dc.creator |
FACHINI, Fernando |
|
dc.date.issued |
2020-12-10 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2277 |
|
dc.description.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. |
pt_BR |
dc.description.sponsorship |
Agência 1 |
pt_BR |
dc.language |
eng |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
Algoritmos de regressão |
pt_BR |
dc.subject |
ANFIS |
pt_BR |
dc.subject |
KNN |
pt_BR |
dc.subject |
PCA |
pt_BR |
dc.subject |
Áreas de controle de tensão |
pt_BR |
dc.title |
A comparison of machine learning regression models for critical bus voltage and load mapping with regards to max reactive power in pv buses. |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2021-02-11 |
|
dc.date.available |
2021-02-11T13:37:41Z |
|
dc.date.accessioned |
2021-02-11T13:37:41Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/3862818185057428 |
pt_BR |
dc.contributor.advisor1 |
FULY, Benedito Isaias Lima |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/7147889968100804 |
pt_BR |
dc.description.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. |
pt_BR |
dc.publisher.country |
Brasil |
pt_BR |
dc.publisher.department |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
pt_BR |
dc.publisher.program |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA::SISTEMAS ELÉTRICOS DE POTÊNCIA |
pt_BR |
dc.relation.references |
FACHINI, Fernando. A comparison of machine learning regression models for critical bus voltage and load mapping with regards to max reactive power in pv buses. 2020. 65 f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Itajubá, Itajubá, 2020. |
pt_BR |