Notícias

Banca de DEFESA: JOSÉ CARLOS CORREIA LIMA DA SILVA FILHO

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JOSÉ CARLOS CORREIA LIMA DA SILVA FILHO
DATA: 09/04/2019
HORA: 09:00
LOCAL: Sala de Video Conferência - NCAD
TÍTULO: Método para Localização da Fonte de Afundamento de Tensão por Algoritmo de Clusterização e Rotulação por Regra de Decisão
PALAVRAS-CHAVES: Palavras-chave: Afundamento de Tensão, Algoritmo de Clusterização, Localização de Afundamento de Tensão, Qualidade de Energia Elétrica, Smart Grids
PÁGINAS: 82
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

O distúrbio de afundamento de tensão corresponde a uma redução entre 0,9 e 0,1 p.u. do valor eficaz da tensão nominal por um curto período de tempo e são causados principalmente por curto-circuito no sistema de energia. Tais distúrbios, destacam-se como sendo a alteração da forma de onda que mais se manifesta nas redes elétricas, sendo que sua ocorrência ocasiona danos aos consumidores. Desta forma, apontar o local no sistema de distribuição de energia que está conectada a fonte causadora do distúrbio de afundamento de tensão é o primeiro passo para corrigir o problema. No entanto, esta tarefa não é trivial, uma vez que os afundamentos de tensão ocorrem em um curto intervalo de tempo e se propagam ao longo de todo sistema. Este trabalho tem como objetivo principal apresentar uma metodologia baseada em algoritmo de clusterização combinada com regra de decisão para apontar a região (cluster) de origem do afundamento de tensão. O algoritmo de clusterização é responsável por analisar os dados do sinal de tensão advindos de diferentes pontos de medição e separar esses dados em grupos, onde um deles agrega os locais próximos da região de ocorrência do distúrbio. Para tanto, foram avaliados sobre diferentes contextos a performance de 5 (cinco) algoritmos de clusterização, são eles: K-Means Clustering, Gaussian  Mixture Models (GMM) , Density Based Spatial Clustering of Applications with Noise (DBSCAN), Fuzzy C-means (FCM) e Agglomerative Hierarchical Clustering. Em seguida o algoritmo Partial Decision Trees (PART) é responsável por definir o conjunto de regra de decisão que irão confrontar as características de cada clusters e rotular qual grupo (cluster) agrega o local de origem do distúrbio. A metodologia proposta foi validada por meio de simulações de curto-circuito trifásico no Sistema IEEE 34 barras. Os resultados mostram que a abordagem proposta neste trabalho é promissora para ser empregada em smart grids, uma vez que apresentou resultados satisfatórios, apresentando em alguns cenários uma taxa de acerto maior que 90%. Portanto, a metodologia pode apoiar a decisão do corpo técnico para que ações corretivas venham a ser estabelecidas de forma assertiva.

 


MEMBROS DA BANCA:
Externo à Instituição - DANIEL BARBOSA - UFBA
Externo ao Programa - 000.785.383-19 - FABBIO ANDERSON SILVA BORGES - UFPI
Presidente - 1177449 - IVAN SARAIVA SILVA
Interno - 1732950 - JOSE VALDEMIR DOS REIS JUNIOR
Interno - 2061294 - RICARDO DE ANDRADE LIRA RABELO
Notícia cadastrada em: 14/03/2019 10:28
SIGAA | Superintendência de Tecnologia da Informação - STI/UFPI - (86) 3215-1124 | © UFRN | sigjb05.ufpi.br.instancia1 19/09/2019 03:49