XXI SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
|
|
- Eugénio Barroso Faro
- 6 Há anos
- Visualizações:
Transcrição
1 XXI SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão a 6 de Outubro de 011 Florianópolis - SC GRUPO -GPT GRUPO DE ESTUDO DE PRODUÇÃO TÉRMICA E FONTES NÃO CONVENCIONAIS - GPT TÉCNICAS DE INTELIGÊNCIA COMPUTACIONAL NA PREVISÃO DE SÉRIES DE VELOCIDADE DE VENTO: UMA COMPARAÇÃO DA LÓGICA NEBULOSA COM REDES NEURAIS ARTIFICIAIS Valk L. O. Castellani (*) José F. M. Pessanha Cabral Lima CEPEL, UFRJ CEPEL, UERJ UFRJ RESUMO A perspectiva de uma maior participação da energia eólica na matriz energética brasileira indica a necessidade do desenvolvimento de sistemas para previsão da geração eólica em horizontes de curto, médio e longo prazo com a finalidade de apoiar a integração segura e econômica dos aproveitamentos eólicos na operação do sistema elétrico. Este trabalho tem por objetivo apresentar resultados obtidos com a aplicação de métodos de inteligência computacional (redes neurais artificiais e lógica nebulosa) na previsão de curto prazo da velocidade do vento, a partir da qual pode-se prever a potência elétrica gerada. Apresenta-se uma análise comparativa entre estes dois métodos. PALAVRAS-CHAVE Energia Eólica, Lógica Nebulosa, Redes Neurais Artificiais, Previsão, Velocidade do vento INTRODUÇÃO O aproveitamento do vento para produção de energia elétrica é uma das alternativas mais promissoras para reduzir as emissões dos gases do efeito estufa e mitigar os efeitos de crises no mercado de combustíveis fósseis, sobretudo nos países em que a geração de energia elétrica é predominantemente termelétrica. No caso do Brasil, cuja matriz de energia elétrica é predominantemente hidráulica, o aproveitamento do potencial eólico oferece um importante complemento ao regime de geração hidrelétrica, contribuindo para a segurança e a diversificação da matriz energética brasileira. A participação da geração eólica na matriz de energia elétrica brasileira ainda é modesta, Porém, os projetos apresentados no primeiro leilão de energia eólica realizado no ano de 009 devem adicionar 1805 MW a partir de 01, elevando a capacidade instalada das eólicas para 600 MW. A expectativa é que a capacidade eólica instalada cresça ainda mais nos próximos anos, pois o potencial eólico-energético brasileiro é estimado em aproximadamente 143 GW a 50 metros de altura (1), sendo que um potencial ainda maior é esperado com a atualização do atlas eólico brasileiro que fornecerá estimativas do potencial a 100 metros de altura. À medida que a capacidade eólica instalada torna-se significativa é fundamental que a operação do sistema elétrico disponha de modelos capazes de fornecer previsões do montante de energia elétrica gerada nas fontes eólicas (*) Avenida Horácio Macedo, n 354 sala D - Bloco D CEP Rio de Janeiro, RJ Brasil Tel: (+55 1) Fax: (+55 1) vcastell@cepel.br
2 com a finalidade de permitir a integração segura e econômica dos parques eólicos na operação do Sistema Interligado Nacional (SIN). Os modelos utilizados na previsão da potência disponibilizada nos parques eólicos podem ser classificados em duas categorias: modelos físicos e modelos de séries temporais (). Os modelos físicos utilizam um amplo conjunto de informações sobre o relevo na área do aproveitamento eólico, condições climáticas e detalhes técnicos dos aero-geradores (por exemplo, a altura do cubo da turbina, a curva de potência, o modelo e a localização precisa dos aero-geradores). Fazem parte desta categoria os métodos numéricos para previsão climática (numeric weather prediction - NWP) que embora sejam mais precisos ainda demandam um grande esforço computacional (). Já a modelagem de séries temporais (3) envolve a análise dos valores passados da velocidade do vento e/ou da potência gerada e sua vantagem reside na possibilidade de fornecer previsões na escala de tempo em que são tomadas as decisões operativas do sistema elétrico. Fazem parte desta categoria os métodos estatísticos para previsão de séries temporais (4),(5) e os métodos de inteligência computacional (6),(7),(8) e (9). FIGURA 1 Curva de Potência de uma Turbina Eólica A potência gerada por uma turbina eólica depende da velocidade do vento, conforme a relação expressa pela curva de potência da turbina ilustrada na Figura 1. Logo, a conversão de energia eólica em energia elétrica se dá a partir de uma velocidade mínima denominada velocidade de partida v p (cut-in wind speed). A potência da turbina é limitada ao valor nominal P n, a velocidade nominal v n (rated wind speed). Para velocidades superiores à velocidade de corte v c (cut-out wind speed) a turbina é retirada de operação para preservá-la de esforços mecânicos excessivos (10). No intervalo entre v p e v n a potência elétrica P gerada pela turbina eólica cresce com o cubo da velocidade do vento v transversal à área A varrida pelo seu rotor: 3 P = 0,5 C p η m η g ρ A v (1) onde η m é o rendimento mecânico da caixa de transmissão, η g é o rendimento do gerador, ρ é a densidade do ar e C p é o coeficiente de potência da turbina, que expressa a parcela (%) da potência disponível no vento que é extraída pela turbina. Portanto, em função da relação cúbica entre potência e velocidade, a potência gerada por uma turbina eólica pode ser predita com base na previsão da velocidade do vento. (b) Velocidade média anual a 100 m (a) Município de São Martinho da Serra Fonte: Atlas eólico do Rio Grande do Sul (Fonte: Wikipédia) FIGURA Divisão administrativa e Atlas Eólico do Rio Grande do Sul O objetivo deste trabalho consiste em apresentar e comparar os resultados obtidos por dois diferentes métodos de inteligência computacional (3): redes neurais artificiais e rede neuro-fuzzy (lógica nebulosa), na previsão da média horária da velocidade do vento. A série temporal analisada é a velocidade do vento a 50 metros de altura em São
3 3 Martinho da Serra, um município situado no interior do Estado do Rio Grande do Sul (Figura ), onde está localizada uma das estações de referência do projeto SONDA (Sistema Nacional de Organização de Dados Ambientais para o setor de energia) do Instituto Nacional de Pesquisas Espaciais (INPE) e coordenado pelo Centro de Previsão de Tempo e Estudos Climáticos (CPTEC). A estação de referência encontra-se a 489 metros de altitude a 9º6 de latitude sul e 53º49 de longitude Oeste (11),(1). Uma descrição preliminar do comportamento da direção e da velocidade do vento na região de São Martinho da Serra pode ser encontrada em (1) para o período de Agosto de 004 a Julho de 005. Segundo esta análise preliminar, a 50 metros de altura, as velocidade médias de 7,65 m/s na direção Nordeste e 7,095 na direção Sudeste são predominantes e correspondem a 45% dos ventos incidentes na região. Embora outras localidades do Rio Grande do Sul apresentem potenciais eólicos superiores ao de São Martinho da Serra (Figura b), a opção por este município deve-se a existência de uma base de dados públicos disponibilizada na página do projeto SONDA ( com registros de resolução temporal de 10 minutos da velocidade e da direção do vento para as alturas de 5 e 50 m. A seguir, na seção tem-se uma breve revisão dos principais conceitos das duas técnicas de inteligência computacional consideradas neste trabalho, Os resultados dos experimentos computacionais realizados são descritos na seção 3. Por fim, na seção 4 são apresentadas as principais conclusões do trabalho..0 - MÉTODOS DE INTELIGÊNCIA COMPUTACIONAL.1 Redes neurais artificiais (RNA) As RNAs são sistemas compostos por unidades de processamento denominados neurônios e dispostas em uma ou mais camadas interligadas por um grande número de conexões (sinapses) geralmente unidirecionais e com pesos para ponderar as entradas recebidas por cada neurônio. Cada neurônio realiza a soma ponderada dos sinais de entrada (Σw. x) e aplica uma função de ativação ao resultado obtido (net) e obtém um sinal de saída, conforme ilustrado pelo modelo matemático do neurônio na Figura 3. Assim, cada neurônio faz o mapeamento dos sinais de entrada em um único sinal de saída que é propagado para os neurônios da camada seguinte. FIGURA 3 Modelo do neurônio artificial A arquitetura mais usual é a feed-forward MLP (Multi-Layer Perceptron) com três camadas, conforme ilustrado na figura 4a. Os pesos w nas conexões entre as camadas são ajustáveis de forma análoga ao que acontece no cérebro humano, onde as sinapses são reforçadas ou enfraquecidas. (a) Arquitetura da rede neural (b) Fases do algoritmo backpropagation FIGURA 4 Rede Feed-forward Multi-Layer Perceptron A primeira camada recebe os sinais de entrada e as transmite para os neurônios da camada escondida para que estes extraiam as características relevantes e passem os resultados para a camada de saída da rede. A especificação do número de camadas escondidas e do número de neurônios em cada camada é realizada de forma empírica. As RNAs com apenas uma camada escondida são capazes de aproximar qualquer função contínua não linear. Assim, é razoável considerar apenas uma camada escondida, sendo que o número de neurônios nesta camada é determinado empiricamente por meio da avaliação do erro de previsão alcançado em cada configuração avaliada. O ajuste dos pesos das sinapses entre os neurônios é realizado por meio de um processo iterativo denominado
4 4 treinamento. O principal algoritmo de treinamento é o backpropagation, no qual o ajuste dos pesos se dá pela execução de um processo de otimização realizado em duas fases: forward e backward, conforme mostra a Figura 4b. Na fase forward é calculada a resposta fornecida pela rede para um dado padrão de entrada, enquanto na fase backward, o erro, ou seja, o desvio entre a resposta desejada e a resposta encontrada pela rede, é utilizado para ajustar os pesos das conexões entre os neurônios da rede. Ao longo do treinamento os vários padrões de entrada e as respectivas saídas desejadas são apresentados à RNA de forma a realizar um aprendizado supervisionado, onde os pesos das sinapses são corrigidos iterativamente pelo algoritmo do gradiente descendente (13) com o objetivo de minimizar a soma dos quadrados dos desvios (erros) entre a saída desejada e a saída da rede neural. 1 padrões E = d p p = 1 ( ) y p () onde p é o número de padrões de treinamento, d P é a saída desejada no p-ésimo padrão de treinamento e y P é a saída gerada pela rede quando alimentada com o p-ésimo padrão de treinamento.. Sistema de Inferência Neuro-Fuzzy Adaptativo Trata-se de um sistema de inferência nebuloso construído e treinado como uma rede neural. Na lógica nebulosa o grau de verdade de uma declaração é representado por um número no intervalo [0,1], ao contrário do que ocorre na lógica clássica em que o grau de verdade assume apenas dois valores: 0 (declaração falsa) e 1 (declaração verdadeira). A teoria dos conjuntos nebulosos e os conceitos de lógica nebulosa podem ser utilizados para traduzir em termos matemáticos a informação imprecisa expressa por um conjunto de regras lingüísticas expressas através de implicações lógicas da forma SE antecedente ENTÃO conseqüente. FIGURA 5 Sistema de inferência nebuloso (13) O processo de inferência nebuloso avalia os níveis de compatibilidade das variáveis de entradas com os antecedentes das várias regras, ativando os conseqüentes com intensidades proporcionais aos mesmos. O resultado desta operação é um conjunto nebuloso que é convertido em um número real, a resposta do sistema de inferência nebuloso. A Figura 5 ilustra o princípio de raciocínio em um sistema de inferência nebuloso com duas regras, cujos antecedentes são definidos pela composição de dois conjuntos nebulosos A e B que representam o comportamento das variáveis de entrada x e y respectivamente. Cada regra oferece como resposta uma combinação linear das variáveis de entrada, sendo que a saída do sistema de inferência nebuloso é a média ponderada destas respostas parciais, onde os pesos são os graus de ativação das regras (w 1 e w ) que expressam a compatibilidade das variáveis de entrada x e y com os antecedentes das regras. FIGURA 6 - Arquitetura ANFIS (13) O modelo ANFIS (13) é treinado como uma rede neural, mas uma vez treinado opera exatamente como um sistema de inferência nebuloso. A arquitetura da ANFIS é composta por cinco camadas, conforme ilustrado na Figura 6. A título de ilustração considere duas entradas x e y e uma saída z. No contexto da previsão de séries
5 5 temporais, as variáveis x e y correspondem aos valores passados da velocidade do vento: z(t), z(t-1),... ou valores passados de variáveis explicativas, por exemplo, valores passados e futuros da temperatura. Suponha que a base de regras contenha duas regras nebulosas se-então : Regra 1: Se x é A 1 e y é B 1 então f 1 =p 1 x + q 1 y +r 1 Regra : Se x é A e y é B então f =p x + q y +r onde A 1 e A são os conjuntos nebulosos da variável x e B 1 e B os conjuntos nebulosos da variável y. O conseqüente de cada regra é uma combinação linear das variáveis de entrada (x e y) e corresponde a uma previsão para o valor da variável de saída z. Portanto, cada regra fornece uma previsão para a variável de saída. Observa-se na Figura 6, que na camada 1, cada nó representa um conjunto nebuloso de uma variável de entrada (x ou y) e como resultado fornece o grau de pertinência µ do valor de entrada no conjunto nebuloso: 1 Saída i = µ A i 1 Saída i = µ B i ( x) ( y), grau de pertinência do valor da variável x no conjunto nebuloso A i, i=1,, grau de pertinência do valor da variável y no conjunto nebuloso B i, i=1, O grau de pertinência µ da entrada nos conjuntos nebulosos A ou B pode ser definido por funções triangulares ou gaussianas que possuem um conjunto de parâmetros (premise parameters) ajustados durante o treinamento. Na camada, cada nó calcula o grau de ativação de uma regra nebulosa, definido pelo produto entre os graus de pertinência das variáveis de entrada nos conjuntos nebulosos que formam os antecedentes das regras: ( x) ( y) Saída i = w i = µ A i µ B i, grau de ativação da i-ésima regra nebulosa i=1. (3) Na camada 3, cada nó N normaliza o grau de ativação de uma regra nebulosa dividindo o grau de ativação da i- ésima regra pela soma dos graus de ativação de todas as regras: ( w w ) 3 Saída i = wi = w + i=1, (4) 1 1 O valor normalizado do grau de ativação fornece uma medida da importância de cada regra nebulosa, quanto maior o valor normalizado, maior a importância da respectiva regra. Na camada 4, cada nó calcula a resposta de uma regra nebulosa, ou seja, uma previsão para o valor da variável z, definida por uma combinação linear das variáveis de entrada: 4 Saída i = wi ( p i x + q i y + r i ), i=1, (5) onde (p i,q i,r i ) são parâmetros (consequent parameters) a serem ajustados durante o treinamento. Por fim, na camada 5 o nó faz a média ponderada das previsões parciais para a variável de saída, onde cada previsão parcial é ponderada pelo grau de ativação da respectiva regra nebulosa: Saídai 5 ( x + y + ) ( x + y + ) = w j p r = w p j j q j j j j j q j r j w j j (6) No ajuste dos premise e consequent parameters a ANFIS usa o método dos mínimos quadrados para determinar os consequent parameters e a retropropagação do erro (método do gradiente descendente) para aprender os premise parameters (13) EXPERIMENTAÇÕES E RESULTADOS Neste trabalho buscou-se configurar uma RNA capaz de fornecer previsões da velocidade horária média, v(t), uma hora à frente tendo como variáveis de entrada cinco valores passados da própria velocidade nos seguintes instantes: t-hora 1, t-hora, t-hora 3, t-hora 4 e t-hora 5. Em função da persistência presente nas séries de velocidade de vento, considerou-se a velocidade no instante imediatamente anterior v(t-1) ao instante da previsão t como sendo uma das variáveis de entrada, ou seja, hora 1 =1. As demais defasagens no tempo (hora, hora 3, hora 4 e hora 5 ) foram identificadas pelo algoritmo descrito abaixo. A identificação da melhor arquitetura para a RNA envolveu a avaliação de uma variedade de configurações de redes de três camadas: uma camada de entrada com cinco neurônios, uma camada escondida e uma camada de saída com apenas um neurônio. Por meio do algoritmo abaixo foram testadas diferentes combinações para as variáveis de entrada, bem como distintas quantidades de neurônios na camada escondida. As simulações foram realizadas no Matlab (13) e em todos os neurônios da rede considerou-se como função de ativação a tangente sigmoidal.
6 hora 1 = 1 Faça hora = até 8 Faça hora 3 = (hora +1) até 16 Faça hora 4 = (hora 3 +1) até 4 Faça hora 5 = (hora 4 +1) até 3 Prepare padrões de treinamento: saída v(t) e entradas v(t-hora 1 ),v( t-hora ), v(t-hora 3 ), v(t-hora 4 ) e v(t-hora 5 ) Configure a RNA Treine a RNA e avalie o RMSE no período de teste Armazene a configuração, os parâmetros e o RMSE da RNA Fim Fim Fim Fim 6 No treinamento e validação da RNA (período insample) foram considerados dados de janeiro a novembro de 005. Já no período de teste da RNA (período outsample) é formado por registros referentes mês de dezembro de 005. A partir destes dados foram formados padrões de entrada e saída, sendo que cada padrão de entrada é formado por uma janela com cinco valores passados da velocidade horária média do vento e o respectivo padrão de saída tem apenas um valor, conforme ilustrado na Figura 7. O treinamento da rede consiste em mover as janelas de entrada e saída ao longo de toda série temporal. Cada par de janelas entrada/saída funciona como um padrão de treinamento e deve ser apresentado repetidas vezes até que o algoritmo de aprendizado alcance a convergência. Foram utilizados neste procedimento 8016 padrões no conjunto de treinamento e validação (período insample) e 744 padrões no conjunto de testes (período outsample). FIGURA 7 Padrão de entrada/saída A melhor configuração para a RNA é aquela que minimiza a raiz do erro quadrático médio definido a seguir: RMSE = 1 padrões d p N p = 1 ( ) y p (7) onde p é o número de padrões de treinamento, d P é a saída desejada no p-ésimo padrão de treinamento e y P é a saída gerada pela rede quando alimentada com o p-ésimo padrão do conjunto de teste. Com o auxílio do algoritmo acima foram identificados os instantes t-1, t-, t-3, t-10 e t- como sendo os mais relevantes na previsão da velocidade do vento no instante t para a série em estudo. Uma vez identificada a melhor configuração para a RNA avaliou-se também o desempenho de redes ANFIS com as mesmas variáveis de entrada consideradas na RNA. Foram avaliadas redes ANFIS com dois (FIS) e três (FIS3) conjuntos nebulosos para cada variável de entrada, ambos definidos por funções de pertinência triangulares. Para efeito de comparação dos diferentes métodos foram consideradas mais três medidas além do RMSE: o MAE (Mean Absolute Error) na equação (8), o MAPE (Mean Absolute Percentage Error) na equação (9) e o U de Theil na equação (10). MAE = 1 N P t N t = 1 O t (8) MAPE = 1 N P t O t N t = 1 O t (9) N 1 P + + = 1 = t 1 O t 1 N U Theil t 1 O t= 1 t O t+ 1 O t O t (10)
7 7 onde O t e P t são, respectivamente, as velocidades observada e prevista no instante t e N é o total de observações do período considerado no cálculo da estatística U de Theil. Na Tabela 1 são apresentadas as estatísticas de desempenho de cada um dos modelos avaliados na previsão da velocidade horária no período insample. Os três modelos alcançaram desempenhos similares, porém, em relação ao tempo de treinamento, o modelo ANFIS com três conjuntos nebulosos nas variáveis de entrada (FIS3) apresentou um tempo muito elevado, mais de quatro horas para realizar as 3000 épocas de treinamento. Para o FIS o tempo de treinamento foi de aproximadamente meia hora, enquanto que para a RNA o treinamento levou cerca de 15 minutos para processar as mesmas 3000 épocas de treinamento. Os experimentos computacionais foram realizados em um computador com processador AMD Phenom(tm) II X4 955 de 3,19 GHz com 3 GB de memória RAM. Tabela 1 Estatísticas de desempenho para o conjunto de treinamento Método \ Métrica U-THEIL RMSE (m/s) MAE (m/s) MAPE (p.u.) RNA 0,163 1,0645 0,7858 0,168 FIS 0,1636 1,079 0,7919 0,171 FIS 3 0,1659 1,0881 0,8077 0,1714 A seguir, na Tabela são apresentadas as estatísticas de desempenho alcançadas por cada um dos modelos avaliados na previsão da velocidade horária no período outsample. Assim como no conjunto de treinamento, os três modelos apresentaram desempenhos similares. Tabela Estatísticas de desempenho para o conjunto de teste Método \ Métrica U-THEIL RMSE (m/s) MAE (m/s) MAPE (p.u.) RNA 0,1809 1,1336 0,8373 0,1796 FIS 0,185 1,1608 0,8554 0,1837 FIS 3 0,1856 1,169 0,866 0,189 Nas Tabelas 1 e, as estatísticas U de Theil são menores que a unidade, um indicativo de que a RNA e os modelos ANFIS fornecem previsões melhores do que as que seriam obtidas pelo método da persistência, no qual a previsão para velocidade no instante t, v(t), é igual ao último valor observado da velocidade v(t-1). A seguir, na Figura 8 são apresentados os valores observados e as respectivas previsões uma hora à frente ao longo de um período de 4 horas nos conjuntos de treinamento (Figura 8a) e de teste (Figura 8b) Velocidade (m/s) medida prevista rna prevista fis prevista fis Horas Horas (b) Resultado no Conjunto de Teste (a) Resultado no Conjunto de Treinamento FIGURA 8 Valores observados e previstos Velocidade (m/s) medida prevista rna prevista fis prevista fis CONCLUSÃO A RNA e a ANFIS são algumas das principais metodologias empregadas na previsão da potência gerada nos parques eólicos e na previsão da velocidade de vento. No presente trabalho as duas abordagens são aplicadas na previsão da velocidade horária do vento na localidade de São Martinho da Serra - RS. Os resultados obtidos mostram que os dois métodos apresentam desempenhos semelhantes e melhores que o alcançado pelo método da persistência, conforme indicado pela estatística U de Theil menor que a unidade nos dois métodos. Embora a rede ANFIS tenha como vantagem a sua interpretabilidade, a RNA apresentou o menor tempo de treinamento e um desempenho ligeiramente superior. Os resultados apresentados são promissores, porém mais simulações e estudos devem ser conduzidos com o objetivo de reduzir o erro de previsão. Provavelmente, a consideração de métodos de filtragem de dados e a inclusão de outras variáveis explicativas como direção e temperatura poderiam reduzir o erro de previsão.
8 REFERÊNCIAS BIBLIOGRÁFICAS (1) AMARANTE, O. C., ZACK, J., BROWER, M., SÁ, A. L. Atlas do Potencial Eólico Brasileiro, Centro de Pesquisas de Energia Elétrica, Brasília, 001. () WU, Y.K., HONG, J.S., A Literature Review of Wind Forecasting Technology in the World, IEEE Powertech 007, Lausanne, Switzerland, July, 007, pp (3) PALIT, A.K., POPOVIC, D., Computational Intelligence in Time Series Forecasting: Theory and Engineering Applications, Springer-Verlag, London, 005. (4) PALOMARES-SALAS, J.C., ROSA, J.J.G., RAMIRO, J.G., MELGAR, J., AGÜERA, A., MORENO, A., ARIMA vs. Neural Networks for Wind Speed Forecasting, International Conference on Computational Intelligence for Measurement Systems and Applications, Hong-Kong, China, May, 009. (5) WANG, C., LU, Z., QIAO, Y. Modeling of Wind Pattern and its Application in Wind Speed Forecasting, Conference on Sustainable Power Generation and Supply, Nanjing, China, April, 009. (6) PINSON, P., KARIONATAKIS, G.N., Wind Power Forecasting Using Fuzzy Neural Networks Enhanced With on Line Prediction Risk Assessment, IEEE Bologna Power Tech Conference, Bologna, Italy, June, 003. (7) METHAPRAYOON, K., LEE, W.J., YINGVIVATANAPONG, C., LIAO, J. An Integration of ANN Wind Power Estimation Into UC Considering the Forecasting Uncertainty, Industrial and Commercial Power Systems Technical Conference, Saratoga Springs NY, May, 005, (8) MABEL, M.C.; FERNANDEZ, E., Analysis of Wind Power Generation and Prediction Using ANN: A Case Study, Renewable Energy, 33, pp , 008. (9) LI, R., WANG, Y. Short-Term Wind Speed Forecasting for Wind Farm Based on Empirical Mode Decomposition, International Conference on Electrical Machines and Systems, Wuhan, China, pp , 008, (10) CUSTÓDIO, R.S., Energia Eólica para Produção de Energia Elétrica, Eletrobrás, Rio de Janeiro, 009. (11) MARTINS, F.R., GUARNIERI, R.A., CHAGAS, R.C., NETO, S.L.M., PEREIRA, E.B., ANDRADE, E., THOMAZ, C., Projeto Sonda Rede Nacional de Estações para Coleta de Dados Meteorológicos Aplicados ao Setor de Energia, I Congresso Brasileiro de Energia Solar, Fortaleza, Abril, 007. (1) PES, M.P., GUEDES, M., ROSETTO, J.G., BIAZI, L.A., GUARNIERI,R.A., MARTINS, F. R., PEREIRA, E.B., SCHUCH, N.J., Distribuição Estatística dos Ventos na Região de São Martinho da Serra por Meio da Função de Weibull: Dados de Agosto de 004 a Julho de 005, Ciência e Natura UFSM, Sana Maria - RS, v. 7, 9-3, 005. (13) JANG, J.S.R., SUN, C.T. MIZUTANI, E., Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence, Prentice Hall, DADOS BIOGRÁFICOS Valk Luiz de Oliveira Castellani: Nascido em Volta Redonda RJ, Brasil, em Graduado em Tecnologia em Processamento de Dados pela Fundação Dom André Arcoverde em Pós-Graduado em Tecnologia de Banco de Dados em 001 e Engenharia de Sistemas de Computação em 00 pela Universidade Estácio de Sá. Atualmente é mestrando do Programa de Pós-Graduação em Informática da Universidade Federal do Rio de Janeiro. Trabalha no Centro de Pesquisas de Energia Elétrica CEPEL desde 006 com o desenvolvimento de interfaces gráficas para o sistema de encadeamento de modelos energéticos.
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
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisUTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE VELOCIDADE DO VENTO
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisAnálise Espectral Singular, Teoria Wavelet e Redes Neurais Artificiais na Previsão de Velocidade do Vento
Análise Espectral Singular, Teoria Wavelet e Redes Neurais Artificiais na Previsão de Velocidade do Vento José Francisco Moreira Pessanha 1 Luiz Albino Teixeira Júnior 2 Moisés Lima de Menezes 2 Keila
Leia maisMulti-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
Leia maisInteligência 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
Leia maisSISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS
SISTEMAS NEURO-FUZZY NEURAL-FUZZY SYSTEMS Stéphanie Lucchesi, Sandra Regina Monteiro Masalskiene Roveda Campus Experimental de Sorocaba Engenharia Ambiental steh_l@hotmail.com, ISB. Palavras chave: fuzzy,
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisAnálise da distribuição da velocidade dos ventos em Piracicaba/SP
Análise da distribuição da velocidade dos ventos em Piracicaba/SP Lêda Valéria Ramos Santana Prof. Dra. Cláudia Helena Dezotti Prof. Dra. Tatijana Stosic Evelyn Souza Chagas Hérica Santos da Silva Introdução
Leia maisAnálise do Modelo de WRF na Região de Girau do Ponciano-AL, para um Período Seco e um Período Chuvoso.
Análise do Modelo de WRF na Região de Girau do Ponciano-AL, para um Período Seco e um Período Chuvoso. Maria Francisca Azeredo Velloso 1,2, Fernando Martins 1, Enio B. Pereira 1 1 Centro de Ciências do
Leia maisMulti-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
Leia maisMulti-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
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia mais6. 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
Leia maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisMulti-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
Leia mais3 INTELIGÊNCIA COMPUTACIONAL (IC)
40 3 INTELIGÊNCIA COMPUTACIONAL (IC) Inteligência Computacional é a área da ciência da computação que estuda a teoria e aplicação de técnicas computacionais inspiradas na natureza. Deste modo, tem por
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisSistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy
Redes Neurais Sistema de Inferência Fuzzy baseado em Redes Adaptativas (ANFIS) Sistema de Inferência Fuzzy Um Sistema de Inferência Fuzzy (SIF) é um tipo especial de Sistema Baseado em Conhecimento (SBC).
Leia mais3 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
Leia maisSENSIBILIDADE DO MODELO BRAMS PARA RODADAS MENSAIS E DIÁRIAS PARA A ESTIMATIVA DO VENTO
SENSIBILIDADE DO MODELO BRAMS PARA RODADAS MENSAIS E DIÁRIAS PARA A ESTIMATIVA DO VENTO Lucía I. Chipponelli Pinto 1,2, Fernando R. Martins 1, Enio B. Perreira 1 1 CCST/INPE, São Jose dos Campos - São
Leia maisPREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL
PREVISÃO CLIMÁTICA DE PRECIPITAÇÃO USANDO REDE NEURAL Juliana A. ANOCHI 1, Sabrina B. M. SAMBATTI 1, Eduardo F. P. da LUZ 1, Haroldo F. de CAMPOS VELHO 1 Instituto Nacional de Pesquisas Espaciais - INPE
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisPrevisão 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
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisMulti-Layer. Perceptrons. Algoritmos de Aprendizado. Perceptrons. Perceptrons
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Multi-Layer Perceptrons (Back Propagation) Radial Basis Functions (RBFs) Competitive Learning Hopfield Multi-Layer Perceptrons
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisESTIMATIVA DE OBTENÇÃO DE ENERGIA A PARTIR DO VENTO EM UMA ÁREA DADA
1 de 6 ESTIMATIVA DE OBTENÇÃO DE ENERGIA A PARTIR DO VENTO EM UMA ÁREA DADA G.P.Viajante, J.R.Camacho,D.A.Andrade Universidade Federal de Uberlândia E-mails: ghunterp@gmail.com, jrcamacho@ufu.br, darizon@ufu.br
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisCÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
Leia maisA UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE RADIAÇÃO SOLAR GLOBAL
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Leia maisESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS.
ESTIMATIVA DE RADIAÇÃO SOLAR NA REGIÃO DO MACIÇO DE BATURITÉ: ABORDAGEM VIA REDES NEURAIS ARTIFICIAIS. Arini de Menezes Costa 1, Kaio Martins Ramos 2, Hugo Hermano da Costa Castro 3, Antonio Alisson P.
Leia maisSELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisComparação entre uma neuroprevisão(empírica) e um modelo físico simplificado para estimação hidrológica
Trabalho apresentado no XXXVII CNMAC, S.J. dos Campos - SP, 2017. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação entre uma neuroprevisão(empírica) e um modelo
Leia maisRegra 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
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisEnergia eólica Programa: Mestrado em Energia
Energia eólica Programa: Mestrado em Energia O desenvolvimento e estudo do recurso e tecnologia eólica têm maturado rapidamente nos últimos anos, estabelecendo-se como uma das fontes de energia limpa mais
Leia maisESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS
ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência
Leia maisFísica do Meio Ambiente
Física do Meio Ambiente Tema: Energia Eólica no Brasil Alex Sandro De Lima 7580414 Rubens Parker 8604130 Energia Eólica É a energia cinética contida nas massas de ar em movimento (vento); Sua conversão
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisSNPTEE 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
Leia maisAVALIAÇÃO DE RECURSOS EÓLICOS POTÊNCIA DO VENTO
AVALIAÇÃO DE RECURSOS EÓLICOS POTÊNCIA DO VENTO SENAI PETROBRÁS CTGÁS-ER AVALIAÇÃO DE RECURSOS EÓLICOS POTÊNCIA DO VENTO 2010 CTGÁS-ER NATAL/RN 2011 Centro de Tecnologia do Gás e Energias Renováveis CTGÁS
Leia maisXII Congresso Brasileiro de Meteorologia, Foz de Iguaçu-PR, 2002
ESTUDO PRELIMINAR DA UTILIZAÇÃO DE REDES NEURAIS NA PREVISÃO DE TEMPERATURA MÉDIA DIÁRIA PARA A CIDADE DE PELOTAS-RS Ariane Frassoni dos Santos 1, João Gerd Zell de Mattos 1, Paulo Roberto Krebs 2 1 Faculdade
Leia maisPrevisão 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,
Leia maisCOMPORTAMENTO ESTATÍSTICO SAZONAL DOS VENTOS NA REGIÃO DO OBSERVATÓRIO ESPACIAL DO SUL
COMPORTAMENTO ESTATÍSTICO SAZONAL DOS VENTOS NA REGIÃO DO OBSERVATÓRIO ESPACIAL DO SUL Fiorin, D.V. 1, ; Schuch, N.J. 1 ; Martins, F.R. 2 ; Brackmann, R. 1 ; Ceconi, M. 1 ; Pereira, E.B. 2 ; Guarnieri,R.A.
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisTREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO
TREINAMENTO DE REDES NEUROFUZZY VIA APRENDIZADO PARTICIPATIVO Michel Hell, Pyramo Costa Jr., Rosângela Ballini, Fernando Gomide Universidade Estadual de Campinas, Av. Albert Einsten, 400 - Cidade Universitária
Leia maisENERGIA EÓLICA PARA GERAÇÃO DE ELETRICIDADE E A IMPORTÂNCIA DA PREVISÃO
ENERGIA EÓLICA PARA GERAÇÃO DE ELETRICIDADE E A IMPORTÂNCIA DA PREVISÃO Alessandro Dalmaz alessandrodalmaz@pop.com.br Leme Engenharia Florianópolis SC Júlio César Passos jpassos@emc.ufsc.br LEPTEN / LABSOLAR
Leia maisJosé Francisco Moreira Pessanha
Pontifícia Universidade Católica do Rio de Janeiro Sistema de Inferência Neuro-Fuy Adaptativo - ANFIS José Francisco Moreira Pessanha Rio de Janeiro - RJ, 14 de junho de 00 Sumário 1 - Introdução - Sistema
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisUNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
Leia maisRedes Neurais Pulsadas. João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas
Redes Neurais Pulsadas João Fausto Lorenzato Robson David Montenegro Tarcísio Lucas Introdução Modelos de redes neurais podem ser classificados em gerações. Primeira Geração Neurônios de McCulloch-Pitts
Leia mais6. Controle por Aprendizado Neuro-Fuzzy
6. Controle por Aprendizado Neuro-Fuzzy 6.1. Introdução Neste capítulo é apresentado o controle por aprendizado utilizando um sistema híbrido Neuro-Fuzzy, para o cálculo e atualização dos pontos de reversão
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisAnálise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
Leia maisFERRAMENTA PARA A PREVISÃO DO CARREGAMENTO DE CURTO PRAZO DE LINHAS DE TRANSMISSÃO ATRAVÉS DE REDES NEURAIS
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GOP - 3 16 a 1 Outubro de 5 Curitiba - Paraná GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP FERRAMENTA PARA A
Leia maisJAI 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
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisDécimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
APLICAÇÃO DA TRANSFORMADA WAVELET PARA PREVISÃO DA VELOCIDADE DO VENTO M. B. Carvalho* F. D. L. Silva* P. C. M. de Carvalho* *Universidade Federal do Ceará, Departamento de Engenharia Elétrica RESUMO Diante
Leia maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisREGIME EÓLICO DE QUATRO ESTAÇÕES NO NORDESTE
REGIME EÓLICO DE QUATRO ESTAÇÕES NO NORDESTE Sin Chan Chou, Diego J. Chagas, Arthur C. Paiva Neto, Glauber M. Ventura, André A. Lyra, Enio B. Pereira RESUMO Este trabalho mostra o regime dos ventos de
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisUM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA
UM MODELO NEURAL PARA A PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA NA CIDADE DE FRANCA SOUZA, REGIANE MÁXIMO YOSHINO, RUI TADASHI HANISC,H, WERNER SIEGFRIED ETO, REGINA FUMIE Palavras-chaves: Artificial Neural
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisFERRAMENTA DE AUXÍLIO NO PROCESSO DE MEDIÇÃO DE ENERGIA ELÉTRICA UTILIZANDO INTELIGÊNCIA COMPUTACIONAL RESUMO
31 FERRAMENTA DE AUXÍLIO NO PROCESSO DE MEDIÇÃO DE ENERGIA ELÉTRICA UTILIZANDO INTELIGÊNCIA COMPUTACIONAL RESUMO Marco Antônio Silva Pereira 1 Este artigo aborda assuntos relacionados aos problemas encontrados
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia mais5 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
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia maisPREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON
PREVISÃO DA DEMANDA BIOQUÍMICA DE OXIGÊNIO POR MEIO DE VARIÁVEIS LIMNOLÓGICAS UTILIZANDO MODELOS DE APRENDIZADO DE MÁQUINA EM PYTHON L. O. M. DA SILVA 1, D. L. C. DA SILVA 1, L. A. VANDERLEI 1, M. C. O.
Leia maisAlgoritmos 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
Leia maisRedes 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
Leia mais3 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
Leia maisUma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica
Uma abordagem Fuzzy para a previsão de curto-prazo do consumo de energia elétrica Roger Júnio Campos, Tales Argolo Jesus, Centro de Pesquisa e Desenvolvimento em Engenharia Elétrica - CPDEE - UFMG, 31270-901,
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisPrevisão 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
Leia maisCOMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB
COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB KENJI NOSE FILHO, JORGE L. Y. MAEDA, ANNA D. P. LOTUFO Departamento
Leia maisPREVISÃO 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
Leia mais