Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais
|
|
- Luiz Felipe Campos Zagalo
- 6 Há anos
- Visualizações:
Transcrição
1 1 Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais Thays Abreu, Miguel Paredes, Klayton A. M. Araujo, Mara L. M. Lopes e Anna Diva P. Lotufo, Membro IEEE Resumo - Previsão de cargas elétricas é muito importante para planejamento e operação de sistemas elétricos, já que é através dela que é estabelecida quando e quanto de capacidade de geração e transmissão deve-se dispor para atender a carga sem interrupções no fornecimento. Neste artigo será desenvolvido um modelo híbrido utilizando as vantagens dos modelos ARIMA de Box & Jenkins e das redes neurais artificiais com treinamento realizado pelo algoritmo de Levenberg-Marquardt, com a finalidade de melhorar a precisão dos resultados com relação à previsão de cargas elétricas a curto prazo. Os resultados apresentados foram comparados com resultados apresentados em outros artigos que também utilizaram os dados históricos da mesma companhia do setor elétrico brasileiro. O modelo proposto apresentou um ganho de desempenho. Palavras Chave - ARIMA de Box & Jenkins, previsão de cargas elétricas a curto prazo, redes neurais artificiais. I. NOMENCLATURA ANFIS- Adaptive network based fuzzy inference system ARIMA- Auto Regressive Integrated Moving Average ARMA- Auto Regressive Moving Average FAC- Função de Autocorrelação FACP- Função de Autocorrelação Parcial GRNN- General Regression Neural Network MAPE- Mean Absolute Percentual Error PMC- Perceptron Multicamadas RNA- Rede Neural Artificial RNAs- Redes Neurais Artificiais SARIMA- Seasonal Auto Regressive Integrated Moving Average A II. INTRODUÇÃO TUALMENTE os sistemas elétricos de potência crescem em tamanho e complexidade e se faz necessário criar alternativas para minimizar o custo total de geração e operação. A previsão de cargas elétricas é uma das tarefas mais importantes de um centro de controle e operação. O Este trabalho foi financiado pelas instituições brasileiras CAPES e FAPESP-2010/ T. A. de Abreu, M. Q. Paredes, K. A. M. Araujo e A. D. P. Lotufo estão na Faculdade de Engenharia de Ilha Solteira Universidade Estadual Paulista, Departamento de Engenharia Elétrica, Ilha Solteira, São Paulo, Brasil ( s: (thays7_abreu@hotmail.com, {miguel.paredes.q, klayton.feis}@gmail.com, annadiva@dee.feis.unesp.br). M. L. M. Lopes está na Faculdade de Engenharia de Ilha Solteira Universidade Estadual Paulista, Departamento de Matemática, Ilha Solteira, São Paulo, Brasil ( mara@mat.feis.unesp.br). conhecimento futuro da carga exerce um papel importante no planejamento de expansão, fluxo de potência, operação econômica, análise e controle de segurança de Sistema de Energia Elétrica. Na literatura destacam-se as seguintes técnicas para previsão de carga [1]: técnica de regressão linear simples ou múltipla, alisamento exponencial, estimação de estados, filtro de Kalman, ARIMA de Box & Jenkins [2], sendo que estes métodos necessitam da modelagem prévia da carga para aplicação posterior. Os fatores que ajudam a modelar a carga podem ser condições meteorológicas, como nebulosidade, velocidade do vento, variações bruscas de temperatura e fatores diversos como efeito de dias atípicos (feriados, greves, etc.) [1]. Atualmente, o uso das redes neurais é um método alternativo e eficiente para previsão de cargas elétricas. Uma de suas vantagens é que não necessita da modelagem prévia da carga [3]. Uma proposta bastante interessante encontrada na literatura é de unir as vantagens das redes neurais artificiais com as de um ARIMA de Box & Jenkins, formando um modelo híbrido. Existem poucos trabalhos utilizando tal metodologia híbrida principalmente para previsão de cargas elétricas a curto prazo. Em [4], Faruk deseja fazer previsão de qualidade da água da Málasia, levando em consideração a temperatura, boro e oxigênio dissolvido. Devido a capacidade de reconhecer os padrões de séries temporais e características não-lineares, o modelo híbrido oferece uma precisão muito melhor ao longo dos modelos ARIMA e rede neural artificial (RNA) sozinhos. No trabalho de Koutroumanidis [5] é apresentada uma descrição da contribuição de fontes de energia renováveis para a produção de eletricidade. Os modelos ARIMA e RNA são unidos, sendo o ARIMA responsável por gerar os parâmetros da carga e as redes neurais são usadas para prever os preços futuros de venda de lenha produzida pela floresta estatal na Grécia. Já nos trabalhos de Khashei e Bijari [6], [7] são considerados os dados históricos dos registros das manchas solares por ano, o número de linces que é capturado por ano no rio Mackenzie (Canadá) e a taxa de câmbio libra (Britânica)/dólar (Estados Unidos), também com o objetivo de obter uma previsão precisa utilizando o hibridismo entre ARIMA e RNA. Os modelos ARIMA são utilizados na primeira fase para gerar os dados necessários a partir das series históricas. Em seguida, na segunda fase uma rede neural é usada para modelar os dados gerados pelo modelo ARIMA, e
2 2 para prever o futuro da serie temporal. A previsão foi precisa e os resultados encontrados satisfatórios. Neste artigo será desenvolvido um modelo híbrido previsor de cargas elétricas a curto prazo, utilizando os modelos ARIMA de Box & Jenkins e redes neurais artificiais, sendo o modelo ARIMA responsável por gerar o melhor modelo e a RNA em fazer a previsão do erro futuro para posteriormente, substituí-lo no modelo ARIMA com a finalidade de realizar a previsão. O modelo híbrido foi testado nos períodos de 30, 60 e 90 dias, respectivamente, com o objetivo de prever o dia 1 de agosto de Os resultados foram comparados com outros trabalhos que utilizaram os mesmos dados históricos de uma companhia do setor elétrico brasileiro e com o modelo SARIMA (ARIMA Sazonal). III. ARIMA DE BOX & JENKINS Por mais de meio século, os modelos ARIMA dominaram muitas áreas de previsão de séries temporais. Tais métodos dependem apenas dos dados da série para a especificação do modelo [8]. Em um modelo ARIMA, denotado por ARIMA, o valor futuro de uma variável é assumido como uma função linear de várias observações passadas e erros aleatórios. O processo que gera a série de tempo tem a forma dada por (1): sendo: = valores atuais no período t; = erros aleatórios no período t; = operador auto-regressivo de ordem ; = operador das médias móveis de ordem ; (1) = diferenciação da série; = indicação de quantas vezes a série foi diferenciada até se tornar estacionária. Caso a série já seja estacionária, o termo d não existe e modelo passa a ser denominado ARMA. A metodologia de Box & Jenkins [2] consiste em ajustar modelos ARIMA a um conjunto de dados. A construção do modelo é abordada no ciclo: identificação, estimação e verificação. O procedimento de identificação consiste de duas partes: primeiro se diferencia a série até obter uma série estacionária. Tornando a série estacionária, já é possível encontrar os valores de, do modelo ARMA resultante. Os parâmetros, e são encontrados fazendo a análise das FAC e FACP. Uma vez que um modelo é identificado, já é possível fazer sua estimação, de forma que a medida geral dos erros seja minimizada. A estimação pode ser feita por mínimos quadrados e por máxima verossimilhança [9]. Após estimar o modelo, temos de verificar se ele representa, ou não, adequadamente os dados. Uma técnica que pode ser utilizada é o teste de Box e Pierce [10], em que é sugerido um teste para as autocorrelações dos resíduos estimados, que apesar de não detectar quebras específicas no comportamento do ruído branco, pode indicar se esses valores são muito altos. Os modelos ARIMA exploram a correlação de valores de observados em instantes de tempo consecutivos, enquanto os modelos ARIMA que possuem sazonalidade apresentam correlação entre os instantes de tempo distantes entre si por ou múltiplos de, no qual é o número de observações contidas em um ano ( = 12 para dados mensais e = 4 para dados trimestrais) [9]. Para acomodar esse tipo de série, surgem os modelos ARIMA sazonais, também conhecidos por modelos SARIMA, e que são denotados por (2) [11]: no qual: = operador auto-regressivo sazonal de ordem ; = operador de medias móveis sazonal de ordem ; = diferenciação da série sazonal; = número de diferenças sazonais. Para identificação, estimação e verificação de modelos sazonais, não há, a princípio, nenhuma dificuldade adicional. A diferença é que temos de diferenciar a série com respeito à e a fim de produzir estacionariedade. Com isso obtemos os valores de e, que, na maioria das vezes, assumem valores no máximo igual a 2 [12]. As fases de estimação e verificação dos modelos SARIMA são análogas aos do modelo ARIMA [12]. IV. REDES NEURAIS ARTIFICIAIS As RNAs são modelos computacionais inspirados no sistema nervoso dos seres vivos. Possuem a capacidade de aquisição e manutenção de conhecimento e podem ser definidas como um conjunto de unidades de processamento, caracterizadas por neurônios artificiais separados entre camadas (entrada, oculta ou escondida e saída) cujo processamento se resume nas seguintes etapas [13]: 1. Um conjunto de entradas,, são apresentadas à rede; 2. Cada sinal é ponderado a um peso associado, que indica sua influência na saída da unidade; 3. As entradas ponderadas são aplicadas ao bloco somatório, onde se adiciona também uma entrada independente,, denominada bias ; 4. A saída intermediária do neurônio é definida por (3): (2) (3) A saída é, então, convertida em não-linearidade através das funções de ativação relé ou sigmoide. As funções tipo relé são
3 3 apropriadas para sistemas binários, enquanto que as funções sigmoidais podem ser empregadas tanto para sistemas contínuos como binários [13]. As características mais relevantes envolvidas com aplicação de redes neurais artificiais são: adaptação por experiência, capacidade de aprendizado, habilidade de generalização, organização de dados, tolerância a falhas e armazenamento distribuído [14]. A. Redes Perceptron Multicamadas A rede neural PMC é uma das mais populares, sendo capaz de resolver problemas complexos e de natureza diversa. Tal arquitetura é caracterizada pela presença de pelo menos uma camada intermediária de neurônios situada entre a camada de entrada e a camada de saída. Logo, tais redes têm no mínimo duas camadas [3]. A rede PMC possui arquitetura do tipo feedforward de camadas múltiplas e seu treinamento é efetuado de forma supervisionada. As redes PMC funcionam da seguinte forma: os sinais são apresentados em sua camada de entrada em seguida os neurônios das camadas intermediárias extraem a maior parte das informações passam a ser codificadas em seus pesos sinápticos e limiares. Por último, os neurônios da camada de saída recebem os sinais vindos da última camada intermediária e produzem uma resposta padrão que será a saída disponibilizada pela rede neural [14]. B. Treinamento de Levenberg-Marquardt A rede neural possui a capacidade de aprender, para tanto deve ser treinada, ajustando seus pesos. Logo, necessita-se de algoritmo de treinamento. Neste caso, utiliza-se o método de Levenberg-Marquardt, que é baseado na aceleração do treinamento em relação a determinação das derivadas de segunda ordem do erro quadrático em relação aos pesos [15]. A sua regra de aprendizagem é baseada em (4): [ ] (4) sendo: = vetor dos pesos sinápticos; = matriz jacobiana; = matriz identidade; = constante do método de Levenberg-Marquardt; = ; = saída fornecida pela rede; = saída o valor exato correspondente à saída da rede. O parâmetro pode ser chamado de fator de estabilização do treinamento, ajustando a aproximação utilizando a rápida convergência do método de Newton e evitando passos muito longos que possam levar a um erro de convergência [15]. O método de Levenberg-Marquardt apresenta convergência em menos iterações, mas necessita de mais cálculos por iteração devido aos cálculos das matrizes inversas, com isso exigindo um grande esforço computacional. Ainda assim esse algoritmo de treinamento é o mais rápido para redes neurais feedforward, quando se trabalha com um número moderado de parâmetros na rede. Quando esse número é elevado, a utilização desse algoritmo não é adequada, pois possui uma quantidade moderada de pesos sinápticos [15]. V. MODELO HÍBRIDO O primeiro passo da metodologia proposta consiste em aplicar os dados históricos (reais) no software R utilizando a biblioteca forecast [16], com objetivo de obter o melhor modelo ARIMA da série. Os modelos obtidos possuem sazonalidade, pois apresentam correlações em instantes de tempo de 24 horas. Assim a correlação entre as cargas no período da noite devem ser altas e provavelmente maiores do que a correlação das cargas da manhã do mesmo dia. Tais modelos são conhecidos como modelos SARIMA. Na Fig. 1, apresenta-se detalhadamente o que se obtém através do software R. Fig. 1. Diagrama de blocos do que se obtém através do software R. Através da série simulada do modelo SARIMA, já é possível encontrar o erro que existe entre tal modelo e os dados reais, denotado por (5). Erro = dados reais dados simulados (5) O erro encontrado através de (5) será utilizado como quatro entradas da rede neural, que terá a estrutura apresentada na Fig. 2 para as três aplicações. X 1 X 2... X 13 Fig. 2. Estrutura da rede neural Y O conjunto que compõem o vetor de entrada e a saída, respectivamente, é definido por (6) e (7) [13]: em que: [ ] (6) [ ] (7)
4 4 = dimensão do vetor ; = valor do erro horas anterior à hora corrente ; = valor do erro correspondente à hora subsequente a hora corrente ; = vetor de tempo referente aos dados históricos (feriado, dia da semana, horas) codificados em números binários (-1, +1). Em relação à Fig. 2, a rede neural possui 3 camadas, sendo que a camada de entrada é composta por 13 neurônios, a camada intermediaria por 27 e a camada de saída por 1 neurônio. Na camada de entrada, o vetor representa 9 entradas da rede neural, sendo composto por dados binários correspondentes aos feriados, dias da semana e horas do dia, respectivamente. Já as 4 últimas entradas correspondem aos erros obtidos através de (5). A saída da rede neural irá fazer a previsão do erro, ou seja, o erro futuro das 24 horas que se deseja prever. Juntando o vetor representado em (5) com o erro previsto através da rede neural, será obtido o vetor erro, que será denotado por. O erro será substituído nos resíduos das equações SARIMA, produto dos coeficientes gerados pelo software R, com a finalmente de obter a previsão desejada da carga. A Fig. 3 descreve a metodologia proposta em forma de um diagrama de blocos. O modelo proposto foi submetido a três aplicações distintas, diferenciadas pela quantidade de dias utilizados para cada aplicação, conforme a Tabela I. TABELA I ESPECIFICAÇÃO DOS PERÍODOS E O NÚMERO DE VETORES DE ENTRADA DO SOFTWARE R Aplicação Período Número de Vetores Dia Previsto 1 31 dias - 01/07/98 a 31/07/ /08/ dias - 01/06/98 a 31/07/ /08/ dias - 01/05/98 a 31/07/ /08/1998 VI. RESULTADOS Nesta seção apresentaremos os resultados obtidos pelo modelo proposto para a previsão de carga elétrica a curto prazo, 24 horas do dia 1 de agosto de Tais resultados foram comparados com [18], no qual utilizaram-se os mesmos períodos da companhia do setor elétrico brasileiro e também foram comparados com a previsão realizada pelo modelo SARIMA obtido através da mesma série. Para comparar os resultados, verificamos o MAPE e o erro máximo obtidos durante a previsão das cargas nas 24 horas. O MAPE e o erro máximo podem ser calculados, respectivamente, por (8) e (9) [19]. { } (8) { } (9) no qual: = valor da carga real referente a hora ; = valor da carga estimada pelo modelo híbrido referente a hora ; = número total de horas. TABELA II MAPE E ERRO MÁXIMO OBTIDO 24 HORAS A FRENTE PARA APLICAÇÃO 1 Modelos MAPE (%) Erro máximo (%) Modelo Híbrido 0,908 1,016 SARIMA 9,096 18,623 Fig. 3. Diagrama de blocos do modelo proposto. É importante enfatizar que as fases de treinamento e teste da rede neural foram realizadas no software MATLAB utilizando as ferramentas toolbox neural network [17]. Utilizou-se também o software MATLAB para realizar a previsão da carga elétrica, sendo esta encontrada depois que o vetor erro,, é substituído nas equações SARIMA. gradiente descendente com momento 1,998 4,845 Levenberg-Marquardt 1,178 3,560 ANFIS 1,090 2,861 GRNN 1,003 2,410
5 Carga [MVA] Carga [MVA] Carga [MVA] 5 As Tabelas II, III e IV apresentam os valores do MAPE e erro máximo obtidos, respectivamente, para as aplicações 1, 2 e 3. TABELA III MAPE E ERRO MÁXIMO OBTIDO 24 HORAS A FRENTE PARA APLICAÇÃO 2 Modelos MAPE (%) Erro máximo (%) Modelo Hibrido Carga Real Modelo SARIMA Modelo Híbrido 0,892 0,954 SARIMA 7,774 16,955 gradiente descendente com momento 2,093 5,022 Levenberg-Marquardt 1,490 4,267 ANFIS 1,403 3, Tempo [Horas] Fig. 5. Curva da carga prevista através do modelo híbrido e modelo SARIMAaplicação 2. GRNN 1,118 3,650 TABELA IV MAPE E ERRO MÁXIMO OBTIDO 24 HORAS A FRENTE PARA APLICAÇÃO 3 Modelos MAPE (%) Erro máximo (%) Modelo Híbrido 0,634 0, Modelo Hibrido Carga Real Modelo SARIMA SARIMA 8,747 18, gradiente descendente com momento 2,313 7,088 Levenberg-Marquardt 1,698 4,687 ANFIS 0,973 3,757 GRNN 1,288 4,246 As Figs. 4-6 apresentam as curvas de previsão de cargas de 24 horas à frente para cada aplicação Modelo Hibrido Carga Real Modelo SARIMA Tempo [Horas] Fig. 4. Curva da carga prevista através do modelo híbrido e modelo SARIMAaplicação Tempo [Horas] Fig. 6. Curva da carga prevista através do modelo híbrido e modelo SARIMAaplicação 3. Observa-se através das Figs. 4-6, que os resultados obtidos pelo modelo híbrido forneceram uma previsão de carga mais precisa que o modelo SARIMA obtido para a mesma série. VII. CONCLUSÕES As técnicas híbridas entre ARIMA e RNAs têm destaque na previsão de séries temporais e resultados bastante satisfatórios são encontrados. Este trabalho teve como objetivo o desenvolvimento de uma metodologia híbrida para previsão de cargas elétricas em curto prazo, sendo utilizados os modelos ARIMA de Box & Jenkins e as RNAs, com o treinamento baseado no algoritmo de Levenberg-Marquartd. Pode-se observar através dos gráficos das Figs. de 4-6, que o modelo proposto apresenta bons resultados, garantindo uma boa previsão, com MAPE inferiores a 1% e erros máximos inferiores a 1,1%. Assim observando as Tabelas II, III e IV, o modelo híbrido apresenta resultados mais precisos que os outros nas três aplicações, tanto em relação ao MAPE como em relação ao
6 6 erro máximo. Portanto, levando em consideração estes dois parâmetros, MAPE e erro máximo, pode-se dizer que o modelo proposto é mais satisfatório e fornece uma previsão de melhor qualidade. VIII. AGRADECIMENTOS Agradecemos ao apoio financeiro da Capes (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior) e FAPESP (Fundação de Amparo a Pesquisa)- 2010/ IX. REFERÊNCIAS BIBLIOGRÁFICAS [1] T. M. O Donovan, Short Term Forecasting: An Introduction to the Box- Jenkins Approach, New York: John Wiley & Sons, [2] G.E. Box e G.M. Jenkins, Times series analysis: forecasting and control. San Francisco, USA: Holden- Day, [3] S. Haykin, Neural networks: A comprehensive foundation, Prentice-Hall, Upper Saddle River, New Jersey, USA, [4] D. O. Faruk, A hybrid neural network and ARIMA model for water quality time series prediction, Engineering Applications of Artificial Intelligence, vol. 23, pp , Out [5] T. Koutroumanidis, K. Ioannou e G.Arabatziz, Predicting fuelwood prices in Greece with the use of ARIMA models, artificial neural networks and a hybrid ARIMA ANN model, Energy Police, vol. 37 pp , Mai [6] M. Khashei e M. Bijari, An artificial neural network (p, d, q) model for time series forecasting, Expert Systems with Applications, vol. 37, pp , [7] M. Khashei e M. Bijari, A novel hybridization artificial neural networks and ARIMA models for time series forecasting, Applied Soft Computing, vol. 11, pp , Nov [8] G. E. P. Box, G. M. Jenkins e G. Reinsel, Times Series Analysis: Forecast and Control, 3 rd ed. Englewood Cliffs: Prentice Hall, [9] V. L. Fava, Metodologia de Box-Jenkins para modelos univariados. In: M. A. S. Vasconcellos; D. C. O. Alves. (Org.). Manual de Econometria: Nível Intermediário. SÃO PAULO: ATLAS, 1999, v. 1, pp [10] G. E. P. Box e D. A. Pierce, Distribution of residual autocorrelations is autoregressive-integrated moving average time series models. Journal of the American Statistical Association, no. 64, pp , [11] P. J. Brockweell e R. A. Davis, Times Series: Theory and Methods, 2nd ed. New York: Springer, Nov [12] P. A. Morettin e C. M. C. Toloi, Análise de Séries Temporais, 2nd ed. São Paulo: Edgard Blucher, [13] M. L. M. Lopes, Desenvolvimento de Redes Neurais para Previsão de Cargas Elétricas de Sistemas de Energia Elétrica. Tese (Doutorado)- Universidade Estadual Paulista Julio de Mesquita Filho, Faculdade de Engenharia, Ilha Solteira, Dez [14] I. N. Silva, D. H. Spatti e R. A. Flauzino. Redes Neurais Artificiais para engenharia e ciências aplicadas, São Paulo: Artliber, [15] A. H. Barbosa, M. S. R. Freitas e F.A. Neves, Confiabilidade estrutural utilizando o método de Monte Carlo e redes neurais Revista Escola de Minas, vol. 58, no 3, pp , Jul/Set [16] R. J. Hyndman e K. Yeasmin. Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, v. 27, Jul [17] M. D. Ortigueira, Manual de introdução ao MATLAB. Faculdade de ciências e tecnologia da universidade nova Lisboa, [18] K. Nose Filho, K. A. M. Araujo, J. L. Y. Maeda e A. D. P. Lotufo, Previsão de cargas elétricas utilizando diferentes arquiteturas de redes neurais artificiais com o auxilio das toolboxes do MATLAB, In: 8th Latin American Congress Electricity Generation and Transmission, 2009, Ubatuba, SP. Electricity Generation and Transmission. Guaratinguetá: FDCT [19] D. Srinivasan, S. S. Tan, C. S. Chang, e E. K. Chan, Practical Implementation of a Hybrid Fuzzy Neural Network For One-Day-Ahead Load Forecasting, IEE Proceedings Generation, Transmission and Distribution, vol. 145, no 6, pp , Nov X. BIOGRAFIAS Thays Abreu graduada em Matemática pela Universidade Federal de Mato Grosso do Sul em Atualmente é estudante de Pós-graduação em Engenharia Elétrica, Mestrado, pela UNESP de Ilha Solteira e sua área de pesquisa é previsão de cargas elétricas utilizando redes neurais e modelos de regressão ARIMA. Miguel Paredes graduado em Engenharia Elétrica, em 2008, pela Universidade Nacional de Engenharia, Lima, Peru. Atualmente, é aluno de Mestrado em Engenharia Elétrica na Universidade Estadual Paulista, Ilha Solteira-SP, Brasil. A área de interesse é o desenvolvimento de metodologias para a otimização do planejamento de sistemas hidrotérmicos. Klayton A. M. Araujo Atualmente está realizando graduação em Engenharia Elétrica pela Universidade Estadual Júlio de Mesquita Filho. Tem experiência na área de Engenharia Elétrica atuando principalmente nos seguintes temas: redes neurais artificiais feedforward com algoritmo de Levenberg-Marquardt, previsão de cargas elétricas e afluências. Mara L. M. Lopes graduada em Matemática pela Universidade Federal de Mato Grosso do Sul em Obteve os títulos de mestre e de doutor, em Engenharia Elétrica, pela UNESP/Ilha Solteira, SP, em 2000 e 2005, respectivamente. Entre os anos de 2006 e 2007 desenvolveu o Pós- Doutorado Júnior na UNESP/Ilha Solteira, SP, com o apoio da CNPq e da FAPESP - Primeiros Projetos. Atualmente é Professor Assistente Doutor na UNESP - Ilha Solteira, SP, realizando pesquisas nas áreas de previsão de carga, redes neurais artificiais, lógica nebulosa e estatística. Anna Diva P. Lotufo graduada em Engenharia Elétrica pela UFSM, Santa Maria, RS, em 1978, M.Sc. pela UFSC, Florianópolis, SC, em 1982 e PhD pela UNESP Ilha Solteira em Atualmente é Professor Assistente Doutor na UNESP - Ilha Solteira, SP, realizando pesquisas nas áreas de controle preventivo e previsão de cargas por redes neurais.
Previsão de Cargas Elétricas através de um modelo de Regressão ARIMA e uma Rede Neural ARTMAP Fuzzy
Previsão de Cargas Elétricas através de um modelo de Regressão ARIMA e uma Rede Neural ARTMAP Fuzzy T. Abreu, C. R. Santos Junior, M. L. M. Lopes, A. D. P. Lotufo FEIS Faculdade de Engenharia de Ilha Solteira
Leia maisRede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas Thays Abreu, Marleide F. Alves, Carlos R. Santos Junior, Anna
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 maisPREVISÃO DE CARGAS ELÉTRICAS ATRAVÉS DE UM MODELO HÍBRIDO DE REGRESSÃO COM REDES NEURAIS. Thays Aparecida de Abreu Silva
PREVISÃO DE CARGAS ELÉTRICAS ATRAVÉS DE UM MODELO HÍBRIDO DE REGRESSÃO COM REDES NEURAIS Thays Aparecida de Abreu Silva Ilha Solteira SP Fevereiro-2012 PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisPrevisão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado Thays Abreu 1, Carlos R. Santos Junior 2 Mara L. M. Lopes 1 Anna Diva Lotudo 1 Carlos R Minussi 1 1 Universidade
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 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 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 maisAnálise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Leia maisDESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA
DESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA ALINE J. AMORIM 1, MARA L. LOPES 2, CARLOS R. MINUSSI 1, ESTELIO S. AMORIM 2 1. Departamento de Engenharia Elétrica, UNESP - Universidade
Leia maisPrevisão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy
Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy C. M. Oliveira, A. D. P. Lotufo Departamento de Engenharia Elétrica Universidade Estadual Paulista, UNESP Ilha Solteira, São
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
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 maisRedes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo
Redes Neurais Artificiais Dinâmicas Aplicadas na Previsão de Demanda de Energia Elétrica no Curtíssimo Prazo Luciano Carli Moreira de Andrade Mário Oleskovics Departamento de Engenharia Elétrica e de Computação
Leia maisCombinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica
Luiz Albino Teixeira Júnior Combinação Geométrica de Métodos Preditivos; Aplicação à Previsão de Consumo Residencial Mensal de Energia Elétrica Dissertação de Mestrado Dissertação apresentada como requisito
Leia maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
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 maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia maisRede ARTMAP Euclidiana na solução do problema de previsão de cargas elétricas
Rede ARTMAP Euclidiana na solução do problema de previsão de cargas elétricas Code: 01.003 Tânia T. Gomes, Mara Lúcia M. Lopes, Carlos R. Júnior, Marleide F. Alves, Anna Diva P. Lotuffo Universidade Estadual
Leia maisPREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS POR SELEÇÃO DE VARIÁVEIS STEPWISE E REDES NEURAIS ARTIFICIAIS
Campus de Ilha Solteira PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS POR SELEÇÃO DE VARIÁVEIS STEPWISE E REDES NEURAIS ARTIFICIAIS MARLEIDE FERREIRA ALVES Ilha Solteira 2013 Campus de Ilha Solteira PROGRAMA
Leia maisPREVISÃO DA PRODUÇÃO DE ÁLCOOL
APLICAÇÃO Aplicação DE REDES de redes NEURAIS neurais artificiais... ARTIFICIAIS NA 279 PREVISÃO DA PRODUÇÃO DE ÁLCOOL Application of artificial neural networks in the forecast of alcohol production Anderson
Leia maisAnálise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
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 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 maisAnálise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais
Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais Guilherme Alvarenga Laia 1 Maria Imaculada de Sousa Silva 2 Nádia Giaretta Biase 3 1 Introdução
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
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 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 maisAnálise da série do custo da cesta básica de Belo Horizonte, MG.
Análise da série do custo da cesta básica de Belo Horizonte, MG. Tamara Aparecida Nogueira dos Anjos 12 Érica Fernanda da Cruz 3 Thelma Sáfadi 3 1 Introdução Em nosso dia-a-dia é comum fenômenos que evoluem
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisProcessing and load forecasting of a micro grid using GRNN neural network
Processing and load forecasting of a micro grid using GRNN neural network Code: 01.001 Monara P. R. Carvalho, Anna Diva Plasencia Lotufo Universidade Estadual Paulista, Ilha Solteira/SP 16/11/2017 1 Objetivos
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 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 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 maisARTIGO ORIGINAL. Métodos Avançados de Previsão de Séries Temporais Aplicados a Dados Socioeconômicos na Região Sul da Bahia
ARTIGO ORIGINAL Dados Socioeconômicos na Região Sul da Bahia Advanced Methods for Time Series Forecasting Applied to Bahia South Region Socioeconomic Data Darcio
Leia maisAjuste de modelos de séries temporais para pressão atmosférica de Uberlândia
Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Valiana Alves Teodoro Mirian Fernandes Carvalho Araújo Lúcio Borges de Araújo Introdução Na comercialização de produtos originados
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 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 maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
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 maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
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 maisAplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR)
Aplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR) Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo Gonçalves Tavares 4 Tiago
Leia mais4 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 maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisRedes Neurais Artificiais. Professor: Juan Moises Villanueva
Redes Neurais Artificiais Mestrando: Lucas Nicolau Email: lucasfnicolau@gmail.com Professor: Juan Moises Villanueva Rede Neural Direta Arquitetura com múltiplas camadas com fluxo de informação apenas em
Leia maisAvaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais
Avaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais 1 Introdução Micherlania da Silva Nascimento 1 Leila Maria Ferreira 2 Tatiane Carvalho Alvarenga 3 4 O Brasil é o
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
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 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 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 maisMODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS (CEFET-MG).
MODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO. Introdução TECNOLÓGICA DE MINAS GERAIS (CEFET-MG). Luciane Teixeira Passos Giarola Fátima Oliveira Takenaka
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 maisRafael Gomes Loiola (PUC GOIÁS ) Maria Jose Pereira Dantas (PUC GOIÁS )
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 PREVISÃO DE SÉRIES TEMPORAIS DE DEMANDA DE PRODUTOS DE UMA EMPRESA DO RAMO METAL MECÂNICO POR MEIO DO MÉTODO CLÁSSICO DE BOX-JENKINS E REDES NEURAIS
Leia maisMÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL
MÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL Thais Rubiane Domingues Silva 1, Laryssa Ribeiro 2, Fábio Luis Figueiredo Fernandes 3, Danielle Mayumi Campos Tamaki 4 Centro
Leia maisAnálise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais
Análise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais 1 Introdução Charles Shalimar Felippe da Silva 1 Ricardo Vitor Ribeiro dos Santos
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
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 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 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 maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisAnálise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Leia maisAPLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS
Leia maisAula 1 Introdução - RNA
Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores
Leia 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 maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
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 maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
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 maisPrevisão de taxas de falhas utilizando o Método de Box & Jenkins. Forecast of failure rates using the Box & Jenkins Method
Previsão de taxas de falhas utilizando o Método de Box & Jenkins Débora Morales1 (UFPR) debora_mo2@hotmail.com Naiara Fernanda Johnsson 2 (UFPR) nai_johnsson@hotmail.com Resumo: O presente artigo propõe
Leia maisPerspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o Ano de 2015
Niterói, RJ, Brasil, 19-22 de outubro de 29 Perspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o de 215 1 Diogo da Rocha Vargas,
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 mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisEliane da Silva Christo. Previsão de Potência Reativa. Tese de Doutorado
Eliane da Silva Christo Previsão de Potência Reativa Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de Doutor pelo Programa de Pós- Graduação em Engenharia Elétrica da
Leia maisPrevisão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression
Previsão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression Gabriel I. S. Ruas 1, Ticiano A. C. Bragatto 1, Marcus V. Lamar 2, Alexandre R. Aoki 3, Silvio Michel
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia 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 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 maisPrevisão de séries financeiras: uma aplicação da metodologia Box & Jenkins
Previsão de séries financeiras: uma aplicação da metodologia Box & Jenkins Nayane Thais Krespi Musial Anselmo Chaves Neto Programa de Pós-Graduação em Métodos Numéricos em Engenharia - PPGMNE Universidade
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 mais2 Modelos Não Lineares
Modelos Não Lineares 17 2 Modelos Não Lineares 2.1. Introdução Nos últimos anos, muitos modelos não-lineares para a análise de séries temporais têm sido propostos. Na econometria clássica, os modelos de
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 maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisMÉTODOS DE PREVISÃO: UMA ESTRATÉGIA DE PLANEJAMENTO PARA MANTER ESTOQUES FORECAST METHODS: A PLANNING STRATEGY TO MAINTAIN STOCKS
Eixo Temático: Estratégia e Negócios MÉTODOS DE PREVISÃO: UMA ESTRATÉGIA DE PLANEJAMENTO PARA MANTER ESTOQUES FORECAST METHODS: A PLANNING STRATEGY TO MAINTAIN STOCKS RESUMO Bianca Reichert, Adriano Mendonça
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 mais6 Referências bibliográficas
6 Referências bibliográficas BARROS, M.; SOUZA, R.C. Regressão Dinâmica. Núcleo de Estatística Computacional. PUC-Rio, 1995. BARROS, M. Processos Estocásticos. Rio de Janeiro. Papel Virtual, 2004. BROCKWELL,
Leia maisCombination of Box-Jenkins and MLP/RNA Models for Forecasting
Combination of Box-Jenkins and MLP/RNA Models for Forecasting W. Jacobs, A. M. Souza and R. R. Zanini Abstract This study aims to predict the values of the time series of milk demand in a dairy industry
Leia maisAutores del Trabajo Nombre País . Sérgio Bordignon3 Brasil
/6 Título Variáveis climáticas aplicadas à previsão de demanda em curtíssimo prazo Nº de Registro (Resumen) 299 Empresa o Entidad. Universidade Federal do Pampa UNIPAMPA 2. Universidade Federal do Rio
Leia maisPrevisão da produção de energia hidrelétrica no Brasil via séries temporais.
Previsão da produção de energia hidrelétrica no Brasil via séries temporais. Sílvio de Castro Silveira. Introdução Joel Augusto Muniz Thelma Sáfadi Tadeu Vilela de Souza Recentemente ascendeu-se a discussão
Leia maisTESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1
TESTE DE TOPOLOGIAS DE REDES NEURAIS ARTIFICIAS NA DETECÇÃO DE FALTAS MONOFÁSICAS DE ALTA IMPEDÂNCIA EM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA 1 Eliseu Kotlinski 2, Manuel Martín Pérez Reimbold 3. 1 Relatório
Leia 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 maisAnálise de Desempenho de um Modelo Híbrido em uma Série Temporal de Descargas Atmosféricas
Análise de Desempenho de um Modelo Híbrido em uma Série Temporal de Descargas Atmosféricas N. T. Santos, B. R. P. Rocha, V. G. Macedo, L. A. S. Lessa, L. M. Dentel, D. G. dos Santos, J. R. S. de Souza
Leia mais