Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Ensina, Leandro Augusto
Orientador(a): Oliveira, Luiz Eduardo Soares de, 1971-
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Inteligência artificial
Energia elétrica - Controle de qualidade
Ciência da Computação
Link de acesso: https://hdl.handle.net/1884/88196
Resumo: Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira
id UFPR_d616da97f97c17a2cb3ba5f32a7750b8
oai_identifier_str oai:acervodigital.ufpr.br:1884/88196
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str
spelling Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaOliveira, Luiz Eduardo Soares de, 1971-Ensina, Leandro Augusto2024-05-22T19:20:06Z2024-05-22T19:20:06Z2024https://hdl.handle.net/1884/88196Orientador: Prof. Dr. Luiz Eduardo Soares de OliveiraTese (doutorado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa : Curitiba, 19/02/2024Inclui referênciasÁrea de concentração: Ciência da ComputaçãoResumo: As linhas de transmissão são elementos cruciais do sistema elétrico de potência, transportando a energia gerada nas usinas até subestações próximas aos centros consumidores. Para isso, essas linhas percorrem longas distâncias e, consequentemente, estão suscetíveis a diversos tipos de perturbações que afetam o seu estado normal de operação, como a incidência de descargas atmosféricas e queimadas sob as linhas. Tais perturbações são conhecidas como faltas, as quais ocorrem de modo imprevisível em qualquer ponto da linha de transmissão, resultando em fluxos anormais nas grandezas elétricas nos componentes do sistema de potência. Os efeitos de uma falha são preocupantes, uma vez que podem acarretar na interrupção do fornecimento de energia elétrica e em danos aos equipamentos e componentes envolvidos na transmissão. Frente a isso, a análise de faltas torna-se indispensável, com destaque para duas tarefas: a classificação do tipo da falta e a sua localização. Portanto, este trabalho tem como objetivo propor e avaliar um método para classificar e localizar faltas em linhas aéreas de transmissão a partir de algoritmos de aprendizado de máquina, buscando alcançar duas propriedades: flexibilidade de taxa de amostragem e generalização para linhas com diferentes configurações. Sobretudo, exploramos o uso de modelos múltiplos preditivos (ensemble) para a realização de ambas as tarefas devido a lacuna identificada sobre o tema. Especialmente para a tarefa de localização, propomos uma nova estrutura de seleção dinâmica de regressores, a qual visa selecionar apenas os modelos mais competentes individualmente para cada novo padrão de teste de modo a tornar as predições mais precisas e acuradas. Devido a indisponibilidade de bases públicas e a escassez de eventos reais de falhas, desenvolvemos e disponibilizamos publicamente dois novos conjuntos de dados com simulações diversificadas de faltas. Os resultados alcançados demonstram a versatilidade e a efetividade do nosso método de classificação para ambas as propriedades desejadas, validado inclusive a partir de eventos reais de falhas com acurácia em torno de 96%. Neste quesito, a engenharia de atributos que realizamos foi fundamental para que pudéssemos atingir nosso objetivo, além, claro, do emprego do algoritmo de Árvores Extremamente Aleatórias usado para classificar o tipo de falta. Por sua vez, o método de localização também demonstrou desempenhos satisfatórios especialmente para a flexibilidade perante diferentes taxas de amostragem, apesar da leve vantagem para as maiores frequências. Todavia, não foi possível alcançar a propriedade da generalização para a localização. A provável razão dessa inaptidão está associada as diferentes assinaturas de falhas entre as linhas por conta de suas extensões distintas, mesmo que parâmetros como resistência e tipo de falta sejam semelhantes. Apesar disso, a estrutura de seleção dinâmica que propomos manifestou desempenhos estatisticamente superiores frente a outras abordagens.Abstract: The transmission lines are crucial elements of the electric power system, transporting the energy generated in the power plants to substations near the customers. As a result, these lines travel long distances and, consequently, are exposed to several kinds of disturbances that affect their normal operating state, such as the incidence of atmospheric discharges and fire under the lines. Such disturbances are known as faults, which can occur unpredictably at any point of the transmission line, resulting in abnormal flows in the electrical properties of the power system components. The effects of a failure are a considerable concern once they can lead to interruption of electricity supply and damage to equipment and components involved in the power transmission. So, fault analysis becomes a fundamental activity for the protection system, emphasizing two tasks: fault type classification and fault location. Therefore, this work aims to propose and evaluate a method to classify and locate faults in transmission lines by using machine learning algorithms, considering the following properties: flexibility of sampling rate and generalization capacity to transmission lines with different configurations. Above all, we explored the use of ensemble models to carry out both tasks due to the gap identified on the topic. Especially for the localization task, we propose a new dynamic regressor selection framework, which aims to select only the most competent models individually for each new test pattern in order to achieve more precise and accurate predictions. Due to the unavailability of public databases and the scarcity of real fault events, we developed and made two new datasets with diverse fault simulations publicly available to the scientific community. The results demonstrated the versatility and effectiveness of our classification method for both desired properties, validated even based on real failure events with an accuracy of around 96%. In this scenario, the feature engineering that we carried out, in addition to using the Extremely Randomized Trees algorithm to classify the fault type, was fundamental to achieving our objective. In turn, the localization method also demonstrated satisfactory performances, especially for flexibility with different sampling rates, despite the slight advantage for higher frequencies. However, it was not possible to achieve the generalization property for localization. The probable reason for this inability is the different fault signatures between the lines due to their different lengths, even if parameters such as resistance and fault type are the same. Nonetheless, the proposed dynamic selection structure demonstrated statistically superior performance compared to other approaches.1 recurso online : PDF.application/pdfInteligência artificialEnergia elétrica - Controle de qualidadeCiência da ComputaçãoFramework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - T - LEANDRO AUGUSTO ENSINA.pdfapplication/pdf3067703https://acervodigital.ufpr.br/bitstream/1884/88196/1/R%20-%20T%20-%20LEANDRO%20AUGUSTO%20ENSINA.pdf7c1ed7baf140154685f3392e44117b2dMD51open access1884/881962024-05-22 16:20:06.398open accessoai:acervodigital.ufpr.br:1884/88196Repositório InstitucionalPUBhttp://acervodigital.ufpr.br/oai/requestinformacaodigital@ufpr.bropendoar:3082024-05-22T19:20:06Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
title Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
spellingShingle Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
Ensina, Leandro Augusto
Inteligência artificial
Energia elétrica - Controle de qualidade
Ciência da Computação
title_short Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
title_full Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
title_fullStr Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
title_full_unstemmed Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
title_sort Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
author Ensina, Leandro Augusto
author_facet Ensina, Leandro Augusto
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.advisor1.fl_str_mv Oliveira, Luiz Eduardo Soares de, 1971-
dc.contributor.author.fl_str_mv Ensina, Leandro Augusto
contributor_str_mv Oliveira, Luiz Eduardo Soares de, 1971-
dc.subject.por.fl_str_mv Inteligência artificial
Energia elétrica - Controle de qualidade
Ciência da Computação
topic Inteligência artificial
Energia elétrica - Controle de qualidade
Ciência da Computação
description Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-05-22T19:20:06Z
dc.date.available.fl_str_mv 2024-05-22T19:20:06Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1884/88196
url https://hdl.handle.net/1884/88196
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 1 recurso online : PDF.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/88196/1/R%20-%20T%20-%20LEANDRO%20AUGUSTO%20ENSINA.pdf
bitstream.checksum.fl_str_mv 7c1ed7baf140154685f3392e44117b2d
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv informacaodigital@ufpr.br
_version_ 1847526186804051968

Registros relacionados