Detecção, segmentação e classificação de afundamentos de tensão em sistemas elétricos de potência
Com o avanço da tecnologia e aumento no uso de equipamentos eletrônicos, principalmente os da eletrônica de potência, e com a inserção da geração distribuída no sistema elétrico, a qualidade da energia elétrica tem se tornado um fator preocupante tanto para os consumidores quanto para as concessioná...
| Author: | |
|---|---|
| Format: | master thesis |
| Status: | Published version |
| Publication Date: | 2018 |
| Country: | Brasil |
| Institution: | Universidade Federal de Lavras (UFLA) |
| Repository: | Repositório Institucional da UFLA |
| Language: | Portuguese |
| OAI Identifier: | oai:repositorio.ufla.br:1/28529 |
| Online Access: | https://repositorio.ufla.br/handle/1/28529 |
| Access Level: | Open access |
| Keyword: | Engenharia Elétrica Energia elétrica - Qualidade Afundamentos de tensão - Detecção e segmentação Afundamentos de tensão - Classificação Sistema elétrico - Geração distribuída Power quality Voltage sag classification Voltage sag segmentation Distributed generation |
| Summary: | Com o avanço da tecnologia e aumento no uso de equipamentos eletrônicos, principalmente os da eletrônica de potência, e com a inserção da geração distribuída no sistema elétrico, a qualidade da energia elétrica tem se tornado um fator preocupante tanto para os consumidores quanto para as concessionárias de energia. Dessa forma, pesquisas nessa área visando desenvolver novos métodos de detecção, classificação e mitigação de distúrbios causadores de má qualidade de energia elétrica têm se tornado cada vez mais frequentes e importantes no meio científico. De acordo com este cenário, esse trabalho propõe uma abordagem inovadora para detecção, segmentação e classificação de afundamentos de tensão de acordo com suas causas. Para detectar e segmentar é utilizado a técnica Análise de Componente Independentes, com a vantagem de ser rápida e de baixa complexidade computacional na fase de operação, necessitando de somente 1/8 de ciclo do sinal de tensão e fornecendo respostas em tempo real. Para a classificação foram utilizadas as Estatísticas de Ordem Superior para extrair características relevantes dos sinais monitorados e Redes Neurais e Máquinas de Vetor de Suporte para projetar os classificadores. Foram testadas janelas de 1, 1/2, 1/4 e 1/8 de ciclo da componente fundamental, sendo que os melhores resultados foram alcançados com 1/2 ciclo e com o classificador baseado em Redes Neurais. Tanto para o projeto da detecção/segmentação, quanto para a seleção das características foi utilizada a metaheurística Teaching-Learning-Based Optimization. Foram alcançados bons resultados com dados simulados para as três tarefas, sendo que para detecção e segmentação também foram avaliados dados reais. Com dados reais, o método obteve bons resultados de detecção, com 0,86% de erro para o banco de dados utilizado. |
|---|