
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.contributor | Almeida, Aryfrance Rocha | - |
| Autor(es): dc.contributor | Costa, Flávio Bezerra | - |
| Autor(es): dc.contributor | Ferreira, Danton Diego | - |
| Autor(es): dc.contributor | Silva, Leandro Rodrigues Manso | - |
| Autor(es): dc.contributor | Ferreira, Silvia Costa | - |
| Autor(es): dc.contributor | Almeida, Aryfrance Rocha | - |
| Autor(es): dc.contributor | Costa, Flávio Bezerra | - |
| Autor(es): dc.creator | Fonseca, Gabriel Aparecido | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:34:52Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:34:52Z | - |
| Data de envio: dc.date.issued | 2022-02-09 | - |
| Data de envio: dc.date.issued | 2022-02-09 | - |
| Data de envio: dc.date.issued | 2022-02-09 | - |
| Data de envio: dc.date.issued | 2021-12-02 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/49241 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1164165 | - |
| Descrição: dc.description | Power transmission lines are components highly susceptible to faults. Several factors such as animals, human failure and lightning can lead to the occurrence of a fault. In addition, the increasing demand for electricity generation, distribution and transmission has contributed to this becoming a recurrent problem. Several works have already explored the use of computational intelligence, signal processing and other techniques in the construction of protective methods for quick verification and action in the occurrence of transmission line fault. Many of these works focus on approaches using signal processing such as Fourier or wavelet transforms. With the advance of machine learning, some classic techniques started to be used in this area with success. This work focuses on the offline classification of ten (AG, BG, CG, AB, AC, BC, ABG, ACG, BCG and ABC) types of faults that arise when a short circuit occurs in the transmission line, investigating the use of classical techniques such as notch filter and random forests. For comparative purposes, recently created techniques, called Rocket and MiniRocket, were used to extract features in time series and good results were obtained in the identification of faults that occurred in the transmission line. As a result of this dissertation, accuracies greater than 93% were obtained considering up to 1/16 cycle post-fault. For signals with 1 and 1/2 cycle post-fault, accuracies higher than 97% were obtained. | - |
| Descrição: dc.description | As linhas de transmissão de energia elétrica são componentes altamente susceptíveis a faltas. Diversos fatores como animais, falha humana e descargas elétricas podem levar a essas ocorrências. Além disso, a crescente demanda de geração, distribuição e transmissão de energia elétrica tem contribuído cada vez mais para que esse se torne um problema recorrente. Diversos trabalhos já exploraram o uso de inteligência computacional, processamento de sinais e outras técnicas na construção de métodos protetivos para rápida verificação e atuação na ocorrência de faltas nas linhas de transmissão. Muitos desses trabalhos focam em abordagens utilizando processamento de sinais como transformada de Fourier ou wavelet. Com o avanço do aprendizado de máquina, algumas técnicas clássicas passaram a ser utilizadas nessa área obtendo êxito. Esse trabalho foca na classificação offline de dez (AT, BT, CT, AB, AC, BC, ABT, ACT, BCT e ABC) tipos de faltas que surgem quando ocorre um curto-circuito na linha de transmissão, investigando o uso de técnicas clássicas como filtro notch e florestas aleatórias. Para efeito comparativo, foram utilizadas técnicas criadas recentemente, chamadas de Rocket e MiniRocket, para a extração de características em séries temporais e bons resultados foram obtidos na identificação das faltas ocorridas na linha de transmissão. Como resultado dessa dissertação, acurácias superiores a 93% foram alcançadas considerando-se até 1/16 ciclo pós falta. Para sinais com 1 e 1/2 ciclo pós falta foram obtidas acurácias superiores a 97%. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia de Sistemas e Automação | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Departamento de Engenharia | - |
| Direitos: dc.rights | acesso aberto | - |
| Palavras-chave: dc.subject | Energia Elétrica - Linhas de transmissão | - |
| Palavras-chave: dc.subject | Classificação de faltas | - |
| Palavras-chave: dc.subject | Filtro notch | - |
| Palavras-chave: dc.subject | MiniRocket | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Electric Power - Transmission lines | - |
| Palavras-chave: dc.subject | Fault classification | - |
| Palavras-chave: dc.subject | Notch filter | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Automação Eletrônica de Processos Elétricos e Industriais | - |
| Título: dc.title | Classificação de faltas em linhas de transmissão utilizando métodos de aprendizado de máquina | - |
| Título: dc.title | Classification of transmission line faults using machine learning methods | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: