The employment of smart meters for energy consumption monitoring is essential for planning and management of power generation systems. In this context, forecasting energy consumption is a valuable asset for decision making, since it can improve the predictability of forthcoming demand to energy providers. In this work, we propose a data-driven ensemble that combines five single well-known models in the forecasting literature: a statistical linear autoregressive model and four artificial neural networks: (radial basis function, multilayer perceptron, extreme learning machines, and echo state networks). The proposed ensemble employs extreme learning machines as the combination model due to its simplicity, learning speed, and greater ability of generalization in comparison to other artificial neural networks. The experiments were conducted on real consumption data collected from a smart meter in a one-step-ahead forecasting scenario. The results using five different performance metrics demonstrate that our solution outperforms other statistical, machine learning, and ensembles models proposed in the literature.

This work deals with metaheuristic optimization algorithms to derive the best parameters for the Gaussian Adaptive PID controller. This controller represents a multimodal problem, where several distinct solutions can achieve similar best performances, and metaheuristics optimization algorithms can behave differently during the optimization process. Finding the correct proportionality between the parameters is an arduous task that often does not have an algebraic solution. The Gaussian functions of each control action have three parameters, resulting in a total of nine parameters to be defined. In this work, we investigate three bio-inspired optimization methods dealing with this problem: Particle Swarm Optimization (PSO), the Artificial Bee Colony (ABC) algorithm, and the Whale Optimization Algorithm (WOA). The computational results considering the Buck converter with a resistive and a nonlinear load as a case study demonstrated that the methods were capable of solving the task. The results are presented and compared, and PSO achieved the best results.

No abstract

A pesquisa tem como objetivo propor uma classificação multicritério aos métodos de previsão de demanda para novos produtos, considerando as características do sistema brasileiro de franquias. Utilizou-se a técnica de coleta dos dados do tipo questionário e realizou-se uma validação com especialistas da área, além da aplicação do coeficiente alfa de Cronbach, que demonstrou confiabilidade e consistência do questionário. Utilizou-se o apoio multicritério à decisão, Electre TRI, por meio do software Iris 2.0. A análise dos resultados foi realizada em três segmentos de franquias e adotou uma classificação de novos produtos em classes como ‘adições a linhas de produtos existentes’ e ‘novos produtos para a empresa’. Para o de bares, restaurantes, padarias e pizzarias, na classe ‘adições a linhas existentes de produtos’, os resultados mostram que os métodos pesquisa de mercado, analogia histórica, simulação de cenários, pesquisa da equipe de vendas, Box-Jenkins (Arima) e análise de regressão foram considerados como recomendados. No segmento de cosméticos e perfumaria, na classe ‘adições a linhas existentes de produtos’, os resultados mostram que os métodos pesquisa de mercado e Delphi, analogia histórica, pesquisa da equipe de vendas, média móvel e Box-Jenkins (Arima) se enquadraram como recomendados. Por fim, os resultados para o segmento de livrarias, gráficas e sinalização, na classe ‘novos produtos para a empresa’, mostram que os métodos pesquisa de mercado e Delphi, analogia histórica, simulação de cenários e pesquisa da equipe de vendas foram considerados comorecomendados.