Investigação do impacto da recarga de veículos elétricos na qualidade de energia de redes de distribuição de energia elétrica via análise de dados de medição
Bibliographic record
Abstract
A Ata de Defesa, com as respectivas assinaturas dos membros da Comissão Julgadora, encontra-se no SIGA (Sistema de Fluxo de Dissertação/Tese) e na Secretaria de Pós-Graduação da Faculdade de Engenharia Elétrica e de Computação.AGRADECIMENTOS Fernanda e Ricardo, essa defesa não seria possível sem vocês, muito obrigado!Sinto uma alegria imensa por ter tido a oportunidade de trabalhar com um tema de tamanha relevância e potencial de transformação para o planeta, ter colocado minha energia em algo do qual me orgulho e que certamente fará a diferença na vida de muitos.Este trabalho tem como base desenvolvimentos realizados por meio do Projeto de P&D ANEEL "PA0060 -emotive", proposto pelas empresas Rio Grande Energia, CPFL Paulista e CPFL Piratininga, parte do Grupo CPFL Energia / State Grid.O projeto emotive durou mais de 5 anos e de forma holística trouxe uma base de conhecimento sólida e fomentou o tema no Brasil.Desmistificou e esclareceu diversos aspectos sobre mobilidade elétrica, criou um laboratório real para testes na Cidade de Campinas, o primeiro corredor intermunicipal para recarga de veículos elétricos do país, gerou conhecimento a partir de dezenas de trabalhos técnicos e participações em eventos nacionais e internacionais.Ao colocar o tema em pauta contribuiu para a abertura da Chamada Estratégica 22, realizada pela ANEEL focando em mobilidade elétrica, por meio da qual aprovou-se mais de R$500MM para investimento no tema, entre 2020 e 2024, no Brasil.Agradeço pela família que tenho, pelo amor da minha esposa e pela alegria de um filho que chega, aos amigos que foram, estão e virão, a todos aqueles que passaram, mas que deixaram uma parte de si.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".