Please use this identifier to cite or link to this item: http://repositorio.ufpa.br:8080/jspui/handle/2011/12282
metadata.dc.type: Tese
Issue Date: 5-Dec-2019
metadata.dc.creator: FREIRE, Jean Carlos Arouche
metadata.dc.description.affiliation: UNAMA - Universidade da Amazônia
metadata.dc.contributor.advisor1: CASTRO, Adriana Rosa Garcez
metadata.dc.contributor.advisor-co1: MORAIS, Jefferson Magalhães de
Title: Análise de desempenho de algoritmos para classificação de sequências representando faltas do tipo curto-circuito em linhas de transmissão de energia elétrica
Other Titles: Performance analysis of algorithms for classification of sequences representing short-circuit faults in transmission lines electricity
metadata.dc.description.sponsorship: CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
Citation: FREIRE, Jean Carlos Arouche. Análise de desempenho de algoritmos para classificação de sequências representando faltas do tipo curto-circuito em linhas de transmissão de energia elétrica. Orientador: Adriana Rosa Garcez Castro. Coorientador: Jefferson Magalhães de Morais .2019. 79 f. Tese (Doutorado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em:http://repositorio.ufpa.br:8080/jspui/handle/2011/12282 . Acesso em:.
metadata.dc.description.resumo: A manutenção da qualidade de energia em sistemas elétricos de potência depende do tratamento dos principais distúrbios que possam surgir em sua geração, transmissão e distribuição. Dentro deste contexto, muitos estudos vêm sendo desenvolvidos com o objetivo de realizar a detecção e classificação de faltas do tipo curto-circuito em sistemas elétricos através da análise do comportamento do sinal elétrico. Os sistemas de classificação de faltas em linha de transmissão podem ser divididos em dois tipos: sistemas de classificação on-line e pós-falta. No cenário pósfalta as sequências do sinal a serem avaliadas para a classificação possuem comprimento (duração) variável. Na classificação de sequências é possível utilizar classificadores convencionais tais como Redes Neurais Artificiais, Máquinas de Vetores de Suporte, K-vizinhos mais próximos e Árvore de Decisão (Floresta aleatória). Nestes casos, o processo de classificação geralmente requer um pré-processamento das sequências ou um estágio de front end que converta os dados bruto em parâmetros sensíveis para alimentar o classificador, o que pode aumentar o custo computacional do sistema de classificação. Uma alternativa para este problema é a arquitetura de classificação de sequências baseada em quadros (FBSC - Frame Based Sequence Classification). O problema da arquitetura FBSC é que esta possui muitos graus de liberdade na concepção do modelo (front end mais classificador) devendo este ser avaliado usando um conjunto de dados completo e uma metodologia rigorosa para evitar conclusões tendenciosas. Considerando a importância do uso de metodologias para classificação de faltas do tipo curto-circuito eficientes e principalmente com baixo custo computacional, este trabalho apresenta os resultados do estudo desenvolvido de análise do algoritmo KNN (K-vizinhos mais próximo) associado a medida de similaridade de Alinhamento Temporal Dinâmico (DTW) e do algoritmo HMM (Modelo Oculto de Markov) para a tarefa de classificação de faltas. Estas duas técnicas permitem o uso direto dos dados sem a necessidade de utilização de front ends, além de possuírem a capacidade de poder tratar séries temporais multivariadas e de tamanho variável, que é o caso das sequências de sinais para o caso pós-falta. Para desenvolvimento dos dois sistemas propostos para classificação foram utilizados dados simulados de faltas do tipo curto-circuito oriundos da base de dados pública UFPAFaults. Para comparação de resultados com metodologias já apresentadas na literatura para o problema, foi também avaliada, para o mesmo banco de dados, a arquitetura FBSC. No caso da arquitetura FBSC, diferentes front ends e classificadores foram utilizados. A avaliação comparativa foi realizada a partir da medida de taxa de erro, custo computacional e testes estatísticos. Os resultados obtidos mostraram que o classificador baseado no HMM se mostrou mais adequado para o problema de classificação de faltas do tipo curto-circuito em linhas de transmissão.
Abstract: Maintaining power quality in electrical power systems depends on addressing the major disturbances that may arise in their generation, transmission and distribution. Within this context, many studies have been developed aiming to detect and classify short circuit faults in electrical systems through the analysis of the electrical signal behavior. Transmission line fault classification systems can be divided into two types: online and post fault classification systems. In the post-missing scenario the signal sequences to be evaluated for classification have variable length (duration). In sequence classification it is possible to use conventional classifiers such as Artificial Neural Networks, Support Vector Machine, K-nearest neighboors and Random forest. In these cases, the classification process usually requires a sequence preprocessing or a front end stage that converts the raw data into sensitive parameters to feed the classifier, which may increase the computational cost of the classification system. An alternative to this problem is the FBSC-FrameBased-Sequence Classification (FBSC) architecture. The problem with FBSC architecture is that it has many degrees of freedom in designing the model (front end plus classifier) and it should be evaluated using a complete dataset and rigorous methodology to avoid biased conclusions. Considering the importance of using efficient short-circuit fault classification methodologies and mainly with low computational cost, this paper presents the results of the KNN-DTW (K-Nearest Neighbor) algorithm analysis study associated with Dynamic similarity measurement. Time Warping (DTW) and HMM (Hidden Markov Model) algorithm for fault classification task. These two techniques allow the direct use of data without the need for front ends for signal pre-processing, as well as being able to handle multivariate and variable time series, such as signal sequences for the post-miss case. To develop the two proposed systems for classification, simulated data of short-circuit faults from the UFPAFaults public database were used. To compare results with methodologies already presented in the literature for the problem, the FBSC architecture was also evaluated for the same database. In the case of FBSC architecture, different front ends and classifiers were used. The comparative assessment was performed from the measurement of error rate, computational cost and statistical tests. The results showed that the HMM-based classifier was more suitable for the problem of classification of short circuits on transmission lines.
Keywords: Qualidade de energia elétrica
sistemas elétricos de potência
curto-circuito
classificação de faltas
KNN-DTW
HMM
metadata.dc.subject.areadeconcentracao: SISTEMAS DE ENERGIA ELÉTRICA
metadata.dc.subject.linhadepesquisa: INTELIGÊNCIA COMPUTACIONAL
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Appears in Collections:Teses em Engenharia Elétrica (Doutorado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Tese_AnaliseDesempenhoAlgoritmos.pdf3,41 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons