Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional do IFPE |
Texto Completo: | https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1247 |
Resumo: | Devido à necessidade da redução da emissão dos gases poluentes e à busca por meios mais sustentáveis de produção de energia, a energia eólica tem sido uma das fontes renováveis que mais crescem no mundo. Entretanto, os custos com operação e manutenção podem chegar a 15% do preço da energia gerada, evidenciando a necessidade de aplicação de métodos para diagnóstico correto de falhas, especialmente no sistema de conversão, que é responsável por cerca de 13% das falhas por turbina ao ano. Diante disto, este trabalho busca diagnosticar as falhas apresentadas por conversores de potência em uma planta de geração eólica. Para tanto, foi implementada uma rede neural convolucional (RNC) ResNet50 com os dados de entrada reais da planta representados como gráficos de radar e divididos em 48 classes, sendo: uma delas do sistema em condições normais de operação, outra para outros tipos de falhas e as demais cada uma representando uma falha no sistema de conversão. Quanto aos resultados, delineiam o progresso e os desafios enfrentados no desenvolvimento da rede neural, no qual foi alcançada uma acurácia final de 91,66%, por meio do ajuste dos hiperparâmetros e análise da complexidade dos padrões aprendidos pela rede. Com isso, a partir da observação dos resultados, viu-se que um dos principais ofensores para o aumento da acurácia do modelo é o desbalanceamento de dados, sugere-se o uso de técnicas como data augmentation gerando novos exemplos sintéticos visando equilibrar a distribuição. Afora, este trabalho não apenas valida a eficácia do modelo proposto, mas também lança luz sobre direções futuras promissoras, ampliando o debate acerca do uso de redes neurais para diagnóstico de falhas em conversores, a fim de corroborar com o aumento da disponibilidade da planta de geração |
id |
IFPE_c9d3bc83ee2c20dffecffbbf7f2d9fad |
---|---|
oai_identifier_str |
oai:repositorio.ifpe.edu.br:123456789/1247 |
network_acronym_str |
IFPE |
network_name_str |
Repositório Institucional do IFPE |
repository_id_str |
|
spelling |
2024-03-22T13:11:49Z2024-03-22T13:11:49Z2024-02-29LIMA, Hemilly Sara Plácido de. Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais. 2024. 61 f. Monografia (Especialização) - Curso de Engenharia Elétrica, Instituto Federal de Pernambuco, Garanhuns, 2024.https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1247Devido à necessidade da redução da emissão dos gases poluentes e à busca por meios mais sustentáveis de produção de energia, a energia eólica tem sido uma das fontes renováveis que mais crescem no mundo. Entretanto, os custos com operação e manutenção podem chegar a 15% do preço da energia gerada, evidenciando a necessidade de aplicação de métodos para diagnóstico correto de falhas, especialmente no sistema de conversão, que é responsável por cerca de 13% das falhas por turbina ao ano. Diante disto, este trabalho busca diagnosticar as falhas apresentadas por conversores de potência em uma planta de geração eólica. Para tanto, foi implementada uma rede neural convolucional (RNC) ResNet50 com os dados de entrada reais da planta representados como gráficos de radar e divididos em 48 classes, sendo: uma delas do sistema em condições normais de operação, outra para outros tipos de falhas e as demais cada uma representando uma falha no sistema de conversão. Quanto aos resultados, delineiam o progresso e os desafios enfrentados no desenvolvimento da rede neural, no qual foi alcançada uma acurácia final de 91,66%, por meio do ajuste dos hiperparâmetros e análise da complexidade dos padrões aprendidos pela rede. Com isso, a partir da observação dos resultados, viu-se que um dos principais ofensores para o aumento da acurácia do modelo é o desbalanceamento de dados, sugere-se o uso de técnicas como data augmentation gerando novos exemplos sintéticos visando equilibrar a distribuição. Afora, este trabalho não apenas valida a eficácia do modelo proposto, mas também lança luz sobre direções futuras promissoras, ampliando o debate acerca do uso de redes neurais para diagnóstico de falhas em conversores, a fim de corroborar com o aumento da disponibilidade da planta de geraçãoDue to the need to reduce emissions of polluting gases and the search for more sustainable means of energy production, wind energy has been one of the fastest-growing renewable sources in the world. However, operation and maintenance costs can reach up to 15% of the generated energy price, highlighting the need for the application of methods for correct fault diagnosis, especially in the conversion system, which is responsible for about 13% of turbine failures per year. Therefore, this work aims to diagnose the faults presented by power converters in a wind generation plant. For this purpose, a Convolutional Neural Network (CNN) ResNet50 was implemented with real input data from the plant represented as radar graphs and divided into 48 classes: one for the system in normal operating conditions, another for other types of faults, and the rest each representing a fault in the conversion system. As for the results, they outline the progress and challenges faced in the development of the neural network, achieving a final accuracy of 91.66% through the adjustment of hyperparameters and analysis of the complexity of the patterns learned by the network. Consequently, from the observation of the results, it was seen that one of the main offenders for the increase in the model’s accuracy is data imbalance, suggesting the use of techniques such as data augmentation to generate new synthetic examples aiming to balance the distribution. Furthermore, this work not only validates the effectiveness of the proposed model but also sheds light on promising future directions, expanding the debate on the use of neural networks for fault diagnosis in converters, in order to contribute to the increased availability of the generation plant61 p.ABEEóLICA. Boletim de geração eólica 2022. São Paulo, 2022. ALZUBAIDI, L. et al. Review of deep learning: concepts, cnn architectures, challenges, applications, future directions. Journal of Big Data, v. 8, p. 53, 2021. Disponível em: https://doi.org/10.1186/s40537-021-00444-8. BEZERRA, C. Uma abordagem de segmentação semântica de íris para fins biométricos usando aprendizagem profunda. Tese (Doutorado), 09 2018. BLAABJERG, F. et al. Power electronics - the key technology for renewable energy system integration. In: . [S.l.: s.n.], 2015. p. 1618–1626. CHENG, C.; JIA, R. A classification method of cnn for numerical data based on radar chart representation. INFORMATION AND CONTROL, v. 48, n. 4, p. 429–436, 2019. ISSN 1002-0411. Disponível em: https://xk.sia.cn/en/article/doi/10.13976/j.cnki .xk.2019.8525. DAHIYA, V.; G, L. Comparative study of doubly fed induction generator and permanent magnet synchronous generator in wind energy conversion system. International Journal of Electrical Engineering and Technology, v. 10, n. 3, p. 73–79, 2019. Disponível em: http://www.iaeme.com/IJEET/issues.asp?JType=IJEET&VType=10&IType=3. DAKE, M. A simplified view of an artificial neural network. 2006. Disponível em:https://commons.wikimedia.org/wiki/File:Neural_network.svg. ELKASEM, A. et al. Optimal performance of doubly fed induction generator wind farm using multi-objective genetic algorithm. International Journal of Interactive Multimedia and Artificial Intelligence, v. 5, p. 48–53, 03 2019. EPE. Plano nacional de energia 2050. Brasília, 2020. . Matriz Energética e Elétrica. 2022. Disponível em https://www.epe.gov.br /pt/abcdenergia/matriz-energetica-e-eletrica. FADIGAS, E. A. F. A. Energia Eólica. [S.l.]: Editora Manole, 2012. ISBN 978-85-204-3004-0. FISCHER, K. et al. Investigation of Converter Failure in Wind Turbines. Stockholm, 2012. GUO, Y. et al. A methodology for reliability assessment and prognosis of bearing axial cracking in wind turbine gearboxes. Renewable and Sustainable Energy Reviews, 2020. HAYKIN, S. S. Neural Networks: A Comprehensive Foundation. 3. ed. [S.l.]: Prentice Hall, 2008. ISBN 0-13-147139-2, 978-0-13-147139-9. IBM. Neural Networks - IBM. 2021. Disponível em: https://www.ibm.com/br-pt/to pics/neural-networks. KOU, L. et al. Fault diagnosis for open-circuit faults in npc inverter based on knowledge-driven and data-driven approaches. IET Power Electronics, v. 13, n. 6, p. 1236–1245, 2020. LIANG, J. et al. A state-of-the-art review on wind power converter fault diagnosis. Energy Reports, v. 8, p. 5341–5369, 2022. ISSN 2352-4847. Citado na página 8. Disponível em: https://www.sciencedirect.com/science/article/pii/S2352484722007338. LIU, Z. et al. Research on fault detection for three types of wind turbine subsystems using machine learning. Energies, v. 13, n. 2, 2020. ISSN 1996-1073. Disponível em: https://www.mdpi.com/1996-1073/13/2/460. LUYING, Z. et al. A transfer residual neural network based on resnet-50 for detection of steel surface defects. Appl. Sci., v. 13, n. 9, 2023. Disponível em: https://www.mdpi.com/1996-1073/13/2/460. MUKHERJEE, S. The Annotated ResNet-50. 2022. Disponível em: https: //towardsdatascience.com/the-annotated-resnet-50-a6c536034758. ONS. Evolução da Capacidade Instalada. 2023. Disponível em https: //www.ons.org.br/Paginas/resultados-da-operacao/historico-da-operacao/evolucao_cap acidade_instalada.aspx. REIS, P. Principais Causas dos Problemas dos Aerogeradores com Caixa Multiplicadora - Parte 1. 2020. Disponível em: https://www.portal-energia.com/pri ncipais-causas-dos-problemas-dos-aerogeradores-com-caixa-multiplicadora-parte-1/. SANTELO, T. N.; MONTEIRO, J. R. B. A. Revisão de falhas e tendências na geração eólica. In: Simpósio Brasileiro de Sistemas Elétricos (SBSE). [S.l.: s.n.], 2020. v. 1, p. 6. SARWINDA, D. et al. Deep learning in image classification using residual network (resnet) variants for detection of colorectal cancer. Procedia Computer Science, v. 179, p. 423–431, 01 2021. U.S. DEPARTMENT OF ENERGY. How a Wind Turbine Works (Text Version). [S.l.], 2023. Acesso em: 21 de Outubro 2023. Disponível em: https: //www.energy.gov/eere/wind/how-wind-turbine-works-text-version. WU, Z. et al. Operation and control of a direct-driven pmsg-based wind turbine system with an auxiliary parallel grid-side converter. Energies, v. 6, p. 3405–3421, 2013. Disponível em: https://doi.org/10.3390/en6073405. YANG, Z.; CHAI, Y. A survey of fault diagnosis for onshore grid-connected converter in wind energy conversion systems. Renewable and Sustainable Energy Reviews, v. 66, p. 345–359, 2016. ISSN 1364-0321. ZHANG, J. et al. Fault diagnosis and monitoring of modular multilevel converter with fast response of voltage sensors. IEEE Transactions on Industrial Electronics, v. 67, n. 6, p. 5071–5080, 2020.An error occurred on the license name.An error occurred getting the license - uri.info:eu-repo/semantics/openAccessOUTROSEnergia eólica - ProduçãoConversores de corrente elétricaRedes neurais - (Computação)Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisLopes, Diego Soareshttp://lattes.cnpq.br/0945421566181646Lopes, Anderson AlvesSilva, João Paulo Silvino Belo daAraújo, Jair Galvão dehttp://lattes.cnpq.br/ 4476744492754993http://lattes.cnpq.br/ 7421943310156556http://lattes.cnpq.br/ 7275113695298926http://lattes.cnpq.br/3857246529990991Lima, Hemilly Sara Plácido deBrasilGaranhunsporreponame:Repositório Institucional do IFPEinstname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)instacron:IFPEORIGINALDiagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais.pdfDiagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais.pdfTrabalho de Conclusão de Cursoapplication/pdf3223717https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/1/Diagn%c3%b3stico%20de%20conversores%20CA-CC-CA%20atrav%c3%a9s%20da%20aplica%c3%a7%c3%a3o%20de%20redes%20neurais%20convolucionais.pdf22f900c22b4f8451257a16ee13d94778MD51open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-80https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/2/license_rdfd41d8cd98f00b204e9800998ecf8427eMD52open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTEXTDiagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais.pdf.txtDiagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais.pdf.txtExtracted texttext/plain111978https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/4/Diagn%c3%b3stico%20de%20conversores%20CA-CC-CA%20atrav%c3%a9s%20da%20aplica%c3%a7%c3%a3o%20de%20redes%20neurais%20convolucionais.pdf.txte3dbf071a3d7b3b8be27f5fe2a6c02bdMD54open accessTHUMBNAILDiagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais.pdf.jpgDiagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais.pdf.jpgIM Thumbnailimage/jpeg4443https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/5/Diagn%c3%b3stico%20de%20conversores%20CA-CC-CA%20atrav%c3%a9s%20da%20aplica%c3%a7%c3%a3o%20de%20redes%20neurais%20convolucionais.pdf.jpg6f53a76e73b9140ea6fe56358a2f2cdeMD55open access123456789/12472024-03-23 03:00:46.473open accessoai:repositorio.ifpe.edu.br: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Repositório InstitucionalPUBhttps://repositorio.ifpe.edu.br/oai/requestrepositorioifpe@reitoria.ifpe.edu.bropendoar:2024-03-23T06:00:46Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE)false |
dc.title.pt_BR.fl_str_mv |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
title |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
spellingShingle |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais Lima, Hemilly Sara Plácido de OUTROS Energia eólica - Produção Conversores de corrente elétrica Redes neurais - (Computação) |
title_short |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
title_full |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
title_fullStr |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
title_full_unstemmed |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
title_sort |
Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais |
author |
Lima, Hemilly Sara Plácido de |
author_facet |
Lima, Hemilly Sara Plácido de |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Lopes, Diego Soares |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/0945421566181646 |
dc.contributor.referee1.fl_str_mv |
Lopes, Anderson Alves |
dc.contributor.referee2.fl_str_mv |
Silva, João Paulo Silvino Belo da |
dc.contributor.referee3.fl_str_mv |
Araújo, Jair Galvão de |
dc.contributor.referee1Lattes.fl_str_mv |
http://lattes.cnpq.br/ 4476744492754993 |
dc.contributor.referee2Lattes.fl_str_mv |
http://lattes.cnpq.br/ 7421943310156556 |
dc.contributor.referee3Lattes.fl_str_mv |
http://lattes.cnpq.br/ 7275113695298926 |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/3857246529990991 |
dc.contributor.author.fl_str_mv |
Lima, Hemilly Sara Plácido de |
contributor_str_mv |
Lopes, Diego Soares Lopes, Anderson Alves Silva, João Paulo Silvino Belo da Araújo, Jair Galvão de |
dc.subject.cnpq.fl_str_mv |
OUTROS |
topic |
OUTROS Energia eólica - Produção Conversores de corrente elétrica Redes neurais - (Computação) |
dc.subject.por.fl_str_mv |
Energia eólica - Produção Conversores de corrente elétrica Redes neurais - (Computação) |
description |
Devido à necessidade da redução da emissão dos gases poluentes e à busca por meios mais sustentáveis de produção de energia, a energia eólica tem sido uma das fontes renováveis que mais crescem no mundo. Entretanto, os custos com operação e manutenção podem chegar a 15% do preço da energia gerada, evidenciando a necessidade de aplicação de métodos para diagnóstico correto de falhas, especialmente no sistema de conversão, que é responsável por cerca de 13% das falhas por turbina ao ano. Diante disto, este trabalho busca diagnosticar as falhas apresentadas por conversores de potência em uma planta de geração eólica. Para tanto, foi implementada uma rede neural convolucional (RNC) ResNet50 com os dados de entrada reais da planta representados como gráficos de radar e divididos em 48 classes, sendo: uma delas do sistema em condições normais de operação, outra para outros tipos de falhas e as demais cada uma representando uma falha no sistema de conversão. Quanto aos resultados, delineiam o progresso e os desafios enfrentados no desenvolvimento da rede neural, no qual foi alcançada uma acurácia final de 91,66%, por meio do ajuste dos hiperparâmetros e análise da complexidade dos padrões aprendidos pela rede. Com isso, a partir da observação dos resultados, viu-se que um dos principais ofensores para o aumento da acurácia do modelo é o desbalanceamento de dados, sugere-se o uso de técnicas como data augmentation gerando novos exemplos sintéticos visando equilibrar a distribuição. Afora, este trabalho não apenas valida a eficácia do modelo proposto, mas também lança luz sobre direções futuras promissoras, ampliando o debate acerca do uso de redes neurais para diagnóstico de falhas em conversores, a fim de corroborar com o aumento da disponibilidade da planta de geração |
publishDate |
2024 |
dc.date.accessioned.fl_str_mv |
2024-03-22T13:11:49Z |
dc.date.available.fl_str_mv |
2024-03-22T13:11:49Z |
dc.date.issued.fl_str_mv |
2024-02-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
LIMA, Hemilly Sara Plácido de. Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais. 2024. 61 f. Monografia (Especialização) - Curso de Engenharia Elétrica, Instituto Federal de Pernambuco, Garanhuns, 2024. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1247 |
identifier_str_mv |
LIMA, Hemilly Sara Plácido de. Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais. 2024. 61 f. Monografia (Especialização) - Curso de Engenharia Elétrica, Instituto Federal de Pernambuco, Garanhuns, 2024. |
url |
https://repositorio.ifpe.edu.br/xmlui/handle/123456789/1247 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.pt_BR.fl_str_mv |
ABEEóLICA. Boletim de geração eólica 2022. São Paulo, 2022. ALZUBAIDI, L. et al. Review of deep learning: concepts, cnn architectures, challenges, applications, future directions. Journal of Big Data, v. 8, p. 53, 2021. Disponível em: https://doi.org/10.1186/s40537-021-00444-8. BEZERRA, C. Uma abordagem de segmentação semântica de íris para fins biométricos usando aprendizagem profunda. Tese (Doutorado), 09 2018. BLAABJERG, F. et al. Power electronics - the key technology for renewable energy system integration. In: . [S.l.: s.n.], 2015. p. 1618–1626. CHENG, C.; JIA, R. A classification method of cnn for numerical data based on radar chart representation. INFORMATION AND CONTROL, v. 48, n. 4, p. 429–436, 2019. ISSN 1002-0411. Disponível em: https://xk.sia.cn/en/article/doi/10.13976/j.cnki .xk.2019.8525. DAHIYA, V.; G, L. Comparative study of doubly fed induction generator and permanent magnet synchronous generator in wind energy conversion system. International Journal of Electrical Engineering and Technology, v. 10, n. 3, p. 73–79, 2019. Disponível em: http://www.iaeme.com/IJEET/issues.asp?JType=IJEET&VType=10&IType=3. DAKE, M. A simplified view of an artificial neural network. 2006. Disponível em:https://commons.wikimedia.org/wiki/File:Neural_network.svg. ELKASEM, A. et al. Optimal performance of doubly fed induction generator wind farm using multi-objective genetic algorithm. International Journal of Interactive Multimedia and Artificial Intelligence, v. 5, p. 48–53, 03 2019. EPE. Plano nacional de energia 2050. Brasília, 2020. . Matriz Energética e Elétrica. 2022. Disponível em https://www.epe.gov.br /pt/abcdenergia/matriz-energetica-e-eletrica. FADIGAS, E. A. F. A. Energia Eólica. [S.l.]: Editora Manole, 2012. ISBN 978-85-204-3004-0. FISCHER, K. et al. Investigation of Converter Failure in Wind Turbines. Stockholm, 2012. GUO, Y. et al. A methodology for reliability assessment and prognosis of bearing axial cracking in wind turbine gearboxes. Renewable and Sustainable Energy Reviews, 2020. HAYKIN, S. S. Neural Networks: A Comprehensive Foundation. 3. ed. [S.l.]: Prentice Hall, 2008. ISBN 0-13-147139-2, 978-0-13-147139-9. IBM. Neural Networks - IBM. 2021. Disponível em: https://www.ibm.com/br-pt/to pics/neural-networks. KOU, L. et al. Fault diagnosis for open-circuit faults in npc inverter based on knowledge-driven and data-driven approaches. IET Power Electronics, v. 13, n. 6, p. 1236–1245, 2020. LIANG, J. et al. A state-of-the-art review on wind power converter fault diagnosis. Energy Reports, v. 8, p. 5341–5369, 2022. ISSN 2352-4847. Citado na página 8. Disponível em: https://www.sciencedirect.com/science/article/pii/S2352484722007338. LIU, Z. et al. Research on fault detection for three types of wind turbine subsystems using machine learning. Energies, v. 13, n. 2, 2020. ISSN 1996-1073. Disponível em: https://www.mdpi.com/1996-1073/13/2/460. LUYING, Z. et al. A transfer residual neural network based on resnet-50 for detection of steel surface defects. Appl. Sci., v. 13, n. 9, 2023. Disponível em: https://www.mdpi.com/1996-1073/13/2/460. MUKHERJEE, S. The Annotated ResNet-50. 2022. Disponível em: https: //towardsdatascience.com/the-annotated-resnet-50-a6c536034758. ONS. Evolução da Capacidade Instalada. 2023. Disponível em https: //www.ons.org.br/Paginas/resultados-da-operacao/historico-da-operacao/evolucao_cap acidade_instalada.aspx. REIS, P. Principais Causas dos Problemas dos Aerogeradores com Caixa Multiplicadora - Parte 1. 2020. Disponível em: https://www.portal-energia.com/pri ncipais-causas-dos-problemas-dos-aerogeradores-com-caixa-multiplicadora-parte-1/. SANTELO, T. N.; MONTEIRO, J. R. B. A. Revisão de falhas e tendências na geração eólica. In: Simpósio Brasileiro de Sistemas Elétricos (SBSE). [S.l.: s.n.], 2020. v. 1, p. 6. SARWINDA, D. et al. Deep learning in image classification using residual network (resnet) variants for detection of colorectal cancer. Procedia Computer Science, v. 179, p. 423–431, 01 2021. U.S. DEPARTMENT OF ENERGY. How a Wind Turbine Works (Text Version). [S.l.], 2023. Acesso em: 21 de Outubro 2023. Disponível em: https: //www.energy.gov/eere/wind/how-wind-turbine-works-text-version. WU, Z. et al. Operation and control of a direct-driven pmsg-based wind turbine system with an auxiliary parallel grid-side converter. Energies, v. 6, p. 3405–3421, 2013. Disponível em: https://doi.org/10.3390/en6073405. YANG, Z.; CHAI, Y. A survey of fault diagnosis for onshore grid-connected converter in wind energy conversion systems. Renewable and Sustainable Energy Reviews, v. 66, p. 345–359, 2016. ISSN 1364-0321. ZHANG, J. et al. Fault diagnosis and monitoring of modular multilevel converter with fast response of voltage sensors. IEEE Transactions on Industrial Electronics, v. 67, n. 6, p. 5071–5080, 2020. |
dc.rights.driver.fl_str_mv |
An error occurred on the license name. An error occurred getting the license - uri. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
An error occurred on the license name. An error occurred getting the license - uri. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
61 p. |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Garanhuns |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional do IFPE instname:Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE) instacron:IFPE |
instname_str |
Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE) |
instacron_str |
IFPE |
institution |
IFPE |
reponame_str |
Repositório Institucional do IFPE |
collection |
Repositório Institucional do IFPE |
bitstream.url.fl_str_mv |
https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/1/Diagn%c3%b3stico%20de%20conversores%20CA-CC-CA%20atrav%c3%a9s%20da%20aplica%c3%a7%c3%a3o%20de%20redes%20neurais%20convolucionais.pdf https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/2/license_rdf https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/3/license.txt https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/4/Diagn%c3%b3stico%20de%20conversores%20CA-CC-CA%20atrav%c3%a9s%20da%20aplica%c3%a7%c3%a3o%20de%20redes%20neurais%20convolucionais.pdf.txt https://repositorio.ifpe.edu.br/xmlui/bitstream/123456789/1247/5/Diagn%c3%b3stico%20de%20conversores%20CA-CC-CA%20atrav%c3%a9s%20da%20aplica%c3%a7%c3%a3o%20de%20redes%20neurais%20convolucionais.pdf.jpg |
bitstream.checksum.fl_str_mv |
22f900c22b4f8451257a16ee13d94778 d41d8cd98f00b204e9800998ecf8427e 8a4605be74aa9ea9d79846c1fba20a33 e3dbf071a3d7b3b8be27f5fe2a6c02bd 6f53a76e73b9140ea6fe56358a2f2cde |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional do IFPE - Instituto Federal de Educação, Ciência e Tecnologia de Pernambuco (IFPE) |
repository.mail.fl_str_mv |
repositorioifpe@reitoria.ifpe.edu.br |
_version_ |
1801503720730525696 |