Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/11551
Files in This Item:
File Description SizeFormat 
kelvinbryandonascimento.pdfPDF/A2.79 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Araujo, Débora Rosana Ribeiro Penido-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/9225532686125475pt_BR
dc.contributor.advisor-co1Araujo, Leandro Ramos de-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/5968839321163534pt_BR
dc.contributor.referee1Melo, Igor Delgado de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/9811563971757515pt_BR
dc.contributor.referee2Duque, Felipe Gomes-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/6439389607675461pt_BR
dc.creatorNascimento, Kelvin Bryan do-
dc.creator.Latteshttp://lattes.cnpq.br/3616419898121708pt_BR
dc.date.accessioned2020-06-18T14:31:43Z-
dc.date.available2020-06-18-
dc.date.available2020-06-18T14:31:43Z-
dc.date.issued2020-02-19-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/11551-
dc.description.abstractIn this work methods to detect and identify defects in radial distribution systems are developed using artificial neural networks. Several types of single-fase defects were studied, such as: high impedance defects, open-conductor defects and simultaneous defects. First of all, each of these types of defects were analysed separately in a trial system The objective was to determine the best ways to detect them. Computational simulations were carried out with the communication between Matlab and OpenDSS and they were divided into two categories. The first category uses currents information from meters allocated in the system as input data for neural networks to detect and identify each one of the types of defects treated in this work. In simulations of this category, the main objective was to analyze the impact of the number of meters and the type of measurement on the neural networks results. When more than one meter was allocated, the system was divided into detection areas. This division may have a higher cost of implementation and even computational processing, but it facilitates the process of defects location because it reduces the search area, in other words, the area where the defect may have occurred. The second category of computer simulations uses voltage information of terminal buses as input data for neural networks for detection of opening or simultaneous defects in predefined areas. The detection of defects occurred separately for each phase of the system, that is, each neural network created detected defects in a certain area of a given phase of the system. The computational results of both categories were good, showing the robustness of the structures of neural networks developed. In this work, real-time simulations were also carried out to more realistc tests of the neural networks. For this, dSPACE device was used to model neural networks and the RTDS was used to simulate the distribution system. The results obtained were also good, showing the pratical application and the robustness of the employed technique.pt_BR
dc.description.resumoNeste trabalho são desenvolvidos métodos de detecção e identificação de defeitos em sistemas de distribuição radiais utilizando redes neurais artificiais. Vários tipos de defeitos monofásicos foram estudados, tais como: defeitos de contato com alta impedância, defeitos de abertura de condutores e defeitos simultâneos. Primeiramente, cada um desses tipos de defeitos foi analisado separadamente em um sistema teste. O objetivo foi determinar as melhores formas para detectá-los. As simulações computacionais foram realizadas com a comunicação entre o Matlab e o OpenDSS e foram divididas em duas categorias. A primeira categoria utiliza informações de correntes oriundas de medidores alocados no sistema como dados de entrada das redes neurais para detecção e identificação de cada um dos tipos de defeitos tratados neste trabalho. Nas simulações dessa categoria, o objetivo principal foi analisar o impacto do número de medidores e do tipo de medição nos resultados das redes neurais. Quando mais de um medidor foi alocado, realizou-se a divisão do sistema em áreas de detecção. Essa divisão pode apresentar um maior custo de implantação e até de processamento computacional, porém facilita no processo de localização do defeito, já que diminui a área de busca, ou seja, a área onde o defeito pode ter ocorrido. A segunda categoria das simulações computacionais utiliza informações de tensões nas barras terminais como dados de entrada de redes neurais para detecção de defeitos de abertura ou simultâneos em áreas predefinidas. A detecção dos defeitos ocorreu separadamente para cada fase do sistema, isto é, cada rede neural criada detectava defeitos em uma determinada área de uma determinada fase do sistema utilizado. Os resultados computacionais de ambas as categorias foram bons, mostrando a robustez das estruturas de redes neurais desenvolvidas. Neste trabalho também foram realizadas simulações em tempo real para testes mais realistas das redes neurais. Para isso, utilizou-se o dispositivo dSPACE para modelagem das redes neurais e o RTDS para simulação do sistema de distribuição. Os resultados obtidos também foram bons, confirmando a robustez e mostrando a aplicação prática da técnica empregadapt_BR
dc.languageporpt_BR
dc.publisherUniversidade Federal de Juiz de Fora (UFJF)pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentFaculdade de Engenhariapt_BR
dc.publisher.programPrograma de Pós-graduação em Engenharia Elétricapt_BR
dc.publisher.initialsUFJFpt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectFaltas de alta impedância.pt_BR
dc.subjectDefeitos de abertura de condutorespt_BR
dc.subjectDefeitos simultâneospt_BR
dc.subjectSistemas de distribuição de energiapt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectSimulações em tempo realpt_BR
dc.subjectHigh impedance faultspt_BR
dc.subjectOpen conductor defectspt_BR
dc.subjectEnergy distribution systemspt_BR
dc.subjectReal time simulationspt_BR
dc.subjectArtificial neural networkspt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleAplicações de redes neurais artificiais na detecção e identificação de faltas monofásicas em sistemas de distribuiçãopt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Engenharia Elétrica (Dissertações)



This item is licensed under a Creative Commons License Creative Commons