Submitted by Marta Toyoda (1144061@mackenzie.br) on 2018-03-09T18:05:09Z No. of bitstreams: 2 VAGNER SARGIANI.pdf: 6454336 bytes, checksum: eb90db7727173a58788e07a792f1a2e7 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Approved for entry into archive by Paola Damato (repositorio@mackenzie.br) on 2018-04-28T17:31:19Z (GMT) No. of bitstreams: 2 VAGNER SARGIANI.pdf: 6454336 bytes, checksum: eb90db7727173a58788e07a792f1a2e7 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) / Made available in DSpace on 2018-04-28T17:31:19Z (GMT). No. of bitstreams: 2 VAGNER SARGIANI.pdf: 6454336 bytes, checksum: eb90db7727173a58788e07a792f1a2e7 (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-02-05 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Fundo Mackenzie de Pesquisa / At present there is the generation of a large volume of textual data, and part of this volume is generated by so-called social media, where people connect, exchange information and experiences.These data contains valuable implicit knowledge, which can be extracted and analyzed according to the media selected and the type of knowledge wanted. The objective of this work is to demonstrate how to use data mining resources, analytical tools and neural networks of the type Self Organizing Maps (SOM) to perform analysis on textual data and knowledge generation. There will be two approaches: knowledge for the educational area (with data from Question and Answer sites, or simply (Q&A))) and trend identi_cation (with posts in microblog Twitter). Both sources are similar in that they have an unstructured text format. Based on an array of terms generated through Text Mining techniques, originated in a base composed by unstructured text, the posts were the basis for training a SOM network, and with this trained network it was possible to generate visualizations that allow to perform semantic analysis of the terms and questions grouped together and use them to identify the desired knowledge. The results obtained were: to demonstrate that questions about similar subjects can be grouped by their similarity of terms, and to visualize these groupings in the form of word clouds, allowing the semantic analysis on the grouped questions. / Na atualidade existe a geração de um grande volume de dados textuais, sendo que parte deste volume é gerado pelas chamadas mídias sociais, no qual pessoas se conectam, trocam informações e experiências. Estes dados contém conhecimento implícito valioso, que pode ser extraído e analisado de acordo com a mídia selecionada e o tipo de conhecimento procurado. O objetivo deste trabalho é demonstrar como utilizar recursos de mineração de dados, ferramentas analíticas e redes neurais do tipo Self Organized Maps (SOM) para efetuar análise sobre dados textuais e geração de conhecimento. Serão duas as abordagens: conhecimentos voltados para a área educacional (com dados de sites de Perguntas e Respostas (Question and Answers, ou simplesmente Q&A)) e identificação de tendências (com postagens no microblog Twitter). Ambas as fontes são similares em possuirem um formato de texto não estruturado. Com base em uma matriz de termos gerada através de técnicas de Mineração de Textos, originada em uma base composta por texto não estruturado, as postagens foram a base para treinamento de uma rede SOM, e com esta rede treinada foi possível gerar visualizações que permitem efetuar análises semânticas dos termos e questões agrupados e utilizá-las para identificação do conhecimento desejado. Os resultados obtidos foram: demonstrar que questões sobre assuntos similares podem ser agrupadas pela sua similaridade de termos, e visualizar estes agrupamentos em forma de nuvens de palavras, permitindo a análise semântica sobre as questões agrupadas.

Esse trabalho descreve o desenvolvimento de uma nova ferramenta quimioinformática designada de SISTEMATX que possibilitou a análise quimiotaxonômica da família Asteraceae, empregando novos parâmetros moleculares, bem como o estudo da relação quantitativa estrutura química atividade biológica de substâncias provenientes desse grupo vegetal. A família Asteraceae, uma das maiores entre as angiospermas, caracteriza-se quimicamente pela produção de sesquiterpenos lactonizados (SLs). Um total de 1111 (SLs), extraídos de 658 espécies, 161 gêneros, 63 subtribos e 15 tribos da família Asteraceae foram representados e cadastrados em duas dimensões no SISTEMATX e associados à respectiva origem botânica. A partir dessa codificação, o grau de oxidação e as estruturas em três dimensões de cada SL foram obtidos pelo sistema. Essas informações, associadas aos dados botânicos, foram exportadas para um arquivo texto, o qual permitiu a obtenção de vários tipos de descritores moleculares. Esses parâmetros moleculares foram correlacionados com o grau de oxidação médio por tribo e tiveram sua seleção realizada por regressão linear múltipla utilizando algoritmo genético. Equações com coeficientes estatísticos variando entre 0,725 ≤ r2 ≤ 0,981 e 0,647 ≤ Qcv2 ≤ 0,725 foram obtidas com apenas um descritor, possibilitando a identificação de algumas características estruturais relacionadas ao grau de oxidação. Não foi obtida nenhuma relação entre o grau de oxidação dos SL e a evolução das tribos da família Asteraceae. Os descritores moleculares também foram usados como dados de entrada para separar as ocorrências botânicas através de mapas auto-organizáveis (rede não supervisionada Kohonen). Os mapas gerados, com cada bloco de descritor, separaram as tribos da família Asteraceae com valores de índices de acerto total entre 66,7% e 83,6%. A análise desses resultados evidencia semelhanças entre as tribos Heliantheae, Helenieae, e Eupatorieae e, também, entre as tribos Anthemideae e Inuleae. Tais observações são coincidentes com as classificações sistemáticas propostas por Bremer, que utilizam principalmente dados morfológicos e, também, moleculares. A mesma abordagem foi utilizada para separar os ramos da tribo Heliantheae, segundo a classificação proposta por Stuessy, cuja separação é baseada no número de cromossomos das subtribos. Os mapas auto-organizáveis obtidos separam em duas regiões distintas os ramos A e C, com elevados índices de acerto total que variam entre 81,79% a 92,48%. Ambos os estudos demonstram que os descritores moleculares podem ser utilizados como uma ferramenta para classificação de táxons em níveis hierárquicos baixos, tais como tribos e subtribos. Adicionalmente, foi demonstrado que os marcadores químicos corroboram parcialmente com as classificações que empregam dados morfológicos e moleculares. Os descritores obtidos por fragmentos ou pela representação da estrutura dos SLs em duas dimensões foram suficientes para obtenção de resultados significativos, não sendo obtida melhora nos resultados com os descritores que utilizam a representação em três dimensões das estruturas. Paralelamente, um estudo adicional foi realizado relacionando a estrutura química, representada pelos mesmos descritores moleculares anteriormente mencionados, com a atividade citotóxica de 37 SLs frente às células tumorais da nasofaringe KB. Uma equação com índices estatísticos significativos (r2=0,826 e Qcv2=0,743) foi obtida. Os cinco descritores, selecionados a partir de uma equação estatisticamente mais significativa, representam uma descrição global de propriedades estéricas e características eletrônicas de cada molécula que auxiliaram na determinação de fragmentos estruturais importantes para a atividade citotóxica. Tal modelo permitiu verificar que os esqueletos carbônicos dos tipos guaianolídeo e pseudoguaianolídeo são encontrados nos SLs que apresentam maior atividade citotóxica. / This work describes the development of a new chemoinformatic tool named SISTEMATX that allowed the chemotaxonomic analysis of the Asteraceae family employing new molecular parameters, as well as the quantitative structure activity relationship study of compounds produced by this botanical group. The Asteraceae, one of the largest families among of angiosperms, is chemically characterized by the production of sesquiterpene lactones (SLs). A total of 1111 (SLs), extracted from 658 species, 161 genera, 63 subtribes and 15 tribes of the Asteraceae, were represented and registered in two dimensions in the SISTEMATX and associated with their botanical source. From this codification, the degree of oxidation and the structures in three dimensions of each SL were obtained by the system. These data linked with botanical origin were exported for a text file which allow the generation of several types of molecular descriptors. These molecular parameters were correlated with the average oxidation degree by tribe and were selected by multiple linear regressions using genetic algorithms. Equations with statistical coefficients varying between 0,725 ≤ r2 0,981 and 0,647 ≤ Qcv2 ≤ 0,725 were obtained with only one descriptor, making possible the identification of some structural characteristics related to the oxidation level. Any relationship between the degree of oxidation of SL and the tribes evolution of the family Asteraceae was not obtained. The molecular descriptors were also used as input data to separate the botanical occurrences through the self organizing-maps (unsupervised net Kohonen). The generated maps with each block descriptor, divide the Asteraceae tribes with total indexes values between 66,7% and 83,6%. The analysis of these results shows evident similarities among the Heliantheae, Helenieae and Eupatorieae tribes and, also, between the Anthemideae and Inuleae tribes. Those observations are in agreement with the systematic classifications proposed by Bremer, that use mainly morphologic and, also, molecular data. The same approach was utilized to separate the branches of the Heliantheae tribe, according to the Stuessys classification, whose division is based on the chromosome numbers of the subtribes. From the obtained self-organizing maps, two different areas (branches A and C) were separated with high hit indexes varying among 81,79% to 92,48%. Both studies demonstrate that the molecular descriptors can be used as a tool for taxon classification in low hierarchical levels such as tribes and subtribes. Additionally, was demonstrated that the chemical markers partially corroborate with the classifications that use morphologic and molecular data. Descriptors obtained by fragments or by the representation of the SL structures in two dimensions were sufficient to obtain significant results, and were not obtained better results with descriptors that utilize the structure representation in three dimensions. An additional study was accomplished relating the chemical structure, represented by the same molecular descriptors previously mentioned, with the cytotoxic activity of 37 SLs against tumoral cells derived from human carcinoma of the nasopharynx (KB). An equation with significant statistical indexes was obtained. The five descriptors, selected from the more statistical significant equation, shows a global description of sterical properties and electronic characteristics of each molecule that aid in the determination of important structural fragments for the cytotoxic activity. From the model can be verified that the carbon skeletons of the guaianolide and pseudoguaianolide types are encountered in the SLs that show the higher cytotoxic activity.

Os métodos de Aprendizagem por Reforço (AR) se mostram adequados para problemas de tomadas de decisões em diversos domínios por sua estrutura flexível e adaptável. Apesar de promissores, os métodos AR frequentemente tem seu campo de atuação prático restrito a problemas com espaço de estados de pequeno ou médio porte devido em muito à forma com que realizam a estimativa da função de avaliação. Nesta tese, uma nova abordagem de AR, denominada de Agente Topológico de Aprendizagem por Reforço (ATAR), inspirada em aprendizagem latente, é proposta para acelerar a aprendizagem por reforço através de um mecanismo alternativo de seleção dos pares estado-ação para atualização da estimativa da função de avaliação. A aprendizagem latente refere-se à aprendizagem animal que ocorre na ausência de reforço e que não é aparente até que um sinal de reforço seja percebido pelo agente. Este aprendizado faz com que um agente aprenda parcialmente uma tarefa mesmo antes que este receba qualquer sinal de reforço. Mapas Cognitivos são usualmente empregados para codificar a informação do ambiente em que o agente está imerso. Desta forma, o ATAR usa um mapa topológico, baseado em Mapas Auto-Organizáveis, para realizar as funções do mapa cognitivo e permitir um mecanismo simples de propagação das atualizações. O ATAR foi testado, em simulação, para planejamento de navegação de um robô móvel em ambientes inicialmente desconhecidos e não-estruturados. Comparações com outros seis algoritmos AR avaliaram comparativamente o desempenho do agente proposto na navegação. Os resultados obtidos são promissores e comparáveis com os algoritmos AR mais rápidos testados, alcançando em alguns ensaios desempenho superior aos dos demais algoritmos - principalmente nas simulações que consideram situações observadas em ambientes não-estruturados. Três características do ATAR original foram alteradas para tornar ainda mais viável sua aplicação prática: (i) mudanças no mapa topológico para reduzir o número de vértices, (ii) mudança na heurística usada na seleção das ações do agente e (iii) variações na estratégia de exploração do ATAR. Do ponto (i), foi proposto e implementado um novo mapa topológico, o Mapa Topológico Incremental Classificador MTIC, que a partir da classificação dos estados do ambiente gera os vértices de uma triangularização de Watson. O ponto (ii) criou um método aplicável a outros problemas de planejamento de trajetória em grafos denominado de Melhoria das trajetórias por detecção de ponto interior. O terceiro estudou estratégias direcionadas de exploração como uma opção para acelerar o aprendizado do ATAR. / Reinforcement Learning (RL) methods have shown to be a good choice for decision-making problems due to their flexible and adaptive characteristics. Despite such promising features, RL methods often have their practical application restricted to small or medium size (at state, or state-action, space) problems mainly because of their standard strategies for value function estimation. In this thesis, a new RL approach, called \"Topological Reinforcement Learning Agent\" - TRLA, is proposed to accelerate learning through an alternative mechanism to update the state-action value function. TRLA is inspired in latent learning, which refers to animal learning that occurs in the absence of reinforcements and that is not visible until an environmental reinforcement is perceived. This concept considers that part of a task can be learned even before the agent receives any indication of how to perform such a task. Cognitive Maps are usually used to encode information about the environment where the agent is immersed. Thus, the TRLA uses a topological map, based on Self-Organized Maps, to implement cognitive map functions and permit a new simple mechanism to execute the propagation of state-action updates. The chosen problem to test TRLA is the simulation of a mobile robot navigation in some initially unknown and unstructured environments. Performance comparisons of the TRLA with six other RL algorithms were carried out to the execution of the navigation task. The obtained results are very promising and comparable with some of faster RL algorithms simulated. In some experiments, the TRLA\'s performance overcomes the others especially in simulations with unstructured environments. Three characteristics of the original TRLA were modified to make it more suitable for real implementations: (i) changes in the topological map construction to reduce the vertices number, (ii) changes in the agents heuristic for action selection, and (iii) variations on the TRLAs strategy for exploration of the state-action space. In (i), a new procedure to construct topological maps was proposed and implemented, the Incremental Classifier Topological Map ICTM, which generates the vertices for a Watsons triangulation from the classification of the input states. In (ii), it was proposed a method to optimize trajectory planning problems based on graphs, denoted \"trajectory improvement from inner point detection\". The third point considers directed exploration strategies as an option for TRLA\'s learning acceleration.

O desenvolvimento de soluções para a classificação de ambientes de sedimentação ainda é um desafio, sobretudo em ambientes de deposição carbonáticos. Em reservatórios de óleo e gás offshore, onde a geometria dos ambientes deposicionais é fundamental para a estimativa de viabilidade técnica e econômica de exploração e produção, a discriminação destes ambientes depende de dados indiretos. Nesse sentido, a sísmica de reflexão e seus respectivos atributos funcionam como robusta ferramenta interpretativa. Grandes reservas de petróleo offshore se encontram em rochas carbonáticas constituídas, sobretudo, por calcita e dolomita. Estes minerais, no entanto, não apresentam resposta sísmica contrastante, já que a diferença de velocidade entre tais minerais é inexpressiva. A utilização da amplitude sísmica, unicamente, não possibilita diferenciar propriedades das rochas carbonáticas, tal como ocorre com rochas siliciclásticas. Compactação e hidrotermalismo são fatores pós-deposicionais que influenciam na alteração das características de rochas carbonáticas, e apresentam difícil detecção nas seções sísmicas. Tais fatores necessitam de uma abordagem que envolva as propriedades dos múltiplos atributos sísmicos para a respectiva caracterização. A técnica Self-Organizing Maps (SOM) consiste em ferramenta de análise e visualização de dados vetoriais dentro do espaço dimensional definido pelas variáveis. Trata-se de abordagem multi-atributos em que a identificação e classificação das amostras ocorre de maneira não supervisionada. Neste trabalho são utilizados dados sísmicos dos quais foi extraída a amplitude sobre um horizonte interpretado. Foram utilizados também os atributos do traço sísmico complexo, tais como: envelope, fase instantânea e frequência instantânea, além da impedância acústica e derivada espacial. Estes atributos foram escolhidos em função das características geológicas que representam. Além disso, tais atributos têm sido utilizados em outros trabalhos de classificação de fácies sísmicas. Após uma primeira análise SOM, tendo em vista o realce dos atributos de entrada, foi aplicada a Análise por Principais Componentes (APC). Com base nos componentes obtidos, foi realizada uma segunda análise SOM, obtendo-se assim os resultados que mais corresponderam ao sistema deposicional analisado. Foram identificados também clinoformas nos dados sísmicos, que apresentam correlação com a classificação dos resultados assim como um mapa de distribuição de rochas carbonáticas foi elaborado pela interpretação das classes identificadas correlacionando-as ao poço 1-SPS-0029 associando-o ao modelo de deposição de uma plataforma carbonática. / Developing solutions for classifying sedimentation environments is still quite a challenge, particularly in carbonate sites. It\'s crucial to use indirect data to differentiate the geometry of depositional environment of oil and gas offshore reservoirs when estimating the productions under technical and economical sights. Therefore, the seismic and its attributes work like a powerful interpretative tool. A great amount of oil reservoirs can be found in carbonate rocks, whose main constitution minerals are calcite and dolomite. Those minerals, however, don\'t offer a significantly contrasting response to seismic. The seismic amplitude, by itself, isn\'t a good property estimation to be used on carbonate rocks, as it is on the siliciclastic rocks. Compactation and hydrothermalism are post-depositional influencers on the alteration of carbonate rocks features, and they present a difficult detection on seismic sections. Those factors will need multiple seismic attributes to respective characterization. Self-Organizing Maps (SOM) appear as a tool for analysis and visualization of vectorial data within the dimensional space defined by the variables. That\'s a multi-featured approach whose samples identification and classification will occur in a non-supervisioned way. The use of SOM in this paper do not intend to substitute the interpretation of the results, but aims to pop up the intrinsic relations between used attributes. It has been interpreted a horizon, from which it was possible to take the amplitude on seismic as a first attribute. There have also been used acoustic impedance, spatial derivative and complex seismic trace attributes, like reflection strength, instant phase and instant frequency. Such attributes have been chosen by reflecting geological characteristics. After a previous SOM analysis, aiming to highlight raw attributes, there was applied the Principal Components Analysis (PCA). Based on obtained components, a second SOM was performed, leading to results that best corresponded to the depositional system analyzed. Besides, there were identified clinoforms on seismic data, which keep relation with classification of the result.

Esta dissertação engloba dois objetivos. O primeiro consiste em dotar o Comando da Aeronáutica de um estudo sobre as tecnologias: de manipulação de objetos georeferenciados; de gerenciamento de bancos de dados georeferenciados; de exibição de imagens georeferenciadas; e de Mineração de Dados que possam ser integradas para formar um Sistema de Informações Geográficas (SIG), como proposta para apoiar uma solução automatizada de análise dos Tráfegos Aéreos Desconhecidos (TAD), com o emprego de algoritmos de Mineração de Dados e apresentação dos resultados de forma gráfica e georeferenciada, a fim de aumentar a eficiência na descoberta de padrões e proporcionar agilidade no planejamento de operações aéreas. O segundo objetivo consiste em comparar os três algoritmos de agrupamento k-means, Leader e Kohonen, na tarefa de agrupar registros de tráfegos aéreos desconhecidos, representados por segmentos de reta, determinando o mais adequado a ser implementado como algoritmo de Mineração de Dados no sistema proposto. O problema foi abordado seguindo as etapas do processo de KDD (Knowledge Discovery in Databases). Na etapa de pré-processamento, houve a seleção dos atributos necessários à aplicação do algoritmo de Mineração de Dados, e a determinação das transformações necessárias dos dados, para formação da base de dados para o trabalho. Foram escolhidos a biblioteca TerraLib, desenvolvida em conjunto pelo Instituto Nacional de Pesquisas Espaciais (INPE), pela Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio) e a Fundação de Ciência, Aplicações e Tecnologia Espaciais (FUNCATE), e o software TerraView, desenvolvido pelo INPE, para comporem a base de um protótipo de SIG. Os algoritmos selecionados foram implementados em C++, e passaram por testes de desempenho, para determinação do mais adequado a ser incluído para realizar a mineração dos tráfegos aéreos desconhecidos dentro do protótipo de SIG. Após os testes, o algoritmo Leader mostrou ser a melhor opção, devido ao seu desempenho geral. Assim estava completa a etapa de Mineração de Dados do KDD. Uma vez determinado o algoritmo de mineração, a etapa de pós-processamento foi completada através da integração das funcionalidades de importação de dados e aplicação do algoritmo de mineração ao protótipo de SIG composto pelo software TerraView e pela biblioteca TerraLib.

Cada vez mais, na conjuntura das grandes tomadas de decisões, a análise de dados massivamente armazenados se torna uma necessidade das mais variadas áreas de conhecimento. A análise de dados envolve a realização de diferentes tarefas, que podem ser realizadas por diferentes técnicas e estratégias como análise de agrupamento de dados. Esta pesquisa enfatiza a realização da tarefa de análise de agrupamento de dados (Data Clustering) usando SOM (Self-Organizing Maps) como principal artefato. SOM é uma rede neural artificial baseada em aprendizado competitivo e não-supervisionado, o que significa que o treinamento é inteiramente guiado pelos dados e que os neurônios do mapa competem entre si. Essa rede neural possui a habilidade de formar mapeamentos que quantizam os dados, preservando a sua topologia. Este trabalho introduz uma nova metodologia de análise de agrupamentos a partir de SOM, que considera o mapa topológico gerado por ele e a topologia dos dados no processo de agrupamento. Uma análise experimental e comparativa é apresentada, evidenciando a potencialidade da proposta, destacando, por fim, as principais contribuições do trabalho. / More than ever, in environment of large decision making, the analysis of data stored massively becomes a real need in almost all knowledge areas. The data analyzing process covers the performing of different tasks that can be executed for different techniques and strategies as the data clustering analysis. This research is focused on the analysis task of data groups, called Data Clustering using Self Organizing Maps (SOM) as principal artifact. SOM is an artificial neural network based on competitive and unsupervised learning, what means that its training is entirely driven by the data, such the neurons of the map compete themselves for doing it. This neural network has the ability to build the mapping task that quantifies the source data, but preserving the topology. This work introduces a new clustering analysis methodology based on SOM, considering the topological map produced by it and also the topology of the data obtained in the clustering process. The experimental and comparative analysis are also presented to demonstrate the potential of the proposal, highlighting at the end the mainly contributions of the work.

Cada vez mais, na conjuntura das grandes tomadas de decisões, a análise de dados massivamente armazenados se torna uma necessidade das mais variadas áreas de conhecimento. A análise de dados envolve a realização de diferentes tarefas, que podem ser realizadas por diferentes técnicas e estratégias como análise de agrupamento de dados. Esta pesquisa enfatiza a realização da tarefa de análise de agrupamento de dados (Data Clustering) usando SOM (Self-Organizing Maps) como principal artefato. SOM é uma rede neural artificial baseada em aprendizado competitivo e não-supervisionado, o que significa que o treinamento é inteiramente guiado pelos dados e que os neurônios do mapa competem entre si. Essa rede neural possui a habilidade de formar mapeamentos que quantizam os dados, preservando a sua topologia. Este trabalho introduz uma nova metodologia de análise de agrupamentos a partir de SOM, que considera o mapa topológico gerado por ele e a topologia dos dados no processo de agrupamento. Uma análise experimental e comparativa é apresentada, evidenciando a potencialidade da proposta, destacando, por fim, as principais contribuições do trabalho. / More than ever, in environment of large decision making, the analysis of data stored massively becomes a real need in almost all knowledge areas. The data analyzing process covers the performing of different tasks that can be executed for different techniques and strategies as the data clustering analysis. This research is focused on the analysis task of data groups, called Data Clustering using Self Organizing Maps (SOM) as principal artifact. SOM is an artificial neural network based on competitive and unsupervised learning, what means that its training is entirely driven by the data, such the neurons of the map compete themselves for doing it. This neural network has the ability to build the mapping task that quantifies the source data, but preserving the topology. This work introduces a new clustering analysis methodology based on SOM, considering the topological map produced by it and also the topology of the data obtained in the clustering process. The experimental and comparative analysis are also presented to demonstrate the potential of the proposal, highlighting at the end the mainly contributions of the work.

Submitted by Sandro Camargo (sandro.camargo@unipampa.edu.br) on 2015-05-09T18:11:33Z No. of bitstreams: 1 107110004.pdf: 2957226 bytes, checksum: b15ec66f6abfaa78dc10c29127881a4b (MD5) / Made available in DSpace on 2015-05-09T18:11:33Z (GMT). No. of bitstreams: 1 107110004.pdf: 2957226 bytes, checksum: b15ec66f6abfaa78dc10c29127881a4b (MD5) Previous issue date: 2012-06-29 / A previsão de carga é uma atividade de grande importância no Setor Elétrico, tendo em vista que a maioria dos estudos de planejamento e operação dos sistemas elétricos necessita de uma boa estimativa da carga a ser atendida. Na literatura encontram-se diversas metodologias para projeção de carga elétrica nos distintos horizontes de planejamento, porém limitadas a sistemas elétricos de médio e grande porte e poucas são as propostas de projeção de demanda no horizonte de curtíssimo prazo, principalmente para pequenas empresas do Setor Elétrico. O objetivo deste trabalho é apresentar uma metodologia inovadora de previsão de carga, a curtíssimo prazo, que considere as influências das condições climáticas e que possa auxiliar na programação do regime de operação de uma Pequena Central Hidrelétrica (PCH), principalmente em épocas de estiagem, quando a disponibilidade de água é restrita. A metodologia proposta envolve a criação de um modelo probabilístico discreto (cadeia de Markov) a partir da classificação dos dados históricos em um Mapa Auto-Organizável (SOM). Assim, é possível se estimar a probabilidade de um determinado nível de demanda acontecer dada uma condição climática atual, bem como o número de intervalos de tempo (horas) até que isso aconteça. Com estas informações é possível elaborar a melhor agenda de funcionamento da PCH de forma que a mesma esteja em funcionamento nos momentos em que a demanda atingir os valores máximos. O método proposto apresenta como diferencial em relação aos demais métodos existentes o fato de considerar a influência das variáveis climáticas (temperatura, umidade relativa do ar e velocidade do vento) para a previsão de demanda de energia elétrica no curtíssimo prazo, além de que os valores de entrada de demanda de energia e das variáveis climáticas (temperatura e umidade relativa do ar) são obtidos em tempo real, através de um sistema SCADA. Esta metodologia foi aplicada utilizando-se os dados reais de uma pequena concessionária de distribuição de energia elétrica do Rio Grande do Sul, mostrando resultados satisfatórios, suficientes para permitir a sua aplicação prática. / The electrical charge forecast is an activity of great importance in the Electricity Sector, considering that most studies of electrical systems planning and operation require a good estimative of the charge to be fulfilled. In books, there are various methodologies to have the electrical charge projection in different planning horizons, but limited to medium and large electrical systems. Furthermore, there are only a few demand projection proposals in the very short-term horizon, especially for small Electricity Sector companies. The aim of this paper is to present an innovative methodology in order to have the charge forecast, in a very short-term, which considers the climatic conditions influence and is able to assist the operation system programming of a Small Hydroelectric Power Plant, particularly in times of drought when water availability is restricted. The proposed methodology involves creating a discrete probabilistic pattern (Markov chain) from the historical data classification in a Self-Organizing Map (SOM). It is therefore possible to estimate the probability of reaching a certain demand level, taking the current climatic condition, as well as the periods of time (hours) until it happens. With this information it is possible to develop the best plant operation schedule so that it operates when the demand reaches its maximum numbers. The proposed method presents as differentials upon the other existing methods, the fact of considering the climatic variables influence (temperature, air humidity and wind speed) to forecast electricity demand in the very short-term, as well as the energy demand input values and climate variables obtainment (temperature and air humidity) in real time via a SCADA system. This methodology was applied using real data from a small electricity distribution plant in Rio Grande do Sul, showing satisfactory results, enough to allow their practical application.

Submitted by Sandro Camargo (sandro.camargo@unipampa.edu.br) on 2015-05-09T19:03:09Z No. of bitstreams: 1 107110001.pdf: 3453553 bytes, checksum: fb266cf11dce80833ef41b2adb20cd21 (MD5) / Made available in DSpace on 2015-05-09T19:03:09Z (GMT). No. of bitstreams: 1 107110001.pdf: 3453553 bytes, checksum: fb266cf11dce80833ef41b2adb20cd21 (MD5) Previous issue date: 2012-10-19 / As distribuidoras de energia elétrica devem estar preparadas para restabelecer o fornecimento de forma ágil, sempre respeitando os critérios de segurança e os índices de continuidade e qualidade compatíveis com o estabelecido na legislação vigente. A possibilidade de localizar defeitos remotamente acelera o processo de restabelecimento. Apesar dos próprios relés e religadores microprocessados fornecerem uma indicação com base na impedância de curto-circuito, ela não é precisa para sistemas de distribuição, uma vez que as redes apresentam várias bifurcações (ramais) protegidas por elementos fusíveis e diferentes bitolas de condutores. Entretanto, atualmente há vários métodos como revelam as pesquisas, que tentam estabelecer maior precisão dos dados e resultados ali envolvidos, buscando criar uma inovação e satisfação às empresas do setor elétrico. Assim, a proposta deste projeto é desenvolver uma metodologia diferencial para localização de faltas em redes de distribuição a partir de estudos da rede combinados com a monitoração remota de dispositivos de proteção (relés e religadores microprocessados). Estas variáveis de entrada: corrente de carga (corrente pré-falta), corrente de curto-circuito, corrente pós-falta; serão obtidas em tempo real pelo SCADA no momento da ocorrência de uma falta na rede. As medidas obtidas serão comparadas e classificadas por Mapas Auto-Organizáveis ou SOM (Self-Organizing Map) de acordo com os padrões de dados simulados pelos estudos da rede. A partir do método proposto será possível estimar o local do defeito ocorrido na rede elétrica por meio do mapa que melhor se identifica com os dados medidos. Essa pesquisa foi aplicada no estudo de caso de uma concessionária da região central gaúcha, a qual alcançou resultados bastante satisfatórios, obtidos a partir de dados reais. / The power utilities must be prepared to restore the supply in an agile way constantly respecting the safety criteria and indexes of continuity and quality consistent with the current legislation. The ability to remotely locate defects accelerates this healing process. Despite own microprocessor relays and reclosers provide an indication based on the short circuit impedance, it is not applicable to distribution systems, since the networks present various bifurcations (branch lines) protected by fuse elements and different wire gauges. However, today there are several methods such as surveys show, trying to establish more precisely the data and results here involved, seeking to create an innovation and satisfaction to the electric companies. Thus, the aim of this project is to develop a methodology for distinct fault location in distribution feeders. It will combine network studies with remote monitoring of protective devices (microprocessor relays and reclosers). These input variables: load current (pre-fault current), short circuit current, post-fault current; will be obtained in real time by SCADA when a fault occurs in the network. These measures will be compared and ranked by Self- Organizing Maps (SOM) according to the patterns obtained by simulation studies of the network. With this method, it will be possible to assess the location of the defect occurring in the power grid, identifying the best map that resembles with the measured data. This research was applied in a power utility in the South of Brazil as case study, which achieved satisfactory results obtained from real data.

The Data Mining techniques, based on the Kohonen self-organizing maps have been largely used for classifying signals in several areas of expertise. Generally, the SOM network (Self- Organizing Maps) is used to specify similarity relationships between objects by adopting cluster analysis. The computational cost, data preparation and mathematical modeling can influence the interpretation of results, in which those from the evaluation classes are among its limitations. The Kohonen maps do not permit detailed evaluation of the class of objects, which may however be defined by the class limits, in other words defining a measure that can link when an object belonging to a particular class can migrate from one class to another . To adopt this approach the solutions proposed in this Masters dissertation are designed to implement the Kohonen self-organizing maps and the fuzzy logic to generate neighborhoods between classes aimed at applying these techniques on a two-case study for classifying signals from potencial power systems and Biomedical output signals adopting an interpretation of the Kohonen nebula maps. The work is basically divided into three stages: the first which would be followed by a review of the data-mining techniques and fuzzy logic shown in literature; the second focuses on applying the classifier algorithm using artificial neural networks, specifically the usage of neural networks as SOM data mining techniques to enable the classification of signals while the third step demonstrates the SOM network fuzzy logic multidisciplinary approach as an alternative tool of the data-mining methods. / Fundação de Amparo a Pesquisa do Estado de Alagoas / As técnicas de mineração de dados baseadas nos mapas auto organizáveis de Kohonen têm sido bastante utilizada na classificação de sinais nas mais diversas áreas de conhecimento. Geralmente, a rede SOM (Self-Organizing Maps) é usada para especificar relações de similaridade entre objetos abordando análise de agrupamentos. O custo computacional, a preparação dos dados e modelagem matemática poderá influenciar na interpretação dos resultados, entre suas limitações encontram-se aquelas provenientes da avaliação das classes. Os mapas de Kohonen não permite avaliar de forma detalhada a classe dos objetos, os quais poderão está definidos pelo limite da classe, ou seja, definir uma medida que possa relacionar quando um objeto que pertença a uma classe particular possa migrar de uma classe para outra. Para adotar essa abordagem a solução proposta nesta dissertação de mestrado têm como objetivo aplicar os mapas auto-organizáveis de Kohonen e a lógica nebulosa para gerar as vizinhanças entre as classes visando aplicação dessas técnicas em dois estudos de casos na classificação dos sinais provenientes dos sistemas elétricos de potência e sinais biomédicos adotando uma interpretação nebulosa dos mapas de Kohonen. O trabalho se divide basicamente em três etapas: na primeira, será realizada uma revisão das técnicas de mineração de dados e da lógica nebulosa mostradas na literatura; na segunda, concentra-se aplicar o algoritmo classificador utilizando redes neurais artificiais, especificamente redes neurais SOM como técnica de mineração de dados para efetuar a classificação dos sinais; na terceira etapa demonstramos a abordagem multidisciplinar da rede SOM e da lógica nebulosa como uma ferramenta alternativa aos métodos de mineração de dados.