Submitted by isabela.moljf@hotmail.com (isabela.moljf@hotmail.com) on 2017-03-02T15:06:06Z No. of bitstreams: 1 marceloantonioalveslima.pdf: 1774345 bytes, checksum: 6a157dee80e14893054855701fd0f539 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2017-03-06T19:53:06Z (GMT) No. of bitstreams: 1 marceloantonioalveslima.pdf: 1774345 bytes, checksum: 6a157dee80e14893054855701fd0f539 (MD5) / Made available in DSpace on 2017-03-06T19:53:06Z (GMT). No. of bitstreams: 1 marceloantonioalveslima.pdf: 1774345 bytes, checksum: 6a157dee80e14893054855701fd0f539 (MD5) Previous issue date: 2009-02-27 / Esta dissertação apresenta o desenvolvimento de uma técnica para análise de qualidade de energia, considerando o caso pouco explorado de ocorrência de múltiplos distúrbios. O propósito é separar os distúrbios que estejam ocorrendo em sequência ou ao mesmo tempo em sinais de tensão presentes em sistemas elétricos de potência. Para isto, é utilizada a filosofia de separação cega de fontes, que parte do pressuposto de que não são conhecidas a priori as fontes (os distúrbios) que compõem os dados disponíveis e nem como elas foram misturadas. É utilizada para tal fim a recente técnica não-supervisionada denominada análise de componentes independentes, visando o desacoplamento entre os diferentes distúrbios independentes que estejam ocorrendo durante o mesmo intervalo de tempo, a partir de um determinado modelo de misturas dos distúrbios originais. Esta separação dos distúrbios é fundamental como etapa de pré-processamento, já que as técnicas existentes de localização no tempo e classificação apresentam desempenho reduzido quando ocorre tal situação. São apresentadas duas estruturas para separar múltiplos distúrbios, no que diz respeito ao nu´mero de misturas (sinais medidos) disponíveis: a primeira´e aplicada quando são disponíveis mais de um dispositivo de monitoramento alocados em pontos distintos do sistema elétrico e sincronizados, e a segunda é aplicada quando se tem disponível um único monitor de qualidade de energia. No segundo caso, é proposta a utilização de um banco de filtros para gerar um número suficiente de misturas que são necessárias para se utilizar a análise de componentes independentes na estimação dos distúrbios envolvidos em um único sinal medido. O desempenho da técnica proposta foi analisado com dados sintéticos. / This dissertation presents the development of a technique for power quality analysis, considering the case of multiple disturbances. The purpose is to separate the disturbances that are occurring in sequence or at the same time, in voltage signals of the electric power systems. For this, is used the philosophy of blind source separation, with the assumption that the sources (the disturbances) that compose the data available are not known a priori, nor how they were mixed. It is used for this purpose the recent non-supervised technique called Independent Component Analysis for the decoupling between the different disturbances that are independent and occurring during the same interval, from a mixture model of the original disturbances. This separation of disturbances is crucial as a pre-processing step, since the existing techniques of location in time and classification have reduced performance when multiple disturbances occur. Two structures are presented to separate multiple disturbances, with regard to the number of mixtures (measured signals) available: the first is applied when are available more then one synchronized monitoring device placed in different points of the electric system, and the second is applied when there is only one available monitor. In the second case, it is proposed to use a filter bank to generate a sufficient number of mixtures required to the use of independent component analysis in the estimation of the disturbances involved in a single measured signal. The performance of the proposed technique was derived with synthetic data.

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%

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%