MODELAGEM CHUVA-VAZÃO Farias, C. A. S.; Carneiro, T. C. & Lourenço, A. M. G. Motivação O crescimento populacional e consequente aumento das demandas; A situação se agrava em
NOVO MODELO DE PREVISÃO DE VAZÕES COM INFORMAÇÃO DE PRECIPITAÇÃO PARA A BACIA DO RIO IGUAÇU
NOVO MODELO DE PREVISÃO DE VAZÕES COM INFORMAÇÃO DE PRECIPITAÇÃO PARA A BACIA DO RIO IGUAÇU Operador Nacional do Sistema Elétrico Presidência Rua da Quitanda 196/22º andar, Centro 20091-005 Rio de Janeiro
Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Hopfield Competitive Learning Radial Basis Function Multi-Layer Perceptrons
Processing and load forecasting of a micro grid using GRNN neural network
Processing and load forecasting of a micro grid using GRNN neural network Code: 01.001 Monara P. R. Carvalho, Anna Diva Plasencia Lotufo Universidade Estadual Paulista, Ilha Solteira/SP 16/11/2017 1 Objetivos
Sumário Executivo do Programa Mensal de Operação
Sumário Executivo do Programa Mensal de Operação PMO de Março Semana Operativa de 04/03/2017 a 10/03/2017 1. APRESENTAÇÃO Na semana de, foi observado pancadas de chuva nas bacias hidrográficas do subsistema
Sumário Executivo do Programa Mensal de Operação
Sumário Executivo do Programa Mensal de Operação PMO de Dezembro Semana Operativa de 03/12/2016 a 09/12/2016 1. APRESENTAÇÃO Na semana de 26/11 a 02/12/2016 ocorreu precipitação nas bacias hidrográficas
Oferta e Demanda de Energia Elétrica: Cenários. Juliana Chade
Oferta e Demanda de Energia Elétrica: Cenários Juliana Chade Agenda Cenário atual Preços Afluências Reservatórios Consumo de energia elétrica Meteorologia/Clima Expansão da Oferta Projeções de PLD 2 Agenda
PMO de Janeiro 2019 Semana Operativa de 05/01/2019 a 11/01/2019
PMO de Janeiro 19 Semana Operativa de 05/01/19 a 11/01/19 1. APRESENTAÇÃO No início da semana de 29/12/18 a 04/01/19 houve chuva fraca nas bacias dos rios Tietê, Grande, Paranaíba, São Francisco e Tocantins.
Redes Neurais: Uma Aplicação na Previsão de Vendas
Redes Neurais: Uma Aplicação na Previsão de Vendas Angela P. Ansuj Maria Emília Camargo Deoclécio Gomes Petry Programa de Pós-Graduação em Métodos Quantitativos Departamento de Estatística - Centro de
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GPL 3 4 a 7 Outubro de 27 Rio de Janeiro - RJ GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL PREVISÃO DECENAL
SETEMBRO RV0 1º Semana
SETEMBRO 2014 RV0 1º Semana Sumário INTRODUÇÃO... 1 INFORMAÇÕES ESTRUTURAIS PARA CONSTRUÇÃO DA FUNÇÃO DE CUSTO FUTURO... 2 1 - Armazenamento inicial dos reservatórios equivalentes... 2 2 - Tendência hidrológica
PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS
PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS Munyque Mittelmann 1, Lucas Grigolon Varela 1, Daniel Gomes Soares 1 1 Instituto Federal
Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Back Propagation Formas de Aprendizado Existe dois métodos básicos de aplicação do algoritmo Back Propagation: Aprendizado
5. PRINCIPAIS RESULTADOS. PMO de SETEMBRO/ ENAs previstas 5.1. CUSTO MARGINAL DE OPERAÇÃO (CMO)
Sumário Executivo do Programa Mensal de Operação PMO de Setembro Semana Operativa de 03/09/2016 a 09/09/2016 1. APRESENTAÇÃO 2. NOTÍCIAS Na semana de ocorreu precipitação nas bacias hidrográficas do subsistema
p 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.
ESTUDO DE CASOS ANÁLISE DO ACOPLAMENTO ENTRE OS MODELOS DE MÉDIO E CURTO PRAZO
6 ESTUDO DE CASOS ANÁLISE DO ACOPLAMENTO ENTRE OS MODELOS DE MÉDIO E CURTO PRAZO Os estudos de caso a seguir representam aplicações concretas da utilização de Séries Temporais no Planejamento da Operação
Eliane da Silva Christo. Previsão de Potência Reativa. Tese de Doutorado
Eliane da Silva Christo Previsão de Potência Reativa Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de Doutor pelo Programa de Pós- Graduação em Engenharia Elétrica da
Mini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Modelo de Previsão de Vazão com Informação de Precipitação Utilizando Redes Neurais
RBRH Revista Brasileira de Recursos Hídricos Volume 12 n.3 Jul/Set 2007, 69-82 Modelo de Previsão de Vazão com Informação de Precipitação Utilizando Redes Neurais Karla Figueiredo DETEL/UERJ Universidade
SETEMBRO RV0 1ª Semana
SETEMBRO 2015 RV0 1ª Semana Sumário INTRODUÇÃO... 3 CONDIÇÕES INICIAIS... 3 1 - Nível dos reservatórios... 3 2 - Expansão da oferta hidrotérmica (MW)... 4 ANÁLISE DAS CONDIÇÕES HIDROMETEREOLÓGICAS... 5
PMO de Agosto Semana Operativa 25/08/2018 a 31/08/2018
PMO de Agosto Semana Operativa 25/08/18 a 31/08/18 1. APRESENTAÇÃO Na semana de 18/08 a 24/08/18 ocorreu chuva fraca nas bacias dos rios Jacuí, Uruguai e Iguaçu. No início da semana de 25/08 a 31/08/18
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo Luciano Carli Moreira de Andrade Mário Oleskovics Departamento de Engenharia Elétrica e de Computação
Introdução 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)
3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
PMO de Março Semana Operativa de 17/03/2018 a 23/03/2018
PMO de Março Semana Operativa de 17/03/18 a 23/03/18 1. APRESENTAÇÃO No início da semana de 10 a 16/03/18 a precipitação, em forma de pancadas, ficou restrita às bacias dos rios Grande, Paranaíba, São
DEZEMBRO RV0 1º Semana
DEZEMBRO 2014 RV0 1º Semana DEZEMBRO RV0 Sumário INTRODUÇÃO... 3 INFORMAÇÕES ESTRUTURAIS PARA CONSTRUÇÃO DA FUNÇÃO DE CUSTO FUTURO... 4 1 - Armazenamento inicial dos reservatórios equivalentes... 4 2 -
PMO de Fevereiro Semana Operativa de 09/02/2019 a 15/02/2019
PMO de Fevereiro Semana Operativa de 09/02/19 a 15/02/19 1. APRESENTAÇÃO No início da semana de 02/02 a 08/02/19 ocorreu chuva fraca nas bacias dos rios Jacuí, Uruguai, Iguaçu, Paranapanema e precipitação
PMO de Setembro Semana Operativa de 16/09/2017 a 22/09/2017
1. APRESENTAÇÃO Na semana de 09 a 15/09/2017 a atuação de duas frentes frias na região Sul, uma no início da semana e a outra no final, ocasionou apenas chuva fraca isolada nas bacias dos rios Jacuí e
Aprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Análise de Tempo de Duração de Processos Trabalhistas. Sumário
Análise de Tempo de Duração de Processos Trabalhistas Roteiro da Modelagem Sumário Descrição do Problema Definição dos Objetivos Levantamento de Dados Modelagem do Sistema Seleção e Codificação das Variáveis
Redes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
CALENDÁRIO DE AVALIAÇÃO CONTÍNUA OU PERIÓDICA - 2º SEMESTRE 2015/2016 CURSO DE LICENCIATURA ENGENHARIA CIVIL
CALENDÁRIO DE AVALIAÇÃO CONTÍNUA OU PERIÓDICA - SEMESTRE 2015/2016 8 22/fev 23/fev 24/fev 25/fev 26/fev 27/fev 9 29/fev 1/mar 2/mar 3/mar 4/mar Entrega Enunciado Trabalho Entrega Enunciado Trabalho Entrega
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
PMO de Dezembro Semana Operativa de 15/12/2018 a 21/12/2018
PMO de Dezembro Semana Operativa de 15/12/18 a 21/12/18 1. APRESENTAÇÃO No início da semana de 08/12 a 14/12/18 ocorreu precipitação nas bacias dos rios São Francisco e Tocantins. No decorrer da semana
Algoritmos de Aprendizado. Formas de Aprendizado. Aprendizado Batch x Incremental. Aprendizado Batch x Incremental
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square Multi-Layer Perceptrons (Back Propagation Radial Basis Functions (RBFs Competitive Learning Hopfield Formas de Aprendizado
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e ARIMA de Box & Jenkins
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e de Box & Jenkins Daniela J. Rossi, Anna D. P. Lotufo, Mara L. M. Lopes Depto de Engenharia Elétrica, FEIS, UNESP 13-000, Ilha Solteira,
PMO de Setembro Semana Operativa de 09/09/2017 a 15/09/2017
1. APRESENTAÇÃO Na semana de 02 a 08/09/2017 ocorreu chuva fraca na bacia do rio Jacuí. Para a semana de 09 a 15/09/2017 há previsão de chuva fraca nas bacias dos rios Jacuí, Uruguai, Iguaçu e Paranapanema.
Algoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
DIAS DA SEMANA EM INGLÊS: explicação, exemplos e áudio
DIAS DA SEMANA EM INGLÊS: explicação, exemplos e áudio (adsbygoogle = window.adsbygoogle []).push({}); Você muito provavelmente sabe alguma coisa sobre os dias da semana em Inglês. Veja nesse post sobre
LATAM Top 25 Ranker Outubro 2017
LATAM Top 25 Ranker Outubro 2017 A Triton Digital divulgou seu ranking mensal de áudio digital de Outubro 2017 da America Latina. O Latam Ranker é uma lista das rádios e rádios digitais com o melhor desempenho
PMO de Março Semana Operativa de 23/03/2019 a 29/03/2019
PMO de Março Semana Operativa de 23/03/19 a 29/03/19 1. APRESENTAÇÃO Na semana de 16/03 a 22/03/19 ocorreu chuva fraca com períodos de moderada nas bacias hidrográficas de interesse do SIN. No início da
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
PMO de Dezembro Semana Operativa de 02/12/2017 a 08/12/2017
1. APRESENTAÇÃO Na semana de 25/11 a 01/12/2017 ocorreu precipitação nas bacias dos rios Jacuí, Uruguai, Iguaçu, Paranapanema, Tietê, Grande e Paranaíba e no alto São Francisco. A bacia do rio Tocantins
1 Introdução. 1.1 Motivação
1 Introdução 1.1 Motivação O objetivo principal das concessionárias prestadoras dos serviços essenciais, tais como água e esgoto, luz e telefone, é fornecer o seu produto da forma mais eficiente, econômica
PMO de Dezembro Semana Operativa de 23/12/2017 a 29/12/2017
1. APRESENTAÇÃO Em função da implementação, a partir do PMO de Janeiro/2018, de evoluções metodológicas nos modelos de otimização utilizados na elaboração do PMO, neste Sumário Executivo, adicionalmente