[pt] A definição de metas regulatórias de inadimplência é um tema de extrema importância para as distribuidoras de energia elétrica, para a agência reguladora e para todos os consumidores, visto que tem forte impacto sobre as tarifas de energia. Encontrar uma metodologia de simples implantação e que atenda, simultaneamente, às necessidades de todos os envolvidos, é um grande desafio. A presente dissertação se propõe a testar a metodologia de inferência fuzzy, conforme proposta de ZADEH (1965), com vistas a propor um modelo para a definição das metas regulatórias de inadimplência de energia. No Brasil a atual metodologia proposta pela ANEEL para a definição de metas regulatórias de inadimplência está atrelada à metodologia de perdas não técnicas, a qual, por sua vez, tem sido alvo de críticas pelas distribuidoras e pelo meio acadêmico. Dessa forma, uma metodologia independente para a definição das metas regulatórias de inadimplência tende a beneficiar todos os agentes envolvidos. A metodologia de Inferência fuzzy trouxe resultados diretos, que ficaram muito próximos aos obtidos pela metodologia da ANEEL. Os resultados da utilização da Inferência fuzzy para a obtenção das metas regulatórias da inadimplência mostraram que é possível persistir nesse caminho, uma vez que a metodologia proposta se desvincula da metodologia de perdas não técnicas, mantendo os princípios da regulação por incentivo e captando a heterogeneidade das diversas áreas de concessão. / [en] Defining regulatory default targets is an extremely important issue for electricity distributors, the regulatory agency and all consumers, as it has a strong impact on energy tariffs. Finding a methodology that is easy to implement and that simultaneously meets the needs of everyone involved is a major challenge. This dissertation proposes to test the fuzzy inference methodology, as proposed by ZADEH (1965), with a view to proposing a model for the definition of regulatory energy default targets. In Brazil, the current methodology proposed by ANEEL for the definition of regulatory default targets is linked to the methodology of non-technical losses, which, in turn, has been the target of criticism by the distributors and the academic environment. Thus, an independent methodology for defining regulatory default targets tends to benefit all agents involved. The fuzzy Inference methodology brought direct results, which were very close to those obtained by the ANEEL methodology. The results of using fuzzy inference to achieve the regulatory goals of default showed that it is possible to persist in this path, since the proposed methodology is detached from the non-technical losses methodology, maintaining the principles of regulation by incentive and capturing the heterogeneity of the several concession areas.

[pt] Hoje em dia, grande parte do conhecimento acumulado está armazenada em forma de dados. Dentre as ferramentas capazes de atuar como modelos representativos de sistemas reais, os Sistemas de Inferência Fuzzy têm se destacado pela capacidade de fornecer modelos precisos e, ao mesmo tempo, interpretáveis. A interpretabilidade é obtida a partir de regras linguísticas, que podem ser extraídas de bases de dados bases históricas e que permitem ao usuário compreender a relação entre as variáveis do problema. Entretanto, tais sistemas sofrem com a maldição da dimensionalidade ao lidar com problemas complexos, isto é, com um grande número de variáveis de entrada ou padrões, gerando problemas de escalabilidade. Esta dissertação apresenta um novo algoritmo de geração automática de regras, denominado RandomFIS, especificamente para problemas de classificação, capaz de lidar com grandes bases de dados tanto em termos de número de variáveis de entrada (atributos) quanto em termos de padrões (instâncias). O modelo RandomFIS utiliza os conceitos de seleção de variáveis (Random Subspace) e Bag of Little Bootstrap (BLB), que é uma versão escalável do Bootstrapping, criando uma estrutura de comitê de classificadores. O RandomFIS é avaliado em várias bases benchmark, demostrando ser um modelo robusto que mantém a interpretabilidade e apresenta boa acurácia mesmo em problemas envolvendo grandes bases de dados. / [en] Nowadays, much of the accumulated knowledge is stored as data. Among the tools capable of acting as representative models of real systems, Fuzzy Inference Systems are recognized by their ability to provide accurate and at the same time interpretable models. Interpretability is obtained from linguistic rules, which can be extracted from historical databases. These rules allow the end user to understand the relationship between variables in a specific problem. However, such systems experience the curse of dimensionality when handling complex problems, i.e. with a large number of input variables or patterns in the dataset, giving origin to scalability issues. This dissertation presents a new algorithm for automatic generation of fuzzy rules, called RandomFIS, specifically for classification problems, which is able to handle large databases both in terms of number of input variables (attributes) and in terms of patterns (instances). The RandomFIS model makes use of feature selection concepts (Random Subspace) and Bag of Little Bootstrap (BLB), which is a scalable version of Bootstrapping, creating a classifier committee structure. RandomFIS is tested in several benchmark datasets and shows to be a robust model that maintains interpretability and good accuracy even in problems involving large databases.

No description available.

DC to DC converters stabilize the voltage obtained from voltage sources such as solar power system, wind energy sources, wave energy sources, rectified voltage from alternators, and so forth. Hence, the need for improving its control algorithm is inevitable. Many algorithms are applied to DC to DC converters. This thesis designs fuzzy adaptive dynamic programming (Fuzzy ADP) algorithm. Also, this thesis implements both adaptive dynamic programming (ADP) and Fuzzy ADP on DC to DC converters to observe the performance of the output voltage trajectories.

Submitted in complete fulfillment for the degree of Doctor of Philosophy (Biotechnology), Durban University of Technology, Durban, South Africa, 2016. / Seasonal nitrification breakdown is a major problem in wastewater treatment plants which makes it difficult for the plant operators to meet discharge limits. The present study focused on understanding the seasonal impact of environmental and operational parameters on nitrifiers and nitrification, in a biological nutrient removal wastewater treatment works situated in the midlands of KwaZulu Natal. Composite sludge samples (from the aeration tank), influent and effluent water samples were collected twice a month for 237 days. A combination of fluorescent in-situ hybridization, polymerase chain reaction (PCR)-clone library, quantitative polymerase chain reaction (qPCR) were employed for characterizing and quantifying the dominant nitrifiers in the plant. In order to have more insight into the activated sludge community structure, pyrosequencing was used in profiling the amoA locus of ammonia oxidizing bacteria (AOB) community whilst Illumina sequencing was used in characterising the plant’s total bacterial community. The nonlinear effect of operating parameters and environmental conditions on nitrification was also investigated using an adaptive neuro-fuzzy inference system (ANFIS), Pearson’s correlation coefficient and quadratic models. The plant operated with higher MLSS of 6157±783 mg/L during the first phase (winter) whilst it was 4728±1282 mg/L in summer. The temperature recorded in the aeration tanks ranged from 14.2oC to 25.1oC during the period. The average ammonia removal during winter was 60.0±18% whereas it was 83±13% during summer and this was found to correlate with temperature (r = 0.7671; P = 0.0008). A significant correlation was also found between the AOB (amoA gene) copy numbers and temperature in the reactors (α= 0.05; P=0.05), with the lowest AOB abundance recorded during winter. Sanger sequencing analysis indicated that the dominant nitrifiers were Nitrosomonas spp. Nitrobacter spp. and Nitrospira spp. Pyrosequencing revealed significant differences in the AOB population which was 6 times higher during summer compared to winter. The AOB sequences related to uncultured bacterium and uncultured AOB also showed an increase of 133% and 360% respectively when the season changed from winter to summer. This study suggests that vast population of novel, ecologically significant AOB species, which remain unexploited, still inhabit the complex activated sludge communities. Based on ANFIS model, AOB increased during summer season, when temperature was 1.4-fold higher than winter (r 0.517, p 0.048), and HRT decreased by 31% as a result of rainfall (r - 0.741, p 0.002). Food: microorganism ratio (F/M) and HRT formed the optimal combination of two inputs affecting the plant’s specific nitrification (qN), and their quadratic equation showed r2-value of 0.50. This study has significantly contributed towards understanding the complex relationship between the microbial population dynamics, wastewater composition and nitrification performance in a full-scale treatment plant situated in the subtropical region. This is the first study applying ANFIS technique to describe the nitrification performance at a full-scale WWTP, subjected to dynamic operational parameters. The study also demonstrated the successful application of ANFIS for determining and ranking the impact of various operating parameters on plant’s nitrification performance, which could not be achieved by the conventional spearman correlation due to the non-linearity of the interactions during wastewater treatment. Moreover, this study also represents the first-time amoA gene targeted pyrosequencing of AOB in a full-scale activated sludge is being done. / D

[pt] Esta tese apresenta uma nova metodologia para valoração dinâmica do Capital Intelectual, aplicada ao Capital Humano. Trata-se de oferecer, ao tomador de decisão, uma ferramenta capaz de calcular e comparar o retorno do investimento em ativos intangíveis, como ocorre com outros ativos tangíveis. Através da metodologia proposta, denominada KVA-ACHE, é possível estimar a quantidade potencial de conhecimento humano, utilizado na geração do resultado financeiro da empresa. Essa metodologia também permite medir variações de desempenho nos processos-chave que compõem a cadeia de valor da empresa e o impacto do investimento em educação em um determinado processo. O método KVA-ACHE é composto de cinco módulos, que são executados em três fases. Na primeira fase se avalia a empresa de forma agregada, segundo seu modelo estratégico e, na segunda fase, avalia-se a quantidade de conhecimento potencial e disponível, associado a cada processo-chave. A terceira fase é aplicado o método KVA e obtido o indicador de desempenho ROI. Ao final da sua aplicação, essa metodologia permite: identificar os processos que estão drenando resultado da empresa, através da observação de indicador financeiro adaptado, como o ROIK (Return on Investment on Knowledg), identificar a necessidade individualizada de treinamento para se atingir o máximo de desempenho em um determinado processochave; analisar o impacto percebido em termos percentuais do investimento em educação, realizado em determinado processo-chave; e, finalmente, dar uma visão sobre os recursos de conhecimentos e habilidades disponíveis na equipe de colaboradores, os quais poderão ser aproveitados na avaliação de novos negócios e desafios para empresa. A principal inovação dessa metodologia está no fato de se utilizar a Teoria dos Conjuntos Fuzzy e de Sistemas de Inferência Fuzzy - SIF para transformar conceitos relacionados à disponibilidade e ao uso de conhecimento humano em valores que, dessa forma, permitem a comparação de ativos intangíveis com ativos tangíveis. / [en] This thesis presents a new methodology for dynamic valuation of Intellectual Capital, applied to the Human Capital. It offers, to the decision-maker, a computational tool able to quote and compare the return on investment in intangible assets, as with tangible assets. Through the proposed methodology, called KVAACHE, it is possible to estimate the potential amount of human knowledge, used in generating the company’s financial results. This approach also allows the measurement of variations in performance in the key processes that make up the value chain of the company and the impact of investment in education in a given process. The method KVA-ACHE is composed of five modules, which are executed in three phases. The first phase evaluates the company on an aggregate basis, according to its strategic model, and, in the second phase, the amount of potential and available knowledge, associated with each key process, is evaluated. The third phase applies KVA method. This methodology allows: the identification of the processes that are draining the company’s income by looking at the adapted financial indicators, such as ROIK (Return on Investment on Knowledge); the individualized need for training to achieve maximum performance in a particular key process; the analysis of the impact noticed in terms of percentage of the investment in education, held in a certain key process; and finally, an insight into the resources of knowledge and skills available in the team of collaborators, which may be used in the assessment of new challenges and business to the enterprise. The main innovation of this methodology lies in the use of Fuzzy Set Theory and Fuzzy Inference Systems - FIS to transform concepts related to the availability and use of human knowledge into values, and thus allow the comparison of intangible assets with tangible assets.

Os sistemas elétricos de potência modernos apresentam inúmeros desafios em sua operação. Nos sistemas de distribuição de energia elétrica, devido à grande ramificação, presença de extensos ramais monofásicos, à dinâmica das cargas e demais particularidades inerentes, a localização de faltas representa um dos maiores desafios. Das barreiras encontradas, a influência da impedância de falta é uma das maiores, afetando significativamente a aplicação dos métodos tradicionais na localização, visto que a magnitude das correntes de falta é similar à da corrente de carga. Neste sentido, esta tese objetivou desenvolver um sistema inteligente para localização de faltas de alta impedância, o qual foi embasado na aplicação da técnica de decomposição por componentes ortogonais no pré-processamento das variáveis e inferência fuzzy para interpretar as não-linearidades do Sistemas de Distribuição com presença de Geração Distribuída. Os dados para treinamento do sistema inteligente foram obtidos a partir de simulações computacionais de um alimentador real, considerando uma modelagem não-linear da falta de alta impedância. O sistema fuzzy resultante foi capaz de estimar as distâncias de falta com um erro absoluto médio inferior a 500 m e um erro absoluto máximo da ordem de 1,5 km, em um alimentador com cerca de 18 km de extensão. Tais resultados equivalem a um grau de exatidão, para a maior parte das ocorrências, dentro do intervalo de ±10%. / Modern electric power systems present numerous challenges in its operation. Fault location is a major challenge in Power Distribution Systems due to its large branching, presence of single-phase laterals and the dynamic loads. The influence of the fault impedance is one of the largest, significantly affecting the use of traditional methods for its location, since the magnitude of the fault currents is similar to the load current. In this sense, this thesis aimed to develop an intelligent system for location of high impedance faults, which was based on the application of the decomposition technique of orthogonal components in the pre-processing variables and fuzzy inference to interpret the nonlinearities of Power Distribution Systems with the presence of Distributed Generation. The data for training the intelligent system were obtained from computer simulations of an actual feeder, considering a non-linear modeling of the high impedance fault. The resulting fuzzy system was able to estimate distances to fault with an average absolute error of less than 500 m and a maximum absolute error of 1.5 km order, on a feeder about 18 km long. These results are equivalent to a degree of accuracy for the most occurrences within the ± 10% range.

O planejamento da operação de sistemas hidrotérmicos pode ser classificado como um problema de um sistema acoplado no tempo e no espaço, não linear, não convexo, estocástico e de grande porte. A complexidade do problema justifica a necessidade de utilização de diversas ferramentas computacionais com abordagens variadas. Este trabalho tem como objetivo a realização de estudos relacionados ao planejamento da operação energética de sistemas hidrotérmicos de geração, pela aplicação de componentes de software e de sistemas de inferência fuzzy. Pretende-se apresentar e aplicar um processo de desenvolvimento (UML Components), baseado em componentes de software, para a construção de modelos computacionais de simulação e otimização para servir de apoio ao planejamento da operação energética do sistema hidrotérmico brasileiro. O processo de desenvolvimento UML Components é aplicado de forma a nortear o desenvolvimento do software, para englobar as diferentes atividades realizadas nos fluxos de trabalho, além de incluir os vários artefatos produzidos. Como contribuição adicional, paralelamente ao uso dos componentes de software, este trabalho apresenta uma política de operação energética para reservatórios baseada em sistemas de inferência fuzzy Takagi-Sugeno. A política proposta é baseada na otimização da operação energética das usinas hidrelétricas, empregando o modelo de otimização desenvolvido. Com a operação energética otimizada, obtém-se as relações entre a energia armazenada do sistema e o volume útil operativo de cada usina a reservatório. A partir dessas relações são ajustados os parâmetros do modelo Takagi-Sugeno de ordem um. Ao optar-se por um sistema de inferência fuzzy para determinar a política de operação energética de um conjunto de reservatórios, obtém-se uma estratégia de ação/controle que pode ser monitorada e interpretada, inclusive do ponto de vista lingüístico. Outra vantagem na aplicação de sistemas fuzzy deve-se ao fato dos operadores humanos (especialistas) poderem traduzir, de forma consistente, e em termos de regras lingüísticas, o seu processo de tomada de decisões, fazendo com que a ação do sistema fuzzy seja tão fundamentada e consistente quanto a deles. / The operation planning of hydrothermal power systems can be classified as a nonseparable, nonlinear, nonconvex, stochastic and of large scale optimization problem. The complexity of this problem justifies the need for the use of various computational tools with different approaches. This work aims the accomplishment of studies related to the operation planning of hydrothermal power systems through the implementation of software components and fuzzy inference systems. It is intended to provide and implement a development process (UML Components) based on software components for building computational model of optimization and simulation to support the operation planning of the Brazilian hydrothermal power systems. The UML Components development process is a applied in a way to guide the software development to encompass different activities realized on workflows, as well as to include the various artifacts produced. As additional contribution, in parallel to the use of software components, it is intended to present an operational policy of reservoirs based on Takagi-Sugeno fuzzy inference systems. The proposed policy is based on optimization of hydropower operation, using the optimization model developed. Through the optimized operation, relations between system stored energy and the reservoir volume of each plat are obtained. With these relationships, the parameters of the Takagi-Sugeno model are adjusted. In choosing a fuzzy inference system for determining the operational policy of a set of reservoirs, it is obtained as strategy of action/control that can be monitored and interpreted including linguistic standpoint. Another benefit of the fuzzy system application refers to the fact that human specialists can consistently represent, through linguistic rules, their decision making process, making the fuzzy system action as consistent and sound as theirs.

Este trabalho tem por objetivo desenvolver uma abordagem fuzzy focando na estimação de curto prazo da demanda de potência ativa de um alimentador de sistema de distribuição de energia elétrica. A motivação para este trabalho encontra-se na redução do erro de estimação para que o sistema de distribuição como um todo seja corretamente operado. O destaque da abordagem desenvolvida é a metodologia de seleção de entradas para o sistema de estimação, que o treina fornecendo-lhe informações não redundantes e não desnecessárias sobre o comportamento da série temporal. Os resultados, obtidos com treinamento e teste de um sistema de inferência fuzzy multicamadas, mostram que as estimações realizadas selecionando as entradas do sistema de forma criteriosa apresentam menor erro que quando não há critério de seleção. Conclui-se então que a metodologia foi funcional e eficiente para o caso estudado, o que faz com que este trabalho resulte em válidas contribuições nas áreas de sistemas inteligentes, de sistemas dinâmicos e inclusive na forma metodológica de especificação de modelos de estimação de séries temporais. / This work aims to develop a fuzzy approach focusing on the short-term active power demand forecast in a feeder of an electrical energy distribution system. This work motivation lies on the reduction of the forecast error so that the whole distribution system can be correctly operated. The highlight of the developed approach is the methodology to select the inputs for the estimation system, which trains it giving to it non-redundant and non-unnecessary information about the time series behavior. The results, obtained by training and testing a multilayer fuzzy inference system, show that the estimations made by following a criterion to select the inputs have smaller error than when there is no selection criterion at all. It is therefore concluded that the methodology was functional and efficient for the case under study, what makes this work result in valid contributions for the fields of intelligent systems, dynamic systems and in the methodological way to specify models to estimate time series.

Les données manquantes constituent un challenge commun en reconnaissance de forme et traitement de signal. Une grande partie des techniques actuelles de ces domaines ne gère pas l'absence de données et devient inutilisable face à des jeux incomplets. L'absence de données conduit aussi à une perte d'information, des difficultés à interpréter correctement le reste des données présentes et des résultats biaisés notamment avec de larges sous-séquences absentes. Ainsi, ce travail de thèse se focalise sur la complétion de larges séquences manquantes dans les séries monovariées puis multivariées peu ou faiblement corrélées. Un premier axe de travail a été une recherche d'une requête similaire à la fenêtre englobant (avant/après) le trou. Cette approche est basée sur une comparaison de signaux à partir d'un algorithme d'extraction de caractéristiques géométriques (formes) et d'une mesure d'appariement élastique (DTW - Dynamic Time Warping). Un package R CRAN a été développé, DTWBI pour la complétion de série monovariée et DTWUMI pour des séries multidimensionnelles dont les signaux sont non ou faiblement corrélés. Ces deux approches ont été comparées aux approches classiques et récentes de la littérature et ont montré leur faculté de respecter la forme et la dynamique du signal. Concernant les signaux peu ou pas corrélés, un package DTWUMI a aussi été développé. Le second axe a été de construire une similarité floue capable de prender en compte les incertitudes de formes et d'amplitude du signal. Le système FSMUMI proposé est basé sur une combinaison floue de similarités classiques et un ensemble de règles floues. Ces approches ont été appliquées à des données marines et météorologiques dans plusieurs contextes : classification supervisée de cytogrammes phytoplanctoniques, segmentation non supervisée en états environnementaux d'un jeu de 19 capteurs issus d'une station marine MAREL CARNOT en France et la prédiction météorologique de données collectées au Vietnam. / Missing data are a prevalent problem in many domains of pattern recognition and signal processing. Most of the existing techniques in the literature suffer from one major drawback, which is their inability to process incomplete datasets. Missing data produce a loss of information and thus yield inaccurate data interpretation, biased results or unreliable analysis, especially for large missing sub-sequence(s). So, this thesis focuses on dealing with large consecutive missing values in univariate and low/un-correlated multivariate time series. We begin by investigating an imputation method to overcome these issues in univariate time series. This approach is based on the combination of shape-feature extraction algorithm and Dynamic Time Warping method. A new R-package, namely DTWBI, is then developed. In the following work, the DTWBI approach is extended to complete large successive missing data in low/un-correlated multivariate time series (called DTWUMI) and a DTWUMI R-package is also established. The key of these two proposed methods is that using the elastic matching to retrieving similar values in the series before and/or after the missing values. This optimizes as much as possible the dynamics and shape of knowledge data, and while applying the shape-feature extraction algorithm allows to reduce the computing time. Successively, we introduce a new method for filling large successive missing values in low/un-correlated multivariate time series, namely FSMUMI, which enables to manage a high level of uncertainty. In this way, we propose to use a novel fuzzy grades of basic similarity measures and fuzzy logic rules. Finally, we employ the DTWBI to (i) complete the MAREL Carnot dataset and then we perform a detection of rare/extreme events in this database (ii) forecast various meteorological univariate time series collected in Vietnam