Uma nova metodologia para análise da qualidade da energia elétrica sob condições de ocorrência de múltiplos distúrbios

• Ano de defesa: 2013
• Autor(a) principal: Lima, Marcelo Antonio Alves
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Adaptive filtering; Análise de componentes independentes; Artificial neural networks; Blind source separation; Filtragem adaptativa; Independent component analysis; Multiple disturbance; Múltiplos distúrbios; Power quality; Qualidade da energia elétrica; Redes neurais artificiais; Separação cega de fontes
• Link de acesso: http://www.teses.usp.br/teses/disponiveis/18/18154/tde-14112013-102931/

Um Sistema Elétrico de Potência (SEP) está susceptível à presença de diversas fontes de distúrbios que prejudicam a Qualidade da Energia Elétrica (QEE). Desta forma, as suas tensões e/ou correntes podem conter m´múltiplos distúrbios com ocorrência simultânea. Este trabalho apresenta uma metodologia para decomposição do sinal medido em componentes que estimem as formas de onda dos distúrbios individuais quando da ocorrência de m´múltiplos distúrbios, com o posterior reconhecimento de cada um deles. A Análise de Componentes Independentes (ICA) é utilizada como principal ferramenta na etapa de decomposição dos distúrbios. A ICA é originalmente uma t´técnica aplicada em análise multivariada de dados, o que significa que ela necessita de medições realizadas por múltiplos sensores dispostos em diferentes posições de um sistema. No entanto, este trabalho propõe a sua aplicação tendo disponível apenas um sinal medido. Para tanto, são propostos dois métodos para produzir a diversidade necessária para a t´técnica funcionar adequadamente. É demonstrado que ambos os métodos equivalem a um banco de filtros lineares adaptativos capaz de realizar a separação não-supervisionada de múltiplos distúrbios independentes e que sejam espectralmente disjuntos. Por fim, é proposto um sistema de classificação que utiliza Redes Neurais Artificiais (RNAs) para identificar os distúrbios decompostos pela etapa anterior. A metodologia completa é avaliada por meio de testes utilizando dados sintéticos e reais, alcançando resultados altamente satisfatórios para decomposição de sinais contendo múltiplos distúrbios e taxas de acerto globais dos classificadores superiores a 97%