This work proposes a hybrid system for alarm processing and fault diagnosis in
electrical networks which use two methods of computational intelligence: Generalized
Regression Neural Network and Genetic Algorithms. The neural network has the function of
processing the set of received alarms and present as a response the characteristic(s) event(s),
using for this, an elaborated knowledge based on the functional diagrams for protection and
interviews with operators. Six modules were implemented for different neural components of
a test system, according to their protection schemes. The output of these modules is used as
input to the GA which has to do a combined analysis along with its database and provide the
operator with the main protective components involved in the incident, as well as the probable
causes of defects and actions to be taken in order to return the system in the shortest possible
time and greater safety. For average inserted random errors of 0%, 7,73%, 15,46% and
23,19% in the received alarms, the system was able to diagnoses correctly in 100%, 93,60%,
74,26% and 48,07% of the cases respectively. It was found that the genetic algorithm
improved the results obtained by neural network with good capability of generalization and
condition to present multiple solutions, and the response time of the hybrid system was
acceptable to the under consideration problem. / O presente trabalho propõe um sistema híbrido para processamento de alarmes e
diagnóstico de faltas em redes elétricas com a utilização de dois métodos de inteligência
computacional: Generalized Regression Neural Network e Algoritmos Genéticos. A rede
neural tem a função de processar o conjunto de alarmes reportados e apresentar como resposta
o evento(s) característico(s), utilizando-se, para isso, de um conhecimento elaborado com
base nos diagramas funcionais da proteção e entrevista com operadores. Foram
implementados seis módulos neurais para diferentes componentes de um sistema teste, de
acordo com os seus respectivos esquemas de proteção. A saída destes módulos é utilizada
como entrada para o AG que deve fazer uma análise combinatória juntamente com sua base
de dados e apresentar ao operador os principais componentes de proteção envolvidos na
incidência, bem como as prováveis causas do defeito e ações a serem tomadas de forma a
restabelecer o sistema no menor tempo possível e com maior segurança. Para erros aleatórios
médios inseridos de 0%, 7,73%, 15,46% e 23,19% nos alarmes reportados, o sistema se
mostrou capaz de diagnosticar corretamente em respectivamente 100%, 93,60%, 74,26% e
48,07% dos casos. Verificou-se que o algoritmo genético melhorou os resultados obtidos pela
rede neural, apresentando boa capacidade de generalização e condições de apresentação de
múltiplas soluções, sendo o tempo de resposta do sistema híbrido aceitável para o problema
tratado.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsm.br:1/8490 |
| Date | 18 February 2011 |
| Creators | Toller, Marcelo Brondani |
| Contributors | Cardoso Junior, Ghendy, Bezerra, Ubiratan Holanda, Araújo, Olinto César Bassi de |
| Publisher | Universidade Federal de Santa Maria, Programa de Pós-Graduação em Engenharia Elétrica, UFSM, BR, Engenharia Elétrica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSM, instname:Universidade Federal de Santa Maria, instacron:UFSM |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 300400000007, 400, 500, 300, 300, 300, eed4f55e-1a74-47ce-afc0-4daa8655d8a3, 4d9d45b4-7ebc-41aa-86ee-3d545e218117, 790cabd9-4a4a-4643-9932-bdc0b85f9ee1, 69669430-f8ae-45d9-8653-e0095f141522 |
Page generated in 0.0163 seconds