Potential downfalls in the application of constructive journalism at Here and Now

A metodologia apresentada se mostrou abrangente a ponto de ser aplicada em diversos tipos de problema. Neste trabalho foram propostas formulações generalis- tas o suficiente para que dados recebidos brutos pudessem ser analisados e trata- dos sem operações adicionais. Os modelos propostos são baseados na otimização de um subconjunto 𝑑, 𝐷, 𝜑1,··· ,𝑝,Φ1,··· ,𝑃, 𝜃1,··· ,𝑞,Θ1,··· ,𝑄, 𝜆, 𝛾mapeando Ω1,··· ,𝑀, 𝜉1,··· ,𝑁 com

𝑀, 𝑁 → ∞ de forma a diminuir o MAPE; desta forma, obteve-se um modelo parcimo- nioso em seus parâmetros e com excelente capacidade de generalização.

A aplicabilidade da metodologia proposta em REI é de muito interesse porque permitirá a realização de cálculos mais rapidamente em um conjunto reduzido de parâmetros. Isso implica em menor esforço computacional e menores exigências a serem feitas sobre requisitos de hardware e software embarcados para sua imple- mentação em aplicações em escala industrial.

Foram apresentados conceitos fundamentais e métodos consagrados na litera- tura para predição de séries temporais e uma nova metodologia foi introduzida tirando vantagem de aspectos da lógica nebulosa. Mais do que sistemas de controle, as REI serão compreendidas como ecossistemas de agentes. Por isso, a utilização de vari- áveis linguísticas e a extração de regras serão essenciais nos processos de apren- dizagem e estratégia dos agentes presentes nesse ambiente. Este trabalho buscou contribuir com esses aspectos na ferramenta de predição de séries temporais.

99

8 Propostas de trabalhos futuros

Como trabalhos futuros, podem-se propor:

∙ Implementação de treinamento on line do modelo SARFIMA-FTS;

Aqui fora implementada a rotina de treinamento em “lotes”: é necessário ter um conjunto de treinamento e um de validação previamente conhecidos para realizar a identificação de modelo. Um método de treinamento on line representará um sistema totalmente atualizado a cada evento que ocorra na REI em que esteja inserido.

∙ Implementação do modelo SARFIMA-FTS com entrada exógena (SARFIMAX- FTS);

Ao serem consideradas explicitamente nos modelos, variáveis fora dos sis- temas das REI como condições atmosféricas, acidentes, decisões políti- cas e outras, poderão refinar ainda mais o seu funcionamento contribuindo com predições mais acuradas. Trabalho semelhante foi desenvolvido em (COELHO et al., 2016b) com outras abordagens híbridas (GRASP e ES). ∙ Estudo de detecção de novidades;

Criação de rotinas de monitoramento do modelo para identificar ocorrências e classifica-las de acordo com suas características: está havendo sobre- carga? fraude? avaria de equipamentos ou linhas? e outras avaliações. ∙ Estudo da utilização da capacidade de predição para planejar a manutenção do

sistema.

Avaliar como o modelo SARFIMA-FTS se aplica na busca por manutenções preditivas da REI, evitando custos adicionais por manutenções programadas e prejuízos por manutenções corretivas.

Referências

AARTS, E. H. L.; KORST, J. H. M. Simulated Annealing and Boltzmann Machines. [S.l.]: John Wiley and Sons, 1989. Citado na página 116.

ABREU, Y. V. de. Reestruturação e Privatização do Setor Elétrico Brasileiro (1999). [S.l.]: Yolanda Vieira de Abreu, 2009. Citado na página 22.

AGUIRRE, L. Introdução à Identificação de Sistemas – Técnicas Lineares e Não-Lineares Aplicadas a Sistemas Reais. [S.l.]: Editora UFMG, 2007. ISBN 9788570415844. Citado 3 vezes nas páginas 10, 42 e 45.

AL-KANDARI, A. M. Fuzzy system applications for short-term electric load forecasting. Dalhousie University, 2001. Citado na página 38.

AMIN, M.; SCHEWE, P. F. Preventing blackouts. Scientific American, Scientific American, v. 296, n. 5, p. 60–67, maio 2007. ISSN 00368733. Citado na página 36. AMJADY, N.; KEYNIA, F.; ZAREIPOUR, H. Short-term load forecast of microgrids by a new bilevel prediction strategy. Smart Grid, IEEE Transactions on, IEEE, v. 1, n. 3, p. 286–294, 2010. Citado na página 97.

ANATEL. Relatório Anual. [S.l.], 2014. Citado 2 vezes nas páginas 10 e 31. ANEEL. Matriz de energia elétrica. Disponível em: <http://www.aneel.gov. br/aplicacoes/capacidadebrasil/OperacaoCapacidadeBrasil.cfm>. Acesso em: 24.09.2014. Citado 2 vezes nas páginas 10 e 20.

ANEEL. Perdas de Energia. 2014. Disponível em: <http://www.aneel.gov.br/area.cfm? idArea=801>. Acesso em: 01.10.2014. Citado 3 vezes nas páginas 12, 112 e 113. ANEEL Agência Nacional de Energia Elétrica. Resolução Normativa 469/2011. [S.l.], 2011. Citado na página 19.

ATASHPAZ-GARGARI, E.; LUCAS, C. Imperialist competitive algorithm: an algorithm for optimization inspired by imperialistic competition. In: IEEE. Evolutionary

Computation, 2007. CEC 2007. IEEE Congress on. [S.l.], 2007. p. 4661–4667. Citado na página 85.

ATZORI, L.; IERA, A.; MORABITO, G. The internet of things: A survey. Computer Networks, v. 54, n. 15, p. 2787 – 2805, 2010. ISSN 1389-1286. Citado na página 22. BAKARI, K.; KLING, W. Virtual power plants: An answer to increasing distributed generation. In: Innovative Smart Grid Technologies Conference Europe (ISGT Europe), 2010 IEEE PES. [S.l.: s.n.], 2010. p. 1–6. Citado na página 21.

BANCO CENTRAL DO BRASIL. Histórico das taxas de juros. 2015. Disponível em: <http://www.bcb.gov.br/?COPOMJUROS>. Citado 3 vezes nas páginas 10, 47 e 48. BERMANN, C. Energia no Brasil, Para que? Para quem?: crise e alternativa para um país sustentável. [S.l.]: Livraria da Física, 2002. ISBN 9788588325067. Citado na página 18.

Referências 101

BLONBOU, R. Very short-term wind power forecasting with neural networks and adaptive bayesian learning. Renewable Energy, v. 36, n. 3, p. 1118 – 1124, 2011. ISSN 0960-1481. Citado na página 26.

BLUMER, A.; EHRENFEUCHT, A.; HAUSSLER, D.; WARMUTH, M. K. Occam’s razor. Inf. Process. Lett., Elsevier North-Holland, Inc., Amsterdam, The Netherlands, The Netherlands, v. 24, n. 6, p. 377–380, abr. 1987. ISSN 0020-0190. Disponível em: <http://dx.doi.org/10.1016/0020-0190(87)90114-1>. Citado na página 51.

BOLLEN, M. The Smart Grid: Adapting the Power System to New Challenges. [S.l.]: Morgan & Claypool, 2011. (Synthesis digital library of engineering and computer science). ISBN 9781608458165. Citado 5 vezes nas páginas 10, 12, 22, 33 e 34. BOX, G. E.; JENKINS, G. M.; REINSEL, G. C. Time series analysis: forecasting and control. [S.l.]: John Wiley & Sons, 2011. Citado 3 vezes nas páginas 42, 44 e 114. (BRAZIL), A. N. de E. E. Acesso e uso dos sistemas de transmissão e de distribuição. [S.l.]: Agência Nacional de Energia Elétrica, 2005. (Cadernos temáticos ANEEL). Citado na página 19.

CADENAS, E.; RIVERA, W. Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, v. 34, n. 1, p. 274 – 278, 2009. ISSN 0960-1481. Citado na página 26.

CAMPOS, R. J. Previsão de séries temporais com aplicações a séries de consumo de energia elétrica. Tese (Doutorado) — Universidade Federal de Minas Gerais, 2008. Citado na página 26.

CARDOSO, A.; LAMOUNIER, E.; LIMA, G.; OLIVEIRA, L.; MATTIOLI, L.; JUNIOR, G.; SILVA, A.; NOGUEIRA, K.; PRADO, P. D.; NEWTON, J. VRCEMIG: A virtual reality system for real time control of electric substations. In: . [S.l.: s.n.], 2013. p. 165–166. Citado na página 18.

CASTRO, L. de; ZUBEN, F. V. Learning and optimization using the clonal selection principle. Evolutionary Computation, IEEE Transactions on, v. 6, n. 3, p. 239 –251, jun 2002. ISSN 1089-778X. Citado na página 116.

CHE, J.; WANG, J.; TANG, Y. Optimal training subset in a support vector regression electric load forecasting model. Applied Soft Computing, Elsevier, v. 12, n. 5, p. 1523–1531, 2012. Citado na página 85.

CHEN, J.-C.; LI, W.-T.; WEN, C.-K.; TENG, J.-H.; TING, P. Efficient identification method for power line outages in the smart power grid. Power Systems, IEEE Transactions on, v. 29, n. 4, p. 1788–1800, July 2014. ISSN 0885-8950. Citado na página 35.

CHEN, S.-M. Forecasting enrollments based on high-order fuzzy time series.

Cybernetics and Systems, Taylor & Francis, v. 33, n. 1, p. 1–16, 2002. Citado 2 vezes nas páginas 65 e 67.

COELHO, V. N.; COELHO, I. M.; COELHO, B. N.; COHEN, M. W.; REIS, A. J.; SILVA, S. M.; SOUZA, M. J.; FLEMING, P. J.; GUIMARÃES, F. G. Multi-objective energy storage power dispatching using plug-in vehicles in a smart-microgrid. Renewable Energy, Elsevier, v. 89, p. 730–742, 2016. Citado na página 22.

COELHO, V. N.; COELHO, I. M.; COELHO, B. N.; REIS, A. J.; ENAYATIFAR, R.; SOUZA, M. J.; GUIMARÃES, F. G. A self-adaptive evolutionary fuzzy model for load forecasting problems on smart grid environment. Applied Energy, Elsevier, v. 169, p. 567–584, 2016. Citado 4 vezes nas páginas 73, 93, 97 e 99.

CONTRERAS, J. P.; RAMIREZ, J. Multi-fed power electronic transformer for use in modern distribution systems. Smart Grid, IEEE Transactions on, v. 5, n. 3, p. 1532–1541, May 2014. ISSN 1949-3053. Citado na página 36.

DEBNATH, U. K.; AHMAD, I.; HABIBI, D.; SABER, A. Y. Improving battery lifetime of gridable vehicles and system reliability in the smart grid. Systems Journal, IEEE, v. 9, n. 3, p. 989–999, Sept 2015. ISSN 1932-8184. Citado na página 33.

DU, Y.; BAEK, S.; BHATTACHARYA, S.; HUANG, A. Q. High-voltage high-frequency transformer design for a 7.2 kv to 120v/240v 20kva solid state transformer. In: IEEE. IECON 2010-36th Annual Conference on IEEE Industrial Electronics Society. [S.l.], 2010. p. 493–498. Citado na página 36.

EPE Empresa de Pesquisa Energética. Anuário Estatístico de Energia Elétrica. [S.l.], 2013. Citado na página 18.

EPRI. Annual Review. [S.l.], 2014. Citado na página 29.

FADLULLAH, Z. M.; NOZAKI, Y.; TAKEUCHI, A.; KATO, N. A survey of game theoretic approaches in smart grid. In: IEEE. Wireless Communications and Signal Processing (WCSP), 2011 International Conference on. [S.l.], 2011. p. 1–4. Citado na página 37. FARES, R. L.; WEBBER, M. E. Combining a dynamic battery model with high- resolution smart grid data to assess microgrid islanding lifetime. Applied Energy, v. 137, p. 482 – 489, 2015. ISSN 0306-2619. Citado na página 34.

GELLER, T. Beyond the smart grid. Commun. ACM, v. 53, n. 6, p. 16–17, 2010. Citado na página 36.

GELLINGS, C. The smart grid: enabling energy efficiency and demand response. [S.l.]: Fairmont Press, 2009. ISBN 9780881736236. Citado 4 vezes nas páginas 10, 19, 29 e 30.

GOLDBERG, D. E. Genetic Algorithms in Search, Optimization and Machine Learning. [S.l.]: Addison Wesley, 1989. Citado na página 116.

GOODMAN, F. Feasibility assessment for intelligent universal transformer. Technology Assessment for Hybrid Designs, Final Report, p. 5–1, 2002. Citado na página 35. GRAHAM-ROWE, D. Smart-grid ’stockbrokers’ to manage your power. New Scientist, v. 209, n. 2802, p. 26 – 27, 2011. ISSN 02624079. Citado na página 32.

GRIJALVA, S.; TARIQ, M. Prosumer-based smart grid architecture enables a flat, sustainable electricity industry. In: Innovative Smart Grid Technologies (ISGT), 2011 IEEE PES. [S.l.: s.n.], 2011. p. 1–6. Citado na página 19.

GUIMARÃES, F. G. Algoritmos de evolução diferencial para otimização e aprendizado de máquina. In: . Rio de Janeiro: Sociedade Brasileira de Redes Neurais, 2009. (Anais do IX Congresso Brasileiro de Redes Neurais e Inteligência Computacional (IX CBRN/IC)), p. 1–17. Citado 3 vezes nas páginas 117, 120 e 121.

Referências 103

HAN, B.-M.; CHOI, N.-S.; LEE, J.-Y. New bidirectional intelligent semiconductor transformer for smart grid application. Power Electronics, IEEE Transactions on, v. 29, n. 8, p. 4058–4066, Aug 2014. ISSN 0885-8993. Citado 2 vezes nas páginas 10 e 35. HERNANDEZ, L.; BALADRON, C.; AGUIAR, J.; CARRO, B.; SANCHEZ-

ESGUEVILLAS, A.; LLORET, J.; CHINARRO, D.; GOMEZ-SANZ, J.; COOK, D. A multi-agent system architecture for smart grid management and forecasting of energy demand in virtual power plants. Communications Magazine, IEEE, v. 51, n. 1, p. 106–113, January 2013. ISSN 0163-6804. Citado na página 36.

HERNáNDEZ, L.; BALADRóN, C.; AGUIAR, J. M.; CARRO, B.; SáNCHEZ- ESGUEVILLAS, A.; LLORET, J. Artificial neural networks for short-term load forecasting in microgrids environment. Energy, v. 75, p. 252 – 264, 2014. ISSN 0360-5442. Citado na página 26.

HILL, C. A.; SUCH, M. C.; CHEN, D.; GONZALEZ, J.; GRADY, W. M. Battery energy storage for enabling integration of distributed solar power generation. Smart Grid, IEEE Transactions on, IEEE, v. 3, n. 2, p. 850–857, 2012. Citado na página 34. HOBBS, B. F.; HELMAN, U.; JITPRAPAIKULSARN, S.; KONDA, S.; MARATUKULAM, D. Artificial neural networks for short-term energy forecasting: Accuracy and economic value. Neurocomputing, v. 23, n. 1-3, p. 71 – 84, 1998. ISSN 0925-2312. Citado na página 26.

HOMMELBERG, M.; WARMER, C.; KAMPHUIS, I.; KOK, J.; SCHAEFFER, G. Distributed control concepts using multi-agent technology and automatic markets: An indispensable feature of smart power grids. In: Power Engineering Society General Meeting, 2007. IEEE. [S.l.: s.n.], 2007. p. 1 –7. ISSN 1932-5517. Citado 2 vezes nas páginas 22 e 37.

HOSONO, E.; SAITO, T.; HOSHINO, J.; OKUBO, M.; SAITO, Y.; NISHIO-HAMANE, D.; KUDO, T.; ZHOU, H. High power na-ion rechargeable battery with single-crystalline na0.44mno2 nanowire electrode. Journal of Power Sources, v. 217, p. 43 – 46, 2012. ISSN 0378-7753. Citado na página 33.

HUANG, C.-M.; HUANG, C.-J.; WANG, M.-L. A particle swarm optimization to identifying the armax model for short-term load forecasting. Power Systems, IEEE Transactions on, IEEE, v. 20, n. 2, p. 1126–1133, 2005. Citado na página 85. IBARRA-BERASTEGI, G.; SAéNZ, J.; ESNAOLA, G.; EZCURRA, A.; ULAZIA, A. Short-term forecasting of the wave energy flux: Analogues, random forests, and physics-based models. Ocean Engineering, v. 104, p. 530 – 539, 2015. ISSN 0029-8018. Citado na página 27.

JAMES, G.; COHEN, D.; DODIER, R.; PLATT, G.; PALMER, D. A deployed multi-agent framework for distributed energy applications. In: Proceedings of the fifth international joint conference on Autonomous agents and multiagent systems. New York, NY, USA: ACM, 2006. (AAMAS ’06), p. 676–678. ISBN 1-59593-303-4. Disponível em: <http://doi.acm.org/10.1145/1160633.1160752>. Citado na página 37.

JANG, J.-S. R.; SUN, C.-T.; MIZUTANI, E. Neuro-fuzzy and soft computing: a computational approach to learning and machine intelligence. prentice hall, 1997. Citado 2 vezes nas páginas 60 e 61.

JARAMILLO, N. C.; CARDONA, C. J. F.; HENAO, J. D. V. SMART METERS ADOPTION: RECENT ADVANCES AND FUTURE TRENDS. DYNA, scielo, v. 81, p. 221 – 230, 02 2014. ISSN 0012-7353. Citado na página 32.

JARQUE, A. K. B. C. M. A test for normality of observations and regression

residuals. International Statistical Review / Revue Internationale de Statistique, [Wiley, International Statistical Institute (ISI)], v. 55, n. 2, p. 163–172, 1987. ISSN 03067734, 17515823. Citado na página 77.

JESUS, T. A. Detecção de Determinismo e Modelagem Preditiva de Séries Temporais de Consumo de Energia Elétrica. Tese (Doutorado) — Universidade Federal de Minas Gerais, 2008. Citado 2 vezes nas páginas 26 e 38.

JIANG, Y.; SONG, Z.; KUSIAK, A. Very short-term wind speed forecasting with bayesian structural break model. Renewable Energy, v. 50, p. 637 – 647, 2013. ISSN 0960-1481. Citado na página 27.

JäRVENTAUSTA, P.; REPO, S.; RAUTIAINEN, A.; PARTANEN, J. Smart grid power system control in distributed generation environment. Annual Reviews in Control, v. 34, n. 2, p. 277 – 286, 2010. ISSN 1367-5788. Citado na página 36.

KATIRAEI, F.; IRAVANI, R.; HATZIARGYRIOU, N.; DIMEAS, A. Microgrids management. Power and Energy Magazine, IEEE, v. 6, n. 3, p. 54–65, May 2008. ISSN 1540-7977. Citado na página 24.

KENNEDY, J.; EBERHART, R. Particle swarm optimization. In: Neural Networks, 1995. Proceedings., IEEE International Conference on. [S.l.: s.n.], 1995. v. 4, p. 1942 –1948 vol.4. Citado na página 116.

LEE, C.-M.; KO, C.-N. Short-term load forecasting using lifting scheme and arima models. Expert Systems with Applications, Elsevier, v. 38, n. 5, p. 5902–5911, 2011. Citado na página 85.

LEI No_{9.074, DE 7 DE JULHO DE 1995. 1995. Disponível em: <http://www.planalto.}

gov.br/CCivil_03/leis/L9074cons.htm>. Citado na página 19.

LEI No_{9.648, DE 27 DE MAIO DE 1998. 1998. Disponível em: <http://www.planalto.}

gov.br/ccivil_03/leis/L9648cons.htm>. Citado na página 19.

LIDULA, N.; RAJAPAKSE, A. Microgrids research: A review of experimental microgrids and test systems. Renewable and Sustainable Energy Reviews, Elsevier, v. 15, n. 1, p. 186–202, 2011. Citado na página 33.

LIU, D.; NIU, D.; WANG, H.; FAN, L. Short-term wind speed forecasting using wavelet transform and support vector machines optimized by genetic algorithm. Renewable Energy, v. 62, p. 592 – 597, 2014. ISSN 0960-1481. Citado na página 27.

LIU, N.; TANG, Q.; ZHANG, J.; FAN, W.; LIU, J. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids. Applied Energy, v. 129, p. 336 – 345, 2014. ISSN 0306-2619. Citado 3 vezes nas páginas 73, 93 e 97. LU, L.-Y.; CHU, C.-C. Consensus-based droop control synthesis for multiple dics in isolated micro-grids. Power Systems, IEEE Transactions on, v. 30, n. 5, p. 2243–2256, Sept 2015. ISSN 0885-8950. Citado na página 37.

Referências 105

LUND, H.; ANDERSEN, A. N.; ØSTERGAARD, P. A.; MATHIESEN, B. V.; CONNOLLY, D. From electricity smart grids to smart energy systems - a market operation based approach and understanding. Energy, v. 42, n. 1, p. 96 – 102, 2012. ISSN 0360-5442. 8th World Energy System Conference, {WESC} 2010. Citado na página 36.

MA, H.; SAHA, T.; EKANAYAKE, C.; MARTIN, D. Smart transformer for smart grid - intelligent framework and techniques for power transformer asset management. Smart Grid, IEEE Transactions on, v. 6, n. 2, p. 1026–1034, March 2015. ISSN 1949-3053. Citado na página 35.

MA, K.; HU, G.; SPANOS, C. Distributed energy consumption control via real-time pricing feedback in smart grid. Control Systems Technology, IEEE Transactions on, v. 22, n. 5, p. 1907–1914, Sept 2014. ISSN 1063-6536. Citado na página 37.

MAH, D.; HILLS, P.; LI, V. O.; BALME, R. Smart Grid Applications and Developments. [S.l.]: Springer, 2014. Citado 2 vezes nas páginas 21 e 22.

MAH, D. N. yin; VLEUTEN, J. M. van der; HILLS, P.; TAO, J. Consumer perceptions of smart grid development: Results of a hong kong survey and policy implications. Energy Policy, v. 49, p. 204 – 216, 2012. ISSN 0301-4215. Special Section: Fuel Poverty Comes of Age: Commemorating 21 Years of Research and Policy. Citado na página 29.

MAH, D. N. yin; VLEUTEN, J. M. van der; IP, J. C. man; HILLS, P. R. Governing the transition of socio-technical systems: A case study of the development of smart grids in korea. Energy Policy, v. 45, p. 133 – 141, 2012. ISSN 0301-4215. Citado na página 29.

MAJUMDER, A. Power line communications. Potentials, IEEE, v. 23, n. 4, p. 4–8, Oct 2004. ISSN 0278-6648. Citado na página 30.

MARTIN, A.; CANO, J.; SILVA, J.; VAZQUEZ, J. Backstepping control of smart grid-connected distributed photovoltaic power supplies for telecom equipment. Energy Conversion, IEEE Transactions on, v. 30, n. 4, p. 1496–1504, Dec 2015. ISSN 0885-8969. Citado na página 36.

MATEUS, G. R.; LUNA, H. P. L. Programação Não Linear. [S.l.]: V Escola de Computação, 1986. Citado na página 116.

MCINTOSH, D. G. Short-term load forecasting in an electric power system. Tese (Doutorado) — Sir George Williams University, 1973. Citado na página 38.

MIORANDI, D.; PELLEGRINI, F. D. Demand-side management in smart grids: An evolutionary games perspective. In: IEEE. Performance Evaluation Methodologies and Tools (VALUETOOLS), 2012 6th International Conference on. [S.l.], 2012. p. 178–187. Citado na página 37.

MME. Anuário estátistico de Energia Elétrica. Ministério de Minas e Energia, 2013. Disponível em: <http://www.epe.gov.br/AnuarioEstatisticodeEnergiaEletrica/ 20130909_1.pdf>. Citado na página 24.

MOHSENIAN-RAD, A.-H.; WONG, V. W.; JATSKEVICH, J.; SCHOBER, R.; LEON- GARCIA, A. Autonomous demand-side management based on game-theoretic energy consumption scheduling for the future smart grid. Smart Grid, IEEE Transactions on, IEEE, v. 1, n. 3, p. 320–331, 2010. Citado na página 37.

MOMOH, J. Smart Grid: Fundamentals of Design and Analysis. [S.l.]: Wiley, 2012. (I E E Power Engineering Series). ISBN 9780470889398. Citado na página 23.

MONTGOMERY, D. Design and Analysis of Experiments. [S.l.]: John Wiley & Sons, 2008. (Student solutions manual). ISBN 9780470128664. Citado 2 vezes nas páginas 83 e 92.

MONTICELLI, A. Introdução a sistemas de energia elétrica. [S.l.]: Ed Unicamp, 2003. (Coleção Livro-Texto). ISBN 9788526806627. Citado na página 22.

MUDRIIEVSKYI, S. Power line communications: State of the art in research, development and application. {AEU} - International Journal of Electronics and Communications, v. 68, n. 7, p. 575 – 577, 2014. ISSN 1434-8411. Citado na página 30.

MUKAI, T.; IGARI, S.; NAMERIKAWA, T. Optimal energy management for smart grid system considering battery characteristics. Electrical Engineering in Japan, Wiley Online Library, v. 194, n. 1, p. 18–26, 2016. Citado na página 33.

NEUMANN, J. V.; MORGENSTERN, O. Theory of Games and Economic Behavior (60th Anniversary Commemorative Edition). [S.l.]: Princeton university press, 2007. Citado na página 37.

NIEMI, R.; LUND, P. D. Alternative ways for voltage control in smart grids with distributed electricity generation. International Journal of Energy Research, John Wiley & Sons, Ltd, v. 36, n. 10, p. 1032–1043, 2012. ISSN 1099-114X. Disponível em: <http://dx.doi.org/10.1002/er.1865>. Citado na página 36.

OCCAM’S RAZOR. The Lancet, Elsevier, v. 276, n. 7145, p. 302, 1960. Disponível em: <http://dx.doi.org/10.1016/S0140-6736(60)91387-8>. Citado na página 51. OGATA, K. Discrete-time Control Systems. [S.l.]: Prentice-Hall International, 1995. (Prentice Hall International editions). ISBN 9780133286427. Citado na página 45. OLIVEIRA, C. M. S. M. Processos de memória longa e métodos de estimação do parâmetro que controla a memória longa. Universidade do Porto. Reitoria, 2004. Citado na página 47.

OPERADOR NACIONAL DO SISTEMA. Procedimento de Rede - Módulo 5. 2010. Citado na página 24.

OSóRIO, G.; MATIAS, J.; CATALãO, J. Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information. Renewable Energy, v. 75, p. 301 – 307, 2015. ISSN 0960-1481. Citado na página 26.

PEREIRA, M.; PINTO, L.; MONTICELLI, A. Economic dispatch with security-

constrained rescheduling. International Journal of Electrical Power & Energy Systems, v. 9, n. 2, p. 97 – 104, 1987. ISSN 0142-0615. Citado 2 vezes nas páginas 37 e 38.

Referências 107

PEREIRA, M. E. L. da C. Prossumidores nostálgicos: reflexões sobre a obsolescência das mídias audiovisuais. UFMG, 2013. Citado na página 19.

POCH, L.; CONZELMANN, G.; VESELKA, T. An analysis of the effects of drought conditions on electric power generation in the western united states. DOE NETL Rept 2009, v. 1365, p. 32, 2009. Citado na página 24.

PRADO, R.; SILVA, R.; ANDES, F. G.; NETO, O. Using differential evolution for combinatorial optimization: A general approach. In: Systems Man and Cybernetics (SMC), 2010 IEEE International Conference on. [S.l.: s.n.], 2010. p. 11 –18. ISSN 1062-922X. Citado 2 vezes nas páginas 73 e 121.

PRADO, R. S.; SILVA, R. C. P.; GUIMARÃES, F. G.; NETO, O. M. A new differential evolution based metaheuristic for discrete optimization. IJNCR, v. 1, n. 2, p. 15–32, 2010. Citado na página 121.

QI, W.; LIU, J.; CHRISTOFIDES, P. D. A distributed control framework for smart grid development: Energy/water system optimal operation and electric grid integration. Journal of Process Control, v. 21, n. 10, p. 1504 – 1516, 2011. ISSN 0959-1524. Special Issue:Selected Papers From Two Joint {IFAC} Conferences: 9th International Symposium on Dynamics and Control of Process Systems and the 11th International Symposium on Computer Applications in Biotechnology, Leuven, Belgium, July 5-9, 2010. Citado na página 36.

RAFTERY, A. E. Time series analysis. European Journal of Operational Research, v. 20, n. 2, p. 127 – 137, 1985. ISSN 0377-2217. Citado 3 vezes nas páginas 26, 39 e 44.

RESOLUÇÃO NORMATIVA No 517, DE 11 DE DEZEMBRO DE 2012. Disponível em: <http://www.aneel.gov.br/cedoc/ren2012517.pdf>. Citado na página 19.

RESOLUÇÃO NORMATIVA No _{482, DE 17 DE ABRIL DE 2012. Disponível em:}

<http://www.aneel.gov.br/cedoc/bren2012482.pdf>. Citado na página 19.

RIJSSENBEEK, J.; WIEGMAN, H.; HALL, D.; CHUAH, C.; BALASUBRAMANIAN, G.; BRADY, C. Sodium-metal halide batteries in diesel-battery hybrid telecom applications. In: Telecommunications Energy Conference (INTELEC), 2011 IEEE 33rd International. [S.l.: s.n.], 2011. p. 1–4. ISSN 2158-5210. Citado na página 33.

RITZER, G.; DEAN, P.; JURGENSON, N. The coming of age of the prosumer. American Behavioral Scientist, v. 56, n. 4, p. 379–398, 2012. Citado na página 19. ROSS, D. W.; KIM, S. Dynamic economic dispatch of generation. Power Apparatus and Systems, IEEE Transactions on, PAS-99, n. 6, p. 2060–2068, Nov 1980. ISSN 0018-9510. Citado 2 vezes nas páginas 37 e 38.

ROY, L.; RAO, N. A new algorithm for real-time optimal dispatch of active and reactive power generation retaining nonlinearity. Power Apparatus and Systems, IEEE Transactions on, PAS-102, n. 4, p. 832–842, April 1983. ISSN 0018-9510. Citado 2 vezes nas páginas 37 e 38.

SADAEI, H. J.; ENAYATIFAR, R.; ABDULLAH, A. H.; GANI, A. Short-term load forecasting using a hybrid model with a refined exponentially weighted fuzzy time series and an improved harmony search. International Journal of Electrical Power & Energy Systems, Elsevier, v. 62, p. 118–129, 2014. Citado 2 vezes nas páginas 73 e 85.

SADAEI, H. J.; ENAYATIFAR, R.; GUIMARÃES, F. G.; MAHMUD, M.; ALZAMIL, Z. A. Combining arfima models and fuzzy time series for the forecast of long memory time series. Neurocomputing, Elsevier, 2015. Citado 3 vezes nas páginas 50, 51 e 67. SARKER, R. A.; NEWTON, C. S. Optmization Modelling: A Practical Approach. [S.l.]: CRC Press, 2007. Citado na página 116.

SHE, X.; YU, X.; WANG, F.; HUANG, A. Design and demonstration of a 3.6-kv– v/10-kva solid-state transformer for smart grid application. Power Electronics, IEEE Transactions on, v. 29, n. 8, p. 3982–3996, Aug 2014. ISSN 0885-8993. Citado na página 35.

SHUMWAY, R. H.; STOFFER, D. S. Time series analysis and its applications. [S.l.]: Springer Science & Business Media, 2013. Citado na página 47.

SIEMENS. Microgrids. 2015. Visto em 28 de novembro de 2015. Disponível em: <http://w3.usa.siemens.com/smartgrid/us/en/microgrid/pages/microgrids.aspx>. Citado 2 vezes nas páginas 10 e 23.

SILVA, C.; GUIMARAES, F. G. Reconfiguration of power distribution networks by multi-agent systems. In: Computational Intelligence and 11th Brazilian Congress on Computational Intelligence (BRICS-CCI CBIC), 2013 BRICS Congress on. [S.l.: s.n.], 2013. p. 546–550. Citado 2 vezes nas páginas 23 e 37.

SILVA, C. J. Algoritmo de Evolução Diferencial Discreta Aplicado à Reconfiguração de Redes de Distribuição de Energia Elétrica. Dissertação (Mestrado) — PPGEE-UFMG, 2010. Citado 2 vezes nas páginas 22 e 121.

SILVA, C. J.; GUIMARãES, F. G.; NETO, O. M. Evolução diferencial discreta aplicada à reconfiguração de redes de distribuição de energia elétrica. In: Anais do Congresso Brasileiro de Inteligência Computacional - CBIC2011. [S.l.: s.n.], 2011. Citado na página 23.

SILVA, S. Sistema Eólico de Geração de Energia Elétrica. Tese (Doutorado) — Tese de Doutorado, Campina Grande, PB, Brasil. CPGEE/UFPb, 1988. Citado na página 34.

SILVA, W. A. C. INVESTIMENTO, REGULAÇÃO E MERCADO: UMA ANÁLISE DO RISCO NO SETOR ELÉTRICO. Tese (Doutorado) — UFLA, 2007. Citado na página

In document Mai-Britt Sørensen - Glob. journ..pdf (976.9Kb) (sider 86-0)