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 | Augusto, Andre Abel | - |
Autor(es): dc.contributor | Zanghi, Rainer | - |
Autor(es): dc.contributor | Guimaraens, Márcio Andre Ribeiro | - |
Autor(es): dc.creator | Netto, Thiago Trindade Ferreira | - |
Data de aceite: dc.date.accessioned | 2025-01-03T11:40:04Z | - |
Data de disponibilização: dc.date.available | 2025-01-03T11:40:04Z | - |
Data de envio: dc.date.issued | 2024-08-19 | - |
Data de envio: dc.date.issued | 2024-08-19 | - |
Fonte completa do material: dc.identifier | https://app.uff.br/riuff/handle/1/34306 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/919413 | - |
Descrição: dc.description | No 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.description | In 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.description | 63 f. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Open Access | - |
Direitos: dc.rights | CC-BY-SA | - |
Palavras-chave: dc.subject | Criticalidade | - |
Palavras-chave: dc.subject | Sistema elétrico de potência | - |
Palavras-chave: dc.subject | Aprendizado de máquina | - |
Palavras-chave: dc.subject | Sistema elétrico de potência | - |
Palavras-chave: dc.subject | Estimação de estado (Energia elétrica) | - |
Palavras-chave: dc.subject | Criticality | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Electric power system | - |
Palavras-chave: dc.subject | Machine learning | - |
Título: dc.title | Machine Learning aplicado à identificação de vulnerabilidades na estimação de estado | - |
Tipo de arquivo: dc.type | Trabalho de conclusão de curso | - |
Aparece nas coleções: | Repositório Institucional da Universidade Federal Fluminense - RiUFF |
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: