[pt] Estudos empíricos na área de séries temporais indicam que combinar modelos preditivos, originados a partir de diferentes técnicas de modelagem, levam a previsões consensuais superiores, em termos de acurácia, às previsões individuais dos modelos envolvidos na combinação. No presente trabalho é apresentada uma metodologia de combinação convexa de modelos estatísticos de previsão, cujo sucesso depende da forma como os pesos de combinação de cada modelo são estimados. Uma Rede Neural Artificial Perceptron Multi-camada (Multilayer Perceptron - MLP) é utilizada para gerar dinamicamente vetores de pesos ao longo do horizonte de previsão, sendo estes dependentes da contribuição individual de cada previsor observada nos dados históricos da série. O ajuste dos parâmetros da rede MLP é efetuado através de um algoritmo de treinamento híbrido, que integra técnicas de busca global, baseadas em computação evolucionária, junto com o algoritmo de busca local backpropagation, de modo a otimizar de forma simultânea tanto os pesos quanto a arquitetura da rede, visando, assim, a gerar de forma automática um modelo de ponderação dinâmica de previsores de alto desempenho. O modelo proposto, batizado de Neural Expert Weighting - Genetic Algorithm (NEW-GA), foi avaliado em diversos experimentos comparativos com outros modelos de ponderação de previsores, assim como também com os modelos individuais envolvidos na combinação, contemplando 15 séries temporais divididas em dois estudos de casos: séries de derivados de petróleo e séries da versão reduzida da competição NN3, uma competição entre metodologias de previsão, com maior ênfase nos modelos baseados em Redes Neurais. Os resultados demonstraram o potencial do NEWGA em fornecer modelos acurados de previsão de séries temporais. / [en] Empirical studies on time series indicate that the combination of forecasting models, generated from different modeling techniques, leads to higher consen+sus forecasts, in terms of accuracy, than the forecasts of individual models involved in the combination scheme. In this work, we present a methodology for convex combination of statistical forecasting models, whose success depends on how the combination weights of each model are estimated. An Artificial Neural Network Multilayer Perceptron (MLP) is used to generate dynamically weighting vectors over the forecast horizon, being dependent on the individual contribution of each forecaster observed over historical data series. The MLP network parameters are adjusted via a hybrid training algorithm that integrates global search techniques, based on evolutionary computation, along with the local search algorithm backpropagation, in order to optimize simultaneously both weights and network architecture. This approach aims to automatically generate a dynamic weighted forecast aggregation model with high performance. The proposed model, called Neural Expert Weighting - Genetic Algorithm (NEW-GA), was com- pared with other forecaster combination models, as well as with the individual models involved in the combination scheme, comprising 15 time series divided into two case studies: Petroleum Products and the reduced set of NN3 forecasting competition, a competition between forecasting methodologies, with greater emphasis on models based on neural networks. The results obtained demonstrated the potential of NEW-GA in providing accurate models for time series forecasting.

Made available in DSpace on 2015-03-05T13:58:27Z (GMT). No. of bitstreams: 0 Previous issue date: 10 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / O objetivo desta dissertação é propor, testar e avaliar o uso de técnicas de Aprendizado de Máquina (ML) na configuração automática do controle do caminhar de robôs com pernas. Para que este objetivo fosse atingido, um extensa pesquisa de técnicas do estado da arte foi realizada e descrita neste trabalho. Esta pesquisa permitiu a elaboração do modelo proposto, chamado de LegGen, que foi implementado em um protótipo. O protótipo modelo em questão permite a utilização de vários tipos de robôs, compostos de quatro, seis ou mais patas, e além disto permite a evolução da morfologia dos robôs. Utilizando o protótipo, é possível a realização de experimentos com robôs autônomos dotados de pernas, em um ambiente virtual tridimensional realístico, através de simulações baseadas em física. Foi utilizada a biblioteca ODE (Open Dynamics Engine) para a simulação de corpos rígidos e articulações, permitindo assim simular forças agindo nas articulações (atuadores), gravidade e colisões, entre outras propriedades físicas dos / The main goal of this dissertation is to propose, to test and to evaluate the use of Machine Learning (ML) techniques in the automatic con_guration of the gait control in legged robots. In order to achieve this goal, an extensive research about state-of-the-art techniques was accomplished and they are described in this work. This research allowed the development of the proposed model, called LegGen, which was implemented in a prototype. The proposed model allows the use of several different robot models with four, six or more paws. Besides that, the prototype allows also to study the robot's morphology evolution. The implemented prototype allows to accomplish experiments with autonomous legged robots, in a realistic three-dimensional virtual environment, through physics based simulations. The ODE (Open Dynamics Engine) software library was used in the physical simulation of rigid bodies and articulations, allowing to simulate forces acting in the articulations (actuators), gravity and collisions, among other

A family of Natural Language Processing (NLP) tasks such as part-of- speech (PoS) tagging, Named Entity Recognition (NER), and Multiword Expression (MWE) identification all involve assigning labels to sequences of words in text (sequence labeling). Most modern machine learning approaches to sequence labeling utilize word embeddings, learned representations of text, in which words with similar meanings have similar representations. Quite recently, contextualized word embeddings have garnered much attention because, unlike pretrained context- insensitive embeddings such as word2vec, they are able to capture word meaning in context. In this thesis, I evaluate the performance of different embedding setups (context-sensitive, context-insensitive word, as well as task-specific word, character, lemma, and PoS) on the three abovementioned sequence labeling tasks using a deep learning model (BiLSTM) and Portuguese datasets. v

[pt] A humanidade está vivenciando a Quarta Revolução Industrial, caracterizada pela implementação global da internet, utilização de inteligência artificial e automatização dos processos. Este último é de grande importância para indústria química, uma vez que seu desenvolvimento possibilitou um aumento significativo da quantidade de dados armazenados diariamente, o que gerou uma demanda para análise desses dados. Este enorme fluxo de informações tornou o sistema cada vez mais complexo com uma aleatoriedade de falhas no processo que se identificadas poderiam ajudar a melhorar o processo e evitar acidentes. Uma solução ainda pouco comum na indústria, porém com grande potencial para identificar estas falhas de processo com excelência, é a emergente inteligência artificial. Para lidar com esta questão, o presente trabalho realiza a detecção e identificação de falhas em processos industriais através da modelagem de redes neurais artificias. O banco de dados foi obtido através do uso do benchmark de processo Tennessee Eastman, implementado no Software Matlab 2017b, o qual foi projetado para simular uma planta química completa. A enorme quantidade de dados gerados pelo processo tornou possível a simulação em um contexto de Big Data. Para modelagem dos dados, foram tanto aplicadas redes neurais tradicionais feedforward, quanto redes recorrentes: Rede de Elman e Echo State Network. Os resultados apontaram que as redes feedforward e de Elman obtiveram melhores desempenhos analisados pelo coeficiente de determinação (R2). Assim, o primeiro modelo obteve melhor topologia com 37x60x70x1, algoritmo de treinamento trainlm, funções de ativação tansig para as duas camadas intermediárias e camada de saída ativada pela purelin com R2 de 88,69 por cento. O modelo da rede de Elman apresentou sua melhor topologia com 37x45x55x1, algoritmo de treinamento trainlm, funções de ativação tansig para as duas camadas intermediárias e camada de saída ativada pela função purelin com R2 de 83,63 por cento. Foi concluido que as redes analisadas podem ser usadas em controle preditivo de falhas em processos industriais, podendo ser aplicadas em plantas químicas no futuro. / [en] Humanity is experiencing the 4th Industrial Revolution, characterized by the global implementation of the internet, use of artificial intelligence and automation of processes. The last one is of great importance for the chemical industry, since its development allowed a significant increase in the amount of data stored daily, which generated a demand for the analysis of this data. This enormous flow of information made the system more and more complex with a randomness of process faults that if identified could help improve the process and prevent accidents. A solution not yet common in industry, but with great potential to identify these process faults with excellence, is the emergent artificial intelligence. To deal with this issue, the present work performs fault detection and diagnosis in industrial processes through artificial neural networks modeling. The database was obtained using the benchmark of processes Tennessee Eastman, implemented in Matlab 2017b Software, which is designed to simulate a complete chemical plant. The huge amount of data generated by the process made it possible to simulate in a Big Data context. For data modeling, were applied both traditional feedforward neural networks as well as recurrent networks: Elman Network and Echo State Network. The results indicated that the feedforward and Elman networks obtained better performances analyzed by the determination coefficient (R2). Thus, the first model obtained the best topology with 37x60x70x1, trainlm as training algorithm, tansig as activation functions for the two intermediate layers and output layer activated by the purelin function with R2 of 88.69 percent. The Elman network model presented its best topology with 37x45x55x1, trainlm as training algorithm, tansig as activation functions for the two intermediate layers and output layer activated by purelin function with R2 of 83.63 percent. It was concluded that the analyzed networks can be used in predictive control of fault in industrial processes and can be applied in chemical plants in the future.

Made available in DSpace on 2017-07-24T19:38:08Z (GMT). No. of bitstreams: 1 CLAUDIO KAPP JUNIOR.pdf: 1815678 bytes, checksum: d0a947fefc0e6b1b5a0242eb975f3cb7 (MD5) Previous issue date: 2013-03-08 / No-till systems with diversified crop rotations have stood out of the most effective strategies to improve the sustainability of farming in tropical and subtropical regions. Wheat (Triticum aestivum L.) is one of the most important crops used in this rotation during the autumn-winter season. Nitrogen (N) is uptake in larger amounts by plants, it is essential for the structure and functions in the cell, for all enzymatic reactions and is part of the chlorophyll molecules. Nitrogen fertilizers represent a significant part of the costs of production and due to the dynamics of N in soil, losses of N occur and cause economic and environmental damages. In the same agricultural area may exist changing demands for this nutrient. The attributes of the plant commonly used as indicators of N are NO3- content in stem, leaf chlorophyll content, the intensity of the green color and the N foliar content, dry biomass, and the extraction of N by plants. Lower levels of N can cause chlorophyll deficiency that is recognized by whitish or pale foliar coloration, and this changing in plant color can be identified using remote sensing techniques. This study aimed to evaluate the correlations between spectral reflectance data obtained by commercial ground sensors (Clorofilog 1030, GreenSeeker, and Crop Circle ACS-470) and attributes of wheat crop in response to N rates in top dressing under a no-till system. The efficiency of the sensors was evaluated in two ways: (i) by classical statistical methods, and (ii) through the application of Artificial Neural Networks, a machine learning technique. For the use of Artificial Neural Networks, this study compared the performance of the algorithms Resilient Propagation and Backpropagation. Because wheat plants exhibited adequate nutritional status, even without N application in top dressing, Clorofilog 1030 readings were not sensitive to variations of N rates. Thus, this sensor also did not correlate significantly with the N foliar content, dry biomass, and the extraction of N by wheat plants. The indices obtained by reflectance sensors Crop Circle and GreenSeeker had close correlation with the rates of N in top dressing, dry biomass, and the extraction of N by wheat plants. The Crop Circle and GreenSeeker sensors showed weaker correlation with the N content in leaves, and especially with the wheat grain yield. In this way, it was evident that grain yield has not followed the dry biomass production when high wheat grain yields were obtained. The correlation coefficients obtained by the Resilient Propagation and Backpropagation algorithms were similar to those found by statistical analysis. The Artificial Neural Networks technique had satisfactory behavior similar to classical statistical methods. / O sistema plantio direto com rotação diversificada de culturas tem sido apontado como uma das melhores estratégias para aumentar a sustentabilidade da agricultura em regiões tropicais e subtropicais. Uma das culturas de maior importância nessa rotação durante a estação de outono–inverno é o trigo (Triticum aestivum L.). O nitrogênio (N) é um dos nutrientes extraídos em maior quantidade pelas plantas, sendo essencial para a estrutura e funções nas células, para todas as reações enzimáticas e faz parte das moléculas de clorofila. Os fertilizantes nitrogenados representam parte significativa dos custos da produção agrícola e, em razão da dinâmica do N no solo, perdas consideráveis de N podem ocorrer e causar prejuízos econômicos e ambientais. Em uma mesma área agrícola podem existir demandas variáveis por este nutriente. Os atributos da planta mais utilizados como indicadores de N são o teor de NO3- no colmo, o teor de clorofila, a intensidade da cor verde e o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas. Níveis baixos de N podem ocasionar deficiência de clorofila que é reconhecida pela coloração pálida ou mesmo esbranquiçada da folha, e esta variação de coloração da planta pode ser identificada por meio de técnicas de sensoriamento remoto. Este trabalho teve o objetivo de estudar as correlações entre dados de refletância espectral obtidos por sensores terrestres comerciais (Clorofilog 1030, GreenSeeker e Crop Circle ACS-470) e atributos de desempenho da cultura do trigo em resposta à doses de N aplicadas em cobertura no sistema plantio direto. A eficiência dos sensores foi avaliada de duas maneiras: (i) por meio de métodos estatísticos clássicos e (ii) por meio da aplicação de Redes Neurais Artificiais com uso da técnica de aprendizado de máquina, software MatLab. Para a utilização de Redes Neurais Artificiais, este trabalho comparou o desempenho dos algoritmos Backpropagation e Resilient Propagation. Os resultados mostraram que as leituras do Clorofilog 1030 não foram sensíveis às variações das doses de N aplicadas em cobertura na cultura do trigo, pois as plantas de trigo apresentaram bom estado nutricional, mesmo sem aplicação de N em cobertura. Logo, este sensor também não teve correlação significativa com o teor de N na folha bandeira, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os índices obtidos pelos sensores de refletância Crop Circle e GreenSeeker tiveram estreita correlação com as doses de N aplicadas em cobertura, a produção de matéria seca da parte aérea e a extração de N pelas plantas de trigo. Os sensores Crop Circle e GreenSeeker apresentaram correlação mais fraca com o teor de N no tecido foliar e, principalmente, com a produtividade de grãos de trigo. Isso aconteceu porque ficou bem evidenciado que a produtividade de grãos não acompanhou os ganhos de matéria seca da parte aérea do trigo, quando os rendimentos de grãos de trigo foram elevados. Os coeficientes de correlação obtidos pelos algoritmos Backpropagation e Resilient Propagation foram semelhantes aos encontrados pelas análises estatísticas. A técnica de Redes Neurais Artificiais teve comportamento satisfatório e similar aos métodos estatísticos clássicos.

[pt] Sensores capazes de detectar campos magnéticos são largamente aplicados nas mais variadas áreas da engenharia. Um magnetômetro é um dispositivo que, baseado na utilização de um sensor magnético, é capaz de medir a magnitude e/ou direção de um campo magnético. Magnetômetros GMI são transdutores magnéticos cujos elementos sensores se baseiam no efeito da Magnetoimpedância Gigante (Giant Magnetoimpedance - GMI) que se caracteriza pela grande variação da impedância (módulo e fase) de uma amostra de material ferromagnético quando submetida a um campo magnético externo. A sensibilidade dos transdutores magnéticos está diretamente associada à sensibilidade de seus elementos sensores. No caso de amostras GMI, a sensibilidade é afetada por diversos parâmetros, e essa dependência ainda não é bem modelada quantitativamente. Esta dissertação apresenta um modelo computacional baseado em Redes Neurais MLP e em Algoritmos Genéticos que determina a sensibilidade ótima da fase da impedância do efeito GMI em função do campo magnético externo, para ligas ferromagnéticas amorfas de composição Co70 Fe5 Si15 B10, a partir dos seguintes parâmetros que as afetam: comprimento das amostras, nível CC e frequência da corrente de excitação além do campo magnético externo. / [en] Sensors capable of detecting magnetic fields are widely applied in many areas of engineering. A magnetometer is a device that based on the use of a magnetic sensor is capable of measuring the magnitude and direction of a magnetic field. Magnetometers GMI are magnetic transducers which sensors elements are based on the Giant Magnetoimpedance effect (Giant Magnetoimpedance - GMI) that is characterized by large variation of the impedance (magnitude and phase) of a sample of ferromagnetic material when subjected to an external magnetic field. The magnetic transducers sensitivity is directly affected by the sensitivity of its sensor elements. In the case of GMI samples, the sensitivity is affected by several parameters, and this dependence is not well modeled quantitatively. This dissertation presents a computational model based on feedforward Multilayer Perceptron Neural Networks and Genetic Algorithms that determines the optimal impedance phase sensitivity of the GMI effect, as functions of the magnetic field, for Co70 Fe5 Si15 B10 ferromagnetic amorphous alloys, The proposed model is based on some of the main parameters that affect it: length of the samples, DC level and frequency of the excitation current and the external magnetic field.

Neste trabalho, um novo enfoque para detecção e diagnóstico de falhas (DDF) em robôs manipuladores é apresentado. Um robô com falhas pode causar sérios danos e pode colocar em risco o pessoal presente no ambiente de trabalho. Geralmente, os pesquisadores têm proposto esquemas de DDF baseados no modelo matemático do sistema. Contudo, erros de modelagem podem ocultar os efeitos das falhas e podem ser uma fonte de alarmes falsos. Aqui, duas redes neurais artificiais são utilizadas em um sistema de DDF para robôs manipuladores. Um perceptron multicamadas treinado por retropropagação do erro é usado para reproduzir o comportamento dinâmico do manipulador. As saídas do perceptron são comparadas com as variáveis medidas, gerando o vetor de resíduos. Em seguida, uma rede com função de base radial é usada para classificar os resíduos, gerando a isolação das falhas. Quatro algoritmos diferentes são empregados para treinar esta rede. O primeiro utiliza regularização para reduzir a flexibilidade do modelo. O segundo emprega regularização também, mas ao invés de um único termo de penalidade, cada unidade radial tem um regularização individual. O terceiro algoritmo emprega seleção de subconjuntos para selecionar as unidades radiais a partir dos padrões de treinamento. O quarto emprega o mapa auto-organizável de Kohonen para fixar os centros das unidades radiais próximos aos centros dos aglomerados de padrões. Simulações usando um manipulador com dois graus de liberdade e um Puma 560 são apresentadas, demostrando que o sistema consegue detectar e diagnosticar corretamente falhas que ocorrem em conjuntos de padrões não-treinados. / In this work, a new approach for fault detection and diagnosis in robotic manipulators is presented. A faulty robot could cause serious damages and put in risk the people involved. Usually, researchers have proposed fault detection and diagnosis schemes based on the mathematical model of the system. However, modeling errors could obscure the fault effects and could be a false alarm source. In this work, two artificial neural networks are employed in a fault detection and diagnosis system to robotic manipulators. A multilayer perceptron trained with backpropagation algorithm is employed to reproduce the robotic manipulator dynamical behavior. The perceptron outputs are compared with the real measurements, generating the residual vector. A radial basis function network is utilized to classify the residual vector, generating the fault isolation. Four different algorithms have been employed to train this network. The first utilizes regularization to reduce the flexibility of the model. The second employs regularization too, but instead of only one penalty term, each radial unit has a individual penalty term. The third employs subset selection to choose the radial units from the training patterns. The forth algorithm employs the Kohonen’s self-organizing map to fix the radial unit center near to the cluster centers. Simulations employing a two link manipulator and a Puma 560 manipulator are presented, demonstrating that the system can detect and isolate correctly faults that occur in nontrained pattern sets.

Este trabalho propôs o desenvolvimento e a avaliação de uma metodologia com o propósito de identificar anomalias em redes de comunicação Profinet, muito utilizadas na automação de plantas industriais. A metodologia desenvolvida está fundamentada na análise das características de comunicação do protocolo Profinet e na identificação e classificação de padrões, sendo esta, uma das principais aplicações do uso de Redes Neurais Artificiais (RNA). As anomalias são identificadas por meio da análise do tráfego de rede Profinet em sua fase de operação. Tais anomalias podem ser desde defeitos comuns apresentados pelos equipamentos da rede e/ou tentativas de ataques a esta, que por sua vez, podem gerar instabilidade e mau funcionamento da unidade industrial que fazem parte. Para o desenvolvimento deste trabalho foram apresentados: o detalhamento do protocolo Profinet, os mecanismos de segurança mais utilizados atualmente, os tipos de sistemas de detecção de anomalias existentes e os principais tipos de ataques em redes de comunicação conhecidos na literatura. Alguns ensaios para a validação da metodologia foram realizados, utilizando-se uma infraestrutura de rede instalada em laboratório. Ensaios com diferentes tipos de equipamentos interligados em rede foram realizados e os resultados apresentados. Como resultado final, demonstrou-se que a metodologia utilizada obteve êxito na identificação da presença ou ausência de anomalias na rede, sendo que os resultados obtidos podem ser considerados satisfatórios e condizentes às expectativas desta dissertação. Concluiu-se então que a metodologia apresentada é factível e aplicável no meio industrial, podendo ser incorporada a uma ferramenta mais abrangente, como os analisadores de redes Profinet. / This work proposed the development and evaluation of a methodology in order to identify anomalies in Profinet communication networks, widely used in the automation of industrial plants. The methodology is based on an analysis of the communication features of the Profinet protocol and identifying and pattern classification, which is one of the main applications of the use of Artificial Neural Networks (ANN). The anomalies are identified by analyzing the Profinet network traffic in its operation phase. Such anomalies can be provided by common defects in equipment in the network and / or attempted attacks to this, which in turn can cause instability and malfunction of the plant forming part. In development of this work were presented: the details of the Profinet protocol, the security mechanisms most widely used, the types of anomalies detection systems and the main types of attacks on communication networks known in the literature. Some assays to validate the method were performed, using a network infrastructure installed in the laboratory. Tests with different types of networked equipment were performed and the results presented. The final result showed that the methodology was successful in identifying the presence or absence of anomalies in the network, and the obtained results can be considered satisfactory and consistent with expectations of this paper. It was therefore concluded that this methodology is feasible and applicable in industrial environment and can be incorporated into a more comprehensive tool, such as analyzers Profinet networks.

Nos últimos anos, as redes de comunicação móveis se tornaram de fundamental importância para a infraestrutura dos sistemas de comunicação. Uma das áreas de maior crescimento é a computação móvel. Realizada através de sinais de rádio, a quantidade de canais disponíveis raramente é suficiente para atender a crescente demanda. Este trabalho apresenta uma solução para a questão da alocação de canais, um tópico desafiador dentro da área de redes móveis. A implementação de alocação dinâmica com uso de técnicas computacionais clássicas melhora a utilização dos recursos disponíveis,mas necessita de ajustes periódicos para se adequar a novos cenários. Para a construção de um sistema mais flexível e adaptável, a abordagem escolhida utiliza técnicas de Inteligência Artificial. O modelo proposto combina Teoria Nebulosa, Redes Neurais Artificiais e Sistemas Multi-Agentes. As características de cada técnica foram analisadas e identificamos as partes do sistema que poderiam ser beneficiadas por cada uma. O sistema é resultado da combinação coordenada das três técnicas, e constitui um método eficiente e flexível para gerenciamento de recursos de rádio. Após o detalhamento do modelo, realizamos uma simulação de uma rede celular com o sistema proposto e seu comportamento é comparado com uma rede de referência, para verificação das diferenças e melhorias alcançadas. Por fim, apresentamos a situação atual da pesquisa e os possíveis caminhos para aprimoramento do sistema. / In the last years, mobile networks became more important for communication systems’ infrastructure. One area of great growth is mobile computation, which is performed through radio signals. The amount of available channels rarely is enough to attend the increasing demand. This work presents a solution for the channel allocation topic, a challenging topic inside mobile networks area. The implementation of dynamic allocation using classic computational techniques improves the use of available resources, but it needs periodic and frequent adjustments for new scenarios. The construction of a more flexible and adaptable system was achieved using Artificial Intelligence techniques. Proposed model combines Fuzzy Logic, Artificial Neural Networks and Multi-Agents Systems. Features of each technique had been analyzed and we identified the system modules which could be benefited by them. The system is the result of coordinated combination of these three techniques, and constitutes an efficient and flexible method for radio resources management. After model detailing, we executed a cellular network simulation using proposed system, and its behavior is compared with a reference network, presenting reached differences and improvements. Finally, we present current situation of this research and possible ways for system improvement.

A utilização de equipamentos digitais e de meios de comunicação de dados, na conexão entre os dispositivos de uma subestação de energia elétrica oportunizam o uso de tecnologias para aprimorar e elevar as potencialidades de controle e supervisão do sistema elétrico de potência. As concessionárias de energia elétrica demandam altos investimentos na construção e implantação de sistemas de supervisão, controle e aquisição de dados. A partir destes sistemas é possível visualizar em um mapa da rede elétrica, os pontos de instalação dos relés e os status do seu funcionamento, possibilitando a concretização de um diagnóstico e o controle destes equipamentos. A World Wide Web se tornou um meio conveniente para acesso às informações devido ao fato dos browsers serem capazes de integrar diferentes serviços de rede em uma única e amigável interface com o usuário. A implementação de um sistema de supervisão e controle utilizando tecnologias web gratuitas pode, com custo competitivo, agregar dados que estejam dispostos geograficamente, em uma plataforma computacional ergonômica, coesa e flexível, provendo acesso aos mesmos a partir de qualquer dispositivo conectado a Internet. Como resultado deste trabalho, foi implementado um sistema Web de controle e supervisão de um bay típico de saída de linha com interface simples, geração de relatórios pertinentes e anunciação de eventos. Foi implementado um segundo sistema Web de supervisão de uma lógica de corte e restabelecimento de cargas conhecido como ERAC (Esquema Regional de Alívio de Carga) que, utilizando recursos distribuídos, exibe em uma interface intuitiva as regiões de atuação dos estágios de cortes, anunciando os eventos e gerando relatórios de interesse. Por fim, foi desenvolvido um sistema de aquisição de dados de frequência e tensão de um medidor de qualidade da energia elétrica, construção de gráficos com os dados variantes no tempo, exportação dos dados de acordo com um período selecionado e implementação de uma rede neural perceptron multicamadas Time Delay Neural Network para predição dos valores de frequência futuros. As aplicações de supervisão e controle do sistema elétrico foram desenvolvidas com tecnologias Web e testadas em uma rede Intranet, de forma a avaliar a pertinência da implementação de aplicações para o sistema elétrico de potência, que podem ser acessadas de um browser padrão. Cabe ressaltar que todo sistema desenvolvido foi testado em equipamentos reais que fazem parte de uma estrutura laboratorial disponível, aos alunos de pós-graduação da Universidade de São Paulo, Escola de Engenharia de São Carlos, Laboratório de Sistemas de Energia Elétrica onde duas subestações com relés digitais comerciais são simuladas em bastidores interligados por um backbone de fibra óptica, os quais estão conectados a rede local do laboratório, permitindo o acesso remoto aos equipamentos. Tais sistemas, por estarem em plataforma Web, podem agregar recursos, que estão distribuídos, na construção de interfaces amigáveis e intuitivas, além da disponibilidade de acesso a informação de qualquer ponto conectado à Internet que uma aplicação Web oportuniza. / The use of digital equipment and data communication for the connection of the devices in an electric power substation provides the implementation of new technologies to improve and upgrade the potentialities of control and supervision of an electrical power system. The utilities demand high investments in the establishment and implementation of supervision, control and data acquisition systems. Based on these systems, it is possible to visualize a map of the electrical network, the installation points of digital relays and the status of their functions, making it possible the diagnosis and control of such equipment. The World Wide Web started a convenient access to information due to the friendly interface with the user. The implementation of a supervising and control system using free web technologies can, in a competitive cost, join data which are geographically available to an ergonomic computational platform and also provides access to the users from any device connected to the web. As a result of this work, a supervision Web control System of a typical bay with a simple interface was set up, as well as the development of reports and announcement of events. A second network supervision system for cutting load and for power reestablishment, known as regional load relief scheme, was implemented. Finally, a voltage and frequency data acquisition system from a power quality equipment with time varying graphics was developed as well as a implementation of a multiple neural perception net (Time Delay Neural Network) in order to predict future values of the frequency. The supervision and control applications were developed with web technologies and tested using an intranet in order assure the application on the electrical power system, which can be accessed by a standard browser. It is relevant to mention that the whole system was tested in actual equipment which belongs to a laboratorial structure available to the post graduation students at the University of São Paulo, School of Engineering of São Carlos, Power Systems Laboratory where two substations with commercial digital relays are simulated and interconnected by a fiber optics backbone and also connected to the local laboratory network which allows remote access to the equipment. Such system as set up in a web platform that can add resources which are distributed in the development of a friendly and intuitive interface in addition to the availability of access to the information from any point connected to the web.