Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/27784
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2020_AntonioAldisioAlvesFerreiraFilho_tcc.pdf2,64 MBAdobe PDFver/abrir
Título: Identificação de atributos e classificação de distúrbios da qualidade de energia elétrica baseada em métodos de análise de dados, processamento de sinais e rede neural
Autor(es): Ferreira Filho, Antônio Aldísio de Sousa Alves
Orientador(es): Cormane Angarita, Jorge Andrés
Assunto: Energia elétrica
Estatística
Redes neurais (Computação)
Energia elétrica - qualidade
Dados estatísticos
Processamento de sinais
Data de apresentação: 15-Dez-2020
Data de publicação: 23-Jun-2021
Referência: FERREIRA FILHO, Antônio Aldísio de Sousa Alves. Identificação de atributos e classificação de distúrbios da qualidade de energia elétrica baseada em métodos de análise de dados, processamento de sinais e rede neural. 2020. 59 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2020.
Resumo: Não é novidade que a energia elétrica se tornou, nas últimas décadas, um elemento indispensável para a sociedade e essencial para a industrialização. É notável que, com o avanço da tecnologia e com a demanda exigida pela sociedade e pela indústria, a exigência por qualidade de energia elétrica vem aumentando. Desse modo, faz-se necessário o desenvolvimento de ferramentas capazes de realizar a detecção e classificação de distúrbios de energia elétrica. Este trabalho desenvolve a identificação de atributos (histogramas, estimativa de densidade kernel, estimadores estatísticos de ordem superior e transformada space phasor model) e a classificação de anomalias de rede elétrica através de rede neurais feedforward de múltiplas camadas. A detecção dar-se-á, primeiramente, com a segmentação do sinal em meio ciclo (126 amostras) para aplicação das técnicas de histograma e estimativa de densidade kernel, e um ciclo (256 amostras) para utilização das técnicas estimadores estatísticos de ordem superior e transformada space phasor model. A classificação ocorre com os atributos- número de classe, largura de banda, variância, assimetria, curtose e valor máximo e mínimo do eixo real - retirados das técnicas supracitadas. Os resultados obtidos demonstram a capacidade do algoritmo em classificar a operação normal do sinal e os distúrbios - sag, swell, harmônico e oscilação transiente- com eficiência global de 96% rede neural. Observando cada distúrbio individualmente nas etapas de treinamento e teste tivemos a eficiência, respectivamente, de 60.7 % e 64.9 % para sag, 98.1% e 98.2% para swell, 98.1% e 98.2% para harmônico, 88.1% e 83.3% para oscilação transiente e 98.7% e 98.2% para operação normal. Por fim, baseado em estudo comparativo com outros trabalhos semelhantes, nota-se resultados similares ao deste trabalho, no que tange a classificação de distúrbios de energia elétrica, com ressalva para os resultados obtidos com os distúrbios sag e harmônico, visto que o sag apresentou um resultado inferior.
Abstract: It is not new that electric energy has become, in recent decades, an indispensable element for society and essential for industrialization. It is noteworthy that, with the advancement of technology and the demand demanded by society and industry, the demand for quality of electric power has increased. Thus, it is necessary to develop tools capable of detecting and classifying electrical energy disorders. This competent work is the identification of attributes (histograms, kernel density estimation, higher and transformed statistical estimators spatial phasor model) and the classification of electrical network anomalies through multilayer neural networks feedforward . The detection will take place, with priority, with the application of the signal in half cycle (126) to apply the histogram and kernel density estimation techniques, and one cycle (256) to use the higher and transformed statistical estimation techniques. spatial phasor model. The classification occurs with the attributes - class number, bandwidth, variance, asymmetry, kurtosis and maximum and minimum value of the real axis - taken from the aforementioned techniques. The results obtained demonstrate an ability of the algorithm to classify a normal operation of the signal and the disturbances - sag, swell, harmonic and transient oscillation- with a global efficiency of 96% neural network. Observing each individual disturbance in the training and efficiency testing steps, respectively, from 60.7% and 64.9% for sag, 98.1% and 98.2% for swell , 98.1% and 98.2% for harmonic, 88.1% and 83.3% for transient oscillation and 98.7% and 98.2 % for normal operation. Finally, based on a comparative study with other similar works, we note results similar to this work, regarding the classification of electrical energy disorders, with the exception of the results obtained with the disturbances sag eonic damage, seen that sag had an inferior result.
Informações adicionais: Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2020.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.