DSpace Repository

Reconhecimento de padrões em sistemas de energia elétrica através de uma abordagem geométrica aprimorada para a construção de redes neurais artificiais

Show simple item record

dc.contributor.advisor1 Oliveira, Edimar José de
dc.contributor.advisor1Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707772U9 pt_BR
dc.contributor.advisor-co1 Honório, Leonardo de Mello
dc.contributor.advisor-co1Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4707900U4 pt_BR
dc.contributor.referee1 Resende, Leônidas Chaves de
dc.contributor.referee1Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4775822Z6 pt_BR
dc.contributor.referee2 Martinez, Manuel Luiz Barreira
dc.contributor.referee2Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4721791Y4 pt_BR
dc.contributor.referee3 Silva Júnior, Ivo Chaves da
dc.contributor.referee3Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4771513T6 pt_BR
dc.contributor.referee4 Oliveira, Leonardo Willer de
dc.contributor.referee4Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4711128E4 pt_BR
dc.creator Valente, Wander Antunes Gaspar
dc.creator.Lattes http://buscatextual.cnpq.br/buscatextual/visualizacv.do?id=K4734362U1 pt_BR
dc.date.accessioned 2016-01-25T16:56:26Z
dc.date.available 2016-01-08
dc.date.available 2016-01-25T16:56:26Z
dc.date.issued 2015-02-09
dc.identifier.uri https://repositorio.ufjf.br/jspui/handle/ufjf/366
dc.description.abstract This work is based on the method of successive geometric segmentations (SGSM) for the construction of an artificial neural network capable of generating both the network topology as the weight of neurons without specifying initial parameters. The MSGS allows to identify a set of hyperplanes in the Rn space that when properly combined, can separate two or more data classes. Specifically in this work is used an improvement to SGSM based on kernel density estimates (KDE). Using KDE, it is possible to find new hyperplanes of separation more consistently and, from there, lead to data classification with accuracy rates higher than originally technique. In this paper, the improved SGSM is first used satisfactorily to identify patterns in electrical power systems. The method has been adjusted to the classification of incipient faults in power transformers and the results have achieved rates above related work. The improved SGSM has also been adapted to classify and locate inter-circuit faults on double circuit overhead transmission lines with positive results compared with the scientific literature. pt_BR
dc.description.resumo O presente trabalho fundamenta-se no método das segmentações geométricas sucessivas (MSGS) para a construção de uma rede neural artificial capaz de gerar tanto a topologia da rede quanto o peso dos neurônios sem a especificação de parâmetros iniciais. O MSGS permite identificar um conjunto de hiperplanos no espaço Rn que, quando combinados adequadamente, podem separar duas ou mais classes de dados. Especificamente neste trabalho é empregado um aprimoramento ao MSGS com base em estimativas de densidade por kernel. Utilizando-se KDE, é possível encontrar novos hiperplanos de separação de forma mais consistente e, a partir daí, conduzir à classificação de dados com taxas de acerto superiores à técnica originalmente empregada. Neste trabalho, o MSGS aprimorado é empregado satisfatoriamente pela primeira vez para a identificação de padrões em sistemas de energia elétrica. O método foi ajustado para a classificação de faltas incipientes em transformadores de potência e os resultados apresentam índices de acerto superiores a trabalhos correlatos. O MSGS aprimorado também foi adaptado para classificar e localizar faltas inter-circuitos em linhas áreas de transmissão em circuito duplo, obtendo resultados positivos em comparação com a literatura científica. pt_BR
dc.language por pt_BR
dc.publisher Universidade Federal de Juiz de Fora pt_BR
dc.publisher.country Brasil pt_BR
dc.publisher.department ICH – Instituto de Ciências Humanas pt_BR
dc.publisher.program Programa de Pós-graduação em História pt_BR
dc.publisher.initials UFJF pt_BR
dc.rights Acesso Aberto pt_BR
dc.subject Classificação de dados pt_BR
dc.subject Estimativa de densidade por kernel pt_BR
dc.subject Linhas de transmissão em circuito duplo pt_BR
dc.subject Método das segmentações geométricas sucessivas pt_BR
dc.subject Reconhecimento de padrões pt_BR
dc.subject Redes neurais artificiais pt_BR
dc.subject Transformadores de potência pt_BR
dc.subject Artificial neural networks pt_BR
dc.subject Data classification pt_BR
dc.subject Double circuit transmission lines pt_BR
dc.subject Kernel density estimation pt_BR
dc.subject Method of successive geometric segmentations pt_BR
dc.subject Pattern recognition pt_BR
dc.subject Power transformers pt_BR
dc.subject.cnpq CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA pt_BR
dc.title Reconhecimento de padrões em sistemas de energia elétrica através de uma abordagem geométrica aprimorada para a construção de redes neurais artificiais pt_BR
dc.type Tese pt_BR


Files in this item

This item appears in the following Collection(s)

Show simple item record