Orientador: Carlos Roberto Minussi / Banca: Anna Diva Plasencia Lotufo / Banca: Mara Lúcia Martins Lopes / Banca: Arlan Luiz Bettiol / Banca: Edmárcio Antonio Belati / Resumo: Muitos esforços têm sido despendidos para tentar sanar problemas relacionados com Qualidade da Energia Elétrica (QEE), principalmente na automação de processos e desenvolvimento de equipamentos de monitorização que possibilitem maior desempenho e confiabilidade a todo o Sistema Elétrico. Esta pesquisa apresenta um sistema eficiente de identificador/classificador automático de distúrbios chamado de Rede Neuro-Fuzzy-Wavelet. A estrutura básica dessa rede é composta por três módulos: o módulo de detecção de anomalias onde os sinais com distúrbios são identificados, o módulo de extração de características onde as formas de onda com distúrbio são analisadas, e o módulo de classificação que conta com uma rede neural ARTMAP Fuzzy, a qual indica qual o tipo de distúrbio sofrido pelo sinal. Os tipos de distúrbios incluem os isolados de curto prazo, tais como: afundamento de tensão (sag), elevação de tensão (swell), os distúrbios de longo prazo como distorção harmônica, bem como distúrbios múltiplos simultâneos como afundamento de tensão com distorção harmônica e elevação de tensão com distorção harmônica. A concepção do sistema de inferência (neural wavelet ARTMAP fuzzy) permite realizar a classificação dos referidos distúrbios de forma robusta e com grande rapidez na obtenção das soluções. Testes apontam para o alto desempenho dessa rede na detecção e classificação correta dos tipos de distúrbios de tensão analisados, 100% de acerto. A forma robusta e grande rapidez na obtenção dos resultados, possibilita sua aplicação em tempo real, visto que o esforço computacional, muito pequeno, é alocado, basicamente, na fase de treinamento. Somente uma pequena parcela de tempo computacional é necessária para a efetivação das análises. Além do mais, a metodologia proposta pode ser estendida para a realização de tarefas mais complexas... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: Many efforts have been spent to solve problems related to Power Quality (PQ), principally in process automation and developing monitoring equipments that can provide more reliability and behavior for the electrical system. This research presents an efficient automatic system to identify/classify disturbs by Fuzzy Wavelet Neural Network. The basic structure of this neural network is composed of three modules such as: module for detecting anomalies where the signals with disturbs are identified, module for extracting the characteristics where the wave forms with disturbs are analyzed, and the module of classification that contains a fuzzy ARTMAP neural network that shows the type of disturbs existing in the signal. The types of disturbs include the short term isolated ones which are: voltage dip (sag), voltage increasing (swell); the long term disturbs such as harmonic distortion as well as the multiple simultaneous ones like the voltage dip with harmonic distortion and voltage increasing with harmonic distortion. The inference system (neural wavelet ARTMAP fuzzy) allows executing the classification of the cited disturbs very fast and obtaining reliable results. This neural network provides high performance when classifying and detecting the voltage disturbs very fast with about 100% of accuracy. The speed in obtaining the results allows an application in real time due to a low computational effort, which is basically in the training phase of the neural network. A little time of the computational effort is spent for the analysis. Moreover the proposed methodology can be used for realizing more complex tasks, as for example the localization of the power sources of the voltage disturbs. It is a very important contribution in the power quality, mainly to be a needy activity for solutions on the specialized literature / Doutor

Orientador: Carlos Roberto Minussi / Resumo: Nesta pesquisa de doutorado, propõe-se o desenvolvimento de um sistema previsor de carga multinodal, via Redes Neurais Artificiais (RNAs). Trata-se da previsão que envolve vários pontos da rede elétrica, e.g., subestações de sistemas de distribuição, alimentadores, transformadores etc., bem como as barras dos sistemas de transmissão de grande porte. Na literatura especializada, há a prevalência de oferta de propostas visando à previsão da carga total (ou global) correspondente ao somatório de todo o consumo demandado no sistema, considerando-se um horizonte, por exemplo, 24 horas à frente. Nesta pesquisa, dar-se-á ênfase à previsão de carga multinodal. Visando realizar esta previsão, há necessidade de se dispor de um procedimento especializado que produza resultados que atendam os requisitos do setor elétrico (precisão desejada, confiabilidade e rapidez). Estes requisitos são os objetivos desta pesquisa, cujo modelo desenvolvido constitui-se num sistema neural inspirado na arquitetura neural da família ART (Adaptive Resonance Theory), mais especificamente, a RNA supervisionada ARTMAP-Fuzzy, a qual congrega a teoria da ressonância adaptativa e a teoria dos conjuntos fuzzy. O emprego da teoria dos conjuntos fuzzy confere, às RNAs da família ART, a aptidão de processar informações analógicas, binárias, assim como combinações dessas informações. A opção por esta RNA é em razão do seu atributo de ser estável e plástica. A estabilidade está associada à capacidade de produzir sempre... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: This research proposes to develop a multinodal load forecasting system by Artificial Neural Networks. This is a prediction for several points of the electrical network, e.g. distribution substations, feeders, transformers, etc., as well as busses of huge transmission systems. The literature offers proposals for total load forecasting (or global) corresponding to the sum of all demanded consumption considering a horizon of 24h ahead. This research emphasizes multinodal load forecasting. To perform this prediction, it is necessary to have a specialized procedure that provides results attending the requests of the electrical system (desired precision, reliability and velocity). These requests are the objective of this research, whose developed model is based on ART (Adaptive Resonance Theory) family, specifically the supervised Fuzzy ARTMAP neural network that uses the adaptive resonance theory and fuzzy logic theory. The option of this neural network is due to the attribute to be stable and plastic. The stability is associated to the capacity to produce always a solution. The plasticity (incremental training) is a propriety that is not observed in most of the neural network available on the literature. This is similar to what occurs with humans, as new information comes, the human being is more intelligent. Knowing the electrical load with precision and in advance is a primordial need. The studies about the operational modes of the system and the strategies used to attend conti... (Complete abstract click electronic access below) / Doutor

Made available in DSpace on 2014-06-11T19:30:50Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-10-22Bitstream added on 2014-06-13T20:00:53Z : No. of bitstreams: 1 moreno_al_dr_ilha.pdf: 923809 bytes, checksum: e8a55f496e6bf5bfbe0531f9211526e5 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Esta pesquisa visa o desenvolvimento de um método para análise da estabilidade transitória de sistemas de energia eletrica multimaquinas, por meio de uma rede neural ART-ARTMAP Fuzzy Euclidiana Modificada com Treinamento Continuado. Esta arquitetura apresenta tres diferenciais em e relação a outras já utilizadas para abordar tal problema: (1) a rede iniciada com apenas um neuronio ativado e vai se expandindo durante todo o o treinamento/análise, (2) possui um módulo de treinamento continuado e (3) a o possui um módulo de deteção de intruso. No primeiro diferencial, a redeé iniciada com um neuronio e vai se expandindo de acordo com a aquisição de conhecimento, isto faz com que esta se torne muito mais rápida e que o gasto computacional se torne mínimo. Com o módulo de treinamento continuado, a rede neural consegue armazenar novos dados sem a necessidade de realizar o retreinamento. Já o módulo de detecção de intruso faz com que, ao ser apresentada a rede uma configuração estranha, a rede execute um treinamento específico para que esta configuração, com um número mínimo de entradas, seja incorporada definitivamente à rede neural. A aplicação para a rede proposta nesta pesquisa, foi a análise de estabilidade transitória, considerando-se o modelo clássico (estabilidade de primeira oscilação), para um sistema composto por 10 máquinas síncronas, 45 barras e 73 linhas de transmissão / This doctoral research aims to develop a method to analyze the transient stability of multimachine eletric power systems, through a neural network Modified Euclidean Fuzzy ART-ARTMAP with Continuous Training. The architecture presented has three differences in relation to others used to deal with this problem: (1) the network starts with only one neuron activated and expands throughout the training/analysis, (2) has a continuous training module and (3) has an intrusion detection module. The first difference, is the fact that it starts with a neuron and expands according to knowledge acquisition of the network, and causes it to become much faster and the computational expenses becomes minimum. With continuous training mod- ule, the neural network can store the new data without the need for the retraining. The intrusion detection module causes, when presented to the network a strange configuration, the network to carry out a specific training for this configuration with a minimum total of inputs so that the configu- ration is definitely incorporated to the neural network. The application for this network, in this research, was to analyze the transient stability consid- ering the classical model (stability of first oscillation) to a system composed of 10 synchronous machines, 45 buses and 73 transmission lines