Doenças oculares são problemas oftalmológicos provocados por inúmeros motivos que acarretam, muitas vezes, na cegueira. A Tomografia de Coerência Óptica (OCT) é um exame não-invasivo que permite avaliar possíveis alterações na retina. Este trabalho apresenta uma metodologia para o diagnóstico de doenças oculares utilizando técnicas de Visão Computacional (VC) e Aprendizado Profundo (Deep Learning - DL) aplicadas em imagens de Tomografia de Coerência Óptica (OCT). O objetivo principal é desenvolver métodos de classificação binária e multiclasse para a identificação de doenças oculares em exames de OCT, utilizando bases de dados públicas como OCTID e OCTDL. As etapas metodológicas incluem a aquisição de imagens, pré-processamento, aumento de dados, extração de atributos, classificação e análise dos resultados. Para atingir esse objetivo, foram implementadas técnicas avançadas de DL, como Transferência de Aprendizado e Ajuste Fino em modelos de Redes Neurais Convolucionais (CNN). As arquiteturas de CNN utilizadas incluem DenseNet201, InceptionResNetV2, InceptionV3, NASNetLarge, ResNet152V2, Xception e VGG16. A validação dos modelos foi realizada utilizando a técnica de Validação Cruzada K-fold, empregando as métricas de avaliação Kappa, Acurácia, Recall, Precisão, F1-score, Especificidade e AUC. Os resultados demonstraram que os modelos treinados apresentaram alta precisão na classificação de doenças oculares, com alguns experimentos atingindo acurácias superiores a 0,99%. Ao comparar os resultados obtidos com o estado da arte, observou-se que a metodologia proposta alcançou resultados promissores. As contribuições deste trabalho incluem o desenvolvimento de novos métodos de classificação de imagens médicas, a comparação do estado da arte, e a demonstração da aplicabilidade das técnicas de DL em imagens de doenças oculares.

Com as reformas, desregulamentações e desestatizações em diversos mercados de energia elétrica, as metodologias de previsão de séries temporais de preços de eletricidade têm se tornado ferramentas importantes na análise, planejamento e gestão desse setor. Os mercados que possibilitam a negociação dinâmica da eletricidade, em sua grande maioria, operam no esquema day-ahead, onde o operador do sistema define simultaneamente 24 preços para o dia seguinte, um para cada hora do dia, com a finalidade de equilibrar a oferta e a demanda. Devendo assim o modelo matemático-computacional prever os preços do dia seguinte com base no histórico de cotações. Para este propósito, é utilizado neste trabalho o N-BEATS (Neural Basis Expantion Analysis for Interpretal Time Series), modelo do estado-da-arte em previsão de séries temporais baseado em aprendizado profundo, especificamente em sua versão otimizada para
preços de eletricidade, a NBEATSx (N-BEATS com variáveis exógenas). Como contribuição, são adicionados ao modelo NBEATSx o conceito de estabilidade de previsão e a técnica de Max-Pooling somada à interpolação hierárquica com o intuito de melhorar sua acurácia de previsão. As variantes geradas pela NBEATSx passam por técnicas de combinação de previsões, resultando no modelo NBEATSx-G-EA (NBEATSx Generic - Ensemble Averaging). Um modelo de Redes Neurais Artificiais Profundas DNN (Deep Neural Network) e um modelo estatístico, ambos do estado-da-arte, são empregados como base comparativa. Os modelos são aplicados em cinco conjuntos de dados padronizados da área, advindos de mercados bem estabelecidos da Europa e Estados Unidos. Os resultados são avaliados tomando por base medidas de erro tanto tradicionais quanto específicas da área, além de testes estatísticos de significância da diferença na acurácia entre as previsões. O número de iterações do algoritmo de otimização de hiperparâmetros da NBEATSx-G-EA foi reduzido a três quintos do correspondente da NBEATSx, diminuindo na mesma razão o tempo de treinamento da rede. Dentre estes cinco conjuntos, o modelo NBEATSx-G-EA proposto consegue se equiparar ou superar significativamente o modelo DNN em dois dos conjuntos em que o modelo NBEATSx não é efetivamente capaz. Em outros dois conjuntos, os modelos NBEATSx-G-EA e NBEATSx se equiparam. A NBEATSx supera o modelo proposto NBEATSx-G-EA apenas no quinto conjunto.

Estudos apontam que o esforço para melhoria da qualidade dos cuidados e a segurança do paciente, aliados as estruturas dos algoritmos de gerenciamento de sangue, funcionam como sistemas de apoio a decisão clínica baseados em Inteligencia Artificial. A utilização da aplicação desses algoritmos podem permitir melhor previsaão tanto da possibilidade de sangramento quanto da necessidade de transfusão. Os métodos computacionais podem auxiliar na identificação dos pacientes com maior necessidade de transfusão e, com isso, fornecer meios para melhorar o gerenciamento sanguíneo. Com base no exposto, este estudo tem por objetivo aplicar algoritmos de aprendizado de máquina para criação de um método computacional que possa prever a necessidade de transfusão de sangue em mulheres no pós-parto. O método desenvolvido possui quatro etapas principais: aquisição de dados, pré-processamento, seleção e classificação. Na aquisição dos dados foram coletados 689 registros referentes ao ano de 2020, obtidos por meio dos sistemas existentes no hospital de ensino referência em atendimento a gestante e pós-parto. Na etapa de pré-processamento, realizou-se a limpeza e a normalização dos dados, resultando em 474 amostras com 44 características. Na etapa de seleção, foram selecionadas 11 características e eliminadas 33 características. A amostra final foi de 474 prontuários, sendo 237 que realizaram tranfusão e 237 que não realizaram e 11 características. Na etapa de classificação avaliamos o uso dos seguintes classificadores: Floresta Aleatória, Regressão Logística e Redes Neurais Artificais. O perfil amostral apontou média de idade 28 anos, a maior incidência de internação na admissão foi partos cesáreos em gestação de alto risco. Todos modelos utilizados apresentaram precisão acima de 89%. Os modelos floresta aleatória e redes neurais apresentaram os melhores desempenhos para prever a necessidade de transfusão de sangue. Esse estudo aponta a viabilidade do uso de aprendizagem de máquina na transfusão de sangue e poderá servir de subsídio para auxiliar o profissional de saúde na conduta clínica para tomada de decisão e no direcionamento do paciente para o melhor tratamento individualizado. E ainda, redução de custos relaionados a transfusão e critérios mais definidos para a segurança do paciente. 

Nos últimos anos, as técnicas de controle estão sendo cada vez mais aprimoradas, de modo a atender os requisitos de desempenho e garantir a robustez e a estabilidade dos sistemas. Para controladores preditivos, essa otimização é direcionada para o aperfeiçoamento do modelo do sistema a ser controlado, de modo que este represente fielmente a dinâmica do sistema. Entre os controladores preditivos, destaca-se o Controlador Preditivo Generalizado (GPC), o qual utiliza um modelo do processo para estimar a resposta futura, visando com isso determinar o sinal de controle. Nesse trabalho, buscou-se além de utilizar um modelo neural para a representação do sistema, utilizar algoritmos de otimização baseados no Gradiente Descendente, com abordagens adaptativas e não adaptativas para melhorar o desempenho do controlador preditivo neural (NPC). Portanto, foram implementados controladores NPC por meio de algoritmo backpropagation baseado no gradiente descendente (GD) convencional, identificado como NPC-GD e serão desenvolvidos os seguintes controladores: NPC otimizado pelo algoritmo não adaptativo Gradiente Descendente Estocástico com Momento (NPC-SGDM) e NPC otimizado pelo algoritmo adaptativo Momento Adaptativo (NPC-ADAM). Neste trabalho, busca-se avaliar o desempenho desses controladores quando aplicados a dois sistemas dinâmicos não lineares. O primeiro consiste em uma planta de velocidade desenvolvida em laboratório que tem como atuador um motor de corrente contínua. Já o segundo consiste em um modelo biomecânico com um grau de liberdade (1-DOF) de articulação de joelho. Para avaliação de desempenho, foram projetados outros controladores preditivos identificados como GPC-MQNR e GPC-MQR por utilizarem respectivamente
os algoritmos Mínimos Quadrados Não Recursivo (MQNR) e Mínimos Quadrados Recursivo (MQR) para o ajuste dos coeficientes do modelo CARIMA. Além dos controladores preditivos, foi projetado um controlador PID clássico. Por fim, os desempenhos desses controladores foram avaliados e comparados por meio dos critérios de tempo de subida, sobressinal máximo, além dos índices de desempenho baseados no erro. Como resultado prévio, verificou-se que todos os controladores desenvolvidos até o presente estágio tiveram um desempenho satisfatório com relação ao seguimento de referências, com destaque para os controladores NPC-GD, que tiveram tempo de subida e métricas de erros inferiores aos demais.

A otimização de hiperparâmetros desempenha um papel fundamental em aprendizado de máquina,
afetando significativamente o desempenho do modelo. Para simplificar o desenvolvimento de
modelos eficientes, as técnicas de Aprendizado de Máquina Automatizado (AutoML) ganharam
destaque, permitindo a construção de modelos de aprendizado de máquina de maneira mais
eficiente. Neste estudo é utilizado quatro algoritmos de aprendizagem de máquinas: K-NN,
Redes Neurais Artificiais tipo MLP, algoritmo Random Forest e o Extreme Gradient Boosting
com o método validação cruzada e a técnica do k-fold, com folds igual a 10, fazendo o uso
das principais bibliotecas de AutoML Python, aplicadas em dois bancos de dados veiculares
obtidos em um sistema de telemetria, através da interface OBD II. Os resultados dos algoritmos
de otimização de hiperparâmetros mostraram desempenho superior quando comparado com os
resultados sem a utilização de técnicas de AutoML, nas taxas de acerto em todos os modelos de
técnicas de aprendizagem de máquinas aplicados

O presente estudo tem como propósito apresentar os resultados obtidos por meio de dois modelos de localização de faltas, empregando diferentes abordagens, em uma linha de transmissão VSC-HVDC de dois terminais com extensão de 200 km. O primeiro modelo consiste em um Perceptron Multicamadas (MLP), enquanto o segundo modelo é baseado em uma Rede Neural Convolucional (RNC). Com o intuito de avaliar o desempenho comparativo, ambos os modelos utilizaram como entrada o sinal de corrente previamente processado por três métodos distintos: Transformada Wavelet Packet (TWP), Coeficientes de Mel-Cepstrais (MFCC) e uma combinação dos dois métodos. Nesse contexto, essas três diferentes abordagens foram testadas tanto no MLP quanto na RNC, sendo constatado por meio dos erros médios absolutos (MAE) e erros médios quadráticos (MSE) que a técnica de extração de características MFCC demonstrou um desempenho superior em comparação com o método TWP. Além disso, observou-se que o desempenho da rede neural utilizando a técnica de extração de características TWP pode ser aprimorado ao ser combinada com outra abordagem de extração de características. Os baixos valores de MAE e MSE evidenciam a alta confiabilidade da combinação proposta entre técnica de extração de características e rede neural em como rede convolucional em sistemas de localização de falhas.

O semiárido brasileiro é uma região onde as pessoas sofrem com a escassez de água potável e
diversas alternativas são utilizadas para suprir as necessidades advindas deste recurso, como a
perfuração de poços tubulares. No entanto, muitos destes sistemas de abastecimento possuem
alto teor de sais devido a maior parte do semiárido está localizada sobre escudo cristalino,
impossibilitando a utilização da água para o consumo humano. Em vista disso, sistemas de
dessalinização são propostos a fim de melhorar o padrão de qualidade da água, mas o grande
desafio é possuir a disponibilidade de energia elétrica para o seu funcionamento. Neste
contexto, no estado do Piauí, foram implantados três projetos pilotos de energia solar
fotovoltaica em sistemas de dessalinização instalados pelo Programa Água Doce – PAD,
projeto de dessalinização do governo brasileiro, localizados nas comunidades quilombolas
Laranjo e Silvino, no município de Betânia do Piauí, e a comunidade Barreiro Fechado, em
Campo Alegre do Fidalgo. O presente trabalho tem como objetivo apresentar um diagnóstico
técnico e social dos projetos pilotos instalados no semiárido piauiense, gerenciados pelo
Instituto de Assistência Técnica e Extensão Rural do Piauí – EMATER-PI. Para isso, foram
utilizadas informações fornecidas pela EMATER, visitas in loco para análise de dados técnicos
e entrevistas aos usuários do sistema que destacaram a redução das contas de energia elétrica
após a instalação da geração fotovoltaica. Em síntese, a potência total instalada dos 3 sistemas
é de 27,93kWp, os sistemas híbridos e off-grid estão atuando e o on-grid ainda não foram
conectados à rede elétrica. Por esta razão, é possível inferir que a utilização da tecnologia solar
fotovoltaica se mostra como uma alternativa promissora para a expansão do PAD. No entanto,
é fundamental destacar a importância de uma abordagem mais cuidadosa nos processos de
contratação e fiscalização das empresas especializadas para instalação de futuros projetos.

With the scenario of the global health crisis established by the COVID-19 pandemic,
there was a significant increase in the demand for medical services, generating serious
problems of shortage of medical equipment, such as monitoring devices by capnography and
mechanical ventilation. Although protocols and security measures have emerged to control
the chaotic situation, these criteria were insufficient to prevent deaths and an increase in the
number of patients.
To face this context, it was necessary not only to look for ways to allocate resources
(financial, inputs, and equipment) but also to discover new techniques with viable
implementation potential. Thus, there has been a significant increase in research on flexible,
low-cost sensors and modern technologies that respond to rapid production processes.
Therefore, in the meantime, the effort of researchers around the world to test and validate
flexible health equipment is notorious. And as a consequence, the emergence of a large
number of prototypes with excellent performance and performance, such as wearable and
intelligent solutions based on the Internet of Things (IoT) for capnography. These solutions
can improve and optimize the monitoring system and promote a safe, effective, and proactive
medical service. However, these systems still have many gaps that add pertinent questions
including robustness, continuous monitoring, usability, and cost-effectiveness. However, the
specificities of these points require overcoming a set of challenges that can impact the
performance and viability of the applied technique. Given this, the biggest challenge to be
faced by researchers is to find new solutions with more sophisticated and viable methods.
The research community is moving towards studies and research to discover
technologies that integrate production processes more quickly and at lower costs. Modern
and flexible technologies have great potential for implementation but have been used in a
generalized way, such as the MQ-135 gas sensor, which is a low-cost sensor, abundant in the
market and that can offer the system flexibility and speed in the process. of production.
Other impactful tools are the Internet of Things (IoT) integrated with the techniques
of the Blynk platform that can develop systems with remote management and in real-time
and the biofeedback technology that appears with a great perspective of innovation, if you
consider the use of feedback luminous. These technologies can work synergistically to
improve and optimize a device's performance. To illustrate this process, consider a respiratory
rate monitoring system (capnograph) that operates continuously, reads, analyzes the data, 

controls, and sends it to the server that stores and makes it available through a web graphic
interface or mobile App.
These points become very promising research topics in the area of capnography, and
for this reason, they are addressed in this research work. Therefore, this dissertation work is
motivated by the need to deal with the problems inherent in the monitoring system
(capnography), such as, for example, assuring the patient a fast and safe treatment.
In an attempt to solve some of these questions, this dissertation presents a case study
with the MQ-135 sensor to experiment and evaluate a technological hypothesis, considering
the device, methodology, and software for a hospital and outpatient capnograph based on
light feedback and data processing (histogram-type curve, CO2 saturation as a function of
time).
The purpose of this proposal is to expand the use of the capnograph presented for
post-extubation pulmonary rehabilitation so that patient monitoring is a simple, calm, fast,
safe, and effective procedure. It was demonstrated from the first experiments that the
development of an intelligent and flexible capnograph presents satisfactory results for the
monitoring of biofeedback activities and excellent potential to help patients in the process of
pulmonary rehabilitation.
The results observed and verified in this work are intended to contribute to the
advancement of the state of the art on solutions for capnography through new approaches,
methodologies, and techniques to overcome the challenges that arise from the performance
of traditional models.

Os sistemas de registro eletrônico de saúde (EHR) têm sido amplamente utilizados na prática médica. Tarefas de Processamento de Linguagem Natural (NLP) e Aprendizado de Máquina (ML), como o Reconhecimento de Entidade Nomeada (NER), têm sido usadas para processar esses dados. Em receitas médicas, por exemplo, é possível a extração de informações úteis para a farmacovigilância e o desenvolvimento de sistemas de apoio a tomada de decisão. Entretanto, a disponibilização dessas informações é de difícil acesso para pesquisadores devido à confidencialidade desses dados, principalmente na língua portuguesa. Assim, este trabalho visa a construção de um dataset de receitas clínicas rotulado para a tarefa NER e a avaliação de técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) para a extração dessas informações. Sete tipos de entidades nomeadas foram utilizadas: apresentação do medicamento, dosagem, frequência e quantidade de uso, nome do medicamento, duração do tratamento e via de administração. Cinco combinações de métodos de extração de características com classificadores: características ortográficas e linguísticas com os modelos Perceptron, Multinomial NaiveBayes e Conditional Random Fields (CRF), as embeddings da Glove com a rede neural BiLSTM, e uma versão finetuned do BERTimbau foram avaliadas. Como resultados, os modelos de DL obtiveram F1-score de 0.99 na extração das entidades. Assim, concluímos que o uso de embeddings de palavras e modelos de aprendizado profundo produzem melhores resultados no reconhecimento de entidades clínicas em português do que abordagens de ML.

Neste trabalho, considerando o conceito de Capacidade de Hospedagem, apresenta-se uma análise da inserção de geração distribuída e seus impactos no nível de tensão em regime permanente. Para as análises, foram realizadas as modelagens dos componentes do Sistema de Distribuição 13 barras do IEEE e das unidades de minigerações distribuídas no software ATPDraw. Verifica-se a capacidade de hospedagem do sistema por meio da injeção de GD solar fotovoltaica, considerando a variação da geração e das cargas do sistema ao longo do intervalo de análise. Para cada intervalo de análise foi determinado também o uso do sistema de distribuição por fase, adotando-se como critério de uso o módulo do fluxo de potência ativa. Os resultados mostram que a inserção de GD altera os perfis de tensão e os perfis de uso do sistema. Isto permite identificar para qual GD e horário é solicitado o maior uso desse sistema de distribuição.

A dengue é uma doença endêmica, sendo um dos principais problemas de saúde em todo o mundo. As ovitrampas simulam um ambiente perfeito para a reprodução do mosquito Aedes aegypti. Consiste em um pote preto cheio de água, que fica estacionário, atraindo o mosquito. Nela é inserido um canudo de madeira, que facilita a postura dos ovos pela fêmea do mosquito Aedes aegypti, que é realizada manualmente, um a um, com auxílio de uma lupa, tornando o processo de contagem lento, e isso se torna uma das maiores desvantagens pois na maioria das vezes a uma grande dificuldade de ter um número exato de ovos pela forma que é feita esta contagem. Este trabalho aborda uma metodologia de visão computacional para contagem de ovos de ovitrampas que visa auxiliar especialistas nesta contagem. Para o desenvolvimento deste trabalho, foram propostos dois métodos para a automação da contagem. O primeiro foi baseado na segmentação das regiões de ovos, e nele investigamos diferentes espaços de cores e arquiteturas U-net com diferentes números de camadas e filtros. Em seguida, buscou-se os melhores parâmetros de uma etapa de pós-processamento com base na morfologia matemática. Os resultados alcançados foram promissores com uma precisão de 98,65% na segmentação dos ovos e um erro quadrático médio de 4,47 na contagem dos ovos, enquanto a segunda técnica foi baseado na criação de mapas de densidades, o CSRNet proposto é composto por dois componentes principais: uma rede neural convolucional (CNN) como front-end para extração de características 2D e um CNN estendida para o back-end, que usa kernels estendidos para fornecer campos de recebimento maiores e substituir operações de desagrupamento, obtendo resultados de erro médio quadrado de 2,82.

Com o crescimento de sistemas e processos não lineares, principalmente em ambientes industriais,
os estudos por novas e mais precisas técnicas de Identificação de Sistemas Dinâmicos têm
aumentado nas pesquisas. Dentre essas técnicas, as que permitem a geração de modelos locais
apresentaram grande avanço, permitindo a geração de diversos modelos lineares locais para
representar sistemas mais complexos. Também é preciso se preocupar com a inserção de ruídos
nos dados, dependendo da fonte os processos podem acabar absorvendo informações que não
são relevantes para a geração do modelo (outliers), o que pode interferir significativamente no
processo de identificação. Neste trabalho, os modelos locais múltiplos D-MKSOM e P-MKSOM
foram modificados para tratar dados discrepantes através da técnica de estimação M, passando
assim a realizar uma estimação mais robusta, sendo então aplicados em bases de dados com fortes
não linearidades. Os dados utilizados foram contaminados com ruído para avaliar quantitativa e
qualitativamente a robustez dos algoritmos e o comportamento do erro obtido nos testes. Para
fins de comparação, a rede neural global ELM também foi aplicada aos dados com a aplicação
da estimatição M. Nos resultados observou-se que os algoritmos propostos levam a uma melhor
generalização a partir da análise de resíduos e robustez para inserção de outliers nos dados de
teste.

Essa dissertação proprõe um método para classificação de transitórios elétricos, decorrentes de correntes de inrush em transformadores de potência de 69/13,8 kV, a partir da aplicação sequencial das técnicas de Estatística de Ordem Superior (EOS), Discriminante Linear de Fisher (DLF) e Redes Neurais (RNA), na perspectiva de análise sobre banco de dados/dados históricos. No tocante, foram simulados 4 tipos de eventos no software ATP (Alternative Transient Program), correspondentes aos cenários de regime permanente (RP), curto-circuito (CC), falta interna (FI), acionamento de bancos capacitores (BC) e corrente de inrush (IN), sendo realizado a extração das melhores caractéristicas de cada tipo de evento pela EOS e destas selecionado as com maior potencial de distinção, possibilitando a classificação da IN frente aos demais tipos de eventos, através do reconhecimento dos seus padrões, obtidos durante  a aplicação da RNA. A aplicação das técnicas em conjunto, credibilizou a eficiência quanto à aplicação, tendo em vista, que a finalidade de classificação obteve uma resposta satisfatória.

Apresenta-se nessa pesquisa uma análise sobre as funções de proteção direcional e de distância, baseadas em grandezas incrementais, aplicadas na proteção de linhas de transmissão. Essas técnicas têm ganhado destaque em pesquisas e implementações práticas, permitindo ganho de tempo na eliminação de faltas e possibilitando melhora nas margens de estabilidades do sistema elétrico. Na avaliação do desempenho dessas técnicas utilizou-se o software Alternative Transient Program(AtpDraw) para modelar as funções de proteção e o sistema de teste, onde foram realizadas diversas simulações, de modo a verificar a resposta desses algoritmos diante de diversos cenários. Para complementar a análise, os algortimos foram testados em duas faltas reais.

O controle de doenças transmitidas por mosquitos é desafiado pela globalização, urbanização e aquecimento global. Inseticidas sintéticos administrados em nebulizações de áreas abertas e pulverizações em ambientes fechados são abordagens comuns de erradicação, mas ao custo da toxicidade e resistência desenvolvida pelo mosquito. Uma vez que faltam técnicas de vigilância escaláveis e de baixo custo, há uma carência de dados a respeito da distribuição dos mosquitos. Diante disso, um método automatizado acessível para detectar mosquitos poderia gerar dados de alta qualidade em escalas espaciais e temporais para apoiar iniciativas de prevenção. Propomos um descritor compacto e eficaz para detectar automaticamente o Aedes aegypti e diferenciar as espécies de mosquitos, combinando características cepstrais, de tempo e frequência extraídas dos sons produzidos pelo batimento das asas dos mosquitos. Para isso, aplicamos uma etapa de pré-processamento que inclui aumento de dados para contornar conjuntos de dados pequenos e desbalanceados. Em sequência, extraímos características dos sinais de áudio. Além disso, também realizamos a extração de características através das arquiteturas profundas ResNet, VGG16, VGG19  pré-treinadas. Os resultados revelam que o descritor proposto combinado ao classificador LGBM atinge 0,99 para acurácia, kappa, precisão, recall e F1-score para detectar a presença do Aedes aegypti e diferenciar espécies de mosquitos, superando grande parte das soluções presentes da literatura. No cenário multiespécies, a proposta supera os 93% para todas as métricas. Consequentemente, acreditamos que nossas descobertas podem apoiar a implantação da solução proposta em dispositivos de baixa computação para detecção de focos do mosquito de maneira acessível, escalável e em tempo real, sendo essencial para estimular a participação da população e criar um mapa da distribuição de focos.

gestores de Sistemas Elétricos de Potência (SEP). Dessa forma, é de suma importância tornar o
processo de localização de tais faltas cada vez mais eficiente, para que estas possam ser reparadas
o mais rápido possível. No presente estudo foram aplicados os Coeficientes de Frequência Mel
Cepstrais (MFCC) como ferramenta de pré-processamento dos sinais de tensão coletados nos
dois terminais da linha de transmissão durante a falta, além de um modelo de Aprendizado de
Máquina (AM), responsável pela localização das faltas na prática. Foram testados diferentes
modelos de AM, quais sejam: uma Rede Neural Artificial (RNA), uma Regressão de Vetores
de Suporte (SVR) e um Regressão de Vetores de Suporte com Mínimos Quadrados (LS-SVR),
dentre os quais se percebeu que a RNA teve o melhor resultado geral, sendo capaz de processar
todas as simulações. Utilizou-se uma linha de transmissão modelada com base em parâmetros de
uma linha real. No MATLAB, Vários cenários foram simulados com a RNA, que apresentou
os melhores resultados iniciais, e o método proposto forneceu resultados com alta precisão na
localização de faltas em ambientes não ruidosos, com Erro Médio Relativo (EMR) geral de
0,00004 % e Erro Médio Absoluto (EMA) geral de 0,13 m. Posteriormente, foram verificadas as
influências do tipo de falta, das resistências de faltas, dos ângulos de faltas e das distâncias de
faltas no método de localização, utilizando-se os resultados da melhor arquitetura da RNA. O
método proposto demonstrou ainda ser capaz de realizar a detecção rápida e precisa de faltas,
mesmo quando considerados percentuais pequenos da base de dados ou/e a partir da adição de
várias relações sinais-ruídos aos sinais de tensão. Esses resultados apontam que o procedimento
metodológico proposto é uma boa alternativa para localização de faltas em LT.

O câncer de mama é o mais comum entre as mulheres e representa a segunda principal causa de morte por câncer em todo o mundo. Com o crescente aumento do número de câncer de mama no mundo, a detecção precoce é uma estratégia para encontrar o tumor em fase inicial e, assim, possibilitar melhor chance de tratamento. Nos últimos anos, tem crescido a adoção de exames de imagem para a prevenção, diagnóstico e tratamento do câncer de mama. A Ressonância magnética com realce de contraste dinâmico (DCE-MRI) é um exame minimamente invasivo amplamente utilizado na análise da resposta terapêutica do tumor ao tratamento, sendo fundamental para o acompanhamento do paciente. A análise manual dessas imagens pelo especialista é extremamente complexa, tornando o processo de análise exaustivo e propício a equívocos. Dessa forma, a vulnerabilidade a erros nesse tipo de análise tornam-se frequentes, o que sugere o desenvolvimento de métodos automáticos para análise de imagens DCE-MRI da mama. Neste trabalho, é proposta uma metodologia automática capaz de segmentar a região do tumor, classificar a malignidade, gerar e analisar os habitats tumorais ao longo do tempo em imagem DCE-MRI da mama. A segmentação do tumor foi realizada usando duas arquiteturas de aprendizado profundo, a SegNet e a UNet. A classificação da malignidade dos tumores foi realizada pelo método da curva 3TP. O algoritmo K-means, juntamente com um índice de diversidade filogenética foi empregado para geração dos habitats tumorais. A metodologia proposta foi testada na base de imagens pública QIN Breast DCE-MRI, que possui 20 DCE-MRI de 10 pacientes, onde cada paciente tem dois exames, V1 e V2, adquiridos com intervalo de 30 dias. Os resultados obtidos apresenta um Dice acima de 90% na segmentação do tumor, uma acurácia de 100% na classificação da malignidade dos tumores e de seus habitats. A análise da variação volumétrica dos habitats tumorais similares para os volumes V1 e V2 de cada paciente, mostrou-se capaz de mensurar quanto a alterações que podem ser indicativos de respostas ao tratamento ministrado no paciente, conseguindo caracterizar as mudanças em 100% dos casos de teste. Os resultados apresentados mostraram-se bastantes promissores, podendo a metodologia proposta ser integrada como um sistema de auxílio ao especialista no tratamento de pacientes com câncer de mama.

Uma metodologia baseada em ondas viajantes para a estimação de faltas em linhas de transmissão
utilizando o filtro Least Mean Square (LMS) é apresentada. Uma linha de transmissão real
de 500kV/60Hz, considerada perfeitamente transposta, foi simulada no software Alternative
Transient Program (ATP) para avaliar diversos cenários de faltas possíveis de ocorrer em
condições reais de operação do sistema elétrico, variando-se a distância de ocorrência, tipo
e resistência da falta, ângulo de incidência, frequência de amostragem, potência do ruído
branco contaminante, além de simulações com compensação em série e em paralelo da linha de
transmissão modelada. O desempenho do LMS foi comparado com as performances do filtro de
Savitzky-Golay (SG) e da Transformada Wavelet (TW) nas mesmas condições de análise para a
averiguação da técnica mais efetiva na estimação das distâncias de falta. A metodologia avaliada
consistiu nas seguintes etapas: os sinais trifásicos de tensão foram obtidos, desacoplados e
submetidos às três técnicas de Processamento Digital de Sinais (PDS) objetivando extrair apenas
as variações de alta frequência do sinal para a posterior obtenção dos intervalos de tempo de
propagação das Ondas Viajantes e, assim, proceder ao cálculo das distâncias; o desacoplamento
de fases através da Transformada de Clarke, adição de ruído branco e aplicação das técnicas de
PDS foram executadas no software Matlab. Os resultados evidenciaram a efetividade do filtro
LMS na estimação das distâncias de faltas em linhas compensadas e não compensadas e em
sinais comprometidos por ruídos.

A incubadora neonatal consiste em um equipamento hospitalar utilizado para proporcionar
condições de temperatura e umidade adequadas para os recém-nascidos, sendo seu funcionamento
certificado de acordo com a norma técnica NBR IEC (International Electrotechnical
Commission) 60601-2-19. Por lidar com pacientes sensíveis às mudanças de temperatura, é
necessário a certificação do equipamento, a fim de garantir que este funcione adequadamente. No
entanto, durante a certificação, é preciso interromper o funcionamento da incubadora, afetando
diretamente na quantidade de recém-nascidos assistidos com esses equipamentos. Dessa forma,
este trabalho propõe a identificação das dinâmicas de temperatura e umidade no interior da
incubadora realizada por meio da rede neurais artificiais do tipo Multilayer Perceptron (MLP)
e Radial Basis Function (RBF), treinadas a partir de vetores de regressão baseados nas estruturas
Neural Network Autoregressive With Exogenous Input (NNARX) e Network with Finite
Inpulse Response (NNFIR). Os modelos neurais obtidos podem ser utilizados como sistema
de inferência aplicados como sensores virtuais, substituindo a implantação de sensores físicos,
diminuindo a ocorrência de falhas e redução dos custos de implantação, além de ser utilizados
nos projetos dos controladores presentes nas malhas de temperatura e umidade. Assim, conforme
a metodologia aplicada é possível otimizar procedimentos de certificação da incubadora. Dessa
maneira, os resultados apresentados demonstram que as redes neurais aplicadas são capazes de
realizar satisfatoriamente a identificação da temperatura e umidade, podendo ser utilizadas como
sensores virtuais.

A COVID-19, doença causada pelo novo coronavírus, após descoberta, espalhou-se rapidamente por vários países. O número de infectados ultrapassa 462 milhões em todo o mundo, e mais de 6 milhões de mortes foram registradas até março de 2022. Existem várias formas de diagnosticar o COVID-19, desde testes rápidos a exames por imagem. O presente trabalho, propõe uma metodologia computacional automática para detecção de regiões suspeitas de COVID-19 a partir de exames de Tomografia Computadorizada, um exame de imagem não invasivo que produz imagens de alta resolução e qualidade dos órgãos internos do paciente. O método proposto pode ser dividido em cinco grandes etapas, sendo: i) é realizada a aquisição das bases de imagens contendo os exames de TC; ii) acontece a etapa de pré-processamento, que consiste na padronização das imagens de entrada; iii) faz-se a extração dos pulmões para remoção das demais estruturas que não são de interesse; iv) é feita a segmentação das regiões suspeitas acometidas pede COVID-19, utilizando as arquiteturas U-Net e RGA; e por fim, v) é feita validação dos resultados. Para a segmentação do parênquima pulmonar, o método proposto alcançou 92% de Dice. Para os resultados da segmentação de lesões, a arquitetura U-Net alcançou um Dice de 82% e a arquitetura baseada em RGA alcançou um Dice de 71%. Por fim, os resultados são promissores e animadores, os quais, tornam a metodologia proposta apta a integrar um sistema de auxílio real em ambientes clínicos reais.

A demanda cada vez maior por energia elétrica abre um caminho para a difusão de fontes de energias renováveis em locais geograficamente isolados. No Nordeste do Brasil muitas comunidades rurais apresentam dificuldades ligadas a falta de energia elétrica e a escassez de água, onde muitas delas possuem alto potencial para a implantação de sistemas fotovoltaicos de bombeamento (SFB) de água que poderiam mitigar tais dificuldades. A partir disso foi criado o projeto Canindé Solar, que consta de um projeto de extensão, implementado no semiárido do estado do Piauí, região Nordeste do Brasil, no qual utiliza a energia fotovoltaica para bombear água para ser empregada no cultivo de plantas na agricultura familiar. Será analisado a viabilidade de 11 SFB implantados pelo projeto, em sua maioria localizados na região semiárida piauiense, denominada Território Vale do Rio Canindé, aplicados para fins
de irrigação e destinados a melhorar a qualidade de vida do produtor rural de baixa renda com dificuldade de acesso à energia elétrica e a água, na produção de alimentos. O projeto também capacita os beneficiários por meio de kit didático, durante a instalação dos sistemas para que se tornem aptos na execução de pequenos reparos. Através da participação na implementação dos SFB, observações em campo, registro fotográfico e aplicação de questionário, verificou-se através de um comparativo entre o antes e o depois da instalação dos sistemas, uma melhora na qualidade de vida, aumento da variedade de produtos, redução da intensidade de trabalho, ampliação da oferta de trabalho, geração de renda para os agricultores e suas famílias. Além disso, os agricultores passaram a cultivar durante o ano todo, garantindo sua subsistência.

Dentre os cânceres de pele, o melanoma é o principal causador de fatalidades e vem aumentando sua incidência pelo mundo, sendo fundamental a descoberta da patologia nas fases iniciais para aumentar as chances de cura. Métodos computacionais estão sendo desenvolvidos para facilitar a sua detecção através de imagens médicas. Para interpretar informações nessas imagens de forma eficiente é necessário isolar a região com lesão, esse processo é chamado de segmentação e é uma tarefa altamente complexa devido as formas anormais das lesões e a presença de outros artefatos. Neste estudo foram propostos métodos de segmentação automática de câncer de pele melanoma em imagens dermatoscópicas baseados em fundamentos de deep learning, pós-processamento, transfer learning e fine-tuning. Investigou-se a classificação de lesões de pele com e sem as máscaras de segmentação, para avaliar o impacto que elas causam no desempenho da classificação e, além disso, avaliou-se o uso de redes neurais convolucionais pré-treinadas e redes em cápsula na classificação de melanoma. Os experimentos foram realizados em três bases de imagens públicas com máscara de segmentação (PH2, DermIS e ISIC 2018 Desafio Segmentação) e duas bases sem máscara (MED-NODE e ISIC 2018 Desafio de Classificação). Os resultados indicaram que as técnicas de segmentação foram promissoras, com destaque para a U-net com \textit{transfer-learning} e fine-tuning que obteve média Dice de 0,923 na base PH2, Dice = 0,893 na ISIC 2018 e Dice = 0,879 na DermIS. Na classificação as CNNs mostraram-se mais efetivas que a CapsNet para o problema de lesões de pele. O uso da segmentação durante a classificação mostrou-se positivo para as CNNs e não benéficos para a CapsNet. Dessa forma, conclui-se que embora as segmentações sejam benéficas, elas também podem causar reduções no desempenho da classificação, pois um erro de 6,8% de Dice na segmentação da base PH2 ocasionou cerca de -2,5% de Acurácia na classificação.

O câncer de pulmão é o de maior incidência no mundo. A detecção e o diagnóstico precoce permitem mais opções de tratamento e maior probabilidade de sobrevivência do paciente. Os exames padrão para o diagnóstico do câncer pulmonar são exames de imagem médicas, citologia de escarro e biópsia pulmonar. O exame de Tomografia Computadorizada (TC) de tórax tem papel importante no diagnóstico precoce de nódulos, o que pode aumentar a probabilidade de sobrevivência dos pacientes. Neste tipo de exame, os nódulos 3D são representados por diversas fatias 2D. Dessa forma, este trabalho aborda a classificação de nódulos pulmonares em benignos ou malignos em imagens de TC. Para isso, investigamos as redes pré-treinadas VGG16, VGG19, Inception, Resnet50 e Xception, para extração de características de cada fatia 2D do nódulo 3D. Em seguida, foi utilizado o Principal Component Analysis (PCA) para redução de dimensionalidade das características extraídas a partir das redes pré-treinadas.
Visto que a quantidade de fatias por nódulo são diferentes, foi aplicada a técnica de Bag of Features (BoF) para gerar vetores de características de mesma dimensionalidade, e na etapa de classificação, foi utilizada a Random Forest. Ainda, foi realizada a classificação utilizando Redes Neurais Convolucionais 2D e 3D, treinadas na própria base de imagens. Avaliamos o método proposto com 1.405 imagens segmentadas da base LIDC-IDRI e obtivemos acurácia de 95,41%, kappa de 0,8850, sensibilidade de 88,95%, especificidade de 97,99% e AUC de 0,9858. A principal conclusão obtida foi que a combinação pelo BoF de características extraídas de fatias 2D usando arquiteturas pré-treinadas produziu melhores resultados do que o treinamento de CNNs 2D e 3D nos nódulos. Além disso, o uso de BoF também torna a criação da assinatura do nódulo independente do número de fatias.

Este trabalho de dissertação, apresenta o desenvolvimento e a implementação computacional de um
algoritmo para a localização de faltas em linhas de transmissão. O algoritmo proposto é baseado em
métodos heurísticos sendo capaz de identificar o ponto de ocorrência da falta utilizando a Teoria das
Ondas Viajantes (TOV), as medições de tensão e corrente de pré e pós-falta, monitorado a partir de
medições disponíveis apenas no terminal local ou nos terminais local e remoto da linha de transmissão. A
ferramenta de otimização, Algoritmo Genético, que possui natureza heurística é menos propensa a ficar
em valores de mínimos locais, implicando em uma maior eficiência e precisão na estimação da distância
da falta. A implementação do algoritmo de localização de faltas foi feita no software MATLAB e foi
avaliado utilizando dados de simulações de faltas em uma linha de transmissão de 500 kV, modelada no
software ATP/EMTP. O algoritmo também foi testado em duas faltas reais, obtidas a partir de medições
registradas por relé SEL 411, que instalado em linha de 500 kV registrou estas faltas. A versão do algoritmo
desenvolvido para localização de faltas apresentou resultados com altos níveis de precisão, tanto para
uso desse algoritmo nas simulações quanto para a estimação da falta com dados reais.

A pandemia causada pelo COVID-19 já matou mais de 2,6 milhões de pessoas em todo o mundo afetando sistemas de saúde e a economia mundial. A detecção do COVID-19 nos estágios iniciais é vital para reduzir a transmissão e óbitos. O teste amplamente utilizado para sua detecção é a Reação em Cadeia da Polimerase Transcriptase Reversa, que além do alto custo. O COVID-19 leva a evidências radiológicas de lesões do trato respiratório inferior e a análise dessas evidências podem auxiliar no seu diagnóstico. Nesse cenário, técnicas de Aprendizado Profundo (AP) são aplicadas para detectar a pneumonia causada pelo COVID-19 em radiografias, auxiliando o diagnóstico rápido e preciso. Aqui, investigamos duas arquiteturas de AP com Sistemas Genéticos Evolutivos para definição do conjunto ótimo de hiper-parâmetros os quais foram extrapolados em mais cinco arquiteturas. Ainda, empregamos técnicas de aumento de dados e transferência de aprendizado para alcançar uma classificação satisfatória. Propomos também um método de redimensionamento de imagens com a função de janela máxima, que preserva as estruturas anatômicas do tórax. Os resultados obtidos alcançaram uma acurácia de 99,8% considerando as classes COVID-19, normal, pneumonias viral e bacteriana. A diferenciação entre a pneumonia viral e COVID-19 alcançou uma acurácia de 99,8%, enquanto a classificação da COVID-19 e pneumonia bacteriana obteve uma acurácia de 99,9%. O impacto do método de redimensionamento de imagem proposto no desempenho da classificação foi avaliado; esse pré-processamento aumentou a taxa de classificação, independentemente das arquiteturas de AP usadas. Comparamos nossos resultados com onze trabalhos presentes no estado da arte através de oito cenários de experimentação e seis métricas de avaliação. O método proposto obteve desempenho superior em sete cenários, representando um aumento de 14,71% na acurácia para o cenário composto por pneumonia viral e COVID-19. Portanto, demonstramos que modelos de aprendizado profundo treinados com imagens de raios-X pré-processadas podem ajudar especialistas na triagem de casos, reduzindo o tempo e esforço empregado no diagnóstico de variadas pneumonias, incluindo aquela causada por COVID-19.

Este trabalho trata do paralelismo de conversores estáticos cc-ca para aplicações em baixa e média potência, de forma a aumentar a confiabilidade, o desempenho e a qualidade dos sinais de tensões e correntes do sistema de conversão. Nesse contexto, duas estratégias de controle são aplicadas no inversor trifásico em paralelo. A primeira é chamada de Controle Preditivo baseado em Modelo (MPC - Model Predictive Control) e a segunda é o controlador de dupla sequência associado as técnicas de Modulação por Largura de Pulso (PWM - Pulse Width Modulation). A estratégia de controle MPC escolhida é a de Estados Finitos (FCS-MPC - Finite Control Set MPC) considerando a análise dos inversores trifásicos. O controlador proposto implementa, através de um algoritmo, o modelo discreto dos inversores trifásicos associados em paralelo, para prever o comportamento futuro das correntes de saída para cada estado de comutação. A ação de controle é definida minimizando uma função custo que possui como parâmetros as amostras destas correntes, anteriormente citadas. Com relação ao Controlador de dupla sequência são demonstradas as equações discretizadas do controlador, que serão utilizadas na geração dos sinais de referência. Para fins comparação e avaliação do desempenho das estratégias investigadas o critério principal que será utilizado é através da análise das distorções harmônicas dos sinais de correntes, em que são consideradas as influências das indutâncias equivalentes. O sistema de controle garante alto fator de potência,
divisão da corrente entre os conversores em paralelo e minimização das correntes de circulação. A topologia estudada apresenta melhor desempenho em nos critérios avaliados frente as topologias convencionais, nas mesmas condições de operação para as estratégias de controle definidas. Por fim, os resultados de simulação serão apresentados e comparados para a validação do sistema proposto.

A topologia de filtro ativo de potência universal em sua forma padrão é utilizada em sistemastrifásicos como meio de compensação harmônicos de tensão e corrente, como também tem acapacidade de desempenhar a correção de reativos ocasionados pela presença de cargas nãolineares. Este trabalho tem como proposta utilizar uma estratégia de controle em malha fechadano filtro de potência ativo universal e analisar o desempenho mediante a correção de harmônicosde corrente e perdas por chaveamento. A primeira parte utiliza controle preditivo baseado nomodelo da planta do sistema e tem o objetivo de regular a tensão no barramento cc que alimentaa junção paralela e série do filtro universal, assim como compensar as harmônicas de corrente dafonte. Essa técnica baseia-se na existência de um número finito de combinações de chaveamentosdos conversores, usadas de forma a diminuir o esforço do controlador e, assim, limitar o fluxo depotência entregue a rede. Isso é possível mediante a regulação da corrente entregue ao pontode acoplamento comumentre a rede e a porção paralela do filtro. Junto ao controle preditivo éutilizada uma estratégia complementar baseada em controle por histeres como forma de geraros sinais PWM necessários ao chaveamento da porção série do filtro universal. As técnicaspropostas foram implementadas separadamente, porém com influencia mútua. Isso deve-seao fato das referências dos controladores serem formuladas através da Teoria das PotênciasInstantâneas, que utiliza parâmetros do sistema para gerar referências. Como forma de verificara eficiência do filtro universal para estas estratégias de controle, foram realizadas análises pormeio de simulações e comparações com a técnica PI modificado, utilizada na tese de (MATIAS,2012) 

The use of alternative sources for generating electricity has been growing on the world stage, given
the exhaustion of traditional sources of energy generation. In this context, the generation of solar
photovoltaic energy has grown in participation in the electricity market. Faced with this trend, methods
of identifying models of photovoltaic solar generation can be developed to seek adequate energy
planning. Artificial neural networks have been highlighted in the estimation of photovoltaic generation,
based on meteorological parameters such as wind speed, ambient temperature, and solar radiation. On
the other hand, strategies to optimize the hyperparameters of neural networks have been little explored
by researchers, as well as the use of NARX-MISO (Nonlinear AutoRegressive with eXogenous inputs -
Multiple Input Single Output) models applied to the identification of photovoltaic generation. In this
work, we propose the application of genetic algorithms (GA) and particle swarm optimization (PSO)
to choose hyperparameters for Multilayer Perceptron (MLP), Extreme Learning Machine (ELM) and
Echo State Networks (ESN) ), as well as the optimization of the delayed input and output parameters of
the NARX structure of the MLP-NARX-MISO, ELM-NARX-MISO, and ESN-NARX-MISO models.
Another objective of this work was to identify two photovoltaic systems, one in Hamburg, Germany,
and another in Teresina, Brazil. The results of the optimization process showed that the GA and PSO
algorithms present equivalent performances, in the optimization of the parameters of the NARX models
and hyperparameters of the neural networks. Similarly, the results of validating the models, using the
residual correlation analysis, were considered satisfactory, since the models consistently reproduced
the dynamics of the two photovoltaic systems. The evaluation metrics of the neural models used (the
root of the mean square error of the test data (RMSE), the standard deviation of the RMSE and the
processing time of the networks) pointed out the ESN-NARX-MISO model as the most accurate and
efficient in the process identification performed.

Sabe-se que as variâncias dos sinais de controle (variável manipulada) e variável controlada são inversamente proporcionais às reduções de custo e de qualidade da produção em uma planta industrial, estudos têm demonstrado que as malhas de controle dos processos industriais em geral apresentam oscilações, variabilidades ou outros comportamentos indesejáveis, devido, na maioria dos casos, à pobre sintonia dos seus controladores. Frequentemente as dificuldades na sintonia dos controladores estão relacionadas à capacidade de tratar de forma adequada os problemas de seguimento de referência e de rejeição à perturbação. Aliado a isto encontra-se os problemas relacionados à variações paramétricas devido à dinâmica não modeladas, perturbações de cargas e de variabilidades nos sinais de sensores. Neste trabalho são propostas metodologia de sintonia de controladores PID-RST com dois graus de liberdade por posicionamento de polos para desacoplar os problemas de seguimento de referência e rejeição à perturbação. As das malhas de controle PID-RST projetadas são avaliadas segundo algumas métricas no sentido de conferir robustez às malhas de controle. Para solucionar o problema de alocação de polos é proposto a sintonia ótima para seguimento de referência e minimização do esforço de controle com base em algoritmos genéticos. Aplicações experimentais são realizadas em uma malha de controle de nível de uma planta piloto industrial e no controle de velocidade de um motor de corrente contínua que apresenta variações paramétricas em sua estrutura. O objetivo das aplicações prática foi o de demonstrar a eficácia da técnica proposta principalmente no que diz respeito ao posicionamento dos polos auxiliares das malhas de controle.

Devido as atividades humanas, e como estas afetam o meio, há a necessidade de monitorar e mensurá-las e os elementos oriundos destas. Neste cenário, tem-se emissões de certos gases e vapores, e em especial os gases de amônia (NH3) e dióxido de nitrogênio (NO2) Estes gases interagem na saúde humana e animal, assim como no meio ambiente, trazendo efeitos nocivos. Os Nanotubos de Carbono (CNT) são elementos que podem ser aplicados em diversas aplicações, entre elas o sensoriamento de gases. Neste trabalho é realizado uma modelagem do CNT para sensoriamento de gás Amônia. Este modelo emprega a representação por Circuito Distribuído Compacto, estimando a variação de resistência do CNT por meio da modificação de sua energia interna pela concentração de gás. Em paralelo a isso, é desenvolvido um sistema de condicionamento de sinal oriundos do sensoriamento de gás do CNT. O Amplificador de Instrumentação foi definido para realizar o estágio de ganho do sistema de medição. Seus blocos elementais são compostos por Amplificadores de Transcondutância (OTA) que foram dimensionados por três metologias: leis quadráticas, gm/Id e NSGA-II. Com esta última apresentando os melhores resultados para o OTA, tanto para ganho em malha aberta e CMRR.

Este trabalho apresenta uma proposta de metodologia de controle PID multivariável descentralizado
realizada através de uma análise de robustez dos controladores obtidos por diferentes
métodos de sintonia robusta. Nesse contexto, apresenta-se uma revisão bibliográfica que traz
desde a teoria básica de controle PID até os métodos de análise de sistemas de controle robusto.
Esse trabalho apresenta uma proposta de controle multivarável alternativa às metodologias
tradicionais, como o controle desacoplado.
Foi realizada a avaliação da eficiência de métodos de sintonia robusta de controladores PID em
promover o controle multivariável descentralizado de sistemas com acoplamento entre as malhas.
Foram estudados três métodos de sintonia robusta inicialmente concebidos para aplicações em
sistemas SISO: o método IMC, o método de Skogestad e o método AMIGO. Os controladores
apresentados neste trabalho foram avaliados em dois processos multivariáveis, uma planta de
tanques acoplados e uma incubadora neonatal, ambas com forte interação entre as malhas. Foram
calculados os controladores aplicando cada um dos métodos, para as plantas em questão, e
os resultados obtidos foram comparados aos resultados quando aplicado o método de Ziegler-
Nichols. Foram estudados os critérios de estabilidade robusta, seguimento de referência e rejeição
de perturbações para cada um dos controladores obtidos e, para um avaliação da eficácia dos
controladores, foram adotados os índices de desempenho ISE, IAE, ITAE e ITSE.
Os resultados obtidos para os controladores robustos foram comparados aos resultados obtidos
quando aplicado uma técnica de sintonia tradicional, o método de Ziegler-Nichols, e percebeuse
que, de fato, o método tradicional é insuficiente para garantir seguimento de referência
e rejeição de perturbações quando aplicado a um sistema MIMO com grande acoplamento
entre as malhas. Os controladores robustos, por outro lado, foram eficientes em promover o
controle descentralizado, todos os métodos de sintonia robusta abordados apresentaram resultados
semelhantes. Dentre os métodos bem-sucedidos no controle descentralizado, o método AMIGO
teve destaque no controle do duplo-tanque, pois produziu os menores valores do índice ITAE
(17666 e 20610, para os tanques 1 e 2, respectivamente), enquanto o método de Skogestad teve
destaque no controle da incubadora, pois produziu os menores valores do índice ITAE (30400000
e 2830600 para as malhas de umidade e temperatura, respectivamente).

A priorização de obras é um conhecido problema de planejamento do sistema elétrico. À medida que novas subestações, em especial, alimentadores em média tensão vão surgindo, ganhos são implementados ao sistema de distribuição, de forma que a hierarquização destes por ordem de construção torna-se necessária. Nesse processo, podem ser utilizadas técnicas de análise multicritério conhecidas como Multiple Criteria Decision Making – MCDM. O Processo de Hierarquia Analítica (AHP, do inglês Analytic Hierarchy Process) proposto por Saaty em 1977 apresenta-se como uma das principais ferramentas para converter avaliações subjetivas de importância relativa em um vetor de prioridades, tratando-se de um método aditivo com comparação par a par dos critérios elencados, com a realização de julgamentos entre critérios e alternativas. O método AHP linearizado, de forma análoga ao AHP tradicional, proporciona a conversão de avaliações qualitativas em um vetor de prioridades, no entanto, com menor quantidade de comparações pareadas em relação ao AHP tradicional. O método Fuzzy-AHP extent analysis proposto por Chang em 1996, emprega números fuzzy para este fim, tendo em vista que as comparações pareadas são fuzzy por natureza. Os métodos descritos têm em comum a necessidade de geração de matrizes de comparação pareada entre critérios e alternativas, de forma a permitir a aplicação dessas metodologias de classificação entre os alimentadores no problema, o que torna muitas vezes o procedimento custoso devido à necessidade de novas comparações par a par a cada nova alternativa inserida no problema, ou nesse caso, novos alimentadores. Sendo assim, este trabalho tem como principal objetivo o desenvolvimento de um modelo híbrido baseado em métodos de decisão multicritério e lógica fuzzy de forma a permitir a classificação por ordem de prioridade de construção de novos alimentadores, independente da geração de matrizes de comparação pareada entre alternativas, e que forneça resultados semelhantes aos métodos tradicionais utilizados. São considerados como critérios as diretrizes de expansão do sistema em média tensão baseados nos Procedimentos de Distribuição de Energia Elétrica – PRODIST, da Agência Nacional de Energia Elétrica - ANEEL, incluindo-se a geração distribuída. Para validação do modelo, foram realizados estudos comparativos entre os resultados obtidos através de métodos tradicionais de decisão multicritério, sendo que nas aplicações efetuadas foram utilizados dados de ganhos de alimentadores reais planejados. Como resultados, o sistema desenvolvido classificou os alimentadores por ordem de prioridade de construção semelhante aos métodos tradicionais, sem gerar matrizes de comparação pareada entre alternativas, e próximos das preferências reais dos especialistas consultados.

O presente estudo associa as redes máquina de aprendizagem extremo (ELM) e perceptron de múltiplas camadas (MLP) a mecanismos inteligentes de otimização, o Algoritmo Genético e a Otimização por Enxame de Partículas, de tal maneira a obter modelos globais supervisionados mais eficientes (com menos neurônios na camada oculta). A modelagem da potência óptica de lasers semicondutores de pontos quânticos por meio de redes neurais com diferentes estratégias de aprendizagem tem se apresentado como uma alternativa eficaz à abordagem clássica a partir de métodos massivamente físico-experimentais, como as equações de taxa e a descrição por microestados. Por se tratarem de paradigmas do tipo caixa preta, as redes supervisionadas dispensam o profundo conhecimento do processo e o tempo de teorização demandado dos métodos clássicos, ao mesmo tempo que consegue entregar resultados satisfatórios, com base em recentes trabalhos. Para tanto, duas abordagens são estabelecidas para estudo dos modelos: a primeira com um valor fixo reduzido da quantidade de neurônios e a segunda com um valor variável dentro do treinamento e determinado pelo próprio algoritmo. Ambas as abordagens são estudadas para a aproximação de funções de uma e de duas variáveis, com análise dos impactos da otimização nas redes MLP e ELM, como em relação ao sobreajuste e subajuste. Por fim, os modelos elaborados são aplicados à modelagem da potência óptica de lasers de ponto quântico em função de degrau de corrente na entrada, usando-se autorregressão com entrada exógenas, para um banco de dados com variações de estado (fundamental e excitado) e temperatura. Todos os modelos são submetidos à validação pelo erro quadrático médio e por análise dos resíduos.

Resumo: A alocação de unidades de Geração Distribuída (GD) no Sistema Elétrico de Potência (SEP) proporciona uma série de benefícios, sendo os principais a redução das perdas de potência nas linhas e a melhora do perfil de tensão do sistema. Porém, mesmo com a inserção de GD alcançando níveis cada vez maiores de penetração, os custos de instalação ainda são considerados bastante elevados. Este trabalho apresenta um modelo de otimização multiobjetivo (e sua solução) contemplando os objetivos de natureza técnica - minimizar as perdas de potência ativa e tornar o perfil de tensão mais homogêneo a partir da redução do desvio de tensão; e o objetivo de natureza econômica - reduzir o custo de instalação, operação e manutenção do empreendimento. Utilizou-se o NSGA-II como ferramenta de busca para resolver o modelo proposto e encontrar as variáveis de siting e sizing que determinam o problema de alocação de GD. As simulações foram realizadas integrando o MATPOWER e o MATLAB nos sistemas de 33, 69, 85 e 141 barras. Também foram realizadas modificações nos dados elétricos desses sistemas, ao passo que novas versões considerando perfis de consumo e patamares de carga também foram propostas. Utilizou-se lógica Fuzzy, composição max-min, para trade-off e compromisso de escolha final na fronteira de Pareto obtida. Com várias execuções do algoritmo de busca e técnica de seleção, uma superpopulação foi formada, novamente com uso da composição max-min, determinou-se as soluções mais adequadas por patamar de carga. Essas soluções foram avaliadas e observou-se uma melhora significativa dos sistemas com a presença de GD. Os objetivos alcançados com a inserção de GD também foram comparados aos valores obtidos em outros trabalhos, e observou-se que a combinação das duas técnicas utilizadas apresentou desempenho promissor quando comparada com outros algoritmos propostos em outros trabalhos.

Neste trabalho apresentam-se duas metaheurísticas evolutivas eficientes para abordar o problema de reconfiguração de sistemas de distribuição de energia de maneira mono-objetiva e multiobjetiva, sendo elas: Algoritmo Genético com procedimento de factibilização e Non-dominated Sorting Genetic Algorithm II com procedimento de factibilização e de diversificação, respectivamente. Os algoritmos foram aplicados visando otimizar dois objetivos de enorme importância para o setor de distribuição de energia: minimização da perda técnica de potência ativa e a minimização do desbalanceamento entre alimentadores. No estudo mono-objetivo, o algoritmo genético foi aplicado primeiramente para otimização das perdas e logo após para a redução do desbalanceamento. Foram abordados três objetivos como foco da minimização do desbalanceamento: balanceamento por carga, por fluxo e por impedância. Foram realizadas análises e comparações para cada objetivo, com o intuito de determinar a melhor forma de balancear sistemas de distribuição. No estudo multiobjetivo, o NSGA-II foi aplicado visando a otimização da perda de potência e do desbalanceamento de melhor desempenho encontrado pelo AG. O desempenho das configurações balanceadas foi medido a partir de um índice de balanceamento proposto nesta pesquisa, que leva em consideração todos os objetivos de balanceamentos abordados do trabalho, assim como o valor da perda de potência. Os testes foram realizados nos sistemas de 16, 84 e 136 barras, tais sistemas são bem conhecidos e já foram utilizados em diversos trabalhos relacionados à reconfiguração de redes de distribuição.

A predição de informações futuras consiste numa tarefa complexa, porém necessária em diversos
setores da economia. Atualmente diversas pesquisas relacionadas a tarefa de predição utilizando
redes neurais tem sido desenvolvidas. O resultado da aplicação de redes neurais nessa tarefa tem
sido promissor, com destaque para as arquiteturas NARX e ELM que são mais recentes. Neste
trabalho, aplicou-se as redes neurais FTDNN, NARX, ELM e NARX-ELM na predição de séries
temporais importantes para o planejamento energético do Sistema Interligado Nacional (SIN).
Utilizou-se uma adaptação do método de busca em grade para otimizar os hiperparâmetros de
cada rede e encontrar a configuração ótima das mesmas. Em seguida, avaliou-se o desempenho
dessas redes na predição recursiva de séries temporais de nível a montante e vazões afluentes
das usinas hidrelétricas de Boa Esperança e Sobradinho. Portanto, este trabalho teve como
objetivo otimizar diversas arquiteturas neurais através de métodos de busca de hiperparâmetros e
comparar o desempenho na predição dessas séries temporais.

RESUMO
A curva de potência de um aerogerador é a representação teórica da relação entre velocidade
do vento e potência elétrica gerada. A estimação ou obtenção de curvas de potência a partir
de dados medidos é fundamental para predição de potência elétrica gerada por um aerogerador
isolado ou por um parque eólico como um todo. Em geral, curvas de potência são usadas
para dimensionamento do aerogerador ou do parque eólico e também no monitoramento da
condição de operação dos aerogeradores. Costuma-se utilizar modelos de regressão polinomial
para estimação da curva de potência, mas há também soluções baseadas em outros modelos não
lineares, tais como redes neurais artificiais e modelos logísticos cujos parâmetros são estimados
via algoritmos de otimização meta-heurísticas. Nesta dissertação, contudo, é introduzida uma
solução alternativa baseada no sistema de inferência fuzzy de Takagi-Sugeno-Kang (TSK). A
principal vantagem da abordagem proposta está em sua simplicidade e adequação ao problema
de interesse. As funções de saída das regras do modelo TSK são lineares (mais exatamente
equações da reta), cujos os parâmetros são estimados pelo método dos mínimos quadrados
ordinário (MQO). A fim de lidar com a presença de outliers nos dados, o modelo TSK proposto
é estendido pela substituição do método MQO por estimadores-M, que é um arcabouço de
estimação robusta de parâmetros. A metodologia proposta é comparada com o estado da arte
em estimação da curva de potência de aerogeradores e os resultados indicam um desempenho
consistente da metodologia proposta em relação aos métodos avaliados.

Neste trabalho foram comparados dois conceitos de desenvolvimento de controladores PID aplicáveis para grande número de processos industriais com interação entre malhas: o método de sintonia de controladores PID sequencial e o método IMC multivariável. Apesar de os precursores de ambas as técnicas serem bastante difundidas no ambiente industrial para controle de sistemas do tipo SISO, tais métodos de controle monovariáveis não são capazes de atuar com eficiência em processos do tipo MIMO. Portanto, o desenvolvimento de uma matriz de desacoplamento e sua adição ao sistema mutivariável faz-se necessária para o controle de processos com acoplamento entre as malhas a partir de estruturas de controle monovariáveis, atuando de modo a minimizar (ou até mesmo eliminar) a interação proporcionada pelos elementos de fora da diagonal principal da matriz de transferência do processo. A eficácia das técnicas de controle e desacoplamento de sistemas multivariáveis apresentadas neste trabalho foi avaliada em dois processos, sendo um deles simulado (coluna de destilação de Wood e Berry) e o outro uma planta real de tanques acoplados com forte interação entre as malhas. Foram calculadas as matrizes de desacoplamento simplificado para os sistemas, comparando-se as respostas dos processos frente às ações dos controladores sintonizados pelos métodos sequencial, IMC multivariável, método de Aström e IMC monovariável.

Em fevereiro de 2015, foi publicada a Portaria nº 23/2015 do Ministério de Planejamento, Orçamento e Gestão que estabelece boas práticas de gestão e uso de energia elétrica e água nos órgãos e entidades da Administração Pública Federal direta, autárquica, como a utilização de módulos fotovoltaicos, de modo a proporcionar economia no consumo anual de energia elétrica da edificação. Por outro lado, em se tratando do universo das instituições de ensino, de acordo com o Ministério da Educação e Cultura, as mesmas devem constituir-se como espaços educadores sustentáveis modernizando as edificações para o uso eficiente dos insumos e redução dos impactos ambientais. Ademais, é possível perceber um aumento na quantidade de sistemas fotovoltaicos instalados no estado do Piauí e uma crescente utilização desta fonte no âmbito das instituições de ensino. Assim surgiram os seguintes questionamentos norteadores desta pesquisa: Como se dá o desempenho operacional de sistemas fotovoltaicos instalados em instituições de ensino multicampi no estado do Piauí? A análise de desempenho operacional pode ser feita com precisão se forem utilizados dados de irradiação solar provenientes de outras fontes que não as sugeridas pelas normas? É possível analisar possibilidades de replicação de sistemas fotovoltaicos nas instituições de ensino multicampi, estimando a energia a ser produzida através da metodologia tradicional de cálculo com melhor exatidão que softwares dedicados utilizando tais dados de irradiação? Quais benefícios a replicação de sistemas fotovoltaicos trará para as instituições? Nesse contexto, esta pesquisa tem como objetivo Geral fornecer subsídios para os gestores de instituições de ensino de caráter multicampi analisarem a viabilidade técnico-econômica da replicação de sistemas fotovoltaicos, de modo a evitar grandes margens de erros nas estimativas de geração de energia elétrica. Através da análise do Sistema IFPI-FLORIANO, objeto de estudo desta pesquisa, foi verificado que os sistemas fotovoltaicos instalados em instituições de ensino podem apresentar excelentes desempenhos devido ao grande potencial para a utilização desta fonte no estado. O sistema teve uma produtividade de 1.493,12 kWh/kWp, um Fator de Capacidade de 17,04% e uma Taxa de Desempenho de 97,75%. Verificou-se também que é possível analisar o desempenho operacional e estimar a energia a ser produzida pelo sistema com precisão, utilizando apenas os dados de radiação solar global coletados através das estações meteorológica do Instituto Nacional de Meteorologia, de modo a se utilizar estes dados em análises de viabilidade técnico-econômica como instrumentos de tomada de decisão para a instalação e replicação de sistemas fotovoltaicos. Por fim, a replicação do sistema fotovoltaico em instituições de ensino multicampi trará como benefício principal uma economia anual de cerca de 59% no consumo de energia elétrica, o que pode ser investido em outros setores prioritários da instituição. Ademais, tendo em vista a atividade fim das instituições de ensino, a instalação do sistema fotovoltaico e a replicação do sistema trará benefícios além da redução do consumo de energia elétrica, ao ser utilizado nas atividades de ensino, pesquisa e extensão.

O diagnóstico de falhas incipientes em transformadores de força, com base na análise dos gases
dissolvidos no óleo isolante, é o método mais utilizado em ocasiões que envolvam manutenções
preventivas, preditivas ou corretivas no equipamento. É essencial garantir a operação contínua
do transformador de força e evitar possíveis falhas que possam ocorrer devido ao seu ciclo de
vida natural ou arranjo elétrico a que são submetidos. Atualmente, o método do triângulo de
Duval é uma das técnicas tradicionais mais utilizadas na Análise de Gases Dissolvidos(DGA,
do Ingles Dissolved Gas Analysis), porém, esta técnica tem mostrado precisão limitada. Para
superar os problemas de desempenho convencionais, técnicas de Inteligência Computacional
como Redes Neurais, Sistemas Difusos e, mais recentemente, Árvores de Decisão(DT, do inglês
Decision Tree) foram propostas como métodos para análise de gases dissolvidos. Este trabalho
mostra que o algoritmo de Árvores de Decisão, usando a taxa de ganho como uma métrica para
seleção de atributos, foi capaz de extrair o máximo de informação destes, e fornecer uma solução
para casos não resolvidos usando métodos tradicionais. Mostrou-se também que os atributos
mapeados pela árvore de decisão para classificação DGA podem inferir no tipo de falha através
da análise de poucos gases. Finalmente, pode-se concluir que a técnica proposta desempenha um
papel importante na melhoria da análise DGA e configura-se como uma ferramenta promissora
utilizada isloada, ou em conjunto com as técnicas tradicionais.