Resumo

Orientador : Prof. Dr. Leandro dos Santos Coelho / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 12/04/2017 / Inclui referências : f. 87-98 / Área de concentração: Sistemas eletrônicos / Resumo: A energia elétrica faz parte de um mercado que envolve agentes de geração, transmissão, distribuição e consumo que desejam maximizar seus lucros e minimizar suas despesas. Para isso precisam de um planejamento que tenha como base uma previsão de demanda precisa, já que um cenário pessimista pode levar ao despacho de mais geradores do que o necessário, reserva excessiva de matéria prima e aumento do custo de operação, e por outro lado um cenário otimista pode colocar o sistema elétrico em risco ou exigir a compra de energia no mercado livre a um preço alto. Por isso, a previsão de demanda tem sido empregada em áreas como o agendamento ótimo de geradores, planejamento da manutenção, planejamento da reserva hídrica, compreensão do padrão de consumo, planejamento da expansão e previsão de preços e ajuste de tarifas. Contudo, uma série de demanda é uma série temporal que possui não linearidades e componentes periódicos aleatórios como o clima, perfil dos usuários, eventos públicos, economia, medições erradas, e, consequentemente, um modelo de previsão linear pode não ser apropriado. Este trabalho utiliza diferentes abordagens para formar comitês de wavenets para a previsão de séries temporais de demanda de energia elétrica de curto prazo, os desempenhos são comparados com uma rede neural artificial perceptron multicamadas com função de ativação sigmoide na camada oculta, uma wavenet simples, com a média da última semana e com o modelo inocente. As séries de demanda adotadas, isto é, duas séries de demanda anuais reais com medições horárias, passam por um estágio de pré-processamento para remoção da tendência e normalização, e também para transformação dos valores da série em conjuntos de entrada e saída para o treinamento supervisionado. Emprega-se a estratégia de previsão um passo à frente e a avaliação das previsões é realizada pelo coeficiente de correlação múltipla ???? e também pela análise de correlação entre os resíduos. Para criação dos comitês utiliza-se a reamostragem com reposição, a validação cruzada e a dizimação de entradas, seleção construtiva, combinação pela média simples, moda, mediana e generalização empilhada. Os resultados dos testes de não linearidade demonstram que as duas séries consideradas são não lineares, e também constata-se a diminuição da assimetria dos dados após sua transformação. Do processo de seleção de variáveis obtém-se os atrasos máximos para cada série, valores passados que são utilizados como entradas, e percebe-se que são diferentes para cada série. O atraso máximo a ser utilizado como entrada tem influência na quantidade de amostras do conjunto de dados de entrada e saída. Uma característica dos resultados que se reflete em ambas as séries é o aumento do erro à medida que o horizonte de previsão aumenta. Os comitês de wavenets superam os demais modelos comparados, e, além do desempenho ser diferente para cada problema, o melhor método de aprendizado de comitê a ser utilizado também varia, bem como o horizonte de previsão máximo no qual os valores previstos se ajustam aos valores reais das séries. A qualidade das previsões é avaliada com testes de correlação dos resíduos. Palavras-chave: Wavenet. Previsão de demanda de energia elétrica. Comitês. Redes neurais artificiais. / Abstract: Electricity is part of a market which involves generation, transmission, distribution and consumption agents that aim their profit maximization and expenses minimization. To achieve that, they need a planning based on an accurate load forecast, since a pessimistic scenario may lead to more generators dispatch than needed, excessive reservoir and high operating costs, and, on the other hand, an optimistic scenario may place the electrical system at risk or requiring demand electricity purchasing on the free market for a very high price. Hence, load forecasting has been employed in areas such as optimal dispatch, maintenance planning, hydric reservoir planning, consumption pattern understanding, expansion planning, price forecasting and tax adjustments. However, a load series is a time series with nonlinearities and random periodic components as the weather, users profile, public events, economy and bad measures, therefore a pure linear model may not be appropriated. This work uses different approaches to create wavenet ensembles for short term load forecasting, the performances are compared with a multilayer perceptron with sigmoid activation function in the hidden layer, with a single wavenet, with the last week mean and also with the naive model. The load series adopted, that is, two annual hourly load series with actual measurements, are passed through a data pre-processing stage for trend removal and normalization, and also for conversion from the time series to a inputs and output set for supervised training. It is applied the one step ahead forecast strategy and the forecasting evaluation is accomplished by the multiple correlation coefficient, ????, and also by the residuals correlation analysis. For the ensemble creation are used the bootstrapping, cross-validation like, inputs decimation, constructive selection, simple average, median, mode and stacked generalization methods. The nonlinearity tests results demonstrate that both time series are nonlinear, and the asymmetry reduction after data transformation is verified. From the features selection process the maximum lags for each series are identified, lagged values to be used as inputs and it is noticed that they are different for each series. The maximum lag also influences the amount of samples in the dataset of inputs and outputs. A common characteristic of both series is that the error increase along with the prediction horizon. Results point out that the wavenets ensembles overcome the other compared models after tests with two actual annual hourly load series. Moreover, beyond the performance to be different for each problem, the best ensemble learning method also varies, as well as the maximum forecasting horizon for which the forecasted values fit the series actual values. The quality of the forecasts is analyzed through residuals correlation tests. Key-words: Wavenet. Load forecasting. Ensembles. Artificial neural network.

Orientador : Prof. Dr. Ricardo Carvalho de Almeida / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Ambiental. Defesa : Curitiba, 27/08/2015 / Inclui referências : f. 88-94 / Resumo: De forma geral, os modelos de dispersão atmosférica para fins regulatórios apresentam limitações quanto a sua acurácia, já que estão sujeitos a diversas fontes de erro relacionadas especialmente à natureza estocástica da turbulência atmosférica. Sendo assim, o presente trabalho propõe a aplicação de redes neurais artificiais como um mecanismo de pós-processamento das previsões que deve agir corrigindo os valores de concentração simulados, tornando-os mais próximos dos valores reais observados. Para tanto, foram treinadas duas redes neurais artificiais do tipo perceptron multicamadas por meio do algoritmo de treinamento backpropagation. Uma foi aplicada aos cenários em que a estabilidade atmosférica foi considerada estável enquanto a outra foi aplicada ao conjunto de cenários para os quais a estabilidade atmosférica foi considerada neutra ou instável. Os dados utilizados para as fases de treinamento, teste e validação das redes neurais são oriundos de experimentos de dispersão atmosférica já consagrados na literatura (i.e. Copenhagen, Cabauw, Hanford 64, Hanford 67, Hanford 83, Lillestrom, Prairie Grass). O modelo de interesse para o presente estudo é o MODELAR, modelo de qualidade do ar desenvolvido para simular emissões contínuas oriundas de uma fonte pontual e elevada. Os resultados corroboram a aplicabilidade das redes neurais associadas a modelos de dispersão, uma vez que, em todos os casos analisados, a utilização da rede foi capaz de melhorar de forma significativa a totalidade dos parâmetros estatísticos analisados, melhorando a acurácia das previsões e, portanto, tornando-as mais confiáveis Palavras-chave: modelo de dispersão atmosférica, rede neural artificial, qualidade do ar. / Abstract: In general, the atmospheric dispersion models for regulatory purposes have limitations regarding its accuracy, as they are subject to several sources of error, especially the ones related to the stochastic nature of atmospheric turbulence. Therefore, this paper proposes the application of artificial neural networks as a postprocessing tool that when applied to the model predictions should correct the simulated concentration values, making them closer to the actual observed values. To this end, two artificial neural networks (of the multilayer perceptron type) were trained through the backpropagation training algorithm. One was applied to the scenarios where atmospheric stability was considered stable while the other was applied to the cases where atmospheric stability was considered neutral or unstable. The data used for training, testing and validation of the neural networks derive from atmospheric dispersion experiments already established in the literature (i.e. Copenhagen, Cabauw, Hanford 64, Hanford 67, Hanford 83, Lillestrom, Prairie Grass). The model of interest for this study is MODELAR, an air quality model developed to simulate continuous emissions from an elevated point source. The results corroborate the applicability of the neural networks in association with dispersion models, since, in all the analyzed cases, the use of the artificial network was able to significantly improve the totality of the statistical parameters analyzed, improving the accuracy of the predictions and, therefore, making it more reliable. Palavras-chave: atmospheric dispersion model, artificial neural network, air quality.

Resumo: Este trabalho trata do desenvolvimento de um algoritmo utilizando o conceito de redes neurais para reconstrução de imagens tomográficas. Mostramos que através de uma rede neural parcialmente conectada é possível reconstruir imagens com mais rapidez e mesma qualidade utilizando conceitos de tomografia em relação a algoritmos tradicionais. Senogramas referentes a várias seções de imagens de um determinado objeto podem ser reconstruídos por uma única rede parcialmente conectada. Esta estrutura não precisa ser treinada, sendo baseada na geometria da relação entre o espaço de projeção e o espaço da imagem final.

Resumo: A produção de papel cartão envolve a utilização de camadas de fibras na sua estrutura e eventualmente, camadas de revestimento. A produção de cartão pela empresa Klabin em Telêmaco Borba, especificamente na máquina MP-9 produz cartões com três camadas, a partir de fibras virgens obtidas pelo processo kraft e polpa de alto rendimento. Aplicam-se ainda, mais tripla camada de revestimento, que proporciona excelentes características de impressão para os processos de offset, flexografia e rotogravura. Uma das propriedades utilizadas para avaliar a qualidade de impressão é a marmorização (mottling) que descreve o aspecto marmorizado da superfície do cartão. Esta propriedade, quando fora dos parâmetros determinados, afeta a qualidade final da embalagem impressa, dando aspecto desagradável de envelhecido ou de que fora armazenada em lugar inapropriado. Sendo assim, cartões com este problema são transformados em produto não conforme, podendo ser refugados durante a produção ou classificados como produto de menor valor agregado ou rechaçados pelos clientes gerando reclamações à custa de indenização. A marmorização foi determinada utilizando o método Mottling STFI e é caracterizado pelo coeficiente de variação da reflectância ou simplesmente desvio padrão já definido pela metodologia do equipamento. O foco principal deste estudo tem como objetivo determinar através de modelagem matemática os parâmetros de processo que mais influenciam a propriedade marmorização. O conhecimento destes parâmetros proporciona condições aos operadores para, com maior segurança, atuar em máquina, reduzindo as variações desta propriedade e mantendo seus valores dentro dos limites especificados. O modelo de marmorização foi desenvolvido a partir de dados históricos de 6 meses de operação da máquina. Estes dados compreendem análises de laboratório de amostras do cartão produzido, bem como inúmeras variáveis de processo, tais como vazão de pigmento, composição da camada meio, temperatura das capotas de secagem e variáveis medidas pelos “frames” como gramatura. Os resultados indicaram que a marmorização é influenciada pela temperatura das capotas secadoras de revestimento.

Resumo: A análise de cenários é uma ferramenta auxiliar que descreve determinadas características para uma previsão de carga. Para sua composição é preciso fazer um mapeamento adequado das variáveis a serem consideradas, assim como qual o peso de cada uma delas na análise decisória do cenário. A partir da composição de cenários é possível estabelecer um direcionamento estratégico para as previsões. O problema a ser abordado neste trabalho é realizar previsão de demanda para uma concessionária com base em um histórico de demandas medidas e premissas que caracterizam a carga de uma região escolhida para o estudo, através do conceito de densidade de carga. Estabelecer fatores multiplicativos para agregar a influência da temperatura e número de consumidores nas previsões futuras, assim como acrescentar informações de modificações topológicas. As análises foram feitas com base em séries temporais e os testes dos vetores de dados foram analisados com aplicação de redes neurais. Para validar e estabelecer uma análise comparativa entre os cenários obtidos foi aplicado a metodologia em uma área observável na região Oeste do Paraná, sinalizando possibilidades de arranjos entre variáveis para compor o melhor cenário a ser elaborado para uma previsão futura.

Made available in DSpace on 2014-06-11T19:34:58Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-10-11Bitstream added on 2014-06-13T18:45:51Z : No. of bitstreams: 1 almeida_lf_dr_guara.pdf: 1479231 bytes, checksum: d1b34509ec45ba1ae48a6450780e381d (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Um importante aspecto no processo produtivo é proporcionar o funcionamento das máquinas o maior tempo possível sem o comprometimento na qualidade final do produto. Nesse sentido, a utilização de uma política de manutenção adequada se torna necessária para o monitoramento do desgaste dos componentes das máquinas a fim de aumentar o tempo de sua utilização sem comprometer a qualidade do produto. A manutenção baseada em condição se apresenta como a abordagem mais apropriada para esse controle. Dentre as diversas abordagens utilizadas para o desenvolvimento de programas para esse tipo de manutenção, as técnicas baseadas em Inteligência Artificial vêm se destacando no que diz respeito ao seu desempenho. Diante desse contexto, essa tese propõe uma Rede Neural Artificial, a qual, devidamente parametrizada, possibilita sua aplicação tanto para análise de vibrações quanto análise de partículas de desgaste. Para tanto, foi implementado um protótipo denominado NEURALNET-CBM, subdividido em dois módulos, Vibrações e Partículas. Os resultados dos testes mostram a efetividade da rede proposta, com um índice de acerto acima de 90% na classificação e identificação de defeitos e partículas de desgaste. / An important aspect in the production process is to ensure the operability of a machine as long as possible without interfering on the final quality product. In this way, the use of a suitable maintenance policy is critical for monitoring the wear of the machine components in order to increase your useful life without any compromise of the product quality. The Condition-Based Maintenance is presented as the most appropriate approach for this control. Among several methods used to develop systems for this type of maintenance, techniques Artificial Intelligence has been standing out in relation their performance. Therefore, this thesis proposes a Artificial Neural Network, which, properly parameterized, it makes possible its application for both vibration and wear particle analysis. For this, we implemented a prototype named NEURALNET-CBM, divided into two modules: Vibration and Particle. The test results show the effectiveness of the proposed network, with accuracy rate greater than 90% in classifying and identification of defects and wear particles.

Made available in DSpace on 2014-11-10T11:09:48Z (GMT). No. of bitstreams: 0 Previous issue date: 2014-02-28Bitstream added on 2014-11-10T11:58:00Z : No. of bitstreams: 1 000794379.pdf: 1678626 bytes, checksum: b6d9b23c03cc8335775be33854ac5879 (MD5) / Os sistemas fuzzy e neuro fuzzy têm sido usados com sucesso para resolver problemas em diversas áreas, como medicina, indústria, controle, agronomia e aplicações acadêmicas. Nas últimas décadas, as redes neurais têm sido utilizadas para identificação, avaliação e previsão e dados na medicina e na agronomia. Nesta tese, realizou-se um novo estudo comparativo entre as redes neuro fuzzy (ANFIS), rede perceptron multicamadas (MLP), rede função de base radial (RBF) e regressão generalizada (GRNN) na área de engenharia biomédica. Na engenharia biomédica as redes neurais e neuro fuzzy foram treinadas e validadas com dados de pacientes hígidos e hemiplégicos (pacientes com sequela motora após acidente vascular cerebral no hemicorpo direito ou esquerdo do cérebro) coletados por meio de um baropodômetro eletrônico (91 indivíduos, sendo 81 hígidos e 10 hemiplégicos). A rede GRNN apresentou o menor erro RMSE (Raiz Quadrada do Erro Médio Quadrático), porém a rede MLP conseguiu identificar um caso de hemiplegia. Na área de agricultura foi proposto um novo estudo comparativo utilizando redes neurais para previsão de produção de trigo (Triticum aestivum). Para este estudo utilizou-se uma base de dados experimental de trigo avaliada no período dois anos na região de Selvíria-MS. A validação foi realizada comparando-se a produção estimada pelas redes neurais MLP, GRNN e RBF com a curva de regressão quadrática, comumente utilizada para este fim, e com a rede neuro fuzzy ANFIS. O erro RMSE calculado com as redes neurais GRNN e RBF foi menor do que o obtido com a regressão quadrática e com o ANFIS utilizando o treinamento (híbrido). Para validação dos resultados obtidos em hemiplegia utilizou-se o RMSE, a matriz de confusão, a sensitividade, a especificidade e a acurácia. Os resultados mostraram que a utilização das redes neurais e redes neuro fuzzy, na engenharia biomédica, pode ser uma alternativa viável para ... / The fuzzy and neuro fuzzy systems have been successfully used to solve problems in various fields such as medicine, manufacturing, control, agriculture and academic applications. In recent decades, neural networks have been used to the identification, assessment and diagnosis of diseases. In this thesis we performed a comparative study among fuzzy neural networks (ANFIS), multilayer perceptron neural networks (MLP), radial basis function network (RBF) and generalized regression (GRNN) in the area of biomedical engineering and agronomy. In biomedical engineering neural networks and neuro fuzzy were trained and validated with data set from patients (91 subjects, 81 healthy and 10 hemiplegic). The GRNN network had the lowest Root Mean Square Error (RMSE), but the MLP network was able to identify a case of hemiplegia. In the area of agriculture a comparative study to estimate the wheat (Triticum aestivum) productivity was proposed using neural networks. For this study it was used data from an experimental database of wheat cultivars evaluated during two years in the region of Selvíria - MS. The validation was performed by comparing the estimated productivity through the quadratic regression curve and the output of the ANFIS with the neural networks. The RMSE error calculated with the GRNN and RBF neural networks was lower than that obtained with the quadratic regression and the ANFIS. The results obtained in the study of hemiplegia were validated using the RMSE, the confusion matrix, the sensitivity, the specificity and the error accuracy. The results showed that the use of neural networks and fuzzy neural networks, in biomedical engineering, can be a viable for monitoring the progress of patients and discovery new information through a combination of parameters. In agriculture this methodology can bring benefits in combining several evaluation parameters of production to optimize production while minimize financial costs in new plantations

Made available in DSpace on 2014-11-10T11:09:49Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-12-12Bitstream added on 2014-11-10T11:57:57Z : No. of bitstreams: 1 000793111.pdf: 13515062 bytes, checksum: d7a9fd54f5b42d60eb028c1234b5751a (MD5) / Os riscos associados a zonas costeiras e portuárias são uma das principais preocupações no planejamento e gestão destas zonas. Exemplos desses riscos são os associados aos fatores: instabilidade de estruturas marítimas de proteção, ocorrência de galgamentos, inundação, erosão costeira e navegação. Não obstante ao citado, tem-se também, o caso dos riscos inerentes ao ambiente dos reservatórios de barragens e de seus usos múltiplos, que fazem parte de segmentos de hidrovias, além de fazer parte de complexos de navegação e rotas comerciais. O exposto justifica a importância crescente do desenvolvimento de metodologias capazes de avaliar o risco neste tipo de situações. O presente trabalho trata do desenvolvimento e aplicação de uma rede neural artificial, notadamente a rede ARTMAP-Fuzzy, na tentativa de se prever alguns fenômenos de superfície livre e interação onda-estrutura, sejam eles: agitação marítima, comportamento de ondas em lagos de barragem e galgamento. A rede em questão pertence à família ART (Adaptive Ressonance Theory), e foi desenvolvida e utilizada na tentativa de se prever tanto a agitação marítima dentro e fora de um porto, quanto para o cálculo do galgamento em um ponto do barramento de contenção e, também na tentativa de se prever o comportamento de ondas geradas por vento em um reservatório formado pela construção de uma usina hidroelétrica. O porto em estudo foi o de Sines que se situa a sudoeste da Europa, na costa oeste de Portugal, a 58 milhas náuticas a sul de Lisboa. Já, para o caso de ondas em lagos, o mesmo se trata do lago formado pela construção da Usina Hidroelétrica de Ilha Solteira, situado a noroeste do Estado de São Paulo – Brasil. Para o caso de estudo relativo ao porto de Sines, o treinamento desta rede neural é efetuado com dados de medição de boia-ondógrafo ao largo do porto e ainda, comparados com resultados do modelo numérico de propagação de ... / The risks associated to coastal and harbor zones are one of the main concerns in planning and managing these zones. Some examples can be mentioned such as: instability of maritime structures, wave overtopping, flooding, coastal erosion and unsafe navigation. Furthermore, there are the risks associated to dam reservoirs and their multiple uses, as for example those reservoirs that are used as waterways, as well as being commercial and navigation routes. These are some of the justifications to develop methodologies capable of evaluating the risk in this kind of situations. This work is concerned with the development and application of a Fuzzy ARTMAP artificial neural network to forecast some phenomena of free surface and of wave-structure interaction, such as: sea wave conditions, wave behavior in dam lakes and wave overtopping. The neural network pertains to the ART (Adaptive Resonance Theory) family and is developed and used to forecast the wave conditions outside and inside a port, the wave overtopping at a cross-section of the port protection breakwater, and also the wind waves generated in an hydroelectric dam reservoir. The studied port is the Sines port, located at south west Europe, west coast of Portugal, 58 nautical miles south of Lisbon. The hydroelectric reservoir is the Ilha Solteira lake, located north west of the State of São Paulo, Brazil. Considering the Sines port, the neural network training for forecasting wave conditions is performed with data measured by a wave buoy positioned offshore the port, and also with numerical model results of wave propagation at the entrance of the port (SWAN model) and inside the port (DREAMS model). The wave conditions inside the port predicted by the new tool are compared with some field data. The neural network training for forecasting wave overtopping at the breakwater is performed with data obtained from a two-dimensional physical model developed at the National Laboratory for Civil ...

Made available in DSpace on 2014-11-10T11:09:49Z (GMT). No. of bitstreams: 0 Previous issue date: 2013-09-02Bitstream added on 2014-11-10T11:57:57Z : No. of bitstreams: 1 000793214.pdf: 3440329 bytes, checksum: a1f2782e77d62d5a88db6f0fc87f53e8 (MD5) / Após a reestruturação da indústria de eletricidade, a energia elétrica tornou-se uma mercadoria que pode ser comprada e vendida nos mercados de eletricidade. Dentro deste contexto, novas ferramentas para previsão de cargas e preços de eletricidade ainda são objetos de estudo. Redes Neurais Artificiais são bastante usadas para previsão de preços juntamente com outras técnicas estatísticas. Nesta pesquisa apresenta-se um método para a previsão de preço do dia seguinte, usando uma Rede Neural de Regressão Generalizada (GRNN) e Perceptron Multicamadas (MLP) com algoritmo de treinamento Levenberg – Marquardt. Os preços nodais são determinados resolvendo um DC-OPF (fluxo de potência ótimo), gerando os preços para todas as barras do sistema elétrico, denominado Locational Marginal Prices (LMP). Para treinar a rede neural, foram gerados vários cenários carga-preço e variando aleatoriamente a carga em cada barra do sistema elétrico. Os resultados são analisados através do erro percentual médio absoluto, uma medida muito comum encontrada na literatura. Os resultados foram comparados com literatura especializada com o caso base bem como com o Erro Máximo que varia de 3% a 8 %. Os resultados obtidos foram satisfatórios, dentro das margens encontradas na literatura, conforme apresentado na seção de resultados. A presente proposta foi aplicada no sistema teste IEEE 24- RTS. / After the electricity industry restructuring, electric energy has become a commodity that can be bought or sold in electricity markets. Within this context, new tools to predict loads and electricity prices are yet to be devised. Neural networks have been typically used for price forecasting, among other statistical-based techniques. This work presents a method for day-ahead price forecasting using a generalized regression neural network where nodal prices are determined by solving a DC optimal power flow. In order to train the neural network several load-price scenarios are generated by randomly varying the loads in each bus of the electric energy system. The results are validated by analyzing the mean absolute percentage error, a common measure adopted in the technical literature as well as the base case and the maximum error which are within those found in the literature. The proposed methodology has been successfully applied to the IEEE 24-RTS system.