Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC
URI Permanente para esta coleçãohttps://repositorio.ufpa.br/handle/2011/2317
O Doutorado Acadêmico inicio-se em 1998 e pertence ao Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) do Instituto de Tecnologia (ITEC) da Universidade Federal do Pará (UFPA).
Navegar
Navegando Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC por Orientadores "AFFONSO, Carolina de Mattos"
Agora exibindo 1 - 4 de 4
- Resultados por página
- Opções de Ordenação
Tese Acesso aberto (Open Access) Alocação ótima de geração distribuída em redes de distribuição utilizando algoritmo híbrido baseado em cuckoo search e algoritmo genético(Universidade Federal do Pará, 2018-09-02) OLIVEIRA, Victoria Yukie Matsunaga de; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720Esta tese de doutorado propõe um novo algoritmo Cuckoo Search (CS) chamado Cuckoo-GRN (Cuckoo Search with Genetically Replaced Nests), que incorpora benefícios do algoritmo genético (GA) no algoritmo CS. O método proposto trata os ninhos abandonados do CS de maneira mais eficiente, substituindo-os geneticamente. Isto melhora significativamente o desempenho do algoritmo, estabelecendo o equilíbrio ideal entre a diversificação e a intensificação de busca. O novo algoritmo é utilizado para otimizar a localização e o dimensionamento de unidades de geração distribuída em um sistema de distribuição, a fim de minimizar as perdas de energia ativa, melhorando a estabilidade da tensão do sistema e o perfil de tensão. Alocações de uma ou mais unidades de geração distribuída são consideradas. O algoritmo proposto é extensivamente testado em funções matemáticas de benchmark, bem como nos sistemas de distribuição de 33 e 119 barras. Os resultados da simulação mostram que o Cuckoo-GRN pode levar a uma melhora substancial de desempenho em relação ao algoritmo CS original e a outras técnicas atualmente conhecidas na literatura, não apenas em termos de convergência, mas também de precisão da solução.Tese Acesso aberto (Open Access) Modelo híbrido baseado em séries temporais e redes neurais para previsão da geração de energia eólica(Universidade Federal do Pará, 2018-08-30) ALENCAR, David Barbosa de; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720A geração de energia elétrica através de turbinas eólicas é uma das alternativas praticamente inesgotáveis de geração de energia elétrica. Ela é considerada uma fonte de energia limpa, porém ainda necessita de muita pesquisa para desenvolvimento de ciência e tecnologias que assegurem uma uniformidade na geração, propiciando uma maior participação desta fonte na matriz energética tanto no Brasil quanto no mundo, pois o vento apresenta bruscas variações na velocidade, densidade e em outras variáveis importantes. Nos sistemas elétricos de base eólica, cada horizonte de previsão é aplicado em um determinado segmento específico, previsão de minutos, horas, semanas, meses e anos futuros do comportamento do vento, desta forma pode-se avaliar a disponibilidade de energia para o próximo período, uma informação relevante no despacho das unidades geradoras e no controle do sistema elétrico. Esta tese teve como proposta, desenvolver modelos de previsão a ultra curto, curto, médio e longo prazo da velocidade do vento, baseado em técnicas de inteligência computacional, usando modelos de Redes Neurais Artificiais, SARIMA e modelos híbridos e prever a capacidade da geração de potência para cada horizonte. Para aplicação da metodologia utilizou-se as variáveis meteorológicas do banco de dados do sistema de organização nacional de dados ambientais SONDA, estação de Petrolina, do período de 01 de janeiro de 2004 à 31 de março de 2017. O desempenho dos modelos foi comparado com 5, 10 e 20 passos para frente, considerando minutos, horas, dias, semanas, meses e anos como horizonte de previsão. O modelo hibrido obteve melhor resposta na previsões dentre as quais destacou-se o horizonte de horas.Tese Acesso aberto (Open Access) Previsão multi-passos a frente do preço de energia elétrica de curto prazo no mercado brasileiro(Universidade Federal do Pará, 2014-11-28) RESTON FILHO, José Carlos; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720A predição do preço da energia elétrica é uma questão importante para todos os participantes do mercado, para que decidam as estratégias mais adequadas e estabeleçam os contratos bilaterais que maximizem seus lucros e minimizem os seus riscos. O preço da energia tipicamente exibe sazonalidade, alta volatilidade e picos. Além disso, o preço da energia é influenciado por muitos fatores, tais como: demanda de energia, clima e preço de combustíveis. Este trabalho propõe uma nova abordagem híbrida para a predição de preços de energia no mercado de curto prazo. Tal abordagem combina os filtros autorregressivos integrados de médias móveis (ARIMA) e modelos de Redes Neurais (RNA) numa estrutura em cascata e utiliza variáveis explanatórias. Um processo em dois passos é aplicado. Na primeira etapa, as variáveis explanatórias são preditas. Na segunda etapa, os preços de energia são preditos usando os valores futuros das variáveis exploratórias. O modelo proposto considera uma predição de 12 passos (semanas) a frente e é aplicada ao mercado brasileiro, que possui características únicas de comportamento e adota o despacho centralizado baseado em custo. Os resultados mostram uma boa capacidade de predição de picos de preço e uma exatidão satisfatória de acordo com as medidas de erro e testes de perda de cauda quando comparado com técnicas tradicionais. Em caráter complementar, é proposto um modelo classificador composto de árvores de decisão e RNA, com objetivo de explicitar as regras de formação de preços e, em conjunto com o modelo preditor, atuar como uma ferramenta atrativa para mitigar os riscos da comercialização de energia.Tese Acesso aberto (Open Access) Uma nova variante de stacking ensemble baseada em aprendizagem de máquina para previsão da velocidade do vento(Universidade Federal do Pará, 2025-09-26) FONSECA, Sebastião Borges; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; https://orcid.org/0000-0002-6640-3182; AFFONSO, Carolina de Mattos; http://lattes.cnpq.br/2228901515752720; https://orcid.org/0000-0002-7284-7679; OLIVEIRA, Leonardo Willer de; SARAIVA, Filipe de Oliveira; ARAÚJO, Jasmine Priscyla Leite de; http://lattes.cnpq.br/9223644407644508; http://lattes.cnpq.br/5883877669437870; http://lattes.cnpq.br/4001747699670004; https://orcid.org/0000-0001-9542-8357; https://orcid.org/0000-0003-3187-4221; https://orcid.org/0000-0003-3514-0401A geração de energia eólica apresentou expressivo crescimento nos últimos anos, tornando as ferramentas de previsão da velocidade do vento um elemento essencial para ampliar a integração de fontes renováveis ao sistema elétrico. Este trabalho propõe uma nova variante de Stacking, denominada Data Stacking, baseada em algoritmos de Aprendizado de Máquina para previsão da velocidade do vento. O modelo combina simultaneamente os dados originais de entrada e as previsões geradas pelos aprendizes de base, produzindo estimativas finais mais precisas. A metodologia foi validada por meio de duas bases: um conjunto de dados de referência internacional (KOSPI) e uma base de dados de velocidade do vento de uma cidade brasileira, composta por diversas variáveis meteorológicas. O processo incluiu pré-processamento, seleção de atributos e avaliação em diferentes horizontes de previsão, utilizando múltiplas medidas de erro. Os resultados demonstraram que o Data Stacking apresentou desempenho superior em relação a algoritmos individuais e a ensembles tradicionais, como Stacking e Multi-level Stacking. Para a base de vento brasileira, o modelo obteve erro absoluto médio (MAE) de 0,4855 e raiz do erro quadrático normalizado (nRMSE) de 0,2389, com reduções de erro variando de 0,7% a 4,4% em relação ao Stacking, dependendo dos algoritmos base. Observou-se que o Data Stacking é capaz de alcançar bons resultados mesmo quando utiliza algoritmos de base com baixo desempenho, evidenciando sua robustez.