Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
FACHINI, Fernando
 |
| Orientador(a): |
FULY, Benedito Isaias Lima
|
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
eng |
| Instituição de defesa: |
Universidade Federal de Itajubá
|
| Programa de Pós-Graduação: |
Programa de Pós-Graduação: Mestrado - Engenharia Elétrica
|
| Departamento: |
IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2277
|
Resumo: |
O objetivo desta dissertação de mestrado é comparar as capacidades de mapeamento de tensão e carregamento do sistema para uma variedade de algoritmos de regressão, como Adaptive Neuro-Fuzzy Inference System (ANFIS), Artificial Neural Networks (ANN), KNearest Neighbors (KNN), Support Vector Regression (SVR) e Decition Tree (DT). Uma matriz de sensibilidade à tensão é gerada a partir da matriz Jacobiana do fluxo de potência para um cenário de carregamento próximo ao ponto instável. A Análise de Componentes Principais (PCA) é usada para separar o sistema, próximo ao ponto crítico, a fim de agrupar os barramentos em áreas de controle de tensão coerentes. Para diferentes cenários de injeção de potência reativa, temos diferentes tensões de barramento que podem ser mapeadas pelos algoritmos de regressão mencionados acima. Os algoritmos são treinados com quantidades limitadas de dados, a fim de estabelecer uma comparação justa entre eles. O presente trabalho mostra que ANFIS e KNN têm um melhor desempenho em tensão crítica e previsão de carga quando comparados aos demais. Os sistemas de barramento acadêmico IEEE 14 e 118 são empregados com todos os seus limites considerados, portanto os resultados podem ser reproduzidos. |
