Previsão de Carga Multinodal a Curto Prazo Usando Uma Rede Neural ART-ARTMAP-FUZZY
|
|
- Caio Balsemão Machado
- 7 Há anos
- Visualizações:
Transcrição
1 Previsão de Carga Multinodal a Curto Prazo Usando Uma Rede Neural RT-RTMP-FUZZY Juliana Fonseca ntunes 1, Carlos R. Minussi 2 1 Departamento de Informática Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso (IFMT) Cuiabá, MT rasil 2 Departamento de Engenharia Elétrica Universidade Estadual Paulista (UNESP) Ilha Solteira, SP rasil juliana.antunes@cba.ifmt.edu.br, minussi@dee.feis.unesp.br bstract. In this paper we propose a method for short-term multinodal load forecasting of electrical power systems. The load forecasting constitutes an important tool for planning and operation. We address two models of load forecasting using a fuzzy RT-RTMP neural network where, in the first model, the modules are independent in global and local forecasting, while the second module is used to obtain the global forecasting for local forecasting, through the participation factor of the global load. Comparisons between the two models are realized considering a database available from New Zealand Electricity Commission. Resumo. Neste artigo propõe-se um método para previsão elétrica multinodal, de curto prazo, de sistemas elétricos de potência. previsão de carga constitui-se numa importante ferramenta para o planejamento e para a operação. São abordados dois modelos de previsão, utilizando redes neurais RT- RTMP-Fuzzy, onde no primeiro modelo, os módulos são independentes na previsão global e na local, enquanto no segundo módulo é utilizada a previsão global para obter a previsão local através do uso do conceito fator de participação da carga global. Foram realizadas comparações entre os dois modelos considerando-se uma base de dados disponibilizada pela Electricity Comission da Nova Zelândia. 1. Introdução previsão de carga é uma exigência básica nos processos de operação e planejamento no Sistema Elétrico de Potência (SEP), tornando-se um instrumento fundamental na moderna operação do sistema elétrico de potência. Essa crescente importância está relacionada ao mercado de energia exigir melhores valores de eficiência energética e também pelo estabelecimento de novas normas de preservação do meio ambiente que introduziu difíceis restrições para o gerenciamento e controle do sistema de energia. O estudo de previsão de carga proporciona um conjunto de informações vitais para que os sistemas de energia elétrica possam ser planejados e controlados de forma segura e confiável, fornecendo energia elétrica de boa qualidade. previsão de cargas elétricas [O Donovan 1983] pode ser feitas a curto, médio e longo prazo. Curto prazo prevê de meia em meia hora ou hora inteira, ou ainda picos
2 de carga diários, podendo variar de um dia a até uma semana; médio prazo prevê de algumas semanas até um ano; e longo prazo prevê demanda de um período que pode variar de alguns anos a algumas décadas. Previsão de cargas a curto prazo (Short-Term Load Forecasting, STLF) pode ser definida como previsão de cargas elétricas de um a sete dias de antecedência [Topalli et al. 2006]. Essa previsão refere-se à previsão por hora da demanda de eletricidade para um tempo de espera que vai de uma hora a vários dias de antecedência. Por conseguinte, a previsão de carga, em sistemas elétricos de potência, constitui-se numa atividade de grande relevância, tendo em vista que a maioria dos estudos realizados (fluxo de potência, despacho econômico, planejamento da expansão, análise de estabilidade, etc.) somente poderá ser realizada se houver a disponibilidade de uma estimativa da carga a ser atendida. Estes estudos visam proporcionar, aos engenheiros, um conjunto de informações vitais para que os sistemas elétricos possam ser planejados e operados de forma segura, confiável e econômica. estimativa da carga, seja de curto, médio ou de longo prazo, é determinada, via métodos previsores, a partir de dados históricos do consumo de energia, dados climáticos [Chaabene 2008], entre outros fatores importantes. Esta previsão deve ser a mais precisa possível. maioria das previsões de carga é realizada por métodos RI- M de ox & Jenkings [ox and Jenkins 1976] [O Donovan 1983], que exigem que seja feita uma modelagem prévia da carga para aplicação posterior, ou seja, estabelecer as relações de causa e efeito. ons resultados têm sido obtidos apesar de, às vezes, serem requeridos grandes esforços computacionais, além de técnicas de modelagem complexas. Novas abordagens, baseadas na inteligência artificial [ender 1996], têm sido abordadas na literatura especializada como metodologias alternativas, principalmente, por produzir resultados em que a modelagem da carga é estabelecida por processo de treinamento, onde a extração do conhecimento é realizada a partir de bases de dados. Neste grupo de técnicas inteligentes, podem-se destacar as RN (Redes Neurais rtificiais) [Haykin 2008]. Ressalta-se que, na literatura, há uma grande quantidade de propostas usando redes neurais para previsão de carga [Cancelo et al. 2008; Hong 2009; entre outras] previsão de carga, via de regra, é realizada de forma global [O Donovan 1983], ou seja, não discriminando a distribuição entre os consumidores e o tipo da carga instalada e a ser instalada. Esta forma de abordagem pode ser útil em algumas aplicações. Contudo, o mesmo não se observa com relação à operação, tendo em vista a necessidade de um melhor detalhamento e distribuição da carga [Wu et al. 2003]. grande dificuldade de prever a distribuição da carga como ela efetivamente acontece, certamente, passa pela necessidade de dispor de dados em grande quantidade, elaboração de modelos complexos e de técnicas que possam processar tais dados e produzir resultados precisos, confiáveis e rápidos. ssim sendo, neste artigo pretende-se desenvolver uma metodologia inteligente de previsão de carga baseada nas redes neurais para aplicações em que se faz necessária a obtenção de resultados multinodais, que consiste na previsão de cargas em vários pontos de um sistema de energia elétrica, denominadas cargas locais. lguns resultados satisfatórios foram obtidos, neste sentido, na pesquisa [Lopes 2005] e [Lopes et al. 2005] usando uma arquitetura neural RT descendente [Carpenter et al. 1991a]
3 [Carpenter et al. 1991b] para o caso da previsão global. Evidentemente, várias propostas têm sido apresentadas na literatura para previsão de carga multinodal em ambiente de sistemas de distribuição usando redes neurais [ltran 2010] e [Nose-Filho et al. 2011]. s redes neurais RT preservam duas características fundamentais para o processamento da rede: a estabilidade (capacidade de aprender através do ajuste dos pesos) e a plasticidade (capacidade de continuar a aprender com a inclusão de novos padrões, sem perder a memória anteriormente adquirida). Estes dois atributos proporcionam à rede neural a aprendizagem estável e convergência rápida. Este artigo tem por objetivo apresentar um sistema inteligente para previsão de carga multinodal, um sistema neural baseado na Teoria da Ressonância daptativa (daptive Resonance Theory) [Carpenter et al. 1991a] [Carpenter et al. 1991b]; permitindo aplicar esquemas que possam contemplar o uso de base de dados, composto de dados históricos das cargas e dados exógenos, para o problema da previsão multinodal, propondo uma rede neural RT-RMP-Fuzzy. Esta arquitetura, originalmente, tem sido aplicada na previsão de carga global (Lopes, 2005). Com estas providências esperase disponibilizar um sistema previsor eficiente, em termos de precisão, confiabilidade e rapidez na obtenção de soluções e, por conseguinte, habilitar-se às aplicações da previsão multinodal. Foram modelados dois sistemas para avaliar os resultados de previsão de carga da rede neural RT-RTMP-Fuzzy, o sistema PCG-PCL (modelo com previsor global e previsores locais) e o sistema PCG-FPCG-PCL (modelo com previsor global, previsor de Fator de Participação de Carga Global e os previsores locais), visando testar a rede neural proposta e apresentar análise comparativa entre os dois sistemas modelados. 3. Teoria da Ressonância daptativa Teoria da Ressonância daptativa (RT) surgiu do resultado da tentativa de compreender como sistemas biológicos são capazes de continuar apreender, sem comprometer a estabilidade de padrões previamente aprendidos [Carpenter and Grossberg 1992]. Simulando o processo de aprendizagem do cérebro humano, explicando a maneira como nosso cérebro processa e categoriza informações recebidas na medida em que são apresentadas novas informações. importância desta rede está baseada na resolução do dilema da plasticidade e da estabilidade (características fundamentais da família das redes RT), característica feita através do teste de vigilância, que origina uma rede mais rápida e precisa. estabilidade é a garantia de agrupar todos os elementos nas classes criadas pelo sistema, tendo em vista que os pesos da rede possuem características de alguns decréscimos, fazendo que o ajuste de pesos seja realizado e os novos valores vão diminuindo até estabilizar [Lopes 2005]. s redes RT são redes neurais desenvolvidas para codificar reconhecimento estável, em tempo real, através da auto-organização, em resposta as sequências arbitrárias de padrões de entrada [Carpenter and Grossberg 1992]. presentam como principal característica a estabilidade no armazenamento do conhecimento adquirido pela rede, garantido, através do processo de adaptação dos pesos que tendem ao valor mínimo entre a entrada da rede e o peso a ser atualizado, agrupando
4 todos os elementos nas classes geradas pelo sistema; novos valores tendem a diminuir até estabilizarem. Essa rede é importante, pois resolve o dilema da estabilidade e da plasticidade, que é a capacidade de aprender novas informações sem que as informações passadas sejam perdidas, através da ativação de novas categorias, e isto tem de ser feito de forma a não afetar na estabilidade do sistema. s topologias baseadas na arquitetura RT podem ser divididas em grupos principais que são classificadas em função do tipo de suas entradas e seus processos de treinamento, dentre elas podem se destacar: - Rede neural RT-Fuzzy: baseada no treinamento não-supervisionado e que engloba em sua arquitetura cálculos baseados na lógica nebulosa [Carpenter et al. 1991b]. - Rede neural RTMP: possui treinamento supervisionado. É composta por dois módulos RT interconectados, através do campo inter-rt. Esta rede também pode identificar padrões de entradas binários ou analógicos [Carpenter et al. 1991a]. - Rede neural RTMP-Fuzzy: possui treinamento supervisionado como a rede neural RTMP. Porém, todos os cálculos são fundamentados na lógica fuzzy [Carpenter and Grossberg 1992]. 3.1 Rede Neural RT Fuzzy O processo de treinamento das redes da família RT é um processo de treinamento em tempo real para ambientes não-estacionários, onde os pesos são ajustados a cada apresentação de padrões de entrada, atualizando os pesos dinamicamente sem precisar treinar padrões aprendidos anteriormente. s redes da família RT não correm o risco de desestabilizar a saída para padrões de entrada já aprendidos [Carpenter and Grossberg 1987]. RT é um sistema que auto-organiza padrões de entrada em categorias de reconhecimento, comparando o padrão de entrada atual com uma representação de categoria selecionada. arquitetura da rede neural RT pode ser descrita por dois subsistemas principais: o subsistema de atenção e o subsistema de orientação [Carpenter and Grossberg 1987], mostrados na Figura 1. Subsistema de tenção Subsistema de Orientação F 2 Seleção STM LTM LTM F 1 Comparação STM Nó de Rejeição (Reset) F 0 Codificação ρa Teste de vigilância Figura 1. rquitetura da rede neural RT.
5 O subsistema de atenção é composto por duas camadas de neurônios, denominadas F 1 (responsável pela comparação) e F 2 (reconhecimento de padrões) e a camada de nós que representa o vetor de entrada atual (F 0 ). Os neurônios (F 1 e F 2 ) são interconectados por pesos (conexões diretas, F 1 a F 2, e recorrentes, F 2 a F 1 ), denominadas memórias de longo prazo (LTM Long Term Memory); os padrões de atividades produzidos por esses neurônios são denominados memória de curto prazo (Short-Term Memory STM). aprendizagem ocorre durante a ressonância [Carpenter and Grossberg 1992]. O subsistema de orientação é utilizado para estabilizar a aprendizagem do sistema, permitindo que a rede aprenda novas entradas sem esquecer seu conhecimento prévio. Esse subsistema é responsável por dizer se houve ou não ressonância, através de um parâmetro de vigilância, denominado ( possui valor decimal compreendido entre 0 e 1), que determina se um padrão de entrada pode ser incluído em uma das categorias existentes. rede RT armazena informações em forma de categorias e o número de neurônios na camada F 1 e F 2 são iguais ao número máximo de categorias que o sistema é capaz de armazenar, onde que para cada categoria existe um vetor peso associado a ela. Uma categoria é ativa quando o vetor peso associado a ela armazena informações de padrões já apresentados à rede e inativa se possui uma categoria atribuído a um vetor peso inalterado, as categorias inativas correspondem à memória em branco da rede. diferença entre os dois subsistemas é que um indica a categoria vencedora (subsistema de atenção), já o outro subsistema possui a tarefa de aceitar a categoria proposta (subsistema de orientação) ou reorientar a busca para a escolha de uma nova categoria. O processo de classificação de rede RT consiste em quatro fases principais [Grossberg 1987]: Reconhecimento: Esta etapa é responsável pelo reconhecimento dos estímulos produzidos no campo F 2. para isto é calculado os elementos do vetor utilizando a função escolha que seleciona categoria que obtiver o maior valor. Comparação: Responsável por testar a similaridade entre o vetor de entrada e o vetor de comparação, através do parâmetro de vigilância, que permite ou não a inclusão do padrão de entrada na categoria. Se não for aceito pelo parâmetro outro neurônio deve ser encontrado para armazenar o vetor. usca: Procura um novo neurônio do campo F 2 para representar o vetor de entrada atual. O neurônio rejeitado é desativado desta seleção. O vetor de entrada é reapresentado, entrando na fase de comparação que termina apenas quando encontrar um neurônio de saída que melhor se assemelhe ao vetor de entrada corrente, se isso não for possível, esse vetor de entrada é considerado sem categoria. Treinamento: Existem dois aprendizados na rede RT, o aprendizado rápido, os pesos feedforward são ajustados para seus valores ótimos em poucos ciclos (geralmente apenas um ciclo de treinamento), e o aprendizado lento, onde os pesos são ajustados lentamente em vários ciclos de treinamento, possibilitando um ajuste melhor dos pesos da rede aos padrões de treinamento. 3.2 Rede Neural RTMP-Fuzzy Esse modelo de rede utiliza o aprendizado supervisionado de dados binários e/ou analógicos através da pré-classificação dos dados de entrada e saída em categorias. Logo, tanto a entrada quanto a saída já são previamente conhecidas [Carpenter and Grossberg 1992].
6 Essa rede é formada por dois módulos RT, sendo um responsável pelo processamento do vetor de entrada, denominado RT a, e outro para o processamento do vetor de saída desejada, denominado RT b, classificando os dados de entrada e saída. Possui o módulo de memória associativa denominado inter-rt (field map), que realiza a conexão entre as categorias ativas de entrada (RT a ) e as categorias ativas de saída (RT b ), e tem a incumbência de maximar a generalização e minimizar o erro da rede. rede neural RTMP- Fuzzy possui a mesma concepção da rede RTMP convencional via substituição das operações de conjuntos por operações baseadas na lógica fuzzy, mais precisamente a permuta de operações de união e interseção pelos operadores Máx e Min fuzzy. arquitetura da rede RTMP Fuzzy pode ser vista na Figura 2 [Carpenter and Grossberg 1992]. inter-rt Wj ab F ab X ab RTa RTb F2 a ρab F2 b Wj a Wj a F1 a ρa matchtracking F1 b ρb C C F0 a Normalização e Código Complemento F0 b Normalização e Código Complemento Figura 2. rquitetura da rede RTMP Fuzzy [Carpenter and Grossberg 1992]. aprendizagem (ou treinamento) da rede RTMP Fuzzy pode ser descrita basicamente em seis etapas: normalização dos vetores de entrada e de saída, execução do código complemento, reconhecimento, comparação, busca e aprendizagem. O treinamento da rede é idêntico ao da rede RT, com a diferença apenas que possui um sistema de conexão entre os dois módulos RT existentes na rede, combinando os parâmetros de entrada e de saída, através do módulo match tracking, fazendo com que a rede tenha um treinamento supervisionado. O módulo match tracking, mecanismo interno que permite a rede elevar o parâmetro de vigilância ρ a do módulo RT a de forma a corrigir erro no módulo RT b, sempre que a rede fizer um prognóstico errado, maximizando, deste modo, a generalização e minimização do erro. O módulo RT a inicia a busca até encontrar um prognóstico correto ou a criação de uma nova categoria para a entrada atual. [Carpenter and Grossberg 1992] O módulo RT a aprende a classificar os padrões de entrada apresentados, enquanto o módulo RT b desenvolve as categorias referentes aos padrões de saída desejada. camada inter-rt recebe entradas de ambos os módulos RT a e RT b, a entrada da RT a refere-se à conexão associativa da J K (categoria ativa J do RT a e categoria ativa K do RT b ) e a categoria ativa da entrada do RT b.
7 4. Modelo da Previsão de Cargas Os modelos usados encontram-se ilustrados nas Figuras 3 e 4 [ltran 2010]. Trata-se de um procedimento que combina o uso do sistema proposto em ltran (2010) e a rede neural RT&RTMP proposta por Lopes (2005). vantagem desta concepção, a princípio, consiste em realizar a previsão multinodal com um tempo de processamento muitíssimo reduzido, se comparado à formulação via rede neural retropropagação [Werbos 1974], a qual representa a grande maioria dos artigos publicados para previsão global. Neste artigo, é empregado o previsor baseado na proposta de Lopes (2005), com algumas inovações e a rede neural a ser implementada corresponde à proposta de Lopes (2005), com as devidas adaptações (trata-se de uma execução mais simples). Os sistemas modelados foram implementados no programa MTL e são compostos por dois grandes blocos: (1) Previsão de Carga Global (PCG); (2) Previsor de (PCL). No sistema PCG-PCL, os módulos PCG e PCL utilizam a rede neural para treinamento e execução da previsão, possuem execuções independentes, ou seja, não foi usada a saída de previsão do módulo PCG na entrada do módulo PCL. Ele tem como entrada os valores referentes a carga local de cada subestação, já módulo PCG, a entrada é composta pelos valores referentes à carga global, como pode ser visto na Figura 3, como resultado dos módulos é realizada a respectiva previsão de carga. Módulo PCG Módulo PCL Local Previsor de (PCL) 1 prevista 24 1 Previsor Carga Previsor de de Global prevista 24 Carga prevista 24 Local Global (PCL) 2 2 Global horas à frente (PCG) Local Previsor de (PCL) n prevista 24 n Figura 3. Modelo Sistema PCG-PCL. fase da previsão, ilustrado na Figura 4, do sistema PCG-FPCG-PCL é realizada da seguinte forma: 1. Módulo PCG realiza a previsão da carga global: PCG (previsão) (h), para h compreendendo toda a série histórica adotada; 2. Módulo PCL realiza o treinamento utilizando como entrada local os valores das cargas (dados históricos) da respectiva subestação e dados referentes ao tempo (dia da semana e hora); 3. pós a conclusão da fase de treinamento do módulo PCL, é realizada a previsão dos Fatores de Participação de Carga Global referentes a cada nó, ou seja, FPCG j (previsão) (h), j = 1, 2,..., n, que tem como entrada os valores da carga global previs-
8 ta e as entradas locais, gerando como saída do módulo a carga local prevista 24 horas a frente (para cada subestação), calculada pela seguinte expressão: CLj (previsão) (h) = FPCGj (previsão) (h) x PCG (previsão) (h) (1) expressão (1) corresponde à previsão das cargas locais para cada hora considerada. Este procedimento torna-se vantajoso, pois o comportamento dos FPCG s é, via de regra, mais suave, se comparado ao comportamento das cargas locais. Deste modo, o treinamento da rede neural torna-se mais rápido e trabalha com um menor número de informações, i.e., os estímulos de entrada são compostos por um número menor de componentes. Módulo PCG Módulo PCL Local Carga Global prevista 24 Previsor de Fator de participação de Carga Global (PFPCG) 1 Carga Global prevista 24 FPCG previsto 24 horas à frente X prevista 24 1 Global Previsor de Carga Global (PCG) Local Carga Global prevista 24 Previsor de Fator de participação de Carga Global (PFPCG) 2 Carga Global prevista 24 FPCG previsto 24 horas à frente X prevista 24 2 Local Carga Global prevista 24 Previsor de Fator de participação de Carga Global (PFPCG) n Carga Global prevista 24 FPCG previsto 24 horas à frente X prevista 24 n Figura 4. Modelo Sistema PCG-FPCG-PCL. O sistema PCG-FPCG-PCL determina o Fator de Participação da Carga Global [ltran 2010] para cada nó de interesse, ou seja, FPCG j, j = 1, 2,..., n (n: número de nós), fatores que são representados por séries temporais usadas para estimar a carga em cada nó. Cada módulo local determina a estimativa do FPCG usando a rede RT- RTMP-Fuzzy, conforme mostra Figura 5. Desta forma, o conjunto de cargas locais (CL) é definido como carga global (CG), dada pela equação (2). Cada carga possui um fator de participação da carga global, dado pela equação (3). N CG CL (2) j 1 j FPCGj = CLj / CG (3) Cada módulo PCL é treinado de forma independente, usando como entrada local as informações disponíveis (séries históricas da potência da carga, mês, dia da semana, horário, feriados, etc.) e os valores das cargas por barramento (carga local). Cada sistema previsor utiliza a rede neural RT-RTMP-Fuzzy para treinamento e previsão da carga elétrica global ou local, como pode ser visto na Figura 5. previsão de carga de cada
9 RTa F 2 a F 1 a F 0 a RTa F 2 a F 1 a F 0 a RTa W j a W j a F 2 a F 1 a F 0 a W j a N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to N o rm alização e C ó d ig o C o m p lem en to C N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to C in te r - RT W j ab in te r - RT C in ter -RT W j ab W j ab ρ a ρ a ρ a F ab X ab ρ ab F ab m atch - tracking m a tch - tra ck in g F ab X ab ρ ab X ab m a tch - tra ck in g ρ ab RTb F 2 b F 1 b F 0 b RTb RTb F 2 b F 1 b F 0 b F 2 b F 1 b F 0 b W j a W j a W j a N o rm alização e C ó d ig o C o m p lem en to N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to C C N o rm a liz a ç ã o e C ó d ig o C o m p le m e n to C ρ b ρ b ρ b nó considerado de interesse pode ser estimada multiplicando o FPCG pelo valor da carga global prevista pelo módulo PCG em cada instante da série temporal. s Previsor de Carga Global (PCG) RT RTMP Fuzzy Dados exógenos Previsores de Fatores de Participação de Carga Global (PFPCG) Previsões de Cargas Locais (PCL) RT RTMP Fuzzy CL=CG x CL=CG x FPCG FPCG 1 CG= CL Dados de cargas locais RT RTMP Fuzzy FPCG=CL/CG n Figura 5. Sistema Previsão PCG-FPCG-PCL. O treinamento destas redes locais é simples, visto que a entrada é composta por dados locais, que são particularidades de cada nó, e pela série temporal da carga elétrica global, determinada pelo sistema de previsão global, constituindo entradas de dimensão reduzida. Os dados locais podem conter, também, informação que possam contribuir para a melhoria do modelo da carga nodal, ou seja, podem-se usar vários tipos de estratégias, inclusive, outros dispositivos inteligentes. 5. Simulações e Resultados Para avaliar os sistemas de previsão de carga multinodal modelados, as redes neurais foram treinadas com dados referentes ao ano de 2007 e 2008 para realizar a previsão de um dia a frente (24 horas a frente). Dessa forma foram previstas a carga global e a carga local do dia 01 de janeiro de Os dados históricos foram extraídos do Centralized Dataset (CDS) disponibilizados pelo Electricity Commission da Nova Zelândia, contém os valores de potência ativa, medidos de meia em meia hora de cada subestação, além de indicadores de dia do mês, mês, ano, dia da semana, feriado, horário de verão e valor da amostra de carga. Esses dados formam as variáveis de entradas da rede neural modelada de modo similar às utilizadas Nose-Filho et al. (2011). Como critério de avaliação foi utilizado a média dos valores absolutos dos erros percentuais, MPE (Mean bsolute Percentage Error), comparando-se os valores reais da carga com os valores previstos através da rede neural, calculado através da equação (4):
10 ( ) ( ) ( ) sendo: - valor da carga real - valor da carga prevista - Número de amostras previstas O sistema PCG-FPCG-PCL obteve melhor tempo de previsão em comparação com o sistema PCG-PCL e também possui os melhores resultados de MPE em grande parte das subestações, como pode ser observado na Tabela 1. TEL 1. MPE e tempo de previsão dos sistemas propostos. Subestação Sistema PCG-PCL Sistema PCG-FPCG-PCL MPE(%) Tempo Previsão (s) MPE (%) Tempo Previsão (s) # 01 4, ,22 3 # 02 12, ,45 4 # 03 10, ,54 4 # 04 3, ,08 4 # 05 13, ,08 6 # 06 5, ,00 4 # 07 4, ,17 7 # 08 11, ,94 5 # 09 11, ,12 4 Global 3,92 4,74 3,92 4,48 previsão global para os dois sistemas modelados obteve tempo e MPE semelhantes, como pode ser visto na Tabela 1, pois as entradas da rede neural são parecidas. diferença entre os dois modelos está no módulo PCL, onde a entrada local do sistema PCG-FPCG-PCL utiliza o fator de participação de carga local, realizando a previsão desse fator de participação e depois fazendo a previsão de carga local para cada nó. (a) (b) (4) Figura 6. Previsão Local de 24 horas por subestação Sistema PCG-PCL (a) e Sistema PCG-FPCG-PCL (b). Na Figura 6 podem ser observadas as previsões obtidas por subestação para os dois sistemas modelados. O sistema PCG-FPCG-PCL melhorou algumas previsões de cargas de algumas subestações, como pode ser visto na Figura 6b, aproximando da carga real, e com isso diminuindo o erro percentual (MPE) das subestações.
11 6. Conclusão Previsão de carga elétrica, a curto prazo, é uma ferramenta importante para indústria de energia, principalmente no contexto do mercado de energia. Uma adequada previsão de consumo proporciona um conjunto de informações vitais para que os sistemas elétricos possam ser planejados e operados de forma segura, confiável e econômica. Sistemas baseados em inteligência artificial tem se tornado uma ferramenta eficaz na tomada de decisão para previsão de cargas elétricas a curto prazo por ter uma melhor capacidade de desempenho ao lidar com as não-linearidades ao se modelar séries temporais. s redes neurais têm sido bastante utilizadas para realizar previsão de cargas. Nesse sentido, este trabalho realizou previsão a curto prazo de carga global e local de sistema elétrico de nove subestações da Nova Zelândia. s duas modelagens apresentam previsões eficientes, porém o modelo que utiliza a informação de FPCG obteve melhor desempenho, com erros percentuais menores, pois usou outras informações nos padrões de entrada da RN. vantagem da RN sobre os modelos estatísticos reside na capacidade para modelar um problema multivariado, não sendo necessário fazer suposições complexas de dependência entre variáveis de entrada. lém disso, RN extrai a relação não-linear implícita nas variáveis de entrada através da aprendizagem dos dados de treinamento. previsão de carga multinodal proposta possui um tempo de execução um pouco superior à previsão global convencional (em função, evidentemente, do maior ou menor número de nós de interesse para a previsão), isto porque o tempo destinado à realização do conjunto das redes neurais modulares (previsão local) é bastante reduzido. Ressalta-se que o tempo para conclusão da previsão multinodal se aproximará ao tempo de execução da previsão global, à medida que forem exploradas outras arquiteturas neurais que, eventualmente, possam produzir resultados de forma mais rápida. Os resultados obtidos pelos modelos apresentados podem ser alterados para alcançar melhor desempenho da rede neural RT-RTMP-Fuzzy, diminuindo os erros percentuais de previsão, para isso podem ser feita duas modificações: 1. Explorar outros tipos de janelas, onde o deslocamento da janela é composto pelos valores das cargas correspondentes à hora h e p horas anteriores. crescentam-se, também, as cargas correspondentes à hora h da semana anterior e à hora h do mês anterior. Com esta estratégia, há maior perspectiva de melhoria da qualidade da previsão; 2. Considerando-se a ilustração apresentada nas Figuras 3 e 4, observa-se a indicação, em cada módulo previsor local, de um bloco entrada local. Este dispositivo permite que se incluam outros tipos de informações procedentes, por exemplo, carga média, carga máxima e carga mínima. 7. Referências ltran,. M. (2010) Sistema Inteligente Para Previsão de Carga Multinodal em Sistemas Elétricos de Potência. Tese de Doutorado, Programa de Pós-Graduação em Engenharia Elétrica, UNESP, Campus de Ilha Solteira. ender, E.. (1996) Mathematical Methods in rtificial Intelligence. The IEEE Press, Piscataway-NJ, US, ox, G.E. and Jenkins, G.M. (1976) Times series analysis: forecasting and control. San Francisco, US: Holden-Day.
12 Cancelo, J. R, Espasa,. and Grafe, R. (2008) Forecasting the Electricity Load from one Day to one Week head for the Spanish System Operator. International Journal of Forecasting, v. 24, n. 4, October-December, p Carpenter, G.. and Grossberg, S. (1987) massively parallel architecture for a selforganizing neural pattern recognition machine. Computer Vision, Graphics and Image Processing, v. 37, p Carpenter, G.., Grossberg, S. and Reynolds, J. H. (1991a) RTMP: Supervised reallearning and classification of non-stationary data by a self-organizing neural network. Neural Network, v. 4, n.5, p Carpenter, G.., Grossberg, S. and Rosen, D.. (1991b) Fuzzy RT: fast stable learning and categorization of analog patterns by an adaptive resonance system. Neural Network, v. 4, n.1, p Carpenter, G.. and Grossberg, S. (1992) Self-Organizing Neural Network for supervised learning, recognition and prediction. IEEE Communications Magazine, v. 30, n. 9, p CDS-Centralized Dataset. (2010) Electricity Commission for the load dataset. New Zealand. Chaabene, M. (2008) Measurements ased Dynamic Climate Observer. Solar Energy, Vol. 82, No. 9, September, p Grossberg S. (1987) Competitive learning: from interactive activation to adaptive resonance. Cognitive Science, v. 11, p Haykin, S. Neural Networks and Learning Machines. 3 rd Ed. New Jersey, US: Prentice- Hall, Hong, W. C. (2009) Chaotic Particle Swarm Optimization lgorithm in a Support Vector Regression Electric Load Forecasting Model. Energy Conversion and Management, v. 50, n. 1, January, p Lopes, M. L. M. (2005) Desenvolvimento de redes neurais artificiais para previsão de cargas elétricas de sistemas de energia elétrica. Tese (Doutorado em Engenharia Elétrica) Faculdade de Engenharia de Ilha Solteira, Universidade Estadual Paulista Júlio de Mesquita Filho, Ilha Solteira, SP, rasil. Lopes, M. L. M., Minussi, C. R. and Lotufo,. D. P. (2005) Electric load forecasting using a fuzzy RT&RTMP neural network. pplied Soft Computing, Volume 5, Issue 2, January, p Nose-Filho, K.; Lotufo,.D.P. and Minussi, C.R. (2011) Short-term multinodal load forecasting using a modified general regression neural network, IEEE Power v. 26 (4), p O Donovan, T. M. (1983) Short Term Forecasting: n Introduction to the ox-jenkins pproach. John Wiley & Sons, New York. Topalli,. K., Erkmen, I., Topalli, I. (2006) Intelligent short-term load forecasting in Turkey, Electrical Power and Energy Systems, v. 28 (7), p Werbos, P. J. (1974) eyond regression: New tools for prediction and analysis in the behavioral sciences. PHD. Thesis - Harvard University. Wu, L., Yuan, J. S. and Zhu, Y.L. (2003) Mis-ased Long Term Distribution Load Forecasting System. dvances in Power System Control, Operation and Management, SDCOM Sixth International Conference o No. 497), v.2, November, p
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado
Previsão de Cargas Elétricas utilizando uma Rede Neural ARTMAP Fuzzy com Treinamento Continuado Thays Abreu 1, Carlos R. Santos Junior 2 Mara L. M. Lopes 1 Anna Diva Lotudo 1 Carlos R Minussi 1 1 Universidade
Leia maisRede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas
Trabalho apresentado no XXXV CNMAC, Natal-RN, 2014. Rede Neural STEPWISE-ARTMAP Fuzzy aplicada ao problema de Previsão de Cargas Elétricas Thays Abreu, Marleide F. Alves, Carlos R. Santos Junior, Anna
Leia maisPrevisão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy
Previsão de Cargas Elétricas Através de Uma Rede Neural Híbrida Back-ART Fuzzy C. M. Oliveira, A. D. P. Lotufo Departamento de Engenharia Elétrica Universidade Estadual Paulista, UNESP Ilha Solteira, São
Leia 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 maisPrograma de Pós-Graduação em Engenharia Elétrica JULIANA FONSECA ANTUNES. Previsão de Carga Multinodal Usando a Rede Neural ART-ARTMAP Fuzzy
Programa de Pós-Graduação em Engenharia Elétrica JULIANA FONSECA ANTUNES Previsão de Carga Multinodal Usando a Rede Neural ART-ARTMAP Fuzzy Ilha Solteira 2013 JULIANA FONSECA ANTUNES Previsão de Carga
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 maisPrograma de Pós-Graduação em Engenharia Elétrica JULIANA FONSECA ANTUNES. Previsão de Carga Multinodal Usando a Rede Neural ART-ARTMAP Fuzzy
Programa de Pós-Graduação em Engenharia Elétrica JULIANA FONSECA ANTUNES Previsão de Carga Multinodal Usando a Rede Neural ART-ARTMAP Fuzzy Ilha Solteira 2013 JULIANA FONSECA ANTUNES Previsão de Carga
Leia maisModelos ART Adaptive Ressonance Theory. Germano C. Vasconcelos Centro de Informática - UFPE
Modelos ART Adaptive Ressonance Theory Germano C. Vasconcelos Centro de Informática - UFPE Introdução Capacidade de Generalização Resposta satisfatória ao universo de padrões Problema: Conhecimento modificado
Leia maisPrevisão de Cargas Elétricas através de um modelo de Regressão ARIMA e uma Rede Neural ARTMAP Fuzzy
Previsão de Cargas Elétricas através de um modelo de Regressão ARIMA e uma Rede Neural ARTMAP Fuzzy T. Abreu, C. R. Santos Junior, M. L. M. Lopes, A. D. P. Lotufo FEIS Faculdade de Engenharia de Ilha Solteira
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisDESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA
DESENVOLVIMENTO DE UMA REDE NEURO-FUZZY PARA A PREVISÃO DE CARGA ALINE J. AMORIM 1, MARA L. LOPES 2, CARLOS R. MINUSSI 1, ESTELIO S. AMORIM 2 1. Departamento de Engenharia Elétrica, UNESP - Universidade
Leia 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 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 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 maisInvestigando o Desempenho do Classificador ARTMAP Fuzzy na Detecção de Intrusos
Investigando o Desempenho do Classificador ARTMAP Fuzzy na Detecção de Intrusos Nelcileno Araújo 1 1 Instituto de Computação Universidade Federal de Mato Grosso Cuiabá, MT, Brasil nelcileno@yahoo.com.br
Leia maisThiago Christiano Silva
Thiago Christiano Silva Conteúdo Conceitos Relevantes Problemas de Otimização Conceitos de Estabilidade e Convergência Teoremas de Lyapunov Rede Neural de Hopfield Aplicações do modelo de Hopfield Clusterização
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 maisCOMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB
COMPARAÇÃO DE ARQUITETURAS DE REDES NEURAIS ARTIFICIAIS UTILIZADAS PARA A PREVISÃO DE CARGAS ELÉTRICAS UTILIZANDO AS TOOLBOXES DO MATLAB KENJI NOSE FILHO, JORGE L. Y. MAEDA, ANNA D. P. LOTUFO Departamento
Leia 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 maisBrazilian Journal of Biosystems Engineering v. 10(4): , 2016 ARTMAP-FUZZY: SISTEMA INTELIGENTE APLICADO NA DETECÇÃO DE FALHAS DE UM TRATOR
ARTMAP-FUZZY: SISTEMA INTELIGENTE APLICADO NA DETECÇÃO DE FALHAS DE UM TRATOR F. D. G. da Silva 1, F. R. Chavarette 2*, M. L. M. Lopes 2 1 Instituto Federal de São Paulo, Campus Salto, Salto, SP, Brasil
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 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 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 maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Leia maisEcho 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
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 maisDESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO
DESENVOLVIMENTO DE TÉCNICA DE INTELIGENCIA ARTIFICIAL BASEADA EM REDE NEURAL FUZZY-CMAC PARA APLICAÇÃO EM CONTROLE DE MÁQUINAS DE PRODUÇÃO Thiago Coutinho Bueno, thiago_gnr95@hotmail.com João Sinohara
Leia 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 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 maisMODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC
MODELO NEURAL COM ATRASO DE TEMPO PARA A PREVISÃO DO INCC Paulo Roberto Barbosa 1 Elaine Inacio Bueno 2 Nas Ciências Econômicas ocorrem fenômenos temporais que dependem da observação de dados em um período
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
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 maisIF-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
Leia maisPREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY
Especial Innovation Day 2015 PREVISÃO EM SÉRIES TEMPORAIS COMBINANDO MODELOS ESTATÍSTICOS E CONCEITOS FUZZY FORECASTING IN TIME SERIES COMBINING STATISTICAL MODELS AND FUZZY CONCEPTS Data de entrega dos
Leia 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 maisRegra de Oja. Para taxa de aprendizagem pequena, Oja aproximou. pesos para criar uma forma útil da aprendizagem
Regra de Oja A regra de Hebb necessita da normalização dos pesos para criar uma forma útil da aprendizagem i i i i i i n x n y n w n x n y n w n w 2 1 JDSS-LAC/INPE Para taxa de aprendizagem pequena, Oja
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisMáquinas de suporte vetorial e sua aplicação na detecção de spam
e sua aplicação na detecção de spam Orientador: Paulo J. S. Silva (IME-USP) Universidade de São Paulo Instituto de Matemática e Estatística Departamento de Ciência da Computação MAC499 Trabalho de Formatura
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 maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisMulti-Layer. Perceptron. Sumário. Aplicações de Redes Neurais. Previsão de Séries Temporais. Aplicações de Previsão
Aplicações de Redes Neurais Multi-Layer Perceptron Previsão de Séries Temporais Inferência da Qualidade de Produtos de Destilação (Soft Sensors) Classificação de Imagens Determinação da Carga Limite em
Leia maisUNIVERSIDADE 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
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisPREVISÃO 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 mais2. 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
Leia maisDetecção de Bordas com Redes Neurais BAM e ART
Detecção de Bordas com Redes Neurais BAM e ART Ana Paula Abrantes de Castro Instituto Nacional de Pesquisas Espaciais apaula@lac.inpe.br Resumo Esse artigo apresenta um estudo e a implementação de redes
Leia maisNeural 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
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 maisSENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA
SENDI 2004 XVI SEMINÁRIO NACIONAL DE DISTRIBUIÇÃO DE ENERGIA ELÉTRICA 948 Metodologia para Avaliação das Perdas Técnicas em Redes de Baixa Tensão Utilizando Técnicas de Classificação O Caso da RGE A. Méffe
Leia maisPrevisão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais
1 Previsão de Cargas Elétricas através de um Modelo Híbrido de Regressão com Redes Neurais Artificiais Thays Abreu, Miguel Paredes, Klayton A. M. Araujo, Mara L. M. Lopes e Anna Diva P. Lotufo, Membro
Leia maisEliane da Silva Christo. Previsão de Potência Reativa. Tese de Doutorado
Eliane da Silva Christo Previsão de Potência Reativa Tese de Doutorado Tese apresentada como requisito parcial para obtenção do título de Doutor pelo Programa de Pós- Graduação em Engenharia Elétrica da
Leia 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 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 maisAplicações 8/10/2007. Redes Auto-Organizáveis (Self-Organizing) Modelos(1) Modelos(2) Kohonen(SOM) Modelos(3) Modelos(4) Treinamento
Modelos(1) Modelos(2) Kohonen(SOM) - 1989 Kohonen(SOM) - Arquitetura Baseadas no mapeamento realizado pelo Cérebro Pode ter várias camadas, onde o processo de auto-organização segue de camada em camada
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 maisFORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD
FORECASTING OF EUCALYPTUS WOOD PRICES FOR CELLULOSE AND SAWMILL USING RADIAL BASIS FUNCTION NEURAL NETWORK AND CLUSTERING METHOD Roberto Max Protil - PUCPR Leandro dos Santos Coelho PUCPR Wesley Vieira
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisAutor: 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
Leia maisIF-705 Automação Inteligente Perceptrons de Múltiplas Camadas
IF-705 Automação Inteligente Perceptrons de Múltiplas Camadas Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br
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 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 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 maisSNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GPL 3 4 a 7 Outubro de 27 Rio de Janeiro - RJ GRUPO VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS GPL PREVISÃO DECENAL
Leia maisRECONHECIMENTO DE TONS DTMF UTILIZANDO UMA REDE NEURAL DE KOHONEN
Lima e Minussi 36 RECONHECIMENTO DE TONS DTMF UTILIZANDO UMA REDE NEURAL DE KOHONEN Fernando Parra dos Anjos Lima 1 engfernandoparra@gmail.com Carlos Roberto Minussi 2 minussi@dee.feis.unesp.br RESUMO
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
Leia maisPrevisão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression
Previsão de Demanda de Energia Elétrica Utilizando Redes Neurais Artificiais e Support Vector Regression Gabriel I. S. Ruas 1, Ticiano A. C. Bragatto 1, Marcus V. Lamar 2, Alexandre R. Aoki 3, Silvio Michel
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisPrevisão da Velocidade dos Ventos por Redes Neurais Artificiais e ARIMA de Box & Jenkins
Previsão da Velocidade dos Ventos por Redes Neurais Artificiais e de Box & Jenkins Daniela J. Rossi, Anna D. P. Lotufo, Mara L. M. Lopes Depto de Engenharia Elétrica, FEIS, UNESP 13-000, Ilha Solteira,
Leia maisTÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA
TÉCNICAS INTELIGENTES APLICADAS A SISTEMAS ELÉTRICOS DE POTÊNCIA 1. Técnicas Inteligentes Djalma M. Falcão Programa de Engenharia Elétrica COPPE/UFRJ A expressão Técnicas Inteligentes é utilizada neste
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 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 maisREDE NEURAL ARTIFICIAL ARTMAP-FUZZY APLICADA NO RECONHECIMENTO DE FALHAS ESTRUTURAIS
Revista Iberoamericana de Ingeniería Mecánica. Vol., N.º, pp. 03-, 07 REDE NEURAL ARTIFICIAL ARTMAP-FUZZY APLICADA NO RECONHECIMENTO DE FALHAS ESTRUTURAIS JACQUELINE S. CHAVES, MARA LÚCIA M. LOPES, FÁBIO
Leia maisREDES NEURAIS RECORRENTES DE ELMAN PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO
REDES NEURAIS RECORRENTES DE ELMAN PARA PREVISÃO DE DEMANDA DE ENERGIA ELÉTRICA NO CURTÍSSIMO PRAZO LUCIANO CARLI MOREIRA DE ANDRADE, IVAN NUNES DA SILVA Laboratório de Automação Inteligente de Processos
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 mais3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
Leia 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 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 maisA 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
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 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 maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisSelf Organizing Maps - Redes de Kohonen
Self Organizing Maps - Redes de Kohonen 1. Redes auto organizáveis Existe uma classe de redes neurais artificias que possuem a capacidade de auto organização, sendo por isto chamadas de redes auto organizáveis.
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisC o m p u t a ç ã o M ó v e l. André Siqueira Ruela
C o m p u t a ç ã o M ó v e l André Siqueira Ruela Sumário Introdução Estrutura Reconhecimento Normalização Cálculo da Saída Aprendizado Implementação Introdução Self Organizing Maps (SOM) são também conhecidos
Leia mais4 Cálculo de Equivalentes Dinâmicos
4 Cálculo de Equivalentes Dinâmicos 4.1 Introdução O crescimento do sistema de energia elétrica, o aumento do número de interligações e a sofisticação dos modelos para representação dos componentes de
Leia maisPrevisão de Carga Utilizando Redes Neurais: Uma Aplicação ao Sistema CEAL. Franklin Martins Pereira Pamplona UFCG/CEEI/DEE
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
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
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 maisO Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Leia maisASSOCIAÇÃO DE ENSINO E CULTURA PIODÉCIMO FACULDADE PIO DÉCIMO, CAMPUS III ARACAJU, SERGIPE MATERIAL PARA AULA DO ENAD ÁREA ESPECÍFICA
ASSOCIAÇÃO DE ENSINO E CULTURA PIODÉCIMO FACULDADE PIO DÉCIMO, CAMPUS III ARACAJU, SERGIPE MATERIAL PARA AULA DO ENAD ÁREA ESPECÍFICA SISTEMAS ELÉTRICOS II ENGENHARIA ELÉTRICA Prof. José Valter Alves Domingues
Leia maisInteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
Leia maisUniversidade Estadual Paulista Campus de Ilha Solteira. Palestra: Carlos Roberto Minussi DEE FEIS UNESP
Universidade Estadual Paulista Campus de Ilha Solteira Palestra: Lógica Fuzzy (Nebulosa) Carlos Roberto Minussi DEE FEIS UNESP História e Motivação Lógiica Fuzzy Computação com Pallavras Zadeh [1965] desenvolveu
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia mais