Pantheon Repositório Institucional da UFRJ
Coleta, preserva e divulga a produção acadêmica digital em todas as áreas do conhecimento.
São os ativos do repositório, além de teses e dissertações da UFRJ, artigos científicos, livros eletrônicos, capítulos de livros e trabalhos apresentados em eventos por professores, pesquisadores, funcionários administrativos e alunos de mestrado e doutorado.
Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11422/16281| Tipo: | Trabalho de conclusão de graduação |
| Título: | Criação de um framework para ajuste fino de parâmetros usando testes estatísticos |
| Autor(es)/Inventor(es): | Avancini, João Virgilio de Castro |
| Orientador: | Delgado, Carla Amor Divino Moreira |
| Coorientador: | Marcelino, Carolina Gil |
| Resumo: | Neste trabalho, foi criado um framework para realização do ajuste fino de parâmetros em uma meta-heurística evolutiva para problemas de eficiência energética. Foi realizado o ajuste fino no Canonical Differential Evolutionary Particle Swarm Optimization (C-DEEPSO), um algoritmo de otimização criado a partir da fusão de duas outras meta-heurísticas, o Differential Evolution (DE) e o Evolutionary Particle Swarm Optimization (EPSO). Esse ajuste fino foi efetuado pelo método de corrida iterativa com ajuda de um pacote chamado iRace. Neste método, são realizadas várias simulações do algoritmo com diferentes parâmetros e são identificadas as melhores configurações possíveis com a aplicação de testes de hipóteses. Em um primeiro momento, o framework foi testado em duas funções de benchmark, as funções de Rastrigin e Rosenbrock para 30, 50 e 100 dimensões. Uma vez validada a eficácia do framework, o mesmo foi aplicado a um problema de eficiência energética de uma usina eólica offshore, com foco na redução da perda de energia. Este problema de eficiência energética possui natureza dinâmica, sendo composto por 96 instâncias, que caracterizam a discretização de 24 horas divididas entre intervalos de 15 minutos. A partir dos resultados obtidos via framework, uma comparação com o método estado da arte, o Mean-Variance Mapping Optimization (MVMO) foi realizada com uso da ferramenta DSCTool. Os resultados mostraram que o algoritmo C-DEEPSO com seus principais parâmetros ajustados obtém em média resultados otimizados mais robustos que os apresentados pelo MVMO. É evidenciado que a aplicação do C-DEEPSO com parâmetros tunados no lugar do MVMO resultaria em uma redução de perdas de 70.02MWh, energia suficiente para abastecimento de cerca de 450 residências. |
| Palavras-chave: | Otimização Ajuste fino de parâmetros Eficiência energética Energia limpa Energia eólica |
| Assunto CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO |
| Unidade produtora: | Instituto de Computação |
| Editora: | Universidade Federal do Rio de Janeiro |
| Data de publicação: | 11-Jan-2022 |
| País de publicação: | Brasil |
| Idioma da publicação: | por |
| Tipo de acesso: | Acesso Aberto |
| Aparece nas coleções: | Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| JVCAvancici.pdf | 637.43 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.