Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids

Detalhes bibliográficos
Autor(a) principal: Jesus, Daniel Freitas de
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFABC
Texto Completo: http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126403
Resumo: Orientador: Prof. Dr. Luiz Alberto Luz de Almeida
id UFBC_1322ac25d01402d38dd81270c104d073
oai_identifier_str oai:BDTD:126403
network_acronym_str UFBC
network_name_str Repositório Institucional da UFABC
repository_id_str
spelling Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de SmartgridsHISTERESEREDE NEURALFUNÇÃO DE ATIVAÇÃOENERGIAS RENOVÁVEIS INTERMITENTESLIMITING LOOP PROXIMITYSMARTGRIDSMULTILAYERS PERCEPTRONSHYSTERESISNEURAL NETWORKACTIVATION FUNCTIONINTERMITTENT RENEWABLE ENERGIESPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCOrientador: Prof. Dr. Luiz Alberto Luz de AlmeidaDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, Santo André, 2023.A histerese pode ser utilizada para controlar e prever comportamentos complexos em sistemas dinâmicos nas áreas da Ciência e Engenharia. Nesse contexto, o L²P (Limiting Loop Proximity) é um exemplo proeminente de modelo matemático para obter o efeito da histerese, devido a sua flexibilidade, com menor complexidade e baixo custo computacional, para a modelagem e simulação. Usando uma função de ativação histerética com o modelo de histerese L²P, a pesquisa atual investiga a previsão de energias renováveis intermitentes (solar e eólica), para melhorar as redes neurais, em relação ao ajuste de mínimos locais da série prevista. Este trabalho tem como objetivo demostrar que as fontes de energia intermitentes possuem grande potencial para serem utilizadas no lugar de fontes não renováveis como: petróleo, carvão mineral e gás natural. No entanto, devido à oscilação da geração intermitente eólica e solar, são necessários preditores para atender os mercados de oferta e demanda de forma segura e eficiente. À medida que as redes distribuídas e redes inteligentes penetram nos níveis globais da matriz energética, é essencial construir modelos preditivos para determinar a importância da previsão para geração em redes inteligentes. O estudo desenvolvido neste trabalho mostra que sua aplicação reduz erros na métrica de MSE (Mean Squared Error – Erro Quadrático Médio: o cálculo da média dos quadrados das diferenças entre os valores reais e previstos em um conjunto de dados), tornandose uma ferramenta em potencial. Vários fenômenos naturais e biológicos, como redes cerebrais biológicas e desenvolvimento da memória, apresentam histerese, como mostrado na revisão de literatura. Os resultados apresentados confirmam a importância da predição em um cenário de fonte de alimentação e descrevem a rede neural e os neurônios de histerese L²P, como é chamado o modelo utilizado em sua função de ativação. A rede neural do tipo Multilayer Perceptron foi desenvolvida com o modelo de histerese definido em quatro parâmetros de configuração, permitindo ajustar a curva de histerese em relação aos dados. Os quatro parâmetros: Ms , h0, Hc e ?, permitem o treinamento e a previsão de séries em relação ao histórico da curva de histerese. Os gráficos ilustram as diferenças entre três funções de ativação usadas na previsão de séries temporais. No experimento realizado, os valores da rede neural foram inferiores aos valores de Simóide, RELU e Tangente Hiperbólica. No entanto, há uma maior necessidade de processamento, que é compensada pela previsão futura, portanto, é necessário um número menor de camadas para se aproximar dos valores de treinamento. O uso da histerese resultou em uma melhor aproximação, uma vez que a curva é modelada por dados anteriores da rede neural. Por fim, mais dados de treinamento podem ajudar a melhorar o desempenho. O uso da técnica de retropropagação e gradiente descendente força a rede a atualizar os pesos com base nos dados previstos. Este método usa uma memória de atraso para atualizar a curva dependendo do sinal.Hysteresis can be used to control and predict complex behavior in dynamic systems in the fields of Science and Engineering. In this context, the L²P Limiting Loop Proximity model is a prominent example of a mathematical model to obtain the effect of hysteresis due to its flexibility, with lower complexity and low computational cost, for modeling and simulation. Using a hysteretic activation function with the L²P hysteresis model, the current research investigates the forecasting of intermittent renewable energy (solar and wind), to improve neural networks, regarding the adjustment of local minima of the forecast series. This work aims to demonstrate that intermittent energy sources have great potential to be used in place of non-renewable sources such as oil, coal and natural gas. However, due to the oscillation of intermittent wind and solar generation, predictors are needed to meet the supply and demand markets in a safe and efficient manner. As distributed grids and smart grids penetrate the global levels of the energy matrix, it is essential to build predictive models to determine the importance of forecasting for generation in smart grids. The study developed in this paper shows that its application reduces errors in the MSE Mean Squared Error metric: the calculation of the mean squared differences between actual and predicted values in a data set), making it a potential tool. Several natural and biological phenomena, such as biological brain networks and memory development, exhibit hysteresis, as shown in the literature review. The presented results confirm the importance of prediction in a power supply scenario and describe the neural network and the L²P hysteresis neurons, as the model used in its activation function is called. The Multilayer Perceptron type neural network was developed with the hysteresis model set to four configuration parameters, allowing the hysteresis curve to be fitted against the data. The four parameters: Ms , h0, Hc and ?, allow the training and prediction of series in relation to the history of the hysteresis curve. The graphs illustrate the differences between three activation functions used in time series prediction. In the experiment performed, the neural network values were lower than the Simoid, RELU, and Hyperbolic Tangent values. However, there is a higher processing requirement, which is offset by the future prediction, so a smaller number of layers are required to approximate the training values. The use of hysteresis resulted in a better approximation, since the curve is modeled by previous data from the neural network. Finally, more training data can help improve performance. Using the backpropagation and gradient descent technique forces the network to update the weights based on the predicted data. This method uses a delay memory to update the curve depending on the signal.Almeida, Luiz Alberto Luz deCapovilla, Carlos EduardoVilcanqui, Omar Alexander ChuraJesus, Daniel Freitas de2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf90 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126403http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126403&midiaext=81196Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126403porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2024-02-20T15:49:32Zoai:BDTD:126403Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2024-02-20T15:49:32Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false
dc.title.none.fl_str_mv Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
title Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
spellingShingle Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
Jesus, Daniel Freitas de
HISTERESE
REDE NEURAL
FUNÇÃO DE ATIVAÇÃO
ENERGIAS RENOVÁVEIS INTERMITENTES
LIMITING LOOP PROXIMITY
SMARTGRIDS
MULTILAYERS PERCEPTRONS
HYSTERESIS
NEURAL NETWORK
ACTIVATION FUNCTION
INTERMITTENT RENEWABLE ENERGIES
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC
title_short Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
title_full Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
title_fullStr Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
title_full_unstemmed Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
title_sort Explorando o potencial da rede neural em histerese L2P, para previsões de energias intermitentes nos sistemas de Smartgrids
author Jesus, Daniel Freitas de
author_facet Jesus, Daniel Freitas de
author_role author
dc.contributor.none.fl_str_mv Almeida, Luiz Alberto Luz de
Capovilla, Carlos Eduardo
Vilcanqui, Omar Alexander Chura
dc.contributor.author.fl_str_mv Jesus, Daniel Freitas de
dc.subject.por.fl_str_mv HISTERESE
REDE NEURAL
FUNÇÃO DE ATIVAÇÃO
ENERGIAS RENOVÁVEIS INTERMITENTES
LIMITING LOOP PROXIMITY
SMARTGRIDS
MULTILAYERS PERCEPTRONS
HYSTERESIS
NEURAL NETWORK
ACTIVATION FUNCTION
INTERMITTENT RENEWABLE ENERGIES
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC
topic HISTERESE
REDE NEURAL
FUNÇÃO DE ATIVAÇÃO
ENERGIAS RENOVÁVEIS INTERMITENTES
LIMITING LOOP PROXIMITY
SMARTGRIDS
MULTILAYERS PERCEPTRONS
HYSTERESIS
NEURAL NETWORK
ACTIVATION FUNCTION
INTERMITTENT RENEWABLE ENERGIES
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC
description Orientador: Prof. Dr. Luiz Alberto Luz de Almeida
publishDate 2023
dc.date.none.fl_str_mv 2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126403
url http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126403
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=126403&midiaext=81196
Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=126403
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
90 f. : il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFABC
instname:Universidade Federal do ABC (UFABC)
instacron:UFABC
instname_str Universidade Federal do ABC (UFABC)
instacron_str UFABC
institution UFABC
reponame_str Repositório Institucional da UFABC
collection Repositório Institucional da UFABC
repository.name.fl_str_mv Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)
repository.mail.fl_str_mv
_version_ 1813263964614688768

Registros relacionados