Trabalho de Conclusão de Curso

URI Permanente para esta coleção

https://repositorio.ifmg.edu.br/handle/20.500.14387/664

Navegar

Navegando Trabalho de Conclusão de Curso por Orientador "Doutor Ciniro Aparecido Leite Nametala"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Detecção de outliers em séries temporais de carga com redes neurais recorrentes
    (2023-12-11) Santos, Lucas Batista dos; Doutor Ciniro Aparecido Leite Nametala
    Um aspecto importante da curva de carga horária disponibilizada pelo Operador Nacional do Sistema Elétrico (ONS) é a capacidade de analisar a variação no consumo de energia ao longo do tempo. A demanda horária, influenciada pela sazonalidade, serve como um indicador do consumo esperado de energia e do adequado funcionamento do Sistema Interligado Nacional (SIN). Embora seja possível identificar visualmente outliers na série temporal de carga horária, essa abordagem torna-se trabalhosa e imprecisa. Portanto, é preferível detectar automaticamente os outliers, levando em consideração os padrões sazonais. Neste trabalho, um modelo de Rede Neural Artificial (RNA) com células Long Short-Term Memory (LSTM) foi empregado para identificar outliers com base na sazonalidade. Foram utilizados dados históricos de consumo de energia coletados ao longo do tempo no subsistema Sudeste/Centro-Oeste (SECO). Para rotular os dados, utilizou-se a técnica Interquartile Range (IQR). O treinamento da RNA foi conduzido com base nos dados rotulados para os anos de 2020 e 2021. Posteriormente, o modelo foi testado com dados do ano de 2022. Os resultados foram positivos, alcançando métricas de precision e recall de 98% e 96%, respectivamente.
  • Imagem de Miniatura
    Item
    Redução de dimensionalidade em dados de clima com uso de Stacked Autoencoders.
    (2023-12-11) Silva, Kevenn Henrique de Paula; Doutor Ciniro Aparecido Leite Nametala
    Durante as últimas décadas, as bases de dados vêm crescendo exponencialmente. Esse aumento não ocorre somente na quantidade de amostras de dados, mas também em relação à quantidade de características que descrevem as variáveis, deixando os datasets cada vez mais massivos. Devido a isso, torna-se necessária uma simplificação desses conjuntos de dados por meio de uma redução nessas dimensionalidades. Os dados climáticos são exemplos de dados que, geralmente, possuem muitas amostras e características envolvidas. Estes fatores acarretam uma alta dimensionalidade e, por sua vez, esse cenário afeta o custo computacional e a capacidade preditiva, prejudicando a busca por padrões e descoberta de conhecimento. Além disso, a redução de dimensionalidade irá beneficiar a visualização e o armazenamento de grandes conjuntos de dados climáticos. Desse modo, este trabalho propôs utilizar uma Rede Neural Artificial (RNA) com arquitetura Autoencoder (AE), especificamente um tipo chamado de Stacked Autoencoder (SAE), para realizar a compressão de dados climáticos de entrada, criando uma representação compacta e de menor dimensão. Após isso, com a capacidade do AE de reconstruir os dados de entrada a partir dessa representação latente, verificou-se que a redução de dimensionalidade é boa o suficiente para reconstruir os dados. Estes dados reconstruídos foram avaliados por meio do erro quadrático médio (EQM), obtendo-se um valor de 0.01605. Com esse resultado, é possível confirmar que a RNA cumpriu sua função de reduzir a base de dados climáticos.