Orientador: Carlos Roberto Minussi / Banca: Francisco Villarreal Alvarado / Banca: Jozué Vieira Filho / Banca: Osvaldo Ronald Saavedra Mendez / Banca: Eduardo Nobuhiro Asada / Resumo: Nesta tese apresenta-se uma proposta para análise da estabilidade estática de tensão de sistemas de energia elétrica utilizando uma rede neural baseada na arquitetura ART (Adaptive Resonance Theory), designada rede neural ARTMAP Fuzzy. As redes neurais ARTdescendentes apresentam as características de estabilidade e plasticidade, as quais são propriedades imprescindíveis para a realização do treinamento e execução da análise de forma rápida e confiável. A versão ARTMAP Fuzzy é uma rede neural supervisionada, ou seja, a extração do conhecimento se processa por estímulos de entrada e de saída. O problema da análise de estabilidade de tensão é formulado considerando-se o estímulo de entrada composto pelas potências ativa e reativa nodais. O estímulo de saída é adotado como sendo a margem de segurança, a qual representa a "distância" entre o ponto de operação do sistema e a fronteira da estabilidade estática de tensão. Esta margem de segurança é calculada, via análise de sensibilidade e álgebra matricial de Kronecker, a partir da função determinante da matriz jacobiana relativa ao problema do fluxo de potência de Newton-Raphson. A operacionalidade das redes neurais é constituída por três fases principais: treinamento (ou aprendizado), análise e treinamento continuado. A fase de treinamento requer uma grande quantidade de processamento, enquanto que a fase de análise é realizada, efetivamente, sem esforço computacional. Esta é, por conseguinte, a principal justificativa para o uso das redes neurais para a resolução de problemas complexos que exigem soluções rápidas, como é o caso de aplicações em tempo real. Na fase de treinamento, o perfil de geração e de carga do sistema elétrico é gerado empregando-se uma distribuição aleatória (ou pseudo-aleatória) e a respectiva saída (margem de segurança) calculada via execução... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: This work develops a methodology to effectuate static voltage stability of electrical power systems by neural network. The neural network used is based on the ART (Adaptive Resonance Theory) architecture, named ARTMAP Fuzzy neural network. The ART descendent neural networks present the characteristics of stability and plasticity, which are important properties to execute the training and the analysis fast and reliable. The ARTMAP Fuzzy version is a supervised neural network, i.e. the extraction of the knowledge is processed by input/output stimulus. The voltage stability analysis problem is formulated considering the input stimulus composed by the active and reactive nodal power. The output stimulus is adopted as the security margin, which represents the distance with the operation point and the static voltage stability frontier. The security margin is calculated by sensitivity analysis and Kronecker algebra from the determinant function of the Jacobian matrix related to the power flow problem by Newton-Raphson. Neural Network operation is constituted by three principal phase: training (or learning), analysis and continuous training. The training phase needs great processing effort, while the analysis is effectuated without computational effort. This is the principal advantage to use neural networks to solve complex problems that need fast solutions as the real time applications. On the training phase, the generation and load profile is generated using a random (or pseudo random) distribution and the respective output (security margin) is calculated by executing a conventional power-flow with adequate adaptations. The procedure proposed is independent of how is defined the generation dispatch and how the system load evolves. This is a more realistic approach, when compared to the most of the proposals found on the specialized literature that considers the load increasing linearly... (Complete abstract click electronic access below) / Doutor

Orientador: Carlos Roberto Minussi / Banca: Francisco Villarreal Alvarado / Banca: Maria do Carmo Gomes da Silveira / Banca: Luciana Cambraia Leite / Banca: Ricardo Menezes Salgado / Resumo: 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 / Abstract: 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 / Doutor