Machine Learning aplicado à identificação de vulnerabilidades na estimação de estado

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorAugusto, Andre Abel-
Autor(es): dc.contributorZanghi, Rainer-
Autor(es): dc.contributorGuimaraens, Márcio Andre Ribeiro-
Autor(es): dc.creatorNetto, Thiago Trindade Ferreira-
Data de aceite: dc.date.accessioned2025-01-03T11:40:04Z-
Data de disponibilização: dc.date.available2025-01-03T11:40:04Z-
Data de envio: dc.date.issued2024-08-19-
Data de envio: dc.date.issued2024-08-19-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/34306-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/919413-
Descrição: dc.descriptionNo cenário atual de horizontalização e monitorização do sistema de potência, torna-se necessário a existência de um Estimador de Estados robusto para devida operação. Entretanto, a presença de erros grosseiros apresenta-se como uma ameaça à operação e, portanto, um ponto vulnerável da estimação. Sendo sua principal forma de solução o método de mínimos quadrados linear ou não-linear. Em contraponto, neste trabalho, desenvolve-se uma formulação baseada em inteligência artificial, capaz de rapidamente calcular a observabilidade para diversos cenários de medições da rede. Dentre os algoritmos utilizados, cita-se Rede Neural Artificial, Máquina de Vetor Suporte e Floresta Aleatória, todos supervisionados. Uma vez com os modelos escolhidos, para alimentá-los, gerou-se parte de todas as possíveis combinações de estado de medições por meio da modelagem usual de estimação. Por fim, como esperado, os algoritmos de inteligência artificial apresentaram-se muito mais velozes que o método usual-
Descrição: dc.descriptionIn the current scenario of horizontalization and monitoring of the power system, it is necessary to have a robust State Estimator for proper operation. However, the presence of gross errors presents a threat to the operation and, therefore, a vulnerable point for the method. The main form of solution is the linear or non-linear least squares method. On the other hand, in this work, a formulation based on artificial intelligence is developed, capable of quickly calculating observability for different measurement scenarios. Among the algorithms used, one can mention Artificial Neural Network, Support Vector Machine and Random Forest, all supervised. Once the models were chosen, part of all possible measurement scenarios were generated through the usual estimation modeling to feed the supervised algorithms. Finally, as expected, the artificial intelligence ones are much faster than the usual method-
Descrição: dc.description63 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectCriticalidade-
Palavras-chave: dc.subjectSistema elétrico de potência-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectSistema elétrico de potência-
Palavras-chave: dc.subjectEstimação de estado (Energia elétrica)-
Palavras-chave: dc.subjectCriticality-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectElectric power system-
Palavras-chave: dc.subjectMachine learning-
Título: dc.titleMachine Learning aplicado à identificação de vulnerabilidades na estimação de estado-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.