Criação de um framework para ajuste fino de parâmetros usando testes estatísticos

Avancini, João Virgilio de Castro

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/16281

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Delgado, Carla Amor Divino Moreira	-
dc.contributor.author	Avancini, João Virgilio de Castro	-
dc.date.accessioned	2022-02-17T11:47:17Z	-
dc.date.available	2023-12-21T03:01:53Z	-
dc.date.issued	2022-01-11	-
dc.identifier.uri	http://hdl.handle.net/11422/16281	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Otimização	pt_BR
dc.subject	Ajuste fino de parâmetros	pt_BR
dc.subject	Eficiência energética	pt_BR
dc.subject	Energia limpa	pt_BR
dc.subject	Energia eólica	pt_BR
dc.title	Criação de um framework para ajuste fino de parâmetros usando testes estatísticos	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorLattes	http://lattes.cnpq.br/3831909651244142	pt_BR
dc.contributor.authorLattes	http://lattes.cnpq.br/4399601419318121	pt_BR
dc.contributor.advisorCo1	Marcelino, Carolina Gil	-
dc.contributor.advisorCo1Lattes	http://lattes.cnpq.br/3289676418940953	pt_BR
dc.contributor.referee1	Mendonça, Luziane Ferreira de	-
dc.contributor.referee1Lattes	http://lattes.cnpq.br/4092412037479077	pt_BR
dc.contributor.referee2	Gomes, Phillip Vilaça	-
dc.description.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.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
JVCAvancici.pdf		637.43 kB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository