Projetos de Pesquisa

 

Foto de perfil

Sylvio Barbon Júnior

Engenharias

Engenharia Elétrica
  • geração inteligente de energia solar em usina fotovoltaica com aprendizado de máquina
  • A geração de energia solar vem ganhando espaço e incentivos no Brasil. Em novembro de 2019, foi inaugurada a primeira usina fotovoltaica de Londrina, localizada na Universidade Estadual de Londrina. A construção desse projeto foi parte do Projeto de Eficiência Energética aprovado na Chamada Pública Copel-VPDE 001/2017, incentivado pela Agência Nacional de Energia Elétrica (Aneel). Sabe-se que a previsão de geração de energia representa uma etapa estratégica no planejamento, gerenciamento e operação de um sistema elétrico. Contudo, a natureza dos dados associados a energias renováveis (intermitência, aleatoriedade e dependência do ambiente e clima) é caracterizada por não-linearidade, o que dificulta a criação de um modelo preditivo satisfatório. A predição do que acontecerá em um breve espaço de tempo também é um desafio. Aproveitando a presença da usina fotovoltaica em operação no campus da Universidade Estadual de Londrina, que caracteriza um living lab para P&D em produção de energia renovável, esse projeto objetiva o desenvolvimento de modelos preditivos capazes de lidar com os dados gerados pela usina em questão e, a partir disso, obter informações estratégicas para seu gerenciamento e controle.
  • Universidade Estadual de Londrina - PR - Brasil
  • 20/08/2020-31/08/2022
Foto de perfil

Sylvio Barbon Júnior

Ciências Exatas e da Terra

Ciência da Computação
  • novos métodos preditivos para problemas desinais biológicos com múltiplas saídas
  • Em muitos desafios preditivos encontrados na vida real existem múltiplas saídas (multi-target) relacionadas a um mesmo conjunto descritivo de atributos. No entanto, por muitas vezes a dependência (linear e não linear) entre as saídas não é completamente explorada. De fato, problemas com dependência ou relacionamentos estatísticos entre suas saídas, são altamente justificáveis e podem ocorrer nos mais diversos campos, como em aplicações que tratam sinais biológicos para sua predição e compreesão; na inferência da composição química de solos e da água; na automação de processos industriais e na inferência de carga energética. Estes problemas, em geral, são resolvidos com base na técnica de AM conhecida como regressão. A utilização de soluções multi-target em detrimento a predição individual de cada saída resulta na vantagem de compreender o problema globalmente, modelando a dependência existente entre as múltiplas variáveis de saída existentes e, assim, melhorar a descrição da tarefa. Além disso, técnicas multi-target reduzem o sobreajuste aos dados de treinamento quando comparados a uma coleção de modelos com única saída. É nesse escopo que este projeto se insere. Por meio da proposta de inovação nos algoritmos de modelagem MT que explora camadas profundas de regressores empilhados, de modo a inserir a informação proveniente de predições das variáveis alvo como descritores preditivos auxiliares, buscando aumentar o desempenho preditivo.
  • Universidade Estadual de Londrina - PR - Brasil
  • 18/02/2019-28/02/2022