Detalhes bibliográficos
| Ano de defesa: |
2006 |
| Autor(a) principal: |
Marchiori, Sandra Cristina [UNESP] |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://hdl.handle.net/11449/100370
|
Resumo: |
Esta pesquisa apresenta uma metodologia para a análise da estabilidade transitória de primeira oscilação de sistemas de energia elétrica usando uma rede neural baseada na arquitetura ART (Adaptive Resonance Theory), designada rede neural ARTMAP Euclidiana. A margem de segurança (método da energia) é empregada como critério de análise de estabilidade transitória, considerando-se, na forma preliminar, o modelo clássico e defeitos tipo curto-circuito trifásico com saída de linha de transmissão. A metodologia proposta está concebida, ainda, com a possibilidade de se considerar modelos mais elaborados (e.g., o modelo de Park), se comparados ao modelo clássico. Esta alternativa pode se tornar exeqüível, por meio do uso de um segundo módulo neural e de um índice, para fins de treinamento, gerado considerando-se uma combinação, por exemplo, da margem de segurança (análise quantitativa / qualitativa com média precisão) e de informações fornecidas por processo de simulação (análise qualitativa com alta precisão). As arquiteturas ART apresentam as características de estabilidade e plasticidade, as quais são imprescindíveis para a realização do treinamento e execução da análise de forma rápida. A versão ARTMAP Euclidiana proporciona soluções mais precisas e mais rápidas, se comparada à configuração ARTMAP nebulosa. O funcionamento da rede é constituído por três fases principais: treinamento (ou aprendizado), análise e treinamento continuado. A realização da fase de treinamento requer uma grande quantidade de processamento, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Esta é, portanto, a principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, como é o caso de aplicações em tempo real... |
