Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL. Franklin Martins Pereira Pamplona UFCG/CEEI/DEE
|
|
- Brenda Anjos das Neves
- 6 Há anos
- Visualizações:
Transcrição
1 2 a 25 de Agosto de 26 Belo Horizonte - MG Previsão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL Nubia Silva Dantas Brito UFCG/CEEI/DEE nubia@ee.ufcg.edu.br Antonio Carlos Moreira de Melo Filho UFCG/CEEI/DEE antoniocarlosmmf@hotmail.com Benemar Alencar de Souza UFCG/CEEI/DEE benemar@ee.ufcg.edu.br Ricardo Barros de Vasconcelos Lima UFCG/CEEI/DEE ricardobvl@yahoo.com.br Franklin Martins Pereira Pamplona UFCG/CEEI/DEE franklin@ee.ufcg.edu.br RESUMO Este trabalho apresenta os resultados de um estudo de Previsão de Carga realizado pelo Grupo de Sistemas Elétricos (GSE) da Universidade Federal de Campina Grande (UFCG), utilizando dados fornecidos pela Companhia Energética de Alagoas (CEAL). Em particular, fez-se um estudo de Previsão de Carga de Curtíssimo Prazo via Redes Neurais Artificiais. Além da obtenção de resultados satisfatórios, uma contribuição importante do trabalho foi o desenvolvimento de uma metodologia e de um software de tratamento e adequação dos dados. PALAVRAS-CHAVE Previsão de Carga, Rede Neural Artificial, Base de Dados.. INTRODUÇÃO Um dos fatores determinantes de um sistema de distribuição são as cargas que ele deve atender. Normalmente, as características das cargas se definem conforme os hábitos, as conveniências, enfim, devido aos desejos do consumidor, sem interferência direta da concessionária. Tendo em vista que a carga é uma variável tão importante e não determinística é indispensável que se possa ter uma estimativa segura de suas características. Esta estimativa deve ser realizada de tal forma que a demanda de energia possa ser atendida, mantendo-se a qualidade do serviço prestado e evitando-se eventuais sobrecargas do sistema (Souza, 997). Conhecer a demanda de energia elétrica previamente faz com que medidas preventivas sejam tomadas, visando garantia da qualidade. O nome dado ao estudo do comportamento futuro do consumo de energia é Previsão de Carga. O planejamento e projeto do sistema de distribuição são feitos com base numa Previsão de Carga a longo e médio prazo. Se a previsão é feita de forma muito conservativa, a capacidade instalada provavelmente se esgotará em pouco tempo, acarretando problemas de /
2 continuidade de serviço, regulação de tensão e até mesmo de racionamento de energia. Por outro lado, uma Previsão de Carga bastante otimista pode conduzir a instalação de um sistema com capacidade excessiva. Existem quatro classificações de Previsão de Carga, de acordo com o tempo futuro que se deseja observar: - Curtíssimo prazo: previsões de poucos minutos até uma hora à frente. Usadas para a operação do sistema, despacho econômico e avaliação da segurança. - Curto prazo: período de até uma semana à frente. Utilizadas na programação da manutenção e auxílio à operação do sistema. - Médio prazo: período de semanas a meses à frente. Utilizado para intercâmbio de energia elétrica entre as concessionárias e no planejamento da produção. - Longo prazo: período de anos à frente. É importante para o planejamento estratégico e para prever possíveis construções de estruturas geradoras de energia. Como todo estudo de previsão, a Previsão de Carga é sujeita a erros e a minimização desse erro é importante para evitar gastos desnecessários ou má qualidade do fornecimento de energia elétrica. Um alto grau de precisão possibilita a otimização da produção, redução dos custos de produção e melhor programação de intercâmbio de energia entre concessionárias (OLIVEIRA, 999). As técnicas aplicadas para solução desse problema se dividem em dois tipos: técnicas tradicionais (regressão, séries temporais, etc.) e técnicas de inteligência artificial (IA). No contexto da IA, destacase o uso das Redes Neurais Artificiais (RNA). Análise do estado da arte mostra que o uso das RNA em Previsão de Carga vem obtendo resultados satisfatórios (AL-ALAWI, S.M. & ISLAM, S.M., 997; ISLAM, S. M. & AL-ALAWI, S. M., 997), os quais são conseqüências de uma particularidade importante: as RNA combinam as características inerentes às técnicas de séries temporais e de regressão, mas com a vantagem não ser necessário o conhecimento das relações funcionais entre as variáveis climáticas e as de carregamento elétrico (HIGHLEY, 993). Isso se deve ao fato da RNA ser capaz de sintetizar o mapeamento entre as variáveis de entrada e de saída, a partir da extração do conhecimento de um conjunto de treinamento apresentado durante a fase de aprendizagem da RNA (HAYKIN, 2). A arquitetura de RNA mais utilizada para problemas de Previsão de Carga é a de múltiplas camadas, ou redes MLP (do inglês multilayer perceptron) e conforme Ribeiro Neto et al (999), é interessante que se crie uma RNA especializada para prever a carga de cada dia da semana. Essa estratégia melhora os resultados, visto que cada RNA fica encarregada de aprender apenas o comportamento da curva de carga de um dia. O estudo realizado neste trabalho seguiu essa tendência. Detalhes da arquitetura da RNA, do problema analisado e da metodologia desenvolvida são apresentados a seguir. Todas as implementações foram feitas em linguagem de programação C++, fazendo-se uso do paradigma de orientação a objetos (MICROSOFT VISUAL STUDIO.NET, 23). 2. O PROBLEMA DE PREVISÃO DE CARGA Selecionou-se um problema simples, visto que o principal objetivo do trabalho foi o desenvolvimento de uma metodologia para estudos de Previsão de Carga via RNA. O caso-teste consistiu em realizar um estudo de Previsão de Carga de Curtíssimo Prazo do alimentador que supre o shopping Iguatemi de Maceió. Para isso utilizaram-se valores de carga registrados em intervalos de minutos ao longo do dia, nos períodos de junho a setembro de 24. Na Figura, mostra-se o comportamento médio da curva de carga diária do alimentador. A curva apresentada mostra que a carga é bem definida e se adequa bem aos fins do estudo. Observando a Figura, nota-se que os equipamentos elétricos do shopping, em sua maioria, começam a serem ligados por volta das 8h. A partir das h o consumo se intensifica e se mantém 2/
3 relativamente constante entre as 4h e as 2h. A partir das 2h, o consumo declina. Às 22h, o shopping fecha e a maioria dos equipamentos é desligada. Demanda (MVA) 5, 4,5 4, 3,5 3, 2,5 2,,5,,5, : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: Duração (h) Figura - Curva média diária da carga. 3. METODOLOGIA PROPOSTA PARA ESTUDOS DE PREVISÃO DE CARGA A metodologia proposta consiste na execução das seguintes etapas:. Definição do formato dos padrões de entrada da RNA; 2. Adequação dos dados; 3. Identificação de defeitos nos dados; 4. Substituição dos dados errados por dados estimados; 5. Conversão do horário para binário; 6. Criação dos padrões de entrada para o treinamento da RNA; 7. Normalização dos dados; 8. Criação das bases de dados de cada dia da semana; 9. Criação dos conjuntos de treinamento, validação e teste da RNA;. Aplicação dos conjuntos e seleção da arquitetura da RNA.. Previsão da Carga. As etapas 3 a 9 constituem-se num processo automático, as demais etapas são manuais. O detalhamento de cada uma das etapas á apresentado a seguir. 3. Definição do formato dos padrões de entrada da RNA Tomando como referência o artigo de Ribeiro Neto et al (999), o formato dos padrões de entrada da RNA segue o esquema mostrado na Figura 2. A informação que será aplicada a RNA é composta pela indicação do horário para o qual se deseja realizar a previsão, pelos seis últimos valores medidos de carga e pela carga da última semana, no mesmo horário e dia da semana cuja previsão será realizada. A partir dessas informações, que formam um padrão de entrada, a RNA é capaz de fornecer uma resposta, ou seja, a previsão da carga para o horário desejado. No caso estudado, considera-se que todas as medições são realizadas em intervalos de minutos e que a previsão é feita para os próximos minutos. 3.2 Adequação dos dados Os dados fornecidos, no formato Excel, correspondem a quatro meses de medições de potência aparente. Um trecho dos dados pode ser visto na Figura 3. A primeira coluna refere-se ao dia, a segunda coluna ao mês, a terceira coluna ao ano, a quarta coluna a hora, a quinta coluna aos minutos e 3/
4 a sexta coluna, ao valor de potência aparente no respectivo horário.nessa etapa os dados são convertidos do formato Excel para o formato.txt, que é o formato adotado na metodologia proposta. Indicação binária do horário Últimos seis dados de carga Carga no horário a ser previsto na semana anterior Figura 2 - Formato do padrão de entrada da RNA. Saída desejada Figura 3 - Dados no formato fornecido pela CEAL. 3.3 Identificação de defeitos nos dados Como é comum ocorrer em problemas de Previsão de Carga, os dados fornecidos pela companhia podem conter erros, os quais precisam ser identificados e tratados. Tais erros são provenientes, em sua maioria, de falhas no equipamento de medição, falhas nos registros dos dados, desligamentos do alimentador (intencional ou não) e registros de condições extemporâneas (causadas por interferências eletromagnéticas, por exemplo). Para isso, se construiu uma rotina que identifica os seguintes erros: - Ausência de medição: refere-se às seções do arquivo que apresentam descontinuidade. Por exemplo: há uma medição às 23h5 e a próxima, que deveria ser às h, foi feita às h2. - Repetição de medição: refere-se às seções do arquivo com duas ou mais medições para o mesmo horário de um mesmo dia. - Medições nulas: em tais casos, o equipamento mede um valor (zero) das grandezas elétricas. - Medições errôneas: refere-se aos valores de medições fora da faixa média ± desvio padrão. 3.4 Substituição dos dados errados por dados estimados Feita a identificação dos dados errados, segue-se para a etapa de substituição por dados estimados via interpolação quadrática. Um exemplo desse processo é mostrado nas Figuras 4, 5, 6 e 7. Selecionou-se o pior caso do conjunto de dados fornecidos pela CEAL, que foi o dia 9/9/24 (um domingo). A curva de carga esperada deveria ser semelhante à curva média dos domingos (Figura 4). Entretanto, a curva fornecida tem a forma mostrada na Figura 5. Após execução da técnica de interpolação, obtevese a curva de carga da Figura 6. A eficiência do método implementado pode ser mais bem visualizada na Figura 7, na qual se faz sobreposição de todas as curvas. O estudo desse problema bastante simples permitiu que se identificassem problemas no sistema de aquisição de dados da empresa, principalmente no que diz respeitos às medições repetidas e ausentes. Tais problemas não tinham sido ainda identificados devido ao grande volume de informação fornecido pelo sistema de aquisição de dados. 4/
5 3.5 Conversão do horário para binário O próximo passo é a conversão da indicação do horário para binário, tanto para as horas quanto para os minutos. A conversão para binário necessita de 3 bits para os minutos e 5 bits para as horas. 3.6 Criação dos padrões de entrada para o treinamento da RNA Em seguida, formam-se os padrões de entrada para o treinamento (Figura 8). Observa-se que o padrão de entrada (em destaque) contém: o horário em binário no qual a carga deve ser prevista; as últimas seis medições de carga; o valor medido na semana anterior, no mesmo horário em que se quer realizar a previsão; e o valor real da carga que se quer prever. O treinamento da RNA consiste basicamente na minimização do erro entre a resposta fornecida pela RNA e o último valor do padrão de entrada, que corresponde à resposta desejada. 3.7 Normalização dos dados Construído o padrão de entrada, segue-se para a etapa de normalização dos dados. O procedimento consiste em normalizar os valores de potência pelo máximo valor dessa grandeza encontrado no arquivo, com o intuito de mantê-los no intervalo [, ]. 3.8 Criação das bases de dados de cada dia da semana Como uma semana possui sete dias, é necessária a construção de sete conjuntos (denominados de Bases de Dados), cada um contendo exemplos do dia da semana correspondente. É a partir dos exemplos contidos na base de dados que a RNA, durante o seu treinamento, aprende a realizar a previsão de carga. 3.9 Criação dos conjuntos de treinamento, validação e teste da RNA Para que se possa realizar o treinamento de uma RNA, a base de dados é normalmente dividida em três subconjuntos, denominados de conjuntos de treinamento, validação e teste (HAYKIN, 2). Cada uma das sete redes neurais, específicas para cada dia da semana, será treinada a partir da sua respectiva base de dados. A partir dos dados fornecidos pela CEAL, montaram-se sete bases de dados, cujas configurações são mostradas na Tabela. A última semana dos dados fornecidos pela CEAL foi reservada para a criação dos sete conjuntos de testes, cada um contendo o seu respectivo dia da semana. Esse conjunto só é utilizado na fase final do treinamento, com o intuito de avaliar a qualidade do mesmo. Tabela Conjuntos de treinamento, validação e teste das RNA. Conjuntos Segunda Terça Quarta Quinta Sexta Sábado Domingo Treinamento Validação Teste Total de dias /
6 Carga (kva) Carga (kva) : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 4 - Curva média dos domingos. : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 5 - Curva de carga do domingo 9/9/ Carga (kva) Carga (kva) : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 6 - Curva de carga recuperada. 5 : 2: 4: 6: 8: : 2: 4: 6: 8: 2: 22: : Horário Figura 7 Curvas sobrepostas. 6/
7 ... Figura 8 - Criação de um padrão de entrada para o treinamento da RNA. 3. Aplicação dos conjuntos e seleção da arquitetura da RNA Finalmente, realiza-se o treinamento das RNA através da aplicação dos conjuntos de treinamento, validação e teste. Dessa forma, criou-se uma RNA especializada para cada dia da semana, com as seguintes características comuns (Figura 9): - Rede MLP com uma camada oculta. - 5 neurônios na camada de entrada. - neurônio na camada de saída. - 2 neurônios na camada oculta. - Função de ativação logarítmica sigmóide na camada oculta. - Função de ativação linear na camada de saída. - Algoritmo de treinamento RPROP (RIEDMILLER & BRAUN, 993). Conforme mencionado, utilizou-se a última semana dos registros fornecidos pela CEAL para que fosse realizada a etapa de teste. O desempenho de cada RNA foi avaliado através do erro médio absoluto computado para todas as previsões realizadas em um dia. O desempenho de cada RNA é apresentado nas Figuras a 6. Observou-se a escolha acertada do uso de uma RNA dedicada para cada dia da semana, visto que elas foram capazes de acompanhar o ritmo da carga. De um modo geral, as RNA especializadas obtiveram erros médios entre 2,62% e 3,9%. Constatou-se também que erros de maior valor ocorrem nos instantes de abertura e fechamento do shopping,portanto, nas regiões de subidas e descidas íngremes das curvas. Como esperado, todas as curvas de carga apresentam formas semelhantes, com exceção do domingo, devido à abertura do shopping nesse dia ser mais tarde. 7/
8 Últimos 6 valores da carga (6 neurônios) Valor da carga na mesma hora da semana passada ( neurônio) Valor Previsto Minutos da previsão (3 neurônios, codificação binária) Hora da previsão (5 neurônios, codificação binária) Figura 9 - Arquitetura das redes neurais. Segunda Terca,8,6,4,2 : 4: 8: 2: 6: 2: :,8,6,4,2 : 4: 8: 2: 6: 2: : Figura - Segunda feira: erro médio: 3,7%. Figura - Terça feira: erro médio: 3,62%. 8/
9 Quarta Quinta,8,6,4,2,8,6,4,2 : 4: 8: 2: 6: 2: : Figura 2 - Quarta feira: erro médio: 2,62%. : 4: 8: 2: 6: 2: : Figura 3 - Quinta feira: erro médio: 3,7%. Sexta Sábado, 8, 6, 4, 2,8,6,4,2 : 4: 8: 2: 6: 2: : : 4: 8: 2: 6: 2: : Figura 4 - Sexta feira: erro médio 3,43%. Figura 5 - Sábado: erro médio: 3,37%. Domingo,8,6,4,2 : 4: 8: 2: 6: 2: : Figura 6 - Domingo: erro médio: 3,9%. 9/
10 4. CONCLUSÕES Apesar da simplicidade do problema avaliado, o estudo desenvolvido resultou nas seguintes contribuições: - Desenvolvimento de uma metodologia para estudos de Previsão de Carga. - Desenvolvimento de um software de tratamento de dados. - Identificação de problemas nos registros de dados da empresa. Ao final pôde-se concluir que as RNA constituem uma ferramenta poderosa para problemas de Previsão de Carga, dados os bons resultados obtidos. Constata-se, entretanto, que os resultados podem ser melhorados utilizando modelos matemáticos mais sofisticados para o tratamento dos dados e avaliando outros algoritmos de treinamento e outras arquiteturas. 5. AGRADECIMENTOS Os autores agradecem ao CNPq pelo apoio financeiro e a CEAL pela cessão dos dados. 6. REFERÊNCIAS BIBLIOGRÁFICAS SOUZA, B. A. S. Distribuição de energia elétrica Apostila, Universidade Federal da Paraíba, OLIVEIRA, C. M. Um modelo de rede neural artificial para previsão automática da carga ativa nodal de curto prazo em sistemas de transmissão e distribuição de energia elétrica com supervisão e controle automatizados. Dissertação de Mestrado, Universidade Federal de Santa Catarina, AL-ALAWI, S. M. & ISLAM, S. M. Principles of electricity demand forecasting. I. Methodologies. In: IEEE Power Engineering Journal, ISLAM, S. M. & AL-ALAWI, S. M. Principles of electricity demand forecasting. II. Applications. In: IEEE Power Engineering Journal, HIGHLEY, D. D. Load forecasting by ANN. In: IEEE Computer Applications in Power, HAYKIN, S. Redes neurais, princípios e prática. Porto Alegre, Bookman, 2. 7 RIBEIRO NETO, L. S.; FIGUEIREDO, K. T.; VELLASCO, M. M. B. R. & PACHECO, M. A. Modeling neural networks to very short-term forecasting. Proc. of the Nineteenth Annual International Symposium on Forecasting, Washington DC, Microsoft Visual Studio.net Professional, Version RIEDMILLER, M. & BRAUN, H. A direct adaptive method for faster backpropagation learning: the RPROP algorithm. Proc. of the IEEE International Conference on Neural Networks, San Francisco, 993. /
Redes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
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 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 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 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 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 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 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 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 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 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 mais3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Redes Neurais
3 Sistema de Apoio à Decisão para o Controle de Tensão (SADECT) Baseado em Motivado pela importância do estabelecimento de um sistema de apoio à decisão que auxiliasse o operador de tempo real durante
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 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 maisSistema de Controle e Monitoramento de Carregamento de Alimentadores e Transformadores de Subestações
21 a 25 de Agosto de 2006 Belo Horizonte - MG Sistema de Controle e Monitoramento de Carregamento de Alimentadores e Transformadores de Subestações Blunio Elias da Silva CEMIG Distribuição S.A belias@cemig.com.br
Leia maisEstudo da Robustez e da Capacidade de Generalização dos Algoritmos RPROP e Backpropagation na Modelagem do Comportamento à Fadiga de Compósitos
Estudo da Robustez e da Capacidade de Generalização dos Algoritmos RPROP e Backpropagation na Modelagem do Comportamento à Fadiga de Compósitos Raimundo Carlos Silverio Freire Júnior UFRN CCET Programa
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 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 mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia 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 maisOPERAÇÃO DE SISTEMAS DE POTÊNCIA. TEE Aula 01 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Centro Tecnológico Escola de Engenharia Departamento de Engenharia Elétrica OPERAÇÃO DE SISTEMAS DE POTÊNCIA TEE-04091 Aula 01 Prof. Vitor Hugo Ferreira Principais tópicos
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 maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia 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 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 mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação O setor elétrico em todo o mundo vem sofrendo um processo de transformação, quer no campo político, quer no econômico. A privatização e a desregulamentação do sistema elétrico
Leia maisPrevisão de Carga Horária em Médio Prazo Utilizando Redes Neurais com Foco na Previsão dos Feriados
Previsão de Carga Horária em Médio Prazo Utilizando Redes Neurais com Foco na Previsão dos Feriados R. R. B. de Aquino, A. A. Ferreira, G. B. Silva, O. Nóbrega Neto, M. M. S. Lira, J. B. Oliveira Departamento
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 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 maisParadigmas de Aprendizagem
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Paradigmas de Aprendizagem Redes Neurais Artificiais Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
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 maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia 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 maisPROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS
PROPOSTA DE UTILIZAÇÃO DE REDES NEURAIS PARA ANÁLISES FÍSICO- QUÍMICA UTILIZANDO DADOS ESPECTROMÉTRICOS NO UV-VIS 1 SILVA, J. N., 2 MONTEIRO, G. S., 3 SILVA, S. K., 4 AVELINO, M. C., 5 FRANÇA, M. I. C,.
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 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 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 maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
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 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 maisRelatório de performance de redução de consumo de energia com ação de eficiência energética
Relatório de performance de redução de consumo de energia com ação de eficiência energética Taxa de redução obtida de 20,07 por cento Relatório de performance de redução de consumo de energia com produtos
Leia 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 maisOlinda Pernambuco - Brasil. Monitoramento de Desgastes dos Contatos do Disjuntor
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda Pernambuco - Brasil Monitoramento de Desgastes dos Contatos do Disjuntor Clailton Silva Danilo Santos Luiz
Leia maisVI SBQEE. 21 a 24 de agosto de 2005 Belém Pará Brasil
VI SBQEE 21 a 24 de agosto de 2005 Belém Pará Brasil Código: BEL 11 7795 Tópico: Modelagem e Simulações SISTEMA INTELIGENTE PARA PREVISÃO DE CARGA EM TRANSFORMADORES DE DISTRIBUIÇÃO DE ENERGIA: ESTUDOS
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 maisXVIII Seminário Nacional de Distribuição de Energia Elétrica. SENDI a 10 de outubro. Olinda - Pernambuco - Brasil
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI 2008-06 a 10 de outubro Olinda - Pernambuco - Brasil Utilização de Relés Digitais para Comutação de Tensão em Subestações Marcelo Maia
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisPROJETO PILOTO COPEL DISTRIBUIÇÃO E OSISOFT PARA MONITORAMENTO DE EQUIPAMENTOS E GESTÃO DE ATIVOS
- Optional Industry Icon (see slide # 12)- PROJETO PILOTO COPEL DISTRIBUIÇÃO E OSISOFT PARA MONITORAMENTO DE EQUIPAMENTOS E GESTÃO DE ATIVOS Lincoln Weigert Venancio, Eng 23/05/2018 - Optional Prospect
Leia maisAluno: João Ferreira Orientador: Paulo Maciel
Estratégias para análise do impacto ambiental causado por centros de dados, considerando consumo de energia, eficiência energética e predições com RNA. Aluno: João Ferreira Orientador: Paulo Maciel Introdução
Leia maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
Leia 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 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 maisAplicação de redes neurais artificiais para estimativa de produção florestal utilizando imagens Landsat 7
http://dx.doi.org/10.12702/viii.simposfloresta.2014.8-528-1 Aplicação de redes neurais artificiais para estimativa de produção florestal utilizando imagens Landsat 7 Pablo F. Lopes 1, Thaissa R. Teixeira
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 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 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 maisDIAGNÓSTICO DE ESTADO DE TRANSFORMADORES, ATRAVÉS DA CROMATOGRAFIA E COM O USO DE REDES NEURAIS. CHESF/DOMA UFPE/DEESP UFPE/CiN
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GSE - 11 16 a 21 Outubro de 2005 Curitiba - Paraná GRUPO VIII GRUPO DE ESTUDO DE SUBESTAÇÕES E EQUIPAMENTOS ELÉTRICOS - GSE DIAGNÓSTICO
Leia mais1 Introdução 1.1. Motivação
1 Introdução 1.1. Motivação Desde os grandes motores industriais até os equipamentos eletrodomésticos, todos são projetados e construídos para funcionar dentro de certas faixas de tensão, fora das quais
Leia maisAlgoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79
Algoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79 3.3.3 Classificação dos distúrbios múltiplos Para a correta classificação dos diversos distúrbios é necessário
Leia maisAVALIAÇÃO E DETERMINAÇÃO DE PERDAS ORIUNDAS DO INTERCÂMBIO DE ENERGIA DO SISTEMA INTERLIGADO SUL/SUDESTE NO SISTEMA ENERSUL
Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN) Ouro Preto 25-28 de Outubro de 2009 Sociedade Brasileira de Redes Neurais AVALIAÇÃO E DETERMINAÇÃO DE PERDAS ORIUNDAS
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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
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 maisUso do Perceptron como Modelo Substituto na Otimização Multiobjetivo com Algoritmo Genético
Uso do Perceptron como Modelo Substituto na Otimização Multiobjetivo com Algoritmo Genético Alexandre N. Barbosa 1, José Demisio S. Silva 2, Rafael D. C. dos Santos 2 1 Instituto de Aeronáutica e Espaço
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
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 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 maisCapítulo II. Agrupamento de cargas e definições complementares
40 De modo geral, as cargas são agrupadas em um transformador de distribuição, que, desse modo, passa a fornecer energia para vários consumidores. Cada consumidor apresenta uma curva de demanda similar
Leia maisMETODOLOGIA HEURÍSTICA PARA PREVISÃO DE MERCADO A LONGO PRAZO BASEADA EM REDES NEURAIS ARTIFICIAIS
METODOLOGIA HEURÍSTICA PARA PREVISÃO DE MERCADO A LONGO PRAZO BASEADA EM REDES NEURAIS ARTIFICIAIS M. Sc. Andréia Oliveira Cuer Universidade Federal de Goiás. deia-oliveira@uol.com.br Prof. Dr. Gelson
Leia mais4 APLICAÇÃO DO MODELO E RESULTADOS
4 APLICAÇÃO DO MODELO E RESULTADOS Neste capítulo, será aplicado o modelo proposto (Holt-Winters com múltiplos ciclos mais a correção devido à ocorrência de feriado e temperatura) e apresentados os resultados
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 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 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
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
Leia maisSubmódulo Acompanhamento de manutenção de equipamentos e linhas de transmissão
Submódulo 16.2 Acompanhamento de manutenção de equipamentos e linhas de transmissão Rev. Nº. 0.0 0.1 1.0 Motivo da revisão Este documento foi motivado pela criação do Operador Nacional do Sistema Elétrico.
Leia maisTópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
Leia maisSNP33D90 REDES NEURAIS ARTIFICIAIS
SNP33D90 REDES NEURAIS ARTIFICIAIS Engenharia Elétrica Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 1. IDENTIFICAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Disciplina: REDES NEURAIS ARTIFICIAIS
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 maisCapítulo vx. Consumidores por transformador
38 Comentários Capítulo vx Consumidores por transformador Como demonstrado nos capítulos anteriores, uma vez conhecidos os dados de cadastro e energia dos consumidores de uma concessionária, bem como as
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 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 maisXVIII Seminário Nacional de Distribuição de Energia Elétrica. Olinda - Pernambuco - Brasil
XVIII Seminário Nacional de Distribuição de Energia Elétrica SENDI - 06 a 10 de outubro Olinda - Pernambuco - Brasil Utilização de Redes Neurais para Correlacionar a Energia Requerida pela Companhia Energética
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisModeling Typical Power Demand Curves Using Climatic Data
Modeling Typical Power Demand Curves Using Climatic Data M. S. Marques, F. C. Soares and J. L. Russi Abstract This paper presents a methodology for modeling typical power demand curves and shows the influence
Leia maisAVALIAÇÃO E DETERMINAÇÃO DOS INDICADORES DE QUALIDADE E EFICIÊNCIA DA ENERGIA ELÉTRICA. Lucas Bevilaqua 1 ; Carlos R. P. Oliboni 2
AVALIAÇÃO E DETERMINAÇÃO DOS INDICADORES DE QUALIDADE E EFICIÊNCIA DA ENERGIA ELÉTRICA Lucas Bevilaqua 1 ; Carlos R. P. Oliboni 2 INTRODUÇÃO O conceito de qualidade de energia está relacionado a um conjunto
Leia maisESPECIFICAÇÕES TÉCNICAS SISTEMA DE DETECÇÃO VEICULAR OVERHEAD
ESPECIFICAÇÕES TÉCNICAS SISTEMA DE DETECÇÃO VEICULAR OVERHEAD SUMÁRIO 1. SISTEMA DE DETECÇÃO OVERHEAD... 2 2. PROCEDIMENTO DE AVALIAÇÃO FUNCIONAL DO SISTEMA DE DETECÇÃO OVERHEAD PARA O SISTEMA SCOOT...
Leia maisMODELAGEM NEURAL DA FREQUÊNCIA DE RESSONÂNCIA DE ANTENAS PATCHES EM MICROFITA QUASE-FRACTAL
MODELAGEM NEURAL DA FREQUÊNCIA DE RESSONÂNCIA DE ANTENAS PATCHES EM MICROFITA QUASE-FRACTAL Adaildo G. D ASSUNÇÃO (1); Elder Eldervitch C. DE OLIVEIRA (2); Ronaldo de A. MARTINS (3); João Bosco L. de OLIVEIRA
Leia maisCapítulo 2 - Norma EB 2175
Capítulo 2 - Norma EB 2175 2.1 Introdução Para o teste de sistemas de alimentação ininterrupta de potência, a Associação Brasileira de Normas Técnicas (ABNT) indica a norma EB 2175 (Sistemas de Alimentação
Leia maisORÁCULO Uma Ferramenta para Previsão de Carga
GOP/012 21 a 26 de Outubro de 2001 Campinas - São Paulo - Brasil GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS ORÁCULO Uma Ferramenta para Previsão de Carga Alexandre P. Alves da Silva 1 *
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 maisDefinição de Soluções na Construção do Plano de Obras do SDMT - Planejamento Integrado do Sistema Elétrico de Distribuição da Cemig D
XXII Seminário Nacional de Distribuição de Energia Elétri SENDI 2016-07 a 10 de novembro Curitiba - PR - Brasil BERTONI DOS SANTOS JUNIOR Cicéli Martins Luiz CEMIG Distribuição S.A. CEMIG Distribuição
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 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 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 maisReconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais
Reconhecimento de Padrões em imagens ruidosas utilizando Redes Neurais Artificiais Leandro Sebastian Pereira da Silva, Ana Carolina N. Gracioso, Ana Claudia Paris, Adilson Gonzaga. USP/EESC Universidade
Leia maisDiagnóstico de falha em transformadores de alta tensão com Redes Neurais Artificiais
Diagnóstico de falha em transformadores de alta tensão com Redes Neurais Artificiais Ricardo Luiz Nacarato, Dorotéa Vila nova Garcia, Maurício Conceição Mário, João Inácio da Silva Filho Unisanta- Universidade
Leia maisPalavras chave: ensaios não destrutivos, processamento digital de sinal, redes neurais, pulso eco, ultrassom
CLASSIFICAÇÃO DE SINAIS ULTRASSÔNICOS PRÉ-PROCESSADOS PELA TRANSFORMADA DE FOURIER ATRAVÉS DAS REDES NEURAIS ARTIFICIAIS UTILIZANDO A TÉCNICA PULSO ECO PARA IDENTIFICAÇÃO DE DEFEITOS EM JUNTAS SOLDADAS
Leia mais