| dc.contributor | Universidade Estadual Paulista (UNESP) | |
| dc.creator | Lotufo, Anna Diva Plasencia | |
| dc.date | 2014-06-11T19:30:52Z | |
| dc.date | 2016-10-25T19:25:25Z | |
| dc.date | 2014-06-11T19:30:52Z | |
| dc.date | 2016-10-25T19:25:25Z | |
| dc.date | 2004-08-30 | |
| dc.date.accessioned | 2017-04-06T04:42:08Z | |
| dc.date.available | 2017-04-06T04:42:08Z | |
| dc.identifier | LOTUFO, Anna Diva Plasencia. Análise de sensibilidade por redes neurais para estudos da estabilidade transitória de sistemas elétricos de potência. 2004. iii, 133 f. Tese (doutorado) - Universidade Estadual Paulista, Faculdade de Engenharia de Ilha Solteira, 2004. | |
| dc.identifier | http://hdl.handle.net/11449/100377 | |
| dc.identifier | http://acervodigital.unesp.br/handle/11449/100377 | |
| dc.identifier | lotufo_adp_dr_ilha.pdf | |
| dc.identifier | 000226503 | |
| dc.identifier | 33004099080P0 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/911706 | |
| dc.description | Esta pesquisa tem por objetivo o desenvolvimento de uma metodologia, para análise de estabilidade transitória e para o controle preventivo de sistemas de energia elétrica, formulada por redes neurais feedforward multicamadas. A margem de segurança (método da energia) é empregada como critério de análise de estabilidade transitória, considerando-se defeitos tipo curto-circuito trifásico com saída de linha de transmissão. O funcionamento das redes neurais é constituído por duas fases principais: treinamento (ou aprendizado) e análise. A fase de treinamento requer uma grande quantidade de processamento para a sua realização, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Trata-se, por conseguinte, da principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, sendo, portanto, adequadas para aplicações em tempo real. O treinamento da rede neural é realizado usando o algoritmo retropropagação (backpropagation) com controlador nebuloso e a adaptação da inclinação e deslocamento da função sigmóide (pós-sináptica). O controlador nebuloso é usado visando proporcionar uma convergência mais rápida e resultados mais precisos, se comparado ao algoritmo retropropagação tradicional. A adaptação da taxa de treinamento é efetuada usando a informação do erro global e a variação do erro global. A adaptação da inclinação e deslocamento da função sigmóide também é usada com o objetivo de melhorar a capacidade da obtenção de uma solução, ou seja, ampliar o espaço de busca. Após ter sido concluído o treinamento, a rede neural deverá estar apta a estimar a margem de segurança e a análise de sensibilidade. Com esta informação é possível desenvolver um método para a realização da correção da segurança (controle preventivo)... . | |
| dc.description | This work presents a procedure, for transient stability analysis and for preventive control of electric power systems, formulated by multilayer feedforward neural network. The security margin (energy method) is used as a criterion of the transient stability analysis considering faults like three-phase short-circuits with outage of transmission line. The performance of neural networks is constituted of two principal phases: training (or learning) and analysis. The training phase needs a great quantity of processing time for the realization, whereas the analysis phase is effectuated almost without computational effort. Therefore, this is the principal justification to use neural networks for solving complex problems that need fast solutions, and as a consequence being adequate for real time applications. The neural network training is realized using the backpropagation algorithm with fuzzy controller and the sigmoid (postsynaptic) function slope and translation adaptation. The fuzzy controller is used to provide a faster convergence and more precise results, if compared to the traditional Backpropagation algorithm. The adapting of the training rate is effectuated using the information of the global error, and global error variation. The adaptation of the slope and translation of the postsynaptic function is used for improving the capacity of obtaining a solution, i.e., to enlarge the space of search. After finishing the training, the neural network is capable to estimate the security margin, and the sensitivity analysis. With these information it is possible to develop a method for the realization of the security correction (preventive control) based on generation reallocation and load shedding. The preventive control idealization is based on the sensitivity... (Complete abstract, click electronic address below). | |
| dc.language | por | |
| dc.publisher | Universidade Estadual Paulista (UNESP) | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Analise de sensibilidade | |
| dc.subject | Estabilidade | |
| dc.subject | Lógica difusa | |
| dc.subject | Redes neurais (Computação) | |
| dc.subject | Sistemas elétricos de potência | |
| dc.title | Análise de sensibilidade por redes neurais para estudos da estabilidade transitória de sistemas elétricos de potência | |
| dc.type | Otro | |
