O Programa de Pós-Graduação em Ciência da Computação da UFPE promove defesa de dissertação de mestrado de Diogo Moury Fernandes Izidio nesta sexta-feira (29), a partir das 10h. A apresentação acontecerá de forma remota, através da plataforma Google Meet. Os interessados em assistir devem enviar e-mail solicitando acesso para dmfi@cin.ufpe.br. É recomendado aos que se entre na “sala virtual” com o microfone e câmera desligados.

Com título “Uma Abordagem Evolutiva para Combinação de Modelos Aplicada à Previsão de Consumo de Energia”, o trabalho contou com a orientação do professor Paulo Salgado Gomes de Mattos Neto, vinculado ao Centro de Informática (CIn) da Universidade. Além dele, a banca avaliadora também contará com os professores Luciano de Andrade Barbosa (UFPE/CIn) e João Fausto Lorenzato de Oliveira (UPE/Escola Politécnica de PE).

Resumo

O estudo sobre o consumo de energia elétrica vem crescentemente atraindo atenção da comunidade científica devido aos grandes impactos econômicos e ambientais. Dentro desse contexto, a introdução de medidores inteligentes vem sendo proposta como uma alternativa para aumentar a eficiência e melhorar o gerenciamento do consumo de energia em edifícios. Tais benefícios são geralmente associados a uma melhor compreensão acerca do consumo, assim como melhorias na detecção de fraudes e no planejamento da malha elétrica, tarefas diretamente ligadas à capacidade de prever o consumo de energia de forma acurada. Esse trabalho propõe um sistema híbrido que combina modelos estatísticos e de Aprendizado de Máquina (AM) para modelar padrões lineares e não lineares das séries temporais de consumo de energia registradas por medidores inteligentes. O sistema híbrido é composto de três partes: uma técnica linear é utilizada para modelar os padrões lineares e sazonais presentes nas séries de consumo; uma técnica de AM é empregada para modelar os padrões não lineares presentes nas séries de resíduos do modelo linear; e a combinação das previsões lineares e não-lineares é feita por um terceiro modelo de AM. Para realizar seleção de variáveis de entrada de cada técnica e superar problemas como underfitting, overfitting e má-especificação de parâmetros, um Algoritmo Genético foi usado nas etapas de modelagem não linear e combinação das previsões. A avaliação experimental utilizou cinco métricas largamente utilizadas, mostrando que o sistema híbrido proposto alcança melhorias estatisticamente significantes nos resultados quando comparados com modelos estatísticos, híbridos e de AM da literatura.

Mais informações
Programa de Pós-Graduação em Ciência da Computação da UFPE
(81) 2126.8430
contato@cin.ufpe.br