Modelos para previsão de carga a curto prazo através de redes neurais artificiais com treinamento baseado na teoria da informação

O conhecimento prévio do valor da carga é de extrema importância para o planejamento e operação dos sistemas de energia elétrica. Este trabalho apresenta os resultados de um estudo investigativo da aplicação de Redes Neurais Artificiais do tipo Perceptron Multicamadas com treinamento baseado na Teoria da Informação para o problema de Previsão de Carga a curto prazo. A aprendizagem baseada na Teoria da Informação se concentra na utilização da quantidade de informação (Entropia) para treinamento de uma rede neural artificial. Dois modelos previsores são apresentados sendo que os mesmos foram desenvolvidos a partir de dados reais fornecidos por uma concessionária de energia. Para comparação e verificação da eficiência dos modelos propostos um terceiro modelo foi também desenvolvido utilizando uma rede neural com treinamento baseado no critério clássico do erro médio quadrático. Os resultados alcançados mostraram a eficiência dos sistemas propostos, que obtiveram melhores resultados de previsão quando comparados ao sistema de previsão baseado na rede treinada pelo critério do MSE e aos sistemas previsores já apresentados na literatura.

Estratégia de otimização para a melhoria da interpretabilidade de redes bayesianas: aplicações em sistemas elétricos de potência

A investigação de métodos, técnicas e ferramentas que possam apoiar os processos decisórios em sistemas elétricos de potência, em seus vários setores, é um tema que tem despertado grande interesse. Esse suporte à decisão pode ser efetivado mediante o emprego de vários tipos de técnicas, com destaque para aquelas baseadas em inteligência computacional, face à grande aderência das mesmas a domínios com incerteza. Nesta tese, são utilizadas as redes Bayesianas para a extração de modelos de conhecimento a partir dos dados oriundos de sistemas elétricos de potência. Além disso, em virtude das demandas destes sistemas e de algumas limitações impostas às inferências em redes bayesianas, é desenvolvido um método original, utilizando algoritmos genéticos, capaz de estender o poder de compreensibilidade dos padrões descobertos por essas redes, por meio de um conjunto de procedimentos de inferência em redes bayesianas para a descoberta de cenários que propiciem a obtenção de um valor meta, considerando a incorporação do conhecimento a priori do especialista, a identificação das variáveis mais influentes para obtenção desses cenários e a busca de cenários ótimos que estabeleçam valores, definidos e ponderados pelo usuário/especialista, para mais de uma variável meta.

Fatores envolvidos na natureza e administração de redes sociais de estudantes universitários

No presente estudo investigamos as relações interpessoais humanas. Especificamente buscamos com ele, replicar parcialmente o trabalho de Stiller e Dunbar (2007) usando o mesmo instrumento, porém utilizando outro tipo de amostra. O objetivo principal foi verificar se as redes sociais desses estudantes estão de acordo com a Hipótese do Cérebro Social, segundo a qual seres humanos seriam capazes de manter e administrar um determinado número de relações interpessoais, por volta de 150 pessoas. Encontramos uma média de 52,53 contatos sociais, inferior ao predito pela Hipótese, despendendo com esses cerca de 25% do seu tempo. Houve correlações significativas entre as variáveis Tamanho da rede social, Freqüência, Tempo de contato, Proximidade Emocional e Coeficiente de parentesco, na rede social em geral, na rede de parentes e na rede de amigos. Em todos os casos, mesmo com a disponibilidade de tecnologias de comunicação à longa distância, os respondentes preferiram contatos face-a-face com os membros da rede social. Discutimos os resultados a partir de quatro hipóteses que não são mutuamente exclusivas. Por outro lado, foram confirmadas hipóteses secundárias, sobre a composição das redes sociais e sobre a interação entre Tamanho da rede, Freqüência e Tempo de Interações e Proximidade emocional. Estudos adicionais são necessários para esclarecer as diferenças encontradas, bem como a influência de outras variáveis que possam aumentar a compreensão das redes sociais.