[pt] O Brasil vem registrando a cada ano um crescimento expressivo no número de conexões de geração distribuída na rede de distribuição devido à concessão de incentivos governamentais que permitiu a difusão do uso de placas solares fotovoltaicas, fonte de geração de energia mais usada na geração distribuída no Brasil. Em sistemas elétricos com alta penetração de fontes intermitentes a previsão do comportamento da curva de carga tende a representar um grande desafio para os operadores do sistema devido à imprevisibilidade associada à geração de energia, podendo impactar diretamente no planejamento e operação da rede elétrica. Para lidar com esse desafio, este trabalho propõe uma metodologia de previsão de carga usando redes neurais recorrentes com arquitetura LSTM, considerando o impacto da mini e microgeração distribuída solar fotovoltaica conectada à rede de distribuição brasileira. São feitas previsões de carga do Sistema Interligado Nacional brasileiro e dos subsistemas que o integram, levando em conta um horizonte de curto prazo, de 24 horas, em intervalos horários, e um horizonte de médio prazo, de 60 meses, em intervalos mensais. Os resultados indicam que a metodologia pode ser uma ferramenta eficiente para a obtenção de previsões de carga podendo ser utilizada também para horizontes de previsão distintos dos apresentados neste trabalho. O MAPE encontrado para as previsões de curto prazo não passam de 2 por cento e para as previsões de médio prazo não passam de 3,5 por cento. / [en] Every year, Brazil has been registering a significant growth in the number of distributed generation connections in the distribution grid due to the granting of government incentives that allowed the use of solar photovoltaic panels to spread, the most used source of energy in distributed generation in Brazil. In electrical systems with high penetration of intermittent sources, the prediction of the behavior of the load curve tends to represent a great challenge for system operators due to the unpredictability associated with power generation, which can directly impact the planning and operation of the electrical grid. To deal with this challenge, this work proposes a load forecasting methodology using recurrent neural networks with LSTM architecture, considering the impact of the distributed photovoltaic solar generation connected to the Brazilian distribution grid. Load forecasts are made for the Brazilian National Interconnected System and for the subsystems that integrate it, taking into account a short-term horizon, of 24 hours, in hourly intervals, and a medium-term horizon, of 60 months, in monthly intervals. The results indicate that the methodology can be an efficient tool for obtaining load forecasts and can also be used for different forecast horizons than those presented in this work. The MAPE found for short-term forecasts is no more than 2 percent and for medium-term forecasts, no more than 3.5 percent.

[pt] Devido a variações volumétricas do concreto, a compreensão dos mecanismos da retração tornou-se ponto importante para redução de fissuras e, consequentemente, da penetração de agentes agressivos. Apesar do aumento do número de estudos experimentais de retração por secagem e autógena ainda é necessário o desenvolvimento de novos modelos analíticos e numéricos para a predição da retração apoiando assim o projeto de estruturas de concreto. Este estudo propôs um modelo de redes neurais artificiais para a predição da retração por secagem do concreto. Um banco de dados nacionais contendo 689 leituras de retração por secagem em mais de 90 dosagens diferentes de concreto convencional foi construído, de acordo com a NBR 16834. O modelo teve como dados de entrada para a predição da retração o consumo e tipo de cimento, aditivo retardador e plastificante, compensador de retração, relação água/cimento e idade do concreto. O modelo apresentou coeficientes de determinação (R²) para dados de treino e teste acima de 0,998 e 0,906, respectivamente, comprovando que o modelo é uma importante ferramenta para a predição da retração por secagem para tomadas de decisão durante os estudos iniciais na fase de projeto e dosagem do concreto. / [en] Due to volume change effects of concrete, understanding the mechanisms of shrinkage has become an important point for reducing cracks and, consequently, the penetration of deleterious agents into concrete structures. Despite the increase in experimental studies on concrete drying and autogenous shrinkage there is still a need to develop new analytical and numerical methods to predict shrinkage supporting the design of concrete structures. This study proposed an Artificial Neural Network (ANN) model to predict the concrete drying shrinkage. A national database containing 689 experimental shrinkage data records, in more than 90 different mixtures of conventional concrete was constructed, in accordance with NBR 16834. The model had as input data for predicting shrinkage the consumption and type of cement, retarding and plasticizer additive, shrinkage compensator, water/cement ratio and age of concrete. The model presented coefficients of determination(R²) for training and test data above 0,998 and 0,906, proving that the model is an important tool for predicting drying shrinkage for decision making during the initial study in the design phase and concrete mix design.

Made available in DSpace on 2016-12-12T20:27:37Z (GMT). No. of bitstreams: 1 LUCAS HERMANN NEGRI.pdf: 2286573 bytes, checksum: 5c0e3c77c1d910bd47dd444753c142c4 (MD5) Previous issue date: 2012-02-24 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / This work presents computational methods to process data from electrical impedance spectroscopy and fiber Bragg grating interrogation in order to characterize the evaluated samples. Estimation and classification systems were developed, by using the signals isolatedly or simultaneously. A new method to adjust the parameters of functions that describes the electrical impedance spectra by using particle swarm optimization is proposed. Such method were also extended to correct distorted spectra. A benchmark for peak detection algorithms in fiber Bragg grating interrogation was performed, including the currently used algorithms as obtained from literature, where the accuracy, precision, and computational performance were evaluated. This comparative study was performed with both simulated and experimental data. It was perceived that there is no optimal algorithm when all aspects are taken into account, but it is possible to choose a suitable algorithm when one has the application requirements. A novel peak detection algorithm based on an artificial neural network is proposed, being recommended when the analyzed spectra have distortions or is not symmetrical. Artificial neural networks and support vector machines were employed with the data processing algorithms to classify or estimate sample characteristics in experiments with bovine meat, milk, and automotive fuel. The results have shown that the proposed data processing methods are useful to extract the data main information and that the employed data fusion schemes were useful, in its initial classification and estimation objectives. / Neste trabalho são apresentados métodos computacionais para o processamento de dados produzidos em sistemas de espectroscopia de impedância elétrica e sensoriamento a redes de Bragg em fibra óptica com o objetivo de inferir características das amostras analisadas. Sistemas de estimação e classificação foram desenvolvidos, utilizando os sinais isoladamente ou de forma conjunta com o objetivo de melhorar as respostas dos sistemas. Propõe-se o ajuste dos parâmetros de funções que modelam espectros de impedância elétrica por meio de um novo algoritmo de otimização por enxame de partículas, incluindo a sua utilização na correção de espectros com determinadas distorções. Um estudo comparativo foi realizado entre os métodos correntes utilizados na detecção de pico de sinais resultantes de sensores em fibras ópticas, onde avaliou-se a exatidão, precisão e desempenho computacional. Esta comparação foi feita utilizando dados simulados e experimentais, onde percebeu-se que não há algoritmo simultaneamente superior em todos os aspectos avaliados, mas que é possível escolher o ideal quando se têm os requisitos da aplicação. Um método de detecção de pico por meio de uma rede neural artificial foi proposto, sendo recomendado em situações onde o espectro analisado possui distorções ou não é simétrico. Redes neurais artificiais e máquinas de vetor de suporte foram utilizadas em conjunto com os algoritmos de processamento com o objetivo de classificar ou estimar alguma característica de amostras em experimentos que envolveram carnes bovinas, leite bovino e misturas de combustível automotivo. Mostra-se neste trabalho que os métodos de processamento propostos são úteis para a extração das características importantes dos dados e que os esquemas utilizados para a fusão destes dados foram úteis dentro dos seus objetivos iniciais de classificação e estimação.

[pt] Nesta tese de doutorado, é proposta uma combinação híbrida de métodos preditivos que agrega cinco abordagens distintas e genéricas, do ponto de vista de modelagem: método SSA; decomposição wavelet; redes neurais artificiais; programação matemática multiobjetivo MINIMAX, com abordagem de programação por metas; e método de simulação de quase Monte-Carlo. Para exemplificar e demonstrar a eficiência da combinação híbrida proposta, são mostrados, no Capítulo 7, os principais resultados de uma aplicação computacional, no qual é possível verificar que o seu desempenho, em termos de modelagem, foi consideravelmente superior, em relação a todas as estatísticas de aderência consideradas. / [en] In this thesis, we propose a hybrid combination of predictive methods that aggregates five distinct and general approaches, from the viewpoint of modeling: SSA method; wavelet decomposition, artificial neural networks, multiobjective mathematical programming MINIMAX, with goal programming approach; quasi- Monte-Carlo simulation method. To exemplify and demonstrate the efficiency of the proposed hybrid combination are shown, in Section 7, the main results of a computer application in which you can verify that their performance, in terms of modeling, was significantly higher, compared to all considered adherence statistics.

O objetivo principal desta tese consiste no desenvolvimento de ferramentas matemáticas e computacionais dedicadas a um sistema de diagnóstico de barras quebradas no rotor de Motores de Indução Trifásicos. O sistema proposto é baseado em um método matemático de decomposição de sinais elétricos, denominado de Decomposição em Componentes Ortogonais, e ferramentas de aprendizagem de máquinas. Como uma das principais contribuições desta pesquisa, realizou-se um aprofundamento do entendimento da técnica de Decomposição em Componentes Ortogonais e de sua aplicabilidade como ferramenta de processamento de sinais para sistemas elétricos e eletromecânicos. Redes Neurais Artificiais e Support Vector Machines, tanto para classificação multi-classes quanto para detecção de novidades, foram configurados para receber índices advindos do processamento de sinais elétricos de motores, e a partir deles, identificar os padrões normais e os padrões com falhas. Além disso, a severidade da falha também é diagnosticada, a qual é representada pelo número de barras quebradas no rotor. Para a avaliação da metodologia, considerou-se o acionamento de motores de indução pela tensão de alimentação da rede e por inversores de frequência, operando sob diversas condições de torque de carga. Os resultados alcançados demonstram a eficácia das ferramentas matemáticas e computacionais desenvolvidas para o sistema de diagnóstico, sendo que os índices criados se mostraram altamente correlacionados com o fenômeno da falha. Mais especificamente, foi possível criar índices monotônicos com a severidade da falha e com baixa variabilidade, demonstrando-se que as ferramentas são eficientes extratores de características. / This doctoral thesis consists of the development of mathematical and computational tools dedicated to a diagnostic system for broken rotor bars in Three Phase Induction Motors. The proposed system is based on a mathematical method for decomposing electrical signals, named the Orthogonal Components Decomposition, and machine learning tools. As one of the main contributions of this research, an in-depth investigation of the decomposition technique and its applicability as a signal processing tool for electrical and electromechanical systems was carried-out. Artificial Neural Networks and Support Vector Machines for multi-class classification and novelty detection were configured to receive indices derived from the processing of electrical signals and then identify normal motors and faulty motors. In addition, the fault severity is also diagnosed, which is represented by the number of broken rotor bars. Experimental data was tested in order to evaluate the proposed method. Signals were obtained from induction motors operating with different torque levels and driven either directly by the grid or by frequency inverters. The results demonstrate the effectiveness of the mathematical and computational tools developed for the diagnostic system since the indices created are highly correlated with the fault phenomenon. More specifically, it was possible to create monotonic indices with the fault severity and with low variability, what supports that the solution is an efficient fault-specific feature extractor.

O presente trabalho desenvolve uma topologia de controle para o gerador de indução duplamente alimentado (GIDA) em condições normais e em condições de falta monofásica. O sistema de controle é dividido em três partes principais: sistema de identificação de faltas, controle em condições normais e controle em condições de falta monofásica. A primeira parte, o sistema de identificação (SI) de faltas, é responsável pela seleção da topologia de controle da máquina. O SI é composto por uma combinação entre redes neurais artificiais (RNA) e a Fast Fourier Transform (FFT). As RNA são responsáveis pela identificação do estado atual da rede, se possui falta ou não. Os dados de entrada das RNA são as correntes de linha do estator que passam por um pré-processamento por meio da FFT. Alguns conteúdos harmônicos de saída da FFT irrelevantes no processo de identificação são eliminados por um método similar ao Principal Components Analysis (PCA). A segunda parte do trabalho é o controle em condições normais, sendo ativado quando o SI aponta a ausência de faltas. A topologia de controle vetorial é utilizada nesta condição para manter a tensão e frequência constante com a velocidade mecânica do eixo variável. A última parte do trabalho é o controle em condições adversas, que é ativado quando o SI detecta uma falta monofásica. A topologia de controle nesta condição utiliza as transformações ortogonais para reduzir o fluxo concatenado no enrolamento do estator com falta. A utilização deste novo controle reduz a corrente do estator quando comparado com o controle vetorial em condições de falta, sendo que a tensão do estator nas fases sem falta é mantida dentro de uma faixa de operação. O trabalho possui resultados de simulação das três principais partes do sistema de controle. Primeiramente, resultados do controle vetorial de tensão e frequência do GIDA sob condições de velocidade do eixo variável e cortes de carga são apresentados. Logo após, apresenta-se os resultados do SI na identificação de faltas monofásicas na fase B e o seu comportamento sob condições adversas como desequilíbrio de carga e cortes de cargas. Finalmente, alguns resultados do controle em condições de falta sobre uma falta fase-neutro na fase B são apresentados. / This paper presents a control topology for doubly fed induction generator (DFIG) in normal and single fault conditions. The control system is divided into three main parts: fault identification system, control in normal condition and control in single fault conditions. In the first part, the system of identification (SI) is responsible for selecting the topology of the control. The SI is composed by a combination of artificial neural networks (ANN) and Fast Fourier Transform (FFT). The ANN is responsible for identifying the current state of the grid, if has fault or not. The inputs of the ANN are stator currents line through of a pre-processing by means of FFT. Some harmonic contents are irrelevant in the identification process and they are eliminated by a method similar to Principal Components Analysis (PCA). The second part of the paper is the control under normal conditions, activated when the SI indicates the absence of faults. The topology of vector control in this condition is used to maintain the voltage and frequency constant, where the speed of the mechanical axis variable. The last part of the work is the control in adverse conditions, which is activated when the SI detects a singlephase fault. The control topology in this condition uses the orthogonal transformations to reduce the mutual flux in the stator winding with fault. The use of this new control reduces the stator current as compared to vector control in fault conditions, and the stator voltage in the stages without fault is maintained within an operating range. The paper has simulation results of three main parts of the control system. First, the results of the vector control voltage and frequency of DFIG under conditions of variable shaft speed and load sections are provided. Soon after, the results of the SI in identifying faults in the phase B under conditions such as load imbalance and cutting loads are shown. Finally, some results of control in fault condition in the phase B are shown.

As faltas de alta impedância (FAI) ocorrem quando um condutor entra em contato com objetos com uma alta resistência, o que não resulta em incrementos significativos de corrente. Este tipo de falta não pode ser detectada por dispositivos de proteção tradicionais que atuam por sobrecorrente. Neste trabalho uma pesquisa do estado da arte das FAI é apresentada e são implementados alguns algoritmos de detecção presentes na literatura. Nesta pesquisa também são propostas duas metodologias de identificação de FAI as quais são baseadas na identificação de buildup e incrementos de energias na faixa de frequências 1920Hz a 3840Hz. Os algoritmos implementados e as metodologias propostas foram testados com simulações de eventos de FAI e de eventos comuns numa rede simulada de uma concessionária do Estado de São Paulo utilizando o software ATP. Estudos do funcionamento de um medidor de qualidade de energia foram feitos com o propósito de determinar as limitações de uma eventual implementação real das metodologias de identificação propostas neste trabalho. Resultados do desempenho das metodologias propostas utilizando os sinais simulados em ATP apresentaram percentagens de identificação superiores aos 80%. Análise das ocorrências de cabo rompido do circuito em estudo foram feitas com o propósito de identificar possíveis eventos de FAI. O desempenho apresentado pelas metodologias propostas na identificação de FAI em sinais reais pode ser melhorado com a disponibilidade de uma maior quantidade de eventos reais de FAI. / High impedance faults (HIF) occur when a conductor makes contact with high resistance objects, generally not resulting in significant current increases. This type of fault cannot be detected by traditional overcurrent protection devices. In this work, a research of the HIF state-of-art is presented and some detection algorithms in the literature are implemented. This research also proposes two HIF identification methods based on respectively the identification of buildup current and energy increments in the frequency range from 1920Hz to 3840Hz. The implemented algorithms and the proposed methodology have been tested with ATP simulations of FAI events and other common events in a simulated network from an electric utility in the State of Sao Paulo. Studies are carried out in order to assess the operation of a power quality meter to determine the limitations of real implementations of the proposed methodologies. Performance results of the proposed methodologies using simulated ATP signals show identifications rates greater than 80%. Broken conductor occurrences in the studied feeder are analyzed to identify possible HIF events. The performance shown by the proposed methodologies in identifying HIF in real situations can be improved with the availability of a larger number of HIF events.

A utilização de Redes Neurais Artificias para fins de identificação e controle de sistemas dinâmicos têm recebido atenção especial de muitos pesquisadores, principalmente no que se refere a sistemas não lineares. Neste trabalho é apresentado um estudo sobre a utilização de um tipo em particular de Rede Neural Artificial, uma Perceptron Multicamadas com Atraso de Tempo, na estimação de estados da etapa fermentativa do processo de Reichstein para produção de vitamina C. A aplicação de Redes Neurais Artificiais a este processo pode ser justificada pela existência de problemas associados à esta etapa, como variáveis de estado não mensuráveis e com incertezas de medida e não linearidade do processo fermentativo, além da dificuldade em se obter um modelo convencional que contemple todas as fases do processo. É estudado também a eficácia do algoritmo de Levenberg-Marquadt, na aceleração do treinamento da Rede Neural Artificial, além de uma comparação do desempenho de estimação de estados das Redes Neurais Artificiais estudadas com o filtro estendido de Kalman, baseado em um modelo não estruturado do processo fermentativo. A análise do desempenho das Redes Neurais Artificiais estudadas é avaliada em termos de uma figura de mérito baseada no erro médio quadrático sendo feitas considerações quanto ao tipo da função de ativação e o número de unidades da camada oculta. Os dados utilizados para treinamento e avaliação da Redes Neurais Artificiais foram obtidos de um conjunto de ensaios interpolados para o intervalo de amostragem desejado. / ldentification and Control of dynamic systems using Artificial Neural Networks has been widely investigated by many researchers in the last few years, with special attention to the application of these in nonlinear systems. ls this works, a study on the utilization of a particular type of Artificial Neural Networks, a Time Delay Multi Layer Perceptron, in the state estimation of the fermentative phase of the Reichstein process of the C vitamin production. The use of Artificial Neural Networks can be justified by the presence of problems, such as uncertain and unmeasurable state variables and process non-linearity, and by the fact that a conventional model that works on all phases of the fermentative processes is very difficult to obtain. The efficiency of the Levenberg Marquadt algorithm on the acceleration of the training process is also studied. Also, a comparison is performed between the studied Artificial Neural Networks and an extended Kalman filter based on a non-structured model for this fermentative process. The analysis of lhe Artificial Neural Networks is carried out using lhe mean square errors taking into consideration lhe activation function and the number of units presents in the hidden layer. A set of batch experimental runs, interpolated to the desired time interval, is used for training and validating the Artificial Neural Networks.

O objetivo da presente tese é o de documentar, em escala milenar, as variações paleoclimáticas e paleoceanográficas superficiais do Atlântico Sul Ocidental desde o Último Máximo Glacial. Com esta finalidade, foram obtidas estimativas de paleotemperatura, paleossalinidade e paleoprodutividade baseadas na análise de fauna de foraminíferos planctônicos, isótopos estáveis de oxigênio e carbono em Globigerinoides ruber e nove datações de radiocarbono em amostras de um testemunho coletado na Bacia de Santos. Os dados foram complementados com a reanálise de outro testemunho previamente coletado em outro setor da mesma Bacia. Os resultados demonstram que as mudanças paleoceanográficas registradas no período analisado podem ser parcialmente explicadas por variações na exportação de calor e sal para o hemisfério norte relacionadas à atividade da célula de transporte meridional e à configuração das correntes superficiais associadas à circulação atmosférica. Outra parte significativa da variabilidade parece estar relacionada à intensidade do Sistema de Monção da América do Sul resultante de variações na insolação de acordo com o ciclo de precessão. Os principais desvios da tendência de variação da composição isotópica da água do mar esperada em função das mudanças de insolação coincidem com os grandes pulsos de degelo ocorridos em torno de 19, 14 e 8,2 mil anos AP. / The goal of this thesis is to document the paleoclimatic and paleoceanographic changes occurred at the millennial scale since the Last Glacial Maximum at the surface Western South Atlantic. Paleotemperature, paleosalinity and paleoproductivity estimates were obtained for this purpose based on faunal changes of foraminifera assemblages, carbon and oxygen stable isotopes in Globigerinoides ruber and nine radiocarbon datings in a core retrieved at Santos Basin. These data were supplemented by the reanalysis of a second core previously analyzed from a different sector of the same basin. The results demonstrate that paleoceanographic changes recorded in the analyzed period may be partially explained by changes in the heat and salt export to the northern hemisphere related to the meridional overturning cell and the surface currents related to atmospheric circulation. Another significant portion of the observed variability seems to be related to changes in the strength of the South American Monsoon System resulting from insolation changes according to the precessional cycle. The main departures from the expected trend of variation in the isotopic composition of seawater related to insolation changes coincide with great meltwater pulses occurred around 19, 14, and 8.2 kyr BP.

Um Sistema Elétrico de Potência (SEP) está susceptível à presença de diversas fontes de distúrbios que prejudicam a Qualidade da Energia Elétrica (QEE). Desta forma, as suas tensões e/ou correntes podem conter m´múltiplos distúrbios com ocorrência simultânea. Este trabalho apresenta uma metodologia para decomposição do sinal medido em componentes que estimem as formas de onda dos distúrbios individuais quando da ocorrência de m´múltiplos distúrbios, com o posterior reconhecimento de cada um deles. A Análise de Componentes Independentes (ICA) é utilizada como principal ferramenta na etapa de decomposição dos distúrbios. A ICA é originalmente uma t´técnica aplicada em análise multivariada de dados, o que significa que ela necessita de medições realizadas por múltiplos sensores dispostos em diferentes posições de um sistema. No entanto, este trabalho propõe a sua aplicação tendo disponível apenas um sinal medido. Para tanto, são propostos dois métodos para produzir a diversidade necessária para a t´técnica funcionar adequadamente. É demonstrado que ambos os métodos equivalem a um banco de filtros lineares adaptativos capaz de realizar a separação não-supervisionada de múltiplos distúrbios independentes e que sejam espectralmente disjuntos. Por fim, é proposto um sistema de classificação que utiliza Redes Neurais Artificiais (RNAs) para identificar os distúrbios decompostos pela etapa anterior. A metodologia completa é avaliada por meio de testes utilizando dados sintéticos e reais, alcançando resultados altamente satisfatórios para decomposição de sinais contendo múltiplos distúrbios e taxas de acerto globais dos classificadores superiores a 97% / The power system is susceptible to the presence of several sources of disturbances that harm the power quality. In this sense, its voltages and/or currents may contain multiple disturbances with simultaneous occurrence. This work presents a methodology that decomposes the measured signal in components which estimate the waveforms of the individual disturbances followed by their recognition when a multiple disturbance situation occurs. The Independent Component Analysis (ICA) is the main tool in the disturbance decomposition stage. The ICA is originally a technique applied in multivariate data analysis, which means that it requires measurements from multiple sensors allocated in different positions of the system. However, this work proposes its application for a single measured signal available. For this, two methods were developed in order to provide the required diversity to the ICA technique. It is demonstrated that both methods are equivalent to an adaptive linear filter bank capable to perform an unsupervised separation of multiple independent disturbances, if they are spectrally disjoint. A classification system based on artificial neural networks is proposed to identify the disturbances decomposed by the previous stage. The complete system is tested using synthetic and actual data, presenting highly satisfactory results for the decomposition of signals containing multiple disturbances, and precision for the classification task above 97%