Energies 12 04352

Machine Translated by Google
energias
Artigo
Abordagem de Algoritmo Genético para o Projeto de

Perceptron multicamada para energia de ciclo combinado
Estimativa de produção de energia elétrica da usina
Ivan Lorencin , Nikola Andelić ¯ , Vedran Mrzljak * e Zlatan Car

Faculdade de Engenharia, Universidade de Rijeka, Vukovarska 58, 51000 Rijeka, Croácia; ilorencin@riteh.hr (IL);
nandelic@riteh.hr (NA); car@riteh.hr (ZC)
* Correspondência: vmrzljak@riteh.hr; Tel.: +385-51-651551
Recebido: 17 de outubro de 2019; Aceito: 13 de novembro de 2019; Publicado: 15 de novembro de 2019
Resumo: Neste artigo , é apresentada uma abordagem de algoritmo genético (GA) para o projeto de
perceptron multicamada (MLP) para estimativa de potência de usina de energia de ciclo combinado. O
conjunto de dados usado nesta pesquisa faz parte do UCI Machine Learning Repository disponível
publicamente e consiste em 9.568 pontos de dados (regimes de operação da usina) divididos em conjunto
de dados de treinamento que consiste em 7.500 pontos de dados e conjunto de dados de teste contendo
2.068 pontos de dados. A pesquisa apresentada foi realizada com o objetivo de aumentar os desempenhos
de regressão do MLP em comparação aos disponíveis na literatura, utilizando algoritmo heurístico. O AG
descrito neste artigo é realizado usando procedimentos de mutação e cruzamento. Esses procedimentos
são utilizados para projetar 20 cromossomos diferentes em 50 gerações diferentes. As configurações de
MLP projetadas com implementação de GA são validadas usando a análise de Bland - Altman (BA).
Utilizando GA, MLP com cinco camadas ocultas de 80,25,65,75 e 80 nós, respectivamente, é projetado.
Para o MLP acima mencionado, a validação cruzada k -fold é realizada para examinar seus desempenhos
de generalização. O valor do Root Mean Square Error (RMSE) obtido com o MLP acima mencionado é
4,305, significativamente menor em comparação com o MLP apresentado na literatura disponível, mas ainda
maior do que vários algoritmos complexos, como KStar e algoritmos baseados em árvore.
Palavras-chave: análise de bland-altman; usina de ciclo combinado; algoritmo genético; aprendizado de máquina;
perceptron multicamadas
1. Introdução
Uma Central de Ciclo Combinado (CCPP) é um sistema de energia composto por pelo menos um ciclo
de turbina a gás, pelo menos um ciclo de turbina a vapor e a conexão entre esses ciclos – Heat Recovery
Steam Generator (HRSG) [1]. Hoje, engenheiros e pesquisadores investigam intensivamente a operação e
fizeram melhorias em tais usinas (para CCPPs que estão atualmente em operação), enquanto novos CCPPs
são construídos em muitos países do mundo. Quando os CCPPs são comparados com outras usinas, pode-
se notar que os CCPPs estão obtendo eficiências significativamente maiores (geralmente superiores a 60%)
[2], com emissões específicas mais baixas [3] e capacidade de partida rápida (ciclo da turbina a gás)
enquanto exigindo menor custo de operação e manutenção [4]. Devido à alta complexidade dos CCPPs, em
sua investigação e análise durante a operação, é comum o uso de várias simulações numéricas dinâmicas
para prever as mudanças nos medidos, bem como para calcular os parâmetros operacionais não medidos [5].
Uma revisão da literatura oferece muitas análises dos atuais CCPPs em operação. As análises exergo-
econômicas e ambientais do CCPP solar integrado que opera na Polônia são apresentadas em [6].
A integração do sistema solar na operação CCPP aumenta apenas ligeiramente o custo de capital da usina, mas
ao mesmo tempo diminui significativamente a emissão de CO2 e, portanto, as penalidades de CO2. O investimento
Energias 2019, 12, 4352; doi:10.3390/en12224352 www.mdpi.com/journal/energies

Energias 2019, 12, 4352 2 de 26
a taxa de retorno é afetada apenas marginalmente após a inclusão do sistema solar na operação do CCPP. Em [7]
é realizada outra análise exergo-econômica do CCPP e investigado três cenários possíveis para a operação da
usina . Conclui-se que o tamanho e a configuração ótima do CCPP diferem para cada cenário observado. A terceira
análise exergo-econômica pode ser encontrada em [8] onde foram analisadas duas configurações diferentes de
CCPP do mesmo fabricante. A análise possibilita a seleção da melhor configuração e após a seleção, os autores
realizaram sua otimização e apresentam possibilidades de melhorias posteriores.
Nas análises de energia e exergia de CCPPs e seus componentes, vários pesquisadores obtiveram as
mesmas conclusões sobre os elementos que têm as maiores perdas de ambos os aspectos (energia e exergia).
As maiores perdas de energia em CCPP de qualquer tipo podem ser encontradas no condensador de vapor [9,10],
enquanto as maiores perdas de exergia ocorrem nas câmaras de combustão de turbinas a gás [9-11]. Estas
conclusões são confirmadas por vários investigadores e para CCPPs de diferentes tamanhos, potências e
configurações, pelo que se pode concluir que são válidas em geral.
A análise exergética de qualquer usina de energia ou de qualquer volume de controle que opere em uma usina
de energia depende da pressão e temperatura ambiente (ao contrário da análise de energia para a qual os parâmetros
do ambiente são irrelevantes) [12,13]. A mudança na pressão ambiente geralmente é pequena e não tem grande
influência na análise exergética da usina ou no volume de controle [14], mas a mudança na temperatura ambiente
pode ter uma grande influência na eficiência exergética e nas perdas de exergia de qualquer usina ou volume de
controle. Em [15] é investigada a influência da variação da temperatura ambiente na eficiência exergética geral do
CCPP selecionado. Os autores concluíram que o aumento da temperatura ambiente reduz a eficiência exergética
geral do CCPP (o aumento da temperatura ambiente de 8 ÿC para 23 ÿC reduz a eficiência exergética geral do CCPP
analisado de 43,3% para 42,7%).
Técnicas e recomendações para melhoria de CCPPs ou para melhoria de alguns componentes dessas usinas
podem ser encontradas em diversas pesquisas. Em [16] é apresentada uma análise do CCPP moderno em que a
turbina a gás usa resfriamento a vapor. A técnica de resfriamento proposta aumenta a eficiência geral do CCPP, ao
mesmo tempo em que reduz a flexibilidade da planta e aumenta o tempo de partida da usina. Em [17] várias
melhorias de turbinas a gás em um CCPP moderno são analisadas e conclui-se que as soluções conhecidas da
indústria, como a combustão sequencial, podem aumentar significativamente a eficiência geral da planta.
Os autores em [18,19] investigam os benefícios da injeção de vapor nas câmaras de combustão

da turbina a gás que é um componente constituinte do CCPP. As principais conclusões são que tal
melhoria aumenta a potência do CCPP, diminui a emissão de NOx da planta (devido à diminuição
da temperatura máxima de combustão) e proporciona um desempenho econômico aceitável.
Em [20] é apresentada uma nova estratégia operacional para melhorar o desempenho em carga parcial do
CCPP analisado. A estratégia proposta resultou em um aumento na eficiência geral do CCPP de até 1,2% em cargas
parciais. A possibilidade de integração de um parque eólico em um CCPP offshore é investigada em [21]. Os autores
encontraram muitas dificuldades em tal integração porque muitos requisitos possivelmente conflitantes devem ser
satisfeitos simultaneamente.
A análise da redução da quantidade de água em sistemas de resfriamento CCPP foi realizada em [22]. Foram
analisados três diferentes sistemas de resfriamento—úmido, seco e híbrido (o sistema úmido usa água e o sistema
seco usa ar circulado por um ventilador, enquanto o sistema híbrido é uma alternativa que combina técnicas úmidas
e secas). O sistema de resfriamento híbrido tem os custos de investimento mais altos, mas também oferece muitos
benefícios em comparação com outros sistemas de resfriamento observados.
Em trabalhos de pesquisa recentes, pode-se notar que os autores preferem duas melhorias de CCPPs
que hoje trazem os maiores benefícios para a operação dessas usinas. A primeira é a integração de sistemas
solares e a segunda é a integração de sistemas de captura de pós-combustão de CO2 na operação CCPP .
Uma análise computacional da integração de pequenos campos solares na operação CCPP é apresentada em
[23]. Quando comparado ao CCPP básico, a integração de pequenos campos solares aumenta a eficiência
geral da planta em cerca de 2,58% nos períodos da manhã e da tarde e em cerca de 3,16% nos períodos do meio-dia.
Outro modelo matemático de um típico CCPP integrado solar é desenvolvido em [24] e aplicado em Al
Energias 2019, 12, 4352 3 de 26
- CCPP solar integrado de Abdaliya no Kuwait. Os resultados do modelo matemático mostram que o CCPP solar
integrado observado pode atingir uma eficiência geral de mais de 66%.
Um sistema de captura de CO2 pós-combustão que utiliza carvão ativado e sua comparação com sistemas
comerciais aplicados na operação de CCPPs é investigado em [25]. Após realizar comparações, concluiu-se que
um sistema que utiliza carvão ativado pode ser uma boa alternativa para captura de CO2 e tal sistema pode ser
mais eficiente e econômico em comparação com outros sistemas comerciais. Outra alternativa aos sistemas
comerciais para captura de CO2 em CCPPs, denominada sistema de Adsorção por Balanço de Temperatura de
Leito Móvel (MBTSA), foi apresentada e analisada em [26]. Assim como para o sistema de carvão ativado, conclui-
se que o sistema MBTSA também representa uma alternativa mais nova e adequada para a captura de CO2 em
CCPPs, e traz várias vantagens em comparação com outros sistemas de captura de CO2.
O sistema de captura de CO2 pós-combustão juntamente com o sistema de metanação e sua implementação
na operação CCPP na Índia foi analisado em [27]. O CO2 capturado nesta combinação é usado no sistema de
metanação para produzir metano – o metano produzido é usado como combustível em uma turbina a gás.
Em comparação com o CCPP básico, a implementação desses dois sistemas resultou em um aumento significativo
na produção de energia da usina.
Ao contrário de outros trabalhos de pesquisa que investigaram CCPPs e seus componentes, em [28] é apresentada
uma análise comparativa de diferentes técnicas de aprendizado de máquina (ML) para previsão da saída de energia
elétrica de carga total do CCPP . Este artigo, bem como o conjunto de dados resultante, foi usado como ponto de partida
para a pesquisa realizada neste artigo. O conjunto de dados apresentado em [28] foi publicado online como parte do UCI
Machine Learning Repository. A visão geral dos métodos apresentados no artigo mencionado acima e o RMSE alcançado
são fornecidos na Tabela 1.
Tabela 1. Visão geral dos métodos e RMSE alcançado.
Método de categoria RMSE
Funções Regressão linear simples 5.425

Regressão Linear 4.561
Mínima Mediana 4.968
Quadrada Multicamada Perceptron 5.341 Função
de Base Radial Rede Neural 7.501 Regressão de
Ritmo 4.561 Regressão Poly Kernel de Vetor de
Suporte 4.563
Quando os resultados apresentados são comparados, pode-se observar que as Redes Neurais Artificiais (RNAs)
possuem RMSE significativamente maior em comparação com outros métodos, mesmo quando comparados a funções
de regressão simples. Esse recurso também é perceptível ao usar um MLP.
No setor de energia, as Redes Neurais Artificiais (RNAs) são amplamente aplicadas para resolver muitos problemas
e para fins de otimização. Em [29] o algoritmo de aprendizado por reforço baseado em ANN é usado para gerenciar o
caminho de roteamento de energia ideal no conceito de internet de energia (EI). A fim de analisar efetivamente a
qualidade dos sinais de potência, a pesquisa [30] propõe um método de captura de características de sinal e identificação
de falhas baseado na RNA combinada com transformada de wavelet discreta e o teorema de Parseval. A RNA para
previsões de temperatura do ar em edifícios inteligentes foi desenvolvida em [31] para obter um melhor controle de
energia. A previsão de curto prazo da produção de energia da usina fotovoltaica usando RNAs pode ser encontrada em
[32,33]. A análise das despesas de aquecimento em um grande estoque de habitação social usando redes neurais
artificiais é apresentada em [34]. A solução de fornecimento de energia para nós sensores em edifícios baseada em
RNAs foi investigada e analisada em [35]. As RNAs também podem ser usadas para detecção rápida e precisa de
manchas de lixo, derramamentos de óleo ou poluições de qualquer tipo dentro de cada usina de energia ou em toda a
área geográfica com várias usinas de energia usando imagens aéreas [36].
Energias 2019, 12, 4352 4 de 26
É mostrado que as RNAs são, em geral, melhores em comparação com outros métodos de regressão [37] e pode
ser considerado um método mais flexível [38] que é aceitável do ponto de vista temporal. O MLP pode ser considerado
o tipo de RNA mais utilizado [39] devido ao alto desempenho do ponto de vista de regressão [40,41] e classificação
[42,43]. Por essas razões, o objetivo desta pesquisa é encontrar uma solução adequada para o problema de seleção de
modelo MLP, que seja aplicável à previsão da saída de potência elétrica do CCPP. Além disso, o objetivo desta pesquisa
é encontrar o modelo MLP que executa com menor RMSE, em comparação com as RNAs apresentadas em [28].
Existem muitas abordagens para resolver o problema de seleção de modelos de RNA, tais como: pesquisa em
grade [44,45], seleção de modelo bayesiano [46], etc. Outro método para resolver o problema de seleção de modelo
MLP é uma abordagem heurística [47-49]. Esta abordagem oferece alto desempenho em relação a problemas de
regressão [50,51] e classificação [52] . Por estas razões é investigada a possibilidade de utilização de algoritmos
heurísticos no projeto de MLP para estimativa de saída de potência elétrica CCPP.
Durante a análise e otimização de sistemas de energia, vários algoritmos heurísticos podem ser usados.
No entanto, as diretrizes que levarão os pesquisadores à seleção de algoritmos de otimização ótimos para o
problema investigado (ou similar) não podem ser encontradas na literatura. Portanto, o melhor procedimento
de seleção é usar um algoritmo de otimização que seja usado por outros pesquisadores durante a investigação
de problemas semelhantes ou durante a análise de sistemas semelhantes. Neste artigo, os autores
selecionaram Algoritmo Genético (GA) para otimização da arquitetura de rede neural MLP para estimativa de
saída de energia elétrica de Usina de Ciclo Combinado (CCPP). Pesquisa semelhante de otimização de
gerenciamento de energia em edifícios e distritos é realizada em [53] , onde os autores usaram ANN e GA. No
entanto, os autores em [53] usaram AG para otimização de previsões de ANN, não para otimização de
arquitetura de ANN. A revisão da literatura oferece muitos exemplos de uso do GA na análise e otimização de
vários elementos de muitos sistemas de energia ou suas partes. Em [54] assim como em [55] o AG é utilizado
para otimização de sistemas de energia que utilizam fontes de energia solar. O gerenciamento ótimo de
energia de um sistema de energia híbrido autônomo usando estratégias de GA é apresentado em [56],
enquanto o gerenciamento de qualidade de energia para uma rede de microenergia integrada com renováveis
em uma área turística foi analisado em [57] , onde os autores usaram GA optimização para obter uma distribuição óptima de ener
A redução do uso de eletricidade das bombas de água e das emissões de poluição usando AG de classificação pode ser
encontrada em [58]. A partir da literatura apresentada, pode-se concluir que os vários pesquisadores usaram AG
frequentemente na investigação, análise e otimização de sistemas de energia.
Na análise e otimização de sistemas de energia ou suas partes além do GA, outros algoritmos de otimização
podem ser utilizados. O Gravitational Search Algorithm (GSA) é um dos algoritmos de otimização usados na otimização
de unidades hidrelétricas reversíveis [59], na previsão de demanda de carvão [60] ou na previsão de demandas mensais
de eletricidade [48], bem como em outras fontes de energia e problemas de engenharia [61]. O algoritmo Particle Swarm
Optimization (PSO) é usado até agora para o desenvolvimento do método de redução de perda de energia no setor da
indústria de energia [62], na otimização do sistema de fornecimento de energia [63] , bem como na análise e otimização
de redes elétricas inteligentes [64] . Ant Colony Optimization (ACO) pode ser usado na otimização da produção de
biodiesel [65], no problema de planejamento da rede de distribuição AC/DC [66], etc. O uso do Cuckoo Search Algorithm
(CSA) é encontrado na análise e otimização do sistema de levitação magnética [67], na otimização de rotas de engenharia
de aquecimento [68] , bem como na pesquisa e aplicação de modelos híbridos de previsão de energia eólica [69]. O
Algoritmo Genético Híbrido (HGA) é uma versão melhorada do AG clássico, que também pode ser usado na resolução
de muitos problemas de sistemas de energia. Por exemplo, HGA pode ser usado no desenvolvimento de esquemas de
controle para pequenos sistemas de energia com parques eólicos de alta penetração [70] ou na previsão de falha por
fadiga térmica de chips microeletrônicos [71]. Além dos trabalhos de pesquisa mencionados acima, na literatura, vários
outros algoritmos de otimização usados em energia e outras aplicações práticas podem ser encontrados [72,73].
A comparação direta de desempenho de vários algoritmos de otimização pode ser encontrada em alguns
trabalhos de pesquisa. Em [74] foram comparados os desempenhos de vários algoritmos de otimização (PSO,
ACO, CSA, GA e HGA) durante a otimização do escalonamento de tarefas em tempo real em sistemas
multiprocessados. Para este problema os autores concluíram que o melhor desempenho mostra HGA, seguido por
Energias 2019, 12, 4352 5 de 26
AG e outros algoritmos. Em [75] os autores compararam quatro algoritmos (Simulated Annealing, GA, HGA e Variable
Search Environment Descending) na resolução de problemas de distribuição de redes de energia elétrica para localização
e dimensionamento ótimos. Conclui-se que o HGA (seguido do GA) fornece soluções de melhor qualidade, com destaque
para o fato de que o HGA utiliza um tempo computacional significativamente maior em comparação com outros métodos.
Portanto, para resolver o mesmo problema, é impossível concluir qual algoritmo é absolutamente dominante. Uma
comparação de desempenho de vários algoritmos de otimização durante a resolução do problema de escalonamento de
carga residencial é apresentada em [76]. Esta pesquisa também confirmou que o GA em comparação com todos os outros
algoritmos tem vantagens e desvantagens, mas sempre dá resultados satisfatórios junto com o uso de uma quantidade
razoável de recursos computacionais.
A revisão da literatura apresentada mostra que o AG pode ser usado para otimização de muitos elementos e
problemas em vários sistemas de energia, portanto, também é escolhido para a pesquisa realizada neste artigo como uma
solução de otimização confiável e rápida para a qual pode-se esperar fornecer satisfatoriamente preciso e resultados
precisos.
Nesta pesquisa, uma abordagem AG para projeto de MLP para estimativa de saída de energia elétrica CCPP é
apresentada. A seleção do modelo MLP baseado em GA é realizada para MLP com uma, duas, três, quatro e cinco
camadas ocultas usando um procedimento de mutação, três procedimentos de cruzamento diferentes e duas funções de
aptidão diferentes. Para obter os resultados, a análise de Bland-Altman (BA) é realizada e três configurações de MLP são
escolhidas. Os resultados de regressão alcançados com as configurações de MLP mencionadas acima são comparados
com dados reais. Ao final, os valores de RMSE de MLPs projetados com AG são comparados com os resultados
apresentados em [28].
Para resumir a novidade deste artigo, a ideia é investigar a possibilidade de implementação de algoritmos
heurísticos, principalmente AG, a fim de aumentar os desempenhos da regressão do MLP para estimativa de
potência elétrica CCPP, em comparação com os resultados apresentados na Tabela 1. Como complemento
para medidas de desempenho de classificação, a análise BA é introduzida juntamente com o RMSE para
examinar a derivação padrão de erros produzidos pela regressão. Para as configurações escolhidas, a
validação cruzada é realizada a fim de investigar os desempenhos de generalização das configurações mencionadas.
Das afirmações anteriores, podem ser impostas as seguintes hipóteses:
• investigar a possibilidade de implementação de AG no projeto de MLP para estimativa de potência elétrica CCPP,
comparar desempenhos
• de regressão de GA - MLP projetado com resultados apresentados na literatura disponível e
• determinar a configuração do MLP com desempenhos ótimos em relação aos erros de regressão.
Com base nas hipóteses apresentadas, será apresentada a configuração ótima do MLP e discutida a possibilidade
de utilização de algoritmos heurísticos no projeto do MLP para estimativa de potência elétrica CCPP .
2. Materiais e métodos
Nesta seção, é fornecida uma visão geral dos materiais e métodos usados. Primeiramente, é apresentada uma breve
descrição do conjunto de dados. Após esta parte, é fornecida a descrição do MLP e GA usados. Ao final, são descritos os
métodos utilizados para comparação dos resultados.
2.1. Descrição do conjunto de dados
A usina de ciclo combinado analisada possui duas turbinas a gás idênticas com os mesmos parâmetros de operação
e consequentemente a mesma potência produzida. A turbina a vapor é composta por cilindros de alta pressão e de baixa
pressão montados no mesmo eixo, lembrando que o cilindro de baixa pressão é um cilindro simétrico de dupla vazão,
conforme Figura 1.
Energias 2019, 12, 4352 6 de 26
Figura 1. Diagrama esquemático do CCPP analisado.
A potência cumulativa produzida a partir da usina de ciclo combinado analisada em cada regime
operacional pode ser calculada usando duas abordagens diferentes: a primeira é uma abordagem
convencional, enquanto a segunda é uma abordagem que aplica algoritmos de aprendizado de máquina
(ML) para estimar a saída de energia elétrica. A abordagem convencional de cálculo da potência produzida
cumulativa da planta analisada em cada regime operacional requer o conhecimento de 20 parâmetros
operacionais ( pressão média operacional, temperatura e vazão mássica) em cada ponto de operação
característico da turbina a gás e da turbina a vapor. Tal número de parâmetros operacionais em uma
abordagem convencional requer medições extensas em cada regime operacional da planta. A segunda
abordagem, usando algoritmos de ML, antes de sua implementação final, requer o conhecimento de apenas
cinco parâmetros operacionais em cada regime de operação da planta. Esses parâmetros são pressão do ar
ambiente, temperatura e umidade relativa; pressão do condensador (vácuo); e saída de energia elétrica
cumulativa do CCPP. Após a implementação, os algoritmos baseados em ML requerem o conhecimento de
apenas quatro parâmetros operacionais (pressão do ar ambiente; temperatura; umidade relativa e vácuo do
condensador) para o cálculo da potência elétrica acumulada do CCPP em cada regime operacional.
Parâmetros usados para treinamento e teste de algoritmos de ML são encontrados em [28] e descritos na Tabela 2.
O conjunto de dados usado para esta pesquisa consiste em 9.568 pontos de dados (regimes operacionais CCPP) que
são construídos com vetor de entrada de quatro elementos e valor de saída. Nesta pesquisa, o conjunto de dados é dividido
em dois subconjuntos: conjunto de dados de treinamento e teste. O conjunto de dados de treinamento consiste em 7.500
pontos de dados e o conjunto de dados de teste consiste em 2.068 pontos de dados. O conjunto de dados de treinamento
será usado para treinamento MLP, enquanto o conjunto de dados de teste será usado para teste MLP e determinação do valor
de aptidão. Essa divisão do conjunto de dados também é chamada de divisão de partições fixas [77]. Além disso, o conjunto
de dados de teste será usado para análise de Bland-Altman e para cálculo de RMSE com o objetivo de determinar as
configurações que estão alcançando resultados de estimativa viáveis. Para as configurações mencionadas, a validação
cruzada será realizada com o objetivo de examinar a estabilidade em relação à generalização dos dados. Nesta pesquisa, a
validação cruzada será realizada em configurações já projetadas e não durante o procedimento de projeto MLP baseado em GA. A razão para isso m
Energias 2019, 12, 4352 7 de 26
no fato de que realizar a validação cruzada durante o AG será demorado devido ao tamanho do conjunto de dados e da
população [78].
Tabela 2. Descrição dos parâmetros do conjunto de dados.
Tipo Parâmetro Faixa

ÿC Temperatura (T) 1,81 ÿC–37,11
Entrada Pressão ambiente de entrada (AP) 992,89 mbar–1033,30 mbar Umidade relativa
de entrada (UR) 25,56%–100,16% Entrada Exaustão Vácuo (V) 25,36 cmHg–
81,56 cmHg Saída Média horária Potência elétrica (Pe ) 420,26 MW-495,76 MW
Como mencionado anteriormente, uma técnica de validação cruzada k -fold é utilizada para examinar os desempenhos
de generalização de MLPs projetados. O primeiro passo para executar a validação cruzada k - fold é a divisão de todo o
conjunto de dados em k partes [77,79]. Então, uma parte do conjunto de dados dividido é usada para teste de MLP,
enquanto as partes restantes são usadas para treinamento de MLP. A representação gráfica de tal procedimento é
mostrada na Figura 2.
F1 F2 F3 F4 F5
Caso 1
Caso 2 Treinamento
Caso 3 teste
Caso 4
Caso 5
Figura 2. Representação gráfica do procedimento de validação cruzada (F1 - Fold 1; F2 - Fold 2; F3 - Fold
3; F4 - Fold 4; F5 - Fold 5).
Nesta pesquisa, dois tipos de validação cruzada k - fold são realizados e estes são 5 vezes e
Validação cruzada de 10 vezes.
2.2. Perceptron Multicamadas
MLP é um tipo de RNA, caracterizado com arquitetura feed-forward e de acordo com [80] consiste principalmente em
três camadas e são elas:
• Camada de entrada - camada que representa o vetor de dados de

entrada, • Camadas ocultas - camadas entre a camada de entrada e saída e
• Camada de saída - camada que representa o vetor de saída.
Esta arquitetura MLP é caracterizada por seu design simples, que pode ser usado para resolver vários problemas de
classificação e regressão [80]. Cada camada oculta consiste em nós construídos com algum tipo de função de ativação,
que é usada para transformar o valor de entrada somado de cada neurônio em seu valor de saída [81]. Para o caso desta
pesquisa, três diferentes funções de ativação são utilizadas, e são elas:
• Unidade Linear Retificada (ReLU) [82],

• Sigmóide Logístico [83] e •
Tangente Hiperbólica (Tanh) [84].
Energias 2019, 12, 4352 8 de 26
Para definir a relação entre os dados no vetor de entrada e os dados no vetor de saída, é realizado o
procedimento chamado aprendizado supervisionado [85]. O aprendizado supervisionado é obtido por meio de
um algoritmo de otimização (solver). No caso desta pesquisa, seis diferentes solvers são utilizados, e são eles:
• Descida de Gradiente Estocástico (SGD) [86], •

Algoritmo de otimização de taxa de aprendizagem adaptável (Adam) [87], •
Algoritmo de otimização Root-Mean-Square (RMSProp) [88], • Algoritmo de
Gradiente Adaptativo (AdaGrad) [89] , • Proximal AdaGrad
(PAdaGrad) [90] e • Ada Delta (Adaÿ) [91].
Ao usar funções de ativação e solucionadores acima mencionados, o procedimento baseado em GA de design de MLP
será executado.
2.3. Algoritmo genético
AG é um algoritmo meta-heurístico usado para tarefas de otimização [92], planejamento de caminho [93] e
mapeamento [94] . É inspirado no processo de evolução natural e baseia-se em procedimentos semelhantes aos do
processo de evolução natural usados para gerar soluções individuais com melhores desempenhos [95].
Esses procedimentos são:
• Mutação, •
Crossover e
• Seleção dos pais.
Os procedimentos listados acima serão usados em cromossomos que representam parâmetros de MLP. A parte seguinte
do artigo representa uma descrição dos métodos de variação e seleção mencionados anteriormente, que são usados
nesta pesquisa. Uma definição da função de aptidão e a descrição da inicialização da população também são fornecidas.
2.3.1. Mutação
Número de mutações (N) em um cromossomo é um aleatório discreto uniformemente distribuído

variável, que pode ser descrita como
N ÿ U[0, M], (1)
onde M representa o comprimento do cromossomo. A localização do gene mutado no cromossomo (G) também é definida
como uma variável aleatória uniformemente distribuída (U).
G ÿ U[0, M]. (2)
O novo parâmetro (a) contido no gene (G) é selecionado aleatoriamente como
SG R ÿÿ a, (3)
onde SG representa um conjunto de parâmetros que são aplicáveis ao gene G. A seleção aleatória de um membro
do conjunto SG que é atribuído ao gene G também é distribuída uniformemente. Uma representação gráfica do
procedimento de mutação com M = 10 e N = 3 é dada na Figura 3, onde as células sombreadas em K3 representam
genes mutados.
G0 G1 G2 G3 G4 G5 G6 G7 G8 G9
K1
G0 G1 G2 G3 G4 G5 G6 G7 G8 G9
K3
Figura 3. Representação gráfica do procedimento de mutação no exemplo com M = 10 e N = 3

(K1 - cromossomo pai, K3 - cromossomo filho, G - gene).
Energias 2019, 12, 4352 9 de 26
2.3.2. Cruzamento
Nesta pesquisa, três diferentes métodos de crossover são utilizados. Determinação de um cruzamento
método é realizado usando variável aleatória uniformemente distribuída, definida como
c ÿ U[0, 2], (4)
onde c representa uma variável aleatória. Dependendo do valor da variável aleatória, o método de crossover é
definido, conforme mostrado pela árvore de seleção aleatória na Figura 4a.
c=0 c=1 c=2

Cruzamento Cruzamento Cruzamento
Método 1 método 2 método 3
(a) A árvore de seleção aleatória do método de cruzamento
G0 G1 G2 G3 G4 G5 G6 G7 G8 G9 G0 G1 G2 G3 G4 G5 G6 G7 G8 G9 G0 G1 G2 G3 G4 G5 G6 G7 G8 G9
K1 K1 K1
K2 K2 K2
K4 K4 K4
K5 K5 K5
(b) Primeiro procedimento de cruzamento (c) Segundo procedimento de cruzamento (d) Terceiro procedimento de cruzamento
Figura 4. Representação gráfica da árvore de seleção aleatória usada (a) e métodos de cruzamento
usados (b-d) (K1 - primeiro cromossomo pai, K2 - segundo cromossomo pai, K4 - primeiro cromossomo
filho, K5 - segundo cromossomo filho, G - gene ).
O primeiro método de cruzamento é realizado com um cruzamento de dois cromossomos diferentes. O gene
após o qual um cruzamento é realizado é definido como uma variável aleatória discreta uniformemente distribuída
que pode ser escrita como:
G ÿ U[0, M ÿ 1]. (5)
O fragmento de cada um dos cromossomos pais é escolhido para formar dois novos cromossomos. O
primeiro cromossomo filho (K4) é formado pela combinação do primeiro fragmento do primeiro cromossomo
pai (K1) e do segundo fragmento do segundo cromossomo pai (K2). A formação do primeiro cromossomo
filho pode ser definida como
K4 = K1{0, 1, ..., G} ÿ K2{G + 1, G + 2, ..., M}. (6)
Por outro lado, o segundo cromossomo filho é formado pela combinação do primeiro fragmento
do segundo cromossomo pai (K2) e do segundo fragmento do primeiro cromossomo pai (K1). Esta
formação pode ser representada com
K5 = K2{0, 1, ..., G} ÿ K1{G + 1, G + 2, ..., M}. (7)
A representação gráfica do procedimento de cruzamento previamente definido é mostrada na Figura 4b.

O segundo método de cruzamento utilizado nesta pesquisa é realizado combinando três fragmentos diferentes de
dois cromossomos pais para a construção de dois cromossomos filhos. Os cromossomos pais são divididos em três
fragmentos usando duas variáveis aleatórias discretas, uniformemente distribuídas, representando genes após os
quais ocorreu a divisão do cromossomo. A primeira variável representa o gene que forma o final do primeiro
fragmento do cromossomo. Esse cromossomo (Gl ), que pode ser considerado como um cromossomo borderline
esquerdo, é definido como
Energias 2019, 12, 4352 10 de 26
Gl ÿ U[0, M ÿ 2], (8)
onde M ÿ 2 marca o limite mais distante possível, assim definido, que no final do cromossomo filho, mais dois
fragmentos do primeiro e do segundo cromossomos pais podem ser trocados. Em segundo lugar, o
cromossomo direito Gr , é definido como
Gr ÿ U[Gl + 1, M ÿ 1], (9)
onde pelo menos um gene é deixado para ser ajustado com um material genético do primeiro cromossomo
pai. O primeiro cromossomo filho (K4) é construído combinando o primeiro fragmento do primeiro cromossomo
pai (K1), o fragmento intermediário do segundo cromossomo pai (K2) e o último fragmento do primeiro
cromossomo pai (K1). Esta combinação pode ser escrita como
K4 = K1{G0, G1, ..., Gl} ÿ K2{Gl + 1, Gl + 2, ...,
(10)
Gr} ÿ K1{Gr + 1, Gr + 2, ..., M}.
A formação do segundo cromossomo filho (K5) é realizada usando fragmentos cromossômicos opostos. K5
é formado pela combinação do primeiro fragmento do segundo cromossomo pai (K2), o fragmento do meio do
primeiro cromossomo pai (K1) e o último fragmento do segundo pai
cromossoma. A formação do segundo cromossomo filho pode ser escrita como
K5 = K2{G0, G1, ..., Gl} ÿ K1{Gl + 1, Gl + 2, ...,

(11)
Gr} ÿ K2{Gr + 1, Gr + 2, ..., M}.
A representação gráfica do segundo procedimento de cruzamento é dada na Figura 4c. O terceiro
procedimento de cruzamento pode ser definido com variável aleatória discreta e uniformemente distribuída (b)
que, de fato, representa uma variável aleatória de cara ou coroa, que pode ser escrita como
b = U ÿ [0, 1]. (12)
De acordo com o valor da variável b, dois cromossomos filhos são construídos. Um gene do primeiro
cromossomo filho (K4i ) será igual ao gene do primeiro cromossomo pai (K1i ) se b = 0. Por outro lado, K4i
será igual ao gene do segundo cromossomo pai (K2i ) se b = 1. O procedimento acima pode ser definido com
K1 , b=0
K4i = , (13)
K2i , b=1
para i = 0, 1, ..., M. O procedimento para construir o segundo cromossomo filho é realizado de maneira
semelhante. Um gene do segundo cromossomo filho (K5i ) será igual ao gene do segundo cromossomo pai (K2i )
se b = 0. Por outro lado, K5i será igual ao gene do primeiro cromossomo pai (K1i ) se b = 1. Como no caso da
construção de K4i , a construção de K5i pode ser definida com
K2i , b=0
K5i = , (14)
K1 , b=1
para i = 0, 1, ..., M. A representação gráfica do procedimento de cruzamento descrito é dada na Figura 4d.
2.3.3. Função de condicionamento físico
A função fitness é uma função que é usada como uma medida de desempenho cromossômico e é
usada para guiar o AG em direção à solução ótima [96]. Nesta pesquisa, duas funções de aptidão diferentes
são definidas, e estas são
• ERM e
• MSE.
Energias 2019, 12, 4352 11 de 26
Como mencionado anteriormente, a função de aptidão é uma função que representa uma medida de desempenho
cromossômico. A partir dessa afirmação, pode-se concluir que o valor de aptidão é uma função de um cromossomo, definido como
Fi = f(Ki), (15)
onde Ki representa um cromossomo. Uma maneira de definir um valor de aptidão de um cromossomo é calcular o MRE
de uma amostra ei que pode ser definida com
|Yi ÿ Yˆ i |
não = , (16)
Fazer
onde Yi representa um valor real de uma amostra e Yˆ i representa um valor que é previsto com uma regressão
baseada em MLP. O MRE de todo o conjunto de dados de teste pode ser calculado com
1 N |Yi ÿ Yˆ i
ERM = , (17)
N |ÿ
i=1 Fazer
onde N representa o número total de amostras no conjunto de dados de teste.

Como outra abordagem para determinar o valor de aptidão de um cromossomo, o erro quadrado é definido
e em uma amostra (SEi ) pode ser calculado como
2
SEi = (Yi ÿ Yî ) , (18)
onde Yi representa o valor de saída real e Yˆ i representa um valor previsto com regressão baseada em MLP.
O erro quadrado médio de todo o conjunto de dados de teste (MSE) pode ser calculado como
1 N 2
MSE =
N
ÿ (Yi ÿ Yî ) , (19)
i=1
onde N representa o número total de amostras do conjunto de dados de teste composto.

Ambos os métodos descritos acima serão usados para determinar o valor de aptidão dos cromossomos.
2.3.4. Criação de população
A população inicial P é criada pela combinação de cromossomos com genes escolhidos aleatoriamente, que
pode ser escrito como
P = {KI , KI I, ..., Kÿ}, (20)
onde ÿ representa o número de membros da população. Para cada membro da população, um valor de aptidão é
determinado usando um dos métodos descritos na Seção 2.3.3. O valor de aptidão de cada cromossomo é então
usado para formar um conjunto que contém os valores de aptidão de todos os membros da população. Este conjunto
pode ser definido como
F = {FI , FI I, ..., Fÿ}. (21)
Usando o conjunto de cromossomos P e o conjunto de valores de aptidão F, um novo conjunto de tuplas é construído. Este
conjunto pode ser definido com
S = {(KI , FI),(KI I, FI I), ...,(Kÿ, Fÿ)}, (22)
onde cada uma das tuplas representa um cromossomo e seu valor de fitness.
Energias 2019, 12, 4352 12 de 26
2.3.5. Seleção dos Pais
Para realizar a seleção dos pais para formação da nova geração, o conjunto de tuplas previamente definido
pode ser escrito da seguinte forma
S = {SI , SI I, ..., Sÿ}, (23)
é classificado de tal maneira que
ÿ2(SI) ÿ ÿ2(SI I) ÿ ... ÿ ÿ2(Sÿ), (24)
onde ÿ2(Si) representa o segundo elemento de uma tupla Si , ou seja, Fi . Usando o conjunto classificado, os
cromossomos pais são determinados como
K1 = ÿ1(SI) (25)
K2 = ÿ1(SI I), (26)
onde ÿ1(Si) representa o primeiro elemento da tupla Si , ou seja, Ki .
2.3.6. Nova Formação de População
Após a seleção dos genitores (K1 e K2), são realizados os procedimentos de variação. Os pais juntamente
com os filhos gerados pelos procedimentos de variação (K3, K4 e K5) formam a nova população, que pode ser
definida como uma união entre quatro conjuntos
{R1, R2} ÿ {R31, R32, ..., R3D} ÿ {R41, R42, ..., R4C} ÿ
P= (27)
{R51, R52, ..., R5C},
onde D representa o número de cromossomos produzidos com mutação e C representa metade do número de
procedimentos de cruzamento realizados. Do conjunto de população, o número de membros da população pode
ser definido como
ÿ = 2 + D + 2C. (28)
No caso desta pesquisa AG são utilizados os parâmetros C = 6 e D = 6, o que dá 20 membros da população

no total. O procedimento descrito é realizado por 50 gerações.
2.3.7. Construção do Cromossomo
Para os propósitos desta pesquisa, seis diferentes parâmetros de MLP são utilizados na construção do
cromossomo. Parâmetros que podem ser descritos como valores numéricos são mostrados na Tabela 3. Como
número de épocas de treinamento MLP, um número ímpar entre um e 100 é escolhido. Como um número de nós
em cada camada oculta, um número inteiro no intervalo de 10 a 100 é escolhido. Essas restrições foram
introduzidas em relação ao conhecimento teórico da seleção da complexidade do modelo [97,98]. Como tamanho
de lote, um valor na faixa de 200 a 1875 amostras é escolhido, onde o último representa um quarto de um número
de amostras de treinamento.
Tabela 3. Parâmetros numéricos usados para a construção do cromossomo.
Parâmetro Intervalo de Variações
Número de épocas (le) 50 le ÿ [1, 100]

Número de nós na camada oculta (ln) 20 ln ÿ [10, 100]
Tamanho do lote (lb ) 75 lb ÿ [200, 1875]
Energias 2019, 12, 4352 13 de 26
Outros dois parâmetros usados na construção do cromossomo são representados com conjuntos de strings, conforme
mostrado na Tabela 4. O primeiro conjunto representa um conjunto de funções de ativação usadas para projeto de MLP onde
as funções de ativação são usadas para camadas ocultas e projeto de camada de saída, enquanto o segundo conjunto consiste
em diferentes algoritmos de resolução que são usados para treinamento de MLP.
Tabela 4. Parâmetros de string usados para construção do cromossomo.
Parâmetro Definir
Função de ativação (la) la = {ReLU, Logistic Sigmoid, Tanh} ls =

Solucionador (ls) {SGD, Adam, RMSprop, AdaGrad, PAdaGrad, Adaÿ}
Os parâmetros usados para construção do cromossomo no caso de MLP com uma camada oculta são
mostrados na Tabela 5. Pode-se notar que o conjunto la é usado para a geração de dois genes G2 e G3
onde G2 representa a função de ativação usada para o desenho do camada oculta e o gene G3 representa
a função de ativação usada para o projeto da camada de saída.
Tabela 5. Parâmetros de construção do cromossomo para o caso de MLP com uma camada oculta.
Gene Representação do Gene Parâmetro
G0 Número de épocas le
G1 Número de neurônios na camada oculta ln
G2 Função de ativação na camada oculta la
G3 Função de ativação na camada de saída la lb ls
Tamanho do batch
G4
Solucionador
G5
Os parâmetros de construção cromossômica usados no caso de MLP projetado com duas camadas
ocultas são mostrados na Tabela 6. Pode-se ver que cada uma das camadas ocultas é definida com sua própria
função de ativação e seu próprio número de nós.
Tabela 6. Parâmetros de construção do cromossomo para o caso de MLP com duas camadas ocultas.
Gene Representação do Gene Parâmetro
G0 Número de épocas le
G1 Número de neurônios na primeira camada oculta ln
G2 Função de ativação na primeira camada oculta la
G3 Número de neurônios na segunda camada oculta ln
G4 Função de ativação na segunda camada oculta la
G5 Função de ativação na camada de saída la
G6 Tamanho do lote lb ls
Solucionador
G7
O mesmo padrão se repete para os casos de MLP projetados com três, quatro e cinco camadas ocultas.
2.4. Análise de Bland-Altman
Para a validação do modelo de regressão, a análise BA é usada. O gráfico BA é uma ferramenta estatística usada
principalmente para comparação de métodos de medição médica [99,100], mas também pode ser usada para validar a regressão
baseada em aprendizado de máquina [101,102]. Para cada amostra contida no conjunto de dados de teste, um ponto no gráfico
BA pode ser determinado como
Energias 2019, 12, 4352 14 de 26
T(pi , di), (29)
onde pi pode ser definido como um valor médio entre a saída de energia elétrica CCPP real e estimada
Yi + Yˆ
(30)
eu
pi = 2
e di pode ser definido como a diferença entre duas amostras (real e estimada)
di = Yi ÿ Yˆ eu .
(31)
Usando o procedimento descrito, é realizada uma representação gráfica de todas as amostras no conjunto de dados de teste.
Usando as amostras mencionadas acima, as métricas de comparação de métodos são introduzidas e são:
• Viés,
• Limite superior do intervalo de confiança e •
Limite inferior do intervalo de confiança.
O valor médio das diferenças ou viés pode ser determinado com
1 N
d= (32)
N ÿ de ,
i=1
onde N representa o número de amostras no conjunto de dados de teste. Usando o viés calculado, os limites
inferior e superior do intervalo de confiança são determinados como
LOAl = d ÿ 1,96sd (33)
LOAu = d + 1,96sd , (34)
onde sd representa o desvio padrão, calculado como
1 N
SD = 2. (35)
N ÿ 1 i ÿ (di ÿ d)
=1
O valor 1,96 corresponde ao intervalo de confiança de 95%. Usando as métricas acima mencionadas, o MLP
que tem a melhor correspondência com as amostras do conjunto de dados de teste será determinado.
2.5. Raiz do erro quadrático médio
Para comparação do MLP com os resultados apresentados em [28], são usados os valores de RMSE . O RMSE de um
conjunto de dados de teste é calculado como:
1 N
RMSE =
N
ÿ (Yi ÿ Yî ) 2 . (36)
i=1
3 Resultados e discussão
Nesta seção são apresentadas as configurações de MLP que são resultados do projeto de MLP baseado em
GA, juntamente com seu valor de aptidão. Todas as configurações apresentadas são projetadas utilizando o
procedimento AG descrito acima em 50 gerações. Para todas as configurações resultantes, a análise estatística
BA é realizada com o objetivo de comparar os resultados estimados com dados reais. Os resultados da análise
BA serão usados para avaliação dos desempenhos de regressão de cada configuração MLP projetada utilizando
GA. De acordo com os resultados obtidos com a análise estatística BA, algumas das configurações serão
escolhidas para posterior análise, enquanto outras serão omitidas. Os desempenhos das configurações
remanescentes serão comparados com resultados obtidos por métodos similares apresentados em [28]. No final,
a técnica de validação cruzada será aplicada às restantes configurações com o objetivo de determinar os
desempenhos de generalização de cada uma. De acordo com os resultados obtidos, será determinada a configuração do MLP com de
Energias 2019, 12, 4352 15 de 26
3.1. Resultados
Quando o GA com função de aptidão MRE é utilizado para o projeto MLP, as configurações relatadas na Tabela 7
são obtidos.
Tabela 7. Configurações MLP como resultado da implementação do AG com MRE como função fitness.
Configuração
Gene R1 R2 R3 R4 R5
Número de épocas 87 70 99 80 65 91 13
Número de neurônios na primeira camada oculta 60 55 80
Função de ativação na primeira camada oculta ReLU ReLU Sigmóide ReLU Sigmóide 100 10 55
- 25
Número de neurônios na segunda camada oculta
- retomar Tanh
Função de ativação na segunda camada oculta ReLU Sigmoide 60 90
- - 65
Número de neurônios na terceira camada oculta
- -
Função de ativação na terceira camada oculta ReLU Sigmoide ReLU 85
- - - 75
Número de neurônios na quarta camada oculta
- - - retomar retomar
Função de ativação na quarta camada oculta
- - - - 80
Número de neurônios na quinta camada oculta
- - - - retomar
Função de ativação na quinta camada oculta
Função de ativação na camada de saída ReLU ReLU retomar retomar retomar
Tamanho do batch 407 1164 453 223 39
Solucionador Adam Adam Adam SGD Adam
Valor de aptidão (MRE) 0,8327% 1,0062% 0,7374% 1,4606% 0,7369%
A partir dos resultados apresentados na Tabela 7 , pode-se notar que o MLP projetado com uma camada
oculta (R1) atinge um valor de aptidão de 0,8327%. Quando a análise BA é realizada em resultados obtidos com
R1 , pode-se ver que este MLP está funcionando com viés negativo de ÿ2,6766 e intervalo de confiança no intervalo
d ÿ [ÿ12,4106, 7,0574], conforme mostrado na Figura 5a. Pode-se notar que os pontos no gráfico BA estão
concentrados em torno da linha de viés, independentemente do valor médio.
No caso da utilização do AG para projeto de MLP com duas camadas ocultas (R2), obtém-se a configuração
apresentada na Tabela 7 . Essa configuração atinge um valor de adequação de 1,0062%. Quando a análise de
Bland-Altman é realizada para R2, percebe-se que o MLP, neste caso, está atuando com viés positivo de 14,7462
e intervalo de confiança no intervalo d ÿ [3,5776, 25,9149]. Também pode ser notado que o MLP está executando
com erro significativamente maior, em comparação com o MLP projetado com uma camada oculta.
Essa característica é particularmente enfatizada no caso de amostras com maior valor médio, como mostra a
Figura 5b.
No caso do MLP com três camadas ocultas (R3), obtém-se a configuração apresentada na Tabela 7 .
Com esta configuração, o valor de aptidão de 0,7374% é alcançado. Quando a análise BA é realizada para R3,
pode-se observar que todos os erros são distribuídos linearmente com inclinação positiva, em relação aos valores
médios, conforme mostra a Figura 5c. A partir deste resultado pode-se concluir que o MLP está sempre produzindo
o mesmo valor de saída, independentemente do vetor de entrada. Por esses motivos, essa configuração deve ser
omitida. A partir dos resultados apresentados, percebe-se que a avaliação do MLP apenas usando valor de erro ou
viés pode ser enganosa.
Quando o AG é utilizado para o projeto de MLP com quatro camadas ocultas (R4), obtém-se a configuração
relatada na Tabela 7 . Com essa configuração de MLP, o valor de adequação de 1,4606% é alcançado. Quando
a análise BA é realizada para esta configuração, pode-se notar que este R4 está operando com bias de 7,4839
e intervalo de confiança no intervalo d ÿ [ÿ10,3539, 25,3218]. Nota-se também que no caso de valores médios
menores os valores previstos são menores que os valores reais, enquanto no caso de valores médios maiores
os valores previstos são maiores que os valores reais conforme mostra a Figura 5d.
Quando o AG é utilizado para o projeto de MLP com cinco camadas ocultas (R5), a configuração relatada
na Tabela 7 é obtida como a melhor solução. Pode-se ver que, usando essa configuração, o valor de aptidão de
Energias 2019, 12, 4352 16 de 26
0,7369% é alcançado. Quando a análise BA é realizada em resultados obtidos com esta configuração MLP,
pode-se ver que ela funciona com viés de -1,2609. Também pode ser notado que esta abordagem possui um
intervalo de confiança mais estreito (d ÿ [ÿ10,7137, 8,1917]) em comparação com outras MLPs descritas
anteriormente , conforme mostrado na Figura 5e.
(a) Gráfico BA para R1 (b) Gráfico BA para R2
(c) Gráfico BA para R3 (d) Gráfico BA para R4
(e) Gráfico BA para R5
Figura 5. Gráficos de Bland-Altman para todas as cinco configurações de MLP projetadas com implementação de AG com MRE
como uma função de adequação.
A outra abordagem na utilização do AG para a criação do MLP que estima a saída de energia elétrica do
CCPP é utilizar o MSE como uma função de aptidão. Se esta abordagem for usada para a criação de MLP com
uma configuração de camada oculta relatada na Tabela 8 , obtém-se a melhor solução. Com a configuração
acima mencionada, o valor de aptidão de 28,4081 é alcançado.
Energias 2019, 12, 4352 17 de 26
Tabela 8. Configurações MLP como resultado da implementação do AG com MSE como função fitness.
Configuração
Gene S1 S2 S3 S4 S5
Número de épocas 99 55 53 73 55 30 50
Número de neurônios na primeira camada oculta 35 40 80

Função de ativação na primeira camada oculta retomar Tanh Sigmoide ReLU ReLU 80 15
- 100 15
Número de neurônios na segunda camada oculta
- retomar retomar Tanh
Função de ativação na segunda camada oculta Sigmoide
- - 85 80 100
Número de neurônios na terceira camada oculta
- - retomar Tanh Tanh
Função de ativação na terceira camada oculta
- - - 80 35
Número de neurônios na quarta camada oculta
- - - ReLU ReLU
Função de ativação na quarta camada oculta
- - - - 30
Número de neurônios na quinta camada oculta
- - - - retomar
Função de ativação na quinta camada oculta
Função de ativação na camada de saída ReLU ReLU retomar ReLU ReLU
Tamanho do batch 1278 246 430 820 1623
Solucionador
Adam AdaGrad P AdaGrad RMSprop Adam 28.4081 80.7939 39.0868
Valor de aptidão (MSE) 216.6123 17.6511
Quando a análise BA é realizada para resultados obtidos com configurações MLP relatadas na Tabela 8,
pode-se ver que MLP com uma camada oculta produz uma estimativa da saída de energia elétrica CCPP que é
tendenciosa para -7,4524. Esse viés faz parte do intervalo de confiança no intervalo d ÿ [ÿ18,7772, 3,8725].
Nota-se que menores diferenças são alcançadas para amostras com maior valor médio, conforme mostra
a Figura 6a.
(a) Gráfico BA para S1 (b) Gráfico BA para S3
Figura 6. Gráficos de Bland-Altman para todas as cinco configurações de MLP projetadas com implementação de AG com MSE
como uma função de adequação.
Quando os resultados da utilização do AG para projeto de MLP com três camadas ocultas e MSE como
uma função de aptidão são observados, pode-se notar que o melhor valor de aptidão de 39,0868 é alcançado
com a configuração MLP S3 relatada na Tabela 8. Quando a análise BA é realizada nos resultados estimados
com o MLP projetado usando os parâmetros apresentados na Tabela 8, pode- se notar um desempenho
enviesado . Este MLP está operando com um valor de bias de 2,6622 que faz parte do intervalo de confiança d ÿ
[ÿ10,0570, 15,3814]. Nota-se também que os resultados obtidos com o MLP são inferiores aos dados reais para
valores médios inferiores e superiores para valores médios superiores, conforme mostra a Figura 6b.
Outras configurações apresentadas na Tabela 8 (S2,S4 e S5) estão produzindo o mesmo valor de saída
independentemente do vetor de entrada, como é o caso da configuração R3 e seu gráfico BA mostrado na Figura 5c.
A configuração S2 está funcionando com valor de viés de 454,92 com seu intervalo de confiança na faixa
Energias 2019, 12, 4352 18 de 26
d ÿ [421, 488,85]. Os desempenhos de regressão da configuração S4 são semelhantes aos desempenhos de S2.
Esta configuração está funcionando com valor de bias de 454,92 e intervalo de confiança na faixa d ÿ [421, 488,85].
No caso da configuração S5, um valor de bias de 1,1 é obtido, juntamente com seu intervalo de confiança no intervalo d ÿ
[ÿ35,03, 32,82]. A partir dos resultados apresentados, pode-se notar que, no caso das duas primeiras configurações, a
conclusão em relação aos desempenhos da regressão pode ser tirada apenas observando o valor do viés. Esse não é o
caso da configuração S5, onde um valor de bias baixo pode levar a conclusões falsas.
Por esses motivos, um desvio padrão dos erros deve ser levado em consideração. Pode-se notar que todas as
três configurações possuem altos desvios padrão de erros (sd = 17,3). Por esses motivos, as configurações
mencionadas são omitidas e seus gráficos não são exibidos.
Quando todos os resultados apresentados são resumidos, pode-se notar que em termos de valor absoluto, o menor valor de bias
é obtido no caso do MLP com cinco camadas ocultas que é treinado usando AG com MRE como função fitness (R5). Quando o MLP
com uma camada oculta é treinado usando a mesma abordagem de GA (R1), o valor de viés absoluto é visivelmente maior. Quando os
intervalos de confiança para as configurações mencionadas são comparados, pode-se ver que, usando a configuração R5, o valor
absoluto dos limites do intervalo de confiança é ligeiramente menor do que no caso da configuração R1. Se R5 for comparado a outras
configurações viáveis (R2, R4, S1, S3), pode-se notar que na configuração de valor absoluto R5 atinge valores de bias e limites de
intervalo de confiança do amante mais baixos, conforme mostrado na Figura 7.
Figura 7. Viés e intervalo de confiança associado para cada configuração de MLP (R1 - MLP com uma
camada oculta e MRE como função de adequação, R2 - MLP com duas camadas ocultas e MRE como
função de adequação, R4 - MLP com quatro camadas ocultas e MRE como função fitness, R5 - MLP com
cinco camadas ocultas e MRE como função fitness, S1 - MLP com uma camada oculta e MSE como
função fitness, S3 - MLP com três camadas ocultas e MSE como função fitness).
Como pode ser visto na Figura 7 , pode-se concluir que, ao usar o MRE como uma função de aptidão, quatro das cinco
MLPs são viáveis, enquanto a utilização do MSE está produzindo apenas duas configurações de MLP viáveis. Além disso,
pode-se notar que a configuração S3 apresenta um desvio significativamente maior das taxas de erro em comparação com
as configurações R1 e R5.
Quando os pontos de dados de Pe reais são comparados com Pe estimado por R1 para cada 25 amostras, pode-se
notar que os valores de estimativa respondem às tendências de valor real, mas os valores de estimativa geralmente
superestimam os valores reais, especialmente os picos de dados. Esta comparação é apresentada na Figura 8a. A
comparação dos pontos de dados reais do Pe com o Pe estimado pelo R5 mostra que a taxa de superestimação é menor (se comparada ao R1).
Além disso, os dados de estimativa de R5 seguem melhor as tendências dos dados de Pe reais , mas também superestimam os valores
de Pe reais mais baixos , conforme apresentado na Figura 8b. Observando os desempenhos de estimação de S3 conclui-se que este
MLP subestima os valores reais de Pe mais altos e superestima os valores reais de Pe mais baixos , conforme apresentado na Figura 8c.
Energias 2019, 12, 4352 19 de 26
Quando os valores de RMSE alcançados com R1, R5 e S3 são comparados com os valores de RMSE apresentados em
[28], pode-se notar que os MLPs desenvolvidos com a utilização do AG apresentado neste artigo estão atingindo valores de
RMSE significativamente mais baixos, conforme mostrado na Tabela 9.
(a) Comparação entre Pe previsto com R1 e dados reais
(b) Comparação entre Pe previsto com R5 e dados reais
(c) Comparação entre Pe previsto com S3 e dados reais
Figura 8. Comparação entre Pe previsto e dados reais para três MLPs com melhor desempenho:
(a) R1 , (b) R5 e (c) S3.
Energias 2019, 12, 4352 20 de 26
Tabela 9. Comparação dos resultados obtidos com MLPs projetadas utilizando AG e outros métodos apresentados na
literatura.
Categoria Método RMSE
Funções Regressão Linear Simples 5.425

Regressão Linear 4.561
Mínima Mediana 4.968
Quadrada Multicamada 5.341
Perceptron Base Radial Função Rede Neural 7.501
Pace Regression 4.561
Support Vector Poly Kernel Regression 4.563
MLPs projetados com GA R1 5.07

R5 4.305
S3 4.874
Além disso, pode-se concluir que os MLPs desenvolvidos neste trabalho estão alcançando valores de RMSE
mais baixos em comparação com todos os métodos membros da categoria Functions. Se forem realizados
procedimentos de validação cruzada de 5 vezes e 10 vezes , pode-se notar que R5 atinge o menor RMSE,
independentemente dos números de dobras. Nota-se também que os RMSE obtidos com esta configuração apresentam
desvio padrão menor do que as outras duas configurações, conforme Tabela 10.
Tabela 10. Resultados da validação cruzada de 5 vezes e 10 vezes nas configurações R1 , R5 e S3.
Configuração Média Mínima Máxima Desvio Padrão

R1 5.37 5.01 5,85 0,29
Validação cruzada de 5 vezes R5 4.31 4.16 4.43 0,09
S3 4.64 4.53 4,93 0,15
R1 5.27 4,66 5,99 0,45

Validação cruzada de 10 vezes R5 4.52 4.11 5.13 0,39
S3 4,98 4.28 5.69 0,43
Quando os valores médios de RMSE apresentados na Tabela 10 são comparados com os valores de RMSE
apresentados na Tabela 9, pode-se notar que os resultados obtidos com validação cruzada de 5 vezes representam de
perto os resultados apresentados na Tabela 9. Essa propriedade é particularmente enfatizada no caso de configuração R5 .
Além disso, pode-se notar que esta configuração atinge o menor desvio padrão. Em outras palavras,
pode-se concluir que a utilização do R5 , juntamente com o menor RMSE, oferece os desempenhos
mais estáveis em relação à generalização de dados.
3.2. Discussão
Quando todos os resultados apresentados são resumidos, pode-se notar que os melhores desempenhos de
regressão são alcançados se a configuração R5 for utilizada. Essa configuração é alcançada se o GA com MRE como
uma função de aptidão for implementado para o projeto de MLP com cinco camadas ocultas. A análise BA da
configuração acima mencionada está mostrando que esta configuração está funcionando com menor viés e desvio
padrão de erro, em comparação com outras configurações. Essa conclusão pode ser tirada porque essa configuração
tem o intervalo de confiança de erro mais estreito, conforme mostrado no gráfico BA. Além disso, quando os resultados
obtidos com o R3 são comparados com os resultados apresentados na literatura, percebe-se que os valores de RMSE
obtidos com esta configuração superam os valores de RMSE obtidos na literatura.
Quando os resultados apresentados são comparados aos resultados alcançados com R1 e S3, pode-se notar
que R5 executa com valor de RMSE significativamente menor. Se a técnica de validação cruzada for utilizada
para avaliar os desempenhos de generalização de R1, R5 e S3, pode-se concluir que a configuração R5 é,
Energias 2019, 12, 4352 21 de 26
novamente, mostrando as melhores performances. Essa conclusão pode ser tirada devido ao menor desvio padrão
dos valores de RMSE . Essa propriedade é particularmente enfatizada no caso da validação cruzada de 5 vezes, o
que leva à conclusão de que essa configuração tende ao sobreajuste quando treinada com conjuntos de dados
maiores.
Observando configurações que são omitidas durante a análise BA, algumas conclusões adicionais podem ser
tiradas. Pode-se notar que as configurações R3, S2, S4 e S5 estão apresentando baixo desempenho do ponto de
vista BA, embora tenham menor valor de fitness. Essa propriedade é particularmente enfatizada no caso do S5 que
atinge baixo valor de RMSE de 4,2, enquanto a análise BA mostra que esses resultados não são viáveis do ponto
de vista do viés e seu intervalo de confiança. Esses resultados mostraram que durante a utilização do GA para o
projeto MLP, o desvio padrão dos erros deve ser levado em consideração juntamente com as medidas padrão,
como RMSE, MSE e MRE.
4. Conclusões e Trabalhos Futuros
Neste artigo, é apresentado um método baseado em AG para projeto de MLPs para estimativa de saída de
energia elétrica CCPP. A GA é realizada construindo e variando cromossomos que representam parâmetros de MLP.
O método descrito oferece a possibilidade de implementação de MLP juntamente com outros métodos de regressão.
Em comparação com os resultados encontrados na literatura, pode-se notar que os MLPs projetados com GA estão
atingindo valores de RMSE mais baixos do que outros métodos baseados em ANN. O design baseado em GA produziu
três arquiteturas MLP que estão alcançando resultados viáveis. A partir dessas declarações, as seguintes conclusões
podem ser tiradas:
• existe a possibilidade de utilização do GA para projeto de MLP para saída de energia elétrica CCPP, • as
configurações de MLP apresentadas estão funcionando com RMSE mais baixo em comparação com a regressão
métodos apresentados na literatura e
• o RMSE mais baixo é alcançado se for utilizada a configuração MLP com 5 camadas ocultas de 80,25,65,75 e 80
nós, respectivamente. As funções de ativação usadas no projeto do MLP mencionado acima são: Logistic
Sigmoid na primeira camada, Tanh na segunda camada e ReLU em todas as outras camadas. Os melhores
resultados são alcançados se o MLP for treinado usando o solucionador Adam.
A configuração apresentada foi projetada utilizando GA com MRE como uma função de condicionamento
físico. Pode-se notar que o modelo MLP proposto é de complexidade intermediária, o que está em correlação com
o conhecimento teórico de seleção do modelo.
De acordo com os resultados apresentados, pode-se concluir que existe a possibilidade de algoritmos heurísticos
utilização para projeto de MLP para estimativa de saída de energia elétrica CCPP.
Se os resultados obtidos com o MLP baseado em AG forem comparados com os resultados obtidos com
outros métodos de regressão (algoritmos) apresentados na literatura, pode-se notar que esses métodos ainda estão
obtendo valores de RMSE menores do que o MLP aprimorado com a utilização do AG.
Portanto, a pesquisa futura na estimativa de produção de energia elétrica CCPP observada será baseada na
utilização de outros algoritmos heurísticos para o projeto de MLPs. O objetivo final será a comparação das melhores
arquiteturas MLP obtidas com diferentes algoritmos heurísticos, seu tempo computacional, bem como a exatidão e
precisão das previsões realizadas - a fim de obter um algoritmo heurístico adequado para o problema investigado.
Contribuições dos Autores: Conceituação, VM, ZC, NA e IL; Curadoria de dados, VM e ZC; Software, IL e NA; Análise formal, VM, ZC,
NA e IL; Investigação, VM e ZC; Metodologia, VM, ZC, NA e IL; Supervisão, VM, NA e ZC; Validação, VM e ZC; Redação–rascunho original,
IL; Redação-revisão e edição, VM, NA e IL
Financiamento: Esta pesquisa não recebeu financiamento externo.
Agradecimentos: Esta pesquisa foi (parcialmente) apoiada pela rede CEEPUS CIII-HR-0108, Fundo Europeu de Desenvolvimento Regional
sob a bolsa KK.01.1.1.01.0009 (DATACROSS) e bolsa científica da Universidade de Rijeka uniri-tehnic-18-275 -1447.
Conflitos de Interesse: Os autores declaram não haver conflito de interesse.

Energias 2019, 12, 4352 22 de 26
Referências
1. Sharma, M.; Singh, O. Investigações para melhoria de desempenho de HRSG de pressão dupla em gás/vapor
usinas de ciclo combinado. Int. J. Ambient Energy 2017, 38, 339–346. [CruzRef]
2. Kotowicz, J.; Jó, M.; Brz ÿeczek, M. As características das usinas ultramodernas de ciclo combinado. Energia 2015, 92, 197–211.
[CruzRef]
3. Ersayin, E.; Ozgener, L. Análise de desempenho de usinas de ciclo combinado: um estudo de caso. Renovar. Sustentar.
Energy Rev. 2015, 43, 832–842. [CruzRef]
4. Wittenburg, R.; Hubel, M.; Prause, H.; Gierow, C.; Reißig, M.; Hassel, E. Efeitos dos requisitos dinâmicos crescentes no consumo
vitalício de uma usina de energia de turbina a gás de ciclo combinado. Energy Procedia 2019, 158, 5717–5723. [CruzRef]
5. Plis, M.; Rusinowski, H. Um modelo matemático de uma usina combinada de calor e energia gás-vapor existente para sistemas
de diagnóstico térmico. Energia 2018, 156, 606–619. [CruzRef]
6. Bonforte, G.; Buchgeister, J.; Manfrida, G.; Petela, K. Análise exergoeconômica e exergoambiental de uma turbina solar a gás/usina
de ciclo combinado integrada. Energia 2018, 156, 352–359. [CruzRef]
7. Sahin, AZ; Al-Sharafi, A.; Yilbas, BS; Khaliq, A. Avaliação de desempenho geral de um ciclo combinado
usina: uma análise exergo-econômica. Energia Convers. Gerenciar 2016, 116, 91–100. [CruzRef]
8. Blumberg, T.; Assar, M.; Morosuk, T.; Tsatsaronis, G. Avaliação exergoeconômica comparativa da última geração de usinas de
ciclo combinado. Energia Convers. Gerenciar 2017, 153, 616–626. [CruzRef]
9. Ali, MS; Shafique, QN; Kumar, D.; Kumar, S.; Kumar, S. Análise de energia e exergia de uma usina de energia de ciclo
combinado de 747 MW Guddu. Int. J. Ambient Energy 2018, 1–10. [CruzRef]
10. Ibrahim, TK; Mohammed, MK; Awad, OI; Abdalla, AN; Basrawi, F.; Mohammed, MN; Najafi, G.; Mamat, R. Uma revisão abrangente
sobre a análise exergética de usinas de ciclo combinado. Renovar. Sustentar.
Energy Rev. 2018, 90, 835–850. [CruzRef]
11. Abuelnuor, A.; Saqr, KM; Mohieldein, SAA; Dafallah, KA; Abdullah, MM; Nogoud, YAM Análise exergética da usina de energia de
ciclo combinado Garri “2” de 180 MW. Renovar. Sustentar. Energy Rev. 2017, 79, 960–969.
[CruzRef]
¯ Car, Z. Comparação da corrente de fluxo de energia e método isentrópico para
12. Blažević, S.; Mrzljak, V.; Andelić, N.;
Análise de energia de turbina a vapor. Acta Polytech. 2019, 59, 109–125. [CruzRef]
¯ Mrzljak, V.; Car, Z. Análise exergética de vedações labirínticas de turbinas a vapor marítimas (glândulas).
13. Lorencin, I.; Andelić, N.;
Marítimo 2019, 33, 76–83. [CruzRef]
14. Mrzljak, V.; Poljak, I.; Prpić-Oršić, J. Análise exergética da turbina a vapor de propulsão principal de uma planta de propulsão
marítima. Brodogr. Teor. I Praksa Brodogr. Eu Pomor. Teh. 2019, 70, 59–77. [CruzRef] 15. ¸Sen, G.; Nil,
M.; Mamur, H.; Doÿgan, H.; Karamolla, M.; Karaçor, M.; Kuyucuo ÿglu, F.; Yörükeren, N.; Bhuiyan, MRA O efeito da temperatura
ambiente na geração de energia elétrica em usina de ciclo combinado a gás natural —Um estudo de caso. Representante de
Energia. 2018, 4, 682–690. [CruzRef]
16. Kotowicz, J.; Brz ÿeczek, M.; Job, M. As características termodinâmicas e econômicas da moderna usina de ciclo combinado com
resfriamento a vapor por turbina a gás. Energia 2018, 164, 359–376. [CruzRef]
17. Kotowicz, J.; Brz ÿeczek, M. Análise do aumento da eficiência da moderna usina de ciclo combinado: um caso
estudar. Energia 2018, 153, 90–99. [CruzRef]
18. Zióÿkowski, P.; Kowalczyk, T.; Lemański, M.; Badur, J. Sobre energia, exergia e aspectos ambientais de um ciclo combinado gás-
vapor para geração de calor e energia passando por um processo de adaptação por injeção de vapor. Energia Convers.
Gerenciar 2019, 192, 374–384. [CruzRef]
19. Carapellucci, R.; Giordano, L. Atualizando as usinas de energia de ciclo combinado gás-vapor existentes por meio de injeção de
vapor e reforma de vapor de metano. Energia 2019, 173, 229–243. [CruzRef]
20. Liu, Z.; Karimi, IA Nova estratégia operacional para uma usina elétrica de turbina a gás de ciclo combinado.
Energia Convers. Gerenciar 2018, 171, 1675–1684. [CruzRef]
21. Riboldi, L.; Nord, L. Usinas Offshore Integrando um Parque Eólico: Otimização de Projeto e Avaliação Tecnoeconômica Baseada
em Modelagem Substituta. Processos 2018, 6, 249. [CrossRef]
22. Petrakopoulou, F.; Olmeda-Delgado, M. Estudando a Redução do Uso de Água em Sistemas Solares Integrados
Usinas de Ciclo Combinado. Sustentabilidade 2019, 11, 2085. [CrossRef]
23. Boretti, A.; Al-Zubaidy, S. Um estudo de caso sobre usina de ciclo combinado integrada com energia solar em Trinidad e Tobago.
Sustentar. Tecnologia de Energia. Avaliações 2019, 32, 100–110. [CruzRef]
Energias 2019, 12, 4352 23 de 26
24. Binamer, AO Al-Abdaliya usina de energia solar integrada de ciclo combinado: estudo de caso do Kuwait, parte I.
Renovar. Energia 2019, 131, 923–937. [CruzRef]
25. Jiang, L.; González-Diaz, A.; Ling-Chin, J.; Roskilly, A.; Smallbone, A. Captura de CO2 pós-combustão de uma usina de energia
de ciclo combinado de gás natural usando adsorção de carvão ativado. Appl. Energia 2019, 245, 1–15.
[CruzRef]
26. Mondino, G.; Grande, CA; Blom, R.; Nord, LO Adsorção de oscilação de temperatura de leito móvel para captura de CO2 de
uma usina de energia de ciclo combinado de gás natural. Int. J. Greenh. Controle de Gás 2019, 85, 58–70. [CruzRef]
27. Prakash, D.; Singh, O. Estudo termoeconômico de usina de ciclo combinado com captura de carbono e
metanação. J. Limpo. Prod. 2019, 231, 529–542. [CruzRef]
28. Tüfekci, P. Previsão da saída de energia elétrica de carga total de uma usina de ciclo combinado operada com carga básica
usando métodos de aprendizado de máquina. Int. J. Eletr. Sistema de energia de energia 2014, 60, 126–140. [CruzRef]
29. Wang, DL; Sol, QY; Li, YY; Liu, XR Projeto de roteamento de energia ideal em internet de energia com vários centros de
roteamento de energia usando método de aprendizado de reforço baseado em rede neural artificial. Appl. ciência 2019, 9,
520. [CrossRef]
30. Lu, SD; Sian, HW; Wang, MH; Liao, RM Aplicação de Extensão de Rede Neural com Transformada Wavelet Discreta e
Teorema de Parseval para Análise de Qualidade de Energia. Appl. ciência 2019, 9, 2228. [CrossRef]
31. Aliberti, A.; Bottaccioli, L.; Macii, E.; Di Cataldo, S.; Acquaviva, A.; Patti, E. Um modelo autorregressivo não linear para
previsões de temperatura do ar interno em edifícios inteligentes. Eletrônica 2019, 8, 979. [CrossRef]
32. Dolara, A.; Grimaccia, F.; Leva, S.; Mussetta, M.; Ogliari, E. Uma rede neural artificial híbrida física para previsão de curto
prazo da produção de energia da usina fotovoltaica. Energias 2015, 8, 1138–1153. [CruzRef]
33. Khandakar, A.; EH Chowdhury, M.; Khoda Kazi, M.; Benhmed, K.; Touati, F.; Al-Hitmi, M.; Gonzales, JS; outros. Previsão de
energia fotovoltaica (PV) baseada em aprendizado de máquina usando diferentes parâmetros ambientais do Catar. Energias
2019, 12, 2782. [CrossRef]
34. Zabada, S.; Shahrour, I. Análise das despesas de aquecimento em um grande estoque de habitação social usando redes
neurais artificiais. Energias 2017, 10, 2086. [CrossRef]
35. Chang, S.; Wang, Q.; Huh.; Ding, Z.; Guo, H. Uma solução de fornecimento de energia baseada em NNwC MPPT para sensor
nós em edifícios e seu estudo de viabilidade. Energias 2019, 12, 101. [CrossRef]
¯ Mrzljak, V.; Car, Z. Reconhecimento de Objetos Marinhos Usando Redes Neurais Convolucionais .
36. Lorencin, I.; Andelić, N.;
Naše More Znan.-Revista profissional para Sea and Sea. 2019, 66, 112–119.
37. Merkel, G.; Povinelli, R.; Brown, R. Previsão de carga de curto prazo de gás natural com regressão de rede neural profunda .
Energias 2018, 11, 2008. [CrossRef]
38. Azizi, N.; Rezakazemi, M.; Zarei, MM Uma abordagem inteligente para prever o fator de compressibilidade do gás usando
modelo de rede neural. Computação Neural. Appl. 2019, 31, 55–64. [CruzRef]
39. Ghorbani, M.; Deo, RC; Yaseen, ZM; Kashani, MH; Mohammadi, B. Previsão de evaporação de Pan usando um modelo híbrido
perceptron-firefly (MLP-FFA): Estudo de caso no norte do Irã.
Teor. Appl. Climatol. 2018, 133, 1119–1131. [CruzRef]
40. Li, Y.; Tang, G.; Du, J.; Zhou, N.; Zhao, Y.; Wu, T. Método Perceptron Multicamadas para Estimar a Taxa de Consumo de
Combustível no Mundo Real de Veículos Leves. Acesso IEEE 2019, 7, 63395–63402. [CruzRef]
41. Moura, MB; Vidal, DC; Schueler, C.; de Matos, LJ; Ferreira, TN Predição de Potência de Exterior para Interior para Transmissão
Móvel Sem Fio de 768 MHz usando Perceptron Multicamada. In Proceedings of the 2018 IEEE International Joint Conference
on Neural Networks (IJCNN), Rio de Janeiro, Brasil, 9–13 de julho de 2018; pp. 1–7.
42. Mahmud, MN; Ibrahim, MN; Osman, MK; Hussain, Z. Um esquema de classificação de falha de linha de transmissão robusto
usando recurso dependente de classe e rede perceptron multicamada de 2 camadas. Eletr. Eng. 2018, 100, 607–623.
[CruzRef]
43. Muthusamy, TA; Ramanathan, N. Um Sistema Especialista Baseado em Mínimos Quadrados Médios e Rede Neural para
Classificação de Distúrbios do Sistema de Potência Int. J. Futuro. Revolução Comput. ciência Comum. 2018, 4, 308–313.
44. Sameen, M.; Pradhan, B. Previsão de gravidade de acidentes de trânsito com redes neurais recorrentes. Appl. ciência
2017, 7, 476. [CrossRef]
45. Kim, M.; Choi, W.; Jeon, Y.; Liu, L. Um modelo de rede neural híbrida para previsão de demanda de energia.
Energias 2019, 12, 931. [CrossRef]
46. Bertrand, H.; Ardon, R.; Perrot, M.; Bloch, I. Otimização de hiperparâmetros de redes neurais profundas: combinando
hiperbanda com seleção de modelo bayesiano. In Proceedings of the Conférence sur l'Apprentissage Automatique, Grenoble,
França, 28–30 de junho de 2017.
Energias 2019, 12, 4352 24 de 26
47. Lima, AA; de Barros, FK; Yoshizumi, VH; Spatti, DH; Dajer, ME Rede neural artificial otimizada para classificação de biosinais usando
algoritmo genético. J. Controle. Autom. Eletr. Sist. 2019, 30, 371–379.
[CruzRef]
48. Chen, JF; Lo, SK; Do, Q. Previsão de demandas mensais de eletricidade: Uma aplicação de redes neurais treinadas por algoritmos
heurísticos. Informações 2017, 8, 31. [CrossRef]
49. Itano, F.; de Sousa, MAdA; Del-Moral-Hernandez, E. Estendendo Otimização de hiperparâmetros MLP ANN usando Algoritmo Genético.
In Proceedings of the 2018 IEEE International Joint Conference on Neural Networks (IJCNN), Rio de Janeiro, Brasil, 9–13 de julho
de 2018; pp. 1–8.
50. Raza, A.; Zhong, M. Rede neural artificial híbrida e modelos de regressão ponderados localmente para previsão de fluxo de tráfego
urbano de curto prazo baseado em faixa. Transp. Plano. Tecnol. 2018, 41, 901–917. [CruzRef]
51. Mishra, A.; Naik, B.; Srichandan, SK Imputação de valor ausente usando ANN otimizado por algoritmo genético. Int. J. Appl. Ind. Eng.
(IJAIE) 2018, 5, 41–57. [CruzRef]
52. Lima, AAM; Araújo, RM; dos Santos, FAG; Yoshizumi, VH; de Barros, FK; Spatti, DH; Liboni, LH; Dajer, ME Classificação dos
movimentos das mãos a partir de sinais EMG usando MLP otimizado. In Proceedings of the 2018 IEEE International Joint Conference
on Neural Networks (IJCNN), Rio de Janeiro, Brasil, 9–13 de julho de 2018; pp. 1–7.
53. Kampelis, N.; Tsekeri, E.; Kolokotsa, D.; Kalaitzakis, K.; Isidori, D.; Cristalli, C. Desenvolvimento de otimização de gerenciamento de
energia de resposta de demanda em níveis de construção e distrito usando algoritmo genético e previsões de energia de modelagem
de rede neural artificial. Energias 2018, 11, 3012. [CrossRef]
54. Asgher, U.; Rasheed, M.; Al-Sumaiti, A.; Rahman, A.; Ali, I.; Alzaidi, A.; Alamri, A. Otimização inteligente de energia usando algoritmo
heurístico em smart grid com integração de fontes de energia solar. Energias 2018, 11, 3494. [CrossRef]
55. Hong, YY; Yo, PS Novel gerenciamento de energia baseado em algoritmo genético em um sistema de energia de fábrica considerando
energias fotovoltaicas incertas. Appl. ciência 2017, 7, 438. [CrossRef]
56. Hazem Mohammed, O.; Amirat, Y.; Benbouzid, M. Avaliação econômica e gerenciamento ótimo de energia de um sistema autônomo
de energia híbrida manipulado em estratégias de algoritmos genéticos. Eletrônica 2018, 7, 233.
[CruzRef]
57. Lu, H.; Yang, J.; Alanne, K. Gestão da Qualidade Energética para uma Micro Rede de Energia Integrada com Energias Renováveis em
uma Área Turística: Um Estudo de Caso Chinês. Energias 2018, 11, 1007. [CrossRef]
58. Sadatiyan, A.; Miller, C. PEPSO: Reduzindo o Uso de Eletricidade e as Emissões de Poluição Associadas da Água
Bombas. Água 2017, 9, 640. [CrossRef]
59. Zhou, J.; Xu, Y.; Zheng, Y.; Zhang, Y. Otimização de esquemas de fechamento de palhetas guia de unidade hidrelétrica de
armazenamento bombeado usando um algoritmo de busca gravitacional multi-objetivo aprimorado. Energias 2017, 10, 911. [CrossRef]
60. Li, Y.; Li, Z. Previsão da demanda de carvão na China com base na máquina de vetores de suporte otimizada pelo algoritmo de busca
gravitacional aprimorado. Energias 2019, 12, 2249. [CrossRef]
61. Mahanipour, A.; Nezamabadi-Pour, H. GSP: Uma técnica de programação automática com gravitacional
algoritmo de busca. Appl. Intel. 2019, 49, 1502–1516. [CruzRef]
62. Tuzikova, V.; Tlusty, J.; Muller, Z. Um novo método de redução de perdas de energia baseado em um enxame de partículas
algoritmo de otimização usando STATCOM. Energias 2018, 11, 2851. [CrossRef]
63. Chen, JH; Yau, HT; Lu, JH Implementação de controle de carga baseado em FPGA para um sistema solar autossuficiente
sistema de alimentação de rastreamento. Appl. ciência 2016, 6, 41. [CrossRef]
64. Su, HY; Hsu, YL; Chen, YC Estratégia de controle de tensão baseada em PSO para melhoria da capacidade de carga em redes
elétricas inteligentes. Appl. ciência 2016, 6, 449. [CrossRef]
65. Silitonga, EUA; Mahlia, TMI; Shamsuddin, AH; Ong, HC; Milão, J.; Kusumo, F.; Sombra, AH; Dharma, S.; Ibrahim, H.; Husin, H.; e
outros Otimização da Produção de Biodiesel de Mangas Cerbera Utilizando Redes Neurais Artificiais Integradas com Otimização de
Colônias de Formigas. Energias 2019, 12, 3811. [CrossRef]
66. Yin, D.; Mei, F.; Zheng, J. Um Problema de Planejamento de DG de Rede de Distribuição AC/DC: Uma Colônia de Formigas Genéticas
Abordagem do Algoritmo Híbrido. Appl. ciência 2019, 9, 1212. [CrossRef]
67. García-Gutiérrez, G.; Arcos-Aviles, D.; Carrera, EV; Guinjoan, F.; Motoasca, E.; Ayala, P.; Ibarra, A. Otimização de Parâmetros de
Controladores de Lógica Fuzzy Usando o Algoritmo Metaheurístico de Busca Cuckoo para um Sistema de Levitação Magnética.
Appl. ciência 2019, 9, 2458. [CrossRef]
68. Zhang, Y.; Zhao, H.; Cão, Y.; Liu, Q.; Shen, Z.; Wang, J.; Hu, M. Uma colônia de formigas híbrida e algoritmo de busca de cuco para
otimização de rota de engenharia de aquecimento. Energias 2018, 11, 2675. [CrossRef]
Energias 2019, 12, 4352 25 de 26
69. Hou, R.; Yang, Y.; Yuan, Q.; Chen, Y. Pesquisa e Aplicação de Modelos Híbridos de Previsão de Energia Eólica
Baseado na Otimização de Pesquisa Cuckoo. Energias 2019, 12, 3675. [CrossRef]
70. Lotfy, M.; Senjyu, T.; Farahat, M.; Abdel-Gawad, A.; Lei, L.; Datta, M. Esquemas de controle baseado em fuzzy de algoritmo
genético híbrido para pequeno sistema de energia com parques eólicos de alta penetração. Appl. ciência 2018, 8, 373. [CrossRef]
71. Han, Z.; Huang, X. GA-BP em Previsão de Falha por Fadiga Térmica de Chips Microeletrônicos. Eletrônica 2019,
8, 542. [CruzRef]
72. Roman, RC; Precup, RE; David, RC Controle fuzzy proporcional-integral inteligente de segunda ordem de sistemas aerodinâmicos de rotor duplo.
Procedia Comput. ciência 2018, 139, 372–380. [CruzRef]
73. Canção, C.; Wang, M.; Qin, X.; Wang, P.; Liu, B. O Algoritmo de Otimização da Corrente Forçada Catódica
Base de Proteção em Recozimento Simulado. Algoritmos 2019, 12, 83. [CrossRef]
74. Mahmood, A.; Khan, S.; Albalooshi, F.; Awwad, N. Agendamento de tarefas em tempo real com reconhecimento de energia em multiprocessador
sistemas usando um algoritmo genético híbrido. Eletrônica 2017, 6, 40. [CrossRef]
75. Ali, A.; Padmanaban, S.; Twala, B.; Marwala, T. Sistema de geração de distribuição de redes de energia elétrica para localização e
dimensionamento ideais - uma investigação de estudo de caso por vários algoritmos de otimização. Energias 2017, 10, 960.
76. Iqbal, Z.; Javaid, N.; Mohsin, S.; Akber, S.; Afzal, M.; Ishmanov, F. Análise de desempenho da hibridização de técnicas heurísticas para
escalonamento de carga residencial. Energias 2018, 11, 2861. [CrossRef]
77. A Ramezan, C.; AWarner, T.; E Maxwell, A. Avaliação de estratégias de ajuste de amostragem e validação cruzada para classificação de
aprendizado de máquina em escala regional. Sensor remoto 2019, 11, 185. [CrossRef]
78. Kharrat, A.; Halima, MB; Ayed, classificação de tumores cerebrais MB MRI usando máquinas de vetores de suporte e método meta-heurístico.
Em Anais da 15ª Conferência Internacional IEEE 2015 sobre Design e Aplicações de Sistemas Inteligentes (ISDA), Marrakesh, Marrocos, 14–
16 de dezembro de 2015; pp. 446–451.
79. Zhu, R.; Guo, W.; Gong, X. Previsão de Saída de Energia Fotovoltaica de Curto Prazo Baseada em k-Fold
Validação cruzada e um modelo de conjunto. Energias 2019, 12, 1220. [CrossRef]
80. Ghanou, Y.; Bencheikh, G. Otimização e treinamento da arquitetura para o perceptron multicamadas usando ant
sistema. Int. J. Comput. ciência 2016, 43, 10.
81. Karlik, B.; Olgac, AV Análise de desempenho de várias funções de ativação em arquiteturas MLP generalizadas de redes neurais. Int. J. Artif.
Intel. Especialista Sist. 2011, 1, 111–122.
82. Li, Q.; Cai, W.; Wang, X.; Zhou, Y.; Feng, DD; Chen, M. Classificação de imagens médicas com rede neural convolucional. Em Proceedings of
the 2014 IEEE 13th International Conference on Control Automation Robotics & Vision (ICARCV), Marina Bay Sands, Cingapura, 10–12 de
dezembro de 2014; pp. 844–848.
83. Xu, B.; Huang, R.; Li, M. Revise funções de ativação saturadas. arXiv 2016, arXiv:1602.05980.
84. Yang, X.; Chen, Y.; Liang, H. Função de ativação baseada em raiz quadrada em redes neurais. Nos Anais da Conferência Internacional IEEE
2018 sobre Processamento de Áudio, Linguagem e Imagem (ICALIP), Xangai, China, 16–17 de julho de 2018; pp. 84–89.
85. Pal, SK; Mitra, S. Perceptron multicamadas, conjuntos difusos e classificação. IEEE Trans. Redes Neurais 1992, 3, 683-697. [CruzRef]
86. Bottou, L. Aprendizado de máquina em larga escala com descida de gradiente estocástico. In Proceedings of COMPSTAT'2010, Paris, França,
22–27 de agosto de 2010; pp. 177–186.
87. Kingma, DP; Ba, J. Adam: Um método para otimização estocástica. arXiv 2014, arXiv:1412.6980.
88. Hinton, G.; Srivastava, N.; Swersky, K. Palestra 6d - uma taxa de aprendizagem adaptativa separada para cada conexão. Em Slides da Palestra
Redes Neurais para Aprendizado de Máquina; O Departamento de Ciência da Computação da Universidade de Toronto: Toronto, ON,
Canadá, 2012.
89. Duchi, J.; Hazan, E.; Singer, Y. Métodos de subgradiente adaptativos para aprendizado online e otimização estocástica.
J. Mach. Aprender. Res. 2011, 12, 2121–2159.
90. Khan, ME; Babanezhad, R.; Lin, W.; Schmidt, M.; Sugiyama, M. Convergência de inferência variacional estocástica de gradiente proximal sob
sequência de tamanho de passo não decrescente. arXiv 2015, arXiv:1511.00146.
91. Zeiler, MD ADADELTA: Um método de taxa de aprendizado adaptativo. arXiv 2012, arXiv:1212.5701.
92. Javaid, N.; Javaid, S.; Abdul, W.; Ahmed, I.; Almogren, A.; Alamri, A.; Niaz, I. Um algoritmo de otimização heurística híbrida genética eólica para
gerenciamento do lado da demanda em smart grid. Energias 2017, 10, 319.
[CruzRef]
93. Xin, J.; Zhong, J.; Yang, F.; Cui, Y.; Sheng, J. Um algoritmo genético aprimorado para planejamento de caminho de não tripulados
Veículo de superfície. Sensores 2019, 19, 2640. [CrossRef] [PubMed]
Energias 2019, 12, 4352 26 de 26
94. Kavzoglu, T.; Sahin, EK; Colkesen, I. Selecionando fatores de condicionamento ótimos no mapeamento de suscetibilidade a
deslizamentos translacionais rasos usando algoritmo genético. Eng. Geol. 2015, 192, 101–112. [CruzRef]
95. Li, X.; Gao, L. Um algoritmo genético híbrido eficaz e uma busca tabu para o problema de agendamento de oficinas flexíveis.
Int. J. Prod. Econ. 2016, 174, 93–110. [CruzRef]
96. Kozeny, V. Algoritmos genéticos para pontuação de crédito: Comparação alternativa de desempenho da função de aptidão.
Especialista Sist. Appl. 2015, 42, 2998–3004. [CruzRef]
97. Hastie, T.; Tibshirani, R.; Friedman, J.; Franklin, J. Os Elementos da Aprendizagem Estatística: Mineração de Dados, Inferência
e Previsão. Matemática. Intel. 2005, 27, 83–85.
98. Bishop, Reconhecimento de Padrão CM e Aprendizado de Máquina; Springer: Nova York, NY, EUA, 2006.
99. Giavarina, D. Compreendendo a análise de Bland Altman. Bioquim. Medica Biochem. Medica 2015, 25, 141–151.
[CruzRef]
100. Olofsen, E.; Dahan, A.; Borsboom, G.; Drummond, G. Melhorias na aplicação e geração de relatórios de métodos avançados
de comparação de Bland - Altman. J. Clin. Monit. Comput. 2015, 29, 127–139. [CruzRef]
101. Danza, L.; Belussi, L.; Meroni, I.; Milili, M.; Salamone, F. Método de cálculo horário da bomba de calor de fonte de ar
comportamento. Edifícios 2016, 6, 16. [CrossRef]
102. Priya, R.; de Souza, BF; Rossi, AL; de Carvalho, AC Prevendo o tempo de execução de tarefas de aprendizado de máquina
usando metalearning. Em Proceedings of the 2011 IEEE World Congress on Information and Communication Technologies,
Mumbai, Índia, 12–14 de dezembro de 2011; pp. 1193–1198.
c 2019 pelos autores. Licenciado MDPI, Basel, Suíça. Este artigo é um artigo de acesso aberto
distribuído sob os termos e condições da Creative Commons Attribution
(CC BY) (http://creativecommons.org/licenses/by/4.0/).

Energies 12 04352

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Energies 12 04352

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

Abordagem de Algoritmo Genético para o Projeto de

Ivan Lorencin , Nikola Andeli´c ¯ , Vedran Mrzljak * e Zlatan Car

Recebido: 17 de outubro de 2019; Aceito: 13 de novembro de 2019; Publicado: 15 de novembro de 2019

Energias 2019, 12, 4352; doi:10.3390/en12224352 www.mdpi.com/journal/energies

Energias 2019, 12, 4352 2 de 26

Os autores em [18,19] investigam os benefícios da injeção de vapor nas câmaras de combustão

Energias 2019, 12, 4352 3 de 26

Tabela 1. Visão geral dos métodos e RMSE alcançado.

Método de categoria RMSE

Funções Regressão linear simples 5.425

Energias 2019, 12, 4352 4 de 26

Energias 2019, 12, 4352 5 de 26

2.1. Descrição do conjunto de dados

Energias 2019, 12, 4352 6 de 26

Figura 1. Diagrama esquemático do CCPP analisado.

Energias 2019, 12, 4352 7 de 26

Tabela 2. Descrição dos parâmetros do conjunto de dados.

Tipo Parâmetro Faixa

2.2. Perceptron Multicamadas

• Camada de entrada - camada que representa o vetor de dados de

• Unidade Linear Retificada (ReLU) [82],

Energias 2019, 12, 4352 8 de 26

• Descida de Gradiente Estocástico (SGD) [86], •

2.3. Algoritmo genético

Número de mutações (N) em um cromossomo é um aleatório discreto uniformemente distribuído

N ÿ U[0, M], (1)

G ÿ U[0, M]. (2)

O novo parâmetro (a) contido no gene (G) é selecionado aleatoriamente como

Figura 3. Representação gráfica do procedimento de mutação no exemplo com M = 10 e N = 3

Energias 2019, 12, 4352 9 de 26

c ÿ U[0, 2], (4)

c=0 c=1 c=2

(a) A árvore de seleção aleatória do método de cruzamento

G ÿ U[0, M ÿ 1]. (5)

K4 = K1{0, 1, ..., G} ÿ K2{G + 1, G + 2, ..., M}. (6)

K5 = K2{0, 1, ..., G} ÿ K1{G + 1, G + 2, ..., M}. (7)

A representação gráfica do procedimento de cruzamento previamente definido é mostrada na Figura 4b.

Energias 2019, 12, 4352 10 de 26

Gl ÿ U[0, M ÿ 2], (8)

Gr ÿ U[Gl + 1, M ÿ 1], (9)

K5 = K2{G0, G1, ..., Gl} ÿ K1{Gl + 1, Gl + 2, ...,

b = U ÿ [0, 1]. (12)

2.3.3. Função de condicionamento físico

Energias 2019, 12, 4352 11 de 26

onde N representa o número total de amostras no conjunto de dados de teste.

onde N representa o número total de amostras do conjunto de dados de teste composto.

2.3.4. Criação de população

P = {KI , KI I, ..., Kÿ}, (20)

F = {FI , FI I, ..., Fÿ}. (21)

S = {(KI , FI),(KI I, FI I), ...,(Kÿ, Fÿ)}, (22)

Energias 2019, 12, 4352 12 de 26

2.3.5. Seleção dos Pais

S = {SI , SI I, ..., Sÿ}, (23)

é classificado de tal maneira que

ÿ2(SI) ÿ ÿ2(SI I) ÿ ... ÿ ÿ2(Sÿ), (24)

K2 = ÿ1(SI I), (26)

onde ÿ1(Si) representa o primeiro elemento da tupla Si , ou seja, Ki .

2.3.6. Nova Formação de População

No caso desta pesquisa AG são utilizados os parâmetros C = 6 e D = 6, o que dá 20 membros da população

2.3.7. Construção do Cromossomo

Tabela 3. Parâmetros numéricos usados para a construção do cromossomo.

Parâmetro Intervalo de Variações