Identificação de eventos do sistema de potência usando uma rede neural long short-term memory

• Processo: 19/08200-5
• Linha de fomento: Bolsas no Exterior - Estágio de Pesquisa - Mestrado
• Vigência (Início): 09 de agosto de 2019
• Vigência (Término): 08 de fevereiro de 2020
• Área do conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: Daniel Dotta
• Beneficiário: Orlem Lima dos Santos
• Supervisor no Exterior: Meng Wang
• Instituição-sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Local de pesquisa: Rensselaers Polytechnic Institute, Estados Unidos
• Vinculado à bolsa: 17/25425-5 - Análise de metodologias baseadas em redes neurais artificiais para a classificação de eventos usando Sincrofasores, BP.MS
• Assunto(s): Sistemas de medição fasorial Dinâmica de máquinas e sistemas Métodos de decomposição Engenharia simultânea

Resumo

Atualmente, a identificação em tempo real de eventos é crucial para o funcionamento Sistemas de Energia Elétrica (SEE). Neste contexto, as redes WAMS (Wide Area Measurement System) são capazes de realizar medições simultâneas de tensão e corrente, conhecido como sincrofasores. Esses recursos permitem o monitoramento em tempo real da resposta dinâmica dos grandes sistemas de energia. As redes WAMS capturam e armazenam uma grande quantidade de dados que devem ser analisadas para extrair informações relevantes sobre o desempenho do SEE. Assim, há é uma necessidade de explorar algoritmos de mineração de dados, como a Rede Neural Artificiais (RNA), uma vez que eles pode permitir a extração rápida e eficiente de informações significativas sobre o SEE. A pesquisa realizada até agora tem se concentrado na aplicação de RNA estáticas, não recorrentes, que não agregam a capacidade de identificar as características não estacionárias (ou dinâmicas) presente em um SEE. Considerando isso, a principal preocupação deste projeto de pesquisa BEPE é desenvolver um método de identificação de eventos baseado em dados, focando em um RNA dinâmica chamada Long Short-Term Memory (LSTM), que pode identificar com precisão diferentes tipos de eventos. Além disso, propomos treinar um LSTM nos auto-valores dominantes e valores singulares em vez de treinamento em séries temporais diretamente. O método será avaliado em eventos reais do Sistema Interligado Nacional (SIN). (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

ALCAHUAMAN, HEVER; LOPEZ, JUAN CAMILO; DOTTA, DANIEL; RIDER, MARCOS J.; GHIOCEL, SCOTT. Optimized Reactive Power Capability of Wind Power Plants With Tap-Changing Transformers. IEEE TRANSACTIONS ON SUSTAINABLE ENERGY, v. 12, n. 4, p. 1935-1946, OCT 2021. (16/08645-9, 19/08200-5, 15/21972-6, 19/01906-0, 17/21752-1, 19/10033-0, 18/20104-9, 17/25425-5)