Kernel Evolving Participatory Fuzzy Modeling for Time Series Forecasting

et al. 2020

Diversos estudos tem sido orientados no sentido de desenvolver modelos térmicos mais precisos e com menor custo computacional para transformadores de potência. Motivados pela necessidade de sistemas adaptáveis, os sistemas inteligentes evolutivos vêm recebendo grande atenção em problemas de vários tipos de problemas. Este trabalho apresenta um novo método de ajuste de parâmetros de um sistema de inferência fuzzy (FIS) através de otimizaçãopor enxame de partículas (PSO). Para a determinação do número de funções de pertinência do FIS, é utilizado o algoritmo Self-organized direction aware (SODA). Este novo modelo, denominado SODA-FIS-PSO, tem como principal objetivo minimizar o erro durante o processo de aprendizagem. O modelo é aplicado em dados de um transformador real para diversas condições de carregamento. Os resultados apresentam melhor desempenho quando comparadoscom abordagens alternativas evolutivas e não evolutivas sugeridas na literatura.

Section: Resultados Experimentaisunclassified

Modelagem Térmica de Transformadores de Potência Baseada em SODA e Sistema de Inferência Fuzzy Otimizado por Enxame de Partículas

Souza

Aguiar

et al. 2020

“…Nesse sentido, o principal objetivo deste artigoé propor um modelo inteligente capaz de modelar a temperatura de ponto quente com alta acurácia, possibilitando assim a plena utilização dos equipamentos instalados sem impactar na vidaútil destes equipamentos. (Vieira et al, 2018) De acordo com (Lemos et al, 2011), para atualizar a estrutura de clusteré utilizada uma medida de compatibilidade ρ k i ∈ [0, 1], que indica o grau de compatibilidade de uma nova observação com a estrutura de cluster atual, e uḿ ındice de excitação a k i ∈ [0, 1], queé o resultado de um mecanismo de excitação que indica se a estrutura atual deve ser revisada após a chegada de novas entradas. São definidos valores limites para ambos parâmetros ρ k i e a k i , são eles (T ρ ) e (T a ), respectivamente.…”

Section: Modelagem Térmica De Transformadores De Potênciaunclassified

“…Já os parâmetros utilizados na modelagem determinística (IEEE-DM) do transformador experimental foram os seguintes: (Duda et al, 2012) 0.0467 0.7336 0.0343 4 ANFIS (Jang, 1993) 0.0124 0.1952 0.0091 4 ePL-KRLS (Vieira et al, 2018) 0.0137 0.2153 0.0101 1 eMG (Lemos et al, 2011) 0.0113 0.1791 0.0067 3 SM-ePL-KRLS (Alves et al, 2020) 0.0103 0.1624 0.0076 1 ESM-ePL-KRLS (Alves et al, 2020) (Jang, 1993) 0.0481 0.2340 0.0333 4 MLP (Duda et al, 2012) 0.0317 0.1539 0.0219 4 ePL-KRLS (Vieira et al, 2018) 0.0330 0.1615 0.0242 2 eMG (Lemos et al, 2011) 0.0330 0.1615 0.0196 3 SM-ePL-KRLS (Alves et al, 2020) 0.0265 0.1293 0.0188 1 ESM-ePL-KRLS (Alves et al, 2020) Vale ressaltar que o modelo proposto pode ser aplicado a transformadores reais em serviço através de algumas modificações simples no equipamento, tais como a instalacão de um sensor de efeito hall para medir a corrente de carga e a inserção de um sensor de temperatura de fibrá optica na tampa de inspeção do transformador para medir a temperatura no topo doóleo. Essas modificações são não invasivas e têm um baixo custo de implementação.…”

Section: Figura 3 Conjunto De Dados De Treinamentounclassified

“…Assim, motivados pela necessidade de sistemas adaptáveis, os sistemas inteligentes evolutivos (P. Angelov, 2010) vêm recebendo grande atenção nosúltimos anos, sendo largamente aplicados a problemas de modelagem, controle, previsão, classificação e processamento de dados em ambientes dinâmicos e não estacionários (Vieira et al, 2018). Em particular, dois modelos evolutivos, chamados evolving Multivariable Gaussian (eMG) (Lemos et al, 2011) e Enhanced Set-Membership evolving Participatory Learning with Kernel Recursive Least Squares (ESM-ePL-KRLS) (Alves et al, 2020) foram recentemente aplicadosà modelagem térmica de transformadores de potência, obtendo resultados que superaram seus concorrentes na literatura, surgindo como alternativas promissoras no tratamento do problema proposto.…”

Section: Introductionunclassified

See 1 more Smart Citation

Modelagem Térmica de Transformadores de Potência Baseada em um Sistema Fuzzy Evolutivo Set-Membership Gaussiano Multivariado

Rocha

Hell

et al. 2020

Neste trabalho é apresentado um novo sistema fuzzy evolutivo baseado no conceito de filtragem Set-Membership e no agrupamento Gaussiano Multivariado para a modelagem térmica de transformadores de potência. Este novo sistema, denominado Set-Membership evolutivo Gaussiano Multivariado, atua ajustando a taxa de aprendizagem no sistema de modelagem fuzzy evolutivo, limitando assim o erro durante o processo de aprendizagem, o que reduz a complexidade computacional do modelo. A fim de comprovar a eficácia do modelo proposto testes experimentais foram realizados com dados obtidos de um transformador real para diversas condições de carregamento. Comparações com abordagens alternativas, evolutivas e não evolutivas, sugeridas na literatura mostraram que o modelo proposto obteve melhor desempenho e apresenta um número competitivo de regras, sugerindo ser uma abordagem flexível e eficiente na solução do problema proposto.

“…Os parâmetros dos consequentes são atualizados através dos Mínimos Quadrados Recursivos como no eTS. A fim de expandir o modelo ePL, Vieira et al (2018) propôs o modelo evolving Partipatory Learning with Kernel Recursive Least Square (ePL-KRLS), que atualiza os parâmetros dos consequentes através dos Mínimos Quadrados Recursivos Kernelizados (Engel et al, 2004). A vantagem dessa abordagemé uma maior sensibilidadeàs variações nos dados de entrada, sendo capaz de aproximar sistemas não lineares de forma precisa e eficiente com custo computacional moderado.…”

Section: Introductionunclassified

Modelagem nebulosa evolutiva participativa com passo de adaptação variável aplicada a previsão de preços do óleo diesel no Brasil

Queiroz

Oliveira

et al. 2020

O transporte representa um dos principais custos de uma operação logística e está presente em toda a cadeia de suprimentos, já que conecta fornecedores, produção e consumidores. Dessarte, um modelo que permita prever os preços dos combustíveis se torna um diferencial competitivo para o operador logístico. O presente estudo desenvolveu um modelo nebuloso evolutivo participativo, com passo de adaptação variável, denominado VS-ePL-KRLS, aplicado à previsão de preços mensais do óleo diesel S500 e S10, em nível nacional, para horizontes de curto, médio e longo prazo. O modelo proposto apresentou uma melhor acurácia comparado aos existentes dessa classe na literatura, sem perdas de desempenho computacional para todos os seis cenários analisados.