Banca de DEFESA: DAVI GUIMARÃES DA SILVA

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE : DAVI GUIMARÃES DA SILVA
DATA : 03/04/2023
HORA: 14:00
LOCAL: Auditório do NTB / Google Meet - https://meet.google.com/wup-gwpz-zyk
TÍTULO:

Previsão de Séries Temporais de Consumo de Energia Elétrica com Aprendizagem Profunda para um Sistema IoT


PALAVRAS-CHAVES:

Aprendizagem Profunda. Internet das Coisas. Eficiência Energética. Redes Neurais Profundas. Módulo de Previsão.


PÁGINAS: 138
RESUMO:

Consumo de energia e eficiência energética são tópicos que têm atraído a atenção dos pesquisadores nos últimos anos, a fim de buscar soluções científicas e tecnológicas para a produção de energia e redução de custos. Uma das alternativas que têm obtido resultados satisfatórios é o uso de tecnologias baseadas em Internet of Things (IoT) e sistemas de Aprendizagem Profunda (AP). Com base nisso, propomos avaliar o desempenho de Redes Neurais Profundas (RNP) para posteriormente adicioná-la a um módulo de previsão de um sistema baseado em IoT, que realiza o monitoramento de consumo de energia elétrica em tempo real. O trabalho foi dividido em três partes, da seguinte forma: 1) avaliou-se o desempenho de uma rede neural profunda do tipo Long Short-Term Memory (LSTM) em relação ao número de camadas com validação cruzada de séries temporais (VC-ST), em dois datasets com dados de consumo de energia elétrica, onde os resultados apontaram que não houve diferença estatisticamente significativa entre as camadas; 2) foram realizados testes com VC-ST nos mesmos datasets usados anteriormente, para compararmos os resultados da rede LSTM com os algoritmos Extreme Gradient Boost (XGBoost) e Random Forest (RF), comumente usados na literatura, e os resultados computacionais e testes estatísticos (p < 0,0001 com o teste de Kruskal-Wallis) indicaram que o modelo LSTM mostrou uma tendência de melhor desempenho de Root Mean Square Error (RMSE) nos dois datasets; 3) por fim, realizou-se uma nova comparação estatística entre a rede neural LSTM e a rede neural Bidirecional Long Short-Term Memory (BiLSTM), tendo em vista se tratar de uma variação da LSTM unidirecional utilizada com sucesso nos testes anteriores, com dados de validação para dois novos datasets (neste caso, foram usados os quatro datasets no total), com VC-ST, e nestes testes, a rede BiLSTM apresentou resultados estatisticamente significativos melhores em todos os datasets (p < 0,0001 com o teste de Friedman). Desse modo, a partir dos resultados obtidos onde a BiLSTM apresentou os melhores resultados no treinamento, testes e validação, decidiu-se utilizá-la para compor o módulo de previsão do sistema IoT, considerando que a partir dos resultados por ela obtidos em uma aplicação real, ações aplicáveis à tomada de decisões podem ser implementadas.

 


MEMBROS DA BANCA:
Presidente - 1963026 - ANDERSON ALVARENGA DE MOURA MENESES
Externa à Instituição - ANDRESSA DOS SANTOS NICOLAU - UFRJ
Externa ao Programa - 2143011 - HELAINE CRISTINA MORAES FURTADO - UFOPAExterno à Instituição - MARLA TERESINHA BARBOSA GELLER - ULBRA
Externo ao Programa - ***.610.973-** - OMAR ANDRES CARMONA CORTES - (IFMA)
Externo à Instituição - ROBERTO SCHIRRU - UFRJ
Notícia cadastrada em: 09/03/2023 18:53
SIGAA | Centro de Tecnologia da Informação e Comunicação - (00) 0000-0000 | Copyright © 2006-2024 - UFRN - srvapp2.ufopa.edu.br.srv2sigaa