Regressão Simbólica para Modelagem Não Linear de Conversores CC-CC

Identificação de Sistemas
Machine Learning
Eletrônica de Potência
Disponível
Uso de regressão simbólica (programação genética) para obter expressões analíticas compactas da dinâmica não linear de conversores CC-CC, com validação frente a modelos ARX e em espaço de estados.
Data de Publicação

14 de julho de 2026

Objetivos

A regressão simbólica busca, a partir de dados, não apenas ajustar parâmetros de uma estrutura de modelo fixa (como no ARX), mas também descobrir a própria forma funcional da relação entre variáveis — um tema identificado como lacuna de pesquisa no grupo (ver Pesquisa). Objetivos:

  • Revisar a abordagem de identificação não linear por regressão esparsa já aplicada a bancada motor-gerador (Carvalho, Anjos, Paiva, Teixeira & Silva, 2024) como ponto de partida metodológico;
  • Aplicar regressão simbólica (ex: bibliotecas PySR ou gplearn) aos dados de tensão/corrente de um conversor Buck ou Boost, buscando uma expressão fechada para a dinâmica;
  • Comparar a expressão simbólica obtida com o modelo físico conhecido do conversor (derivado por espaço de estados médio) e com um modelo ARX identificado por mínimos quadrados;
  • Avaliar interpretabilidade e capacidade de extrapolação (fora da faixa de operação usada no treinamento) da expressão simbólica frente a modelos “caixa-preta” (redes neurais).

Pré-requisitos

  • Identificação de Sistemas;
  • Noções de otimização/algoritmos evolutivos (podem ser aprendidas durante o projeto);
  • Programação em Python (PySR ou gplearn).

Estrutura Sugerida para o Grupo Autogerenciado

  • Reuniões semanais do grupo, com reunião quinzenal com o orientador;
  • Entregáveis mensais: notebook reprodutível com o pipeline de coleta de dados → regressão simbólica → validação frente aos modelos de referência;
  • Ferramentas: repositório Git compartilhado, ambiente Python com controle de dependências;
  • Divisão sugerida: um membro focado na geração/coleta dos dados de simulação do conversor, outro na aplicação da regressão simbólica e escolha dos operadores/funções candidatas, outro na comparação com os modelos ARX e em espaço de estados.

Referências

  1. Koza, J. R. (1992). Genetic Programming: On the Programming of Computers by Means of Natural Selection. MIT Press. [placeholder — confirmar edição/páginas]
  2. Carvalho, K., Anjos, L. dos, Paiva, R., Otacílio, Teixeira, R. B., & Silva, C. (2024). Identificação não linear no espaço de estados de motor-gerador via regressão esparsa. Anais do CBA. Ver Publicações.
  3. Repositório ControleBuck.