Please use this identifier to cite or link to this item: https://repositorio.ufjf.br/jspui/handle/ufjf/15804
Files in This Item:
File Description SizeFormat 
thalesschuabbdeaalmeida.pdf1.13 MBAdobe PDFThumbnail
View/Open
Full metadata record
DC FieldValueLanguage
dc.contributor.advisor1Oliveira, Leonardo Willer de-
dc.contributor.advisor1Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.contributor.advisor-co1Oliveira, Edimar José de-
dc.contributor.advisor-co1Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.contributor.advisor-co2Souza, Julio Cesar Stacchini de-
dc.contributor.advisor-co2Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.contributor.referee1Rocha, Helder Roberto de Oliveira-
dc.contributor.referee1Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.contributor.referee2Melo, Igor Delgado de-
dc.contributor.referee2Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.creatorAlmeida, Thales Schuabb de-
dc.creator.Latteshttp://buscatextual.cnpq.br/buscatextual/busca.dopt_BR
dc.date.accessioned2023-08-23T11:18:58Z-
dc.date.available2023-08-22-
dc.date.available2023-08-23T11:18:58Z-
dc.date.issued2023-05-23-
dc.identifier.urihttps://repositorio.ufjf.br/jspui/handle/ufjf/15804-
dc.description.abstractThis work presents a methodology for State Estimation (SE) of Electrical Distribution Systems (EDS) based on Artificial Neural Networks (ANN), considering the division of EDS into different areas, and performing the estimation using separate ANN for each area, characterizing Multi-Area State Estimation (MASE). The estimations are performed using few electrical measurements obtained from Phasor Measurement Units or Smart Meters. The ANN are trained considering the measurement patterns and their related true states of the electrical network, becoming able to estimate state for future measurements not observed during the trainning process. The EDS modeling considers topology changes, which are identified by monitoring the network switches status, and also encompass the input variables of the ANN. Furthermore, the methodology also includes methods for detection and correction of gross erros on the electrical measurements and monitored switch status, as to ensure the estimatitor robustness against gross errors on the measurements. Lastly, the estimations performed by each area’s estimators are sent to a central agent responsible for synchronizing the estimated electrical variables and composing the estimated state of the EDS as a whole. Tests were performed considering two networks frequently used on the literature, and also on a real brazilian network computationally simulated. The implementations were performed using the MATLAB software, and the obtained results showcase the methodology effectiveness for state estimation considering load variations, topology changes, and gross errors detected during monitoring.pt_BR
dc.description.resumoO presente trabalho apresenta uma metodologia para Estimação de Estados (EE) de Sistemas de Distribuição de Energia Elétrica (SDEE) baseada no uso de Redes Neurais Artificiais (RNA), considerando a divisão do SDEE em áreas, e realizando sua estimação a partir de RNA separadas para cada área, caracterizando a estimação multi-áreas. As estimações são realizadas a partir de poucas medições de variáveis elétricas da rede, obtidas a partir de Unidades de Medição Fasoriais, do inglês Phasor Measurement Units (PMU) ou de Medidores Inteligentes (MI). As RNA são treinadas a partir de padrões de medições e os referentes estados reais da rede elétrica, se tornando capazes de estimar estados para novas medições futuras não observadas durante seu treinamento. A modelagem dos SDEE considera variações topológicas, que são identificadas a partir do monitoramento dos estados das chaves da rede, e também englobam as variáveis alimentadas às RNA para realizar a estimação. Além disso, a metodologia também contempla métodos de detecção e correção tanto de erros grosseiros nas medidas das variáveis elétricas, quanto na aquisição dos estados das chaves do SDEE, de modo a garantir maior robustez do estimador frente à ocorrência de erros grosseiros nas medições. Por fim, as estimações realizadas nos estimadores de cada área são enviadas a um agente central responsável pelo sincronismo das variáveis elétricas estimadas para formar o estado atual estimado do SDEE completo. Testes foram realizados considerando dois sistemas de teste frequentemente utilizados na literatura, além de um sistema real brasileiro simulado computacionalmente. As implementações foram realizadas no software MATLAB, e os resultados obtidos apontam a eficácia da metodologia para realizar a estimação das redes testadas considerando variações de carga, variações topológicas, e tratamento dos erros grosseiros detectados durante o monitoramento.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superiorpt_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 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.subjectEstimação de estados multi-áreapt_BR
dc.subjectSistemas de distribuição de energia elétricapt_BR
dc.subjectRedes neurais artificiaispt_BR
dc.subjectVariações topológicaspt_BR
dc.subjectErros grosseirospt_BR
dc.subjectMulti-area state estimationpt_BR
dc.subjectElectrical distribution systemspt_BR
dc.subjectArtificial neural networkspt_BR
dc.subjectTopology changespt_BR
dc.subjectGross errorspt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
dc.titleEstimação de estados multi-área de sistemas de distribuição de energia elétrica com suporte de redes neurais artificiais considerando variações topológicas e erros grosseirospt_BR
dc.typeDissertaçãopt_BR
Appears in Collections:Mestrado em Engenharia Elétrica (Dissertações)



This item is licensed under a Creative Commons License Creative Commons