PPGINF PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO FUNDAÇÃO UNIVERSIDADE FEDERAL DO ABC Telefone/Ramal: Não informado http://propg.ufabc.edu.br/ppginfo

Banca de QUALIFICAÇÃO: DANIEL FREITAS DE JESUS

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : DANIEL FREITAS DE JESUS
DATA : 10/11/2022
HORA: 10:00
LOCAL: https://us02web.zoom.us/j/87878461037?pwd=M0ozMUd5MjRlRldLaGFLYXRpZEY2dz09 ID da reunião: 878 7846 1037 Senha de acesso: 893871
TÍTULO:

Previsão Solar e Eólica com o Uso de Neurônios de Histerese L2P para Smartgrids


PÁGINAS: 70
RESUMO:

Usando uma função de ativação histerética e o modelo de histerese L2P, o estudo atual investiga a previsão de energia intermitente para melhorar as redes neurais. O objetivo deste estudo é demonstrar que as fontes de energia intermitentes têm um alto potencial para substituir as fontes não renováveis. Devido às flutuações de geração, as previsões são necessárias para atender com segurança e eficiência os mercados de oferta e demanda. À medida que redes distribuídas e redes inteligentes se tornam mais importantes no mix global de energia, modelos de previsão devem ser desenvolvidos e a importância da previsão para geração de rede inteligente avaliada. Um estudo prático de histerese revela que sua aplicação reduz erros de MSE, tornando-se uma ferramenta potencialmente útil. Vários fenômenos naturais e biológicos, como redes cerebrais biológicas e desenvolvimento da memória, exibem histerese, de acordo com uma revisão da literatura. Como o modelo utilizado em sua função de ativação é conhecido, os resultados confirmam a importância da predição em um cenário de fonte de alimentação e descrevem a rede neural e os neurônios de histerese L2P. A rede neural possui quatro parâmetros de configuração que podem ser usados para alterar a forma da curva de histerese, permitindo que ela seja mais flexível ao treinar e prever séries não lineares. Os gráficos contrastam três funções de ativação comuns usadas na previsão de séries temporais. Os valores da rede neural no experimento foram menores do que os do Simoid, RELU e Tangente Hiperbólica. No entanto, como há uma compensação de sobrecarga de processamento maior por previsão futura, um número maior de camadas é necessário para aproximar os valores de treinamento. Como a curva foi modelada por dados anteriores da rede neural, a histerese forneceu uma melhor aproximação. Por fim, mais dados de treinamento podem ajudá-lo a ter um desempenho melhor. A retropropagação e a descida do gradiente exigem que a rede atualize seus pesos em resposta aos dados previstos. Usando uma memória de atraso, a curva é atualizada com base no sinal neste método.


MEMBROS DA BANCA:
Presidente - Interno ao Programa - 1205456 - LUIZ ALBERTO LUZ DE ALMEIDA
Membro Titular - Examinador(a) Interno ao Programa - 1669196 - LUIZ HENRIQUE BONANI DO NASCIMENTO
Membro Titular - Examinador(a) Externo à Instituição - OMAR ALEXANDER CHURA VILCANQUI
Membro Suplente - Examinador(a) Interno ao Programa - 1762419 - CARLOS EDUARDO CAPOVILLA
Notícia cadastrada em: 17/10/2022 11:55
SIGAA | UFABC - Núcleo de Tecnologia da Informação - ||||| | Copyright © 2006-2022 - UFRN - sigaa-1.ufabc.int.br.sigaa-1-prod