No description available.

L’objectif de cette thèse est de développer de nouvelles solutions pour détecter et localiser des sources électromagnétiques radar au niveau d'une unique station de réception en exploitant les signaux directs et indirects reçus. Dans le cadre de notre étude, nous avons dans un premier temps développé une modélisation du signal reçu au niveau d'un récepteur en tenant compte des caractéristiques des émetteurs et de la zone environnante. L'évaluation de cette modélisation a été effectuée en s'appuyant sur un cas particulier de détection et de localisation des réflecteurs. Ce dernier, traité dans la littérature, repose sur l’exploitation des trajets multiples. Ces derniers peuvent être également utilisés pour localiser des sources d’émission. Néanmoins, la plupart des méthodes existantes se basent sur des réflexions dites spéculaires. Les techniques employant les réflexions non spéculaires sur un réflecteur quelconque pour localiser des sources d'émission dans un environnement inconnu font l'objet de peu de publications dans la littérature ouverte. La méthode de localisation que nous proposons a l'avantage de n'employer qu'un récepteur fixe mesurant seulement deux types de grandeurs : les angles d'arrivée (AOA) et les différences de temps d'arrivée (TDOA). En pratique, un problème d'affectation doit être résolu avant de procéder à la localisation des émetteurs et des réflecteurs. Le problème consiste à affecter chaque paire de mesures TDOAAOA à un réflecteur donné, en supposant que chaque paire a déjà été affectée à un émetteur.La méthode que nous avons développée a été testée et évaluée, d'une part grâce à des données simulées et d'autre part en utilisant des mesures réelles. / The purpose of this work is to develop new methods for the detection and the location of radar sources. The developed approach exploits the direct and indirect signals received at the receiving point. In our study, we first develop a model of these signals that takes into account the characteristics of the transmitters and the reflectors. We evaluate this model by simulating a particular case of reflectors detection and location, defined in the literature. Our goal is to use the multipaths to locate emission sources. Most existing methods are based on specular reflections. Methods based on non-specular reflections, to locate emission sources in an unknown environment, are rarely studied in the literature. In our study, we propose a new location method that uses a fixed receiver measuring the Angle of Arrival (AOA) and Time Difference of Arrival (TDOA). In practice, an assignment problem must be solved before locating the emitters and reflectors. The problem is to assign each pair of TDOA-AOA measurements to a given reflector, assuming that each pair has already been assigned to a transmitter. The method developed has been tested and evaluated by using simulated data and real measurements.

No contexto de Smart Grids, determinar a correta localização das fontes causadoras de Variação de Tensão de Curta Duração (VTCD) não é uma tarefa simples, devido à curta duração destes eventos e também, por sua rápida propagação nas redes de distribuição de energia elétrica. Neste sentido, esse trabalho apresentou um método híbrido recursivo baseado em ferramentas da área de aprendizado de máquinas (algoritmo de agrupamento e base de regras), o qual é capaz de localizar as fontes de VTCD, a partir da análise dos das características dos distúrbios disponibilizadas pelos smart meters instalados no sistema. Assim, o trabalho destinouse ao desenvolvimento de uma plataforma em hardware para aquisição, detecção e classificação dos distúrbios, através de um Sistema Operacional de Tempo Real. Em seguida o algoritmo de agrupamento (k-means) agrupou os dados dos medidores de forma a definir dois clusters, onde um deles correspondeu aos medidores que estão longe da região que ocorreu o distúrbio e o outro, correspondeu aos medidores que estavam localizados próximos da região de ocorrência do distúrbio. Na segunda etapa, um sistema baseado em regras determinou qual dos clusters abrangeu o nó de origem. No entanto, quando o algoritmo determinou uma região muito grande, essa região é introduzida recursivamente, como entrada da metodologia desenvolvida, para refinar a região de localização. O sistema resultante foi capaz de estimar a região de localização com uma taxa de acerto acima de 90%. Assim, o método teve sua concepção adequada ao empregado nos centros de controle e operações de concessionárias de energia elétrica, visando apoiar a decisão do corpo técnico para que ações corretivas fossem estabelecidas de forma assertiva. / In the Smart Grids context, the correct location of short-duration voltage variations sources is not a trivial task, because of the short duration of these events and for rapid propagation in the distribution feeder. In this sense, aiming to develop a recursive hybrid method based on machine learning area tools (clustering algorithm and rule base) that is able to locate the sources of short-duration voltage variations, it was used data from smart meters installed along the distribution feeder. The recursive hybrid method, as input, received the disturbance characteristics provided by the meters installed in the system. Thus, this thesis aimed to development of a measurement hardware for signal acquisition, detection, classification through a realtime operating system. Then, k-means clustering algorithm grouped the meters data in order to define two clusters, where one of them corresponded to the meters that were distant from the region that occurred the disturbance and the other one corresponded to the meters, which were located near to the disturbance occurrence region. In a second step, a rule-based system determined which of the clusters corresponded to the source node. When the algorithm determined a very large region, that region was recursively introduced as input of the developed methodology to decrease its size. The resulting system was able to estimate the location region with a accuracy above 90%. Therefore, this method showed a suitable design for employment by operation control centers of power sector concessionaires, aiming to support technical staff decision to stablish assertive corrective actions.

No contexto de Smart Grids, determinar a correta localização das fontes causadoras de Variação de Tensão de Curta Duração (VTCD) não é uma tarefa simples, devido à curta duração destes eventos e também, por sua rápida propagação nas redes de distribuição de energia elétrica. Neste sentido, esse trabalho apresentou um método híbrido recursivo baseado em ferramentas da área de aprendizado de máquinas (algoritmo de agrupamento e base de regras), o qual é capaz de localizar as fontes de VTCD, a partir da análise dos das características dos distúrbios disponibilizadas pelos smart meters instalados no sistema. Assim, o trabalho destinouse ao desenvolvimento de uma plataforma em hardware para aquisição, detecção e classificação dos distúrbios, através de um Sistema Operacional de Tempo Real. Em seguida o algoritmo de agrupamento (k-means) agrupou os dados dos medidores de forma a definir dois clusters, onde um deles correspondeu aos medidores que estão longe da região que ocorreu o distúrbio e o outro, correspondeu aos medidores que estavam localizados próximos da região de ocorrência do distúrbio. Na segunda etapa, um sistema baseado em regras determinou qual dos clusters abrangeu o nó de origem. No entanto, quando o algoritmo determinou uma região muito grande, essa região é introduzida recursivamente, como entrada da metodologia desenvolvida, para refinar a região de localização. O sistema resultante foi capaz de estimar a região de localização com uma taxa de acerto acima de 90%. Assim, o método teve sua concepção adequada ao empregado nos centros de controle e operações de concessionárias de energia elétrica, visando apoiar a decisão do corpo técnico para que ações corretivas fossem estabelecidas de forma assertiva. / In the Smart Grids context, the correct location of short-duration voltage variations sources is not a trivial task, because of the short duration of these events and for rapid propagation in the distribution feeder. In this sense, aiming to develop a recursive hybrid method based on machine learning area tools (clustering algorithm and rule base) that is able to locate the sources of short-duration voltage variations, it was used data from smart meters installed along the distribution feeder. The recursive hybrid method, as input, received the disturbance characteristics provided by the meters installed in the system. Thus, this thesis aimed to development of a measurement hardware for signal acquisition, detection, classification through a realtime operating system. Then, k-means clustering algorithm grouped the meters data in order to define two clusters, where one of them corresponded to the meters that were distant from the region that occurred the disturbance and the other one corresponded to the meters, which were located near to the disturbance occurrence region. In a second step, a rule-based system determined which of the clusters corresponded to the source node. When the algorithm determined a very large region, that region was recursively introduced as input of the developed methodology to decrease its size. The resulting system was able to estimate the location region with a accuracy above 90%. Therefore, this method showed a suitable design for employment by operation control centers of power sector concessionaires, aiming to support technical staff decision to stablish assertive corrective actions.