Aquisição automática de conhecimento aplicada em avaliação de segurança de tensão

• Ano de defesa: 2002
• Autor(a) principal: ABRÃO, Pedro José
• Orientador(a): SILVA, Alexandre Pinto Alves da
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Itajubá
• Programa de Pós-Graduação: Programa de Pós-Graduação: Doutorado - Engenharia Elétrica
• Departamento: IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação
• País: Brasil
• Palavras-chave em Português: Estabilidade de tensão; Avaliação de segurança de tensão; Redes neurais artificiais; Árvores de decisão; Extração de Regras de produção de redes neurais
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELÉTRICA::SISTEMAS ELÉTRICOS DE POTÊNCIA
• Link de acesso: https://repositorio.unifei.edu.br/jspui/handle/123456789/3763

Um dos problemas mais desafiadores em operação de tempo real de sistemas de potência está associado com a Avaliação de Segurança de Tensão (AST), estando diretamente relacionada com o problema da estabilidade de tensão. Esta pode ser definida como a habilidade do sistema de potência em manter um perfil de tensão apropriado em todas as suas barras. A redução da reserva de potência reativa disponível no sistema é uma das principais causas do fenômeno da instabilidade de tensão, que é caracterizado por uma redução progressiva nas magnitudes da tensão. Com a meta de entender e solucionar o problema de estabilidade de tensão foram propostas várias metodologias durante os últimos anos. Porém, a maioria delas apresenta um alto custo computacional. As técnicas analíticas para a solução do problema de estabilidade não são factíveis para os operadores do sistema implementarem ações de controle preventivas ou corretivas em tempo adequado. Uma possível solução para superar esta desvantagem é a aplicação de técnicas de inteligência artificial relacionadas com aprendizagem automática, as quais devem estar associadas com uma metodologia eficiente para a geração dos padrões de treinamento. Uma das técnicas de aprendizado automático aplicada em AST on-line são as árvores de decisão. Entretanto, as árvores de decisão têm se mostrado imprecisas para esta aplicação. Por outro lado, as redes neurais artificiais têm apresentado excelente precisão para as tarefas de classificação e regressão em VSA. A principal desvantagem do modelo neural é sua opacidade, i.e., apresentam baixo grau de compreensão humana para o processo de inferência, estando o conhecimento codificado (representado pelos valores de pesos de conexões). Este trabalho lida com esta desvantagem do modelo neural para uma aplicação em VSA. Para isso, é empregado um algoritmo que qualitativamente interpreta a base de conhecimento de uma rede neural tipo feedforward. O trabalho também propõe a aplicação de um algoritmo de treinamento muito rápido para este tipo de rede neural, denominado de Optimal Estimate Training 2 (OET2). Este algoritmo tem a propriedade de lidar com grandes bases de dados satisfatoriamente. Além disso, este é plenamente compatível com o algoritmo para extração de regra Validity Interval Analysis (VIA), utilizado neste trabalho. A motivação principal para o modelo proposto é dar ao operador de um sistema elétrico um conjunto de regras simbólicas consistente com o processo de inferência neural.