Load forecasting is of crucial importance for smart grids and the electricity market in terms of the meeting the demand for and distribution of electrical energy. This research proposes a hybrid algorithm for improving the forecasting accuracy where a non-dominated sorting genetic algorithm II (NSGA II) is employed for selecting the input vector, where its fitness function is a multi-layer perceptron neural network (MLPNN). Thus, the output of the NSGA II is the output of the best-trained MLPNN which has the best combination of inputs. The result of NSGA II is fed to the Adaptive Neuro-Fuzzy Inference System (ANFIS) as its input and the results demonstrate an improved forecasting accuracy of the MLPNN-ANFIS compared to the MLPNN and ANFIS models. In addition, genetic algorithm (GA), particle swarm optimization (PSO), ant colony optimization (ACO), differential evolution (DE), and imperialistic competitive algorithm (ICA) are used for optimized design of the ANFIS. Electricity demand data for Bonneville, Oregon are used to test the model and among the different tested models, NSGA II-ANFIS-GA provides better accuracy. Obtained values of error indicators for one-hour-ahead demand forecasting are 107.2644, 1.5063, 65.4250, 1.0570, and 0.9940 for RMSE, RMSE%, MAE, MAPE, and R, respectively.

The use of photovoltaics is still considered to be challenging because of certain reliability issues and high dependence on the global horizontal irradiance (GHI). GHI forecasting has a wide application from grid safety to supply–demand balance and economic load dispatching. Given a data set, a multi-layer perceptron neural network (MLPNN) is a strong tool for solving the forecasting problems. Furthermore, noise detection and feature selection in a data set with numerous variables including meteorological parameters and previous values of GHI are of crucial importance to obtain the desired results. This paper employs density-based spatial clustering of applications with noise (DBSCAN) and non-dominated sorting genetic algorithm II (NSGA II) algorithms for noise detection and feature selection, respectively. Tuning the neural network is another important issue that includes choosing the hidden layer size and activation functions between the layers of the network. Previous studies have utilized a combination of different parameters based on trial and error, which seems to be inefficient in terms of accurate selection of the desired features and also tuning of the neural network. In this research, two different methods—namely, particle swarm optimization (PSO) algorithm and genetic algorithm (GA)—are utilized in order to tune the MLPNN, and the results of one-hour-ahead forecasting of the GHI are subsequently compared. The methodology is validated using the hourly data for Elizabeth City located in North Carolina, USA, and the results demonstrated a better performance of GA in comparison with PSO. The GA-tuned MLPNN reported a normalized root mean square error (nRMSE) of 0.0458 and a normalized mean absolute error (nMAE) of 0.0238.

No abstract

Este artigo discute o impacto na atuação docente do programa de formação continuada desenvolvido em uma instituição localizada na Região Sul do Brasil, a Universidade do Vale do Itajaí – Univali. O objetivo é identificar se há alguma relação entre a atuação do professor e a adesão dele à formação continuada. A metodologia utilizada é quali-quantitativa. Os instrumentos de coleta de dados foram: a) média da carga horária do professor no Programa de Formação Continuada da Univali; b) média da nota resultante do Programa de Avaliação Institucional da Univali que afere a atuação docente; c) temáticas cursadas pelos professores. A coleta de dados se refere ao período compreendido entre o primeiro semestre de 2011 e o primeiro semestre de 2017. Ao todo foram analisados os dados de 69 professores da instituição de um conjunto de cerca de mil professores, tendo sido selecionados somente aqueles que participaram da formação continuada em todos os semestres nesse intervalo e foram avaliados pelos discentes nesses mesmos semestres. O aporte teórico principal utilizado para discussão dos dados foi Nóvoa (2000), Sá et al.(2017), Franco (2016), entre outros. Como resultado, sinalizamos que o índice de adesão dos docentes da amostra ao Programa de Formação Continuada da Univali vem aumentando, apesar de a carga horária mínima de formação exigida pela instituição ter diminuído ao longo dos anos. Identificamos que 100% dos docentes selecionados concentraram carga horária nas temáticas pedagógicas. A partir dos dados coletados pelo Programa de Avaliação Institucional, constatamos que a média atribuída pelos estudantes à atuação dos docentes integrantes da amostra varia entre 8,3 e 8,7. Dos 69 docentes selecionados, 95,66% possuem média superior a 7; três possuem média inferior a sete e nenhum docente possui média inferior a seis.

A demanda de energia elétrica para aquecimento de água residenciais apresentou um aumento considerável nos últimos anos. Diante deste cenário busca-se alternativas para aquecimento de água através da fabricação de coletor solar plano e suas possíveis configurações. O objetivo foi definir a configuração mais eficiente energeticamente para realização de estudos, posteriores, de aquecimento de água. No desenvolvimento do trabalho foram pré-definidas as seguintes configurações: forno solar sem corpo negro, inserção de corpo negro (placa absorvedora) e volume do corpo negro. Os ensaios foram realizados para verificar a influência na temperatura interna do coletor solar, com e sem a presença do corpo negro e com diferentes corpos negro. As análises foram baseadas na coleta dos dados referentes a temperatura interna da caixa e temperatura ambiente. Os dados coletados foram analisados a partir da Lei de Resfriamento de Newton e a eficiência energética é analisada de forma indireta pelas constantes experimentalmente obtidas, considerando as diversas configurações. Verifica-se que o sistema é mais eficiente quando absorve maior irradiância solar e possui uma melhor conversão térmica, o que pode ser analisado pelas constantes do modelo teórico.