Made available in DSpace on 2014-06-11T19:31:40Z (GMT). No. of bitstreams: 0 Previous issue date: 2003-10-10Bitstream added on 2014-06-13T19:42:06Z : No. of bitstreams: 1 silveira_mcg_dr_ilha.pdf: 929396 bytes, checksum: 9ae312d5e86267be1c5c610543a27962 (MD5) / Esta pesquisa apresenta uma metodologia para a análise de estabilidade transitória (de primeira oscilação) de sistema de energia elétrica usando uma rede neural baseada na arquitetura ART (Adaptive Resonance Theory), designada rede neural nebulosa ARTMAP modular para aplicações em tempo real. A margem de segurança é empregada como critério da análise de estabilidade transitória, considerando-se faltas tipo curto-circuito trifásico com saída de linha de operação. O funcionamento das redes neurais é constituído por duas fases fundamentais: treinamento e análise. A fase de treinamento requer uma grande quantidade de processamento para a sua realização, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Esta é, portanto, a principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, como é caso de aplicações em tempo real. As redes neurais ART, possuem como características primordiais, a plasticidade e a estabilidade, as quais são qualidades essenciais para a execução do treinamento e para a análise de modo eficiente. A rede neural ARTMAP nebulosa modular está sendo proposta visando proporcionar um desempenho superior, em termos de precisão e rapidez, se comparada à formulação ARTMAP convencional, muito maior ainda quando comparada ao emprego de redes neurais com treinamento realizado via técnica retropropagação (que é um benchmark em termos de precisão no contexto de redes neurais). O treinamento da rede neural será realizado usando como “professor” um método de energia para o cálculo das margens de segurança. A metodologia proposta nesta pesquisa é um procedimento que incorpora inovações em relação à literatura existente, em destaque: (1) desenvolvimento de um novo modelo apropriado para a resolução... . / This work presents a methodology for transient stability analysis (first swing) of electrical energy systems, using a neural network based on ART (adaptive resonance theory), called modular fuzzy ARTMAP neural network for applications in real time. The security margin is used as a criterion for transient stability analysis, considering three-phase short circuit with outage of a transmission line faults. The neural network functioning is composed of two fundamental phases: training and analysis. The training phase needs a great quantity of processing, while the test phase is realized almost without computational effort. Therefore, this is the principal reason for using neural networks to solve complex problems that demand fast solutions, as the real time applications. The ART neural networks have as prime characteristics the plasticity and the stability, which are essential qualities for the training execution and for analysis in an efficient way. The modular fuzzy ARTMAP neural network is proposed to provide a superior performance, in precision and velocity, when compared to the conventional ARTMAP formulation, and much faster when compared to the neural networks using backpropagation training (benchmark in precision in a neural network context). The neural network training is realized using as a “teacher” an energy method to calculate the security margin. The proposed methodology is a proceeding that incorporates innovations in relation to the existent literature emphasizing: (1) development of a new appropriated model for solving the transient stability analysis by neural networks; (2) theoretical-practical development of the neural network output variable, represented in this work by the IMS (security margin interval) variable in a binary way. It is a convenient representation for the transient stability analysis approach; (3) proposition of a... (Complete abstract click electronic address below).

Made available in DSpace on 2014-06-11T19:30:50Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-10-22Bitstream added on 2014-06-13T20:00:53Z : No. of bitstreams: 1 moreno_al_dr_ilha.pdf: 923809 bytes, checksum: e8a55f496e6bf5bfbe0531f9211526e5 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / 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 / 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