The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | eng |
Instituição de defesa: |
Universidade Federal de Itajubá
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
|
Departamento: |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.unifei.edu.br/jspui/handle/123456789/2327 |
Resumo: | Qualidade de Energia não é uma temática nova, porém de forma alguma deve ser negligenciada, pois seus parâmetros de performance indicam problemas na adequação entre o equipamento do consumidor e a rede elétrica. Com as transformações em andamento nos sistemas elétricos de potência, caracterizados pela alta penetração de fontes renováveis de energia, inserção massiva de componentes baseados em eletrônica de potência na rede e descentralização da geração, essas questões se tornam cada vez mais importantes. Nas Redes Inteligentes, busca-se soluções cada vez mais avançadas para solucionar questões dos distúrbios da Qualidade de Energia. Dentro desse contexto, o processamento avançado de sinais possui um papel importante para tratar as medições da rede e apoiar diversas aplicações. A Inteligência Artificial, tem ganhado grande destaque dar suporte para aplicações com soluções inovadoras em diversas áreas. Esta pesquisa tem como objetivo investigar o uso de processamento avançado de sinais e técnicas de Aprendizagem Profundo ("Deep Learning") para reconhecimento de padrões e classificação de sinais com distúrbios da Qualidade de Energia. Para este propósito, a Transformada Wavelet Contínua com um banco de filtros é usada para gerar imagens 2-D no domínio do tempo-frequência a partir de sinais com distúrbios de tensão. O trabalho visa utilizar Redes Neurais Convolucionais para classificar essas imagens de acordo com a respectiva distorção. Nesta implementação de Inteligência Artificial, etapas específicas de projeto, treinamento, validação e teste serão realizadas para um modelo elaborado pelo autor e também utilizando a técnica de transferência de conhecimento com as redes pré-treinadas SqueezeNet, GoogleNet, e ResNet-50. O trabalho foi desenvolvido no software MATLAB/Simulink, todas as etapas de processamento do sinal, projeto de modelos de classificação, simulação e geração dos dados investigados. Todas as etapas tiveram seus objetivos específicos cumpridos, culminando na boa execução e desenvolvimento da pesquisa. Os resultados obtidos mostraram alta precisão para "CNN de Scratch" e ResNet-50 em classificar o conjunto de testes. Os outros dois modelos obtiveram acurácias não tão altas, e os resultados se mostram consistentes ao comparar com outras metodologias. Considerações sobre os resultados foram apontadas. Por fim, algumas conclusões foram estabelecidas, assim como uma reflexão filosófica sobre o papel dos tópicos abordados para os sistemas elétricos de potência. |
id |
UFEI_cb1b3202e9991fdca580ff1de6647f7d |
---|---|
oai_identifier_str |
oai:repositorio.unifei.edu.br:123456789/2327 |
network_acronym_str |
UFEI |
network_name_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
repository_id_str |
|
spelling |
2020-12-042021-03-122021-03-14T16:09:19Z2021-03-14T16:09:19Zhttps://repositorio.unifei.edu.br/jspui/handle/123456789/2327Qualidade de Energia não é uma temática nova, porém de forma alguma deve ser negligenciada, pois seus parâmetros de performance indicam problemas na adequação entre o equipamento do consumidor e a rede elétrica. Com as transformações em andamento nos sistemas elétricos de potência, caracterizados pela alta penetração de fontes renováveis de energia, inserção massiva de componentes baseados em eletrônica de potência na rede e descentralização da geração, essas questões se tornam cada vez mais importantes. Nas Redes Inteligentes, busca-se soluções cada vez mais avançadas para solucionar questões dos distúrbios da Qualidade de Energia. Dentro desse contexto, o processamento avançado de sinais possui um papel importante para tratar as medições da rede e apoiar diversas aplicações. A Inteligência Artificial, tem ganhado grande destaque dar suporte para aplicações com soluções inovadoras em diversas áreas. Esta pesquisa tem como objetivo investigar o uso de processamento avançado de sinais e técnicas de Aprendizagem Profundo ("Deep Learning") para reconhecimento de padrões e classificação de sinais com distúrbios da Qualidade de Energia. Para este propósito, a Transformada Wavelet Contínua com um banco de filtros é usada para gerar imagens 2-D no domínio do tempo-frequência a partir de sinais com distúrbios de tensão. O trabalho visa utilizar Redes Neurais Convolucionais para classificar essas imagens de acordo com a respectiva distorção. Nesta implementação de Inteligência Artificial, etapas específicas de projeto, treinamento, validação e teste serão realizadas para um modelo elaborado pelo autor e também utilizando a técnica de transferência de conhecimento com as redes pré-treinadas SqueezeNet, GoogleNet, e ResNet-50. O trabalho foi desenvolvido no software MATLAB/Simulink, todas as etapas de processamento do sinal, projeto de modelos de classificação, simulação e geração dos dados investigados. Todas as etapas tiveram seus objetivos específicos cumpridos, culminando na boa execução e desenvolvimento da pesquisa. Os resultados obtidos mostraram alta precisão para "CNN de Scratch" e ResNet-50 em classificar o conjunto de testes. Os outros dois modelos obtiveram acurácias não tão altas, e os resultados se mostram consistentes ao comparar com outras metodologias. Considerações sobre os resultados foram apontadas. Por fim, algumas conclusões foram estabelecidas, assim como uma reflexão filosófica sobre o papel dos tópicos abordados para os sistemas elétricos de potência.Power quality (PQ) is not a new theme, but it should not be neglected in any way, as its performance parameters will reveal problems in the adequacy between the consumer equipment and the electrical grid. With the ongoing transformations in electrical power systems, characterized by the high penetration of renewable energy sources, the massive insertion of components based on power electronics in the network, and the decentralization of generation, these issues are becoming increasingly important. In Smart Grids, solutions are sought for more advanced solutions to solve PQ disturbances problems. Advanced signal processing plays an essential role in dealing with the network and supporting various applications within this context and Artificial Intelligence (AI), which has gained significant prominence to feed applications with innovative solutions in several areas. This research investigates the use of advanced signal processing and Deep Learning techniques for pattern recognition and classification of signals with PQ disorders. For this purpose, the Continuous Wavelet Transform with a filter bank is used to generate 2-D images with the time-frequency representation from signals with voltage disturbances. The work aims to use Convolutional Neural Networks (CNN) to classify this data according to the images’ distortion. In this implementation of AI, specific stages of design, training, validation, and testing were carried out for a model elaborated by the case file and a knowledge transfer technique with the pre-trained networks SqueezeNet, GoogleNet, and ResNet-50. The work was developed in the MATLAB/Simulink software, all signal processing stages, CNN design, simulation, and the investigated data generation. All steps have their objectives fulfilled, culminating in the excellent execution and development of the research. The results sought high precision for CNN de Scratch and ResNet-50 in classify the test set. The other two models obtained not-so-high accuracy, and the results are consistent when compared with different methodologies. Considerations about the results were pointed out. Finally, some conclusions were established and a philosophical reflection on the role of AI and advanced signal processing in electrical power systems.Agência 1engUniversidade Federal de ItajubáPrograma de Pós-Graduação: Mestrado - Engenharia ElétricaUNIFEIBrasilIESTI - Instituto de Engenharia de Sistemas e Tecnologia da InformaçãoCNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICAQualidade de energiaProcessamento avançado de sinaisInteligência artificialAprendizado profundoRedes neurais concolucionaisRedes inteligentesThe use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid applicationinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisFULY, Benedito Isaías Limahttp://lattes.cnpq.br/7147889968100804RIBEIRO, Paulo Fernandohttp://lattes.cnpq.br/6855722781714382SALLES, Rafael de SouzaSALLES, Rafael de Souza. The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application. 2020. 85 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2020.info:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNIFEI (RIUNIFEI)instname:Universidade Federal de Itajubá (UNIFEI)instacron:UNIFEILICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2327/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52ORIGINALDissertação_2021053.pdfDissertação_2021053.pdfapplication/pdf20461663https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2327/1/Disserta%c3%a7%c3%a3o_2021053.pdfc5b393c46418119fb10e1ce53e2a9f89MD51123456789/23272021-03-15 10:46:24.569oai:repositorio.unifei.edu.br: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Repositório InstitucionalPUBhttps://repositorio.unifei.edu.br/oai/requestrepositorio@unifei.edu.br || geraldocarlos@unifei.edu.bropendoar:70442021-03-15T13:46:24Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI)false |
dc.title.pt_BR.fl_str_mv |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
title |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
spellingShingle |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application SALLES, Rafael de Souza CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA Qualidade de energia Processamento avançado de sinais Inteligência artificial Aprendizado profundo Redes neurais concolucionais Redes inteligentes |
title_short |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
title_full |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
title_fullStr |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
title_full_unstemmed |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
title_sort |
The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application |
author |
SALLES, Rafael de Souza |
author_facet |
SALLES, Rafael de Souza |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
FULY, Benedito Isaías Lima |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/7147889968100804 |
dc.contributor.advisor-co1.fl_str_mv |
RIBEIRO, Paulo Fernando |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/6855722781714382 |
dc.contributor.author.fl_str_mv |
SALLES, Rafael de Souza |
contributor_str_mv |
FULY, Benedito Isaías Lima RIBEIRO, Paulo Fernando |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA Qualidade de energia Processamento avançado de sinais Inteligência artificial Aprendizado profundo Redes neurais concolucionais Redes inteligentes |
dc.subject.por.fl_str_mv |
Qualidade de energia Processamento avançado de sinais Inteligência artificial Aprendizado profundo Redes neurais concolucionais Redes inteligentes |
description |
Qualidade de Energia não é uma temática nova, porém de forma alguma deve ser negligenciada, pois seus parâmetros de performance indicam problemas na adequação entre o equipamento do consumidor e a rede elétrica. Com as transformações em andamento nos sistemas elétricos de potência, caracterizados pela alta penetração de fontes renováveis de energia, inserção massiva de componentes baseados em eletrônica de potência na rede e descentralização da geração, essas questões se tornam cada vez mais importantes. Nas Redes Inteligentes, busca-se soluções cada vez mais avançadas para solucionar questões dos distúrbios da Qualidade de Energia. Dentro desse contexto, o processamento avançado de sinais possui um papel importante para tratar as medições da rede e apoiar diversas aplicações. A Inteligência Artificial, tem ganhado grande destaque dar suporte para aplicações com soluções inovadoras em diversas áreas. Esta pesquisa tem como objetivo investigar o uso de processamento avançado de sinais e técnicas de Aprendizagem Profundo ("Deep Learning") para reconhecimento de padrões e classificação de sinais com distúrbios da Qualidade de Energia. Para este propósito, a Transformada Wavelet Contínua com um banco de filtros é usada para gerar imagens 2-D no domínio do tempo-frequência a partir de sinais com distúrbios de tensão. O trabalho visa utilizar Redes Neurais Convolucionais para classificar essas imagens de acordo com a respectiva distorção. Nesta implementação de Inteligência Artificial, etapas específicas de projeto, treinamento, validação e teste serão realizadas para um modelo elaborado pelo autor e também utilizando a técnica de transferência de conhecimento com as redes pré-treinadas SqueezeNet, GoogleNet, e ResNet-50. O trabalho foi desenvolvido no software MATLAB/Simulink, todas as etapas de processamento do sinal, projeto de modelos de classificação, simulação e geração dos dados investigados. Todas as etapas tiveram seus objetivos específicos cumpridos, culminando na boa execução e desenvolvimento da pesquisa. Os resultados obtidos mostraram alta precisão para "CNN de Scratch" e ResNet-50 em classificar o conjunto de testes. Os outros dois modelos obtiveram acurácias não tão altas, e os resultados se mostram consistentes ao comparar com outras metodologias. Considerações sobre os resultados foram apontadas. Por fim, algumas conclusões foram estabelecidas, assim como uma reflexão filosófica sobre o papel dos tópicos abordados para os sistemas elétricos de potência. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-12-04 |
dc.date.available.fl_str_mv |
2021-03-12 2021-03-14T16:09:19Z |
dc.date.accessioned.fl_str_mv |
2021-03-14T16:09:19Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2327 |
url |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2327 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.references.pt_BR.fl_str_mv |
SALLES, Rafael de Souza. The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application. 2020. 85 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2020. |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UNIFEI |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
publisher.none.fl_str_mv |
Universidade Federal de Itajubá |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNIFEI (RIUNIFEI) instname:Universidade Federal de Itajubá (UNIFEI) instacron:UNIFEI |
instname_str |
Universidade Federal de Itajubá (UNIFEI) |
instacron_str |
UNIFEI |
institution |
UNIFEI |
reponame_str |
Repositório Institucional da UNIFEI (RIUNIFEI) |
collection |
Repositório Institucional da UNIFEI (RIUNIFEI) |
bitstream.url.fl_str_mv |
https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2327/2/license.txt https://repositorio.unifei.edu.br/jspui/bitstream/123456789/2327/1/Disserta%c3%a7%c3%a3o_2021053.pdf |
bitstream.checksum.fl_str_mv |
8a4605be74aa9ea9d79846c1fba20a33 c5b393c46418119fb10e1ce53e2a9f89 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UNIFEI (RIUNIFEI) - Universidade Federal de Itajubá (UNIFEI) |
repository.mail.fl_str_mv |
repositorio@unifei.edu.br || geraldocarlos@unifei.edu.br |
_version_ |
1797312005322833920 |