Submitted by NADYA KALACHE null (nadyakalache@gmail.com) on 2017-02-02T18:30:28Z No. of bitstreams: 1 Nadya Kalache.pdf: 2308527 bytes, checksum: 9cdc9b520310cc767a416203f4a8451d (MD5) / Approved for entry into archive by LUIZA DE MENEZES ROMANETTO (luizamenezes@reitoria.unesp.br) on 2017-02-06T16:12:06Z (GMT) No. of bitstreams: 1 kalache_n_dr_ilha.pdf: 2308527 bytes, checksum: 9cdc9b520310cc767a416203f4a8451d (MD5) / Made available in DSpace on 2017-02-06T16:12:06Z (GMT). No. of bitstreams: 1 kalache_n_dr_ilha.pdf: 2308527 bytes, checksum: 9cdc9b520310cc767a416203f4a8451d (MD5) Previous issue date: 2016-12-09 / O gerenciamento econômico de transformadores de distribuição é de fundamental importância no planejamento econômico das concessionárias de energia, pois estão presentes em grande quantidade no sistema elétrico. No novo conceito de redes inteligentes, novas considerações sobre as perdas nos transformadores devem ser feitas e outras possibilidades de gerenciamento podem ser exploradas. A primeira afirmação se deve ao fato do aumento da não-linearidade no perfil da carga no transformador, proveniente do aumento de cargas eletrônicas e de unidades de geração distribuída que utilizam conversores eletrônicos para conexão com a rede. A segunda afirmação é justificada pela infraestrutura avançada de medição presente nas redes inteligentes, o que possibilita acesso remoto e dinâmico a uma maior quantidade de informações fundamentais para análise das condições operacionais dos transformadores. Este trabalho analisa como utilizar um sistema de monitoramento em redes inteligentes em conjunto com o cálculo de perdas para identificação de transformadores sobrecarregados. Além disso, com o conhecimento das curvas de carga diária, dos índices econômicos vigentes, desenvolveu-se um aplicativo para gerenciamento de unidades transformadoras em operação, ferramenta esta que poderá ser utilizada no sistema de gestão de ativos das concessionárias. / Economic management of distribution transformers has fundamental importance in the economic planning of utilities, since they are present in large quantities in the electrical system. In the new concept of smart grids, new considerations about losses in transformers must be made and other management possibilities can be explored. The first statement is due to the increase of non-linearity in the load profile transformer, from the increase of electronic loads and distributed generation units that use electronic converters for connection to the grid. The second statement is justified by the advanced metering infrastructure available in smart grids, which enables remote and dynamic access to a greater amount of essentials information for analyzing the transformers operating conditions. This paper analyzes how to use a monitoring system in smart grids with the calculation of losses for identification of overloaded transformers. Also, by the knowledge of daily load curves, the current economic indices, an application was developed to manage transforming units in operation, a tool that can be used in the assets management system of dealers.

Orientador: Luis Carlos Origa de Oliveira / Resumo: O gerenciamento econômico de transformadores de distribuição é de fundamental importância no planejamento econômico das concessionárias de energia, pois estão presentes em grande quantidade no sistema elétrico. No novo conceito de redes inteligentes, novas considerações sobre as perdas nos transformadores devem ser feitas e outras possibilidades de gerenciamento podem ser exploradas. A primeira afirmação se deve ao fato do aumento da não-linearidade no perfil da carga no transformador, proveniente do aumento de cargas eletrônicas e de unidades de geração distribuída que utilizam conversores eletrônicos para conexão com a rede. A segunda afirmação é justificada pela infraestrutura avançada de medição presente nas redes inteligentes, o que possibilita acesso remoto e dinâmico a uma maior quantidade de informações fundamentais para análise das condições operacionais dos transformadores. Este trabalho analisa como utilizar um sistema de monitoramento em redes inteligentes em conjunto com o cálculo de perdas para identificação de transformadores sobrecarregados. Além disso, com o conhecimento das curvas de carga diária, dos índices econômicos vigentes, desenvolveu-se um aplicativo para gerenciamento de unidades transformadoras em operação, ferramenta esta que poderá ser utilizada no sistema de gestão de ativos das concessionárias. / Doutor

Ce travail de thèse propose des approches d’identification et de reconnaissance des harmoniques de courant qui sont basées sur des stratégies d’apprentissage automatique. Les approches proposées s’appliquent directement dans les dispositifs d’amélioration de la qualité de l’énergie électrique.Des structures neuronales complètes, dotées de capacités d’apprentissage automatique, ont été développées pour identifier les composantes harmoniques d’un signal sinusoïdal au sens large et plus spécifiquement d’un courant alternatif perturbé par des charges non linéaires. L’identification des harmoniques a été réalisée avec des réseaux de neurones de type Multi–Layer Perceptron (MLP). Plusieurs schémas d’identification ont été développés, ils sont basés sur un réseau MLP composé de neurones linéaire ou sur plusieurs réseaux MLP avec des apprentissages spécifiques. Les harmoniques d’un signal perturbé sont identifiées avec leur amplitude et leur phase, elles peuvent servir à générer des courants de compensation pour améliorer la forme du courant électrique. D’autres approches neuronales a été développées pour reconnaître les charges. Elles consistent en des réseaux MLP ou SVM (Support Vector Machine) et fonctionnent en tant que classificateurs. Leur apprentissage permet à partir des harmoniques de courant de reconnaître le type de charge non linéaire qui génère des perturbations dans le réseau électrique. Toutes les approches d’identification et de reconnaissance des harmoniques ont été validées par des tests de simulation à l’aide des données expérimentales. Des comparaisons avec d’autres méthodes ont démontré des performances supérieures et une meilleure robustesse. / This thesis proposes identifying approaches and recognition of current harmonics that are based on machine learning strategies. The approaches are applied directly in the quality improvement devices of electric energy and in energy management solutions. Complete neural structures, equipped with automatic learning capabilities have been developed to identify the harmonic components of a sinusoidal signal at large and more specifically an AC disturbed by non–linear loads. The harmonic identification is performed with multilayer perceptron neural networks (MLP). Several identification schemes have been developed. They are based on a MLP neural network composed of linear or multiple MLP networks with specific learning. Harmonics of a disturbed signal are identified with their amplitude and phases. They can be used to generate compensation currents fed back into the network to improve the waveform of the electric current. Neural approaches were developed to distinguish and to recognize the types of harmonics and is nonlinear load types that are at the origin. They consist of MLP or SVM (Support Vector Machine) acting as classifier that learns the harmonic profile of several types of predetermined signals and representative of non–linear loads. They entry are the parameters of current harmonics of the current wave. Learning can recognize the type of nonlinear load that generates disturbances in the power network. All harmonics identification and recognition approaches have been validated by simulation tests or using experimental data. The comparisons with other methods have demonstrated superior characteristics in terms of performance and robustness.

No description available.