Sistema de classificação inteligente de cargas elétricas similares e não similares

Página do item simplificado
dc.contributor.advisor-co1Rigo Júnior, Luís Otávio
dc.contributor.advisor1Celeste, Wanderley Cardoso
dc.contributor.authorPaixão, Aloisio Ramos da
dc.contributor.referee1Atencio, Anibal Cotrina
dc.contributor.referee2Rocha, Helder Roberto de Oliveira
dc.date.accessioned2018-08-01T23:29:05Z
dc.date.available2018-08-01
dc.date.available2018-08-01T23:29:05Z
dc.date.issued2016-12-01
dc.description.abstractThis research aims to development a system of intelligent classification of similar and non similar electrical loads, using non-intrusive measurement for the acquisition of voltage and current electric signals. Initially an experimental platform containing an arrangement with 4 similar electrical loads, that is, of the same manufacturer and with identical technical specifications, is implemented. Subsequently, an arrangement with 4 non-similar electric loads is used, in order to allow a comparison with the works observed in the recent literature. Six intelligent classifiers are used in the identification process, namely: k-means, Case-Based Reasoning (CBR), CBR+k-means and three Multi-Layer Perceptron (MLP) Artificial Neural Networks (ANN), being one ANN with 4 neurons in the hidden layer (MLP-4) and two ANNs with 8 neurons in the hidden layer (MLP-8 and MLP-8-C30000) that differ only in the number of cycles used as criterion of Learning. The experiments are performed using electrical signals sampled in the frequencies of 6.25kHz, 12.5kHz and 25kHz, in order to verify the influence of the sampling rate on the identification process. The influence of the number of samples used for the tests is also verified. For this, 50, 100 and 150 samples are used for each load configuration. The tests are performed per device (4 electric loads) and per class (24=16 experimental platform operating configurations). It is verified that both sampling rate and number of samples are influenced the performance of the classifiers, opening up possibilities for the development of new works that aim to find optimal configurations involving such parameters. The results obtained for similar electrical loads reached 85.94% of success when identifying a connected device and 73.75% when identifying an arrangement configuration. On the other hand, results with non-similar electrical loads show the compatibility with the results found in the literature, that is, varying between 92.69% and 100% accuracy.
dc.description.resumoO presente trabalho tem como objetivo desenvolver um sistema de classificação inteligente de cargas elétricas similares e não similares, utilizando medição não intrusiva para a aquisição dos sinais elétricos de tensão e de corrente. Inicialmente implementa-se uma plataforma experimental contendo um arranjo com 4 cargas elétricas similares, isto é, de um mesmo fabricante e com especificações técnicas idênticas. Posteriormente utiliza-se um arranjo com 4 cargas elétricas não similares, a fim de possibilitar uma comparação com os trabalhos observados na literatura recente. Utilizam-se seis classificadores inteligentes no processo de identificação, a saber: k-means (k-médias), Raciocínio Baseado em Casos (RBC), RBC+k-means e três Redes Neurais Artificiais (RNA) do tipo Multi-Layer Perceptron (MLP), sendo uma RNA com 4 neurônios na camada escondida (MLP-4) e duas RNAs com 8 neurônios na camada escondida (MLP-8 e MLP-8-C30000), as quais se diferem apenas na quantidade de ciclos (épocas) utilizados como critério de parada durante o aprendizado. Os experimentos para as cargas elétricas similares são realizados com os dados obtidos através das frequências de amostragem de 6,25kHz, 12,5kHz e 25kHz, a fim de verificar a influência da taxa de amostragem no processo de identificação. Verifica-se também a influência da quantidade de amostras utilizadas nos experimentos. Utilizam-se 50, 100 e 150 amostras para cada configuração de funcionamento das cargas, isto é, por dispositivo (4 cargas elétricas) e por classe (24=16 configurações de funcionamento da plataforma experimental). Verifica-se que a taxa de amostragem na aquisição dos sinais elétricos e a quantidade de amostras utilizadas nos testes, influenciam no desempenho dos classificadores, abrindo-se possibilidades para o desenvolvimento de novos trabalhos que visem encontrar configurações ótimas envolvendo tais parâmetros. Para as cargas elétricas similares, obteve-se resultados de até 85,94% de acerto para os dispositivos e de até 73,75% para as classes. Para as cargas elétricas não similares, realizaram-se testes com 150 amostras e frequência de amostragem de 25kHz. Os resultados obtidos nestes testes mostram-se compatíveis com os resultados observados na literatura, isto é, os resultados variaram entre 92,69% e 100% de acerto.
dc.formatText
dc.identifier.citationPAIXÃO, Aloisio Ramos da. Sistema de classificação inteligente de cargas elétricas similares e não similares. 2016. 80 f. Dissertação (Mestrado em Energia) - Programa de Pós-Graduação em Energia, Universidade Federal do Espírito Santo, São Mateus, 2016.
dc.identifier.urihttp://repositorio.ufes.br/handle/10/8428
dc.languagepor
dc.publisherUniversidade Federal do Espírito Santo
dc.publisher.countryBR
dc.publisher.courseMestrado em Energia
dc.publisher.initialsUFES
dc.publisher.programPrograma de Pós-Graduação em Energia
dc.rightsopen access
dc.subjectElectrical signalseng
dc.subjectSimilar electrical loadseng
dc.subjectElectrical characteristicseng
dc.subjectIntelligent classifierseng
dc.subjectCargas elétricas similarespor
dc.subjectCaracterísticas elétricaspor
dc.subjectClassificadores inteligentespor
dc.subjectSistema de Classificação Inteligentepor
dc.subject.br-rjbnEnergia elétrica
dc.subject.br-rjbnCargas elétricas
dc.subject.br-rjbnSinais elétricos
dc.subject.cnpqEngenharia/Tecnologia/Gestão
dc.subject.udc620.9
dc.titleSistema de classificação inteligente de cargas elétricas similares e não similares
dc.typemasterThesis
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
tese_10471_Aloisio Ramos da Paixão.pdf
Tamanho:
4.92 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Mestrado em Energia