Buscar

 

RI UFLA (Universidade Federal de Lavras) >
DEG - Departamento de Engenharia >
DEG - Programa de Pós-graduação >
DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações) >

Por favor, utilize esse identificador para citar este item ou usar como link: http://repositorio.ufla.br/jspui/handle/1/13065

Título: Agrupamento incremental de fluxo de dados para análise e monitoramento da qualidade de energia
Título Alternativo: Incremental clustering of data streams for power quality monitoring and analysis
Autor(es): Santana, Márcio Wladimir
Lattes: http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4492762D6
Orientador: Leite, Daniel Furtado
Coorientador: Ferreira, Danton Diego
Membro da banca: Costa Júnior , Pyramo Pires da
Membro da banca: Gouvêa Júnior, Maury Meirelles
Membro da banca: Ferreira, Danton Diego
Assunto: Qualidade de energia
Detecção e classificação de distúrbios
Aprendizado incremental on-line
Sistemas Fuzzy evolutivos
Power quality
Detection and classification of disturbances
Incremental online learning
Evolving fuzzy systems
Data de Defesa: 17-Abr-2017
Data de publicação: 24-Mai-2017
Referência: SANTANA, M. W. Agrupamento incremental de fluxo de dados para análise e monitoramento da qualidade de energia. 2017. 97 p. Dissertação (Mestrado em Engenharia de Controle e Automação)-Universidade Federal de Lavras, Lavras, 2017.
Resumo: O conceito de Qualidade da Energia está relacionado a um conjunto de alterações que podem ocorrer no sistema elétrico. Pode-se definir o problema de qualidade de energia como aqueles manifestados na tensão, corrente ou nas variações de frequência, que resultam em falha ou má operação em equipamentos de consumidores. Tais alterações (distúrbios) podem ocorrer em várias partes do sistema de energia, sejam nas instalações elétricas dos consumidores ou no sistema supridor da concessionária, causando prejuízos financeiros a ambas as partes. Por isso, é de fundamental importância a detecção em tempo real e classificação destes distúrbios de modo automático baseada em uma grande quantidade de dados gerados pelos equipamentos de monitoramento. Para reconhecimento e classificação de padrões, são considerados modelos inteligentes evolutivos, ou seja, modelos equipados com algoritmos de aprendizado incremental on-line capazes de alterar seus parâmetros e estrutura conforme novas informações surgem em um fluxo de dados. Em particular, é considerado um modelo evolutivo fuzzy do tipo Takagi-Sugeno (eTS) e a modelagem evolutiva baseada em conjuntos fuzzy (FBeM). Para pré-processamento dos dados mensurados e extração de variáveis indicadoras da presença de distúrbios, foi considerado o filtro Hodrick-Prescott, a técnica de transformada rápida de Fourier e o valor eficaz das tensões de fase. Os modelos desenvolvidos neste trabalho têm alcançado um desempenho comparável aos modelos estado da arte na área de qualidade de energia. Detecção e classificação de distúrbios como afundamento de tensão, elevação de tensão, inter-harmônicos, sub-harmônicos, harmônicos, interrupção curta, transitórios oscilatórios, spikes e notchings, ocorrendo possivelmente de forma simultânea, foram alcançadas com acurácia de, aproximadamente, 85-95%. Além disso, os modelos evolutivos adotados, combinados com as técnicas de pré-processamento mencionadas, são superiores com relação ao tempo computacional exigido.
Abstract: The concept of Power Quality is related to a set of changes that can occur in the electrical system. Power quality problems can be defined as problems that manifest in voltage and current signals or as variations in frequency. These result in flaws or bad consumer equipment operation. Such changes (disturbances) can occur in many parts of the power system – be it in the consumer electrical wiring or in the supply system, causing financial losses to both. Thus, real -time automatic detection and classification of disturbances, based on a large volume of data generated by monitoring equipment, is of fundamental importance. In this study, evolving intelligent models, that is, models equipped with incremental online learning algorithms capable of changing their parameters and structure according to new information that emerge from a data stream, are considered for pattern recognition and classification. In particular, an evolving Takagi-Sugeno (eTS) fuzzy model, and an evolving fuzzy set -based evolving model (FBeM) are taken into consideration. A Hodrick-Prescott filter combined with a Fast Fourier Transform technique and mean voltages are considered for pre -processing measured data and extracting variables that indicate the presence of disturbances. The models developed in this study have reached classification performance comparable to that of stateof-the-art models in the field of power quality. Detection and classification of disturbances such as voltage sag and swell, inter-harmonics, sub-harmonics, harmonics, short-term interruption, oscillatory transient, spikes and notching, possibly occurring simultaneously, were reached with an accuracy of about 85-95%. In addition, the evolving models adopted, combined with the above-mentioned pre-processing techniques, have shown to be superior in terms of computational memory and time.
URI: http://repositorio.ufla.br/jspui/handle/1/13065
Publicador: Universidade Federal de Lavras
Idioma: por
Aparece nas coleções: DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)

Arquivos neste Item:

Arquivo Descrição TamanhoFormato
DISSERTAÇÃO_Agrupamento incremental de fluxo de dados para análise e monitoramento da qualidade de energia.pdf1,79 MBAdobe PDFVer/abrir

Itens protegidos por copyright, com todos os direitos reservados, Salvo indicação em contrário.


Mostrar estatísticas

 


DSpace Software Copyright © 2002-2007 MIT and Hewlett-Packard - Feedback