Use este identificador para citar ou linkar para este item: http://repositorio.ufla.br/jspui/handle/1/49241
Registro completo de metadados
Campo DCValorIdioma
dc.creatorFonseca, Gabriel Aparecido-
dc.date.accessioned2022-02-10T16:26:46Z-
dc.date.available2022-02-10T16:26:46Z-
dc.date.issued2022-02-10-
dc.date.submitted2021-12-03-
dc.identifier.citationFONSECA, G. A. Classificação de faltas em linhas de transmissão utilizando métodos de aprendizado de máquina. 2021. 231 p. Dissertação (Mestrado em Engenharia de Sistemas e Automação) – Universidade Federal de Lavras, Lavras, 2022.pt_BR
dc.identifier.urihttp://repositorio.ufla.br/jspui/handle/1/49241-
dc.description.abstractPower transmission lines are components highly susceptible to faults. Several factors such as animals, human failure and lightning can lead to the occurrence of a fault. In addition, the increasing demand for electricity generation, distribution and transmission has contributed to this becoming a recurrent problem. Several works have already explored the use of computational intelligence, signal processing and other techniques in the construction of protective methods for quick verification and action in the occurrence of transmission line fault. Many of these works focus on approaches using signal processing such as Fourier or wavelet transforms. With the advance of machine learning, some classic techniques started to be used in this area with success. This work focuses on the offline classification of ten (AG, BG, CG, AB, AC, BC, ABG, ACG, BCG and ABC) types of faults that arise when a short circuit occurs in the transmission line, investigating the use of classical techniques such as notch filter and random forests. For comparative purposes, recently created techniques, called Rocket and MiniRocket, were used to extract features in time series and good results were obtained in the identification of faults that occurred in the transmission line. As a result of this dissertation, accuracies greater than 93% were obtained considering up to 1/16 cycle post-fault. For signals with 1 and 1/2 cycle post-fault, accuracies higher than 97% were obtained.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Lavraspt_BR
dc.rightsacesso abertopt_BR
dc.subjectEnergia Elétrica - Linhas de transmissãopt_BR
dc.subjectClassificação de faltaspt_BR
dc.subjectFiltro notchpt_BR
dc.subjectMiniRocketpt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectElectric Power - Transmission linespt_BR
dc.subjectFault classificationpt_BR
dc.subjectNotch filterpt_BR
dc.subjectMachine learningpt_BR
dc.titleClassificação de faltas em linhas de transmissão utilizando métodos de aprendizado de máquinapt_BR
dc.title.alternativeClassification of transmission line faults using machine learning methodspt_BR
dc.typedissertaçãopt_BR
dc.publisher.programPrograma de Pós-Graduação em Engenharia de Sistemas e Automaçãopt_BR
dc.publisher.initialsUFLApt_BR
dc.publisher.countrybrasilpt_BR
dc.contributor.advisor1Ferreira, Danton Diego-
dc.contributor.advisor-co1Almeida, Aryfrance Rocha-
dc.contributor.advisor-co2Costa, Flávio Bezerra-
dc.contributor.referee1Ferreira, Danton Diego-
dc.contributor.referee2Silva, Leandro Rodrigues Manso-
dc.contributor.referee3Ferreira, Silvia Costa-
dc.contributor.referee4Almeida, Aryfrance Rocha-
dc.contributor.referee5Costa, Flávio Bezerra-
dc.description.resumoAs linhas de transmissão de energia elétrica são componentes altamente susceptíveis a faltas. Diversos fatores como animais, falha humana e descargas elétricas podem levar a essas ocorrências. Além disso, a crescente demanda de geração, distribuição e transmissão de energia elétrica tem contribuído cada vez mais para que esse se torne um problema recorrente. Diversos trabalhos já exploraram o uso de inteligência computacional, processamento de sinais e outras técnicas na construção de métodos protetivos para rápida verificação e atuação na ocorrência de faltas nas linhas de transmissão. Muitos desses trabalhos focam em abordagens utilizando processamento de sinais como transformada de Fourier ou wavelet. Com o avanço do aprendizado de máquina, algumas técnicas clássicas passaram a ser utilizadas nessa área obtendo êxito. Esse trabalho foca na classificação offline de dez (AT, BT, CT, AB, AC, BC, ABT, ACT, BCT e ABC) tipos de faltas que surgem quando ocorre um curto-circuito na linha de transmissão, investigando o uso de técnicas clássicas como filtro notch e florestas aleatórias. Para efeito comparativo, foram utilizadas técnicas criadas recentemente, chamadas de Rocket e MiniRocket, para a extração de características em séries temporais e bons resultados foram obtidos na identificação das faltas ocorridas na linha de transmissão. Como resultado dessa dissertação, acurácias superiores a 93% foram alcançadas considerando-se até 1/16 ciclo pós falta. Para sinais com 1 e 1/2 ciclo pós falta foram obtidas acurácias superiores a 97%.pt_BR
dc.publisher.departmentDepartamento de Engenhariapt_BR
dc.subject.cnpqAutomação Eletrônica de Processos Elétricos e Industriaispt_BR
dc.creator.Latteshttp://lattes.cnpq.br/6169230167764260pt_BR
Aparece nas coleções:Engenharia de Sistemas e automação (Dissertações)



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.