Detecção e classificação de distúrbios em qualidade de energia usando modelos narx neurais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBarbosa, Bruno Henrique Groenner-
Autor(es): dc.contributorFerreira, Danton Diego-
Autor(es): dc.contributorBarbosa, Bruno Henrique Groenner-
Autor(es): dc.contributorFerreira, Danton Diego-
Autor(es): dc.contributorMendes, Thais Martins-
Autor(es): dc.contributorSilva, Joaquim Paulo do-
Autor(es): dc.creatorAlcântara, Isaque Fernando Pereira-
Data de aceite: dc.date.accessioned2026-02-09T12:34:18Z-
Data de disponibilização: dc.date.available2026-02-09T12:34:18Z-
Data de envio: dc.date.issued2020-12-08-
Data de envio: dc.date.issued2020-12-08-
Data de envio: dc.date.issued2020-12-08-
Data de envio: dc.date.issued2020-10-07-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/45818-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1163970-
Descrição: dc.descriptionThe study of the area of power quality (PQ) has grown recently. The increasing use of high power converters and of nonlinear loads cause changes in the electrical signal (current andvoltage), which are often called disturbances, damaging equipment. This work presents two systems, one for detection and another for the classification of power quality (PQ) disturbances, based on NARX neural network models (nonlinear autoregressive with eXogenous inputs). The NARX networks predict the voltage signal value one step ahead and by analyzing the residuals of these models, the disturbance is detected or classified. A total of 6 classes of disturbances were tested: notch, sag, swell, spike harmonic, oscillatory transient, and a class of signals without disturbances to detect the nominal signal. For these signals, tests at different noise levels (40 dB, 50 dB, 60 dB and 70 dB) were carried out. The detector presented fast and unprecedented results in the literature, with the use of 6 to 7 samples of the signal in the detection of disturbances, with an average accuracy of 91.8%, while the classifier achieved with 1/4 of a cycle (64 samples), an average accuracy of 84.2%, showing the effectiveness of the proposed method considering the reduced number of samples used.-
Descrição: dc.descriptionO estudo da área de Qualidade de Energia Elétrica (QEE) tem crescido muito nos últimos anos. O aumento no uso de conversores de alta potência e de cargas não lineares com potência elevada causam perturbações no sinal elétrico (corrente e tensão), chamadas de distúrbios, provocando danos em equipamentos. Este trabalho apresenta dois sistemas, sendo o primeiro para detecção e o segundo para a classificação de distúrbios de qualidade da energia elétrica (QEE), baseados em modelos neurais NARX (Nonlinear Autoregressive with eXogenous inputs). As redes NARX estimam o valor do sinal um passo à frente e, por meio da análise de resíduos destes modelos, o distúrbio é detectado ou classificado. Um total de 6 classes de distúrbios foram testadas, das quais foram Notch, Sag, Swell, Spike, Harmônico e Transitório Oscilatório, e uma classe de sinais sem distúrbios, para detectar o sinal nominal. Para estes sinais foram considerados também, testes em diferentes níveis de ruído (40 dB, 50 dB, 60 dB e 7 0dB). O detector apresentou resultados rápidos e inéditos na literatura, com uso de 6 a 7 amostras do sinal na detecção de distúrbios, com acurácia média de 91,8%, enquanto o classificador alcançou, com 1/4 de ciclo (64 amostras), uma acurácia média de 84,2%, mostrando a eficácia do método proposto considerando o número reduzido de amostras utilizadas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-Graduação em Engenharia de Sistemas e Automação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Engenharia-
Direitos: dc.rightsrestrictAccess-
Palavras-chave: dc.subjectQualidade de energia elétrica-
Palavras-chave: dc.subjectNonlinear Autoregressive with eXogenous inputs (NARX)-
Palavras-chave: dc.subjectRedes neurais artificiais-
Palavras-chave: dc.subjectNARX models-
Palavras-chave: dc.subjectNeural networks-
Palavras-chave: dc.subjectPower quality-
Palavras-chave: dc.subjectTransmissão da Energia Elétrica, Distribuição da Energia Elétrica-
Título: dc.titleDetecção e classificação de distúrbios em qualidade de energia usando modelos narx neurais-
Título: dc.titleDetection and classification of disturbances in power quality using narx neural models-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.