Transformada Wavelet e técnicas de inteligência computacional aplicadas à identificação, compressão e armazenamento de sinais no contexto de qualidade da energia elétrica

• Autor(a) principal: Andrade, Luciano Carli Moreira de
• Data de Publicação: 2017
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: http://www.teses.usp.br/teses/disponiveis/18/18154/tde-09082017-081609/
• topic: Compressão e armazenamento de dados; Data compression and storage; Detecção e classificação de distúrbios; Detection and classification of disturbances; Electric power system; Intelligent systems; Power quality; Qualidade da energia elétrica; Sistema elétrico de potência; Sistemas inteligentes; Transformada wavelet; Wavelets transform

A presença de distúrbios na energia elétrica fornecida aos consumidores pode causar a diminuição no tempo de vida útil dos equipamentos, mal funcionamento ou até mesmo sua perda. Desse modo, ferramentas capazes de realizar a detecção, localização, classificação, compressão e o armazenamento de sinais de forma automática e organizada são essenciais para garantir um processo de monitoramento adequado ao sistema elétrico de potência como um todo. Dentre as ferramentas comumente aplicadas às tarefas supramencionadas, pode-se destacar a Transformada Wavelet (TW) e as Redes Neurais Artificiais (RNAs). Contudo, ainda não foi estabelecida uma metodologia para obtenção e validação da TW e seu nível de decomposição, bem como da arquitetura e da topologia de RNAs mais apropriadas às tarefas supracitadas. O principal fato que levou a esta constatação deve-se à análise da literatura correlata, onde é possível notar o uso de distintas TW e RNAs. Neste contexto, a primeira contribuição desta pesquisa foi o projeto e desenvolvimento de um método eficiente de segmentação de sinais com distúrbios associados à Qualidade da Energia Elétrica (QEE). O método desenvolvido se beneficia das propriedades da TW de identificação temporal de descontinuidades em sinais. A segunda contribuição é o desenvolvimento de um algoritmo automático que, por meio do método de segmentação desenvolvido e de classificação por RNAs, indique as melhores ferramentas (Wavelets e RNAs) para as tarefas de segmentação, extração de características e classificação de distúrbios de QEE. Esse algoritmo foi desenvolvido com base nos recursos dos Algoritmos Evolutivos (AEs) e adotou RNAs do tipo Perceptron Multicamadas, pois, esta arquitetura pode ser considerada consagrada no que se refere à classificação de padrões. Por fim, a terceira contribuição é relativa ao desenvolvimento de um procedimentos baseados em AEs, a fim de se aprimorar métodos de compressão de dados que preservem as informações relevantes nos sinais de QEE. Assim, é importante mencionar que os resultados dessa pesquisa poderão determinar mecanismos automáticos a serem utilizados no processo de registro, tratamento e armazenamento de informações que serão importantes para se manter um banco de dados (histórico) atualizado nas concessionárias de energia, a partir do qual, índices e um melhor mapeamento e entendimento de todos os distúrbios relacionados à QEE poderão ser melhor entendidos e solucionados.