PREDIÇÃO DA AMPACIDADE MÁXIMA DE LT s EM CURTO E MÉDIO PRAZOS. Centro de Pesquisas de Energia Elétrica CEPEL
|
|
- Regina Campelo
- 4 Há anos
- Visualizações:
Transcrição
1 GLT/17 17 à 22 de outubro de 1999 Foz do Iguaçu Paraná - Brasil GRUPO III GRUPO DE LINHAS DE TRANSMISSÃO (GLT) PREDIÇÃO DA AMPACIDADE MÁXIMA DE LT s EM CURTO E MÉDIO PRAZOS Ronaldo Bosignoli* João Ignácio da Silva Filho Centro de Pesquisas de Energia Elétrica CEPEL RESUMO O Informe Técnico apresenta uma metodologia baseada em Redes Neurais Artificiais, para o cálculo da temperatura superficial de cabos condutores aéreos. A metodologia permite estimar a temperatura do condutor em tempo real e a previsão do seu valor para horizontes de curto e médio prazos. Além das características da linha de transmissão, a modelagem da rede é feita a partir de dados climáticos e, no caso da previsão, da evolução temporal da própria temperatura do condutor. As médias dos erros encontrados, na aplicação do estudo para a estimativa em tempo real e previsão de 24 horas, indicam ser a metodologia promissora para os estudos de temperaturas de condutores, e conseqüentemente da ampacidade de linhas de transmissão. PALAVRAS-CHAVE Ampacidade, Temperatura de Condutores Aéreos, Redes Neurais, Previsão de Séries Temporais INTRODUÇÃO A temperatura superficial dos condutores é um parâmetro determinante da capacidade de transporte de uma linha de transmissão aérea de energia elétrica (LT). Ela resulta da interação do condutor e das características elétricas do sistema de transmissão com o meio ambiente, o que lhe confere toda a aleatoriedade das condições climáticas da região atravessada pela LT. Conhecer o seu valor em tempo real e a previsão do seu valor máximo, em horizontes que podem variar de horas até anos, é fundamental para estabelecer e manter a confiabilidade do sistema sob pontos de vista do projeto e da operação. Nos últimos anos, a construção de novas LT s não acompanhou o aumento de consumo de energia elétrica. Para suprir de imediato a demanda de energia, uma das alternativas das concessionárias é operar os sistemas de transmissão existentes no limite de sua capacidade de transporte, sem, contudo, colocar em risco a integridade dos seus componentes físicos e, principalmente, da sua confiabilidade operacional. Um dos fatores limitantes da capacidade de transporte é a temperatura do condutor e seus efeitos nas características eletro-mecânicas dos materiais do condutor e na redução das distâncias entre partes vivas e aterradas. Como a maioria das LT s foi projetada segundo critérios onde o cálculo da temperatura máxima era conservativo, o desenvolvimento de novas tecnologias e em conseqüência a adoção de novos critérios, tem permitido que pequenas modificações no projeto original aumentem, consideravelmente, a sua ampacidade [1,2]. Este assunto tem sido enfocado por diversas linhas de pesquisas, tais como: evolução das metodologias de cálculos e critérios de projetos, passando-os de determinísticos para probabilísticos, onde são considerados dados climáticos reais da região atravessada pela linha e toda a aleatoriedade do clima e da descarga elétrica entre partes vivas e aterradas [1,3]; monitoração em tempo real do estado térmico do condutor através de um ou mais dos seguintes parâmetros: temperatura do condutor, tensão *CENTRO DE PESQUISAS DE ENERGIA ELÉTRICA - CEPEL Caixa Postal CEP Rio de janeiro, RJ Tel.(21) Fax: (21) rb@fund.cepel.br
2 2 mecânica do condutor, flecha e dados meteorológicos, estes últimos associados a modelos de cálculo da temperatura do condutor [3,4,5,6]. Todavia, ao aproximar a operação dos limites teóricos obtidos nos estudos e projetos, é necessário dispor de ferramentas que possibilitem conhecer em tempo real a temperatura do condutor e antever, a curto e médio prazos, se uma determinada corrente pode ser mantida ou aumentada num dado horizonte, sem que a confiabilidade operacional do sistema seja comprometida. É neste campo que o Informe Técnico mostra a potencialidade de modelos baseados em sistemas inteligentes de Redes Neurais Artificiais para reconhecimento de padrão da temperatura do condutor, com o objetivo de estimar o seu valor em tempo real e prognosticar o seu valor máximo com antecedência de 24 horas REDE NEURAL ARTIFICIAL (RNA) não são conhecidas, ou para os quais o desenvolvimento destas seja muito complexo. A aplicação desta técnica permite identificar o modelo e predizer o comportamento de sistemas complexos, não-lineares com variação paramétrica, em que seus parâmetros são desconhecidos. Por causa dessas características resolveu-se aplicar a metodologia das RNA s no reconhecimento de padrão da temperatura superficial do condutor que é oriunda da interação complexa de diversas variáveis, algumas delas aleatórias. Uma RNA é formada por neurônios ou elementos processadores (EP s) que são interconectados através de pesos, identificados na Figura 1 por Wn. Cada EP realiza uma operação matemática pré-definida, isto é, a sua função interna, com o somatório dos produtos de cada valor de entrada pelo seu peso. Quando ativado ele produz um único valor de saída Y 1 ; caso contrário a sua saída é zero. Treinar a RNA significa determinar os pesos de interconexão dos elementos processadores. O ramo de Inteligência Computacional conhecido como RNA tem sido empregado para a solução de problemas de reconhecimento de padrão em vários campos da atividade humana. X1 X2 Xn W1 W2 Wn W1X1+W2X2+...+WnX3 Σ θ F (Σ). Y1 A RNA faz uma analogia com o próprio cérebro, procurando emular a forma humana de pensar. Assim como o cérebro, que é constituído de bilhões de células nervosas, chamadas neurônios, interconectadas formando a rede biológica neuronal, as RNA s utilizam-se destes mesmos princípios. As bases desta tecnologia começaram a ser definidas a partir de 1943, quando McCulloch publicou o seu modelo matemático para o neurônio. Em 1957, Frank Rosenblatt escreveu os Princípios da Neurodinâmica, onde define os perceptrons, rede de neurônios e provou que eles iriam aprender após um número finito de treinos em se tratando de modelagem linear. Em 1986, acompanhando o progresso da matemática, Rumelheart, Hinton e Willians desenvolveram a RNA demostrando que ela pode implementar funções nãolineares [7]. As características que tornam a RNA um ramo de destaque da inteligência computacional são: o aprendizado sem que seja necessário conhecer o algoritmo de solução e a capacidade de generalização. As RNA s geram suas próprias regras pelo aprendizado a partir de exemplos. Assim, elas podem solucionar problemas para os quais rotinas e regras FIGURA 1 - Elemento Processador As entradas dos modelos aqui apresentados são os dados climáticos e a temperatura do condutor, respectivamente, para os estudos de estimativa em tempo real e de previsão. As RNA s utilizadas neste estudo foram estruturadas com o tipo de arquitetura de rede neural descrita por Werbos, 199, [8], com os seus EP s plenamente conectados, e com um único elemento de saída que é a estimativa objetivada (Figura 2). ENTRADAS A G SAÍDA FIGURA 2- Arquitetura da Rede Neural. O treinamento utilizado foi o supervisionado com correção de pesos pela técnica de retropropagação. Durante o treinamento, com o objetivo de otimizar o tempo do processo de convergência da rede, algumas
3 3 das conexões entre os EP s foram zeradas, modificando a sua estrutura inicial. As séries de dados foram divididas em dois conjuntos, um para determinar os pesos dos EP s e outro para verificar o desempenho da RNA frente a dados desconhecidos. Eles são chamados de conjuntos treino e teste TEMPERATURA DO CONDUTOR A temperatura superficial do condutor resulta do equilíbrio térmico entre as quantidades de calor recebidas e cedidas pelo condutor, devidas principalmente à corrente e às condições climáticas (vento, temperatura e radiação solar). Diversos modelos teórico-experimentais solucionam a equação de equilíbrio térmico do condutor, sendo um dos mais utilizados atualmente o proposto por Morgan [9] Temperatura do condutor em tempo real Para o encarregado pelo despacho de cargas, torna-se cada vez mais imprescindível o conhecimento da temperatura do condutor em tempo real, o que tem ensejado as solicitações pelo seu monitoramento e das condições climáticas. A RNA entra neste assunto como uma alternativa aos modelos de cálculo da equação de equilíbrio térmico. Os resultados apresentados a seguir, obtidos da aplicação de RNA s a dados s, demostram que ela fornece estimativas precisas da temperatura do condutor a partir dos dados climáticos. Nesta parte do estudo foram utilizadas duas séries de dados: Uma composta pelos dados meteorológicos horários s em Porto Alegre, por um período de anos, e pelos dados calculados de temperatura do condutor Linnet submetido a uma corrente constante. A série é composta de dados s de vento, temperatura do ar, condições do tempo e transparência atmosférica. Como a série não tem a medição direta da temperatura do condutor, ela foi estimada pelo modelo de Morgan. Outra formada pela medição direta dos dados meteorológicos e da temperatura do condutor Linnet carregado com 4 A, numa linha experimental, num período de 31 dias, com medição horária. Os dados meteorológicos s foram: vento, temperatura do ar, umidade relativa do ar e radiação solar global. A primeira série é formada por mais de 8. vetores, e foi utilizada para simular a resposta da RNA ao modelo de Morgan, o que de certa forma é um indicador da resposta da RNA às variações do clima no comportamento térmico do condutor. Neste caso, a rede projetada tem 3 EP s internos e os conjuntos de treino e teste têm 32. e. vetores, respectivamente. As entradas são os dados do clima: vento, temperatura do ar e radiação solar calculada a partir das condições de tempo e transparência atmosférica. A saída é a temperatura superficial do condutor. A Figura 3 apresenta um trecho do conjunto teste, mostrando a resposta da rede, comparada com o modelo de Morgan, ambos fazendo uso de dados meteorológicos. A parte superior da figura é o gráfico do comportamento temporal da temperatura e a inferior a comparação entre os valores s e os calculados pela RNA. condutor condutor RNA Observada RNA hora temperatura condutor medida FIGURA 3 Comparação entre os valores estimados pelo modelo de equilíbrio térmico e pela RNA. O resultado encontrado indica a capacidade de a rede reconhecer as variações climáticas e ambientais implícitas nos valores da temperatura do condutor, em séries com longos períodos de observações. Isto motivou a exploração da técnica de RNA para estimar a temperatura do condutor na segunda série que têm
4 4 apenas 744 vetores, número consideravelmente menor que a série anterior. Os conjuntos de treino e de teste têm 6 e 144 vetores, respectivamente. Os dados de entrada são os valores horários da velocidade e direção do vento, temperatura do ar e radiação solar global. A saída é a temperatura superficial do condutor. A rede projetada tem 7 EP s internos e uma saída. A Figura 4 apresenta em forma de histograma de freqüências a distribuição dos erros relativos. O erro relativo é dado por: erro=(t obs -T cal )/T obs, onde T obs é o valor observado ou e T cal é o valor calculado pela rede FIGURA 4 Distribuição do erro relativo entre os valores s e simulados pela RNA. A Figura 5 compara os valores de temperatura do condutor estimados pela RNA com os dados s diretamente, num trecho da série de dados. Como pode ser visto na figura, praticamente as duas curvas comparativas se sobrepõem. condutor 25 Observada RNA hora FIGURA 5 - Comparação entre os dados s e estimados pela RNA. Para se ter um ponto de comparação dos valores encontrados pela RNA, a média do módulo dos erros relativos do modelo de Morgan foi de 8%. Como o dado de sol é a radiação solar global, a parcela devida ao ganho solar do modelo de Morgan foi simulada segundo o método proposto pela ALCOA []. A Figura 6 apresenta os valores obtidos pela medição direta e pelos modelos de Morgan e RNA, para o trecho da Figura 5. Similado Morgan RNA Valor FIGURA 6 - Valores s diretamente e simulados pelo modelo de Morgan e RNA Os resultados encontrados, na modelagem das duas séries acima, demostram a capacidade das RNA s em reconhecer padrões da temperatura superficial do condutor, em função do clima. Todavia, chama-se a atenção para alguns pontos que também devem ser considerados nos estudos de previsão que serão feitos no próximo item. Cada RNA está treinada para a série de dados a ela apresentada e a princípio a sua validade está a ela restrita. Como cada série se refere a uma única corrente e estação meteorológica, a generalização dos resultados encontrados deve ser motivo de futuras e exaustivas investigações, variando-se a corrente e o clima. O treinamento da série com 744 dados horários corre o risco de ter sido super treinada, o que pode ter influenciado na excelente precisão encontrada. Estão sendo coletados dados em um circuito experimental para posterior análise deste problema Previsão da temperatura do condutor Para uma dada corrente elétrica, que pode ser obtida com antecedência pelos modelos de previsão de carga, o prognóstico da temperatura do condutor pode ser feito por um dos seguintes métodos: prevendo-se individualmente as variáveis climáticas envolvidas e em seguida aplicá-las na equação de equilíbrio térmico ou numa RNA, ou através de modelos de previsão de séries temporais aplicadas diretamente à série de temperaturas do condutor. O método descrito a seguir tem esta última abordagem, uma vez que a aplicação da primeira usando RNA é a mesma da temperatura em tempo real, discutida no item anterior, com os dados climáticos fornecidos, por exemplo, pelos centros de previsão meteorológica.
5 5 Nos estudos de previsão de séries temporais, quanto mais longas forem as séries disponíveis para análise, melhores serão os resultados das previsões. É lógico que as sazonalidades temporais só serão retratadas nos modelos caso os dados as contenham. Como não se dispõe de séries longas com a medição direta de temperaturas de condutor, as séries horárias de temperatura do condutor, utilizadas na aplicação da metodologia proposta, foram obtidas aplicando-se o modelo de equilíbrio térmico [9] aos dados climáticos s hora a hora no aeroporto de Porto Alegre (RS), por um período de anos, num condutor Lapwing envelhecido, para as correntes de 665 e 16 ampères. No modelo proposto, a previsão da temperatura máxima do condutor é feita em duas etapas. Inicialmente a série utiliza uma RNA para classificar as temperaturas por faixas de valores. A seguir são utilizadas RNA s com pesos diferentes para cada uma das faixas, obtendo-se o prognóstico da temperatura máxima. As RNA s utilizadas nas duas etapas têm a mesma arquitetura descrita no item 2. A primeira etapa (classificação por faixas), já é uma importante modelagem de prognóstico de temperatura do condutor para a operação. Ela responde, por exemplo, a pergunta do tipo: Para uma dada corrente, a temperatura esperada é maior ou menor que um determinado valor? Se for estabelecido como valor de referência a temperatura limite de operação em regime normal ou de emergência [1], tem-se associado à resposta da classificação, se a corrente pode ser mantida ou até mesmo aumentada. A RNA para classificação por faixas foi apresentada em [11], onde a classificação foi feita com um erro de aproximadamente 3%, o que mostra a capacidade da rede em separar a série por classes de temperaturas previstas. Neste caso foi utilizada uma RNA com 6 EP s de entrada e uma saída binária. A saída indica se o vetor pertence ou não a uma dada faixa de valores. A proposta de prever o valor exato da temperatura em cada uma das faixas é bem mais arrojada. Para explorar a capacidade da RNA como método de previsão de séries temporais, será estudado o prognóstico da máxima temperatura do condutor num horizonte de 24 horas, com base nos dados das 6 horas anteriores (2,5 dias). A arquitetura da RNA proposta tem 6 EP s de entrada e 15 EP s internos. Os conjuntos de treino e de teste têm 7 e 3 anos de dados, respectivamente. A Figura 7 apresenta os resultados da RNA desenvolvida para prognosticar a temperatura máxima do condutor com antecedência de 24 horas, na faixa maior que O C, para a corrente de 665 A. Da mesma forma, a Figura 8 apresenta os resultados para a faixa maior que 9 O C e corrente de 16 A Conjunto treino Conjunto teste FIGURA 7 Desempenho da RNA para valores acima de O C (corrente de 665 A) 1 9 Conjunto treino Conjunto teste FIGURA 8 Desempenho da RNA para valores acima de 9 O C (corrente de 16 A) Nota-se, nestas figuras, que no conjunto de treino as RNA s tem um desempenho onde erros menores que ±5% somam mais que 9% dos pontos. Entretanto, no conjunto de teste o percentual de 9% dos pontos atinge erros na ordem de ±7 a ±12%. Objetivando melhorar o desempenho da rede, está se estudando a viabilidade da aplicação de sistemas híbridos, com a inclusão de mais uma técnica de inteligência artificial. 4. CONCLUSÕES A aplicação de RNA como um sistema de reconhecimento de padrão em temperatura superficial de condutor se mostrou bastante eficiente e com um potencial muito grande para ser explorado. Para as séries estudadas, as RNA s desenvolvidas são capazes de reconhecer as variações do clima e suas
6 6 influências na temperatura superficial de condutores. As RNA s estimaram os valores com maior precisão quando comparadas com modelos da equação de equilíbrio térmico. Essas RNA s tem uso tanto na determinação em tempo real como na previsão da temperatura superficial de condutores a partir de dados climáticos. A previsão da temperatura máxima do condutor pode ser feita classificando as temperaturas acima de um dado valor, que pode ser, por exemplo, a temperatura limite de operação normal ou de emergência. Os erros encontrados na série estudada são da ordem de 3% [11]. Uma vez que os valores podem ser previstos por faixas, é factível o desenvolvimento de uma RNA para determinar o valor da temperatura prevista de ocorrer num determinado horizonte de tempo. A rede aqui desenvolvida para prever a temperatura máxima do condutor com antecedência de 24 horas apresentou um bom desempenho no conjunto de treino, mas não manteve o mesmo desempenho no conjunto de teste. No momento, estuda-se a viabilidade da aplicação de sistemas híbridos, com a inclusão de mais uma técnica de inteligência artificial, para melhorar o desempenho da rede. As RNA s desenvolvidas foram aplicadas a um pequeno número de séries, portanto, a generalização destes resultados para outros climas e correntes só será possível com a aplicação exaustiva da metodologia em outras séries. real-time thermal ratings, ice loads, and other environmental effects. CIGRÉ Session (5) CABETAS,J. et alli. Advances in the estimation of dynamic line ratings. CIGRÉ, Session (6) HAZAN,E. Re-evaluating system operating limits. Transmission & Distribution World, August (7) SÁCHEZ-SINENCIO,E., LAU, C. Artificial Neural Netwoks, Paradigms, Application and Hardware Implementations. IEEE Press, ISBN , (8) WERBOS,P.J. Backpropagation Through Time: What it does and How to do it. Proceedings of The IEEE, Vol 78, Nº, October, 199. (9) MORGAN,V.T. Thermal behaviour of electrical conductors: steady, dynamic and fault-current ratings. John Wiley & Sons Inc. - New York - USA () ALCOA. Current-Temperature Characteristics of aluminum Conductors. Alcoa Conductor Engineering Handbook Section 6. (11) BOSIGNOLI, R., MESQUITA, E N., SILVA FILHO, J.I., SOUZA,H.M. Artificial neural network as a tool for transmission line ampacity analysis. Nineth International Symposium on High Voltage Engineering, BIBLIOGRAFIA (1) Força Tarefa Conjunta de Ampacidade Estatística GCPS/GCOI. Critérios e procedimentos para o cálculo da ampacidade estatística de linhas aéreas de transmissão com cabos alumínio-aço (Etapa 2). Agosto de (2) KOSMANN, C. Avaliação de ampacidade estatística da LT de 138 kv Joinville/Eletrosul - Joinville IV. XIV SNPTEE, Belém (PA), 1997 (3) NASCIMENTO,C.A.M., Avaliação dos modelos determinísticos e estatísticos para carregamento da LT Arco-Divinópolis 2, 138kV, utilizando sistema de monitoramento em tempo real. XIV SNPTEE, Belém (PA), 1997 (4) SERPA,T.O., ADAMS JR.,H.W., DOUGLAS, D.A., COAD,N. Use of on-line tension monitoring for
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS GOP
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GOP 31 14 a 17 Outubro de 2007 Rio de Janeiro - RJ GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS GOP INFLUÊNCIA DOS
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO FACULDADE DE ENGENHARIA ELÉTRICA ÊNFASE SISTEMAS DE POTÊNCIA DISCIPLINA: TRANSMISSÃO DE ENERGIA ELÉTRICA II
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO FACULDADE DE ENGENHARIA ELÉTRICA ÊNFASE SISTEMAS DE POTÊNCIA DISCIPLINA: TRANSMISSÃO DE ENERGIA ELÉTRICA II AMPACIDADE Professor: José Eduardo Villas Alunos: Alex
UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO - UERJ
DO RIO DE JANEIR ADE DO ESTADO UERJ UNIVERSIDADE DO ESTADO DO RIO DE JANEIRO - UERJ FACULDADE DE ENGENHARIA ÊNFASE EM SISTEMAS DE POTÊNCIA Disciplina: Transmissão de Energia Elétrica II Ampacidade Alunos:
REDES 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
TÓPICOS 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
Redes Neurais Artificiais
Redes Neurais Artificiais Neurônio Natural Dendritos: recebe os estímulos transmitidos por outros neurônios Soma Sinapse Axônio Soma: coleta e combina informações vindas de outros neurônios Sinapse Dendrito
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
2. 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
Classificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Classificação 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
INTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
ESTIMATIVA 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.
Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
AMPACIDADE ESTATÍSTICA MEDIÇÕES EM LABORATÓRIO E DE CAMPO
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GLT - 06 16 a 21 Outubro de 2005 Curitiba - Paraná GRUPO III GRUPO DE ESTUDO DE LINHAS DE TRANSMISSÃO - GLT AMPACIDADE ESTATÍSTICA
XII 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
3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
A evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
O 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
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Redes 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
ESTIMAÇÃO 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
Redes 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
Redes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Inteligência Artificial
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRONS Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Forma mais simples de configuração das RNAs Rosenblatt (1958) retina área de projeção área de associação respostas
UTILIZAÇÃO DE CABOS DE ALUMÍNIO LIGA 6201 EM LINHAS DE TRANSMISSÃO 230 kv CASOS PRÁTICOS
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GLT - 07 16 a 21 Outubro de 2005 Curitiba - Paraná GRUPO III GRUPO DE ESTUDO DE LINHAS DE TRANSMISSÃO - GLT UTILIZAÇÃO DE CABOS DE
2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Introdução 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
Autor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
RECONHECIMENTO 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
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
FERRAMENTA 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
Por que Redes Neurais?
Redes Neurais Profa. Jaqueline Brigladori Pugliesi Por que Redes Neurais? Utilizar máquinas efetivamente para resolver problemas simples (humanos) Exemplo: distinguir padrões visuais previsão do valor
CÁLCULO 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
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle
IF-705 Automação Inteligente Redes Neurais para Modelagem e Controle Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação
Modelagem 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
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 XXX.YY 22 a 25 Novembro de 2009 Recife - PE GRUPO III GRUPO DE ESTUDO DE LINHAS DE TRANSMISSÃO - GLT AVALIAÇÃO DA VIDA
A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO DE RADIAÇÃO SOLAR GLOBAL
Congresso Técnico Científico da Engenharia e da Agronomia CONTECC 2017 Hangar Convenções e Feiras da Amazônia - Belém - PA 8 a 11 de agosto de 2017 A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NA PREVISÃO
Rede 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
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2006/2 - A07 Cronograma Conceitos Neurônio artificial Redes: Perceptron e Multi Layer Perceptron (MLP), Exemplos Separando cores Prevendo
MODELAGEM MATEMÁTICA DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO PARA DESCARGAS CONSTANTES UTILIZANDO UM MODELO HÍBRIDO 1
MODELAGEM MATEMÁTICA DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO PARA DESCARGAS CONSTANTES UTILIZANDO UM MODELO HÍBRIDO 1 Luana Fransozi Meireles 2, Airam T. Z. R. Sausen 3, Paulo S. Sausen 4. 1
Echo State Networks. Fabricio Breve João Bertini
Echo State Networks Fabricio Breve João Bertini RNN Tarefas Filtragem e predição Classificação de Padrões Modelagem de Seqüências Estocásticas Memória Associativa Compressão de Dados RNN Aplicações Telecomunicações
Felix 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
3 REDES CLÁSSICAS PERCEPTRON E ADALINE
w b Professor José Gomes de Carvalho Jr. 3 REDES CLÁSSICAS PERCEPTRON E ADALINE 3.-Redes com funções de ativação de limiar Uma rede simples de uma camada, consiste em um ou mais neurônios de saída j conectados
serotonina (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)
5 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
Redes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
VENTOS DE ALTA INTENSIDADE SUA CONSIDERAÇÃO NOS PROJETOS DE LINHAS DE TRANSMISSÃO
VENTOS DE ALTA INTENSIDADE SUA CONSIDERAÇÃO NOS PROJETOS DE LINHAS DE TRANSMISSÃO 80% DOS ACIDENTES CAUSADOS PELO VENTO EM LINHAS DE TRANSMISSÃO SÃO DEVIDOS A VENTOS DE ALTA INTENSIDADE LOCALIZADOS OS
Rede 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
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Aprendizado de Máquina
Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Aprendizado de Máquina Inteligência Artificial Site: http://jeiks.net E-mail: jacsonrcsilva@gmail.com
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 8 Redes Neurais Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos
Aluno do Curso de Engenharia Elétrica da UNIJUI, 3
ESTUDO DA TÉCNICA DE TERMOGRAFIA EM EQUIPAMENTOS UTILIZADOS NAS REDES DE MÉDIA E ALTA TENÇÃO 1 STUDY OF THE TECHNIQUE OF THERMOGRAPHY IN EQUIPMENT USED IN MEDIUM AND HIGH VOLTAGE NETWORKS Leonardo Armando
1 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
Redes Neurais Noções Gerais
Redes Neurais Noções Gerais Segundo Loesch (apupt Fernandes), Redes Neurais Artificiais são sistemas computacionais, de implementação em hardware e software, que imitam as habilidades computacionais do
Neural Networks. Neurônios: Elementos aritméticos simples. Redes Neuronais: conj de neurônios interligados.
Neural Networks Neural Networks Do ponto de vista computacional: métodos para representar funções usando redes de elementos aritméticos simples, e aprender tais representações através de exemplos. Do ponto
Análise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
PEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids)
PEA5918 Redes Elétricas Inteligentes e Microrredes (Smart Grids e Microgrids) Métodos Avançados de Controle Giovanni Manassero Junior Depto. de Engenharia de Energia e Automação Elétricas Escola Politécnica
Algoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
INF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
MODELOS ELÉTRICOS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM ÍON POLÍMERO 1
MODELOS ELÉTRICOS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS DE LITHIUM ÍON POLÍMERO 1 Marcia De Fatima Brondani 2, Airam Teresa Zago Romcy Sausen 3, Paulo Sérgio Sausen 4. 1 Projeto de Pesquisa realizado
Redes Neurais Artificiais
Universidade Federal do Espírito Santo CCA UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCA UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Comparação 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
Redes Neurais Artificiais
Universidade Federal do Espírito Santo CCENS UFES Universidade Federal do Espírito Santo Centro de Ciências Agrárias CCENS UFES Departamento de Computação Redes Neurais Artificiais Redes Neurais Artificiais
Divisão de Perdas Elétricas em LT s compartilhadas. CPE Estudos e Projetos Elétricos Daniel Mamede - Diretor Técnico
Divisão de Perdas Elétricas em LT s compartilhadas CPE Estudos e Projetos Elétricos Daniel Mamede - Diretor Técnico - O que seria esse compartilhamento? Empresas com ponto de conexão semelhantes formam
Ayslan de Souza Ferreira CELESC Distribuição S.A. Alessandro Pedro Dadam.
XXII Seminário Nacional de Distribuição de Energia Elétri SENDI 2016-07 a 10 de novembro Curitiba - PR - Brasil Ayslan de Souza Ferreira CELESC Distribuição S.A. Alessandro Pedro Dadam CELESC Distribuição
APLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1
APLICAÇÃO DE MODELOS ARX E ARMAX DA TEORIA DE IDENTIFICAÇÃO DE SISTEMAS PARA PREDIÇÃO DO TEMPO DE VIDA DE BATERIAS QUE ALIMENTAM DISPOSITIVOS MÓVEIS 1 Joelson Lopes Da Paixão 2, Airam Teresa Zago Romcy
(VWXGRVGH&DVRV ' 6 = 1. Equação 17- Erro RMSE. Equação 18 - Erro Médio Absoluto (MAPE)
8 (VWXGRVGH&DVRV Para avaliar o desempenho dos modelos de RNAs definidos neste trabalho, foram criados vários casos de testes com diversas simulações de falta. O desempenho da rede, no conjunto de testes
Previsão de séries temporais através da combinação de modelo híbrido ARIMA e redes neurais artificiais
Universidade Federal de Pernambuco Centro de Informática Graduação em Ciências da Computação Previsão de séries temporais através da combinação de modelo híbrido ARIMA e redes neurais artificiais Pedro
SELEÇÃO 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
PREVISÃO 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
Aprendizado de Máquina
Aprendizado de Máquina A necessidade de inserir aprendizado nas máquinas surgiu após a construção dos Sistemas Especialistas (SEs). Os primeiros SEs não possuíam mecanismo de aprendizado e tornavam-se
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI a 26 de outubro Rio de Janeiro - RJ - Brasil
XX Seminário Nacional de Distribuição de Energia Elétrica SENDI 2012-22 a 26 de outubro Rio de Janeiro - RJ - Brasil Miriam Soares Cordeiro Martins Ampla Energia e Serviços S/A miriam@ampla.com Modelagem
1 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
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
SISTEMA DE IDENTIFICAÇÃO DE FALHAS EM ESCADAS ROLANTES UTILIZANDO REDES NEURAIS ARTIFICIAIS
SISTEMA DE IDENTIFICAÇÃO DE FALHAS EM ESCADAS ROLANTES UTILIZANDO REDES NEURAIS ARTIFICIAIS Alessandro Lins Alves 23ª Semana de Tecnologia Metroferroviária CONTEÚDO Introdução. TÍTULO DO TRABALHO Justificativas.
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos
Utilização de Redes Neurais Artificiais para Interpolação de Resultados do Método de Elementos Finitos Leandro M. de Souza Resumo Neste artigo, é proposta uma metodologia que utiliza Redes Neurais Artificiais
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel
Treinamento de uma Célula Neural Artificial Paraconsistente de Aprendizagem (CNAPap) utilizando Microsoft Excel Rodney Gomes da Silva 1,2, João Inácio da Silva Filho 1, Dorotéa Vilanova Garcia 1 1 UNISANTA-
Décimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
DETECÇÃO DE DESCARGAS PARCIAIS EM EQUIPAMENTOS ISOLADOS EM SF6, EM CAMPO W.R. Bacega* H. Tatizawa** F. Bacega* * Companhia de Transmissão de energia Elétrica Paulista - CTEEP **Instituto de Eletrotécnica
Processing and load forecasting of a micro grid using GRNN neural network
Processing and load forecasting of a micro grid using GRNN neural network Code: 01.001 Monara P. R. Carvalho, Anna Diva Plasencia Lotufo Universidade Estadual Paulista, Ilha Solteira/SP 16/11/2017 1 Objetivos
Décimo Quinto Encontro Regional Ibero-americano do CIGRÉ Foz do Iguaçu-PR, Brasil 19 a 23 de maio de 2013
APLICAÇÃO DA TRANSFORMADA WAVELET PARA PREVISÃO DA VELOCIDADE DO VENTO M. B. Carvalho* F. D. L. Silva* P. C. M. de Carvalho* *Universidade Federal do Ceará, Departamento de Engenharia Elétrica RESUMO Diante
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recife - PE GRUPO III GRUPO DE ESTUDO DE LINHA DE TRANSMISSÃO - GLT MEDIÇÃO DO CARREGAMENTO
Automação Inteligente de Processos e Sistemas
Automação Inteligente de Processos e Sistemas Prof. Dr. Ivan Nunes da Silva USP/EESC/SEL insilva@sc.usp.br 3 de agosto de 203. Sistemas Inteligentes Conjunto de ferramentas computacionais que tentam simular
PREVISÃO DE COEFICIENTES DE WIEBE PARA UM MOTOR SI BASEADO EM
Blucher Engineering Proceedings Agosto de 2014, Número 2, Volume 1 PREVISÃO DE COEFICIENTES DE WIEBE PARA UM MOTOR SI BASEADO EM VARIÁVEIS DE CONTROLE Thomaz Ernesto de Sousa Savio 1.2, Luis Henrique Ferrari
Redes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
UM 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
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA
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
Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
2º ENCONTRO DE PÓS-GRADUAÇÃO EM INVESTIGAÇÃO E ENSINO DAS CIÊNCIAS FÍSICAS E DA TERRA DA UNIVERSIDADE DE ÉVORA Aplicação de Redes Neuronais Artificiais no Comportamento da Precipitação em Portugal Continental.
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA REPRESENTAR O COMPORTAMENTO VISCOELÁSTICO
APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA REPRESENTAR O COMPORTAMENTO VISCOELÁSTICO Marcelo Massarani Escola Politécnica da Universidade de São Paulo, Departamento de Engenharia Mecânica, Av. Prof. Mello
Análise 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
MODELAGEM MATEMÁTICA DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO A PARTIR DE UM MODELO ELÉTRICO 1
MODELAGEM MATEMÁTICA DO TEMPO DE VIDA DE BATERIAS DE LÍTIO ÍON POLÍMERO A PARTIR DE UM MODELO ELÉTRICO 1 Suelen Cibeli Wottrich 2, Marcia De Fátima Brondani 3, Airam Teresa Zago Romcy Sausen 4, Paulo Sérgio
Influência de Configuração das Linhas de Transmissão sobre os Aspectos Elétricos de Projeto Janeiro 2016
Grupo de Trabalho B2.06 021 Influência de Configuração das Linhas de Transmissão sobre os Aspectos Elétricos de Projeto Janeiro 2016 Influência da configuração das Linhas de Transmissão sobre os aspectos
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
RECONHECIMENTO 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
Redes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas