Made available in DSpace on 2015-04-14T13:56:11Z (GMT). No. of bitstreams: 1
403015.pdf: 1369362 bytes, checksum: 80f10cb0cad2240a06c6783c86c07472 (MD5)
Previous issue date: 2008-03-24 / Os desligamentos n?o programados s?o um dos fatores que mais contribuem para a interrup??o do fornecimento de energia e, portanto, na qualidade do servi?o prestado. Uma correta identifica??o das causas que originaram os desligamentos tornase cada vez mais indispens?vel para distribuir de forma mais eficaz os investimentos e recursos para a redu??o de problemas no sistema el?trico, trazendo como conseq??ncia direta destes investimentos a melhoria dos ?ndices de confiabilidade. Dessa forma, torna-se necess?rio o desenvolvimento de ferramentas para gerenciamento, an?lise e diagn?stico de causas de eventos n?o programados que ocorrem nos sistema de distribui??o das empresas. Nesta disserta??o s?o apresentados dois m?todos para identifica??o da causa de desligamentos n?o programados na rede de distribui??o: um modelo probabil?stico utilizando Redes Bayesianas e um modelo usando Redes Neurais Artificiais. Inicialmente ? apresentada uma conceitua??o sobre aspectos te?ricos fundamentais ao entendimento de Redes Bayesianas e Redes Neurais Artificiais, seguida de uma revis?o sobre defini??es b?sicas acerca de confiabilidade e causas de desligamentos em sistemas de distribui??o. Ap?s, s?o descritas as etapas realizadas para treinamento e valida??o dos dois sistemas de identifica??o da causa de desligamentos n?o programados. A base de conhecimento utilizada para o aprendizado foi extra?da de um banco de dados de eventos fornecido por uma concession?ria de energia, cujo processo de extra??o de conhecimento consistiu em uma s?rie de etapas, incluindo uma de minera??o de dados. Esse processo tornou a base de dados mais confi?vel e adequada resultando em 8888 amostras para a constru??o, gera??o dos conjuntos de treinamento e valida??o dos modelos de Rede Bayesiana e de Rede Neural utilizados. Ambas heur?sticas foram validadas atrav?s do m?todo da prova bipartida (split-half method). O processo de aprendizagem da Rede Bayesiana foi realizado atrav?s do algoritmo de maximiza??o da expect?ncia (Expectation Maximization), enquanto que para a Rede Neural o algoritmo de treinamento escolhido foi o Resilient back propagation, devido as suas caracter?sticas de desempenho e velocidade de converg?ncia
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2.pucrs.br:tede/2994 |
| Date | 24 March 2008 |
| Creators | Tronchoni, Alex Bernsts |
| Contributors | Lemos, Flavio Antonio Becon |
| Publisher | Pontif?cia Universidade Cat?lica do Rio Grande do Sul, Programa de P?s-Gradua??o em Engenharia El?trica, PUCRS, BR, Faculdade de Engenharia |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS, instname:Pontifícia Universidade Católica do Rio Grande do Sul, instacron:PUC_RS |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 207662918905964549, 500, 600, -655770572761439785 |
Page generated in 0.0024 seconds