Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos

Detalhes bibliográficos
Autor(a) principal: Fernandes, Arthur Diniz Flor Torquato
Data de Publicação: 2021
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/43631
Resumo: 2022-05-01
id UFRN_d4103f058962722f17b71ee4b37919d0
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/43631
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Fernandes, Arthur Diniz Flor TorquatoDória Neto, Adrião DuarteMelo, Jorge Dantas deLima, Raniere Rodrigues Melo deDória Neto, Adrião Duarte2021-09-27T14:11:34Z2021-10-06T11:51:46Z2021-09-27T14:11:34Z2021-04-2620180154771FERNANDES, Arthur Diniz Flor Torquato. Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Engenharia Da Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.https://repositorio.ufrn.br/handle/123456789/43631Universidade Federal do Rio Grande do NorteUFRNBrasilEngenharia de computaçãoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessDeep q-learningEnergia eólicaMachine learning,Energias renováveisAprendizado por reforçoAprendizado por reforço profundoUm estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2022-05-01O objetivo deste trabalho é elaborar um algoritmo de aprendizado por reforço profundo com o objetivo de realizar a prospecção de parques eólicos. Para este fim foi elaborado um simulador de prospecção se utilizando de várias fontes de dados e de uma metodologia baseada em uma análise multicritérios. O agente de aprendizado foi desenvolvido fazendo uso do algoritmo Double Deep Qlearning, proposto como uma modificação do algoritmo Deep Q-learning, popularizado pela Google Deep Mind em 2015 como técnica de inteligência artificial para o jogo Go. O Agente desenvolvido deve ser capaz de elaborar estratégias de prospecção visando o otimizar o lucro gerado pelos parques. Como local de estudos foi escolhido o Estado do Rio Grande do Norte devido à forte presença do setor eólico na região. Ao final do treinamento do Agente verifica-se que ele foi capaz de elaborar políticas simples, alcançando parcialmente os objetivos propostos. Estudos mais aprofundando a aplicação do aprendizado por reforço profundo para a prospecção de parques eólicos levando em conta os ajustes das técnicas utilizadas e a inserção de mais variáveis de acordo com a complexidade se fazem necessários para que se atinja valores ótimos.porreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNORIGINALEstudoExploratorioApredizado_Fernandes_2021.pdfapplication/pdf1878095https://repositorio.ufrn.br/bitstream/123456789/43631/1/EstudoExploratorioApredizado_Fernandes_2021.pdfcf2a6a1c904100c4c9bba54c60ddbf07MD51CC-LICENSElicense_rdfapplication/octet-stream811https://repositorio.ufrn.br/bitstream/123456789/43631/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txttext/plain714https://repositorio.ufrn.br/bitstream/123456789/43631/3/license.txt7278bab9c5c886812fa7d225dc807888MD53123456789/436312024-03-19 01:01:42.543oai:https://repositorio.ufrn.br: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ório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2024-03-19T04:01:42Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pt_BR.fl_str_mv Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
title Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
spellingShingle Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
Fernandes, Arthur Diniz Flor Torquato
Deep q-learning
Energia eólica
Machine learning,
Energias renováveis
Aprendizado por reforço
Aprendizado por reforço profundo
title_short Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
title_full Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
title_fullStr Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
title_full_unstemmed Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
title_sort Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos
author Fernandes, Arthur Diniz Flor Torquato
author_facet Fernandes, Arthur Diniz Flor Torquato
author_role author
dc.contributor.referees1.none.fl_str_mv Dória Neto, Adrião Duarte
dc.contributor.referees2.none.fl_str_mv Melo, Jorge Dantas de
dc.contributor.referees3.none.fl_str_mv Lima, Raniere Rodrigues Melo de
dc.contributor.author.fl_str_mv Fernandes, Arthur Diniz Flor Torquato
dc.contributor.advisor1.fl_str_mv Dória Neto, Adrião Duarte
contributor_str_mv Dória Neto, Adrião Duarte
dc.subject.por.fl_str_mv Deep q-learning
Energia eólica
Machine learning,
Energias renováveis
Aprendizado por reforço
Aprendizado por reforço profundo
topic Deep q-learning
Energia eólica
Machine learning,
Energias renováveis
Aprendizado por reforço
Aprendizado por reforço profundo
description 2022-05-01
publishDate 2021
dc.date.accessioned.fl_str_mv 2021-09-27T14:11:34Z
2021-10-06T11:51:46Z
dc.date.available.fl_str_mv 2021-09-27T14:11:34Z
dc.date.issued.fl_str_mv 2021-04-26
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.pt_BR.fl_str_mv 20180154771
dc.identifier.citation.fl_str_mv FERNANDES, Arthur Diniz Flor Torquato. Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Engenharia Da Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/43631
identifier_str_mv 20180154771
FERNANDES, Arthur Diniz Flor Torquato. Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Engenharia Da Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021.
url https://repositorio.ufrn.br/handle/123456789/43631
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Engenharia de computação
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/43631/1/EstudoExploratorioApredizado_Fernandes_2021.pdf
https://repositorio.ufrn.br/bitstream/123456789/43631/2/license_rdf
https://repositorio.ufrn.br/bitstream/123456789/43631/3/license.txt
bitstream.checksum.fl_str_mv cf2a6a1c904100c4c9bba54c60ddbf07
e39d27027a6cc9cb039ad269a5db8e34
7278bab9c5c886812fa7d225dc807888
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1814832659155648512

Registros relacionados