Redes neurais originadas em oscilógrafos com ajustes de quantidades para permitir a aplicação de RNA em sistemas reais
DOI:
https://doi.org/10.5540/03.2025.011.01.0470Palabras clave:
Redes Neurais Artificiais, Detecção, Falhas, EnergiaResumen
A possibilidade de encontrar falhas incipientes no sistema de distribuição de energia elétrica contribui para a eficiência no consumo. Neste trabalho, propõe-se o uso de redes neurais artificiais (RNAs) para monitorar a rede de distribuição de energia, que será realizado a partir de indicadores extraídos de oscilografia tais como: vetores com amplitudes máximas, transformada Wavelet e transformada de Fourier. A utilização de tais indicadores possibilita identificar e antecipar as diversas situações que podem afetar a qualidade e o fornecimento da energia elétrica.
Descargas
Citas
F. S. Avelar, A. S. Paula, F. F. B. Silva, M. T. C. Siqueira e D.F. Gomes. “Utilização de Redes Neurais Artificiais para Recuperação de Falhas em Redes de Distribuição de Energia Elétrica”. Em: Gestão, Tecnologia e Inovação : Revista eletronica dos cursos de engenharia 2.2 (2021). Acessado em 18/03/2024, https://www.opet.com.br/faculdade/revista-engenharias/pdf/v2n2/Utilizacao-de-Redes-Neurais-Artificiais-para-Recuperacao-de-Falhas-em-Redes-de-Distribuicao-de-Energia-Eletrica_v2n2-1.pdf, pp. 1–10. issn: 2595-3370.
W. Freitas. Grupo de Trabalho IEEE em Análise de Dados de Qualidade de Energia. Acessado em, 25/03/2024, https://grouper.ieee.org/groups/td/pq/data/. 2020.
N. Kagan, E.J. Robba e H. P. Schmidt. Estimação de indicadores de qualidade da energia elétrica. 1a. ed. São Paulo: Blusher, 2009. isbn: 9788521204879.
B. B. Machado. “Sistemas preditivos de detecção de faltas em redes de distribuição de energia elétrica”. Acessado em 18/03/2024, https://doi.org/10.47749/T/UNICAMP.2017.993753. Dissertação de mestrado. Faculdade de Engenharia Elétrica e de Computação - Unicamp, 2017.
V. N. Ogar, S. Hussain e K. A.A. Gamage. “The use of artificial neural network for low latency of fault detection and localisation in transmission line”. Em: Heliyon 9.2 (2023), e13376. issn: 2405-8440. doi: https://doi.org/10.1016/j.heliyon.2023.e13376. url: https://www.sciencedirect.com/science/article/pii/S2405844023005832.
P. K. Shukla e K. Deepa. “Deep learning techniques for transmission line fault classification – A comparative study”. Em: Ain Shams Engineering Journal 15.2 (2024), p. 102427. issn: 2090-4479. doi: https://doi.org/10.1016/j.asej.2023.102427. url: https://www.sciencedirect.com/science/article/pii/S2090447923003167.
I.N. Silva, D.H. Spatti e R.A. Flauzino. Redes Neurais Artificiais : Para Engenharia e Ciências Aplicadas. 2a. ed. São Paulo: Artliber, 2010. isbn: 9788588098879.
