UM MODELO PARA PREVISÃO DE CARGA DE CURTO-PRAZO
|
|
- João Vítor Bergler Van Der Vinne
- 6 Há anos
- Visualizações:
Transcrição
1 UM MODELO PARA PREVISÃO DE CARGA DE CURTO-PRAZO José Francsco Morera Pessanha CEPEL Thatana Conceção Justno CEPEL Resuo:Neste trabalho são descrtas as lnhas geras de ua etodologa para prevsão de carga capaz de fornecer prevsões até 48 horas à frente, co resolução teporal de 10, 15, 30 e 60 nutos. A etodologa de prevsão basea-se no uso cobnado de u odelo de lógca nebulosa para a prevsão do perfl horáro da curva de carga até 48 horas á frente, de ua rede neural polnoal para prever valores dáros da deanda ína e da deanda de ponta e da nterpolação splne para obter prevsões co dferentes resoluções de tepo. O desepenho da etodologa proposta é lustrado pelos resultados obtdos e u experento coputaconal co os regstros de carga do Sstea Interlgado Naconal (SIN). Palavras Chave: prevsão de carga - lógca fuzzy - rede neural - nterpolação -
2 1. INTRODUÇÃO Gestão e Tecnologa para a Copettvdade U sstea elétrco deve ser capaz de atender contnuaente a deanda por eletrcdade de fora econôca, confável e e confordade co os crtéros préestabelecdos de qualdade de suprento. Para que estes objetvos seja alcançados a operação do sstea deve ser planejada co antecedênca. Ua nforação fundaental e todas as etapas do planejaento da operação é a prevsão da deanda por energa elétrca (carga). No planejaento de curto prazo, são necessáras prevsões para ua hora até ua seana à frente, e bases horáras (GROSS & GALIANA, 1987). As prevsões de curto prazo nclue projeções da ponta dára, os valores da carga e certos nstantes de tepo e o consuo de energa elétrca e certos períodos horáros. Tabé faze parte deste escopo as prevsões de curtísso prazo para 10 até 30 nutos à frente. A prevsão de carga e u horzonte de curto prazo ou short-ter load forecastng (STLF) consttu ua área de ntensa pesqusa e conta co ua vasta lteratura técnca contendo ua varedade de étodos (PALIT & POPOVIC, 2005). Tal fato reflete a busca dos operadores por étodos capazes de gerar prevsões as precsas e que perta fazer u elhor uso dos recursos dsponíves, otzando a operação do sstea elétrco. Neste artgo é descrta ua etodologa de prevsão de carga que está sendo desenvolvda pelo Centro de Pesqusas de Energa Elétrca e que deverá ser ncorporada e u sstea responsável pela supervsão e controle do Sstea Interlgado Naconal. A etodologa proposta nclu u ódulo para o trataento estatístco dos regstros hstórcos da carga (PESSANHA et al, 2012), u ódulo de prevsão horára até 48 horas à frente e u ódulo para obtenção de prevsões e ntervalos de 10, 15 e 30 nutos a partr da nterpolação das prevsões horáras. O ódulo de trataento de dados te por fnaldade preparar os dados para o ajuste dos odelos de prevsão, seja preenchendo as lacunas de dados ou corrgndo as observações dscrepantes e descontnudades presentes nos regstros da carga e decorrentes de falhas no sstea de edção ou probleas no sstea elétrco. O ódulo responsável pela prevsão horára da carga conta co u odelo baseado e lógca fuzzy (PALIT & POPOVIC, 2005) capaz de gerar a prevsão do perfl da curva de carga para as próxas 48 horas e ua rede neural artfcal polnoal tpo GMDH - Group Method of Data Handlng (MADALA & IVAKHNENKO, 1994) para prever a deanda ína e a ponta dáras. O ódulo de prevsão anda conta co ua rotna de nterpolação por partes co funções splnes, cuja fnaldade consste e obter prevsões co aor resolução teporal a partr das prevsões horáras. O presente artgo te por objetvo descrever os ódulos responsáves pela prevsão de carga, be coo apresentar os preros resultados obtdos pelo odelo. O artgo está organzado e 7 seções. As lnhas geras da etodologa de prevsão são apresentadas na seção 2. A descrção das etodologas epregadas nos ódulos responsáves pela prevsão nca-se na seção 3 co a ntrodução ao odelo de Wang-Mendel responsável pela prevsão do perfl da curva de carga. Na sequênca, as redes neuras GMDH são descrtas na seção 4 e a nterpolação por partes co funções splnes encontra-se na seção 5. os resultados obtdos e u experento co a carga do SIN são apresentados na seção 6. Por f, na seção 7, são resudas as prncpas conclusões do trabalho. 2. METODOLOGIA PROPOSTA A etodologa proposta fo concebda para fornecer prevsões de carga até 48 horas à frente, co resolução teporal de 10, 15, 30 e 60 nutos. Para alcançar este resultado, três étodos dstntos são epregados: lógca fuzzy, rede neural polnoal (GMDH) e nterpolação por partes co funções splnes.
3 Gestão e Tecnologa para a Copettvdade A partr da sére teporal dos regstros de carga, resultante do processo de fltrage, são obtdas as séres de ponta e de deanda ína dáras, be coo a sére das deandas édas horáras. Seja D ax (d) a deanda áxa e MW verfcada no da d, D n (d) a deanda ína (MW) no da d e D MW (h,d), a deanda éda (MW) horára na hora h do da d. A partr destas estatístcas obté-se o valor padronzado de D MW (h,d), denotado por D P (h,d): D P h, d Dn d d D d DMW h, d (1) D A padronzação da deanda éda horára elna a coponente de tendênca da carga e a sére resultante é forada por valores confnados ao ntervalo [0,1], portanto, aproprada para ser analsada pelo étodo de Wang-Mendel, cujo resultado prncpal é ua base de regras fuzzy que perte prever o perfl padronzado da curva de carga 48 horas à frente. As séres de deanda áxa e deanda ína apresenta tendênca e por esta razão as respectvas prevsões até três das á frente D ˆ ax d e d n são obtdas por redes neuras artfcas do tpo polnoal (GMDH). Ass, a prevsão da carga, e MW, para a hora h do da d, é obtda por eo da segunte expressão: MW ax n d h, d h, d d d (2) P Consdere que o sstea encontra-se na hora h do da d e o operador do sstea elétrco deseja obter prevsões até 48 horas à frente. Para facltar o entendento consdere a Fgura 1. ax n n Fgura 1: Prevsão 48 horas à frente a partr da hora h do da d. Na stuação lustrada na Fgura 1, o operador dspõe dos valores da carga horára até a hora h do da d e das séres de deanda ína e de ponta dáras até o da d-1. A partr do hstórco de valores conhecdos ele te condções de obter prevsões da deanda ína e da ponta para os das d, d+1 e d+2, be coo a prevsão da curva de carga horára (e valores padronzados) até 48 horas à frente. Adconalente, o operador anda pode contar co prevsões da teperatura que pode ser ntroduzdas coo varáves de entrada dos odelos de prevsão. Ao longo do da d a janela de prevsão é deslocada para a dreta e as prevsões são atualzadas a cada hora, confore o algorto descrto a segur:
4 Gestão e Tecnologa para a Copettvdade Etapa 1) Instante ncal (hora h e da d): Incalente o operador dspõe das séres hstórcas da deanda horára até a hora h do da d, D MW (h,d), e das deandas dáras (ína e ponta) até o da anteror d -1. Etapa 2) Caso não tenha prevsões da deanda ína e da deanda de ponta aplque o odelo GMDH correspondente aos valores conhecdos da deanda ína e da deanda de ponta até o da d-1 para obter as prevsões D ˆ n da e da ax para os das d, d+1 e d+2. As prevsões são realzadas co realentação, ou seja, a prevsão para o da d+1 depende da prevsão realzada para o da d e a prevsão do da d+2 depende da prevsão para d+1. Etapa 3) Padronze os valores da carga (equação 1), nclusve usando as prevsões de ponta e de deanda ína quando os respectvos valores não são conhecdos. Na sequênca, por eo do étodo de Wang & Mendel, obtenha as prevsões do perfl de carga padronzado até D ˆ P h horzonte 24, da,horzonte=1,48 e da=d,d+1 e d horas à frente, Etapa 4) Obtenha a prevsão do perfl da curva de carga (e MW) até 48 horas á frente: Faça horzonte = 1 até 48 Se h + horzonte 24 (prevsões para as próxas horas dentro do da d) Se D n d D ˆn d DMW h, d Então, antenha a prevsão da deanda ína Caso contráro A prevsão de deanda ína para o da d é gual o valor observado F Se D ax d D ˆ d DMW h, d ax Então, antenha a prevsão da deanda áxa Caso contráro A prevsão da deanda áxa para o da d é gual ao valor observado F Calcule a prevsão horára e MW: MW h horzonte, d Ph horzonte, d ax d n d n d F ˆ é enor que a deanda observada na hora h do da d, ˆ é aor que a deanda observada na hora h do da d, Se 24 h + horzonte 48 (prevsões para as horas dentro do da d+1) Calcule a prevsão e MW ˆ 24, 1 ˆ 1 ˆ MW h horzonte 24, d 1 DP h horzonte d Dax d Dn d 1 F d 1 Se 48 h + horzonte 72 (prevsões para as horas dentro do da d+2) Calcule a prevsão e MW ˆ 48, 2 ˆ 2 ˆ MW h horzonte 48, d 2 DP h horzonte d Dax d Dn d 2 F n d 2 F As prevsões co resolução teporal de 10, 15 ou 30 nutos são obtdas por eo de nterpolação por partes (splnes) das prevsões horáras. 3. MODELO DE PREVISÃO DO PERFIL DA CURVA DE CARGA PADRONIZADA O odelo adotado na prevsão do perfl da curva de carga padronzada segue as lnhas geras da abordage fuzzy proposta por Wang & Mendel (1992). A opção por esta abordage deve-se a sua relatva facldade de pleentação coputaconal, be coo a sua n
5 Gestão e Tecnologa para a Copettvdade flexbldade na odelage da sére de carga caracterzada por últplos cclos sazonas e ntervenções coo ferados, das especas e horáros de verão. Exeplos recentes da aplcação da lógca fuzzy na prevsão de carga pode ser encontrados e Manlook et al (2009) e Yang et al (2010). Wang & Mendel (1992) propusera u algorto para extração autoátca de regras fuzzy a partr de u conjunto de dados nuércos. A aplcação do étodo, útl na prevsão de séres teporas, é realzada confore os passos descrtos a segur: 1) Dvda o doíno de cada varável de entrada e de saída e conjuntos fuzzy (fuzzyfcação): Por exeplo, consdere a repartção da faxa dos valores observados de ua sére teporal e sete conjuntos dfusos, confore lustrado na Fgura 2. Os conjuntos deve ser sobrepostos. Cada conjunto é assocado a ua função de pertnênca, nesse caso trangular, que te a fnaldade de apear o vetor de entrada. Desse apeaento serão defndos, posterorente, os pares de dados que representarão a entrada e a saída de u sstea de nferênca fuzzy. Fgura 2: Dvsão dos Intervalos de doíno e conjuntos fuzzy (RIBEIRO, 2009). 2) Construa pares entrada/saída e gere as regras fuzzy: Para geração de pares entrada/saída consdere ua janela de entrada forada por valores passados e ua janela de saída co os valores futuros, por exeplo, consdere ua janela de entrada de taanho 3 (x t-2, x t-1, x t ) e ua janela de saída de taanho 1 (prevsão u passo à frente, x t+1 ), confore lustrado na Fgura 3. No caso de função de pertnênca trangular, cada varável da janela de entrada ou de saída pode atvar até dos conjuntos fuzzy (Fgura 4). Seja x t-2, x t-1, x t e x t+1 os valores da sére teporal nos nstantes t-2, t-1, t e t+1 respectvaente. Neste caso, a varável assocada ao nstante t-2 atva os conjuntos L2 e L3, a varável e t-1 atva os conjuntos L1 e L2 e a varável e t atva os conjuntos CE e P1, enquanto a varáve de saída e t+1 atva os conjuntos P1 e P2. Cada valor te u deternado grau de pertnênca nos conjuntos fuzzy atvados, por exeplo, x t-2 te pertnênca 0,65 no conjunto L2 e pertnênca 0,35 no conjunto
6 Gestão e Tecnologa para a Copettvdade L3. Já x t+1 te pertnênca 0,45 e P2 e 0,55 e P1. U resuo das pertnêncas é apresentado na Tabela1. Fgura 3: Mapeaento das varáves de entrada e saída. Fgura 4: Atvação dos conjuntos fuzzy. Tabela 1: Pertnêncas das varáves de entrada e saída aos conjuntos fuzzy atvados. Antecedentes x t-2 : L3 = 0,35, L2 = 0,65 x t-1 : L2 = 0,44, L1 = 0,55 x t : CE = 0,83, P1 = 0,18 Consequente x t+1 : P1 = 0,55, P2 = 0,45 Para cada varável de entrada e saída, o étodo calcula o grau de atvação da função de pertnênca correspondente e selecona a aor delas. Portanto, neste caso, o antecedente é
7 Gestão e Tecnologa para a Copettvdade forado pela seqüênca L2, L1, CE enquanto o conseqüente é defndo pelo conjunto P1. A geração de regras nebulosas é realzada por eo de sentenças do tpo: Se <antecedentes> Então <conseqüente> onde as varáves de entrada são desgnadas coo antecedentes e a varável de saída coo conseqüente, então, para o exeplo proposto a regra gerada é: Se x t-2 = L2 e x t-1 = L1 e x t = CE Então x t+1 = P1 3) Atrbua u grau à cada regra gerada: O grau de pertnênca de ua regra é defndo pelo produto das pertnêncas de todos os antecedentes e dos respectvos conseqüentes, neste caso: 0,65 x 0,55 x 0,83 x 0,55 = 0, ) Construa ua base de regras: Todas as regras geradas são arazenadas e ua base de conhecento de onde as regras confltantes (esos antecedentes) são excluídas, sendo preservadas aquelas que possue aor grau de pertnênca. 5) Prevsão de valores futuros (deffuzyfcação): Para a prevsão de valores futuros, os dados de entrada são recebdos e a base de conhecento prevaente construída é aplcada, onde u processo de defuzzfcação cobna as saídas das regras atvadas e calcula o valor prevsto pelo étodo do centro de gravdade e (3): z t 1 k 1 k 1 antecedent es antecedent es y (3) onde (antecedentes) é o produto das pertnêncas de todas as varáves que fora o antecedente da -ésa regra, k é o núero de regras atvadas pelo padrão de entrada e y é o centro de gravdade do conjunto fuzzy do conseqüente atvado pela -ésa regra. E resuo, os quatro preros passos são responsáves pela geração da base de regras e copõe a chaada etapa de trenaento. A prevsão é realzada no qunto passo, a partr da base de regras construída nas etapas anterores. A prevsão do perfl de carga padronzado é obtda por eo do étodo de Wang & Mendel, sendo que os conjuntos fuzzy são defndos por funções gaussanas. As édas das k funções gaussanas são dstrbuídas unforeente no ntervalo [0,1], enquanto as varâncas são guas a ua constante defnda a pror pelo usuáro. As varáves de entrada são os p valores passados da carga horára padronzada, os valores passados (horáros) da teperatura e os n valores prevstos (horáros) para a teperatura. Os valores da teperatura tabé são padronzados. Adconalente, cada varável de entrada está assocada co k conjuntos fuzzy, todos gaussanos. Os parâetros k,, n e p são defndos a pror pelo usuáro.
8 Gestão e Tecnologa para a Copettvdade Tabé há varáves de entrada que não são fuzzy (crsp): da da seana (1=dongo, 2 = segunda-fera, 3 =terça-fera,..., 7= sábado), hora do da (1, 2, 3,..., 24), varáves ndcadoras de ferados no da corrente e no da da prevsão (0 = da noral, 1 = ferado), varáves ndcadoras de horáro de verão no da corrente e no da segunte (0 = da noral, 1 = horáro de verão). As varáves de saída são as 48 prevsões horáras da carga padronzada, u vetor de 48 posções. Cada varável está assocada co k conjuntos fuzzy defndos por funções gaussanas. Ass, u eso antecedente de ua regra fuzzy está assocado co 48 consequentes. 4. MODELO DE PREVISÃO DAS DEMANDAS MÍNIMA E MÁXIMA DIÁRIAS As prevsões de deanda ína e de ponta dáras são obtdas por eo de redes neuras polnoas denonadas Group Method of Data Handlng (GMDH), ntroduzdas por Ivakhnenko e 1966 (FARLOW, 1981, MADALA & IVAKHNENKO, 1994). O GMDH é ua rede neural capaz de relaconar varáves ndependentes x 1,...,x co ua únca varável dependente y por eo de u polnôo de alta orde: y a 1 b x j 1 j1 c x x j 1 j1 k 1 d jk x x j x k 1 j1 k 1 l1 e jkl x x j x k x l (4) Na GMDH cada neurôno te duas varáves de entrada x e x j e ua varável de saída y relaconadas por eo de u polnôo co a segunte especfcação: y A Bx Cx j Dx 2 Ex 2 j Fx x j (5) onde A,B,C,D,E e F são coefcentes (pesos) a sere deternados no trenaento. Dada ua aostra co n observações de ua varável dependente y e varáves ndependentes x 1,...,x, o algorto de aprendzage da GMDH constró a estrutura da rede gradatvaente até que a confguração óta seja alcançada (HUANG & SHIH, 2002). Incalente, dvda a aostra e dos conjuntos: u para o trenaento co n t observações e o outro para teste co n-n t observações. Na prera caada da rede GMDH a regressão polnoal (5) é aplcada dretaente aos dados do conjunto de trenaento e para cada par de varáves ndependentes x e x j devese dentfcar a regressão polnoal e (5) que elhor se ajusta à varável de saída y. Dado que há varáves ndependentes, u total de (-1)/2 regressões polnoas deve ser ajustadas por ínos quadrados. Por exeplo, e u caso co 5 varáves ndependentes deverão ser estadas 10 regressões polnoas, sendo cada ua u neurôno, confore lustrado na Fgura 5a. Na seqüênca, o erro e cada regressão j j=1,(-1)/2) é avalado: r 2 j TESTE n 1 y z onde y denota a saída desejada e z(1) é a respectva estatva fornecda pela j-ésa regressão polnoal aplcada às observações do conjunto de teste. As regressões polnoas e que r 2 k seja aor que ua tolerânca R pré-defnda (pores ajustes) são descartadas. Cada regressão antda fora u neurôno da caada de entrada e o enor valor para o erro r 2 k é guardado e R n,1. Por exeplo, consderando que a rede GMDH lustrada na Fgura 5a tenha apenas 5 regressões co r 2 k enores que a tolerânca nteste 1 y 1 2 j 2 (6)
9 Gestão e Tecnologa para a Copettvdade R conclu-se que a prera caada deve ser forada apenas por 5 neurônos, confore ndcado na Fgura 5b, onde o síbolo denota as regressões polnoas descartadas (neurônos ortos) e denota as regressões polnoas seleconadas (neurônos sobrevventes). (a) adção da prera caada (b) elhores regressões polnoas (c) adção da segunda caada (d) elhores regressões polnoas Fgura 5: Etapas da construção da Rede GMDH (NOVÁK, 2006). As saídas z(1) geradas pelas regressões polnoas reanescentes na prera caada são as varáves de entrada da segunda caada da GMDH. Para cada par de varáves z(1) e z(1) j esta-se ua regressão polnoal, confore a equação 5, que elhor se ajusta à varável de saída y. A nclusão da segunda caada é lustrada na Fgura 5c. As regressões polnoas deve ser estadas a partr das observações que fora o conjunto de trenaento. Na seqüênca, o erro de cada regressão polnoal é avalado confore a equação (6). Da esa fora que efetuado na prera caada, as regressões polnoas e que r 2 k seja aor que ua tolerânca R pré-defnda (pores ajustes) são descartadas, enquanto as elhores são antdas. Cada regressão antda fora u neurôno da segunda caada, confore lustrado na Fgura 5d. O enor valor de r 2 k na segunda caada é arazenado e R n,2. Todos os raos que chega aos neurônos descartados na segunda caada deve ser retrados da rede GMDH (Fgura 6a).
10 Gestão e Tecnologa para a Copettvdade (a) raos seleconados (b) confguração fnal Fgura 6: Rede GMDH (NOVÁK, 2006). Da esa fora coo fo realzado para a prera caada e a segunda caada, o algorto de trenaento prossegue co a adção de outras caadas de neurônos à estrutura da rede até que exsta apenas u neurôno na últa caada (Fgura 6b) ou que o R n de ua nova caada seja superor ao R n da caada edataente anteror. Neste últo caso, a regressão co o enor erro da caada anteror é escolhda coo sendo o neurôno de saída da rede. Portanto, a rede GMDH é auto-organzável e, confore observa Slva et al (2003), a rede GMDH selecona as varáves de entrada relevantes. A prevsão de valores futuros de ua sére teporal, por eo de ua rede GMDH, nca-se co a ontage do conjunto de trenaento, que depende da defnção do taanho da janela de tepo para os valores passados das varáves explcatvas e do horzonte de prevsão. O padrão de entrada é forado pelos valores passados das varáves explcatvas e a saída desejada é o valor da observação da sére teporal no horzonte de prevsão. O trenaento da rede consste e over as janelas de entrada e saída ao longo de toda sére teporal. Cada par de janelas entrada/saída funcona coo u padrão de trenaento e deve ser apresentado repetdas vezes até que o algorto de aprendzado alcance a convergênca. As prevsões dos valores dáros da deanda ína e da deanda de ponta são obtdas por eo de odelos GMDH, sendo u odelo ajustado à sére hstórca dos valores dáros da deanda ína e outro ajustado aos valores dáros da deanda de ponta. As varáves de entrada são os p valores passados da deanda ína e da ponta dára, os valores passados das teperaturas dáras ína, éda, áxa e apltude térca e os valores prevstos para a teperatura dára ína, éda, áxa e apltude térca do da da prevsão, onde p e são defndos pelo usuáro. Adconalente, deve ser nforadas as seguntes varáves categórcas: da da seana (1=dongo, 2 = segunda-fera, 3 =terça-fera,..., 7= sábado), ferado (0 = da noral, 1 = ferado), horáro de verão (0 = da noral, 1 = horáro de verão). Para cada cobnação de da da seana, da noral (não ferado) e tpo do horáro (noral ou horáro de verão) são ajustadas redes GMDH para prevsão da deanda de ponta e deanda ína. Adconalente, são ajustadas redes GMDH para prevsão de deanda ína e de ponta e cada tpo de ferado, ndependenteente do da da seana ou tpo de horáro (noral ou verão). Cada par de odelos ajustados produz coo saída ua prevsão de deanda ína e outra da ponta, abas para o da segunte.
11 Gestão e Tecnologa para a Copettvdade 5. INTERPOLAÇÃO SPLINE A prevsão de carga obtda te resolução teporal horára, contudo para as decsões a sere toadas pelo operador do sstea elétrco é fundaental que tabé seja dsponblzadas prevsões e ntervalos de tepo enores coo 10, 15 ou 30 nutos. A opção pela prevsão horára deve-se ao fato de que fazer prevsões orgnalente co ntervalos de 10 nutos e u horzonte de 48 horas à frente deandara u grande esforço coputaconal. Ua alternatva enos custosa consste e obter a prevsão horára e e seguda auentar a sua resolução teporal por eo da nterpolação polnoal das prevsões horáras. E função da grande quantdade de pontos a sere nterpolados optou-se pela nterpolação por partes co funções splnes (DUBINSKY & ELPERIN, 1997). Seja o conjunto y 1, y 2,..., y 48 as deandas horáras prevstas para o horzonte de prevsão de 48 horas á frente nos nstantes t 1, t 2,...,t 48 respectvaente. Dado que o núero de pontos a sere nterpolados é elevado, a nterpolação por eo de apenas u únco polnôo de orde elevada podera produzr erros sgnfcatvos e ncopatíves co o perfl típco de ua curva de carga. Nestas stuações recoenda-se que a nterpolação seja realzada por eo de utos polnôos de baxa orde, cada u váldo no ntervalo entre dos pontos, ao nvés de u únco polnôo de orde elevada ajustado ao conjunto de todos os pontos (GILAT & SUBRAMANIAM, 2008). No caso da nterpolação por partes co splnes cúbcas são utlzados polnôos de tercero grau e cada ntervalo entre duas prevsões horáras. Para u conjunto de dados co n pontos (neste caso são dados 49 pontos: a últa deanda horára observada e as 48 prevsões horáras seguntes) há n-1 ntervalos. A nterpolação por partes co splnes cúbcas plca no ajuste de u polnôo de tercero grau na fora de Lagrange e cada ntervalo entre as horas t e t +1. Assundo a contnudade na curvatura da função ajustada, os coefcentes dos polnôos são deternados por u sstea de equações lneares co apenas n-2 equações (GILAT & SUBRAMANIAM, 2008), cuja solução é obtda de fora efcente pelo algorto trdagonal (PRESS et al, 1992). 6. EXPERIMENTO COMPUTACIONAL A segur são apresentados os resultados orundos de u experento co a sére de carga do Sstea Interlgado Naconal (SIN) no período de 1 de agosto de 2005 até 28 de feverero de O conjunto de trenaento (n saple) abrange o período até 9 de janero de 2010, enquanto o período de valdação (out saple) nca-se e 10 de janero de 2010 e encerra-se e 28 de feverero de Na Fgura 7 é lustrada a sére teporal da carga do SIN ao longo o período consderado no experento coputaconal. A sére lustrada corresponde à sére resultante do processo de fltrage de dados. Seja h a prera hora do período de 48 horas do horzonte de prevsão, ncado no da d. O odelo fuzzy consderado na prevsão do perfl de carga padronzado te coo varáves explcatvas os valores passados do própro perfl padronzado nas horas h-1, h-24, h-48, h-72, h-96 e h-168. Adconalente fora consderadas as seguntes varáves explcatvas dscretas (não fuzzy): o da da seana (1 para Dongo, 2 para Segunda fera,..., 7 para Sábado), o tpo do da (0 para da noral ou 1 para ferado) e o tpo do horáro (0 para horáro noral ou 1 para horáro de verão). Na especfcação do odelo anda fora consderados 40 conjuntos fuzzy para os valores passados do perfl padronzado e para cada ua das 48 varáves de saída. As édas das funções gaussanas são dstrbuídas unforeente no ntervalo [0,1] e as respectvas varâncas são guas a 0,1. Por sua vez, os odelos GMDH consderados na prevsão da deanda de ponta (e da deanda ína) tê coo varáves explcatvas as deandas de ponta (deandas ínas) nos das d-1, d-7, d-14, d-21 e d-28.
12 Gestão e Tecnologa para a Copettvdade A segur, na Tabela 2 são apresentadas estatístcas acerca do desepenho do odelo ajustado para a carga do SIN. As prevsões e ntervalos de 10 nutos e os respectvos valores observados da deanda nstantânea são lustradas na Fgura 8. Fgura 7: Carga do SIN no período analsado no experento coputaconal. Tabela 2: Estatístcas de desepenho do odelo ajustado para prevsão da carga do SIN. Período Erro édo absoluto (MW) Erro édo relatvo percentual (%) Desvo padrão do erro (%) Trenaento 980,10 2,01 1,77 Valdação 2863,32 5,04 4,27
13 MW MW MW Gestão e Tecnologa para a Copettvdade % 9% 8% 7% 6% 5% 4% 3% 2% Valores observados 1% Valores prevstos 0% Intervalos de 10 nutos Intervalos de 10 nutos % Valores observados Valores prevstos 0% Intervalos de 10 nutos 14% 12% 10% 8% 6% 4% Intervalos de 10 nutos % Valores observados Valores prevstos 0% Intervalos de 10 nutos 12% 10% 8% 6% 4% Intervalos de 10 nutos Fgura 8: Valores prevstos e deandas nstantâneas e ntervalos de 10 nutos. 7. CONCLUSÕES A etodologa de prevsão descrta no artgo eprega dferentes étodos de prevsão co a fnaldade de obter prevsões de carga até 48 horas à frente co resolução teporal de 10, 15, 30 e 60 nutos. A utlzação do odelo fuzzy de Wang & Mendel na prevsão do perfl horáro da carga padronzada até 48 horas à frente se ostrou prátca e de fácl pleentação coputaconal. A transforação da prevsão do perfl padronzada e MW é realzada por eo das prevsões para a deanda ína e a deanda de ponta dáras, abas obtdas por redes neuras polnoas (GMDH). O uso da GMDH se ostrou nteressante pelo fato de ser ua rede auto-organzável. As duas prevsões são cobnadas para forar a prevsão da curva de carga horára e MW. As prevsões horáras são nterpoladas por splnes cúbcas e obtdas prevsões co resolução teporal de 10, 15 ou 30 nutos. Os resultados apresentados para o caso do Sstea Elétrco Braslero são satsfatóros e lustra o potencal da etodologa proposta, contudo as nvestgações deve ser efetuadas vsando o seu aproraento. 8. REFERÊNCIAS DUBINSKY A.; ELPERIN, T., A ethod for calculatng a load curve usng average values of load over te ntervals, Electrcal Power & Energy Systes, Vol. 19, No. 6, pp , FARLOW, S.J. The GMDH Algorth of Ivakhnenko, The Aercan Statstcan, v. 35, n. 4, pp , Noveber, GILAT, A.; SUBRAMANIAM, V. Métodos nuércos para engenheros e centstas: ua ntrodução co aplcações usando Matlab, Bookan, 2008.
14 Powered by TCPDF ( Gestão e Tecnologa para a Copettvdade HUANG, S.J.; SHIH, K.R. Applcaton of a fuzzy odel for short-ter load forecastng wth group ethod of data handlng enhanceent, Electrcal Power and Energy Systes, 24, pp , JANG, J.-S. R.; SUN, C.T.; MIZUTANI, E. Neuro-Fuzzy and Soft Coputng : A Coputatonal Approach to Learng and Machne Intellgence, Prentce Hall Inc, MADALA, H.R.; IVAKHNENKO, A.G. Inductve Learnng Algorths for Coplex Systes Modelng, CRC Press, MANLOOK, R.; BADRAN, O.; ABDULHADI, E. A fuzzy nference odel for short-ter load forecastng, Energy Polcy, 37, , NOVÁK, J. GMDH networks the Knowledge Mner software, Czech Techncal Unversty n Prague, Bachelor Thess, Dsponível e PACHECO, M.A.C.; VELLASCO, M.M.B.R. Ssteas ntelgentes de apoo à decsão: análse econôca de projetos de desenvolvento de capos de petróleo sob ncerteza, Edtora Intercênca, Edtora PUC-Ro, Ro de Janero, PALIT, A.K.; POPOVIC, D. Coputatonal Intellgence n te seres forcastng : theory and engneerng applcatons. 1. ed. London, Sprnger, PESSANHA, J. F. M.; JUSTINO, T.C.; MACEIRA, M.E.P. Metodologa para fltrage de regstros de carga. In: XII Spóso de Especalstas e Planejaento da Operação e Expansão Elétrca, 2012, Ro de Janero. XII Spóso de Especalstas e Planejaento da Operação e Expansão Elétrca, PRESS, W.H.; TEUKOLSKY, S.A.; VETTERLING, W.T.; FLANNERY, B. P. Nuercal Recpes n C: The Art of Scentfc Coputng, Second Edton, Cabrdge Unversty Press, RIBEIRO, C.V. U abente para prevsão de séres teporas utlzando cotês de aprendzado, Dssertação de estrado, Insttuto Mltar de Engenhara, Ro de Janero, SILVA, A.P.A.; RODRIGUES, U.P.; REIS, A.J.R.; MOULIN, L.S.; NASCIMENTO, P.C. Artfcal neural network-based short-ter deand forecaster, 5th latn-aercan Congress: Electrcty Generaton and Transsson, Noveber, São Pedro - SP, WANG, L.X.; MENDEL, M. Generatng fuzzy rules by learnng fro exaples, IEEE Transactons on systes, an, and cybernetcs, v. 22, n. 6, Noveber/Deceber, YANG, X.; YUAN, J.; YUAN, J.; MAO, H. An proved WM ethod based on PSO for electrc load forecastng, Expert Systes wth Applcatons, v. 37, pp , 2010.
CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 7 e 8 06/204 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Nuérco 3/64 INTRODUÇÃO E geral, experentos gera ua gaa de dados que
Leia mais5.1 Método de Ponderação da Linha de Rotação
5 etodologa O copressor é o coponente de aor nfluênca no desepenho da turbna a gás ass a precsão de sua odelage te pacto sgnfcatvo na efcáca do odelo nuérco coputaconal desta ara a odelage do copressor
Leia mais6 Modelo Proposto Introdução
6 Modelo Proposto 6.1. Introdução Neste capítulo serão apresentados detalhes do modelo proposto nesta dssertação de mestrado, onde será utlzado um modelo híbrdo para se obter prevsão de carga curto prazo
Leia maisAula de Hoje. Introdução a Sistemas Inteligentes. Motivação (PCA) Redes Neurais para PCA. Motivação para PCA Redes Neurais para PCA
Introdução a Ssteas Intelgentes Tópcos e Redes Neuras I: Aprendzado Hebbano de Rede Auto-Organzada para Análse de Coponentes Prncpas (PCA) Aula de Hoje otvação para PCA Algorto Hebbano Eeplos Eeplo pedagógco
Leia mais4.5 Métodos de defuzificação. Métodos de defuzificação. Métodos. Centro de área (centro de gravidade, centróide)
4.5 Métodos de defuzfcação A nterpretação e utlzação dos conjuntos fuzz resultantes dos processos de nferênca pode ser fetas de fora dstntas, dependendo do tpo de sstea e da aplcação: Traduzr para u valor
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisANÁLISE DE ERROS. Todas as medidas das grandezas físicas deverão estar sempre acompanhadas da sua dimensão (unidades)! ERROS
Físca Arqutectura Pasagístca Análse de erros ANÁLISE DE ERROS A ervação de u fenóeno físco não é copleta se não puderos quantfcá-lo Para é sso é necessáro edr ua propredade físca O processo de edda consste
Leia maisSeja o problema primal o qual será solucionado utilizando o método simplex Dual: (P)
PROGRAMA DE MESTRADO PROGRAMAÇÃO LIEAR PROFESSOR BALEEIRO Método Splex Dual no Tableau Garfnkel-ehauser E-al: abaleero@gal.co Ste: www.eeec.ufg.br/~baleero Sea o problea pral o qual será soluconado utlzando
Leia maisFONTES DISCRETAS DE INFORMAÇÃO
FONTES DISCRETAS DE INFORMAÇÃO Podeos caracterzar fontes dscretas de nforação por u conjunto fnto x x, K, denonados de alfabeto da fonte. A probabldade de M síbolos, {,, x M } da fonte etr cada síbolo
Leia maisResolução. Capítulo 32. Força Magnética. 6. C Para que não haja desvio devemos garantir que as forças magnética ( F M. ) e elétrica ( F E
esolução orça Magnétca E D 3 C 4 D 5 Capítulo 3 Dos vetores são antparalelos quando suas dreções são concdentes (paralelos) e seus sentdos são opostos, sto é, θ 8º, coo ostra a fgura adante: E Deste odo,
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisDinâmica Estocástica. Instituto de Física, novembro de Tânia -Din Estoc
Dnâca Estocástca Insttuto de Físca, novebro de 06 Modelo de Glauber-Isng Equação de evolução para agnetzação Abordage de capo édo & transção de fase no odelo e expoentes crítcos Equação Mestra para dnâcas
Leia maisANEXOS REGULAMENTO DELEGADO DA COMISSÃO
COMISSÃO EUROPEIA Bruxelas, 27.4.2018 C(2018) 2460 fnal ANNEXES 1 to 2 ANEXOS do REGULAMENTO DELEGADO DA COMISSÃO que altera e retfca o Regulaento Delegado (UE) 2017/655 que copleta o Regulaento (UE) 2016/1628
Leia maisFigura 7.1: O problema do ajuste de funções a um conjunto de dados
Fgura 7: O problea do ajuste de funções a u conjunto de dados Capítulo 7 Aproxação de Funções por Mínos Quadrados 7 Introdução Dado u conjunto de observações (dados), frequenteente deseja-se condensar
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisALGORITMO GENÉTICO MULTIOBJETIVO APLICADO AO PROBLEMA DE RECONFIGURAÇÃO DE REDES DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
ALGORITMO GEÉTICO MULTIOBJETIVO APLICADO AO PROBLEMA DE RECOFIGURAÇÃO DE REDES DE DISTRIBUIÇÃO DE EERGIA ELÉTRICA Marco. A. S. Jard 1, Orane. M. eto 1, Karla. V 2 1. Departaento de Engenhara Elétrca, Unversdade
Leia maisTaguchi on line para atributos com refugo e produção de itens conformes finito
aguch on lne para atrbutos co refugo e produção de tens confores fnto arlos aeo Aane (FAE-SP / FAAP) arlos.aane@uol.co agner de Souza Borges (IME-USP) wborges@e.usp.br Resuo: O prente trabalho analsou
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisTecnologia de Grupo. 1. Justificativa e Importância da Tecnologia de Grupo. 2. Algoritmo de Ordenação Binária. = 1 se a máquina i
Tecnologa de Grpo 1. Jstfcatva e Iportânca da Tecnologa de Grpo Tecnologa de grpos é conceto portante aplcado na foração de céllas de anfatra. A organzação do sstea de prodção e céllas de anfatra poss
Leia maisde Engenharia de São Carlos - USP Av. Trabalhador São-carlense, 400 - Centro - CEP 13566-590, São Carlos SP # UTFPR, Cornélio Procópio PR
APLICAÇÃO DE SISTEMAS FUZZY EM MOTORES DE INDUÇÃO PARA IDENTIFICAÇÃO DE TORQUE DE CARGA SÉRGIO F. DA SILVA *, IVAN N. SILVA *, ALESSANDRO GOEDTEL #, CRISTIANO MINOTTI * * Laboratóro de Automação Intelgente
Leia maisTratamento de Dados 2º Semestre 2005/2006 Tópicos de Resolução do Trabalho 1
Trataento de Dados º Seestre 5/6 Tópcos de Resolução do Trabalho. a) A éda, para dados não classfcados, é calculada a partr da segunte expressão: x x 57,75,555 Dado que a densão da aostra é par,, a edana
Leia maisAplicando Margem de Jitter no Projeto de Sistemas de Controle via Rede
Aplcando Marge de Jtter no Projeto de Ssteas de Controle va Rede Max Mauro Das Santos Laboratóro de Ssteas de Tepo Real Centro Unverstáro do Leste de Mnas Geras Av. Pres. Tancredo Neves, 3500, Mnas Geras,
Leia maisMétodos Numéricos no Traçado de Campos
Métodos Nuércos no Traçado de Capos ELECTROTECNIA TEÓRICA LEEC Aníbal Castlho Cobra de Matos Mara Inês Barbosa de Carvalho Dezebro de 5 Nota ntrodutóra Estes apontaentos destna-se apoar as aulas da dscplna
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisEstudo e Previsão da Demanda de Energia Elétrica. Parte II
Unversdade Federal de Paraná Setor de Tecnologa Departamento de Engenhara Elétrca Estudo e Prevsão da Demanda de Energa Elétrca Parte II Prof: Clodomro Unshuay-Vla Etapas de um Modelo de Prevsão Objetvo
Leia maisMecânica e Ondas 1º Ano -2º Semestre 1º Teste 04/05/ :00h
Lcencatura e Engenhara Geológca e de Mnas Lcencatura e Mateátca Aplcada e Coputação Mestrado Integrado e Engenhara Boédca Mecânca e Ondas 1º Ano -º Seestre 1º Teste 04/05/017 19:00h Duração do teste: 1:30h
Leia maisPARTE II EQUILÍBRIO DA PARTÍCULA E DO CORPO RÍGIDO
1 PARTE II EQUILÍBRIO DA PARTÍULA E DO ORPO RÍGIDO Neste capítulo ncalente trataos do equlíbro de partículas. E seguda são apresentadas as defnções dos centros de gravdade, centros de assa e centródes
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisPÊNDULO ELÁSTICO. Fig. 1. Considere o sistema da figura 1. Quando se suspende uma massa, m, na mola, o seu comprimento aumenta de l 0
PÊNDULO ELÁSTICO. Resuo U corpo lgado a ua ola é posto e ovento osclatóro. Deterna-se as característcas do ovento e estuda-se a conservação da energa ecânca.. Tópcos teórcos Y l 0 l Fg. F r el P r X Consdere
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisSISTEMAS FUZZY PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO
SISTEMS FUZZY PR PREVISÃO DE DEMND DE ENERGI ELÉTRIC NO CURTÍSSIMO PRZO Lucano Carl Morera de ndrade 1, Rogéro ndrade Flauzno 2, Ivan Nunes da Slva 3 1 Escola de Engenhara de São Carlos - USP, São Carlos,
Leia mais2 Lógica Fuzzy Introdução
2 Lógca Fuzzy 2.. Introdução A lógca fuzzy é uma extensão da lógca booleana, ntroduzda pelo Dr. Loft Zadeh da Unversdade da Calfórna / Berkeley no ano 965. Fo desenvolvda para expressar o conceto de verdade
Leia mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
Leia maisEstratégia Ótima para Substituição de Chaves de Manobras Manuais por Remotas em Redes de Distribuição
Estratéga Óta para Substtução de Chaves de Manobras Manuas por Reotas e Redes de Dstrbução Helton do Nascento Alves Departaento de Eletroeletrônca, Insttuto Federal de Educação, Cênca e Tecnologa do Maranhão
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisCONDUTORES EM EQUILÍBRIO ELETROSTÁTICO (UFTM) Considere uma esfera oca metálica eletrizada. Na condição de equilíbrio eletrostático,
IENIAS DA NATUREZA LISTA: FÍSIA 13 3ª sére Ensno Médo Professor: SANDRO SANTANA Tura: A ( ) / B ( ) Aluno(a): Segento teátco : ONDUTORES EM EQUILÍBRIO ELETROSTÁTIO DIA: MÊS: 08 017 Deus é aor e o aor é
Leia maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisANÁLISE DO EFEITO DE VARIÁVEIS CLIMÁTICAS SOBRE A EVOLUÇÃO DA DEMANDA DE ENERGIA ELÉTRICA
ANÁLISE DO EFEITO DE VARIÁVEIS CLIMÁTICAS SOBRE A EVOLUÇÃO DA DEMANDA DE ENERGIA ELÉTRICA MARIO O. OLIVEIRA, DENISE P. MARZEC, GLADIS BORDIN, ARTURO S. BRETAS Unversdade Federal do Ro Grande do Sul UFRGS.
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisO AJUSTAMENTO DE GRANDEZAS HETEROGÉNEAS PELO MÉTODO DAS COMPONENTES DE VARIÂNCIA
O JUSMENO DE GRNDEZS HEEROGÉNES PELO MÉODO DS COMPONENES DE VRIÂNCI João CSC, Mara João HENRIQUES e Pedro MEUS 2 Núcleo de Geodesa plcada do Laboratóro Naconal de Engenhara Cvl 2 Faculdade de Cêncas da
Leia maisANÁLISE TRANSIENTE E ESTIMATIVA DE VARIÁVEIS CRÍTICAS EM UMA COLUNA INDUSTRIAL DE ALTA PUREZA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ANÁLISE TRANSIENTE E ESTIMATIVA DE VARIÁVEIS CRÍTICAS EM UMA COLUNA INDUSTRIAL DE ALTA PUREZA UTILIZANDO REDES NEURAIS ARTIFICIAIS Aroston Araújo de Moras Júnor Jéssca Olvera de Brto Lra aaj@ct.ufpb.br
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisIdentificação de curvas de carga diária típicas com uso de Mapa de Kohonen e Fuzzy C-Means
Identfcação de curvas de carga dára típcas com uso de Mapa de Kohonen e Fuzzy C-Means Nelson R. de Albuquerque, Douglas A. A. de Faras Pontfíca Unversdade Católca do Ro de Janero Departamento de Engenhara
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisDESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA
DESENVOLVIMENTO DE UM PRÉ-PROCESSADOR PARA ANÁLISE ISOGEOMÉTRICA Pedro Luz Rocha Evandro Parente Junor pedroluzrr04@gmal.com evandroparentejr@gmal.com Laboratóro de Mecânca Computaconal e Vsualzação, Unversdade
Leia maisESPECTROSCOPIA ROTACIONAL
05/03/08 ESPECTOSCOPIA OTACIONAL Prof. Harley P. Martns Flho O odelo do rotor rígdo Partícula de assa grando no espaço a ua dstânca constante de u ponto fxo no espaço: Moento angular da partícula: = rp
Leia maisA Hybrid Algorithm for Optimal Placement of Switches Devices in Electric Distribution Systems
2218 IEEE LATIN AMERICA TRANSACTIONS, VOL. 10, NO. 6, DECEMBER 2012 A Hybrd Algorth for Optal Placeent of Swtches Devces n Electrc Dstrbuton Systes H. N. Alves Abstract Ths paper presents a new forulaton
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisRECONFIGURAÇÃO DE SISTEMAS DE DISTRIBUIÇÃO VIA TÉCNICA DE DECOMPOSIÇÃO
XLIX Spóso Braslero de Pesqusa Operaconal RECONFIGURAÇÃO DE SISTEMAS DE DISTRIBUIÇÃO VIA TÉCNICA DE DECOMPOSIÇÃO Saulo Custodo de Aquno Ferrera Unversdade Federal de Juz de Fora Rua José Lourenço Keler,
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisMEDIÇÃO DA ACELERAÇÃO DA GRAVIDADE COM UM PÊNDULO SIMPLES
Medção da Aceleração da Gravdade co u Pêndulo Sples MEDIÇÃO DA ACEERAÇÃO DA GRAVIDADE COM UM PÊNDUO SIMPES O Relatóro deste trabalho consste no preenchento dos espaços neste texto Fundaento Teórco O pêndulo
Leia maisDESENVOLVIMENTO DE SOFTWARE COM INTERFACE GRÁFICA PARA CÁLCULO DE FLUXO DE POTÊNCIA
Unversdade Tecnológca Federal do Paraná Departaento Acadêco de Eletrotécnca Curso de Engenhara Industral Elétrca Ênfases e Eletrotécnca DESENVOLVIMENTO DE SOFTWARE COM INTERFACE GRÁFICA PARA CÁLCULO DE
Leia maisTÉCNICAS DE CODIFICAÇÃO DE SINAIS
TÉCNICAS DE CDIFICAÇÃ DE SINAIS CÓDIS CNVUCINAIS Evelo M.. Fernández - 8 Códos de Bloco: (n, k) n dítos codfcados = função dos k dítos (nforação) da entrada no nstante atual. Códo Convoluconal: (n, k,
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
Leia maisUNIVERSIDADE ESTADUAL PAULISTA "JÚLIO DE MESQUISTA FILHO" FACULDADE DE CIÊNCIAS AGRONÔMICAS CAMPUS DE BOTUCATU
UNIVERSIDADE ESTADUAL PAULISTA "JÚLIO DE MESQUISTA FILHO" FACULDADE DE CIÊNCIAS AGRONÔMICAS CAMPUS DE BOTUCATU COMPARAÇÃO ENTRE OS ESTIMADORES DE MÍNIMOS QUADRADOS ORDINÁRIOS E MÍNIMOS DESVIOS ABSOLUTOS
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisO PROBLEMA DE CORTE BIDIMENSIONAL COM LIMITAÇÃO NO NÚMERO DE TIPO DE ITENS
A pesqusa Operaconal e os Recursos Renováves 4 a 7 de novebro de 2003, atal-r O PROBLEMA DE CORTE BIDIMESIOAL COM LIMITAÇÃO O ÚMERO DE TIPO DE ITES Andréa Carla Gonçalves Vanna UESP - Departaento de Coputação
Leia maisREDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS
GOP/010 21 a 26 de Outubro de 2001 Campnas - São Paulo - Brasl GRUPO IX GRUPO DE ESTUDOS DE OPERAÇÕES DE SISTEMAS ELÉTRICOS REDES NEURAIS NEBULOSAS PARA PREVISÃO DE VAZÕES MÉDIAS MENSAIS Rosângela Balln
Leia maisXIX Seminário Nacional de Distribuição de Energia Elétrica. Previsão do Consumo Regional da Elektro em Horizonte Anual com Modelos de Rede Neurais
XIX Semnáro Naconal de Dstrbução de Energa Elétrca SENDI 2010 22 a 26 de novembro São Paulo - SP - Brasl Prevsão do Consumo Regonal da Eletro em Horzonte Anual com Modelos de Rede Neuras Ivette R. Luna
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais1 Introdução. 2 Formulação do problema 2.1 FORMULAÇÃO DO PROBLEMA DE REDES
OFIGURAÇÃO DE REDES DE DISTRIBUIÇÃO DE EERGIA ELÉTRICA USADO AL- GORITMO EVOLUTIVO MULTIOBJETIVO COM METODOLOGIA BASEADA EM OTIMIZAÇÃO PARA ESCOLHA DOS CABOS RESERVA Marco. A. S. Jard 1, Orane. M. eto
Leia maisCONTROLADORES FUZZY. Um sistema de controle típico é representado pelo diagrama de blocos abaixo:
CONTROLADORES FUZZY Um sstema de controle típco é representado pelo dagrama de blocos abaxo: entrada ou referênca - erro CONTROLADOR snal de controle PLANTA saída A entrada ou referênca expressa a saída
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisParte 1: Exercícios Teóricos
Cálculo Numérco SME0300 ICMC-USP Lsta 2: Sstemas Lneares Métodos Dretos Professora: Cyntha de O. Lage Ferrera Parte 1: Exercícos Teórcos 1. Consdere o sstema Ax = b, onde 1 α 3 α 1 4 ; x = 5 2 1 Para que
Leia maisMECÂNICA CLÁSSICA. AULA N o 8. Invariância de Calibre-Partícula em um Campo Eletromagnético-Colchetes de Poisson
1 MECÂNICA CLÁSSICA AULA N o 8 Invarânca de Calbre-Partícula e u Capo Eletroagnétco-Colchetes de Posson Vaos ver novaente, agora co as detalhes, o ovento de ua partícula carregada e u capo eletroagnétco,
Leia maisO MODELO CAPM APLICADO À DETERMINAÇÃO DO CUSTO DO CAPITAL PRÓPRIO PARA AS EMPRESAS DO SETOR DE GERAÇÃO DE ENERGIA ELÉTRICA NO BRASIL
P P P O MODELO CAPM APLICADO À DETERMINAÇÃO DO CUSTO DO CAPITAL PRÓPRIO PARA AS EMPRESAS DO SETOR DE GERAÇÃO DE ENERGIA ELÉTRICA NO BRASIL, Ívla Marcely Alves AdãesP HTUvla@cepel.brUTH,3 Fabo Rodrgo Squera
Leia maisFísica. Física Módulo 1. Sistemas de Partículas e Centro de Massa. Quantidade de movimento (momento) Conservação do momento linear
Físca Módulo 1 Ssteas de Partículas e Centro de Massa Quantdade de ovento (oento) Conservação do oento lnear Partículas e ssteas de Partículas Átoos, Bolnhas de gude, Carros e até Planetas... Até agora,
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshm Kusumoto andrekusumoto.unp@gmal.com Prof. André Y. Kusumoto andrekusumoto.unp@gmal.com Operações pontuas globas em magens Uma operação pontual global em uma
Leia maisFigura 3: Diagrama de blocos do sistema de inferência da qualidade.
4 Solução Proposta A metodologa proposta nesta dssertação pode ser dvdda em quatro etapas complementares que estão representadas no dagrama de blocos na Fgura 3. Cada uma delas está descrta através do
Leia maisAVALIAÇÃO DE MÉTODOS HEURÍSTICOS PARA O PROBLEMA NO-WAIT FLOWSHOP COM O CRITÉRIO DE MINIMIZAÇÃO DA DURAÇÃO TOTAL DA PROGRAMAÇÃO
Pesqusa Operaconal na Socedade: Educação, Meo Abente e Desenvolvento AVALIAÇÃO DE MÉTODOS HEURÍSTICOS PARA O PROBLEMA NO-WAIT FLOWSHOP COM O CRITÉRIO DE MINIMIZAÇÃO DA DURAÇÃO TOTAL DA PROGRAMAÇÃO Evaluaton
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisSoftware de Telecomunicações. Curvas elípticas
Software de Telecouncações Curvas elíptcas Prof RG Crespo Software de Telecouncações Curvas elíptcas : /4 Curvas elíptcas sobre corpos () Curvas elíptcas tê sdo estudadas há quase séculos A dfculdade torna-as
Leia mais, para. Assim, a soma (S) das áreas pedida é dada por:
(9) - wwweltecapnascobr O ELITE RESOLE FUEST 9 SEGUND FSE - MTEMÁTIC MTEMÁTIC QUESTÃO Na fgura ao lado, a reta r te equação x + no plano cartesano Ox lé dsso, os pontos B, B, B, B estão na reta r, sendo
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia mais