Mestrado em Estatística Aplicada e Biometria

URI Permanente para esta coleçãohttps://repositorio.unifal-mg.edu.br/handle/123456789/2658

Navegar

Navegando Mestrado em Estatística Aplicada e Biometria por Orientador(a) "Salgado, Ricardo Menezes"

Filtrar resultados informando as primeiras letras
Agora exibindo 1 - 5 de 5
  • Imagem de Miniatura
    ItemAcesso aberto (Open Access)
    Abordagens inteligentes para estimar a produção de energia eólica
    (Universidade Federal de Alfenas, 2018-06-18) Gebin, Luis Gustavo Gutierrez; Salgado, Ricardo Menezes; Gonzaga, Flávio Barbieri; Ohishi, Takaaki
    Uma das maiores preocupações do século XXI é conciliar o desenvolvimento econômico e social com a preservação ambiental. Assim, o setor de energia torna-se foco de estudo, visto que grande parte das emissões de gases poluentes são advindas da geração elétrica. Como consequência, fontes renováveis e limpas de energia, que não causam malefícios para a natureza, como a produção de energia eólica, ganharam destaque no Brasil e no mundo. Porém, como a produção de energia eólica é uma energia obtida a partir do vento, o homem não possui total controle sobre sua geração, o que torna desejável que se tenha certa confiança no que concerne ao seu potencial elétrico. O que justifica o desenvolvimento de métodos eficientes para previsão destes dados eólicos, pois obtendo confiança quanto a estes modelos de previsão, pode-se expandir, ainda mais, a eficiência e potencial energético da produção de energia eólica brasileira, além de auxiliar as empresas no que se refere a distribuição da energia. Além disso, pode-se ter mais segurança em diminuir a complementação térmica, visto que as turbinas termoelétricas são usadas no Brasil, em geral, em períodos sazonais, quando a produção hidroelétrica está em baixa. Todavia, a previsão dos dados eólicos não é tarefa trivial, devido às diversas variáveis exógenas que podem afetar na produção. Visto isso, o trabalho tem como objetivo fazer a predição de uma semana em escala horária da produção de energia eólica nas quatro estações do ano com os modelos inteligentes (XGBoost e Random Forest) e com um modelo estatístico tradicional (ARIMA), para posteriormente aplicar nos modelos inteligentes um algoritmo de seleção de variáveis, além de propor um novo modelo baseado em ensemble com os modelos individuais. A partir dos resultados obtidos, pode-se perceber que o Random Forest foi o modelo mais beneficiado pela seleção, enquanto que o XGBoost, mesmo sem a seleção, conseguiu ter um desempenho interessante, visto o seu método de aproximação. O ARIMA, mesmo sem ter se ajustado perfeitamente, obteve resultado um pouco inferior aos modelos inteligentes. Quanto ao ensemble proposto, percebe-se que o mesmo foi superior aos modelos desenvolvidos individualmente, principalmente em relação ao RMSE. Vale ressaltar que o ensemble conseguiu melhorar na predição, principalmente, nos dados extremos, em que todos os modelos individuais superestimavam.
  • Imagem de Miniatura
    ItemAcesso aberto (Open Access)
    Análise e aperfeiçoamento de modelos inteligentes para detecção de lâmpadas de iluminação pública
    (Universidade Federal de Alfenas, 2022-07-29) Silva, Igor Caetano; Salgado, Ricardo Menezes; Ohishi, Takaaki; Varejão, Flávio Miguel
    Há alguns anos, uma mudança na legislação passou a responsabilidade de gerenciamento e manutenção da rede de iluminação pública das companhias elétricas (agora responsáveis apenas pelo faturamento da energia utilizada) para as autoridades municipais. Essa mudança acarretou em diversos problemas de desinformação, nos quais muitas vezes a companhia elétrica não é notificada sobre mudanças na rede de iluminação pública. Para evitar perdas comerciais, as companhias passaram a enviar times de conferência manual, processo caro, moroso e pouco confiável. Neste sentido, este trabalho tem como objetivo aprimorar o estudo de detecção inteligente de lâmpadas de iluminação pública, através da otimização dos modelos propostos por Soares et al. (2015), capazes de classificar o tipo e potência de lâmpadas de pontos de iluminação pública de forma eficiente como uma solução alternativa para este problema. A proposta é utilizar algoritmos de diferentes níveis de complexidade (tanto de abordagem tradicional quanto aprendizado profundo), em conjunto com técnicas mais complexas de validação, seleção de características, transformação de dados e de otimização de hiperparâmetros. Os resultados mostram que os modelos com algoritmos mais complexos (máquina de vetores de suporte, XGBoost, floresta aleatória e perceptron multicamadas) conseguem atingir uma acurácia média final de 80-86% de acerto que ao serem comparados por testes t de Student não apresentaram evidências de diferença significativa a nível de 5%.
  • Imagem de Miniatura
    ItemAcesso aberto (Open Access)
    Modelagem inteligente para previsão de séries de vazões afluentes
    (Universidade Federal de Alfenas, 2016-02-26) Brito, Bethânia Oliveira De; Salgado, Ricardo Menezes; Beijo, Luiz Alberto; Ohishi, Takaaki
    A geração de energia elétrica é assunto estratégico para o desenvolvimento econômico de qualquer nação e geralmente está ligada aos recursos naturais disponíveis. A exploração de tais fontes devem ser aproveitadas de maneira a maximizar os benefícios proporcionados e minimizar os impactos negativos ao meio ambiente e sociedade. A estratégia de previsão de séries de vazões consiste em estimar o fluxo de água com determinada antecedência visando minimizar as incertezas e os riscos auxiliando na redução dos fatores que prejudicam o planejamento das hidroelétricas e maximizando os resultados obtidos, pois a geração de energia elétrica a partir do sistema hidráulico depende principalmente das séries de vazões afluentes (TUCCI, 2002). Para realizar previsão de séries de vazões, encontram-se na literatura diversos modelos, dentre estes, as redes neurais artificiais, programação genética, modelos autorregressivos, entre outros. A fim de melhorar o desempenho das previsões de vazões propõe-se neste trabalho a construção de ensembles, que consiste em combinar componentes individuais. Neste trabalho, utilizou-se uma base dados do Operador Nacional de Sistemas (ONS) de duas usinas localizadas no Rio Grande: Água Vermelha e Itutinga. Os modelos que mais se destacaram como componentes individuais foram a rede neural artificial (RNA) com algorítimos de treinamento Backpropagation (BPM) e Gradient Method (GRAD) e a Programação Genética (PG). O ensemble BPM foi o que apresentou maior eficiência e capacidade de generalização. O MAPE da previsão dos modelos do período seco é menor que no período úmido. Não houve um modelo que se destacou em todos os casos quanto aos erros de previsão, sendo que os resultados dependem das características da usina e do período em estudo. Fazer previsões por períodos levaram a menores erros que quando considerado todo o ano. Após a combinação das componentes individuais, na maioria dos casos houve melhoria do desempenho, sendo que o melhor caso foi capaz de prover uma diminuição de até 14% do erro médio absoluto percentual (MAPE) em relação a melhor componente individual.
  • Imagem de Miniatura
    ItemAcesso aberto (Open Access)
    Modelos baseados em aprendizado de máquina para geração de séries sintéticas do setor elétrico
    (Universidade Federal de Alfenas, 2018-06-18) Gomes, Victor Silveira; Salgado, Ricardo Menezes; Gonzaga, Flávio Barbieri; Ohishi, Takaaki
    O Brasil tem como principal fonte de fornecimento de energia a hidroelétrica, devido principalmente à sua grande capacidade hídrica. Entender o comportamento das vazões de suas bacias é um fator fundamental para otimização da produção desse tipo energia, porém os dados históricos presentes são limitados, tornando-se um empecilho para o estudo, dado a importância dele no planejamento da produção de energia elétrica. Uma solução que vem sendo utilizada na literatura recente é a geração de série sintética. Neste trabalho, as seguinte técnicas foram utilizadas para geração sintética das vazões dos postos de Água Vermelha e Volta Grande: o SynTise, modelo apresentado em Denaxas et al. (2015), máquinas de vetores de suporte (SVM), redes neurais multicamadas (MLP), random forest (RF) e o modelo autorregressivo (AR). Foram geradas séries sintéticas equivalentes a 2000 anos em ambos reservatórios. O trabalho analisou quatro diferentes propostas para a seleção do componente aleatória dos modelos AR, MLP, SVM e RF que são: através de uma distribuição de probabilidade simétrica, através de uma distribuição de probabilidade assimétrica, pela ordem cronológica e através dos resíduos estimados. As novas propostas de componentes aleatórios e o método de seleção clássico, a seleção aleatória dos resíduos, foram avaliadas para os dois postos, assim como o SynTise, que foi ajustado para gerar séries sintéticas mensais para vazão dos reservatórios. Os resultados mostraram que, para os dois postos avaliados, modelos com componente aleatória ao longo do tempo foram opções melhores que o modelo clássico de componente aleatória selecionada aleatoriamente em todos as técnicas avaliadas. Na comparação entre os melhores resultados de cada técnicas, obteve-se que para o posto de Volta Grande, o SVM apresentou os melhores resultados, enquanto para Água Vermelha, o MLP foi melhor entre todos os modelos.
  • Imagem de Miniatura
    ItemAcesso aberto (Open Access)
    Previsão de indicadores diários de preços no mercado futuro de commodities agrícolas utilizando aprendizagem de máquina
    (Universidade Federal de Alfenas, 2020-08-21) Ludovico, Sérgio Nunes; Salgado, Ricardo Menezes; Miguel, Eliseu César; Rezende, Marcelo Lacerda
    A previsão de valores em uma série temporal é objeto de estudo em vários campos do conhecimento. No mercado futuro de commodities agrícolas esse tipo de informação pode ser utilizada para minimizar riscos aos investimentos e contribuir para o aumento de volume de negociações de diversas mercadorias. Como os preços desses ativos sofrem influência de muitas variáveis externas, geralmente as previsões são feitas por meio de análises fundamentalista ou técnica e este trabalho é realizado por pessoas especialistas da área. Isso restringe o acesso de indivíduos que poderiam investir, mas não o faz por não ter esse conhecimento que é necessário para a sobrevivência desse negócio. Esse estudo propõe um modelo computacional, utilizando algoritmos e técnicas de aprendizagem de máquina, para prever valores futuros em séries de dados históricos. Ao executá-lo várias vezes, de forma randomizada, obtém-se sete tipos de previsões diferentes para cada série de commodity analisada. As séries são registros de cotações de preços mantidas pelo CEPEA, em US$, de açúcar, boi, café, etanol, milho e soja. O desempenho e a estabilidade das previsões dos algoritmos: k-nearest neighbors; random forest; rede neural artificial; support vector machine; e extreme gradient boosting e dos métodos de aprendizagem em conjunto: ensemble por média e stacking, são medidos utilizando estatísticas das métricas de erros MAE, RMSE e MAPE. Isso constituiu o experimento computacional e demonstrou que o support vector machine é o algoritmo com o melhor desempenho para esse grupo de séries. Com as técnicas aplicadas, os resultados mostram que as previsões têm alto desempenho durante a validação do modelo sugerindo que elas são úteis no horizonte de um passo à frente. Os resultados dessa pesquisa apontam que essa abordagem tem potencial para ser utilizada como uma alternativa de automação da análise técnica contribuindo para a redução e quantificação dos erros de previsões no curto prazo. Por meio da aplicação rotineira e de grande frequência dessa técnica especuladores e hedgers podem ser beneficiados ao utilizar essa abordagem, como apoio à tomada de decisão, para reduzir os riscos das negociações.