Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/69605
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorLeão, Ruth Pastôra Saraiva-
dc.contributor.authorBezerra, Erick Costa-
dc.date.accessioned2022-11-30T14:26:02Z-
dc.date.available2022-11-30T14:26:02Z-
dc.date.issued2022-05-05-
dc.identifier.citationBEZERRA, E.C. Abordagem auto-adaptativa baseada no conceito de expectativa de vida aplicada aos métodos Particle Swarm Optimization e máquinas kernel para previsão da velocidade do vento e geração eólica. 2022. 135 f. Tese (Doutorado em Engenharia Elétrica) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2022.pt_BR
dc.identifier.urihttp://www.repositorio.ufc.br/handle/riufc/69605-
dc.description.abstractThe increase of wind power generation has presented challenges to the electrical networks, requiring a decision-making tool capable of dealing with its intermittence. For this purpose, a self-adaptive approach based on the concept of life expectancy is introduced. The concept of life expectancy is applied to the PSO which is used for training a neural network and compared with other training tools. Then, it is adapted to kernel machines through an auto-adaptative multiple kernel learning algorithm, which is successfully used to produce very short-term wind power forecasts at eight wind farms in Australia. The proposed method is based on a competitive tracking method, and the algorithm deals with some common difficulties of PSO and kernel methods, e.g., local optima clustering and the increasing kernel matrix size associated with time and memory complexities and the overfitting problem. The proposed method always considers the new information received by the model, thus identifying changes in the time series, avoiding abrupt loss of information and maintaining a controlled number of examples, since there is an adaptive selection of particles and active kernels. As a result, reducing the probability of overfitting in both applications, and working with the smallest dictionary possible when compared to others kernel machines. The new method, compared to others, such as backpropagation, DE, an online version of the extreme learning machine, persistence and different kernel machines, obtains lowest errors and a reduction on execution time in general.pt_BR
dc.language.isopt_BRpt_BR
dc.subjectPrevisão de ventospt_BR
dc.subjectEnergia eólicapt_BR
dc.subjectVelocidade dos ventospt_BR
dc.subjectParques eólicospt_BR
dc.subjectAprendizado de máquinapt_BR
dc.titleAbordagem auto-adaptativa baseada no conceito de expectativa de vida aplicada aos métodos Particle Swarm Optimization e máquinas kernel para previsão da velocidade do vento e geração eólicapt_BR
dc.typeTesept_BR
dc.contributor.co-advisorBraga, Arthur Plínio de Souza-
dc.description.abstract-ptbrO aumento do uso da geração eólica tem apresentado desafios ao planejamento e operação dos sistemas de potência e mercado de energia, sendo necessária uma ferramenta de auxílio à tomada de decisão capaz de lidar com sua intermitência. Para este propósito, uma abordagem auto-adaptativa baseada no conceito de expectativa de vida é aplicada para previsão de velocidade do vento e potência gerada em parques eólicos. O conceito de expectativa de vida é aplicado inicialmente no particle swarm optimization (PSO) utilizado para o treinamento de uma rede neural, e comparado com outras ferramentas para o treinamento da mesma rede. Em seguida é aplicado em máquinas kernel para definir qual máquina deve ser excluída de um conjunto (challengers), que realizam previsões de geração eólica de curtíssimo prazo em oito parques eólicos na Austrália. O método proposto é baseado em rastreamento competitivo, e o algoritmo lida com algumas dificuldades comuns do PSO e das máquinas kernel, como ótimos locais e o aumento do tamanho da matriz do kernel associado com o tempo e complexidades da memória. O método proposto considera sempre as novas informações recebidas pelo modelo, identificando assim mudanças nas séries temporais, evitando a perda abrupta de informações e mantendo um número controlado de exemplos uma vez que há uma seleção adaptativa das partículas e dos kernels ativos. Como resultado tem-se a redução da probabilidade de overfitting em ambas as aplicações, e no caso das máquinas kernel, o uso de dicionários menores quando comparados aos outros modelos. O uso do erro como indicador de performance apontou que a nova abordagem em ambas as aplicações (PSO e máquinas kernel) produz resultados melhores, além de reduções do custo computacional ao ser comparado com outros algoritmos como o backpropagation, differential evolution (DE), uma versão online do método de máquina de aprendizado extremo, persistência, e diferentes máquinas kernel.pt_BR
Aparece nas coleções:DEEL - Teses defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_tese_ecbezerra.pdf6,59 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.