Made available in DSpace on 2015-04-14T13:56:19Z (GMT). No. of bitstreams: 1 423831.pdf: 7361377 bytes, checksum: efe75f73ad733990c4a7abe99efa1fdc (MD5) Previous issue date: 2010-03-31 / Este trabalho apresenta uma metodologia de projeto para controladores Repetitivos aplicados a sistemas ininterruptos de energia sujeitos a grandes varia??es de carga. A estrutura do controlador Repetitivo se baseia no princ?pio do modelo interno, pois, atrav?s da inclus?o de um elemento de atraso temporal na malha de controle, incruem-se infinitos p?los no eixo imagin?rio em freq??ncias m?ltiplas inteiras da freq??ncia fundamental. Desta forma, ? poss?vel seguir sinais seno?dais e tamb?m rejeitar harm?nicos em regime permanente. o objetivo principal desta disserta??o ? a obten??o de condi??es de projeto de uma realimenta??o de estados (da planta e do controlador) na forma de desigualdades matriciais lineares (LMIs). As condi??es de estabiliza??o s?o baseadas em funcionais de Lyapunov-Krasovskii e inclui uma restri??o para garantir uma taxa de decaimento exponencial do Sinal erro com um m?nimo esfor?o de controle. Os ganhos obtidos garantem a estabilidade do sistema para toda a faixa de varia??o de carga que ? considerada como um par?metro incerto com valores m?ximo e m?nimo conhecidos. o controlador Repetitivo ? projetado no dom?nio cont?nuo utilizando duas realiza??es distintas. Em ambas as realiza??es s?o obtidas as representa??es por espa?o de estados do sistema aumentado (incluindo estados da planta e do controlador) visando a s?ntese dos ganhos da realimenta??o de estados. Nas duas abordagens esses ganhos s?o obtidos atrav?s da formula??o LMI a qual ? determinada numericamente utilizando programas (solvers) dispon?veis na literatura. Resultados experimentais s?o obtidos considerando um inversor de tens?o CC-CA monof?sico comerciai o qual ? submetido a cargas do tipo linear e n?o linear. O controlador cont?nuo, obtido numericamente, ? discretizado e implementado em uma plataforma de tempo real baseada na placa de aquisi??o de dados dSPACE? DS1104 operando em conjunto com a plataforma Matlab/Simulink?. Os ensaios realizados em tempo real demonstram o bom comportamento din?mico e est?tico do sistema de controle, demostrando a sua capacidade de rejeitar dist?rbios peri?dicos na carga.

Made available in DSpace on 2015-04-14T13:56:11Z (GMT). No. of bitstreams: 1 403015.pdf: 1369362 bytes, checksum: 80f10cb0cad2240a06c6783c86c07472 (MD5) Previous issue date: 2008-03-24 / Os desligamentos n?o programados s?o um dos fatores que mais contribuem para a interrup??o do fornecimento de energia e, portanto, na qualidade do servi?o prestado. Uma correta identifica??o das causas que originaram os desligamentos tornase cada vez mais indispens?vel para distribuir de forma mais eficaz os investimentos e recursos para a redu??o de problemas no sistema el?trico, trazendo como conseq??ncia direta destes investimentos a melhoria dos ?ndices de confiabilidade. Dessa forma, torna-se necess?rio o desenvolvimento de ferramentas para gerenciamento, an?lise e diagn?stico de causas de eventos n?o programados que ocorrem nos sistema de distribui??o das empresas. Nesta disserta??o s?o apresentados dois m?todos para identifica??o da causa de desligamentos n?o programados na rede de distribui??o: um modelo probabil?stico utilizando Redes Bayesianas e um modelo usando Redes Neurais Artificiais. Inicialmente ? apresentada uma conceitua??o sobre aspectos te?ricos fundamentais ao entendimento de Redes Bayesianas e Redes Neurais Artificiais, seguida de uma revis?o sobre defini??es b?sicas acerca de confiabilidade e causas de desligamentos em sistemas de distribui??o. Ap?s, s?o descritas as etapas realizadas para treinamento e valida??o dos dois sistemas de identifica??o da causa de desligamentos n?o programados. A base de conhecimento utilizada para o aprendizado foi extra?da de um banco de dados de eventos fornecido por uma concession?ria de energia, cujo processo de extra??o de conhecimento consistiu em uma s?rie de etapas, incluindo uma de minera??o de dados. Esse processo tornou a base de dados mais confi?vel e adequada resultando em 8888 amostras para a constru??o, gera??o dos conjuntos de treinamento e valida??o dos modelos de Rede Bayesiana e de Rede Neural utilizados. Ambas heur?sticas foram validadas atrav?s do m?todo da prova bipartida (split-half method). O processo de aprendizagem da Rede Bayesiana foi realizado atrav?s do algoritmo de maximiza??o da expect?ncia (Expectation Maximization), enquanto que para a Rede Neural o algoritmo de treinamento escolhido foi o Resilient back propagation, devido as suas caracter?sticas de desempenho e velocidade de converg?ncia