Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-01-08T10:36:58Z
No. of bitstreams: 1
wanderantunesgasparvalente.pdf: 4197156 bytes, checksum: 5b667869c3bb237e570559ddf4cbb30d (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-01-25T16:56:26Z (GMT) No. of bitstreams: 1
wanderantunesgasparvalente.pdf: 4197156 bytes, checksum: 5b667869c3bb237e570559ddf4cbb30d (MD5) / Made available in DSpace on 2016-01-25T16:56:26Z (GMT). No. of bitstreams: 1
wanderantunesgasparvalente.pdf: 4197156 bytes, checksum: 5b667869c3bb237e570559ddf4cbb30d (MD5)
Previous issue date: 2015-02-09 / O presente trabalho fundamenta-se no método das segmentações geométricas sucessivas
(MSGS) para a construção de uma rede neural artificial capaz de gerar tanto a topologia
da rede quanto o peso dos neurônios sem a especificação de parâmetros iniciais. O MSGS
permite identificar um conjunto de hiperplanos no espaço Rn que, quando combinados
adequadamente, podem separar duas ou mais classes de dados. Especificamente neste
trabalho é empregado um aprimoramento ao MSGS com base em estimativas de densidade
por kernel. Utilizando-se KDE, é possível encontrar novos hiperplanos de separação de
forma mais consistente e, a partir daí, conduzir à classificação de dados com taxas de acerto
superiores à técnica originalmente empregada. Neste trabalho, o MSGS aprimorado é
empregado satisfatoriamente pela primeira vez para a identificação de padrões em sistemas
de energia elétrica. O método foi ajustado para a classificação de faltas incipientes em
transformadores de potência e os resultados apresentam índices de acerto superiores a
trabalhos correlatos. O MSGS aprimorado também foi adaptado para classificar e localizar
faltas inter-circuitos em linhas áreas de transmissão em circuito duplo, obtendo resultados
positivos em comparação com a literatura científica. / This work is based on the method of successive geometric segmentations (SGSM) for
the construction of an artificial neural network capable of generating both the network
topology as the weight of neurons without specifying initial parameters. The MSGS
allows to identify a set of hyperplanes in the Rn space that when properly combined, can
separate two or more data classes. Specifically in this work is used an improvement to
SGSM based on kernel density estimates (KDE). Using KDE, it is possible to find new
hyperplanes of separation more consistently and, from there, lead to data classification
with accuracy rates higher than originally technique. In this paper, the improved SGSM
is first used satisfactorily to identify patterns in electrical power systems. The method has
been adjusted to the classification of incipient faults in power transformers and the results
have achieved rates above related work. The improved SGSM has also been adapted to
classify and locate inter-circuit faults on double circuit overhead transmission lines with
positive results compared with the scientific literature.
| Identifer | oai:union.ndltd.org:IBICT/oai:hermes.cpd.ufjf.br:ufjf/366 |
| Date | 09 February 2015 |
| Creators | Valente, Wander Antunes Gaspar |
| Contributors | Oliveira, Edimar José de, Honório, Leonardo de Mello, Resende, Leônidas Chaves de, Martinez, Manuel Luiz Barreira, Silva Júnior, Ivo Chaves da, Oliveira, Leonardo Willer de |
| Publisher | Universidade Federal de Juiz de Fora, Programa de Pós-graduação em História, UFJF, Brasil, ICH – Instituto de Ciências Humanas |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFJF, instname:Universidade Federal de Juiz de Fora, instacron:UFJF |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds