Please use this identifier to cite or link to this item: http://repositorio.ufla.br/jspui/handle/1/28529
metadata.teses.dc.title: Detecção, segmentação e classificação de afundamentos de tensão em sistemas elétricos de potência
metadata.teses.dc.title.alternative: Detection, segmentation and classification of voltage sags in electric power systems
metadata.teses.dc.creator: Nagata, Erick Akio
metadata.teses.dc.creator.Lattes: http://lattes.cnpq.br/0590904041641438
metadata.teses.dc.contributor.advisor1: Ferreira, Danton Diego
metadata.teses.dc.contributor.referee1: Ferreira, Danton Diego
metadata.teses.dc.contributor.referee2: Duque, Carlos Augusto
metadata.teses.dc.contributor.referee3: Barbosa , Bruno Henrique Groenner
metadata.teses.dc.subject: Energia elétrica - Qualidade
Afundamentos de tensão - Detecção e segmentação
Afundamentos de tensão - Classificação
Sistema elétrico - Geração distribuída
Power quality
Voltage sag classification
Voltage sag segmentation
Distributed generation
metadata.teses.dc.date.issued: 2-Feb-2018
metadata.teses.dc.description.sponsorship: Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)
metadata.teses.dc.identifier.citation: NAGATA, E. A. Detecção, segmentação e classificação de afundamentos de tensão em sistemas elétricos de potência. 2018. 89 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação) – Universidade Federal de Lavra, Lavras, 2018.
metadata.teses.dc.description.resumo: Com o avanço da tecnologia e aumento no uso de equipamentos eletrônicos, principalmente os da eletrônica de potência, e com a inserção da geração distribuída no sistema elétrico, a qualidade da energia elétrica tem se tornado um fator preocupante tanto para os consumidores quanto para as concessionárias de energia. Dessa forma, pesquisas nessa área visando desenvolver novos métodos de detecção, classificação e mitigação de distúrbios causadores de má qualidade de energia elétrica têm se tornado cada vez mais frequentes e importantes no meio científico. De acordo com este cenário, esse trabalho propõe uma abordagem inovadora para detecção, segmentação e classificação de afundamentos de tensão de acordo com suas causas. Para detectar e segmentar é utilizado a técnica Análise de Componente Independentes, com a vantagem de ser rápida e de baixa complexidade computacional na fase de operação, necessitando de somente 1/8 de ciclo do sinal de tensão e fornecendo respostas em tempo real. Para a classificação foram utilizadas as Estatísticas de Ordem Superior para extrair características relevantes dos sinais monitorados e Redes Neurais e Máquinas de Vetor de Suporte para projetar os classificadores. Foram testadas janelas de 1, 1/2, 1/4 e 1/8 de ciclo da componente fundamental, sendo que os melhores resultados foram alcançados com 1/2 ciclo e com o classificador baseado em Redes Neurais. Tanto para o projeto da detecção/segmentação, quanto para a seleção das características foi utilizada a metaheurística Teaching-Learning-Based Optimization. Foram alcançados bons resultados com dados simulados para as três tarefas, sendo que para detecção e segmentação também foram avaliados dados reais. Com dados reais, o método obteve bons resultados de detecção, com 0,86% de erro para o banco de dados utilizado.
metadata.teses.dc.description.abstract: Technology advancement and the increased use of electronic equipment and the decentralized energy generation made the electrical power quality to become a growing concern factor for both the energy consumers and power distribution companies. Thus, researches in this area aiming to develop new methods for disturbance detection, classification and mitigation have become more frequent and important in the scientific environment. According to this scenery, this work proposes an innovative approach to detect, segment and classify voltage sags according to their causes. To detect and segment, it is used the statistical signal processing technique known as Independent Component Analysis, with the advantage of being fast and with low computational cost in the operational stage, once it uses only 1/8 cycle of the fundamental component and works in real time. For classification purposes, Higher-Order Statistics are used to extract features and the classifiers are based on Support Vector Machine and Neural Networks. It was tested signal windows of 1, 1/2, 1/4 and 1/8 cycle, and the best results were achieved for signal windows with 1/2 cycle and using a Neural Network as classifier. For both detection/segmentation project and feature selection, it was used the metaheuristics Teaching-Learning-Based Optimization. Suitable results were achieved for simulated signals. In addition, real signals were used to evaluate the detection and segmentation method and good results were achieved for the detection task, presenting 0.86% of error for the data set analyzed.
metadata.teses.dc.identifier.uri: http://repositorio.ufla.br/jspui/handle/1/28529
metadata.teses.dc.publisher: Universidade Federal de Lavras
metadata.teses.dc.language: por
Appears in Collections:DEG - Engenharia de Sistemas e Automação - Mestrado (Dissertações)



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.