ANP / Este trabalho propõe o uso de Mapas Cognitivos Fuzzy Dinâmicos (DFCM, do inglês Dynamic Fuzzy Cognitive Maps), uma evolução dos Mapas Cognitivos Fuzzy (FCM), para o desenvolvimento de sistemas autônomos para tomada de decisões. O FCM representa o conhecimento de forma simbólica, através de conceitos e relações causais dispostas em um grafo. Na sua versão clássica, os FCMs são usados no desenvolvimento de modelos estáticos, sendo inapropriados para o desenvolvimento de modelos temporais ou dinâmicos devido à ocorrência simultânea de todas as causalidades em uma estrutura fixa dos grafos, i.e., os conceitos e suas relações causais são invariantes no tempo. O DFCM utiliza o mesmo formalismo matemático do FCM através de grafos, acrescentando funcionalidades, como por exemplo, a capacidade de auto adaptação através de algoritmos de aprendizagem de máquina e a possibilidade de inclusão de novos tipos de conceitos e relações causais ao modelo FCM clássico. A partir dessas inclusões, é possível construir modelos DFCM para tomada de decisões dinâmicas, as quais são necessárias no desenvolvimento de ferramentas inteligentes em áreas de conhecimento correlatas à engenharia, de modo especifico a construção de modelos aplicados em Robótica Autônoma. Em especial, para as áreas de Robótica de Enxame e Vida artificial, como abordados nesta pesquisa. O sistema autônomo desenvolvido neste trabalho aborda problemas com diferentes objetivos (como desviar de obstáculos, coletar alvos ou alimentos, explorar o ambiente), hierarquizando as ações necessárias para atingi-los, através do uso de uma arquitetura para o planejamento, inspirada no modelo clássico de Subsunção de Brooks, e uma máquina de estados para o gerenciamento das ações. Conceitos de aprendizagem de máquina, em especial Aprendizagem por Reforço, são empregadas no DFCM para a adaptação dinâmica das relações de casualidade, possibilitando o controlador a lidar com eventos não modelados a priori. A validação do controlador DFCM proposto é realizada por meio de experimentos simulados através de aplicações nas áreas supracitadas. / This dissertation proposes the use of Dynamic Fuzzy Cognitive Maps (DFCM), an evolution of Fuzzy Cognitive Maps (FCM), for the development of autonomous system to decision-taking. The FCM represents knowledge in a symbolic way, through concepts and causal relationships disposed in a graph. In its standard form, the FCMs are limited to the development of static models, in other words, classical FCMs are inappropriate for development of temporal or dynamic models due to the simultaneous occurrence of all causalities in a permanent structure, i.e., the concepts and the causal relationships are time-invariant. The DFCM uses the same mathematical formalism of the FCM, adding features to its predecessor, such as self-adaptation by means of machine learning algorithms and the possibility of inclusion of new types of concepts and causal relationships into the classical FCM model. From these inclusions, it is possible to develop DFCM models for dynamic decision-making problems, which are needed to the development of intelligent tools in engineering and other correlated areas, specifically, the construction of autonomous systems applied in Autonomous Robotic. In particular, to the areas of Swarm Robotics and Artificial Life, as approached in this research. The developed autonomous system deals with multi-objective problems (such as deviate from obstacle, collect target or feed, explore the environment), hierarchizing the actions needed to reach them, through the use of an architecture for planning, inspired by the Brook’s classical Subsumption model, and a state machine for the management of the actions. Learning machine algorithms, in particular Reinforcement Learning, are implemented in the DFCM to dynamically tune the causalities, enabling the controller to handle not modelled event a priori. The proposed DFCM model is validated by means of simulated experiments applied in the aforementioned areas.

Made available in DSpace on 2016-08-17T14:53:21Z (GMT). No. of bitstreams: 1 Sergio Augusto.pdf: 2350058 bytes, checksum: 7c3c67925b0b27a77105c3cb0799c4e6 (MD5) Previous issue date: 2012-05-04 / Conselho Nacional de Desenvolvimento Científico e Tecnológico / This work provides a framework to obtain the optimal bidding strategy for a GENCO in long-term electricity auction. The tool is based on intelligent techniques for optimizing the proposed Utility Function. The goal is to find the optimal strategy that maximizes the expected payoff of GENCO and simultaneously minimize the risks. The risks are modeled by two classical metrics: the Variance (Portfolio Theory) and Value at Risk (VaR). The proposed methodology is applied to auctions for long-term forward contracts, such that used in the Brazilian power system for buying and selling energy in the regulated market. The Bidding Strategy is formed through a Supply Curve which relates the optimal amount of energy to different offer prices. Thus, it allows the GENCO define the best bid (offer) for a given offer price. The proposed approach is validated for three test cases: First, concerning the variation of generation and price of energy scenarios for evaluation of the bidding strategy and the GENCOS risk perception; The second, consider a cascade hydro-term system for evaluation of MRE; and The third, considers the northeastern Brazilian subsystem where the supply curve is formed for the CHESF company's power plants portfolio. The results show how the offer may be changed according the variation of the spot prices and physical generation and demonstrate the efficacy of meta-heuristics proposed to optimize the supply model. / Este trabalho apresenta uma ferramenta de auxílio e suporte à tomada de decisões na formação de estratégias de oferta para agentes geradores (GENCOS) participantes de leilões de eletricidade de longo-prazo. A ferramenta é baseada em técnicas inteligentes para a otimização da Função de Utilidade proposta média-risco . O objetivo é encontrar a Estratégia Ótima que maximize o retorno esperado da GENCO e, simultaneamente, minimize os riscos relacionados às incertezas no montante de energia produzida e no preço spot, modelados por duas métricas clássicas de risco: a Variância (teoria dos portfólios) e o Valor em Risco (VaR). A abordagem proposta é aplicada ao mercado brasileiro de eletricidade, especificamente, ao ambiente de Leilões de Energia Existente na categoria Quantidade de Energia, tais quais os leilões aplicados pelo órgão regulador brasileiro para compra e venda de energia no mercado regulado. Sugere-se aqui a formação de uma Curva de Oferta que relacione a quantidade de energia ótima para diferentes preços de oferta. E, deste modo, permita a GENCO definir qual o melhor lance (oferta) para dado preço de oferta durante o processo do leilão. Para a avaliação da abordagem foram utilizados três casos testes: O primeiro considera cenários de geração física e preço de energia a fim de avaliar a estratégia de oferta e a percepção ao risco de contratação da GENCO quanto à variação de tais cenários; o segundo, considera um sistema em cascata onde é possível observar o efeito do Mecanismo de Realocação de Energia (MRE) sobre a oferta das GENCOS; e o terceiro considera o subsistema nordeste brasileiro onde a curva de oferta é formada para o portfólio de usinas pertencentes à empresa CHESF. Os resultados demonstram como a oferta de energia pode ser alterada de acordo com cenários de oferta gerados e comprovam a eficiência da meta-heurística proposta para otimização do modelo de oferta.

This research presents a Hybrid Particle Swarm Optimization with Bat Algorithm (HPSOBA) based approach to solve Optimal Reactive Power Dispatch (ORPD) problem. The primary objective of this project is minimization of the active power transmission losses by optimally setting the control variables within their limits and at the same time making sure that the equality and inequality constraints are not violated. Particle Swarm Optimization (PSO) and Bat Algorithm (BA) algorithms which are nature-inspired algorithms have become potential options to solving very difficult optimization problems like ORPD. Although PSO requires high computational time, it converges quickly; while BA requires less computational time and has the ability of switching automatically from exploration to exploitation when the optimality is imminent. This research integrated the respective advantages of PSO and BA algorithms to form a hybrid tool denoted as HPSOBA algorithm. HPSOBA combines the fast convergence ability of PSO with the less computation time ability of BA algorithm to get a better optimal solution by incorporating the BA’s frequency into the PSO velocity equation in order to control the pace. The HPSOBA, PSO and BA algorithms were implemented using MATLAB programming language and tested on three (3) benchmark test functions (Griewank, Rastrigin and Schwefel) and on IEEE 30- and 118-bus test systems to solve for ORPD without DG unit. A modified IEEE 30-bus test system was further used to validate the proposed hybrid algorithm to solve for optimal placement of DG unit for active power transmission line loss minimization. By comparison, HPSOBA algorithm results proved to be superior to those of the PSO and BA methods. In order to check if there will be a further improvement on the performance of the HPSOBA, the HPSOBA was further modified by embedding three new modifications to form a modified Hybrid approach denoted as MHPSOBA. This MHPSOBA was validated using IEEE 30-bus test system to solve ORPD problem and the results show that the HPSOBA algorithm outperforms the modified version (MHPSOBA). / Electrical and Mining Engineering / M. Tech. (Electrical Engineering)