UNIVERSIDADE FEDERAL DO PARÁ - PPGEE

Tese (Doutorado) – Universidade Federal do Pará, Instituto de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica, Belém, 2009. Ao Programa de Pós-Graduação em Engenharia Elétrica da Universidade Federal do Pará, em especial aos seus professores, pelo ambiente fecundo e fértil para o progresso da formação meu acadêmico

INTRODUÇÃO

Utilizar técnicas híbridas de Inteligência Computacional com vista à melhoria dos processos de descoberta de conhecimento em bases de dados; A utilização de técnicas híbridas de Inteligência Computacional proporciona o aprimoramento dos processos de descoberta de conhecimento em bancos de dados;

SISTEMAS DE SUPORTE À DECISÃO BASEADOS EM MINERAÇÃO DE

CONSIDERAÇÕES INICIAIS
MINERAÇÃO DE DADOS

Compreensão do domínio da aplicação
Pré-processamento dos dados
Extração de Padrões
Avaliação do Conhecimento Extraído (pós-processamento)
Consolidação e Utilização do Conhecimento Extraído

PRINCIPAIS DESAFIOS E TENDÊNCIAS NA ÁREA DE MINERAÇÃO DE
CONSIDERAÇÕES FINAIS

O processo de MD começa com a compreensão do domínio da aplicação, considerando aspectos como as finalidades desta aplicação e as fontes de dados. A extração direta de padrões de grandes quantidades de dados pode se tornar uma tarefa impossível.

TÉCNICAS DE RACIOCÍNIO INCERTO PARA MINERAÇÃO DE DADOS

CONSIDERAÇÕES INICIAIS

ALGORITMOS GENÉTICOS

Terminologia
Representação
População Inicial
Avaliação e Seleção
Operador de Crossover
Operador de Mutação
Algoritmos Genéticos e Mineração de Dados

O operador de cruzamento divide as sequências de bits dos cromossomos pais em uma posição aleatória, produzindo um par de “caras” e um par de “coroas”, a permutação de. A probabilidade de aplicação do operador de cruzamento pode variar de acordo com uma taxa conhecida como taxa de cruzamento, geralmente entre 60% e 99%.

REDES BAYESIANAS

Independência Condicional
Construção de Redes Bayesianas
Aprendizado de Redes Bayesianas
Aprendizado das Probabilidades em Redes Bayesianas
Aprendizado da Estrutura de Redes Bayesianas
Inferência em Redes Bayesianas
Redes Bayesianas e Mineração de Dados

Portanto, para determinar a estrutura de um RB você deve (1) ordenar as variáveis de alguma forma (geralmente de acordo com as observações do especialista na área) e (2) determinar o conjunto de variáveis que satisfazem a equação 3.4. Aprender RBs consiste em induzir, a partir de um conjunto de dados, distribuições de probabilidades condicionais e identificar as relações de independência existentes nesse conjunto. 40 Finalmente, o algoritmo tenta estimar as probabilidades (parâmetros) de TPC com base no conjunto de dados de treinamento.

Para compreender estes problemas, considere um conjunto de dados D (referente ao RB na Figura 3.10), formado a partir dos exemplos mostrados na Tabela 3.2. Para isso, é necessário entender que aprender a estrutura dos RBs pode ser visto como um processo de busca por uma estrutura que codifique o DPC para um conjunto de variáveis aleatórias X, dado um conjunto de dados D. Então, dado um conjunto dos dados D , calcule as probabilidades condicionais que maximizam P(Sh|D) (estrutura) e P(ijk|D,Sh) (probabilidades condicionais dos TPCs dos nós na estrutura RB Sh).

Este método aprende a estrutura de um RB a partir de um conjunto de dados completo, cuja ordem das variáveis deve ser especificada pelo usuário deste método. Este algoritmo, classificado como busca e pontuação e um dos mais utilizados, permite encontrar a estrutura mais provável da rede de crenças S a partir de um determinado conjunto de dados D.

CONSIDERAÇÕES FINAIS

TRABALHOS RELACIONADOS

MECANISMOS PARA MELHORIA DO PROCESSO DE INFERÊNCIA EM
EMPREGO DE TÉCNICAS DE MODELAGEM DE DEPENDÊNCIAS E

Em (de Campos et al., 2002) é discutida a detecção das variáveis que mais influenciam o alcance do valor alvo. (Kuo et al., 2008) propõe uma solução para o problema de encontrar a configuração mais provável de variáveis de evidência com um método de otimização baseado em medidas de entropia. Nos estudos de (Yongli et al., 2008), dada a complexidade das redes geradas, redes bayesianas com métodos de inferência aproximados são utilizadas para avaliar a confiabilidade dos sistemas de energia.

Em (Yongli et al., 2006), é apresentada a aplicação de RBs para diagnóstico de possíveis falhas de transmissão em sistemas elétricos. Em (Yonggiang et al., 2005), também é apresentada uma aplicação de RBs no contexto de diagnóstico de falhas, com foco em possíveis defeitos que podem ocorrer. A ideia do método proposto por Yonggiang et al., 2005 é criar um modelo de diagnóstico de falhas em transformadores baseado em RBs e DGA.

Diversas outras aplicações de RB no diagnóstico de falhas são exploradas na literatura, como trabalhos recentes de (Flores-Loredo et al., 2005), (Flores-Quintanilla, 2005) e (Zhou et al., 2006). Em (Zhou et al., 2006), os RBs não são utilizados especificamente para diagnóstico de falhas, mas sim para prever a possibilidade de falha na distribuição de energia levando em consideração alguns aspectos climáticos.

ESTRATÉGIA PARA MELHORIA DA INTERPRETABILIDADE DE REDES

CONSIDERAÇÕES INICIAIS

O Módulo 1 deste framework, desenvolvido por (Santana, 2008), membro do grupo LPRAD Data Mining, apresenta uma abordagem para estender o processo de inferência RB baseada na consideração do tempo em que os eventos podem ser correlacionados. Além disso, o autor desenvolve um método para melhorar o processo de construção (aprendizado) de uma rede a partir de dados utilizando o algoritmo Multiple Regression Structure Learner (MRSL). Neste capítulo, é apresentada uma estratégia original para estender o poder de inferência do RB, juntamente com uma abordagem de otimização para descoberta de cenários, que representa o módulo 2 do framework e é o tema desta tese de doutorado.

ABORDAGEM DE OTIMIZAÇÃO PARA A DESCOBERTA DE CENÁRIOS

Enquadramento da Estratégia de Descoberta de Cenário no Processo de
Descrição da Estratégia de Descoberta de Cenários
Identificação das variáveis de maior influência sobre a variável meta
Descoberta de Cenários – Valores Numéricos
Descoberta de Cenários – Mais de uma variável meta
Condição de parada do algoritmo genético via critério subjetivo de avaliação do

Para efeito da estratégia de detecção de cenários, é possível utilizar métodos de inferência exatos ou aproximados. 70 Como pode ser visto na Figura 5.2, o processo de descoberta de cenários inicia-se com o fornecimento do RB, gerado a partir dos dados e seus correspondentes parâmetros, em seguida é aplicado um AG que, utilizando a função de adequação de cenários (indivíduos) tira a conclusão da RB. O próprio mecanismo recebe, ao final de suas iterações, o cenário ótimo para atingir determinado objetivo. Como forma de mostrar essa interação entre os métodos que compõem a estratégia de descoberta de cenários, a Figura 5.3 apresenta um algoritmo que codifica a relação entre o método de inferência GA e RB.

Na Figura 5.8 pode-se observar que cada valor representa o estado da variável RB Munin e que M é a variável DIFFN_TYPE (meta) observada. Como pode ser visto na Figura 5.3, o algoritmo básico da estratégia desenvolvida retorna como solução o cenário ótimo para obtenção do estado desejado da variável de consulta (variável alvo). Para demonstrar a lógica de funcionamento do AG_Multivariate, a Figura 5.13 apresenta um módulo que permite obter os valores contínuos das variáveis que compõem o cenário descoberto pelo AG principal.

Para entender a função de aptidão ponderada (equação 5.9), considere o exemplo RB na Figura 5.5(a) e o objetivo de encontrar o cenário ótimo para obter os valores alvo B=b1 e D=d2. Algoritmo para o processo de detecção de cenários, considerando o grau de interesse do cenário detectado como critério de parada.

CONSIDERAÇÕES FINAIS

89 A principal motivação para implementar este critério para o AG da estratégia de descoberta de cenários é a possibilidade de incorporar o conhecimento a priori do especialista sobre o domínio de aplicação no processo de busca de cenários.

ESTUDO DE CASO: DESCOBERTA DE CENÁRIOS SÓCIO-ECONÔMICOS E

MOTIVAÇÃO E CONTEXTUALIZAÇÃO DA ESTRATÉGIA DESENVOLVIDA
PROCESSO DE COMERCIALIZAÇÃO DE ENERGIA ELÉTRICA NO BRASIL
DESCOBERTA DE CENÁRIOS DE CONSUMO DE ENERGIA

Arquitetura Básica do Predict
Descoberta de cenários utilizando métodos exatos e aproximados de inferência
Identificação das variáveis de maior influência sobre a maximização do
Descoberta do cenário sócio-econômico (valores contínuos) ótimo que
Descoberta do cenário sócio-econômico ótimo que explique a maximização
Descoberta do cenário climático ótimo que propicie um valor máximo do

Estes requisitos realçaram a importância da introdução de novos métodos para fornecer respostas ainda mais abrangentes na descoberta de padrões de consumo de electricidade. Para os estudos de caso realizados nesta tese são consideradas as bases de dados de consumo de energia elétrica de duas empresas do grupo Rede Energia: CELPA (Pará) e ENERSUL (Mato Grosso do Sul). Os impactos climáticos no consumo de eletricidade têm em conta dados obtidos a partir de 2000 para ambas as empresas elétricas.

Energia: dados da base corporativa das concessionárias de energia do grupo Rede Energia. Previsão: responsável pela previsão do consumo de energia faturada (e suas diferentes classes) e da energia necessária a médio (1 a 2 anos) e longo prazo (mais de 2 anos). Correlação: responsável por codificar correlações entre dados socioeconômicos, climáticos e elétricos.

Rede bayesiana gerada para medir associações entre dados socioeconômicos e consumo de energia elétrica por classe. Neste capítulo foi possível estabelecer a instanciação da estratégia de descoberta de cenários dentro do setor elétrico, especialmente relacionados ao consumo de energia elétrica e sua relação com aspectos climáticos e socioeconômicos.

CONCLUSÕES E TRABALHOS FUTUROS

111 Para conseguir isso, as redes Bayesianas são criadas a partir de dados históricos económicos, climáticos e de consumo de energia faturada. Para efeito do estudo de caso, foram utilizados dados históricos de consumo de energia fornecidos pelas empresas de energia elétrica dos estados do Pará e Mato Grosso do Sul, dados econômicos fornecidos pela Secretaria de Planejamento desses estados, além de dados climáticos do Instituto Nacional de Pesquisas Espaciais foram usadas. Estabelecer mecanismos que permitam quantificar o impacto de determinadas variáveis económicas e climáticas no consumo calculado de eletricidade;

Criação de uma estratégia para descobrir uma combinação óptima de estados variáveis (climáticos e socioeconómicos), com vista à obtenção de um determinado valor objectivo para o consumo de electricidade. 113 A estratégia não se limita apenas a estabelecer cenários económicos e climáticos que produzam uma meta de consumo, mas também permite analisar as correlações entre os próprios dados de consumo (por exemplo entre classes de consumo), além da possibilidade de estabelecer, em pelo contrário, que se trata de cenários de consumo de energia que melhor explicam o cumprimento de um valor-alvo de uma ou mais variáveis económicas ou mesmo climáticas. Um quadro analítico eficaz para orientar as decisões relacionadas com o processo de comercialização de energia, onde as previsões de consumo de energia e o estudo de cenário que suporta essas previsões são cruciais para o sucesso dos processos de compra e venda;

Com base na estratégia desenvolvida, foi possível criar um ambiente completo de apoio à decisão que já funciona para concessionárias de energia elétrica que atuam em seis estados brasileiros (Pará, Mato Grosso, Mato Grosso do Sul, Tocantins, além de algumas regiões do Sul). São Paulo e Norte do Paraná) fornecidas pelo Grupo Rede Energia, para que os usuários do nível decisório dessas empresas possam fechar contratos mais favoráveis no mercado futuro de energia e analisar cenários de consumo favoráveis baseados em mudanças climáticas e econômicos para suas operações no setor. Estabelecer cenários de otimização de consumo levando em consideração diversos outros fatores sugeridos pelo especialista na área, como segurança do sistema, qualidade da energia fornecida aos consumidores, ou mesmo outros elementos que norteiam o processo de comercialização de energia (por exemplo, descoberta de cenários que considerem PLD, conforme ao nível do reservatório e expansão do sistema hidrotérmico);.

Learning belief networks from data: an information theory-based approach, Proceedings of the Sixth International Conference on Information and Knowledge Management. Partial abductive inference in Bayesian belief networks - an evolutionary computational approach using problem-specific genetic operators. Proceedings of the Seventh International Workshop on Rough Sets, Fuzzy Sets, Data Mining and Granular Soft Computing, Lecture Notes in Artificial Intelligence 1711, New Directions in Rough Sets, Data Mining and Granular Soft Computing.

TRABALHOS ACEITOS/PUBLICADOS

Previsão de carga e aprendizagem de padrões de influência de fatores socioeconômicos e climáticos no consumo de energia. Análises comparativas de modelos de inteligência computacional para previsão de carga: um estudo de caso nas concessionárias de energia da Amazônia brasileira. Modelos de Inteligência Computacional Aplicados a um Estudo de Caso de uma Empresa Fornecedora de Energia na Amazônia Brasileira para Previsão de Energia Elétrica.

Estratégias de previsão de carga e consumo de energia elétrica baseadas em modelos estatísticos e redes neurais artificiais: um estudo de caso em concessionárias de energia no estado do Pará. Estudos comparativos de modelos estatísticos e de redes neurais para previsão de carga de curto e longo prazo: um estudo de caso nos fornecedores de eletricidade da Amazônia brasileira. FAVERO, Elói; MACEDO, Valquíria; BESERRA, Ubiratan; TUPIASSU, Armando; CAT, Vanja; RÉGO, Liviane; COSTA, Rafael; NASCIMENTO, Cibelle.

Um sistema de apoio à decisão para sistemas de energia utilizando previsão de carga e aprendizagem causal. Estratégias de previsão do consumo de energia elétrica utilizando modelos estatísticos e de inteligência computacional: um estudo de caso em empresas de energia do estado do Pará.

PROJETOS DE PESQUISA E DESENVOLVIMENTO