Este trabalho apresenta um estudo de classificação de nódulos em mamograma digitalizados através de um classificador de rede neural artificial (RNA). O algoritmo de treinamento de \"backpropagation\" foi utilizado para ajustar os pesos da RNA. O objetivo principal deste trabalho foi determinar um método para analisar e selecionar a melhor configuração de atributos e topologia da RNA para classificar lesões mamárias do tipo nódulo. Foram escolhidas 118 imagens de regiões de interesse (ROI), sendo 68 benignas e 50 malignas de duas bases de imagens: uma do Hospital das Clínicas de Ribeirão Preto, da Universidade de São Paulo, e outra do MIAS-UK (Mammographic Image Analysis Society). O processo completo envolveu quatro etapas: detecção, extração e seleção de atributos, e classificação. Na etapa de detecção, as imagens foram submetidas ao processo combinado das técnicas segmentação de thresholding, morfologia matemática e crescimento de região. Foram extraídos 14 atributos de textura e 14 atributos de forma. Para selecionar os atributos mais discriminantes, foi utilizado o método de Jeffries-Matusita. Foram selecionados três grupos de atributos de forma, três de atributos de textura e três de atributos combinados. Análise pela curva ROC foram dirigidas para avaliar o desempenho do classificador de rede neural artificial (RNA). Os melhores resultados obtidos foram: para o grupo de atributos de forma com 5 unidades escondidas, a área dentro da curva ROC foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 98,37% e taxa de sensibilidade de 98.00%; para o grupo de atributos de textura com 4 unidades escondidas, a área dentro da curva foi de 0.98, taxa de acerto de 97,08%, taxa de especificidade de 98,53% e taxa de sensibilidade de 95.11%; para o grupo de atributos combinados de textura e forma com 3 unidades escondidas, a área dentro da curva foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 100.00% e taxa de sensibilidade de 95.78%. / This work presents a study of masses classification in digitized mammograms by means of artificial neural network (ANN). The backpropagation training algorithm was used to adjust the weights of ANN. The aim of this work was to determine a methodology to analyze and selection of the best feature subset and ANN topology to classify masses lesions. A total of 118 regions of interest images were chosen (68 benign and 50 malignant lesions) from two image databases: one from \"Hospital das Clínicas de Ribeirão Preto\", at the University of São Paulo, and other from Mammographic lmage Analysis Society (MIAS-UK). The whole process involved four steps: segmentation, feature extraction, selection, and classification. In the first step, the images were submitted to a combined process of thresholding, mathematical morphology, and region growing techniques. In the second step, fourteen texture features and fourteen shape features were extracted. The Jeffries-Matusita method was used to select the best features. The results of this stage were the selection of three shape feature sets, three texture feature sets, and three combined feature sets. The Receiver Operating Characteristic (ROC) analysis were conducted to evaluated the ANN classifier performance. The best result obtained for shape feature set was obtained using a ANN with 5 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 98.37% and sensitivity rate of 98.00%. For texture feature set, the best result was using a ANN with 4 hidden units, the area under ROC curve was of 0.98, classification rate of 97.08%, specificity rate of 98.53% and sensitivity rate of 95.11%. Finally, for the combined feature set (texture and shape) the best result obtained was using a ANN with 3 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 100.00% and sensitivity rate of 95.78%.

Made available in DSpace on 2015-03-05T13:53:43Z (GMT). No. of bitstreams: 0 Previous issue date: 9 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Extração de Regras de Redes Neurais Artificiais Aplicadas ao Problema da Previsão da Estrutura Secundária de Proteínas apresenta o estudo feito sobre a extração de conhecimento de Redes Neurais na forma de regras difusas. Na aplicação desta técnica, foi utilizado o problema da classificação da estrutura secundária de proteínas, em alfa, beta e coil, a partir da estrutura primária. Serão apresentadas as implementações feitas para viabilizar esta tarefa. Dentre elas: a implementação de recursos adicionais ao software de extração de regras; a definição de uma metodologia de extração de regras; a implementação desta metodologia; e a análise das regras extraídas. Dentre os recursos implementados no processo de extração, sra visto que o foco principal foi o de embasar o conhecimento extraído sobre um suporte estático e disponibilizar medidas complementares para sua avaliação. Na definição da metodologia, será visto que cuidados devem ser tomados na preparação da base de dados e na definição da estrutura da rede / This work presents a study about knowledge extraction from Neural Networks in the form of fuzzy rules. In the application of this technique, it was investigated the problem of classification of the protein secondary structure (alpha, beta and coil) from its primary structure. The implementations that make possible this task will be presented. Amongst them: the implementation of new features in the rule extraction software; the definition of a methodology for the rule extraction process; the implementation of this methodology; and the analysis of the rules. Amongst the implemented features in the rules extraction process, it will be noticed that the main point was to provide a statistical support for the knowledge extracted and to make available additional resources to measure this information. In the definition of this methodology, it will be seen that some considerations must be observed in the database preparation and in definition of the network structure. Observations that had been followed and pr

Submitted by JOSIANE SANTOS DE OLIVEIRA (josianeso) on 2018-11-08T13:01:52Z No. of bitstreams: 1 João Eduardo Sampaio_.pdf: 5481805 bytes, checksum: ff4fd651d904071e9a30223e3222c4dc (MD5) / Made available in DSpace on 2018-11-08T13:01:52Z (GMT). No. of bitstreams: 1 João Eduardo Sampaio_.pdf: 5481805 bytes, checksum: ff4fd651d904071e9a30223e3222c4dc (MD5) Previous issue date: 2018-08-23 / Nenhuma / O Brasil precisa de um setor siderúrgico eficiente e competitivo para enfrentar a concorrência externa. A siderurgia é um ramo da metalurgia responsável pela fabricação do aço, e dentre os processos produtivos do setor, destaca-se o processo de laminação do aço, que utiliza fornos de reaquecimento. Esta pesquisa emprega a modelagem com as técnicas do Pensamento Sistêmico e da Dinâmica de Sistemas na formulação de um modelo computacional no contexto dos fornos de reaquecimento. A partir da validação do modelo, são utilizadas a Análise Envoltória de dados, para avaliar a eficiência técnica, e a regressão Tobit, para identificar variáveis estatisticamente significantes. Essas variáveis são usadas para definição dos cenários simulados. Posteriormente, as eficiências dos cenários são avaliadas por meio de estatística descritiva. Também são avaliados alvos e folgas e é testada a hipótese de igualdade da média com o teste de Welch e Post-Hoc Kruskal-Wallis. Finalmente, é realizada a análise explicativa e, com a aplicação da técnica computacional da Rede Neural Artificial, são identificadas as variáveis prevalentes da eficiência técnica do forno de reaquecimento. Tal estudo possibilita e estimula o planejamento, a gestão e a tomada de decisão a partir da análise das melhores opções. Permite, ainda, a tomada de ações com base no conhecimento prévio, contribuindo para iniciativas pontuais e focadas na competitividade. / Brazil needs an efficient and competitive steel sector to face external competition. The siderurgy is a branch of metallurgy responsible for steelmaking, and among the productive processes in the industry the steelmaking process that uses the reheating furnaces can be highlighted. This research employs the modeling with the techniques of Systemic Thinking and Systems Dynamics in the formulation of a computational model in the context of reheating furnaces. Then, using the validated model, Data Envelopment Analysis was used, evaluating the technical efficiency and the use of the Tobit regression of statistically significant variables. These variables are used to define the simulated scenarios. Subsequently, the scenarios efficiencies were evaluated by means of descriptive statistics, evaluated targets and backlash and tested the hypothesis of equality of the average with the test of Welch and Post-Hoc Kruskal-Wallis. Finally, the explanatory analysis and identified with the application of the computational technique of the Artificial Neural Network are the prevalent variables of the technical efficiency of the reheating furnace. This study enables and stimulates planning, management and decision making based on the analysis of the best options and allows the taking of actions based on previous knowledge, and thus contributes to specific initiatives focused on competitiveness.

Submitted by Silvana Teresinha Dornelles Studzinski (sstudzinski) on 2016-04-28T12:47:41Z No. of bitstreams: 1 FILIPE BORTOLINI_.pdf: 6329595 bytes, checksum: 3dd8331791bb827a0806c8da5947b553 (MD5) / Made available in DSpace on 2016-04-28T12:47:41Z (GMT). No. of bitstreams: 1 FILIPE BORTOLINI_.pdf: 6329595 bytes, checksum: 3dd8331791bb827a0806c8da5947b553 (MD5) Previous issue date: 2015-11-20 / Nenhuma / A melhoria no planejamento de operações é uma das preocupações constantes das refinarias de petróleo, e a gestão eficiente dos estoques em parques de tancagem é um ponto fundamental nesse contexto. No entanto, são poucos os trabalhos que tratam especificamente deste assunto e as ferramentas de simulação existentes são caras e não refletem a realidade de muitas refinarias. A gestão ineficiente ou o dimensionamento inadequado dos parques de tancagem, por sua vez, podem gerar uma série de prejuízos. Um parque superdimensionado gera custos de gestão e manutenção, além dos custos do estoque. Um parque subdimensionado pode gerar perdas devido a desabastecimentos e degradação de produtos, entre outros. Às situações em que o subdimensionamento gera impactos na produção, com ou sem perdas financeiras, dá-se a denominação de stress em parques de tancagem. Esse trabalho descreve a implantação de uma ferramenta que possibilita a quantificação do stress em parques de tancagem. Essa quantificação é feita com o apoio de uma heurística baseada em dados relativos às movimentações, manutenções e níveis de estoque dos tanques. Também descreve a forma de cálculo de cinquenta e nove variáveis relacionadas às movimentações dos tanques. A influência que essas variáveis têm na formação de situações de stress foi analisada através do uso de redes neurais artificiais. Essa influência foi quantificada em cinco diferentes cenários, considerando-se a existência ou não de um ciclo de certificação de produto e a natureza das variáveis analisadas. Como resultado, identifica-se que as variáveis relacionadas ao tempo de esvaziamento, tempo de tanque parado em nível baixo e tempo de enchimento são as prevalentes na criação de situações de stress em parques de tancagem no contexto analisado. Também são mapeados e formalizados os fluxos dos algoritmos para determinação das etapas do ciclo de um tanque, e é definida uma fórmula para a determinação do nível de stress em um parque de tancagem em um determinado período de tempo. / The improvement in operations planning is a constant concern of oil refineries, and the efficient management of inventories in tank farm sites is a key point in this context. However, there are few studies that deal specifically with this issue and existing simulation tools are expensive and do not reflect the reality of many refineries. The inefficient management or improper sizing of tank farm sites, in turn, can generate significant financial losses. A oversized tank farm generates management and maintenance costs, in addition to inventory costs. An undersized tank farm can generate losses due to shortages and degradation of products, among others. The situations in which the undersizing generates impact in operations, with or without financial losses, is defined as stress in tank farm sites. The present study describes the implementation of a tool that allows the quantification of stress in tank farm sites. This measurement is made using a heuristic based on data on the inventory movimentation, maintenance status and inventory levels of the tanks. It also describes the calculation method of fifty-nine variables related to the movimentation of inventory. The influence of these variables on the formation of stress situations was analyzed using artificial neural networks. This influence was quantified in five different scenarios, considering whether or not a product certification cycle and the nature of the variables. As a result, it is identified that the variables related to emptying time, tank downtime at low level and fill time are prevalent in creating stressful situations in tank farm sites in the analyzed context. They are also mapped and formalized flows of algorithms to determine the stages of a tank cycle, and is defined a formula for determining the stress level in a tankage park at a given time.

Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-08-24T15:00:02Z No. of bitstreams: 1 Ronnie.pdf: 3320281 bytes, checksum: 56be4f928c1366ece428d2ae6caf9627 (MD5) / Made available in DSpace on 2017-08-24T15:00:02Z (GMT). No. of bitstreams: 1 Ronnie.pdf: 3320281 bytes, checksum: 56be4f928c1366ece428d2ae6caf9627 (MD5) Previous issue date: 2012-08-31 / This work aims to monitor and analyze the data from the instrumentation system of a substation as a way to identify false alarms, which can result in a decision by the mistaken maintenance and operation. This project was conceived because of the need for a research and development project which is called Maintenance Management Center (MMC) whose overall objective is to assist in the maintenance of their equipment operational intervention. Data is extracted from the automation system that has digital relay protection function and measurement of the electric grid, passing through a sequence of data processing to achieve the results that will serve for the detection and diagnosis of faults. We applied methods based on quantitative model by transforming the data system of continuous variables (SVC) and qualitative data by transforming the system of discrete event (SDE) applying analytical redundancy techniques and neural networks respectively, thus aiming a simplified model for detection and diagnosis fault (DDF). The model has been designed taking into account the characteristics DDF due to its stages, thereby providing a good system failure recovery. Know filter if certain event is real or a false alarm is not an easy task, but this system will have to meet this purpose. Technological resources are used fairly consolidated in the industrial process for the integration of the solution, because the time factor and information processing are critical in the results generated by the system recovery. Another key point of this trial was to have developed a system based on experiential knowledge, because it has higher robustness in results. / Este trabalho tem como objetivo monitorar e analisar os dados provenientes do sistema de instrumentação de uma subestação como forma de identificar falsos alarmes, que pode acarretar em uma tomada de decisão equivocada por parte da manutenção e operação. Este projeto foi concebido devido à necessidade de um projeto de pesquisa e desenvolvimento que se intitula Centro de Gestão da Manutenção (CGM) cujo objetivo global é auxiliar a manutenção na intervenção operacional de seus equipamentos. Os dados são extraídos do sistema de automação provenientes dos reles digitais que tem função de proteção e medição da rede elétrica, passando por um sequencia de transformação dos dados até chegar aos resultados, que servirá para detecção e diagnostico de falhas. Foram aplicados métodos baseados no modelo quantitativo através da transformação dos dados do sistema de variáveis contínuas (SVC) e qualitativo através da transformação dos dados do sistema de eventos discretos (SED) aplicando técnicas de redundância analítica e redes neurais respectivamente, objetivando assim um modelo simplificado para detecção e diagnóstico da falha (DDF). O modelo foi concebido levando em consideração as características DDF decorrente de suas etapas, propiciando assim um bom sistema de recuperação de falha. Saber filtrar se determinado evento é real ou um falso alarme não é uma tarefa fácil, porém este sistema terá que atender este propósito. Foram utilizados recursos tecnológicos bastante consolidados no processo industrial para garantir a integração da solução, pois o fator tempo e o processamento da informação são decisivos nos resultados gerados pelo sistema de recuperação. Outro ponto fundamental neste trabalho foi ter desenvolvido um sistema baseado no conhecimento experimental, pois se tem maior robustez nos resultados.

Made available in DSpace on 2014-12-17T14:09:15Z (GMT). No. of bitstreams: 1 EduardoHSA_TESE3red.pdf: 5316067 bytes, checksum: 9b841153bb325e14b32dc463a70e5a45 (MD5) Previous issue date: 2013-01-25 / This Thesis presents the elaboration of a methodological propose for the development of an intelligent system, able to automatically achieve the effective porosity, in sedimentary layers, from a data bank built with information from the Ground Penetrating Radar GPR. The intelligent system was built to model the relation between the porosity (response variable) and the electromagnetic attribute from the GPR (explicative variables). Using it, the porosity was estimated using the artificial neural network (Multilayer Perceptron MLP) and the multiple linear regression. The data from the response variable and from the explicative variables were achieved in laboratory and in GPR surveys outlined in controlled sites, on site and in laboratory. The proposed intelligent system has the capacity of estimating the porosity from any available data bank, which has the same variables used in this Thesis. The architecture of the neural network used can be modified according to the existing necessity, adapting to the available data bank. The use of the multiple linear regression model allowed the identification and quantification of the influence (level of effect) from each explicative variable in the estimation of the porosity. The proposed methodology can revolutionize the use of the GPR, not only for the imaging of the sedimentary geometry and faces, but mainly for the automatically achievement of the porosity one of the most important parameters for the characterization of reservoir rocks (from petroleum or water) / Esta tese apresenta a elabora??o de uma proposta metodol?gica para o desenvolvimento de um sistema inteligente, capaz de obter automaticamente a porosidade efetiva, em camadas sedimentares, a partir de um banco de dados constru?do com informa??es do Radar de Penetra??o no Solo (Ground Penetrating Radar GPR). O sistema inteligente foi constru?do para modelar a rela??o entre a porosidade (vari?vel resposta) e os atributos eletromagn?ticos do GPR (vari?veis explicativas). Com ele foi estimada a porosidade utilizando modelo de rede neural artificial (Multilayer Perceptron - MLP) e regress?o linear m?ltipla. Os dados da vari?vel resposta e das vari?veis explicativas foram obtidos em laborat?rio e em levantamentos GPR delineados em s?tios controlados em campo e laborat?rio. O sistema inteligente proposto possui a capacidade de estimar a porosidade a partir de qualquer banco de dados dispon?vel, que envolvam as mesmas vari?veis utilizadas nesta tese. A arquitetura da rede neural utilizada pode ser modificada de acordo com a necessidade existente, adequando-se aos bancos de dados dispon?veis. A utiliza??o do Modelo de Regress?o Linear M?ltipla permitiu que fosse identificada e quantificada a influ?ncia (grau de efeito) de cada vari?vel explicativa na estimativa da porosidade. A metodologia proposta pode revolucionar o uso do GPR por permitir, n?o apenas o imageamento das geometrias e f?cies sedimentares, mas principalmente a obten??o autom?tica da porosidade um dos par?metros mais importantes na caracteriza??o de rochas reservat?rios (petrol?feros ou aqu?feros)

Este trabalho apresenta um estudo de classificação de nódulos em mamograma digitalizados através de um classificador de rede neural artificial (RNA). O algoritmo de treinamento de \"backpropagation\" foi utilizado para ajustar os pesos da RNA. O objetivo principal deste trabalho foi determinar um método para analisar e selecionar a melhor configuração de atributos e topologia da RNA para classificar lesões mamárias do tipo nódulo. Foram escolhidas 118 imagens de regiões de interesse (ROI), sendo 68 benignas e 50 malignas de duas bases de imagens: uma do Hospital das Clínicas de Ribeirão Preto, da Universidade de São Paulo, e outra do MIAS-UK (Mammographic Image Analysis Society). O processo completo envolveu quatro etapas: detecção, extração e seleção de atributos, e classificação. Na etapa de detecção, as imagens foram submetidas ao processo combinado das técnicas segmentação de thresholding, morfologia matemática e crescimento de região. Foram extraídos 14 atributos de textura e 14 atributos de forma. Para selecionar os atributos mais discriminantes, foi utilizado o método de Jeffries-Matusita. Foram selecionados três grupos de atributos de forma, três de atributos de textura e três de atributos combinados. Análise pela curva ROC foram dirigidas para avaliar o desempenho do classificador de rede neural artificial (RNA). Os melhores resultados obtidos foram: para o grupo de atributos de forma com 5 unidades escondidas, a área dentro da curva ROC foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 98,37% e taxa de sensibilidade de 98.00%; para o grupo de atributos de textura com 4 unidades escondidas, a área dentro da curva foi de 0.98, taxa de acerto de 97,08%, taxa de especificidade de 98,53% e taxa de sensibilidade de 95.11%; para o grupo de atributos combinados de textura e forma com 3 unidades escondidas, a área dentro da curva foi de 0.99, taxa de acerto de 98,21%, taxa de especificidade de 100.00% e taxa de sensibilidade de 95.78%. / This work presents a study of masses classification in digitized mammograms by means of artificial neural network (ANN). The backpropagation training algorithm was used to adjust the weights of ANN. The aim of this work was to determine a methodology to analyze and selection of the best feature subset and ANN topology to classify masses lesions. A total of 118 regions of interest images were chosen (68 benign and 50 malignant lesions) from two image databases: one from \"Hospital das Clínicas de Ribeirão Preto\", at the University of São Paulo, and other from Mammographic lmage Analysis Society (MIAS-UK). The whole process involved four steps: segmentation, feature extraction, selection, and classification. In the first step, the images were submitted to a combined process of thresholding, mathematical morphology, and region growing techniques. In the second step, fourteen texture features and fourteen shape features were extracted. The Jeffries-Matusita method was used to select the best features. The results of this stage were the selection of three shape feature sets, three texture feature sets, and three combined feature sets. The Receiver Operating Characteristic (ROC) analysis were conducted to evaluated the ANN classifier performance. The best result obtained for shape feature set was obtained using a ANN with 5 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 98.37% and sensitivity rate of 98.00%. For texture feature set, the best result was using a ANN with 4 hidden units, the area under ROC curve was of 0.98, classification rate of 97.08%, specificity rate of 98.53% and sensitivity rate of 95.11%. Finally, for the combined feature set (texture and shape) the best result obtained was using a ANN with 3 hidden units, the area under ROC curve was of 0.99, classification rate of 98.21%, specificity rate of 100.00% and sensitivity rate of 95.78%.

Este trabalho apresenta um método utilizando redes neurais artificiais para a determinação das amplitudes e fases dos componentes harmônicos presentes na corrente de carga monofásica. O número de harmônicos identificados é previamente selecionado. Os hamônicos identificados estão presentes na corrente de cargas não-lineares de um sistema de iluminação onde é considerada a variação no tempo das características da forma de onda desta corrente. Os harmônicos presentes no sistema degradam a qualidade de energia, sendo assim é apresentado um breve estudo sobre este tema e métodos para atenuar a distorção harmônica no sistema. Dentre estes métodos é dado ênfase na aplicação de filtros ativos de potência em paralelo com carga não-linear. O trabalho também apresenta um estudo sobre os mais comumente métodos utilizados na identificação harmônica. Dentre eles está o método baseado em redes neurais artificiais. Este método é validado com base nos dados levantados por meio de simulação e de forma experimental. / In this thesis artificial neural networks are employed in a novel approach to identifying harmonic components of the single-phase nonlinear load current, whose amplitudes and phase angles are subject to unpredictable changes in steady-state. An identified harmonics number is previously selected. These harmonics are present in the non-linear loads current of electrical illumination system. The harmonics in the power system degrade the power quality, then is exhibited a concise study dealing with power quality problems and methods to mitigate the harmonic distortion in the power system. Among these methods emphasis is given in the application of pure active power filters in parallel with the non-linear load. The thesis also shows a study about the more commonly methods used in the harmonic detection. Among them is the method based on artificial neural networks. Simulation and experimental results are presented to validate the proposed approach.

Submitted by Nadir Basilio (nadirsb@uninove.br) on 2017-04-27T18:03:46Z No. of bitstreams: 1 Francisco Elanio Bezerra.pdf: 3173273 bytes, checksum: d46cdeb01bbd348e3926275e79daa4f3 (MD5) / Made available in DSpace on 2017-04-27T18:03:46Z (GMT). No. of bitstreams: 1 Francisco Elanio Bezerra.pdf: 3173273 bytes, checksum: d46cdeb01bbd348e3926275e79daa4f3 (MD5) Previous issue date: 2017-02-02 / The technological advance, in the world, has brought about profound changes in the way the electric energy is generated, distributed and consumed. The increase in electricity consumption and the interruption of power supply in Brazil led to the creation of Decree 5.163/2004, proposing a new model for the sale of electricity in the National Interconnected System through auctions in the free contracting environments between buyers and Sellers, or regulated through auctions promoted by the Electric Energy Trading Chamber (CCEE), which accounts for the difference between contracting and energy consumption and through the settlement price of the differences and promotes the settlement of this energy short-term market .If you have more contracts than consumption, or more consumption than contracts, you will suffer penalties. With the change in the commercialization of energy, the generators and distributors suffer with forecast of consumption and with amount of energy that must contract in the auctions. In this scenario, several techniques such as genetic algorithm, multicriteria decision, fuzzy logic, artificial neural networks among others have been used to optimize the system of buying and selling energy in this new environment. Therefore, the proposal of this work is to develop an intelligent computational system, using historical data from a distributor to forecast demand by consumption class to support decision making in the short term market. The result of the work may provide conditions for a distributor to monitor energy demand by consumption class, provide possibilities for short-term market trading and minimize losses with subcontracting and over-contracting. / O avanço tecnológico, no mundo, trouxe profundas mudanças na forma como a energia elétrica é gerada, distribuída e consumida. O aumento do consumo de energia elétrica e a interrupção no fornecimento de energia no Brasil levaram à criação do Decreto 5.163/2004, propondo um novo modelo de comercialização de energia elétrica no Sistema Interligado Nacional por meio de leilões nos ambientes de contratação livre entre compradores e vendedores, ou regulada, por meio de leilões promovidos pela Câmara de Comercialização de Energia Elétrica (CCEE). A diferença entre contratação e consumo é contabilizada pela CCEE mensalmente e negociada no mercado de curto prazo. Por meio do preço de liquidação das diferenças é promovida a liquidação dessa energia, cujo mecanismo pode gerar prejuízos ou lucros para a distribuidora que, caso tenha mais contratos do que consumo, ou mais consumo do que contratos, sofrerá penalizações. Com a modificação na comercialização de energia, os geradores e distribuidores sofrem com previsão de consumo e com montante de energia que devem contratar nos leilões. Neste cenário, diversas técnicas, como algoritmo genético, decisão multicritério, lógica fuzzy, redes neurais artificiais entre outras vêm sendo utilizadas para otimizar o sistema de compra e venda que atenda o decreto e mantenha as receitas da geradora e distribuidora. Sendo assim, a proposta deste trabalho é desenvolver uma abordagem computacional utilizando dados históricos de uma distribuidora para previsão de demanda por classe de consumo que sirva de apoio à tomada de decisão no mercado de curto prazo. O resultado do trabalho poderá oferecer condições para uma distribuidora acompanhar a demanda de energia por classe de consumo, fornecer possibilidades para negociação no mercado de curto prazo e minimizar prejuízos com subcontratação e sobrecontratação.

Submitted by Geandra Rodrigues (geandrar@gmail.com) on 2018-01-17T11:13:15Z No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-01-22T16:33:53Z (GMT) No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) / Made available in DSpace on 2018-01-22T16:33:53Z (GMT). No. of bitstreams: 1 samuelbelinidefilippo.pdf: 2610291 bytes, checksum: 6c4f48d00a0649b56977f6c8a7ada4e0 (MD5) Previous issue date: 2017-09-20 / Todo a produção, transmissão e distribuição de energia elétrica ocorre concomitantemente com o consumo da energia. Isso é necessário porque ainda não existe hoje uma maneira viável de se estocar energia em grandes quantidades. Dessa forma, a energia gerada precisa ser consumida quase que instantaneamente. Isso faz com que as previsões de demanda sejam fundamentais para uma boa gestão dos sistemas de energia. Esse trabalho focaliza métodos de previsão de demanda a curto prazo, até um dia à frente. Nos métodos mais simples, as previsões são feitas por modelos lineares que utilizam dados históricos da demanda de energia. Contudo, modelos baseados em inteligência computacional têm sido estudados para este fim, por explorarem a relação não-linear entre a demanda de energia e as variáveis climáticas. Em geral, estes modelos conseguem melhores previsões do que os métodos lineares. Seus resultados, porém, são instáveis e sensíveis a erros de medição, gerando erros de previsão discrepantes, que podem ter graves consequências para o processo de produção. Neste estudo, empregamos redes neurais artificiais e algoritmos genéticos para modelar dados históricos de carga e de clima, e combinamos estes modelos com métodos lineares tradicionais. O objetivo é conseguir previsões que não apenas sejam mais acuradas em termos médios, mas que também menos sensíveis aos erros de medição. / The production, transmission and distribution of electric energy occurs concomitantly with its consumption. This is necessary because there is yet no feasible way to store energy in large quantities. Therefore, the energy generated must be consumed almost instantaneously. This makes forecasting essential for the proper management of energy systems. This thesis focuses on short-term demand forecasting methods up to one day ahead. In simpler methods, the forecasts are made by linear models, which use of historical data on energy demand. However, computer intelligence-based models have been studied for this end, exploring the nonlinear relationship between energy demand and climatic variables. In general, these models achieve better forecasts than linear methods. Their results, however, are unstable and sensitive to measurement errors, leading to outliers in forecasting errors, which can have serious consequences for the production process. In this thesis, we use artificial neural networks and genetic algorithms for modelling historical load and climate data, and combined these models with traditional linear methods. The aim is to achieve forecasts that are not only more accurate in mean terms, but also less sensitive to measurement errors.