Inferência Bayesiana Aplicada ao Desenvolvimento de Modelos Neurais para Tratamento de Alarmes em Subestações
|
|
- João Pedro Aleixo Arantes
- 8 Há anos
- Visualizações:
Transcrição
1 Inferênca Bayesana Aplcada ao Desenvolvmeno de Modelos Neuras para Traameno de Alarmes em Subesações Vor Huo Ferrera, Julo esar Saccn de Souza e Mlon Brown Do ouo Flo Absrac-- Ts wor nvesaes e applcaon of bayesan nference for e developmen of mullayer percepron neural newors devoed o alarm processn and denfcaon of fauled componens n power dsrbuon subsaons. Te concep of ypcal subsaon s explored o deal w e problem dmenson and o allow a e consruced neural model be vald for every subsaon a presens e same proecon plosopy. Dfferen sraees usn neural newors are proposed for e danoss of e subsaon componens sauses. Te proposed neural models and sraees are esed usn daa from a real subsaon and compared. omparsons w resuls repored n e ecncal leraure, obaned w Mul-Layer Perceprons (MLPs) raned usn e convenonal Bacpropaaon alorm, are also provded. Index Terms-- Neural Newors, Bayesan Inference, Paern Reconon, Faul Locaon, Alarm Processn. A I. INTRODUÇÃO ualmene, é necessáro que as concessonáras de enera elérca possuam cenros operavos capazes de aender a demanda dos consumdores com o máxmo de connudade e qualdade, de forma economcamene usfcada, respeando resrções elércas e ambenas. A maora dos cenros operavos modernos dspõe de uma rande quandade de nformações para os operadores, obdas por meo dos ssemas de supervsão e conrole. Frequenemene os operadores devem omar decsões em curo espaço de empo, quando submedos a um rande volume de nformações que ceam sob a forma de alarmes. Tas alarmes podem esar assocados a ocorrênca de defeos, manobras, auação de dsposvos de proeção, ec. Nesas suações, a quase smulanedade dos aconecmenos, mesmo consderando a separação dos evenos e alarmes em caeoras de prordade dferenes, mpede que o operador analse os referdos alarmes e evenos adequadamene, no empo devdo, de forma a produzr um Ese rabalo fo fnancado pelo NPq, pela FAPERJ (processo E- 6/03.04/0) e pelo INERGE (Insuo Naconal de Enera Elérca). V.H. Ferrera aua no Deparameno de Enenara Elérca da Unversdade Federal Flumnense (UFF), R. Passo da Pára, 56, Bl. D, sala 509, São Domnos, Neró, RJ, (e-mal: vor@vm.uff.br). J.. Saccn de Souza é Professor Assocado do Deparameno de Enenara Elérca da UFF, auando ambém no Prorama de Pós-Graduação em ompuação da UFF. (e-mal: ulo@c.uff.br). M.B. Do ouo Flo é Professor Tular do Insuo de ompuação da UFF. (e-mal: mbrown@c.uff.br). danósco e mplemenar as ações necessáras ao rápdo resabelecmeno da enera aos consumdores. Em adção ao rande volume de nformações, problemas como falas no ssema de proeção, falas de comuncação, ocorrênca de dados corrompdos, denre ouros, podem ornar a arefa de danósco basane complcada. O processameno de alarmes e a obenção de danóscos consuem um mporane problema a ser resolvdo no ambene de empo real. Muas aplcações de écncas nelenes para o processameno de alarmes e danósco de defeos foram proposas na leraura []. Muas delas empream ssemas especalsas [], nos quas um conuno de padrões de alarme é empreado para a consrução da base de conecmeno. O conecmeno e experênca de especalsas umanos são explorados de forma a consrur um conuno de reras que compõem o mecansmo de nferênca responsável por produzr danóscos em empo real. Enreano, sabe-se que ssemas especalsas apresenam desempeno sasfaóro apenas para suações que foram prevamene consderadas no desenvolvmeno da base de conecmeno. Na ocorrênca de padrões de alarme nédos ou corrompdos o desempeno do ssema especalsa será compromedo. Alernavamene, de forma a ldar com as suações, méodos baseados na aplcação de lóca fuzzy [3], [4] e redes neuras arfcas [5]- [9] foram ambém proposos. Nese rabalo, a aplcação de redes neuras auônomas ao processameno de alarmes em subesações de dsrbução de enera elérca é nvesada. O conceo de uma subesação ípca é explorado de forma a resrnr a dmensão dos veores de enrada e ambém permr que o modelo neural consruído sea aplcável a ouras subesações que empreuem a mesma flosofa para o ssema de proeção. Teses são realzados ulzando-se dados de uma subesação real. Os resulados obdos são comparados com aqueles enconrados em [8] e os benefícos com o empreo da écnca proposa são dscudos. II. PROESSAMENTO DE ALARMES EM SUBESTAÇÕES Os ssemas de proeção são proeados para solar componenes falosos quando da ocorrênca de defeos, suações em que os componenes defeuosos devem ser rerados de operação rapdamene, de forma a evar danos físcos aos dsposvos e equpamenos elércos. Além dsso, deve-se er em mene que a nerrupção do fornecmeno de
2 enera deve ser mnmzada. Loo, os dsposvos de proeção devem operar de forma coordenada, buscando aranr que somene os componenes defeuosos seam desenerzados. aso o dsposvo de proeção responsável por solar um componene defeuoso não opere correamene, ouros dsposvos de proeção devem operar de forma a fornecer proeção de reauarda e aranr a elmnação do defeo. Neses casos, a desconexão de um conuno maor de componenes em eral ocorre, o que ende a ornar mas dfícl o processo de denfcação do componene defeuoso. Em subesações de dsrbução de enera elérca alarmes são erados quando da ocorrênca de defeos ou operações de caveameno envolvendo um ou mas componenes da subesação. O ssema de aqusção de dados (SADA) é enão responsável por colear e envar nformações sobre os alarmes erados ao cenro de conrole, onde os operadores devem realzar análses, rar conclusões e omar decsões. Nese rabalo, consdera-se que os alarmes causados por evenos envolvendo componenes de uma subesação, os quas devem ser processados no cenro de conrole, podem ser assocados à operação dos seunes dsposvos [0]: dsunores; caves secconadoras; relés de sobrecorrene; relés de sobreensão; relés de proeção conra falas para a erra; relés de proeção dferencal; relés de proeção conra fala de dsunor; reladores; relés de ás; e relés auxlares. A rande quandade de nformações a serem raadas e a possível ocorrênca de ouros problemas, as como falas no ssema de proeção ou a ausênca de nformação sobre um ou mas alarmes, podem razer rande dfculdade para o processo de análse e omada de decsão [], parcularmene em suações nas quas decsões e ações em empo real são necessáras. Tas caraceríscas ornam araene a aplcação de redes neuras arfcas (RNAs) como a proposa nese rabalo. III. INFERÊNIA BAYESIANA APLIADA AO DESENVOLVIMENTO DE MLPS Sea o problema de classfcação de padrões enre classes muuamene exclusvas defndo pelo conuno de padrões enrada-saída X, D, X x,..., x N, D d,..., d N, x n,,..., x x x n e d 0,, onde para padrões perencenes à classe e d, d, d 0,,,...,,. Em ouras palavras, a codfcação de é ulzada para represenar a classe de cada padrão x. O obevo do renameno da RNA sob o pono de vsa da nferênca bayesana resde na esmação dos parâmeros w M que maxmzam a probabldade a poseror, p X, D w pw pd X, w pw p X, D pd X Na equação (), pd X, p w X, D dada pela rera de Bayes: p w X D p D X w p w dw é um faor de normalzação. Porano, para o cálculo de () p w X, D, é necessáro o conecmeno da probabldade a pror pw, como ambém da função de verossmlança pd X, w relaconada à probabldade dos padrões perencerem a cada classe. Vso que modelos apresenando componenes de w com pequena manude reproduzem mapeamenos suaves [], sea o número de conunos nos quas os pesos e bas são M arupados, w, w... w w M, o veor conendo os M elemenos do -ésmo rupo, e o perparâmero assocado. A probabldade a pror pw assocada ao conuno de pesos represenado pelo veor dada por: pw e M w w é onsderando ndependênca enre os rupos, pw, w M, w w w... w, dada por: p w p w e p w e Z W w M () M M, passa a ser w Defnda a dsrbução pw, resa aora especfcar a probabldade dos padrões perencerem a cada uma das classes, ou sea, defnr pd X, w. Para defnção desa probabldade, sea a saída do -ésmo neurôno de saída do Percepron de Múlplas amadas (MLP): m n sada ocula x b b Na equação (4) m (3) (4),... m, represena os pesos que lam os neurônos da camada ocula ao -ésmo neurôno de saída, n,... n, consuído pelos pesos que lam as enradas ao -ésmo neurôno da camada escondda, b o bas dese neurôno, b o bas do -ésmo neurôno de saída, ocula : a função smodal (nese rabalo, anene perbólca) de avação dos neurônos da camada ocula e : sada a função de avação dos neurônos da camada de saída (nese rabalo z sada z e ). Assm, o veor w M, w s b b b
3 3 apresena um oal de M m n parâmeros lvres, onde represena o número de saídas do MLP. Para que odas as saídas represenem uma medda de probabldade, (5) y f x, w px x onde y é a -ésma saída do MLP represenando a probabldade do padrão x perencer à classe. omo as classes são muuamene excludenes,, p d x w a probabldade a poseror da ocorrênca de um veor d dado um padrão x e um veor de parâmeros w é dada por []: d (6) pd x, w f x, w Supondo que os padrões de saída são ndependenes e dencamene dsrbuídos, a probabldade de ocorrênca do conuno de padrões de saída D dado o conuno de padrões X e parâmeros w, pd X, w, pode ser escra da manera que seue: N,, p D X w f x w d De posse das expressões (3) e (7), é possível calcular p w X, D descra na equação (), resulando na seune expressão: p w X D e d w Z w e, Sw e S w S w N M S w d ln f x, w w S w ED w E w O funconal Sw apresena duas parcelas. A prmera parcela, E w, é dada pelo rsco empírco, que represena o D ause do modelo aos dados dsponíves. Se odos os padrões forem correamene classfcados, E w 0. A seunda parcela, relaconada com a nserção de conecmeno prévo, na eora da reularzação represena um funconal reularzador, E f x w conecdo como decameno dos pesos, do nlês we decay, aplcado a cada rupo de pesos w. Vso que w não é a únca varável desconecda, p w X, D deve ser obda aravés da neração da probabldade a poseror de odas as varáves desconecdas p w, X, D sobre odo o espaço de perparâmeros. Para al, nese rabalo será ulzada a abordaem conecda como aproxmação da evdênca proposa por Macay [3]. Esa meodoloa dá orem a um alormo analíco para esmação dos perparâmeros ao lono do processo de S D (7) (8) renameno, sem a necessdade de um conuno de valdação. Deales sobre ese alormo podem ser enconrados em []. A. Deermnação Auomáca de Relevânca (DAR) A parr de um arupameno específco dos parâmeros que defnem o MLP, a relação enre e a manude de w pode ser ulzada para mensuração da relevânca de cada enrada. onecdo como deermnação auomáca de relevânca, ese méodo de seleção de enradas dvde o veor de parâmeros w em nm rupos. Os n prmeros rupos represenam os pesos que lam cada uma das enradas à camada ocula (n rupos com cada rupo conendo m pesos). Os conunos resanes dzem respeo aos pesos que lam cada neurôno da camada ocula à camada de saída (m rupos com cada rupo conendo pesos), um rupo com os bas dos neurônos da camada ocula (m componenes) e um úlmo rupo com os bas dos neurônos da camada de saída ( componenes). Esa escola específca de arupameno dos pesos perme ponderar a relevânca de cada snal aravés da análse dos n perparâmeros. Enradas com valores elevados para ao fnal do processo de renameno são ladas ao modelo aravés de pesos com pequena manude, conrbundo menos para o cálculo da saída. Porano, quano maor, menor a mporânca da respecva enrada no cálculo da saída. Ulzando ese arupameno específco de pesos, a análse dos perparâmeros obdos fornece uma meodoloa para mensuração da relevânca de cada enrada. Mesmo sendo capaz de ordenar esas varáves seundo a mporânca de cada uma no cálculo da saída, ese méodo não apresena ferramenas para deecção de enradas rrelevanes, sendo necessára a defnção de um lmar de relevânca 0 para deecção de varáves rrelevanes. O méodo baseado na nserção de varáves aleaóras de prova [4], [5] é ulzado para defnção empírca do lmar de relevânca 0. B. Seleção Bayesana de Modelos A nferênca bayesana ambém pode ser ulzada para seleção da melor esruura em uma sére de póeses H, H,..., H. Pela rera de Bayes, a dsrbução de K probabldade a poseror ph Y da póese por: p H Y ph py p Y H H é dada Vso que py é um faor de normalzação e admndo que odas as póeses (9) H são equprováves a pror, a evdênca py H pode ser ulzada para avalação de modelos. onsderando MLPs com uma únca camada ocula conendo m neurônos e ulzando uma aproxmação aussana em orno de ln p Y H :, é obda a seune expressão para
4 4 ln p Y H S w A w M ln ln m ln m! ln Na expressão acma, Sw e a marz para w e (0) Aw são avalados, sendo ambém ulzados os respecvos números efevos de parâmeros esmados. Ulzando DAR, o número de rupos é ual a nm. Nese rabalo a evdênca para os modelos será ulzada para deermnação do número de neurônos na camada ocula de MLPs aravés da escola do modelo que apresenar maor ln p Y H, ou sea, aquele mas provável à luz dos dados. IV. TRATAMENTO DE ALARMES VIA MLPS DESENVOLVIDOS OM INFERÊNIA BAYESIANA Nese rabalo foram nvesadas duas esraéas vsando a classfcação dos alarmes de uma subesação de enera elérca va redes neuras. A prmera fo a de se consrur uma rede neural únca, responsável por ober danóscos sobre odos os equpamenos ípcos de uma subesação: lna de ransmssão, barrameno de ala ensão, ransformador, barrameno de baxa ensão, banco de capacores e almenadores. A seunda esraéa consdera uma rede neural específca para classfcar a ocorrênca de defeos em cada po de equpameno da subesação, ou sea, cada equpameno possu uma RNA dedcada apenas ao danósco de sua condção operava. Em ambos os casos as RNAs são proeadas para denfcar o po de equpameno que apresena defeo e não dreamene o componene defeuoso. Iso perme a redução da complexdade e da dmensão do problema aravés da redução do número de varáves de enrada e saída da rede. Uma vez denfcado o po de componene que apresena defeo, a denfcação do componene em s pode ser faclmene obda com base na nformação presene no ssema SADA, conforme proposo em [9]. A. Subesação ípca Em ambas as esraéas nvesadas nese rabalo, a classfcação realzada por uma RNA busca deecar a ocorrênca de defeos envolvendo componenes de uma subesação ípca, como a lusrada na Fura. No modelo de subesação apresenado, em-se apenas um represenane de cada po de componene, aqu denomnados de componenes ípcos da subesação. Nese caso, ndependene da quandade de almenadores de uma subesação, somene um almenador é consderado para fns de classfcação no modelo da Fura. O mesmo racocíno se esende aos demas componenes. No presene rabalo, a defnção dos equpamenos ípcos fo baseada no arrano de uma subesação real, cuos deales podem ser enconrados em [9]. A consderação de apenas um represenane para cada po de componene se usfca pelo fao de que, em uma subesação, os mesmos esquemas de proeção são eralmene empreados para proeer um mesmo po de componene. Iso snfca que defeos envolvendo, por exemplo, almenadores de uma subesação, resularão em padrões de alarme smlares. O mesmo ocorre para defeos envolvendo ouros componenes. Loo, RNAs são renadas para classfcar padrões de alarme assocados aos componenes ípcos represenados na Fura e os seus canas de enrada receberão snas de alarmes provenenes da operação de dsposvos de proeção assocados à proeção de as componenes. Nese caso, na ocorrênca de um defeo envolvendo, por exemplo, um cero almenador da subesação, os alarmes assocados a operação de seus dsposvos de proeção serão dreconados para canas de enrada específcos da RNA, os quas serão os mesmos canas de enrada ulzados quando o defeo envolver qualquer ouro almenador. O mesmo racocíno é váldo quando da ocorrênca de defeos em ouros componenes. Fura Subesação Típca B. onsrução dos classfcadores neuras Duas esraéas são consderadas nese rabalo para a consrução de classfcadores, sendo em ambas ulzadas RNAs para classfcar os componenes ípcos da Fura. Aspecos das duas esraéas proposas são descros a seur. Esraéa : Empreo de uma únca RNA Na prmera esraéa, uma únca RNA é responsável por ober classfcações para odos os componenes. Os elemenos que compõem os padrões de enrada são bnáros e cada um deles ndca o recebmeno ou não de um alarme específco. Deve-se desacar que o empreo do conceo de subesação ípca faz com que a dmensão do veor de enrada sea reduzda e orna ese ndependene do pore da subesação. ada neurôno de saída esá assocado a um deermnado componene da subesação e a correspondene saída deseada ndca a aceação ou reeção de defeo envolvendo o componene monorado. No caso da RNA empreada nese rabalo as saídas deseadas serão bnáras, ndcando a
5 5 probabldade de cada componene perencer à classe de componenes defeuosos, sendo ual a quando o componene esá defeuoso e ual a 0 em caso conráro. Quando se ulza uma únca RNA, cnco neurônos de saída são consderados, cada um responsável por esmar a probabldade de defeo em um componene específco, denre os seunes: barrameno de ala ensão, ransformador, barrameno de méda ensão, almenador e banco de capacor. Esraéa : Empreo de RNAs dedcadas Ao se ulzar RNAs ndependenes, são necessáras cnco redes dsnas, cada uma delas responsável por esmar a probabldade de um componene específco perencer à classe dos componenes defeuosos ou não defeuosos. Nese caso, nenuma aleração é necessára no veor de enrada em relação à RNA anerormene descra. Porém, apenas dos neurônos de saída são ulzados, o prmero represenando a probabldade do componene monorado esar com defeo e o ouro represenando a probabldade do componene não esar com defeo. Porano, a mesma base de renameno é empreada quando se ulza uma únca RNA ou váras RNAs (cada uma delas dedcada ao danósco de um componene específco). A fase de renameno das RNAs é realzada offlne e uma únca vez. Os exemplares que compõem a base de renameno devem corresponder a padrões de alarme assocados a dferenes defeos, em dferenes componenes, consderando ambém suações nas quas a auação do ssema de proeção fo normal e ouras em que ouve a auação da proeção de reauarda. Tas exemplares podem ser obdos com o auxílo de especalsas e/ou exraídas dreamene da base de dados sórcos de uma empresa, onde esão resrados os alarmes erados quando da ocorrênca de evenos envolvendo componenes da subesação.. Obenção de danóscos Quando a esraéa adoada for a ulzação de uma únca RNA, os seunes passos são necessáros para a obenção de danóscos: () Apresenar o padrão de enrada à RNA e ober nos neurônos de saída as esmavas das probabldades de cada componene da subesação perencer à classe dos componenes defeuosos; () Danoscar como defeuoso aquele componene que apresenar a maor probabldade. No caso do empreo de RNAs dedcadas aos componenes, os seunes passos são adoados: () Apresenar o padrão de enrada a cada RNA e ober nos respecvos neurônos de saída as esmavas das probabldades do componene monorado perencer a cada uma das duas classes (componenes defeuosos e componenes não defeuosos); () Se, para uma dada RNA, a probabldade de um componene perencer a classe de componenes defeuosos for maor do que a probabldade dele não perencer a al classe, classfcar o esado do componene como defeuoso; () Idenfcar como defeuosos os componenes assm classfcados no passo (). Nese rabalo, a ocorrênca de defeos smulâneos não é consderada. No enano, a ocorrênca de as evenos, quando correlaconados, pode ser faclmene consderada, basando para al nclur na base de renameno os padrões de alarme correspondenes a as suações. V. RESULTADOS Os modelos neuras proposos nese rabalo foram renados ulzando a mesma base de renameno empreada em [8,9], a qual coném padrões de alarme correspondenes a dferenes suações de defeo envolvendo componenes de uma subesação real. Os resulados obdos são comparados com os resrados em [8] (onde se ulzou uma RNA MLP renada com o alormo Bacpropaaon) e apresenados nas Tabelas e. Para os modelos proposos nese rabalo, os quas ulzam nferênca bayesana, foram esadas esruuras com número de neurônos oculos varando enre e 0 neurônos, sendo escoldo para realzação do danósco o modelo que apresenou maor evdênca (Equação (0)). A Tabela apresena as axas de acero no danósco do componene defeuoso para os padrões condos na base de renameno. Ambas as esraéas esadas, RNA únca e RNAs dedcadas, obveram 00% de acero no danósco dos componenes defeuosos. O mesmo resulado ava sdo obdo em [8]. De modo a verfcar a robusez e capacdade de eneralzação dos modelos esados, a Tabela apresena resulados quando se consderou aleaoramene a ausênca de um snal de enrada, ou sea, a não capura de um snal de alarme assocado ao eveno ocorrdo. As respecvas marzes de confusão são apresenadas nas Tabelas 3 e 4. Esa mesma smulação fo realzada em [8]. Pode-se perceber nese caso que os modelos proposos nese rabalo apresenaram desempeno snfcavamene superor. TABELA TAXAS DE AERTO PARA O ONJUNTO DE TREINAMENTO RNA RNAs RNA de Modelo Únca Dedcadas [8] Taxa de Aceros 00% 00% 00% TABELA TAXAS DE AERTO PARA O ONJUNTO DE VALIDAÇÃO (UM ALARME FALTANTE) Modelo Taxa de Aceros RNA Únca RNAs Dedcadas RNA de [8] 9,47% 9,5% 73,08% A dferença de desempeno observada na Tabela pode ser explcada pelo fao de que o empreo da nferênca bayesana perme que as RNAs empreadas nas esraéas proposas seam capazes de esmar em suas saídas as probabldades de cada componene perencer à classe de componenes defeuosos. Por ouro lado, a RNA MLP de [8] é renada para
6 6 TABELA 3 MATRIZ DE ONFUSÃO PARA O ONJUNTO DE VALIDAÇÃO - RNA DEDIADA lasse lasse lasse 3 lasse 4 lasse 5 lasse lasse lasse lasse lasse TABELA 4 MATRIZ DE ONFUSÃO PARA O ONJUNTO DE VALIDAÇÃO - RNA ÚNIA lasse lasse lasse 3 lasse 4 lasse 5 lasse lasse lasse lasse lasse produzr apenas saídas bnáras. Nos casos em que padrões de alarme corrompdos esão presenes, o seu reconecmeno se orna mas dfícl, o que se reflee nos valores obdos nas saídas das RNAs, os quas endem a apresenar maor afasameno dos valores deseados ( e 0). Enquano a RNA de [8] apresena dfculdade de nerprear valores nermedáros (enre 0 e ) obdos na saída da rede, o mesmo não ocorre com as RNAs que empream a nferênca bayesana, uma vez que a saída é dreamene nerpreada como um valor de probabldade. Anda com relação às esraéas proposas, vale ambém desacar que a esraéa que ulza RNAs dedcadas por componene á conempla dreamene o raameno de erros smulâneos, envolvendo componenes de dferenes pos. Iso ocorre porque cada RNA esma a probabldade de aceação ou reeção de um defeo envolvendo o componene monorado, enquano na esraéa que emprea uma únca RNA são esmadas smulaneamene as probabldades de cada componene esar defeuoso. Uma vez que uma das premssas do modelo empreado é a de que as classes seam muuamene excludenes, são necessáras alerações na formulação da RNA únca para o raameno de defeos smulâneos em componenes de dferenes pos. Ese ópco, assm como o raameno de defeos smulâneos (correlaconados) será alvo de nvesação fuura. Os resulados obdos revelam os possíves benefícos com a aplcação de nferênca bayesana no desenvolvmeno de RNAs para raar o problema aqu abordado e o seu poencal para empreo como mecansmo de nferênca (em subsução a uma MLP renada pelo alormo Bacpropaaon) em um modelo íbrdo como o descro em [9]. VI. ONLUSÕES Ese rabalo nvesou a aplcação de RNAs desenvolvdas ulzando nferênca bayesana ao problema de processameno de alarmes em subesações. O conceo de subesação ípca fo empreado, onde componenes de um mesmo po êm um únco represenane no modelo reduzdo da subesação. Duas dferenes esraéas foram apresenadas para a consrução de classfcadores: o empreo de uma únca RNA para classfcar odos os componenes ípcos da subesação e o empreo de RNAs dedcadas a componenes específcos, sendo cada uma delas responsável apenas por classfcar o esado do componene monorado. As RNAs foram renadas ulzando padrões de alarme correspondenes a ocorrênca de dferenes defeos. Uma vez renadas, as RNAs foram empreadas para realzar classfcações sobre os esados de componenes da subesação quando submedas a padrões de alarme nédos e corrompdos. Resulados comparavos mosraram o poencal das RNAs proposas para auxílo à arefa de danósco, endo sdo possível ober elevadas axas de aceros. É mporane noar que, ao se ulzar o conceo de subesação ípca, defeos smulâneos em componenes do mesmo po podem ser auomacamene raados. VII. REFERÊNIAS BIBLIOGRÁFIAS [] M. Kezunovc, Inellen Sysems n Proecon Enneern, n Proceedns of e In. onf. Power Sys. Tec. (Poweron), v., (000), pp [] Y.M. Par, G.-W. Km and J.-M. Son, A Loc Based Exper Sysem (LBES) for Faul Danoss of Power Sysems, IEEE Transacons on Power Sysems, v., pp , Feb [3] J.. Saccn de Souza, E.B.M. Meza, M.T. Sclln and M.B. Do ouo Flo, Alarm Processn n Elecrcal Power Sysems rou a Neuro-Fuzzy, IEEE Transacons on Power Delvery, v. 9, n., pp , Apr [4] B. Das, Fuzzy Loc-Based Faul-Type Idenfcaon n Unbalanced Radal Power Dsrbuon Sysem, IEEE Transacons on Power Delvery, v., n., pp , Jan [5] A.G. Joneper,, H.E. D and L. van der Slus, Neural newors appled o alarm processn, n Proc. Trd Symp. Exp. Sys. Applc. Power Sys., Toyo-Kobe, Japan (99), pp [6] J.. Saccn de Souza, M.A.P. Rodrues, M.T. Sclln and M.B. Do ouo Flo, Faul Locaon n Elecrcal Power Sysems Usn Inellen Sysems Tecnques, IEEE Transacons on Power Delvery, v. 6, n., pp , Jan. 00. [7] M. Nenevsy and V. Pavlovsy, Neural Newors Approac o Onlne Idenfcaon of Mulple Falures of Proecon Sysems, IEEE Transacons on Power Delvery, v. 0, n., pp , Apr [8] R. S. Freund, J.. Saccn de Souza; E. B. M. Meza; H. R. O. Roca; M. B. Do ouo Flo;. Sensrasser, Ferramena ompuaconal Inelene para o Danósco de Falas em Subesações, n X Smpóso de Especalsas em Planeameno da Operação e Expansão Elérca, Floranópols (006), pp. -6. [9] J.. Saccn de Souza, M. B. Do ouo Flo, R. S. Freund, A Hybrd Inellen Sysem for Alarm Processn n Power Dsrbuon Subsaons, Inernaonal Journal of Hybrd Inellen Sysems, v. 7, pp. 5-36, Apr. 00. [0] A.G. Pade and J. S. Torp, ompuer relayn for power sysems, Researc Sudes Press Ld., Somerse, Enland, 998. [] n-la Hor, and Peer A. rossley, Exracn Knowlede From Subsaons for Decson Suppor, IEEE Transacons on Power Delvery, v. 0, n., pp , Apr [].M. Bsop, Neural Newors for Paern Reconon, Oxford, New Yor, Oxford Unversy Press, 995. [3] D.J.. Macay, Bayesan Meods for Adapve Models, P.D. dsseraon, alforna Insue of Tecnoloy, Pasadena, alforna, USA, 99. [4] V.H. Ferrera, A.P. Alves da Slva, Toward Esman Auonomous Neural Newor Based Elecrc Load Forecasers, IEEE Transacons on Power Sysems, v., n.4, , Nov [5] V.H. Ferrera, A. Lazzare, H.V. Neo, R. Rella, J. Omor, lassfcação de Evenos em Redes de Dsrbução de Enera ulzando Transformada Wavele e Modelos Neuras Auônomos, Learnn and Nonlnear Models Journal of e Brazlan Socey on Neural Newors, v.8, n., 93-99, 00
CAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n
1 CAPÍTULO 1 REPREENTAÇÃO E CLAIFICAÇÃO DE ITEMA 1.1. Represenação de ssemas 1.1.1. semas com uma enrada e uma saída (IO) e sema monovarável IO = ngle Inpu ngle Oupu s e = enrada s = saída = ssema 1.1..
Leia mais2 Programação Matemática Princípios Básicos
Programação Maemáca Prncípos Báscos. Consderações Geras Os objevos dese capíulo são apresenar os conceos de Programação Maemáca (PM) necessáros à compreensão do processo de omzação de dmensões e descrever
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Parca Mara Borolon. Sc. Modelos de ados em Panel Fone: GUJARATI;. N. Economera Básca: 4ª Edção. Ro de Janero. Elsever- Campus 006 efnções Geras Nos dados em panel a mesma undade de core
Leia mais3 Planejamento da Operação Energética no Brasil
3 Planeameno da Operação Energéca no Brasl 3.1 Aspecos Geras O ssema elérco braslero é composo por dos dferenes pos de ssemas: os ssemas solados, os quas predomnam na regão Nore do Brasl e represenam cerca
Leia maisCIRCULAR Nº 3.634, DE 4 DE MARÇO DE 2013. Padrão. Padrão. max i. I - F = fator estabelecido no art. 4º da Resolução nº 4.
CIRCULAR Nº 3.634, DE 4 DE MARÇO DE 2013 Esabelece os procedmenos para o cálculo da parcela dos avos ponderados pelo rsco (RWA) referene às exposções sueas à varação de axas de uros prefxadas denomnadas
Leia maisÉ a parte da mecânica que descreve os movimentos, sem se preocupar com suas causas.
1 INTRODUÇÃO E CONCEITOS INICIAIS 1.1 Mecânca É a pare da Físca que esuda os movmenos dos corpos. 1. -Cnemáca É a pare da mecânca que descreve os movmenos, sem se preocupar com suas causas. 1.3 - Pono
Leia maisHEURÍSTICA PARA O PROBLEMA DE ROTEIRIZAÇÃO E ESTOQUE
Pesqusa Operaconal e o Desenvolvmeno Susenável 7 a /9/5, Gramado, RS HEURÍSTICA PARA O PROBLEMA DE ROTEIRIZAÇÃO E ESTOQUE André Luís Shguemoo Faculdade de Engenhara Elérca e Compuação Unversdade Esadual
Leia mais1- Testes Acelerados. Como nível usual entende-se o nível da variável stress a que o componente ou aparelho será submetido no dia-adia.
- Teses Aelerados São de rande mporâna na ndúsra espealmene na ndúsra elero-elerôna em que eses de empos de vda demandam muo empo. (os produos são muo onfáves) Inorporação de uma arável-sress adonada a
Leia maisAnálise do Desempenho dos Gestores de Fundos, baseada nas Transações e nas Participações das Carteiras
Vâna Sofa Sequera Umbelno Análse do Desempenho dos Gesores de Fundos, baseada nas Transações e nas Parcpações das Careras Dsseração de Mesrado apresenado à Faculdade de Economa da Unversdade de Combra
Leia maisANEXO III. Nota Técnica nº 148/2010-SRE/ANEEL Brasília, 24 de maio de 2010.
ANEXO III Noa Técnca nº 148/21-SRE/ANEEL Brasíla, 24 de mao de 21. M E T O D O L O G I A E Á L U L O D O F A T O R X ANEXO II Noa Técnca n o 148/21 SRE/ANEEL Em 24 de mao de 21. Processo nº 485.269/26-61
Leia maisAprendizagem Estatística de Dados. Francisco Carvalho
Aprendzagem Esaísca de Dados Francsco Carvalho A função de Densdade Normal Valor Esperado Caso conínuo [ f ] Caso dscreo f p d [ f ] f p D A função de Densdade Normal Caso Unvarado função de densdade p
Leia maisDINÂMICA E PREVISÃO DE PREÇOS DE COMMODITIES AGRÍCOLAS COM O FILTRO DE KALMAN
XXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO DINÂICA E PREVISÃO DE PREÇOS DE COODITIES AGRÍCOLAS CO O FILTRO DE KALAN Flávo Pnhero Corsn (POLI-USP) flavo.corsn@gmal.com Celma de Olvera Rbero (POLI-USP)
Leia maisda rede são atualizados de acordo com a equação 2 [13]:
LS-DRAUGHTS - UM SISTEMA DE ARENDIZAGEM ARA DAMAS COM GERAÇÃO AUTOMÁ- TICA DE CARACTERÍSTICAS HENRIQUE CASTRO NETO, RITA MARIA SILVA JULIA Faculdade de Compuação, Unversdade Federal de Uberlânda Av. João
Leia maisExemplo pág. 28. Aplicação da distribuição normal. Normal reduzida Z=(900 1200)/200= 1,5. Φ( z)=1 Φ(z)
Exemplo pág. 28 Aplcação da dsrbução ormal Normal reduzda Z=(9 2)/2=,5 Φ( z)= Φ(z) Subsudo valores por recurso à abela da ormal:,9332 = Φ(z) Φ(z) =,668 Φ( z)= Φ(z) Φ(z) =,33 Φ(z) =,977 z = (8 2)/2 = 2
Leia maisCÁLCULO DE ÍNDICES DE CONFIABILIDADE EM SISTEMAS DE GERAÇÃO DE ENERGIA USANDO UM ALGORITMO GENÉTICO MODIFICADO
CÁLCULO DE ÍNDICES DE CONFIABILIDADE EM SISTEMAS DE GERAÇÃO DE ENERGIA USANDO UM ALGORITMO GENÉTICO MODIFICADO RODRIGO ALBUQUERQUE, ANSELMO RODRIGUES, MARIA G. DA SILVA. Grupo de Ssemas de Poênca, Deparameno
Leia mais2. REVISÃO BIBLIOGRÁFICA
MODELO DE APOIO À DECISÃO PARA UM PROBLEMA DE POSICIONAMENTO DE BASES, ALOCAÇÃO E REALOCAÇÃO DE AMBULÂNCIAS EM CENTROS URBANOS: ESTUDO DE CASO NO MUNICÍPIO DE SÃO PAULO RESUMO Ese argo apresena uma proposa
Leia maisOtimização no Planejamento Agregado de Produção em Indústrias de Processamento de Suco Concentrado Congelado de Laranja
Omzação no Planeameno Agregado de Produção em Indúsras de Processameno de Suco Concenrado Congelado de Larana José Renao Munhoz Crova Agro Indusral Lda., 15800-970, Caanduva, SP (ose.munhoz@crova.com)
Leia mais5 Apreçamento de ESOs com preço de exercício fixo
5 Apreçameno de ESOs com preço de exercíco fxo Ese capíulo rá explorar os prncpas modelos de apreçameno das ESOs ulzados hoje em da. Neses modelos a regra de decsão é esruurada em orno da maxmzação do
Leia maisSolução numérica de equações diferenciais ordinárias. Problema de valor inicial (PVI)
Solução numérca de equações derencas ordnáras Problema de valor ncal PVI 4 5 Inrodução 4 5 Uma equação derencal ordnára é denda como uma equação que envolve uma unção ncógna e algumas das suas dervadas
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO - VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS - GPL
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 XXX.YY a 5 Novembro de 009 Recfe - PE GRUPO - VII GRUPO DE ESTUDO DE PLANEJAMENTO DE SISTEMAS ELÉTRICOS - GPL HIDROTERM
Leia mais5 Avaliação do Título Conversível pelo Método de Diferenças Finitas Implícito (DFI)
5 Avalação do Tíulo Conversível pelo Méodo de Dferenças Fnas Implíco (DFI) 5. Meodologa - Premssas Ese modelo desenvolvdo para apreçameno do LYON faz uso da eora de opções desenvolvda por Black and Scholes
Leia maisÍndice de Preços Imobiliários para o Brasil: Estudos para Discussão
Mnséro do Planejameno, Orçameno e Gesão Insuo Braslero de Geografa e Esaísca IBGE Dreora de Pesqusas Coordenação de Índces de Preços Ssema Naconal de Índces de Preços ao Consumdor SNIPC Índce de Preços
Leia mais. Para cada conexão i é atribuído um peso φ
Escalonador WF 2 Q O escalonador WF 2 Q [3] é uma aproxmação baseada em pacoes do GP, que em por obevo emular ese escalonador fluído o mas próxmo possível De acordo com Groux e Gan [1], o escalonador WF
Leia maisInterpolação e Extrapolação da Estrutura a Termo de Taxas de Juros para Utilização pelo Mercado Segurador Brasileiro
Inerpolação e Exrapolação da Esruura a Termo de Taxas de Juros para Ulzação pelo Mercado Segurador Braslero Sergo Lus Frankln Jr. Thago Baraa Duare César da Rocha Neves + Eduardo Fraga L. de Melo ++ M.Sc.,
Leia maisPROF. DR. JACQUES FACON LIMIARIZAÇÃO POR ENTROPIA DE WULU
1 PUCPR- Ponfíca Unversdade Caólca Do Paraná PPGIA- Programa de Pós-Graduação Em Informáca Aplcada PROF. DR. JACQUES FACON IMIARIZAÇÃO POR ENTROPIA DE WUU Resumo: Uma nova écnca de marzação baseada em
Leia maisINTRODUÇÃO AS EQUAÇÕES DIFERENCIAIS PARCIAIS
INTROUÇÃO S QUÇÕS IFRNIIS PRIIS. INTROUÇÃO Porqe esdar as qações ferencas Parcas? Smplesmene porqe a maora dos fenômenos físcos qe ocorrem na nareza são descros por eqações dferencas parcas como por eemplo:
Leia maisGripe: Época de gripe; actividade gripal; cálculo da linha de base e do respectivo intervalo de confiança a 95%; e área de actividade basal.
Grpe: Época de grpe; acvdade grpal; cálculo da lnha de ase e do respecvo nervalo de confança a 95%; e área de acvdade asal. ÉPOCA DE GRPE Para maor facldade de compreensão será desgnado por época de grpe
Leia maisESTUDO COMPARATIVO DE SISTEMAS DE AERAÇÃO PARA A ESTAÇÃO DE TRATAMENTO DE ESGOTOS SUZANO
ESTUDO COMPARATIVO DE SISTEMAS DE AERAÇÃO PARA A ESTAÇÃO DE TRATAMENTO DE ESGOTOS SUZANO Roque Passos Pvel Escola Polécnca da Unversdade de São Paulo - EPUSP Pedro Alem Sobrnho Escola Polécnca da Unversdade
Leia maisArbitragem na Estrutura a Termo das Taxas de Juros: Uma Abordagem Bayesiana
Arbragem na Esruura a ermo das axas de Juros: Uma Abordagem Bayesana Márco Pole Laurn Armêno Das Wesn Neo Insper Workng Paper WPE: / Copyrgh Insper. odos os dreos reservados. É probda a reprodução parcal
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Processameno de Snas em Arranjos Técncas de processameno consderando snas provenenes de um grupo de sensores espacalmene dsrbuídos. Poencal para melhorar SNR/ Cancelameno de
Leia maisA estrutura a termo de taxas de juros no Brasil: modelos, estimação, interpolação, extrapolação e testes
A esruura a ermo de axas de juros no Brasl: modelos, esmação, nerpolação, exrapolação e eses Sergo Lus Frankln Jr. Thago Baraa Duare César da Rocha Neves + Eduardo Fraga L. de Melo ++ M.Sc., SUSEP/CGSOA
Leia maisAvaliação Inter/Intra-regional de absorção e difusão tecnológica no Brasil: Uma abordagem não-paramétrica. AUTORES.
Avalação Iner/Inra-regonal de absorção e dfusão ecnológca no Brasl: Uma abordagem não-paramérca. Palavras chave: Efcênca écnca Produvdade oal Varação ecnológca AUTORES Emerson Marnho ouor em Economa pela
Leia maisDenilson Ricardo de Lucena Nunes. Gestão de suprimentos no varejo
Denlson Rcardo de Lucena Nunes Gesão de suprmenos no varejo semas de reposção de esoques em duas camadas e análse de esquemas de monorameno da prevsão de demanda Tese de Douorado Tese apresenada ao programa
Leia maisDespacho n.º 13/06. 2. A presente resolução entra em vigor no dia seguinte ao da sua publicação. João Renato Lima Presidente do C.A.
Despacho n.º 13/06 De enre as arbuções da Agênca de Regulação Económca desaca-se a compeênca de fxar as arfas e os mecansmos de reajuses a serem pracados pela oncessonára do servço públco de ranse e dsrbução
Leia maisAnálise Discriminante: classificação com 2 populações
Análse Dscrmnane: classcação com oulações Eemlo : Proreáros de coradores de rama oram avalados seundo duas varáves: Renda U$ ; Tamanho da roredade m. Eemlo : unção dscrmnane unvarada ~ ama4 4 3 e ~ ama8.5
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina:
Deparameno de Informáca Dscplna: Modelagem Analíca do Desempenho de Ssemas de Compuação Fluxos de Enrada Fluxos de Saída Le de Lle Faor de Ulzação rof. Sérgo Colcher colcher@nf.puc-ro.br rocesso de Chegada
Leia mais7. FILTROS PASSIVOS E ATIVOS
7. FILTROS PASSIVOS E ATIVOS São esudadas nese capíulo esruuras de crcuos capazes de mgar o problema de dsorção de correnes e/ou ensões em ssemas elércos. Inca-se com os flros passvos, verfcando alguns
Leia maisEsta monografia é dedicada a Letícia e aos meus pais, João e Adelangela
Esa monografa é dedcada a Leíca e aos meus pas, João e Adelangela Agradecmenos Gosara de agradecer ao Prof. Vrgílo, pelo apoo e orenação dados durane ese e ouros rabalhos. Agradeço ambém a meus colegas
Leia mais5 Avaliação da Eficiência Computacional
5 Avalação da fcênca Compuaconal 5.1 Inrodução É desejado ncorporar o cálculo dos índces de adequação de ações de conrole de ensão ao programa SAN. O programa SAN esá sendo mplemenado com a esruura aual
Leia mais3 Teoria de imunização
33 3 Teora de munzação Como fo vso, o LM é um gerencameno conuno de avos e passvos como o nuo de dmnur ou aé elmnar os rscos enfrenados pelas nsuções fnanceras. Deses rscos, o rsco de axa de uros represena
Leia maisAnálise RFV do Cliente na Otimização de Estratégias de Marketing: Uma Abordagem por Algoritmos Genéticos
Análse RFV do Clene na Omzação de Esraégas de Markeng: Uma Abordagem por Algormos Genécos Anderson Gumarães de Pnho Ponfíca Unversdade Caólca do Ro de Janero Ro de Janero RJ Brasl agp.ne@gmal.com 1. Inrodução
Leia maisFILTROS ATIVOS: UMA ABORDAGEM COMPARATIVA. Héctor Arango José Policarpo G. Abreu Adalberto Candido
FILTROS ATIVOS: UMA ABORDAGEM COMPARATIVA Hécor Arango José Polcaro G. Abreu Adalbero Canddo Insuo de Engenhara Elérca - EFEI Av. BPS, 1303-37500-000 - Iajubá (MG) e-mal: arango@ee.efe.rmg.br Resumo -
Leia maisCAPÍTULO 9. y(t). y Medidor. Figura 9.1: Controlador Analógico
146 CAPÍULO 9 Inrodução ao Conrole Discreo 9.1 Inrodução Os sisemas de conrole esudados aé ese pono envolvem conroladores analógicos, que produzem sinais de conrole conínuos no empo a parir de sinais da
Leia maisPrevisão de Demandas para Controle dos Montantes de Uso do Sistema de Transmissão para Distribuidoras de Energia Elétrica
XVIII Semnáro aconal de Dsrbução de Energa Elérca SEDI 008-06 a 0 de ouubro Olnda - Pernambuco - Brasl Prevsão de Demandas para Conrole dos Monanes de Uso do Ssema de Transmssão para Dsrbudoras de Energa
Leia maisImpacto da Educação Defasada sobre a Criminalidade no Brasil: 2001-2005
1 Impaco da Educação Defasada sobre a Crmnaldade no Brasl: 2001-2005 Evandro Camargos Texera Ana Lúca Kassouf Seembro, 2011 Workng Paper 010 Todos os dreos reservados. É probda a reprodução parcal ou negral
Leia maisA IMPLANTAÇÃO DO PRINCÍPIO DO DESTINO NA COBRANÇA DO ICMS E SUAS IMPLICAÇÕES DINÂMICAS SOBRE OS ESTADOS
A IMPLANTAÇÃO DO PRINCÍPIO DO DESTINO NA COBRANÇA DO ICMS E SUAS IMPLICAÇÕES DINÂMICAS SOBRE OS ESTADOS Nelson Leão Paes PIMES/UFPE Resumo Nese argo, ulzou-se um modelo de equlíbro geral dnâmco para esmar
Leia maisCAPÍTULO 2 PLANEJAMENTO DA OPERAÇÃO E FORMAÇÃO DO PREÇO SPOT EM UM MERCADO COMPETITIVO DE ENERGIA ELÉTRICA
CAPÍTULO 2 PLANEJAMEO DA OPERAÇÃO E FORMAÇÃO DO PREÇO SPOT EM UM MERCADO COMPETITIO DE ENERIA ELÉTRICA 2. IRODUÇÃO Ese capíulo apresena um resumo dos prncpas conceos relaconados ao planeameno da operação
Leia maisConceitos Básicos de Circuitos Elétricos
onceos Báscos de rcuos lércos. nrodução Nesa aposla são apresenados os conceos e defnções fundamenas ulzados na análse de crcuos elércos. O correo enendmeno e nerpreação deses conceos é essencal para o
Leia maisAnálise genética de escores de avaliação visual de bovinos com modelos bayesianos de limiar e linear
Análse genéca de escores de avalação vsual 835 Análse genéca de escores de avalação vsual de bovnos com modelos bayesanos de lmar e lnear Carna Ubrajara de Fara (1), Cláudo Ulhôa Magnabosco (2), Lúca Galvão
Leia maisAgosto / 2014 Versão 2.16
Agoso / 4 Versão.6 Todos os dreos reservados. Nenhuma pare dessa obra pode ser reproduzda em qualquer forma ou meo, seja elerônco, mecânco, de foocópa, ec, sem permssão do Safra, deenor do dreo auoral.
Leia maisAvaliação de Métodos de Interpolação do Sinal de Variabilidade da Freqüência Cardíaca
Avalação de Méodos de Inerolação do Snal de Varabldade da Freqüênca Cardíaca João Luz Azevedo de Carvalho, Oávo Sérgo de Araúo e Noguera, Adson Ferrera da Rocha, Francsco Asss de Olvera Nascmeno, João
Leia maisS&P Dow Jones Indices: Metodologia da matemática dos índices
S&P Dow Jones Indces: Meodologa da maemáca dos índces S&P Dow Jones Indces: Meodologa do índce Ouubro 2013 Índce Inrodução 3 Dferenes varedades de índces 3 O dvsor do índce 4 Índces ponderados por capalzação
Leia mais2.1. Modelos Baseados em Premissas de Distribuições Simulação de Monte Carlo
2 Value-a-Rsk Anes de adenrar na seara que raa o ermo cenral dese capíulo, é neressane realzar uma cação da evolução hsórca do esudo do rsco. Joron (2003, p. 10) resume os prncpas rabalhos aravés da abela
Leia maisPCA e IMPCA. Capítulo. 5.1 Considerações Iniciais
Capíulo 5 PCA e IMPCA 5. Consderações Incas A análse de componenes prncpas (PCA) [URK, M. A. & PENLAND, A. P. (99)] é uma ransformação lnear orogonal de um espaço q-dmensonal para um espaço n-dmensonal,
Leia maisMARKOV SWITCHING CAPM: UMA ANÁLISE DA SENSIBILIDADE DO RETORNO DAS EMPRESAS GAÚCHAS EM RELAÇÃO AO MERCADO EM DIFERENTES AMBIENTES DE RISCO
MARKOV SWITCHING CAPM: UMA ANÁLISE DA SENSIBILIDADE DO RETORNO DAS EMPRESAS GAÚCHAS EM RELAÇÃO AO MERCADO EM DIFERENTES AMBIENTES DE RISCO Pedro Tonon Zuanazz 1 Marcos Vnco Wnk Junor 2 Resumo Um dos prncpas
Leia maisInstituto de Tecnologia de Massachusetts Departamento de Engenharia Elétrica e Ciência da Computação. Tarefa 5 Introdução aos Modelos Ocultos Markov
Insiuo de Tecnologia de Massachuses Deparameno de Engenharia Elérica e Ciência da Compuação 6.345 Reconhecimeno Auomáico da Voz Primavera, 23 Publicado: 7/3/3 Devolução: 9/3/3 Tarefa 5 Inrodução aos Modelos
Leia maisEEL-001 CIRCUITOS ELÉTRICOS ENGENHARIA DA COMPUTAÇÃO
L IRUITOS LÉTRIOS 8 UNIFI,VFS, Re. BDB PRT L IRUITOS LÉTRIOS NGNHRI D OMPUTÇÃO PÍTULO 5 PITORS INDUTORS: omporameno com Snas onínuos e com Snas lernaos 5. INTRODUÇÃO Ressor elemeno que sspa poênca. 5.
Leia mais1. Introdução. B = S = Valor presente esperado dos superávits futuros (1) P
. Inrodução A vsão radconal da deermnação do nível de preços é baseada na eora Quanava da Moeda. Segundo essa vsão o padrão de avdade real em uma economa mplca um cero nível desejado de encaxes moneáros
Leia maisAGG-232 SÍSMICA I 2011 SÍSMICA DE REFLEXÃO ANÁLISE DE VELOCIDADES
AGG-3 SÍSMICA I 0 SÍSMICA DE REFLEXÃO AÁLISE DE ELOCIDADES O objevo da análse de velocdades é deermnar as velocdades sísmcas das camadas geológcas em subsuperfíce. As velocdades sísmcas são ulzadas em
Leia maisTráfego em Redes de Comutação de Circuitos
Caracerzação do ráfego nálse de ssemas de esados nálse de ráfego em ssemas de erda nálse de ráfego em ssemas de araso Bloqueo em ssemas de andares múllos Máro Jorge Leão Inenconalmene em branco Caracerzação
Leia maisUNIVERSIDADE FEDERAL DE PERNAMBUCO PIMES PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA DOUTORADO EM ECONOMIA MARCOS ROBERTO GOIS DE OLIVEIRA
UNIVERSIDADE FEDERAL DE PERNAMBUCO PIMES PROGRAMA DE PÓS-GRADUAÇÃO EM ECONOMIA DOUTORADO EM ECONOMIA MARCOS ROBERTO GOIS DE OLIVEIRA GERENCIAMENTO DO RISCO DE MERCADO BASEADO NO VALUE AT RISK ESTÁTICO
Leia mais5 Sistemas Lineares com Coecientes Periódicos
5 Ssemas Lneares com Coecenes Peródcos Ese capíulo raa de forma suscna do esudo da esabldade de soluções peródcas de ssemas dnâmcos não-lneares. Segundo Rand [83], a eora de Floque é a eora mas geral que
Leia mais1 { COPPE{EE/UFRJ, Caixa Postal 68504, Rio de Janeiro, RJ, Brasil, e-mail: vmcosta@embratel.net.br
MODELAGEM DE DISPOSITIOS DE CONTROLE NUMA FORMULAC ~AO AUMENTADA PARA FLUXO DE POT^ENCIA ander Menengoy da Cosa 1; Jose Luz R. Perera Nelson Marns 1 { COPPE{EE/UFRJ, Caxa Posal 6854, Ro de Janero, RJ,
Leia maisANÁLISE CONDICIONADA DA DEMANDA COM CORREÇÃO DE HETEROCEDASTICIDADE
ANÁLISE CONDICIONADA DA DEMANDA COM CORREÇÃO DE HETEROCEDASTICIDADE Angela Crsna Morera da Slva UFRJ/COPPE - Unversdade Federal do Ro de Janero, Cenro de Tecnologa, Bloco F, sala 114, Cdade Unversára Ro
Leia maisSistemas não-lineares de 2ª ordem Plano de Fase
EA93 - Pro. Von Zuben Sisemas não-lineares de ª ordem Plano de Fase Inrodução o esudo de sisemas dinâmicos não-lineares de a ordem baseia-se principalmene na deerminação de rajeórias no plano de esados,
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia mais12 Integral Indefinida
Inegral Indefinida Em muios problemas, a derivada de uma função é conhecida e o objeivo é enconrar a própria função. Por eemplo, se a aa de crescimeno de uma deerminada população é conhecida, pode-se desejar
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Deparameno de Ciências Exaas Prof. Daniel Furado Ferreira 8 a Lisa de Exercícios Disribuição de Amosragem 1) O empo de vida de uma lâmpada possui disribuição normal com média
Leia maisXX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP
XX SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA Versão 1.0 22 a 25 Novembro de 2009 Recfe - PE GRUPO IX GRUPO DE ESTUDO DE OPERAÇÃO DE SISTEMAS ELÉTRICOS - GOP OTIMIZAÇÃO DA
Leia maisBBR - Brazilian Business Review E-ISSN: 1807-734X bbronline@bbronline.com.br FUCAPE Business School Brasil
BBR - Brazlan Busness Revew E-ISSN: 1807-734X bbronlne@bbronlne.com.br FUCAPE Busness School Brasl Fausno Maos, Paulo Rogéro; Texera da Rocha, José Alan Ações e Fundos de Invesmeno em Ações: Faores de
Leia maisRenda Básica da Cidadania versus Imposto de Renda Negativo: O Papel dos Custos de Focalização
Renda Básca da Cdadana versus Imposo de Renda Negavo: O Papel dos Cusos de Focalzação Nelson Leão Paes Marcelo Leer Squera Re s u m o O presene argo procura comparar duas polícas socas alernavas de combae
Leia maisMódulo 2: Métodos Numéricos. (problemas de valores iniciais e problemas de condições-fronteira)
Módulo : Méodos Numércos Equações dferencas ordnáras problemas de valores ncas e problemas de condções-fronera Modelação Compuaconal de Maeras -5. Equações dferencas ordnáras - Inrodução Uma equação algébrca
Leia maisDesconcentração e interiorização da economia fluminense na última década
DSCONCNTRAÇÃO INTRIORIZAÇÃO DA CONOMIA FLUMINNS NA ÚLTIMA DÉCADA PAULO MARCLO SOUZA; NIRALDO JOSÉ PONCIANO; MARLON GOMS NY; HNRIQU TOMÉ MATA; UNIVRSIDAD FDRAL DA BAHIA SALVADOR - BA - BRASIL pmsouza@uenf.br
Leia maisAnálise comparativa e teste empírico da validade dos modelos CAPM tradicional e condicional: o caso das ações da Petrobrás
Análse comparava e ese empírco da valdade dos modelos capm radconal e condconal: o caso das ações da Perobrás Análse comparava e ese empírco da valdade dos modelos CAPM radconal e condconal: o caso das
Leia maisControle Cinemático de Robôs Manipuladores
Conrole Cnemáco de Robôs Manpuladores Funconameno Básco pos de rajeóra rajeóras Pono a Pono rajeóras Coordenadas ou Isócronas rajeóras Conínuas Geração de rajeóras Caresanas Inerpolação de rajeóras Inerpoladores
Leia maisDíodo: Regime Dinâmico
Díodo: eme Dnâmco (exo apoo ao laboraóro) Inrodução Quando se esabelece m crcuo uma ensão ou correne varáves no empo o pono de funconameno em repouso do díodo ambém va varar no empo. A frequênca e amplude
Leia maisInserção de Variáveis Ambientais no Planejamento da Operação de Sistemas Hidrotérmicos
Inserção de Varáves Ambenas no Planejameno da Operação de Ssemas Hdroérmcos VALLE, Ana Cláuda Marques, Escola de Engenhara Elérca e de Compuação, UFG, douoranda em Cencas Ambenas, PRPPG, UFG AGUIAR, Mara
Leia maisCOMPARAÇÃO DE DIFERENTES METODOLOGIAS APLICADAS AO CONTROLE DE CHEIAS
COMPARAÇÃO DE DIFERENTES METODOLOGIAS APLICADAS AO CONTROLE DE CHEIAS Marco Aurélo de Almeda Casro Adrano Alber de França Mendes Carnero Marnho Gomes de Andrade Deparameno de Engenhara Elérca Escola de
Leia maisO Fluxo de Caixa Livre para a Empresa e o Fluxo de Caixa Livre para os Sócios
O Fluxo de Caixa Livre para a Empresa e o Fluxo de Caixa Livre para os Sócios! Principais diferenças! Como uilizar! Vanagens e desvanagens Francisco Cavalcane (francisco@fcavalcane.com.br) Sócio-Direor
Leia maisipea COEFICIENTES DE IMPORTAÇÃO E EXPORTAÇÃO NA INDÚSTRIA
COEFICIENTES DE IMPORTAÇÃO E EXPORTAÇÃO NA INDÚSTRIA Paulo Mansur Levy Mara Isabel Fernans Serra Esa noa em como objevo dvulgar resulados relavos ao comporameno das exporações e mporações produos ndusras
Leia maisGestão de uma Carteira de Activos de Produção de Energia Eléctrica
Gesão de uma Carera de Acvos de Produção de Energa Elécrca Invesmeno na ópca da Teora da Carera Mara Margarda D Ávla Duro de Sousa e Slva Dsseração para a obenção do Grau de Mesre em Engenhara e Gesão
Leia maisNota Técnica sobre a Circular nº 2.972, de 23 de março de 2000
Noa Técnca sobre a rcular nº 2.972, de 23 de março de 2000 Meodologa ulzada no processo de apuração do valor da volaldade padrão e do mulplcador para o da, dvulgados daramene pelo Banco enral do Brasl.
Leia maisA Concorrência entre o Brasil. uma Aplicação do Modelo Constant-Market-Share*
A Concorrênca enre o Brasl e a Chna no ercado Sul-afrcano: uma Aplcação do odelo Consan-arke-Share* Arane Danelle Baraúna da Slva Álvaro Barranes Hdalgo 2 RESUO: O fore crescmeno da economa chnesa nos
Leia maisIluminação e FotoRealismo: Radiosidade
Ilumnação e oorealsmo: Radosdade Luís Paulo Pexoo dos Sanos hp://gec.d.umnho.p/mcgav/fr Premssas Todas as neracções da luz com os obecos são dfusas L x Θ L x, Θ Ω Expressa em ermos de radosdade W/m 2 r
Leia maisAutoria: Josilmar Cordenonssi Cia
Uma Possível Solução para o Equy Premum Puzzle (EPP Auora: Joslmar Cordenonss Ca Resumo MEHRA e PRESCO (985 levanaram uma quesão que aé hoje não fo respondda de forma sasfaóra: o prêmo de rsco das ações
Leia maisCAPÍTULO 4. Vamos partir da formulação diferencial da lei de Newton
9 CPÍTUL 4 DINÂMIC D PRTÍCUL: IMPULS E QUNTIDDE DE MVIMENT Nese capíulo será analsada a le de Newon na forma de negral no domíno do empo, aplcada ao momeno de parículas. Defne-se o conceo de mpulso e quandade
Leia maisTOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS
ARTIGO: TOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS REVISTA: RAE-elerônica Revisa de Adminisração de Empresas FGV EASP/SP, v. 3, n. 1, Ar. 9, jan./jun. 2004 1
Leia maisDESENVOLVIMENTO DE MODELOS NEURAIS AUTÔNOMOS PARA PREVISÃO DE CARGA ELÉTRICA. Vitor Hugo Ferreira TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS
DESENVOLVIMENTO DE MODELOS NEURAIS AUTÔNOMOS PARA PREVISÃO DE CARGA ELÉTRICA Vor Hugo Ferrera TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO DE ENGENHARIA DA UNIVERSIDADE
Leia maisRenda Básica da Cidadania ou Imposto de Renda Negativo: Qual o Mais Eficiente no Combate a Pobreza?
Renda Básca da Cdadana ou Imposo de Renda Negavo: Qual o Mas Efcene no Combae a Pobreza? Auores Nelson Leão Paes Marcelo Leer Squera Ensao Sobre Pobreza Nº 12 Feverero de 2008 CAEN - UFC 1 Renda Básca
Leia maisUNIVERSIDADE FEDERAL DE ITAJUBÁ INVESTIMENTOS EM DISTRIBUIÇÃO DE ENERGIA ELÉTRICA SOB INCERTEZA REGULATÓRIA UTILIZANDO OPÇÕES REAIS
UNIRSIDAD FDRAL D ITAJUBÁ TS D DOUTORADO INSTIMNTOS M DISTRIBUIÇÃO D NRGIA LÉTRICA SOB INCRTZA RGULATÓRIA UTILIZANDO OPÇÕS RAIS JULIA CRISTINA CAMINHA NORONHA Tese apresenada ao Programa de Pós-Graduação
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisFUNDAÇÃO GETULIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO THIAGO CAIUBY GUIMARÃES TESTES EMPÍRICOS DA EFICIÊNCIA DO MERCADO ACIONÁRIO BRASILEIRO
FUNDAÇÃO GETULIO VARGAS ESCOLA DE ECONOMIA DE SÃO AULO THIAGO CAIUBY GUIMARÃES TESTES EMÍRICOS DA EFICIÊNCIA DO MERCADO ACIONÁRIO BRASILEIRO SÃO AULO 28 THIAGO CAIUBY GUIMARÃES TESTES EMÍRICOS DA EFICIÊNCIA
Leia maisDinâmica Estocástica. Instituto de Física, outubro de 2016
Dnâmca Esocásca Insuo de Físca ouubro de 206 Dnâmcas esocáscas com mudança de um sío Dnâmca de Meropols e dnâmca de Glauber para o modelo de Isng 2 Dnâmcas esocáscas para o modelo de Isng Ssema defndo
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisCONVERSORES CC-CC Aplicações: Controlo de motores de CC-CC Fontes de alimentação comutadas Carga de baterias bateria
CÓNCA PÊNCA Aplcações: CN CC-CC CN CC-CC Crolo de moores de CC-CC Fes de almenação comuadas Carga de baeras ensão cínua de enrada moor de correne cínua crolo e comando baera ede CA ecfcador não crolado
Leia maisANÁLISE DO CUSTO DE CAPITAL PRÓPRIO NO BRASIL POR MEIO DOS MODELOS CAPM NÃO-CONDICIONAL E CAPM CONDICIONAL
ANÁLISE DO CUSTO DE CAPITAL PRÓPRIO NO BRASIL POR EIO DOS ODELOS CAP NÃO-CONDICIONAL E CAP CONDICIONAL (Cos of equy analyss n Brazl: Non-Condonal CAP and Condonal CAP) Lumla Souza Grol 1 1 Unversdade Federal
Leia maisConvergência e Formação de Clubes no Brasil sob a Hipótese de Heterogeneidade no Desenvolvimento Tecnológico
Convergênca e Formação de Clubes no Brasl sob a Hpóese de Heerogenedade no Desenvolvmeno Tecnológco Chrsano Penna Fabríco Lnhares RESUMO: Esse argo examna a exsênca de endêncas de crescmeno comuns e formação
Leia maisRicardo Ratner Rochman FGV-EAESP. William Eid Junior FGV-EAESP
INSIDERS CONSEGUEM RETORNOS ANORMAIS?: ESTUDOS DE EVENTOS SOBRE AS OPERAÇÕES DE INSIDERS DAS EMPRESAS DE GOVERNANÇA CORPORATIVA DIFERENCIADA DA BOVESPA Rcardo Raner Rochman FGV-EAESP Wllam Ed Junor FGV-EAESP
Leia mais3. Modelos de Otimização no Contexto do Planejamento do Despacho Hidrotérmico
. Modelos de Omzação no Coneo do Planeameno do Despacho Hdroérmco Embora o foco desa Tese esea no desenvolvmeno de um modelo probablísco alernavo para a geração de árvores de cenáros ulzadas em modelos
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia mais