Notícias

Banca de DEFESA: WILSON LEAL RODRIGUES JUNIOR

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: WILSON LEAL RODRIGUES JUNIOR
DATA: 12/03/2020
HORA: 08:00
LOCAL: Sala de Vídeoconferência PPGCC
TÍTULO: Uma Abordagem Baseada em Aprendizagem Profunda para a Detecção e Classificação de Distúrbios de Qualidade de Energia com Sinais Janelados
PALAVRAS-CHAVES: Aprendizagem Profunda, Long Short-Term Memory, Qualidade de Energia Elétrica, Redes Neurais Convolucionais
PÁGINAS: 50
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
RESUMO:

O desenvolvimento do sistema elétrico com a integração de geração distribuída e microgrids, aumento  no uso de cargas não lineares e sensíveis por parte dos consumidores tem causado problemas à Qualidade de Energia Elétrica (QEE). Os estudos de QEE são comumente relacionados com distúrbios que alteram a característica senoidal da forma de onda de tensão e/ou corrente. O primeiro passo para analisar a QEE é detectar e posteriormente classificar os distúrbios, pois por meio da identificação do distúrbio é possivel conhecer suas causas e deliberar estratégias para mitigá-lo. As abordagens de detecção e classificação de distúrbios de QEE encontradas na literatura consistem principalmente em três etapas: 1) análise de sinais e extração de características, 2) seleção de características e 3) classificação dos distúrbios. No entanto, existem alguns problemas inerentes à essa abordagem. A extração de características é um processo impreciso e complexo e a seleção dessas características é um processo demorado que requer tempo e experiência. Essas duas etapas são críticas para a detecção e classificação de distúrbios,  pois influenciam diretamente no desempenho do classificador, visto que as características extraídas e selecionadas nem sempre são propícias para diferenciar os distúrbios.  Portanto, este trabalho propõe uma abordagem baseada em aprendizagem profunda utilizando os dados brutos, sem realizar pré-processamento, extração ou seleção manual das características dos sinais de tensão. A abordagem proposta é composta por camadas convolucionais, uma camada de pooling, uma camada LSTM e normalização em lote para extrair e selecionar características automaticamente. Adotou-se uma convolução 1-D para adaptar com o tipo de dado dos sinais de tensão. As características extraídas são usadas como entrada para camadas totalmente conectadas, sendo a última uma camada SoftMax. A abordagem proposta foi avaliada quanto a acurácia, precisão, recall e F1-Score apresentado pelo classificador e obteve um desempenho satisfatório mesmo diante de dados sobrepostos de ruídos e com baixa taxa de amostragem.




MEMBROS DA BANCA:
Presidente - 2061294 - RICARDO DE ANDRADE LIRA RABELO
Interno - 1579396 - RODRIGO DE MELO SOUZA VERAS
Externo ao Programa - 000.785.383-19 - FABBIO ANDERSON SILVA BORGES - UFPI
Externo ao Programa - 1615907 - FABIO ROCHA BARBOSA
Externo à Instituição - ROGÉRIO ANDRADE FLAUZINO - UCSP
Notícia cadastrada em: 02/03/2020 19:39
SIGAA | Superintendência de Tecnologia da Informação - STI/UFPI - (86) 3215-1124 | © UFRN | sigjb05.ufpi.br.instancia1 08/12/2024 10:16