Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Federal de Juiz de Fora (UFJF)
|
Programa de Pós-Graduação: |
Programa de Pós-graduação em Engenharia Elétrica
|
Departamento: |
Faculdade de Engenharia
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | https://repositorio.ufjf.br/jspui/handle/ufjf/11551 |
Resumo: | Neste trabalho são desenvolvidos métodos de detecção e identificação de defeitos em sistemas de distribuição radiais utilizando redes neurais artificiais. Vários tipos de defeitos monofásicos foram estudados, tais como: defeitos de contato com alta impedância, defeitos de abertura de condutores e defeitos simultâneos. Primeiramente, cada um desses tipos de defeitos foi analisado separadamente em um sistema teste. O objetivo foi determinar as melhores formas para detectá-los. As simulações computacionais foram realizadas com a comunicação entre o Matlab e o OpenDSS e foram divididas em duas categorias. A primeira categoria utiliza informações de correntes oriundas de medidores alocados no sistema como dados de entrada das redes neurais para detecção e identificação de cada um dos tipos de defeitos tratados neste trabalho. Nas simulações dessa categoria, o objetivo principal foi analisar o impacto do número de medidores e do tipo de medição nos resultados das redes neurais. Quando mais de um medidor foi alocado, realizou-se a divisão do sistema em áreas de detecção. Essa divisão pode apresentar um maior custo de implantação e até de processamento computacional, porém facilita no processo de localização do defeito, já que diminui a área de busca, ou seja, a área onde o defeito pode ter ocorrido. A segunda categoria das simulações computacionais utiliza informações de tensões nas barras terminais como dados de entrada de redes neurais para detecção de defeitos de abertura ou simultâneos em áreas predefinidas. A detecção dos defeitos ocorreu separadamente para cada fase do sistema, isto é, cada rede neural criada detectava defeitos em uma determinada área de uma determinada fase do sistema utilizado. Os resultados computacionais de ambas as categorias foram bons, mostrando a robustez das estruturas de redes neurais desenvolvidas. Neste trabalho também foram realizadas simulações em tempo real para testes mais realistas das redes neurais. Para isso, utilizou-se o dispositivo dSPACE para modelagem das redes neurais e o RTDS para simulação do sistema de distribuição. Os resultados obtidos também foram bons, confirmando a robustez e mostrando a aplicação prática da técnica empregada |
id |
UFJF_a49f79954b4e7cab96fe26e07f6df6c1 |
---|---|
oai_identifier_str |
oai:hermes.cpd.ufjf.br:ufjf/11551 |
network_acronym_str |
UFJF |
network_name_str |
Repositório Institucional da UFJF |
repository_id_str |
|
spelling |
Araujo, Débora Rosana Ribeiro Penidohttp://lattes.cnpq.br/9225532686125475Araujo, Leandro Ramos dehttp://lattes.cnpq.br/5968839321163534Melo, Igor Delgado dehttp://lattes.cnpq.br/9811563971757515Duque, Felipe Gomeshttp://lattes.cnpq.br/6439389607675461http://lattes.cnpq.br/3616419898121708Nascimento, Kelvin Bryan do2020-06-18T14:31:43Z2020-06-182020-06-18T14:31:43Z2020-02-19https://repositorio.ufjf.br/jspui/handle/ufjf/11551Neste trabalho são desenvolvidos métodos de detecção e identificação de defeitos em sistemas de distribuição radiais utilizando redes neurais artificiais. Vários tipos de defeitos monofásicos foram estudados, tais como: defeitos de contato com alta impedância, defeitos de abertura de condutores e defeitos simultâneos. Primeiramente, cada um desses tipos de defeitos foi analisado separadamente em um sistema teste. O objetivo foi determinar as melhores formas para detectá-los. As simulações computacionais foram realizadas com a comunicação entre o Matlab e o OpenDSS e foram divididas em duas categorias. A primeira categoria utiliza informações de correntes oriundas de medidores alocados no sistema como dados de entrada das redes neurais para detecção e identificação de cada um dos tipos de defeitos tratados neste trabalho. Nas simulações dessa categoria, o objetivo principal foi analisar o impacto do número de medidores e do tipo de medição nos resultados das redes neurais. Quando mais de um medidor foi alocado, realizou-se a divisão do sistema em áreas de detecção. Essa divisão pode apresentar um maior custo de implantação e até de processamento computacional, porém facilita no processo de localização do defeito, já que diminui a área de busca, ou seja, a área onde o defeito pode ter ocorrido. A segunda categoria das simulações computacionais utiliza informações de tensões nas barras terminais como dados de entrada de redes neurais para detecção de defeitos de abertura ou simultâneos em áreas predefinidas. A detecção dos defeitos ocorreu separadamente para cada fase do sistema, isto é, cada rede neural criada detectava defeitos em uma determinada área de uma determinada fase do sistema utilizado. Os resultados computacionais de ambas as categorias foram bons, mostrando a robustez das estruturas de redes neurais desenvolvidas. Neste trabalho também foram realizadas simulações em tempo real para testes mais realistas das redes neurais. Para isso, utilizou-se o dispositivo dSPACE para modelagem das redes neurais e o RTDS para simulação do sistema de distribuição. Os resultados obtidos também foram bons, confirmando a robustez e mostrando a aplicação prática da técnica empregadaIn this work methods to detect and identify defects in radial distribution systems are developed using artificial neural networks. Several types of single-fase defects were studied, such as: high impedance defects, open-conductor defects and simultaneous defects. First of all, each of these types of defects were analysed separately in a trial system The objective was to determine the best ways to detect them. Computational simulations were carried out with the communication between Matlab and OpenDSS and they were divided into two categories. The first category uses currents information from meters allocated in the system as input data for neural networks to detect and identify each one of the types of defects treated in this work. In simulations of this category, the main objective was to analyze the impact of the number of meters and the type of measurement on the neural networks results. When more than one meter was allocated, the system was divided into detection areas. This division may have a higher cost of implementation and even computational processing, but it facilitates the process of defects location because it reduces the search area, in other words, the area where the defect may have occurred. The second category of computer simulations uses voltage information of terminal buses as input data for neural networks for detection of opening or simultaneous defects in predefined areas. The detection of defects occurred separately for each phase of the system, that is, each neural network created detected defects in a certain area of a given phase of the system. The computational results of both categories were good, showing the robustness of the structures of neural networks developed. In this work, real-time simulations were also carried out to more realistc tests of the neural networks. For this, dSPACE device was used to model neural networks and the RTDS was used to simulate the distribution system. The results obtained were also good, showing the pratical application and the robustness of the employed technique.porUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Engenharia ElétricaUFJFBrasilFaculdade de EngenhariaAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::ENGENHARIAS::ENGENHARIA ELETRICAFaltas de alta impedância.Defeitos de abertura de condutoresDefeitos simultâneosSistemas de distribuição de energiaRedes neurais artificiaisSimulações em tempo realHigh impedance faultsOpen conductor defectsEnergy distribution systemsReal time simulationsArtificial neural networksAplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuiçãoinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFORIGINALkelvinbryandonascimento.pdfkelvinbryandonascimento.pdfPDF/Aapplication/pdf2853954https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/1/kelvinbryandonascimento.pdf5661c67ea3225ddc3cf567ce17393768MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53TEXTkelvinbryandonascimento.pdf.txtkelvinbryandonascimento.pdf.txtExtracted texttext/plain206290https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/4/kelvinbryandonascimento.pdf.txt09fc0a01b260a95b9bc392eb8a36e568MD54THUMBNAILkelvinbryandonascimento.pdf.jpgkelvinbryandonascimento.pdf.jpgGenerated Thumbnailimage/jpeg1223https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/5/kelvinbryandonascimento.pdf.jpg545df20b356c531b3ff123ea4618d359MD55ufjf/115512020-06-19 03:08:33.13oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2020-06-19T06:08:33Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false |
dc.title.pt_BR.fl_str_mv |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
title |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
spellingShingle |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição Nascimento, Kelvin Bryan do CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Faltas de alta impedância. Defeitos de abertura de condutores Defeitos simultâneos Sistemas de distribuição de energia Redes neurais artificiais Simulações em tempo real High impedance faults Open conductor defects Energy distribution systems Real time simulations Artificial neural networks |
title_short |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
title_full |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
title_fullStr |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
title_full_unstemmed |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
title_sort |
Aplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuição |
author |
Nascimento, Kelvin Bryan do |
author_facet |
Nascimento, Kelvin Bryan do |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Araujo, Débora Rosana Ribeiro Penido |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/9225532686125475 |
dc.contributor.advisor-co1.fl_str_mv |
Araujo, Leandro Ramos de |
dc.contributor.advisor-co1Lattes.fl_str_mv |
http://lattes.cnpq.br/5968839321163534 |
dc.contributor.referee1.fl_str_mv |
Melo, Igor Delgado de |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/9811563971757515 |
dc.contributor.referee2.fl_str_mv |
Duque, Felipe Gomes |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/6439389607675461 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3616419898121708 |
dc.contributor.author.fl_str_mv |
Nascimento, Kelvin Bryan do |
contributor_str_mv |
Araujo, Débora Rosana Ribeiro Penido Araujo, Leandro Ramos de Melo, Igor Delgado de Duque, Felipe Gomes |
dc.subject.cnpq.fl_str_mv |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA |
topic |
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA Faltas de alta impedância. Defeitos de abertura de condutores Defeitos simultâneos Sistemas de distribuição de energia Redes neurais artificiais Simulações em tempo real High impedance faults Open conductor defects Energy distribution systems Real time simulations Artificial neural networks |
dc.subject.por.fl_str_mv |
Faltas de alta impedância. Defeitos de abertura de condutores Defeitos simultâneos Sistemas de distribuição de energia Redes neurais artificiais Simulações em tempo real High impedance faults Open conductor defects Energy distribution systems Real time simulations Artificial neural networks |
description |
Neste trabalho são desenvolvidos métodos de detecção e identificação de defeitos em sistemas de distribuição radiais utilizando redes neurais artificiais. Vários tipos de defeitos monofásicos foram estudados, tais como: defeitos de contato com alta impedância, defeitos de abertura de condutores e defeitos simultâneos. Primeiramente, cada um desses tipos de defeitos foi analisado separadamente em um sistema teste. O objetivo foi determinar as melhores formas para detectá-los. As simulações computacionais foram realizadas com a comunicação entre o Matlab e o OpenDSS e foram divididas em duas categorias. A primeira categoria utiliza informações de correntes oriundas de medidores alocados no sistema como dados de entrada das redes neurais para detecção e identificação de cada um dos tipos de defeitos tratados neste trabalho. Nas simulações dessa categoria, o objetivo principal foi analisar o impacto do número de medidores e do tipo de medição nos resultados das redes neurais. Quando mais de um medidor foi alocado, realizou-se a divisão do sistema em áreas de detecção. Essa divisão pode apresentar um maior custo de implantação e até de processamento computacional, porém facilita no processo de localização do defeito, já que diminui a área de busca, ou seja, a área onde o defeito pode ter ocorrido. A segunda categoria das simulações computacionais utiliza informações de tensões nas barras terminais como dados de entrada de redes neurais para detecção de defeitos de abertura ou simultâneos em áreas predefinidas. A detecção dos defeitos ocorreu separadamente para cada fase do sistema, isto é, cada rede neural criada detectava defeitos em uma determinada área de uma determinada fase do sistema utilizado. Os resultados computacionais de ambas as categorias foram bons, mostrando a robustez das estruturas de redes neurais desenvolvidas. Neste trabalho também foram realizadas simulações em tempo real para testes mais realistas das redes neurais. Para isso, utilizou-se o dispositivo dSPACE para modelagem das redes neurais e o RTDS para simulação do sistema de distribuição. Os resultados obtidos também foram bons, confirmando a robustez e mostrando a aplicação prática da técnica empregada |
publishDate |
2020 |
dc.date.accessioned.fl_str_mv |
2020-06-18T14:31:43Z |
dc.date.available.fl_str_mv |
2020-06-18 2020-06-18T14:31:43Z |
dc.date.issued.fl_str_mv |
2020-02-19 |
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.ufjf.br/jspui/handle/ufjf/11551 |
url |
https://repositorio.ufjf.br/jspui/handle/ufjf/11551 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivs 3.0 Brazil http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.publisher.program.fl_str_mv |
Programa de Pós-graduação em Engenharia Elétrica |
dc.publisher.initials.fl_str_mv |
UFJF |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Faculdade de Engenharia |
publisher.none.fl_str_mv |
Universidade Federal de Juiz de Fora (UFJF) |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFJF instname:Universidade Federal de Juiz de Fora (UFJF) instacron:UFJF |
instname_str |
Universidade Federal de Juiz de Fora (UFJF) |
instacron_str |
UFJF |
institution |
UFJF |
reponame_str |
Repositório Institucional da UFJF |
collection |
Repositório Institucional da UFJF |
bitstream.url.fl_str_mv |
https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/1/kelvinbryandonascimento.pdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/2/license_rdf https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/3/license.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/4/kelvinbryandonascimento.pdf.txt https://repositorio.ufjf.br/jspui/bitstream/ufjf/11551/5/kelvinbryandonascimento.pdf.jpg |
bitstream.checksum.fl_str_mv |
5661c67ea3225ddc3cf567ce17393768 e39d27027a6cc9cb039ad269a5db8e34 8a4605be74aa9ea9d79846c1fba20a33 09fc0a01b260a95b9bc392eb8a36e568 545df20b356c531b3ff123ea4618d359 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF) |
repository.mail.fl_str_mv |
|
_version_ |
1793962526256398336 |