Notícias

Banca de DEFESA: DOUGLAS ROBERTO FERNANDES DAMASCENO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DOUGLAS ROBERTO FERNANDES DAMASCENO
DATA: 04/04/2023
HORA: 14:00
LOCAL: Virtual
TÍTULO:

Classificadores não intrusivos de cargas elétricas industriais utilizando técnicas de inteligência computacional


PALAVRAS-CHAVES:
Monitoramento de carga não intrusivo. Perceptron de multicamadas. Máquinas de vetor de suporte. Algoritmos de otimização. Métodos de clusterização Fuzzy.

PÁGINAS: 154
GRANDE ÁREA: Engenharias
ÁREA: Engenharia Elétrica
SUBÁREA: Eletrônica Industrial, Sistemas e Controles Eletrônicos
ESPECIALIDADE: Automação Eletrônica de Processos Elétricos e Industriais
RESUMO:
Monitoramento de cargas elétricas tornou-se uma tarefa importante para gestão de energia, considerando a economia recente e tendências ecológicas. A partir do monitoramento de cargas de um determinado local, é possível planejar medidas técnicas para minimizar o consumo de energia. Este trabalho apresenta um método de identificação automática de cinco cargas industriais de uma linha de produção, sendo: uma prensa válvula, uma dosadora de óleo, um teste de tração, um dinamômetro e uma roladora. Para coleta dos dados de treinamento dos classificadores propostos, as cargas foram acionadas individualmente e os dados do sinal da corrente elétrica foram obtidos por meio da técnica de Monitoramento de carga não intrusivo (Non-intrusive Load Monitoring, NILM). Como métodos de classificação, foram implementados os seguintes algoritmos de aprendizagem de
máquina: Redes Neurais Artificiais (RNA) do tipo Perceptron de multicamadas (Multilayer Perceptron, MLP) as máquinas de vetor de suporte (Support Vector Machines, SVMs) e também os métodos de clusterização fuzzy K-Means (KM), Fuzzy C-Means (FCM) e Gustafson-Kessel (GK). Com a finalidade de se obter os principais parâmetros do MLP e das SVMs, aplicou-se três técnicas de otimização, sendo a otimização de enxame de partículas (Particle Swarm Optimization, PSO), evolução diferencial (Differencial Evolution, DE) e o otimizador lobo cinzento (Grey Wolf Optimizer, GWO). Já nos métodos de clusterização, para determinar o número eficiente de clusters, utilizou-se os índices de validação Xie-Beni criterion (XB), Classification Entropy (CE), Partition Index (SC) e Dunn’s Index (DI) para
cada método proposto. O melhor classificador obtido, comparando-se os classificadores MLP e as SVMs, foi o MLP-PSO o qual apresentou entre as principais métricas de desempenho a precisão de 0,9556, F1-score de 0,9478, acurácia de 0,9474 e o coeficiente Kappa de 0,9345 demonstrando a eficácia do classificador. Em relação aos métodos de clusterização, destacou-se o GK, o qual apresentou precisão de 0,8472, acurácia 0,8378, F1-score 0,8398 e coeficiente Kappa 0,7991, sendo estes valores abaixo do esperado, e portanto não sendo aplicável para classificação das cargas.

MEMBROS DA BANCA:
Interno - BRUNO HENRIQUE GROENNER BARBOSA (Suplente)
Interno - DANTON DIEGO FERREIRA (Membro)
Externo à Instituição - LANE MARIA RABELO BACCARINI - UFSJ (Membro)
Externo à Instituição - PAULO CEZAR MONTEIRO LAMIN - UFSJ (Suplente)
Presidente - WILIAN SOARES LACERDA (Membro)
Notícia cadastrada em: 24/03/2023 14:57
SIGAA | DGTI - Diretoria de Gestão de Tecnologia da Informação - Contatos (abre nova janela): https://ufla.br/contato | © UFLA | appserver2.srv2inst1 16/05/2024 13:28