[pt] Este trabalho apresenta um modelo linear por partes chamado de modelo ARN. Trata-se de uma estrutura híbrida que envolve modelos autoregressivos e redes neurais. Este modelo é comparado com o modelo AR de coeficientes fixos e com a rede neural estática aplicada à previsão. Os resultados mostram que o ARN consegue identificar a estrutura não-linear dos dados simulados e que na maioria dos casos ele possui melhor habilidade preditiva do que os modelos supracitados. / [en] In this thesis we develop a piece-wise linear model named ARN model. Our model has a hybrid structure which combines autoregressive models and neural networks. We compare our model to the fixed-coefficient AR model and to the prediction static neural network. Our results show that ARN is able to find the non-linear structure of simulated data and in most cases it performs better than the methods mentioned above.

[pt] Apesar do crescimento exponencial da instalação de novas usinas eólicas nos últimos anos, a matriz energética Brasileira é composta, principalmente, por usinas hidrelétricas. Uma das principais características dos sistemas de geração com predominância hidráulica é a forte dependência dos regimes hidrológicos. Atualmente, o setor elétrico brasileiro utiliza a Energia Natural Afluente para gerar cenários hidrológicos a partir de um modelo PAR. Tal modelo é ajustado a partir dos parâmetros estimados do histórico da série temporal, isto é, não considera quaisquer informações exógenas que possam afetar os regimes hidrológicos e, consequentemente, a produção de energia. Estudos recentes identificaram que o uso de variáveis climáticas na modelagem de séries de afluências nas bacias brasileiras pode servir como fator de diminuição de incertezas devido a existência de correlação entre essas variáveis. Também foram identificados benefícios ao decompor as séries hidrológicas em sinal e ruído e utilizar somente o sinal para a modelagem. Neste contexto, o desenvolvimento de modelos híbridos que combinem técnicas de de composição das séries hidrológicas e modelos de séries temporais com variáveis exógenas são objetos de estudo deste trabalho,assim como o desenvolvimento de modelos que associem tais variáveis de formação-linear e periódica. Essas novas abordagens contemplam o uso das técnicas de decomposição SSA e MSSA em combinação com PAR, a aplicação do modelo PARX e o desenvolvimento do modelo PGAM. Como conclusão tem-se que os modelos aplicados se mostraram eficientes para os objetivos propostos e também apresentaram melhor performance, em alguns casos, quando comparados com modelos já publicados na literatura. / [en] Despite the exponential growth of wind farms in recent years, the Brazilian energy matrix is mainly composed of hydroelectric plants.One of the main characteristics of hydroelectric generation systems is the strong dependence on hydrological regimes. Currently, the Brazilian electric sector uses the Natural Energy In flow to generate hydrological scenarios from a PAR model.Such model is adjusted from the estimated parameters of the time series history, that is, it does not consider any exogenous information that could affect the hydrological regimes and, consequently, the energy production. Recent studies indicate that the use of climatic variables in the modeling of inflow series in the Brazilian basins may serve as a factor to reduce uncertainties due to the existence of correlation between these variables. It was also identified benefits by decomposing hydrological series into signal and noise and using only the signal for modeling. In this context, the development of hybrid models that combine techniques of decomposition of the hydrological series and time series models with exogenous variable are study objects of this work, as well as the development of models that associate such variables in a non-linear and periodic way. These new approaches contemplate the use of SSA and MSSA decomposition techniques in combination with PAR, the application of the PARX and the development of the PGAM model. As conclusion, the applied models were efficient for the proposed objectives and also presented better performance, in some cases, when compared with models already published in the literature.

[pt] O setor elétrico brasileiro é fortemente dependente da energia hidrelétrica e a predição acurada das séries de vazões é essencial para o planejamento e gestão de risco. Recentemente, os modelos híbridos, que combinam técnicas de previsão e pré-processamento de dados, têm se destacado. Entretanto, na literatura, não há consenso sobre a superioridade de previsão destes modelos em relação aos tradicionais (puros). Este trabalho visa contribuir para literatura com a avaliação de performance de previsão e a adequabilidade de modelos puros e híbridos para séries mensais estacionárias e não estacionárias de vazões. Para isso, foram construídos modelos usando as técnicas de previsão de Redes Neurais Artificiais e ARIMA acoplados com as técnicas de pré-processamento de dados Singular Spectrum Analysis (SSA) e Seasonal and Trend decomposition based on Loess (STL). Como resultado, este estudo mostra para a série de Belo Monte (estacionária) os modelos puros obtiveram um melhor desempenho, já para a série de Sobradinho (não estacionária) os modelos híbridos foram os melhores. / [en] The Brazilian electricity sector is strongly dependent on hydropower and the accurate prediction of streamflow series is essential for planning and risk management. Recently, hybrid models, which combine prediction and data preprocessing techniques, have stood out. However, in the literature there is no consensus on the predictive superiority of these hybrid models versus their pure version. This paper aims to contribute to the literature with the evaluation of prediction performance suitability of pure and hybrid models for monthly stationary and non - stationary series of streamflow. For this, models were constructed using Artificial Neural Network and ARIMA forecasting techniques coupled with the Singular Spectrum Analysis (SSA) and Seasonal and Trend decomposition based on Loess (STL) data pre-processing techniques. As a result, this study shows that pure models obtained a better performance for the Belo Monte (stationary series), already hybrid models were the best for the Sobradinho (non-stationary series).

[pt] Existe uma crescente demanda por modelos dinâmicos precisos, parte impulsionada pelo paradigma da indústria 4.0 que introduz, dentre outros, o conceito de gêmeo digital no qual modelos dinâmicos possuem um papel importante. Idealmente, um modelo dinâmico apresenta um compromisso entre complexidade e precisão, enquanto proporciona informações sobre a física do sistema. Para melhorar a precisão de um modelo mantendo a interpretabilidade, a abordagem usual é modelar matematicamente todas não-linearidades, o que leva a um modelo muito complexo. Outra abordagem envolve identificação caixa-preta, uma abordagem onde um modelo matemático é ajustado para descrever a relação de entrada e saída do sistema, a qual pode fornecer um modelo preciso, porém não interpretável. Os avanços na capacidade de processamento computacional permitiram o florescimento da area de aprendizado de máquinas, a qual tem mostrado resultados interessantes em diferentes campos do conhecimento. Uma dessas aplicações é em identificação caixa-preta, onde o aprendizado de máquinas tem sido empregado com sucesso na modelagem de sistemas não-lineares, o que tem inspirado pesquisas sobre o tema. Apesar dos modelos baseados em aprendizado de máquina apresentarem elevada precisão, o que é suficiente para diversas aplicações, eles não são interpretáveis. Dessa forma, visando obter modelos que possuem ambas as características de precisão e interpretabilidade, enquanto mantém um compromisso com a complexidade, esta tese propõe uma metodologia de identificação híbrida que combina um modelo fenomenológico caixa cinza com um modelo caixa preta baseado em redes neurais artificiais. A metodologia proposta é aplicada em três casos de estudo de sistemas não lineares com dados experimentais, a saber, a dinâmica vertical de um veículo, um atuador com junta flexível baseado em elastômero e um sistema de posicionamento eletromecânico. Os resultados mostram que o modelo híbrido proposto é até 60 por cento mais preciso enquanto proporciona a interpretabilidade física do sistema, sem aumentar significativamente a complexidade do modelo. / [en] There is a growing demand for accurate dynamic models, driven by the Industry 4.0 paradigm that introduces, among others, the concept of the digital twin in which dynamic models play an important role. Ideally, a dynamic model presents a compromise between complexity and accuracy, while providing physical insight into the system. To improve a model accuracy while keeping interpretability, the usual approach is to mathematically model all the nonlinearities, which ultimately leads to an overcomplex model. Another approach involves a black-box identification, a data-driven approach where a mathematical model is adjusted to describe the system s input-output relation, which may provide an accurate model, but it does not provide interpretability. The developments in computational processing capacity have allowed the flourishing of the field of machine learning, which has shown interesting results in different fields of knowledge. One of these applications is black-box identification, where machine learning has successfully been employed in the modeling of nonlinear systems, which has inspired research on the topic. Even though the machine-learning-based models present enhanced accuracy, which for several applications is sufficient, they do not provide interpretability. Aiming at providing both accuracy and interpretability while keeping a compromise with model complexity, this work proposes a hybrid identification methodology that combines a gray-box phenomenological model with a black-box model based on artificial neural networks. The proposed methodology is applied in three case studies of nonlinear systems with experimental data, namely, the vertical dynamics of a vehicle, an elastomer-based series elastic actuator, and an electromechanical positioning system. The results show that the proposed hybrid model is up to 60 percent more accurate while providing the physical interpretability of the system, without significantly increasing the complexity of the model.

[pt] Os veículos automatizados devem trafegar em determinado ambiente detectando, planejando e seguindo uma trajetória segura. De modo a se mostrarem mais seguros que seres humanos, eles devem ser capazes de executar essas tarefas tão bem ou melhor do que motoristas humanos sob diferentes condições críticas. Uma parte essencial no estudo de veículos automatizados o desenvolvimento de modelos representativos que sejam precisos e computacionalmente eficientes. Assim, para lidar com esses problemas, o presente trabalho aplica métodos de inteligência computational e identificação de sistemas para realizar modelagem de veículos e controle de rastreamento de trajetória. Primeiro, arquiteturas neurais são usadas para capturar as características do pneu na interação entre a dinâmica lateral e longitudinal do veículo, reduzindo o custo computacional em controladores preditivos. Em segundo lugar, uma combinação de modelos caixa-preta é usada para melhorar o controle preditivo. Em seguida, uma abordagem híbrida combina modelos baseados na física e orientados por dados com modelagem de caixa-preta das discrepâncias. Essa abordagem é escolhida para melhorar a precisão da modelagem de veículos, propondo um modelo de discrepância para capturar incompatibilidades entre modelos de veículos e dados medidos. Os resultados são mostrados quando os métodos propostos são aplicados a sistemas com dados simulados/reais e comparados com abordagens encontradas na literatura, mostrando um aumento de precisão (até 40 por cento) em termos de métricas baseadas em erro, com menor esforço computacional (redução de até 88 por cento) do que os controladores preditivos convencionais. / [en] Automated vehicles must travel in a given environment detecting, planning, and following a safe path. In order to be safer than humans, they must be able to perform these tasks as well or better than human drivers under different critical conditions. An essential part of the study of automated vehicles is the development of representative models that are accurate and computationally efficient. Thus, to cope with these problems, the present work applies artificial neural networks and system identification methods to perform vehicle modeling and trajectory tracking control. First, neural architectures are used to capture tire characteristics present in the interaction between lateral and longitudinal vehicle dynamics, reducing computational costs for predictive controllers. Secondly, a combination of black-box models is used to improve predictive control. Then, a hybrid approach combines physics-based and data-driven models with black-box modeling of the discrepancies. This approach is chosen to improve the accuracy of vehicle modeling by proposing a discrepancy model to capture mismatches between vehicle models and measured data. Results are shown when the proposed methods are applied to systems with simulated/real data and compared with approaches found in the literature, showing an increase of accuracy (up to 40 percent) in terms of error-based metrics while having lesser computational effort (reduction by up to 88 percent) than conventional predictive controllers.