dc.creator |
FERREIRA, Eduardo Henrique Marques |
|
dc.date.issued |
2024-02-29 |
|
dc.identifier.uri |
https://repositorio.unifei.edu.br/jspui/handle/123456789/4068 |
|
dc.description.abstract |
The growing need to ensure the efficiency and reliability of the National Interconnected
System (SIN), which represents the backbone of the country’s energy
distribution, is what drives this work. Faced with the challenges posed by the
territorial vastness and complexity of the Brazilian electrical grid, the use of Phasor
Measurement Units (PMUs) emerges as a promising solution for real-time network
monitoring. However, the effectiveness of this monitoring is linked to the ability to
detect and respond to anomalies quickly and accurately, minimizing the risks of failures
and supply interruptions. The study addresses the challenge of managing and
evaluating the country’s interconnected electrical grid, where accurate information
is pertinent for preventive and corrective actions in a continental-scale distribution
system. The core of this research lies in the innovative exploration of advanced data
compression techniques combined with unsupervised machine learning algorithms,
aiming to optimize the interpretation and analysis of the large volumes of data
generated by the PMUs. This approach points to a significant improvement in the
quality and precision of the information extracted and offers a scalable solution to
the challenge of processing and analyzing the data from a large-scale distribution
system. The effectiveness is assessed through the detection of significant events and
anomalies in the network at points geographically distant from the event’s origin.
The results of this study validate the efficacy of the proposed algorithms, highlighting
their practical relevance and substantial impact on improving the quality
and reliability standards in the electricity supply. They demonstrate the feasibility
of implementing these techniques in real scenarios, showcasing the potential for
transformation in failure prevention and critical event management, contributing
to a more stable, effective, and secure energy distribution network. |
pt_BR |
dc.language |
por |
pt_BR |
dc.publisher |
Universidade Federal de Itajubá |
pt_BR |
dc.rights |
Acesso Aberto |
pt_BR |
dc.subject |
PMU |
pt_BR |
dc.subject |
SIN |
pt_BR |
dc.subject |
Aprendizado de máquina não supervisionado |
pt_BR |
dc.title |
Avaliação de técnicas de aprendizado de máquina para detecção de eventos em sistemas elétricos de grande porte a partir de dados de medição fasorial sincronizada |
pt_BR |
dc.type |
Dissertação |
pt_BR |
dc.date.available |
2024-05-08 |
|
dc.date.available |
2024-05-08T11:32:48Z |
|
dc.date.accessioned |
2024-05-08T11:32:48Z |
|
dc.creator.Lattes |
http://lattes.cnpq.br/0020220024853626 |
pt_BR |
dc.contributor.advisor1 |
MORAES, Carlos Henrique Valério de |
|
dc.contributor.advisor1Lattes |
http://lattes.cnpq.br/3460761031788198 |
pt_BR |
dc.contributor.advisor-co1 |
AOKI, Alexandre Rasi |
|
dc.contributor.advisor-co1Lattes |
http://lattes.cnpq.br/0566385360819334 |
pt_BR |
dc.description.resumo |
A crescente necessidade de garantir a eficiência e a confiabilidade do Sistema
Integrado Nacional (SIN), que representa a espinha dorsal da distribuição de
energia do país é o que conduz este trabalho. Diante dos desafios impostos pela
vastidão territorial e a complexidade da rede elétrica brasileira, a utilização de
Unidade de Medição Fasorial (PMUs) emerge como uma solução promissora para
monitorar a rede em tempo real. No entanto a eficácia deste monitoramento está
ligada à capacidade de detectar e responder a anomalias de forma rápida e precisa,
minimizando os riscos de falhas e interrupções no fornecimento. O estudo aborda
o desafio de gerenciamento e avaliação da rede elétrica interligada do país onde
a informação precisa é pertinente para ações preventivas e corretivas em um
sistema de distribuição de extensão continental. O cerne desta pesquisa reside na
exploração inovadora de técnicas avançadas de compressão de dados combinadas
com algoritmos de aprendizado de máquina não supervisionado, com o intuito de
otimizar a interpretação e análise dos grande volumes de dados gerados pelas PMUs.
Essa abordagem aponta uma melhoria significativa na qualidade e na precisão das
informações extraídas e oferece uma solução escalável para o desafio de processar e
analisar os dados de um sistema de distribuição de grande escala. São avaliados
a eficácia através da detecção de eventos significativos e anomalias na rede em
pontos geograficamente distantes da origem do evento. Os resultados deste estudo
validam a eficácia dos algoritmos propostos, evidenciando sua relevância prática
e seu impacto substancial na melhoria dos padrões de qualidade e confiabilidade
no fornecimento de energia elétrica. Demonstram a viabilidade de implementação
dessas técnicas em cenários reais, evidenciando o potencial de transformação na
prevenção de falhas e na gestão de eventos críticos, contribuindo para uma rede de
distribuição de energia mais estável, eficaz e segura. |
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 - Ciência e Tecnologia da Computação |
pt_BR |
dc.publisher.initials |
UNIFEI |
pt_BR |
dc.subject.cnpq |
CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO |
pt_BR |
dc.relation.references |
FERREIRA, Eduardo Henrique Marques. Avaliação de técnicas de aprendizado de máquina para detecção de eventos em sistemas elétricos de grande porte a partir de dados de medição fasorial sincronizada. 2024. 88 f. Dissertação (Mestrado em Ciência e Tecnologia da Computação.) – Universidade Federal de Itajubá, Itajubá, 2024. |
pt_BR |