O girassol é uma oleaginosa moderadamente tolerante à salinidade, mas ainda sofre redução progressiva do crescimento, com o aumento da concentração de sais. No trabalho objetivou-se avaliar a emergência de sementes de girassol quando submetidas a diferentes concentrações de NaCl. O trabalho foi desenvolvido no IF-Sertão, Campus Petrolina utilizando-se sementes de girassol semeadas em bandejas de polietileno, com substrato comercial, irrigando-as com as soluções salinas de 0, 4, 8 e 12 dS.m-1 de condutividade elétrica (C.E.), de acordo com a capacidade de campo. Foram utilizadas 4 repetições de 25 sementes, para cada C.E. As variáveis analisadas foram %E, TME, VME, IVE, CPA e do CSSR, MFPA, MFSSR e MSPA, MSSR. As mudas foram transplantadas para canteiros e irrigadas por bombeamento fotovoltaico. A solução salina afetou a emergência das sementes, principalmente a partir de 8 dS.m-1. O crescimento inicial foi afetado à medida que se aumentou a salinidade. A quantidade de fotoassimilados foi maior para as mudas que não receberam água salina. O sistema fotovoltaico mostrou-se eficiente para ativar a motobomba.

The most common methods to detect non-technical losses involve Deep Learning-based classifiers and samples of consumption remotely collected several times a day through Smart Meters (SMs) and Advanced Metering Infrastructure (AMI). This approach requires a huge amount of data, and training is computationally expensive. However, most energy meters in emerging countries such as Brazil are technologically limited. These devices can measure only the accumulated energy consumption monthly. This work focuses on detecting energy theft in scenarios without AMI and SM. We propose a strategy called HyMOTree intended for the hyperparameter tuning of tree-based algorithms using different multiobjective optimization strategies. Our main contributions are associating different multiobjective optimization strategies to improve the classifier performance and analyzing the model’s performance given different probability cutoff operations. HyMOTree combines NSGA-II and GDE-3 with Decision Tree, Random Forest, and XGboost. A dataset provided by a Brazilian power distribution company CPFL ENERGIA™ was used, and the SMOTE technique was applied to balance the data. The results show that HyMOTree performed better than the random search method, and then, the combination between Random Forest and NSGA-II achieved 0.95 and 0.93 for Precision and F1-Score, respectively. Field studies showed that inspections guided by HyMOTree achieved an accuracy of 76%.

O trabalho apresenta uma opção de baixo custo para redução dos valores pagos com energia elétrica em uma instalação hospitalar. A filosofia do trabalho baseia-se na análise das faturas de energia elétrica, de modo a promover uma melhor gestão financeira, sendo necessário apresentar os conceitos utilizados, como fator de carga, fator de potência, bandeiras tarifárias e energia reativa. Foram levantados dados de consumo e de demanda num período de 24 meses, estimando por meio de recursos estatísticos os 12 meses subsequentes para projetar o valor ótimo da contratação da demanda, encontrando um potencial de redução de cerca de 5% dos valores pagos a concessionária de energia elétrica referente a demanda.

No abstract

No abstract