Avaliação de Técnicas de Mineração de Dados para Predição de Desligamentos em Sistemas Elétricos de Potência
Resumo
O volume de informações históricas relacionado ao comportamento dos sistemas elétricos de potência, fez aumentar significativamente a dimensão das bases de dados das empresas de energia, sem entretanto contribuir com a melhoria nos aspectos de operação, manutenção e qualidade do serviço, salvo para eventuais consultas do comportamento histórico de variáveis. Diversos trabalhos na literatura vêm sendo propostos para investigar diversos aspectos relacionados este problema. Alguns desses trabalhos abordam o problema da predição de ocorrência de desligamentos em sistemas de potência utilizando técnicas de mineração. No entanto, devido ao grande volume de dados, a busca por metodologias de preparação e seleção de dados torna-se importante. Neste trabalho, é apresentada uma proposta metodológica utilizando técnicas de mineração de dados aplicadas às séries temporais de medição fasorial sincronizada para auxílio da prevenção de desligamentos devido a desvios de tensão em sistemas elétricos de potência. São testadas algumas técnicas de mineração em dados obtidos em uma linha de transmissão de 230 kV que interliga as subestações de Tucuruí, Altamira, Rurópolis, constituindo o sistema elétrico Tramo Oeste do Pará.
Referências
Arouche Freire, J. C., Santos, Y. S. R. N., Morais, J. M., Oliveira, T. F., Hauser-Davis, R. A., Saraiva, A. C. F. (2014b). Avaliação de Desempenho de Classificadores de Ciclos Hidrológicos em Reservatórios de Água na Região Amazônica. In: XXXIV Congresso da Sociedade Brasileira de Computação, WCAMA, Brasília-DF.
Bollen, M., (2009). Bridging the gap between signal and power. IEEE Signal Processing Magazine, 26:12, July.
Faceli, k., Lorena, A. C., Gama, J., Carvalho, A. C. P. L. F. Inteligência artificial: uma abordagem de aprendizado de máquina. Editora LTC, 2011.
Guandaline, V. H., Merschmann, L. H. de C. 1. (2013). Avaliação de Técnicas de mineração de dados para predição de ocorrência do mexilhão. TrilhasTécnicas - SBSI, 2014.
Hall, M.; Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., Witten, I. H. (2009). The weka data mining software: an update. SIGKDD Explor. Newsl. 11, 10-18.
Haykin, S. (1998). Neural Networks: A comprehensive Foundation. Prentice Hall, 2 edition, July 1998. p. 900.
He, Z., Lin, S., Deng, Y., Li, X., Qian, Q. (2014). A rough membership neural network approach for fault classification in transmission lines. Journal of Eletrica Power & Energy System, v. 61, p. 429-439.
Krishnanand, K. R., Dash, P. K., Naeem, M. H. (2015). Detection, classification, and location of faults in power transmission lines. Journal of Eletrica Power & Energy System, v. 67, p. 76-86.
Liu, Y., Schulz, N.N. (2002). Intelligent system applications in distribution outage management. Power Engineering Society Winter Meeting. IEEE, Vol. 2, pp. 833 – 837.
Morais, J. M. (2011). Avaliação de Desempenho de Classificadores de Faltas em Sistemas Elétricos de Potência. Tese de Doutorado apresentada ao Programa de Pós-Graduação em Engenharia Elétrica. Universidade Federal doPará.
Morais, J. M., Pires, Y.P., Cardoso, C., Klautau, A. B. R. (2010). A Framework for Evaluating Automatic Classification of Underlying Causes of Disturbances and Its Application to ShortCircuit Faults. IEEE Transactions on Power Delivery, v. 25, p. 2083-2094.
Pretto, C. O., Rancich, G.V., Lemos, F.A.B., Rosa, M.A. (2003). Forced Outages Information Treatment System and Cause Identification Based on Mobile Computing and Neural Networks. IEEE Bolonha Power Tech, Bolonha, pp. 1-6.
Ree, J. D. L., Centeno, V., Thorp, J. S., and Phadke, A. G. (2010). Synchronized phasor measurement applications in power systems. IEEE Trans. Smart Grid, 1(1):20–27.
Riflin, R., Klautau, A. (2004). In defense of onevs-all classification. Machine Learning Research 5, 101-141.
Tronchoni, A. B. (2008). Identificação de Causas de Desligamentos Não Programados em Redes de Distribuição. Dissertação de Mestrado, PPGEE,PUCRS.
Witten, I. H., Frank, E. (2005). Data mining: practical machine learning tools and techniques with java implementations. Edition Morgan Kaufmann.
Zhou, Q., Zhou, H., Zhou, Q., Yang, F., and Luo, L. (2014). Structure damage detection based on random forest recursive feature elimination. Mechanical Systems and Signal Processing.
