| dc.contributor | Dória Neto, Adrião Duarte | |
| dc.contributor | Dória Neto, Adrião Duarte | |
| dc.contributor | Melo, Jorge Dantas de | |
| dc.contributor | Lima, Raniere Rodrigues Melo de | |
| dc.creator | Fernandes, Arthur Diniz Flor Torquato | |
| dc.date | 2021-09-27T14:11:34Z | |
| dc.date | 2021-10-06T11:51:46Z | |
| dc.date | 2021-09-27T14:11:34Z | |
| dc.date | 2021-04-26 | |
| dc.identifier | 20180154771 | |
| dc.identifier | FERNANDES, Arthur Diniz Flor Torquato. Um estudo exploratório para o uso de aprendizado de reforço
profundo para a prospecção de parques eólicos. 2021. 52f. Trabalho de Conclusão de Curso (Graduação em Engenharia Da Computação) - Centro de Tecnologia, Universidade Federal do Rio Grande do Norte, Natal, 2021. | |
| dc.identifier | https://repositorio.ufrn.br/handle/123456789/43631 | |
| dc.description | O objetivo deste trabalho é elaborar um algoritmo de aprendizado por reforço
profundo com o objetivo de realizar a prospecção de parques eólicos. Para este fim foi
elaborado um simulador de prospecção se utilizando de várias fontes de dados e de uma
metodologia baseada em uma análise multicritérios.
O agente de aprendizado foi desenvolvido fazendo uso do algoritmo Double Deep Qlearning,
proposto como uma modificação do algoritmo Deep Q-learning, popularizado pela
Google Deep Mind em 2015 como técnica de inteligência artificial para o jogo Go.
O Agente desenvolvido deve ser capaz de elaborar estratégias de prospecção visando o
otimizar o lucro gerado pelos parques.
Como local de estudos foi escolhido o Estado do Rio Grande do Norte devido à forte
presença do setor eólico na região.
Ao final do treinamento do Agente verifica-se que ele foi capaz de elaborar políticas
simples, alcançando parcialmente os objetivos propostos. Estudos mais aprofundando a
aplicação do aprendizado por reforço profundo para a prospecção de parques eólicos levando
em conta os ajustes das técnicas utilizadas e a inserção de mais variáveis de acordo com a
complexidade se fazem necessários para que se atinja valores ótimos. | |
| dc.description | 2022-05-01 | |
| dc.format | application/pdf | |
| dc.language | pt_BR | |
| dc.publisher | Universidade Federal do Rio Grande do Norte | |
| dc.publisher | Brasil | |
| dc.publisher | UFRN | |
| dc.publisher | Engenharia de computação | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.rights | LOCKSS system has permission to collect, preserve, and serve this Archival Unit | |
| dc.subject | Deep q-learning | |
| dc.subject | Energia eólica | |
| dc.subject | Machine learning, | |
| dc.subject | Energias renováveis | |
| dc.subject | Aprendizado por reforço | |
| dc.subject | Aprendizado por reforço profundo | |
| dc.title | Um estudo exploratório para o uso de aprendizado de reforço profundo para a prospecção de parques eólicos | |
| dc.type | bachelorThesis | |
