Divulgação - Defesa Nº 278

Aluno: Kleber Darlan Monte da Silva

Título: "Sistema Híbrido Baseado em Seleção Dinâmica Para Previsão da Velocidade do Vento".

Orientador: João Fausto Lorenzato de Oliveira

Examinador Externo: Emanoel Henrique da Nóbrega Marinho (PPGES)

Examinador Interno: Eraylson Galdino da Silva (PPGEC)

Data-hora: 06 de Setembro de 2023 às 14:00h.
Local: Formato Remoto

---

Resumo:

         "A utilização de fontes não renováveis de energia ao longo dos anos trouxe vários prejuízos para o planeta, como o aquecimento global. Um dos principais fatores que contribuem para o aquecimento global é a emissão de gases que colaboram para o efeito estufa, muitos destes emitidos pelos processos de geração de energia a partir de fontes não renováveis. Com o objetivo de combater este problema crônico, os governos têm aumentado os investimentos em fontes renováveis de energia, tais como a energia eólica. Diante deste contexto, esta pesquisa tem como objetivo a previsão da velocidade do vento (principal variável dentro do contexto de energia eólica), com o intuito de contribuir com o planejamento e distribuição desta fonte renovável de energia, bem como com a aceleração da adesão desta fonte à matriz energética tradicional. Para atingir este objetivo, um sistema híbrido baseado em seleção dinâmica de resíduos é proposto para a previsão da velocidade média do vento, considerando horizontes de tempo horários e mensais. Além da série temporal de velocidade média do vento, são utilizadas as variáveis exógenas: pressão atmosférica, precipitação e temperatura. O método proposto baseia-se na utilização combinada de um modelo de predição linear, pertencente à família ARIMA, juntamente com modelos de machine learning, tais como o MLP, SVR e RBF. O método proposto foi aplicado em bases de dados horárias e mensais referentes a 3 cidades do nordeste brasileiro: Fortaleza-CE, Natal-RN e Recife-PE. Dentre as 6 bases de dados analisadas, o método proposto obteve os melhores resultados nas bases: horária e mensal, referentes a cidade de Fortaleza; e na base de dados horária, oriunda da cidade de Natal. Estes resultados foram metrificados em termos de Mean Squared Error (MSE) e Mean Absolute Percentage Error (MAPE), com valores girando em torno de 0, 1384 e 10, 94, respectivamente, em uma das bases. Os resultados alcançados por esta pesquisa podem trazer ganhos significativos relacionados ao planejamento e distribuição de energia eólica, por trazer uma ferramenta de fácil uso e com respostas em um curto espaço de tempo sobre a previsão da velocidade do vento em janelas mensais e horárias."

Divulgação - Defesa Nº 276

Aluno: Jander Rodrigo de Santana Vieira

Título: "Sistema Classificador Bayesiano de Risco Baseado em Agrupamento de Dois Estágios para Ocorrência de Flashover em Isoladores de Alta Tensão".

Orientador: Byron Leite Dantas Bezerra

Coorientador: Sérgio Campello Oliveira

Examinador Externo: Eduardo Fontana (UFPE)

Examinador Interno: João Fausto Lorenzato de Oliveira (PPGEC)

Data-hora: 17 de Agosto de 2023 às 14:00h.
Local: Formato Remoto

---

Resumo:

         Descargas parciais em cadeias de isoladores de alta tensão são uma fonte comum de problemas em redes elétricas. Elas ocorrem quando a tensão aplicada excede a capacidade dielétrica dos isoladores, causando pequenos arcos elétricos que danificam a superfície do isolador e reduzem sua eficácia. O acúmulo de poluentes nos isoladores pode aumentar a probabilidade de ocorrência de descargas parciais ou até mesmo de descargas completas, conhecidas como "flashover". Flashover é um evento de falha elétrica de alta energia que pode causar falhas no sistema, além de ser perigoso para pessoas e equipamentos próximos. O monitoramento precoce de descargas parciais permite que medidas corretivas sejam tomadas antes que ocorra um flashover, possibilitando a adoção de medidas preventivas. Neste trabalho, foi utilizado um classificador bayesiano para identificar o risco de falhas, com base no agrupamento da taxa de atividade em relação à umidade relativa. A análise foi realizada utilizando um conjunto de dados obtido por meio de uma rede de sensores instalados em estações de monitoramento ao longo de linhas de transmissão de alta tensão e foram realizados experimentos com o cruzamento de dados de diferentes estações a fim avaliar a intercambialidade entre os dados. O método testado permitiu o monitoramento do risco de ocorrência de flashover sob uma métrica padronizada que se auto ajusta ao banco de dados utilizado. Além disso, os resultados mostraram que o classificador foi capaz de identificar a evolução do estado normal até atingir o estado anômalo do isolador com antecedência e prever descargas parciais mais severas. Também ficou constatado que a rede treinada com os dados coletados em uma determinada estação de monitoramento, poderá ser utilizado em uma estação distinta através da transferência de aprendizado.

Divulgação - Defesa Nº 08

Aluno: Marília Nayara Clemente de Almeida Lima

Título: “Detecção e Avaliação de Desvio de Conceito Aplicadas em Dados Pontuais e Intervalares”

Orientador: Roberta Andrade de Araújo Fagundes - (PPGEC)

Coorientador: Telmo de Menezes e Silva Filho - (BISTROL)

Examinador Externo: Ricardo Bastos Cavalcante Prudencio - (Cin/UFPE)

Examinadora Externa: Renata Maria Cardoso Rodrigues de Souza - (Cin/UFPE)

Examinador Interno: Cleyton Mário de Oliveira Rodrigues - (PPGEC)

Data-hora: 03 de Agosto de 2023, às 09:00h.
Local: Mini-auditório, PPGEC - UPE/POLI

---

Resumo:

         Contexto: em determinadas situações, os dados aos quais um modelo de aprendizado de máquina treinado é submetido são significativamente diferentes dos dados de treinamento. Isso pode causar um problema conhecido como Desvio de Conceito (DC). Há uma grande quantidade de trabalhos sobre como detectar e avaliar DC.No entanto, a maior parte se concentra em detectores que fazem uso de um modelo base. Objetivo: desenvolver um detector e uma métrica de avaliação para DC que não necessite do uso de um modelo base. O detector proposto é o Background Check for Drift Detection (BCDD) e a métrica é a Detection Distance (DD) que serão aplicados em dados pontuais e simbólicos do tipo intervalo. Visão Geral: o método de detecção proposto segue a ideia de ajustar um modelo de densidade para definir as probabilidades a posteriori e identificar se há desvio. Quanto a métrica de avaliação, verifica-se quão distante é o ponto real do desvio em relação ao ponto que o detector alertou. Metodologia: são utilizados dados sintéticos com quatro tipos diferentes de velocidade de desvio: abrupto, gradual, incremental, recorrente. Também usa-se conjunto de dados reais com desvio em proporções diferentes nas variáveis explicativas. Usou-se a configuração experimental com três modelos base: Hoeffding Tree Regressor, Hoeffding Adaptive Tree Regressor, Online Sequential Extreme Learning Machine; e sete detectores de desvio da literatura: ADWIN, DMM, EDDM, HDDM_H, HDDM_W, PH, KSWIN. Ainda são testados os modelos sempre atualizando (Partial) e nunca sendo atualizado (No_Partial). Para o processo de detecção usou-se a abordagem treine-teste-treine: (i) os modelos base são treinados com os primeiros dados (ii) nos dados de teste a cada lote é verificado se há desvio, assim: (a) se existir desvio, é alertado, retornado o status de predição e o modelo é atualizado, (b) se não existir desvio, alerta, retorna o status de predição e o lote vai para área de esquecimento. O processo (ii) é repetido até o fim dos dados de teste. Além disso, é feita uma simulação de Monte Carlo com trinta iterações. Resultados: há influência no tipo de velocidade de desvio, dispersão dos dados e modelo base utilizado. Desse modo, o BCDD se mostrou mais adequado para desvio gradual e incremental em dados intervalares. Porém, nas outras velocidades teve semelhança com o KSWIN, que teve resultados adequados, na maioria dos conjuntos de dados pontuais e intervalares analisados. Conclusão: a tese apresenta como contribuição um novo detector de DC mais adequado para dados graduais e incrementais, uma nova métrica de avaliação de DC, metodologia de experimentação do processo de detecção e uma revisão sistemática da literatura. Além do uso de dados pontuais e intervalares no contexto de regressão. Assim, os resultados contribuirão para as diferentes áreas da sociedade e pesquisas em DC.