Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Inst Tecnol Aeronaut (ITA) | - |
Autor(es): dc.creator | Rodriguez, Elen Y. A. | - |
Autor(es): dc.creator | Gamboa, Alexander A. R. | - |
Autor(es): dc.creator | Rodriguez, Elias C. A. | - |
Autor(es): dc.creator | Silva, Aneirson F. da | - |
Autor(es): dc.creator | Rizol, Paloma M. S. R. | - |
Autor(es): dc.creator | Marins, Fernando A. S. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:11:59Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:11:59Z | - |
Data de envio: dc.date.issued | 2022-11-29 | - |
Data de envio: dc.date.issued | 2022-11-29 | - |
Data de envio: dc.date.issued | 2022-10-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/TLA.2022.9885166 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/237688 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/237688 | - |
Descrição: dc.description | Combined cycle power plants (CCPP) are popular in the energy sector for the production of electricity, and are the union of two thermodynamic cycles, corresponding to the steam turbine and the gas turbine. This paper presents the application of several machine learning (ML) techniques and the adaptive neuro-fuzzy inference system (ANFIS) to predict the hourly electricity production in a CCPP. The models were developed using 5-fold cross-validation with the collected features of temperature, exhaust pressure, relative humidity, ambient pressure, and electricity production per hour (the target feature). The hyperparameters of the tested models were optimized. The correlation and determination coefficients of the models were higher than 92%, showing a significant performance. The ANFIS (r = 98% e R2 = 95%) model shows the lowest values in the evaluated error metrics, compared to the other ML models. Finally, the results showed the effectiveness of ANFIS in predicting the hourly production of electricity in CCPP. | - |
Descrição: dc.description | Univ Estadual Paulista, Fac Engn Guaratingueta, Guaratingueta, Brazil | - |
Descrição: dc.description | Inst Tecnol Aeronaut, Sao Jose Dos Campos, Brazil | - |
Descrição: dc.description | Univ Estadual Paulista, Fac Engn Guaratingueta, Guaratingueta, Brazil | - |
Formato: dc.format | 2288-2294 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Ieee-inst Electrical Electronics Engineers Inc | - |
Relação: dc.relation | Ieee Latin America Transactions | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | Electricity | - |
Palavras-chave: dc.subject | Power generation | - |
Palavras-chave: dc.subject | Fuzzy neural networks | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Predictive models | - |
Título: dc.title | Comparison of adaptive neuro-fuzzy inference system (ANFIS) and machine learning algorithms for electricity production forecasting | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: