https://repositorio.ufsc.br/handle/123456789/211473 2026-09-18T14:58:48Z 2026-09-18T14:58:48Z Custódio, Leandro Artur https://repositorio.ufsc.br/handle/123456789/275204 2026-08-27T23:30:47Z 2026-01-01T00:00:00Z

Detecção de anomalias em séries temporais de recursos públicos tarifados: uma abordagem espaço-temporal Custódio, Leandro Artur Este trabalho desenvolve uma metodologia para detectar anomalias no consumo de recursos públicos tarifados, especificamente água e energia elétrica, por meio de uma abordagem espaço-temporal integrada. A pesquisa utiliza bases reais de consumo mensal provenientes da cidade de Joinville, Brasil, e da região de Nova Gales do Sul, Austrália, contemplando séries com aproximadamente 100 a 130 observações por unidade consumidora. O método aplica modelagem temporal no regime one-step-ahead e define anomalias a partir da violação de intervalos de tolerância construídos com base no erro de previsão (RMSE). Em seguida, realiza validação espacial por meio da comparação com unidades geograficamente próximas e correlacionadas, permitindo classificar os eventos como individuais ou regionais. O estudo compara modelos autorregressivos sazonais com seleção automática de parâmetros (auto-ARIMA) e redes neurais recorrentes do tipo LSTM. Na base de consumo de água, o auto-ARIMA apresenta desempenho preditivo superior ou equivalente ao LSTM na maioria das matrículas analisadas, com menor erro médio e maior estabilidade na detecção de anomalias. Na base de energia australiana, as diferenças tornam-se mais evidentes, com RMSE médio de 87,18 e MAPE médio de 84,68% para o auto-ARIMA, contra RMSE médio de 94,81 e MAPE médio de 174,58% para o LSTM. O LSTM também detecta maior número de anomalias, porém com menor proporção de classificações individuais, indicando maior sensibilidade a flutuações locais e maior variância preditiva sob séries temporais de menor extensão. Os resultados demonstram que, em séries mensais com estrutura sazonal relativamente estável e tamanho amostral moderado, modelos autorregressivos sazonais apresentam melhor compromisso entre viés e variância, maior robustez preditiva e maior consistência na classificação das anomalias. A integração entre modelagem temporal e validação espacial aumenta a confiabilidade operacional do método e contribui para a priorização de ações de fiscalização em sistemas de recursos públicos tarifados.; Abstract: This study develops a methodology for detecting anomalies in the consumption of tariffed public resources, specifically water and electricity, through an integrated spatiotemporal approach. The research employs real monthly consumption datasets from the city of Joinville, Brazil, and from the region of New South Wales, Australia, comprising time series with approximately 100 to 130 observations per consumer unit. The method applies one-step-ahead temporal modeling and identifies anomalies based on the violation of tolerance intervals constructed from the prediction error (RMSE). Subsequently, it performs spatial validation by comparing each consumer unit with geographically proximate and correlated neighbors, enabling the classification of detected events as either individual or regional. The study evaluates seasonal autoregressive models with automatic parameter selection (auto-ARIMA) and recurrent neural networks of the LSTM type. In the water consumption dataset, auto-ARIMA achieves predictive performance superior to or comparable to LSTM in most consumer units, yielding lower average error and greater stability in anomaly detection. In the Australian electricity dataset, the contrast is more pronounced, with auto-ARIMA attaining an average RMSE of 87.18 and an average MAPE of 84.68%, whereas LSTM records an average RMSE of 94.81 and an average MAPE of 174.58%. The LSTM model also detects a slightly higher number of anomalies but exhibits a lower proportion of individual classifications, indicating greater sensitivity to local fluctuations and higher predictive variance under shorter time series. The results demonstrate that, in monthly series with relatively stable seasonal structure and moderate sample size, seasonal autoregressive models provide a more favorable bias?variance trade-off, greater predictive robustness, and more consistent anomaly classification. The integration of temporal modeling with spatial validation enhances the operational reliability of the framework and supports the prioritization of inspection actions in public utility management systems. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2026.

2026-01-01T00:00:00Z Mecabô, Giovan https://repositorio.ufsc.br/handle/123456789/273169 2026-04-01T23:26:41Z 2026-01-01T00:00:00Z

Contribuição ao estudo de controle em modo corrente histerese para conversores básicos Mecabô, Giovan Este trabalho apresenta uma nova abordagem de controle baseada em características físicas aplicada a conversores CC-CC. O compensador proposto combina uma ação proporcional-integral (PI) para regulação da tensão de saída com uma leitura diferencial da corrente do indutor, produzindo um comportamento equivalente a uma ação derivativa no sistema de controle. Essa estratégia permite reduzir a sensibilidade a ruídos de medição e melhorar a resposta dinâmica do conversor durante transientes de carga quando associada ao controle por histerese da corrente. O projeto do compensador e o dimensionamento dos componentes reativos são realizados de forma integrada, considerando as características dinâmicas do conversor e suas condições de operação. Como parte da metodologia proposta, foi desenvolvido um roteiro em software matemático capaz de determinar os parâmetros do compensador e os valores dos componentes reativos a partir das especificações do sistema, permitindo a obtenção de um projeto adequado já na primeira implementação. Resultados de simulação são apresentados para diferentes condições de operação e níveis de potência, incluindo variações de carga de até 92%, demonstrando bom desempenho tanto em regime permanente quanto em regime dinâmico. Os resultados experimentais obtidos em protótipo validam a metodologia proposta e indicam desempenho superior ao previsto no projeto inicial, com respostas rápidas a variações de carga, baixa sensibilidade a ruídos e ausência de overshoot significativo na tensão de saída.; Abstract: This work presents a new control approach based on physical characteristics applied to DC?DC converters. The proposed compensator combines a proportional?integral (PI) action for output voltage regulation with a differential measurement of the inductor current, producing a behavior equivalent to a derivative action in the control system. This strategy reduces sensitivity to measurement noise and improves the dynamic response of the converter during load transients when combined with hysteresis current control. The compensator design and the sizing of reactive components are performed in an integrated manner, considering the dynamic characteristics of the converter and its operating conditions. As part of the proposed methodology, a computational routine implemented in mathematical software was developed to determine the compensator parameters and the reactive component values based on system specifications, enabling the achievement of a suitable design in the first implementation. Simulation results are presented for different operating conditions and power levels, including load variations of up to 92%, demonstrating good performance in both steady-state and dynamic operation. Experimental results obtained from a prototype validate the proposed methodology and indicate performance superior to that predicted in the initial design, with fast responses to load variations, low sensitivity to noise, and no significant overshoot in the output voltage. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2026.

2026-01-01T00:00:00Z Menegon, Victor Eberhardt https://repositorio.ufsc.br/handle/123456789/271944 2026-01-27T23:24:47Z 2026-01-01T00:00:00Z

Aprendizado de máquina aplicado à detecção de fibrilação atrial utilizando sensor de fotopletismografia em microcontrolador embarcado Menegon, Victor Eberhardt A Fibrilação Atrial (FA) é uma arritmia cardíaca que acomete 1-2% da população e, a sua presença, aumenta a probabilidade do indivíduo desenvolver um quadro clínico de derrame, podendo ser fatal. O monitoramento contínuo através de dispositivos como relógios inteligentes representa uma alternativa promissora aos métodos tradicionais, como o eletrocardiograma. Este estudo desenvolve e valida um modelo de aprendizado de máquina otimizado para a detecção de FA a partir de sinais simulados de fotopletismografia (PPG). Foram utilizados 4400 sinais de PPG simulados e processados em janelas de 10 segundos, foram também comparadas diferentes abordagens de aprendizado de máquina, como arquiteturas clássicas com engenharia e seleção de características e de aprendizado profundo. O modelo de Redes Neurais Convolucionais (CNN), projetado com enfoque na viabilidade de implementação da solução em sistemas embarcados, atingiu valores superiores sobre a abordagem de referência (Random Forest), alcançando um F1-Score de 0,71 e uma Área Sob a Curva ROC (AUC) de 0,9232. Os resultados validam a arquitetura CNN como o melhor compromisso entre alta performance preditiva e a exequibilidade em um dispositivo com recursos computacionais limitados.; Abstract: Atrial Fibrillation (AF) is a cardiac arrhythmia that affects 1-2% of the population, and its presence increases the individual?s probability of developing a clinical stroke, which can be fatal. Continuous monitoring through devices such as smartwatches represents a promising alternative to traditional methods, like the electrocardiogram. This study develops and validates an optimized machine learning model for AF detection from simulated photoplethysmography (PPG) signals. Using 4400 simulated PPG signals processed in 10-second windows, different machine learning approaches were also compared, such as classic architectures with feature engineering and selection, and deep learning. The Convolutional Neural Network (CNN) model, designed with a focus on the feasibility of implementing the solution in embedded systems, achieved superior results over the reference approach (Random Forest), reaching an F1-Score of 0.71 and an Area Under the ROC Curve (AUC) of 0.9232. The results validate the CNN architecture as the best compromise between high predictive performance and feasibility on a device with limited computational resources. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2026.

2026-01-01T00:00:00Z Stefaniak, Antoniel Kleber https://repositorio.ufsc.br/handle/123456789/271237 2025-12-15T23:31:33Z 2025-01-01T00:00:00Z

Aplicação e comparação de modelos estatísticos, de aprendizado de máquina, híbridos e fundacionais para previsão de demanda de água em cidade no litoral do Brasil Stefaniak, Antoniel Kleber O presente trabalho apresenta a aplicação de diferentes abordagens para a previsão da demanda de água em uma cidade no litoral do Brasil, abrangendo modelos estatísticos (ARIMA e SARIMA), de aprendizado de máquina (LSTM), híbrido (NeuralProphet) e pré-treinado de larga escala (Chronos). A análise exploratória da série temporal incluiu técnicas consolidadas, como decomposição clássica, gráficos de autocorrelação e decomposição por Singular Spectrum Analysis (SSA), com o objetivo de compreender padrões e comportamentos relevantes. Por meio da validação cruzada para séries temporais (backtesting), os modelos foram testados com diversas combinações diferentes de hiperparâmetros, visando alcançar os melhores desempenhos preditivos possíveis. As avaliações foram conduzidas por meio de métricas como erro quadrático médio (RMSE), erro absoluto médio (MAE), erro percentual absoluto médio (MAPE) e coeficiente de determinação (R²). Os resultados evidenciaram que, embora o ARIMA ainda apresente desempenho competitivo, modelos como LSTM e NeuralProphet se destacaram pela maior consistência e capacidade de adaptação a comportamentos complexos da série. O SARIMA, por sua vez, não obteve resultados satisfatórios, e, o modelo Chronos, representante de modelos de larga escala, não superou os demais, indicando que sua aplicação em séries temporais contínuas ainda requer aprimoramentos. Além disso, realizou-se uma análise detalhada das datas em que os modelos mais subestimaram os valores reais, permitindo identificar fatores específicos que influenciam o consumo de água, complementando a avaliação global e servindo como base para melhorias futuras nos modelos aplicados.; Abstract: This study presents the application of different approaches for forecasting water demand in a coastal city in Brazil, including statistical models (ARIMA and SARIMA), machine learning models (LSTM), a hybrid model (NeuralProphet), and a large-scale pre-trained model (Chronos). The exploratory analysis of the time series employed well-established techniques such as classical decomposition, autocorrelation plots, and Singular Spectrum Analysis (SSA) to understand relevant patterns and behaviors. Through cross-validation for time series (backtesting), several hyperparameter combinations were applied to achieve the best possible predictive performance. The evaluation was based on metrics such as root mean squared error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and the coefficient of determination (R²). The results showed that, although ARIMA still achieves competitive performance, models such as LSTM and NeuralProphet stood out for their greater consistency and ability to adapt to complex temporal behaviors. In contrast, SARIMA, did not achieve satisfactory results, and the Chronos model, a representative of large-scale models, did not outperform the others, indicating that its application in continuous time series still requires refinements. Additionally, a detailed analysis was performed on the dates when the models most underestimated the actual values, allowing the identification of specific factors influencing water consumption, complementing the overall evaluation and serving as a baseline for future improvements in the applied models. Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico de Joinville, Programa de Pós Graduação em Engenharia de Sistemas Eletrônicos, Joinville, 2025.

2025-01-01T00:00:00Z