Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/2277
Tipo: | Dissertação |
Título: | A comparison of machine learning regression models for critical bus voltage and load mapping with regards to max reactive power in pv buses. |
Autor(es): | FACHINI, Fernando |
Primeiro Orientador: | FULY, Benedito Isaias Lima |
Resumo: | O objetivo desta dissertação de mestrado é comparar as capacidades de mapeamento de tensão e carregamento do sistema para uma variedade de algoritmos de regressão, como Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial Neural Networks (ANN), KNearest Neighbors (KNN), Support Vector Regression (SVR) e Decition Tree (DT). Uma matriz de sensibilidade à tensão é gerada a partir da matriz Jacobiana do fluxo de potência para um cenário de carregamento próximo ao ponto instável. A Análise de Componentes Principais (PCA) é usada para separar o sistema, próximo ao ponto crítico, a fim de agrupar os barramentos em áreas de controle de tensão coerentes. Para diferentes cenários de injeção de potência reativa, temos diferentes tensões de barramento que podem ser mapeadas pelos algoritmos de regressão mencionados acima. Os algoritmos são treinados com quantidades limitadas de dados, a fim de estabelecer uma comparação justa entre eles. O presente trabalho mostra que ANFIS e KNN têm um melhor desempenho em tensão crítica e previsão de carga quando comparados aos demais. Os sistemas de barramento acadêmico IEEE 14 e 118 são empregados com todos os seus limites considerados, portanto os resultados podem ser reproduzidos. |
Abstract: | The aim of this master thesis is to compare voltage and system loading mapping capabilities of a variety of regression algorithms, such as Adaptive Network based Fuzzy Inference System (ANFIS), Artificial Neural Networks (ANN), K-Nearest Neighbors (KNN), Support Vector Regression (SVR), and Decision Tree (DT). A voltage sensitivity matrix is generated from the power flow Jacobian matrix for a loading scenario near the unstable point. Principal Component Analysis (PCA) is used to separate the system, close to the critical point, in order to group the buses into coherent voltage controlling areas. For different reactive power injection scenarios, we have different bus voltages that can be mapped by the aforementioned regression algorithms. The algorithms are trained with limited amounts of data, in order to establish a fair comparison between them. The present work shows that ANFIS and KNN have a better performance in critical voltage and load prediction when compared to the rest. The academic IEEE 14 and 118 bus systems are employed with all its limits considered, so the results may be reproduced. |
Palavras-chave: | Algoritmos de regressão ANFIS KNN PCA Áreas de controle de tensão |
CNPq: | CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA::SISTEMAS ELÉTRICOS DE POTÊNCIA |
Idioma: | eng |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/2277 |
Data do documento: | 10-Dez-2020 |
Aparece nas coleções: | Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação_2021012.pdf | 1,19 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.