Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Cormane Angarita, Jorge Andrés | - |
dc.contributor.author | Ferreira Filho, Antônio Aldísio de Sousa Alves | - |
dc.identifier.citation | 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. | pt_BR |
dc.description | Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2020. | pt_BR |
dc.description.abstract | 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. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Energia elétrica | pt_BR |
dc.subject.keyword | Estatística | pt_BR |
dc.subject.keyword | Redes neurais (Computação) | pt_BR |
dc.subject.keyword | Energia elétrica - qualidade | pt_BR |
dc.subject.keyword | Dados estatísticos | pt_BR |
dc.subject.keyword | Processamento de sinais | pt_BR |
dc.title | 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 | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2021-06-23T14:26:02Z | - |
dc.date.available | 2021-06-23T14:26:02Z | - |
dc.date.submitted | 2020-12-15 | - |
dc.identifier.uri | https://bdm.unb.br/handle/10483/27784 | - |
dc.language.iso | Português | pt_BR |
dc.rights.license | 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. | pt_BR |
dc.description.abstract1 | 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. | pt_BR |
Aparece na Coleção: | Engenharia Eletrônica
|