Please use this identifier to cite or link to this item: https://app.uff.br/riuff/handle/1/3932
Title: Modelos neurais autônomos para classificação e localização de defeitos em linhas de transmissão
Authors: Lopes, Daniel do Souto
metadata.dc.contributor.advisor: Ferreira, Vitor Hugo
metadata.dc.contributor.members: Fortes, Marcio Zamboti
Dias, Bruno Henriques
Issue Date: 3-Jul-2017
Abstract: O problema de diagnóstico de faltas em linhas de transmissão constitui um dos principais desafios para gestão técnica de instalações de transmissão. A assertividade nesta atividade é fundamental para suporte à tomada de decisão, reduzindo as taxas de indisponibilidade e promovendo o restabelecimento célere da função transmissão, contribuindo para melhoria da qualidade do serviço e reduzindo os impactos financeiros advindos de reduções na parcela variável. Este documento apresenta uma proposta de sistema inteligente para classificação e localização de faltas em linhas de transmissão. Os algoritmos utilizados são baseados nos chamados modelos neurais autônomos, que incluem técnicas analíticas para seleção de entradas e especificação automática da estrutura sem a necessidade do uso de um conjunto independente de dados para validação. Ao utilizar a inferência bayesiana para especificação e treinamento de perceptrons de múltiplas camadas (MLPs), o sistema inteligente fornece respostas probabilísticas para classificação do tipo de defeito e também para a distância da falta em relação à subestação monitorada. Para desenvolvimento dos modelos são utilizados dados técnicos de uma linha de transmissão integrante do Sistema Interligado Nacional (SIN), a qual é modelada em um “software” de simulação de transitórios eletromagnéticos, ATP, visando estabelecer os diversos cenários de falta. Foram analisados dois tipos de rede equivalente, uma detalhada e outra simples, de forma a precisar qual o melhor modelo e se há diferenças significativas nos resultados em termos de representação das faltas. As bases de dados com as oscilografias de tensão e corrente obtidas para cada tipo de defeito são utilizadas para treinamento e teste do sistema inteligente, sendo demonstrando o potencial dos algoritmos utilizados.
metadata.dc.description.abstractother: The problem of fault diagnosis in transmission lines is one of the main challenges for the technical management of transmission facilities. The assertiveness on this activity is crucial to support decision making, reducing unavailability rates and promoting rapid reinstatement of the transmission function, contributing to the improvement of service quality and reducing the financial impacts arising from reductions in the variable portion. This document presents a proposal of intelligent system for classification and location of faults in transmission lines. The algorithms used are based on the so-called autonomous neural models which include analytical techniques for input selection and automatic structure specification without the need for an independent set of data for validation. Using Bayesian inference for specification and training of multilayer perceptrons (MLPs), the intelligent system provides probabilistic responses for classification of the type of fault and also for the distance of the fault from the monitored substation. Thus for the development of the models, technical data are used of a transmission line that is part of the National Interconnected System (SIN) which is modeled in an electromagnetic transient simulation software, ATP, aiming to establish the various fault scenarios. Furthermore, two types of equivalent network were analyzed, one detailed and one simple, in order to specify the best model and if there were significant differences in results in terms of fault representation. The databases with voltage and current oscillographs obtained for each type of fault are used for training and testing of the intelligent system, demonstrating the potential of the algorithms used.
URI: https://app.uff.br/riuff/handle/1/3932
Appears in Collections:PPGEET - Dissertações - Niterói

Files in This Item:
File Description SizeFormat 
Daniel Souto Dissertação.pdf2.84 MBAdobe PDFView/Open


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