<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

UMA ABORDAGEM BASEADA EM COEFICIENTES DE FREQUÊNCIA MEL CEPSTRAIS E MODELOS DE APRENDIZADO DE MÁQUINA PARA LOCALIZAÇÃO DE FALTAS EM LINHA DE TRANSMISSÃO DE ALTA TENSÃO

dc.contributor.authorMARQUES, José de Anchieta Araújo
dc.date.accessioned2023-11-10T18:16:55Z
dc.date.available2023-11-10T18:16:55Z
dc.date.issued2023-11-10
dc.descriptionOrientador: Prof. Dr. Hermes Manoel Galvão C. Branco Prof. Dr. Ricardo de Andrade Lira Rabelo Examinador: Prof. Dr. Aryfrance Rocha Almeida Examinador: Prof. Dr. Vinicius Ponte Machadopt_BR
dc.description.abstractResumo Faltas nas Linhas de Transmissão (LTs) podem causar grandes prejuízos aos usuários e aos gestores de Sistemas Elétricos de Potência (SEP). Dessa forma, é de suma importância tornar o processo de localização de tais faltas cada vez mais eficiente, para que estas possam ser reparadas o mais rápido possível. No presente estudo, foram aplicados os Coeficientes de Frequência Mel Cepstrais (MFCC) como ferramenta de pré-processamento dos sinais de tensão coletados nos dois terminais da linha de transmissão durante a falta, além de um modelo de Aprendizado de Máquina (AM), responsável pela localização das faltas na prática. Foram testados diferentes modelos de AM, quais sejam: Rede Neural Artificial (RNA), Regressão de Vetores de Suporte (SVR) e Regressão de Vetores de Suporte com Mínimos Quadrados (LS-SVR), dentre os quais se percebeu que a RNA teve o melhor resultado geral, sendo capaz de processar todas as simulações. Utilizou-se uma linha de transmissão modelada com base em parâmetros de uma linha real. No MATLAB, vários cenários foram simulados com a RNA, que apresentou os melhores resultados iniciais, e o método proposto forneceu resultados com alta precisão na localização de faltas em ambientes não ruidosos, com Erro Médio Relativo (EMR) geral de 0,00004 % e Erro Médio Absoluto (EMA) geral de 0,13 m. Posteriormente, foram verificadas as influências do tipo de falta, das resistências de faltas, dos ângulos de faltas e das distâncias de faltas no método de localização, utilizando-se os resultados da melhor arquitetura da RNA. O método proposto demonstrou ainda ser capaz de realizar a detecção rápida e precisa de faltas, mesmo quando considerados percentuais pequenos da base de dados ou/e a partir da adição de várias relações sinais-ruídos aos sinais de tensão. Esses resultados apontam que o procedimento metodológico proposto é uma boa alternativa para localização de faltas em LT. Abstract Faults in transmission lines (TLs) may cause great loss to users and to managers of Electric Power Systems (EPS). Thus, it is important to make the process of locating these faults more efficient, in order to repair them as quickly as possible. In the present study, Mel Frequency Cepstral Coefficients (MFCC) were used as a tool for processing voltage signals collected on both of the trasmission line terminals during faults, in addition to an Machine Learning (AM) model, responsible for locating faults in practice. Different AM models were tested, namely: an Artificial Neural Network (ANN), a Support Vector Regression (SVR) and a Least Squares Support Vector Regression (LS-SVR), among which it was noticed that the ANN had the best overall result, being able to process all simulations. A modeled line based on parameters of a real line was used as well. Several scenarios were performed on MATLAB and the proposed method provided results with high precision in locating faults in enviroments without noise, with a Mean Relative Error (MRE) of 0.00004 % and a Mean Absolute Error (MAE) of 0.13 meters. Subsequently, the influences of fault’s types, of fault’s resistances, of fault’s angles and of fault’s distances in the location method were evaluated, through the results of the best ANN architecture. The proposed method was still able to detect the falts quickly and precisely, even with small percenteges of the data base and/or different signal to noise ratio. These results indicate that the proposed methodological procedure is a good alternative for fault location in LT.pt_BR
dc.identifier.urihttp://hdl.handle.net/123456789/3481
dc.language.isootherpt_BR
dc.subjectLocalização de faltapt_BR
dc.subjectEnergia elétrica - Linha de transmissãopt_BR
dc.subjectCoeficientes de Frequência Mel Cepstraispt_BR
dc.subjectRede Neural Artificialpt_BR
dc.subjectSistemas Elétricos de Potênciapt_BR
dc.subjectAprendizado de máquinapt_BR
dc.subjectFault locationpt_BR
dc.subjectTransmission linept_BR
dc.subjectMel Frequency Cepstral Coefficientspt_BR
dc.subjectArtificial Neural Networkpt_BR
dc.subjectSupport Vector Regressionpt_BR
dc.subjectElectric Power Systemspt_BR
dc.subjectMachine Learningpt_BR
dc.titleUMA ABORDAGEM BASEADA EM COEFICIENTES DE FREQUÊNCIA MEL CEPSTRAIS E MODELOS DE APRENDIZADO DE MÁQUINA PARA LOCALIZAÇÃO DE FALTAS EM LINHA DE TRANSMISSÃO DE ALTA TENSÃOpt_BR
dc.typePreprintpt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
09-DissertacaoMestrado_UFPI_AnchietaAraujo_v1_9_2.pdf
Tamanho:
4,6 MB
Formato:
Adobe Portable Document Format
Descrição:
Dissertação completa

Pacote de licença

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,71 KB
Formato:
Item-specific license agreed upon to submission
Descrição: