Keila MaiaWilson Braga JúniorSistemas Elétricos de Potência:Aplicações de redes neurais em sistemaselétricos de potênciaUN...
Objetivos do trabalho● O funcionamento das redes neurais.● Exemplos de fluxo de carga utilizando as redesneurais.● Aplicaç...
O neurônio86 bilhõesInformaçõesinconsistentesReconhecimento depadrõesRobustez
Função ativação dos neurôniosInteração entre neurôniosFunção sigmóideFunção tg hiperbólica
Treinamento das redes● O objetivo de fazer com que a aplicação de umconjunto de entradas produza aproximações dassaídas.● ...
Detalhes das redesE1E2E3E4E5 Σ∫Σ∫Σ∫Σ∫Σ∫ R1R2R3R4R5Σ∫Σ∫Σ∫Σ∫Σ∫F(E1*Pv1+E2*Pa1+E3*Pv1+E4*Pr1+E5*Pz1)F(Σ1)*Pr1+F(Σ2)*Pc1+F(Σ3)...
Características das RNACapacidade de “aprender” através da experiência;Desempenho eficiente na ausência de conhecimentoexp...
Erros nos sistemas RNA
Rede insuficienteRede muito pequena;Poucos parâmetros para aprender todos padrões.
Rede bem adaptadaTamanho ideal da rede para interpretação dosdados.
Comparação entre redesExcesso de complexidade na rede neural.
Erros provenientes do excesso de complexidade
Importância do treinamento
Adaptação do treinamento a rede neural
Comportamento genérico fora dos padrõesvalidados
Cuidados na determinação da RNAUma metodologia para determinar a melhor configuraçãode neurônios na camada intermediária;O...
Aplicações de RNA no setor elétrico• “Application of Neural Networks in Power Systems; AReview”, de M. Tarafdar Haquen e A...
Aplicações de RNA no setor elétrico
Previsão de cargaMédio prazo: estimar insumos necessários para ageração de energia;Longo prazo: determinação do tipo e cap...
Previsão de carga• Pode ser conduzida off-line, sem limitações de tempoe de acoplamento direto ao SEP para aquisição de da...
Diagnóstico/Localização das faltas• Operador pode ser sobrecarregado pelo númeroexcessivo de alarmes que operam simultanea...
Diagnóstico/Localização das faltasVantagemA principal desvantagem é o tempo longorequerido para a alimentação do algoritmo...
Despacho econômicoMinimizar os custos de operação, dependendo dademanda e estando sujeito a certas restrições;• Como aloca...
Vantagens do uso de RNA em SEPCapacidade de lidar com variações estocásticas doponto de operação, trabalhando com um númer...
Exemplo de aplicação em fluxo de cargaKarami et. al.39 barras.78 saídas:● Potência ativa e reativa nabarra de referência.●...
Arquitetura da redeFunção ativação gaussiana.Arquitetura.Treinamento híbridoSupervisionado/autônomo.Banco de dados.3000 fl...
ResultadosTempo de treino:4 min Pentium IV 1.6GHz
ResultadosNova simulação:Treino “Back Propagation”Dupla camada intermediáriaFunção ativação sigmóideTempo de treinamento: ...
Conclusões● Possuem uma grande gama de aplicações em SEP;● Respostas adequadas com redes bem dimensionadase treinadas;● Ra...
Obrigado!Keila Maia – keila@ufpa.brWilson Braga Jr. – wbj99@yahoo.com.br
Próximos SlideShares
Carregando em…5
×

Redes Neurais Aplicadas em Sistemas Elétricos de Potência

825 visualizações

Publicada em

Apresentação do trabalho da disciplina de mestrado apresentada para a disciplina Sistemas Elétricos de Potência.

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
825
No SlideShare
0
A partir de incorporações
0
Número de incorporações
1
Ações
Compartilhamentos
0
Downloads
39
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Redes Neurais Aplicadas em Sistemas Elétricos de Potência

  1. 1. Keila MaiaWilson Braga JúniorSistemas Elétricos de Potência:Aplicações de redes neurais em sistemaselétricos de potênciaUNIVERSIDADE FEDERAL DO PARÁ
  2. 2. Objetivos do trabalho● O funcionamento das redes neurais.● Exemplos de fluxo de carga utilizando as redesneurais.● Aplicações de Redes Neurais em Sistemas elétricosde potência.● Vantagens e desvantagens das redes neurais emRelação aos modelos tradicionais.
  3. 3. O neurônio86 bilhõesInformaçõesinconsistentesReconhecimento depadrõesRobustez
  4. 4. Função ativação dos neurôniosInteração entre neurôniosFunção sigmóideFunção tg hiperbólica
  5. 5. Treinamento das redes● O objetivo de fazer com que a aplicação de umconjunto de entradas produza aproximações dassaídas.● Os pesos da rede gradualmente convergempara os valores de saída.● O sistema precisa ser treinado comum banco de dados de referencia comum número de dados e intervaloapropriados para a aplicação.
  6. 6. Detalhes das redesE1E2E3E4E5 Σ∫Σ∫Σ∫Σ∫Σ∫ R1R2R3R4R5Σ∫Σ∫Σ∫Σ∫Σ∫F(E1*Pv1+E2*Pa1+E3*Pv1+E4*Pr1+E5*Pz1)F(Σ1)*Pr1+F(Σ2)*Pc1+F(Σ3)*Pl1+F(Σ4)*Pve1+F(Σ5)*Pp1
  7. 7. Características das RNACapacidade de “aprender” através da experiência;Desempenho eficiente na ausência de conhecimentoexplícito sobre como identificar uma solução factível;Não necessita modelos matemáticos;Elevada imunidade ao ruído;Capacidade de situações não simuladas a partirda lógica já utilizada.
  8. 8. Erros nos sistemas RNA
  9. 9. Rede insuficienteRede muito pequena;Poucos parâmetros para aprender todos padrões.
  10. 10. Rede bem adaptadaTamanho ideal da rede para interpretação dosdados.
  11. 11. Comparação entre redesExcesso de complexidade na rede neural.
  12. 12. Erros provenientes do excesso de complexidade
  13. 13. Importância do treinamento
  14. 14. Adaptação do treinamento a rede neural
  15. 15. Comportamento genérico fora dos padrõesvalidados
  16. 16. Cuidados na determinação da RNAUma metodologia para determinar a melhor configuraçãode neurônios na camada intermediária;Os critérios de seleção e diversificação dos dados deentrada da amostra;Determinação dos erros e desempenho do sistema;
  17. 17. Aplicações de RNA no setor elétrico• “Application of Neural Networks in Power Systems; AReview”, de M. Tarafdar Haquen e A.M. Kashtiban.Trabalhos publicados no IEEE:Entre 1990 até 1996: 86 artigos.Entre 2000 até abril de 2005: 118 artigos.
  18. 18. Aplicações de RNA no setor elétrico
  19. 19. Previsão de cargaMédio prazo: estimar insumos necessários para ageração de energia;Longo prazo: determinação do tipo e capacidadedas usinas de geração.Curto prazo: despacho econômico, despacho decarga e controle em tempo real;
  20. 20. Previsão de carga• Pode ser conduzida off-line, sem limitações de tempoe de acoplamento direto ao SEP para aquisição de dados.• Capacidade ajuste dos parâmetros para as entradas das RNA que nãopossuem relação funcional entre si, tais como condições climáticas eperfil de carga.
  21. 21. Diagnóstico/Localização das faltas• Operador pode ser sobrecarregado pelo númeroexcessivo de alarmes que operam simultaneamente, oque aumenta o tempo necessário para identificar aprincipal causa de interrupção e iniciar o processo derestauração;• Utilizadas técnicas de inteligência artificial pararápida identificação da falta;• Redes neurais dentre essas técnicas.
  22. 22. Diagnóstico/Localização das faltasVantagemA principal desvantagem é o tempo longorequerido para a alimentação do algoritmode formação da rede;Flexibilidade na operação com dados ruidosos;Desvantagem
  23. 23. Despacho econômicoMinimizar os custos de operação, dependendo dademanda e estando sujeito a certas restrições;• Como alocar a demanda de carga necessária entreas unidades de geração disponíveis.
  24. 24. Vantagens do uso de RNA em SEPCapacidade de lidar com variações estocásticas doponto de operação, trabalhando com um número dedados maiores.Rápido processamento e classificação de dados.Modelagem não-linear implícita e filtragem dedados do sistema.
  25. 25. Exemplo de aplicação em fluxo de cargaKarami et. al.39 barras.78 saídas:● Potência ativa e reativa nabarra de referência.● Potência reativa gerada nas9 barras PV● Magnitude da tensão das 29barras PQ● Ângulo da tensão das 9barras PV e 29 barras PQ
  26. 26. Arquitetura da redeFunção ativação gaussiana.Arquitetura.Treinamento híbridoSupervisionado/autônomo.Banco de dados.3000 fluxos de carga.2000 Para treinamento.1000 Para validação
  27. 27. ResultadosTempo de treino:4 min Pentium IV 1.6GHz
  28. 28. ResultadosNova simulação:Treino “Back Propagation”Dupla camada intermediáriaFunção ativação sigmóideTempo de treinamento: 10h
  29. 29. Conclusões● Possuem uma grande gama de aplicações em SEP;● Respostas adequadas com redes bem dimensionadase treinadas;● Rapidez na execução após seu desenvolvimento quandocomparado a métodos tradicionais;● Dificuldade na determinação da sua arquitetura;● Necessidade de avaliação dos erros;● Projetos e treinamento específico por aplicação.
  30. 30. Obrigado!Keila Maia – keila@ufpa.brWilson Braga Jr. – wbj99@yahoo.com.br

×