UNIFEI - Campus 1: Itajubá PPG - Programas de Pós Graduação Dissertações
Use este identificador para citar ou linkar para este item: https://repositorio.unifei.edu.br/jspui/handle/123456789/2327
Tipo: Dissertação
Título: The use of advanced signal processing and deep learning for pattern recognition in integrated metrics of quality performance: a smart grid application
Autor(es): SALLES, Rafael de Souza
Primeiro Orientador: FULY, Benedito Isaías Lima
metadata.dc.contributor.advisor-co1: RIBEIRO, Paulo Fernando
Resumo: Qualidade de Energia não é uma temática nova, porém de forma alguma deve ser negligenciada, pois seus parâmetros de performance indicam problemas na adequação entre o equipamento do consumidor e a rede elétrica. Com as transformações em andamento nos sistemas elétricos de potência, caracterizados pela alta penetração de fontes renováveis de energia, inserção massiva de componentes baseados em eletrônica de potência na rede e descentralização da geração, essas questões se tornam cada vez mais importantes. Nas Redes Inteligentes, busca-se soluções cada vez mais avançadas para solucionar questões dos distúrbios da Qualidade de Energia. Dentro desse contexto, o processamento avançado de sinais possui um papel importante para tratar as medições da rede e apoiar diversas aplicações. A Inteligência Artificial, tem ganhado grande destaque dar suporte para aplicações com soluções inovadoras em diversas áreas. Esta pesquisa tem como objetivo investigar o uso de processamento avançado de sinais e técnicas de Aprendizagem Profundo ("Deep Learning") para reconhecimento de padrões e classificação de sinais com distúrbios da Qualidade de Energia. Para este propósito, a Transformada Wavelet Contínua com um banco de filtros é usada para gerar imagens 2-D no domínio do tempo-frequência a partir de sinais com distúrbios de tensão. O trabalho visa utilizar Redes Neurais Convolucionais para classificar essas imagens de acordo com a respectiva distorção. Nesta implementação de Inteligência Artificial, etapas específicas de projeto, treinamento, validação e teste serão realizadas para um modelo elaborado pelo autor e também utilizando a técnica de transferência de conhecimento com as redes pré-treinadas SqueezeNet, GoogleNet, e ResNet-50. O trabalho foi desenvolvido no software MATLAB/Simulink, todas as etapas de processamento do sinal, projeto de modelos de classificação, simulação e geração dos dados investigados. Todas as etapas tiveram seus objetivos específicos cumpridos, culminando na boa execução e desenvolvimento da pesquisa. Os resultados obtidos mostraram alta precisão para "CNN de Scratch" e ResNet-50 em classificar o conjunto de testes. Os outros dois modelos obtiveram acurácias não tão altas, e os resultados se mostram consistentes ao comparar com outras metodologias. Considerações sobre os resultados foram apontadas. Por fim, algumas conclusões foram estabelecidas, assim como uma reflexão filosófica sobre o papel dos tópicos abordados para os sistemas elétricos de potência.
Abstract: Power quality (PQ) is not a new theme, but it should not be neglected in any way, as its performance parameters will reveal problems in the adequacy between the consumer equipment and the electrical grid. With the ongoing transformations in electrical power systems, characterized by the high penetration of renewable energy sources, the massive insertion of components based on power electronics in the network, and the decentralization of generation, these issues are becoming increasingly important. In Smart Grids, solutions are sought for more advanced solutions to solve PQ disturbances problems. Advanced signal processing plays an essential role in dealing with the network and supporting various applications within this context and Artificial Intelligence (AI), which has gained significant prominence to feed applications with innovative solutions in several areas. This research investigates the use of advanced signal processing and Deep Learning techniques for pattern recognition and classification of signals with PQ disorders. For this purpose, the Continuous Wavelet Transform with a filter bank is used to generate 2-D images with the time-frequency representation from signals with voltage disturbances. The work aims to use Convolutional Neural Networks (CNN) to classify this data according to the images’ distortion. In this implementation of AI, specific stages of design, training, validation, and testing were carried out for a model elaborated by the case file and a knowledge transfer technique with the pre-trained networks SqueezeNet, GoogleNet, and ResNet-50. The work was developed in the MATLAB/Simulink software, all signal processing stages, CNN design, simulation, and the investigated data generation. All steps have their objectives fulfilled, culminating in the excellent execution and development of the research. The results sought high precision for CNN de Scratch and ResNet-50 in classify the test set. The other two models obtained not-so-high accuracy, and the results are consistent when compared with different methodologies. Considerations about the results were pointed out. Finally, some conclusions were established and a philosophical reflection on the role of AI and advanced signal processing in electrical power systems.
Palavras-chave: Qualidade de energia
Processamento avançado de sinais
Inteligência artificial
Aprendizado profundo
Redes neurais concolucionais
Redes inteligentes
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA
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/123456789/2327
Data do documento: 4-Dez-2020
Aparece nas coleções:Dissertações

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Dissertação_2021053.pdf19.98 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.