Submitted by Luciclea Silva (luci@ufpa.br) on 2018-10-01T14:39:49Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Previsaodistorcaoharmonica.pdf: 4236129 bytes, checksum: bb47a1edb3151361639a5867d6c2c545 (MD5) / Approved for entry into archive by Luciclea Silva (luci@ufpa.br) on 2018-10-01T14:40:33Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Previsaodistorcaoharmonica.pdf: 4236129 bytes, checksum: bb47a1edb3151361639a5867d6c2c545 (MD5) / Made available in DSpace on 2018-10-01T14:40:33Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_Previsaodistorcaoharmonica.pdf: 4236129 bytes, checksum: bb47a1edb3151361639a5867d6c2c545 (MD5) Previous issue date: 2018-07-11 / Este trabalho apresenta uma modelagem para DHTv%, DHTi% e harmônicos individuais utilizando previsões de um sistema ANFIS que aprende com dados medidos e prevê o comportamento da rede para valores futuros. Estas previsões podem ajudar a atender as normas nacionais de DHTv% estipuladas pela Agência Nacional de Energia Elétrica (ANEEL) através dos Procedimentos de Distribuição (PRODIST), como as normas internacionais de DHTi%., desta forma se antecipando às normas que atualmente são recomendativas, mas em um futuro próximo serão punitivas. A modelagem é realizada por meio de um sistema Neuro-Fuzzy denominado ANFIS, o qual utiliza rede neural para aprender o comportamento do sistema e ajuste dos parâmetros e regra Fuzzy para a determinação dos valores de saída do sistema levando em consideração o aprendizado da rede Neural. A grande vantagem desta ferramenta é o poder de se modelar padrões utilizando uma previsão de estado harmônico das cargas conectadas na baixa tensão, o que ajuda na criação de pseudomedidas para as redes de distribuição, onde é difícil e oneroso a obtenção de medições reais. Entre as aplicações práticas para esta ferramenta pode-se destacar a utilização dos valores previstos em substituição a valores anômalos medidos, a utilização em medidores de energia para prever e evitar a ultrapassagem dos valores de Distorção Harmônico estipulados em norma e a utilização como base para a previsão de harmônicas individuais, que podem ser utilizadas em estudos de fluxo de carga harmônicos. / This work presents a modeling for THDv%, THDi% and individual harmonics using predictions from an ANFIS system that learns with measured data and predicts the behavior of the network for future values. These forecasts can help meet national THDv% standards stipulated by the Agência Nacional de Energia Elétrica (ANEEL) through Distribution Procedures (PRODIST), such as THDi% international standards, thus anticipating the currently recommended standards, but in the near future will be punitive. The modeling is performed by means of a Neuro-Fuzzy system called ANFIS, which uses neural network to learn the behavior of the system and adjustment of the parameters and Fuzzy rule for the determination of the system output values taking into account the learning of the Neural network. The great advantage of this tool is the power of modeling standards using a prediction of the harmonic state of the connected loads in the low voltage, which helps in the creation of pseudomedidas for the distribution networks, where it is difficult and costly to obtain real measurements. Among the practical applications for this tool is the use of the predicted values instead of measured anomalous values, the use in energy meters to predict and avoid exceeding the values of Harmonic Distortion stipulated in standard and the use as a basis for the prediction of individual harmonics that can be used in harmonic load flow studies.

This work describes a procedure for a soft sensor design to predict the top composition of a methanol-water distillation column. Soft sensor is a mathematical model that is used to estimate variables of interest from secondary variables easy to measure. This technique comes from an operational difficulty or high cost obtaining the desired variable. The approach to build a soft sensor was an artificial intelligence modeling, a black-box type, using a hybrid neuro-fuzzy technique. The data acquisition to train and validate the soft sensor comes from a mathematical model validated from pilot plat data. One of the limitations of neuro-fuzzy system is that it works with a limited number of inputs, depending on the combinatorial explosion of fuzzy rules. To minimize these effects and to reduce the number of rules in the training data sets of virtual analyzer, a data clustering technique called substractive clustering was used. To obtain a better performance of soft sensor for the dynamic process, distillation column, a regression of lone sampling time in selected variables was used, changing the number of entries from 9 to 18 variables, nine variables at actual sampling time and nine variables at previous sampling time. The distillation column is a good process for the present study because composition measurements are the main objective of this process and are difficult to obtain. The computational strategy for a soft sensor design produced good results in estimating the top composition of the methanol-water distillation column. / Este trabalho descreve um procedimento para o desenvolvimento de um analisador virtual, para predição da composição de topo de uma coluna destilação metanol-água em uma planta piloto. Analisador virtual é um modelo matemático que é usado para estimar variáveis de interesse a partir de variáveis secundárias de fácil medição. Esta tecnologia surge de uma real dificuldade operacional ou do alto custo de obtenção da variável desejada. O modelo utilizado nesta abordagem de construção do analisador virtual utiliza técnicas de sistemas inteligentes, tipo caixa preta, através da técnica híbrida neuro-fuzzy. A aquisição dos dados para treinar e validar o analisador virtual foi feita através de um modelo matemático validado a partir de dados experimentais da planta piloto. Uma das limitações do sistema neuro-fuzzy é que ele trabalha com um número limitado de entradas, dependendo da explosão combinatória das regras fuzzy. Para minimizar estes efeitos e conseguir reduzir o número de regras nos conjuntos de treinamento da rede neuro-fuzzy, foi utilizada a técnica de agrupamento de dados, denominada agrupamento substrativo. Com a intenção de se obter um melhor desempenho do analisador virtual no processo dinâmico, que é a coluna de destilação, foi empregada uma regressão de um tempo de amostragem nas variáveis de entrada selecionadas, alterando o número de entradas de 9 para 18, sendo 9 variáveis no tempo de amostragem atual e 9 variáveis em um tempo de amostragem anterior. O processo de destilação mostrou-se adequado para o presente estudo, pois as medições de composições são de difíceis obtenções. A estratégia computacional para um projeto de analisador virtual produziu bons resultados, de forma a estimar a composição do topo da coluna de destilação binária metanol-água.

CNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológico / Esse trabalho propõe a modelagem e o controle neuro-fuzzy aplicados na estabilidade estática de um veículo de duas rodas do tipo pêndulo invertido, utilizando como método de otimização a evolução diferencial. Durante a fase de modelagem, determinam-se as incertezas relacionadas aos parâmetros e também à resposta do modelo neuro-fuzzy. Verifica-se que este é capaz de se ajustar satisfatoriamente aos dados extraídos experimentalmente do veículo. Na determinação do controlador neuro-fuzzy, testam-se três estratégias de ajuste de parâmetros, sendo duas delas propostas neste texto, e os resultados são comparados entre si e aos obtidos através de controladores clássicos, e verifica-se experimentalmente e por meio de testes estatísticos que as abordagens propostas apresentam grande capacidade de adaptação às restrições impostas à planta, garantindo a estabilidade estática e a eficiência energética do sistema. / This work proposes the neuro-fuzzy modeling and control applied to the static stability of a two-wheeled inverted pendulum vehicle, using differential evolution as optimization technique. During the modeling phase, the uncertainties related to the parameters and also to the neuro-fuzzy model response are determined. It is possible to verify that the neuro-fuzzy system is capable of satisfactorily adjusts to the data experimentally extracted from the vehicle. In the determination of the neuro-fuzzy controller, three strategies of parameter adjustment are tested, two of them being proposed in this text, and the results are compared between them and those obtained through classical controllers, and it is verified experimentally and through tests that the proposed approaches present a great capacity to adapt to the constraints imposed on the plant, guaranteeing the static stability and the energy efficiency of the system. / Dissertação (Mestrado)