{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/3932"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/3932","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Modelos neurais autônomos para classificação e localização de defeitos em linhas de transmissão","abstract":"O problema de diagnóstico de faltas em linhas de transmissão constitui um dos principais desafios para gestão técnica de instalações de transmissão. A assertividade nesta atividade é fundamental para suporte à tomada de decisão, reduzindo as taxas de indisponibilidade e promovendo o restabelecimento célere da função transmissão, contribuindo para melhoria da qualidade do serviço e reduzindo os impactos financeiros advindos de reduções na parcela variável. Este documento apresenta uma proposta de sistema inteligente para classificação e localização de faltas em linhas de transmissão. Os algoritmos utilizados são baseados nos chamados modelos neurais autônomos, que incluem técnicas analíticas para seleção de entradas e especificação automática da estrutura sem a necessidade do uso de um conjunto independente de dados para validação. Ao utilizar a inferência bayesiana para especificação e treinamento de perceptrons de múltiplas camadas (MLPs), o sistema inteligente fornece respostas probabilísticas para classificação do tipo de defeito e também para a distância da falta em relação à subestação monitorada. Para desenvolvimento dos modelos são utilizados dados técnicos de uma linha de transmissão integrante do Sistema Interligado Nacional (SIN), a qual é modelada em um “software” de simulação de transitórios eletromagnéticos, ATP, visando estabelecer os diversos cenários de falta. Foram analisados dois tipos de rede equivalente, uma detalhada e outra simples, de forma a precisar qual o melhor modelo e se há diferenças significativas nos resultados em termos de representação das faltas. As bases de dados com as oscilografias de tensão e corrente obtidas para cada tipo de defeito são utilizadas para treinamento e teste do sistema inteligente, sendo demonstrando o potencial dos algoritmos utilizados.","abstract_html":"O problema de diagnóstico de faltas em linhas de transmissão constitui um dos principais desafios para gestão técnica de instalações de transmissão. A assertividade nesta atividade é fundamental para suporte à tomada de decisão, reduzindo as taxas de indisponibilidade e promovendo o restabelecimento célere da função transmissão, contribuindo para melhoria da qualidade do serviço e reduzindo os impactos financeiros advindos de reduções na parcela variável. Este documento apresenta uma proposta de sistema inteligente para classificação e localização de faltas em linhas de transmissão. Os algoritmos utilizados são baseados nos chamados modelos neurais autônomos, que incluem técnicas analíticas para seleção de entradas e especificação automática da estrutura sem a necessidade do uso de um conjunto independente de dados para validação. Ao utilizar a inferência bayesiana para especificação e treinamento de perceptrons de múltiplas camadas (MLPs), o sistema inteligente fornece respostas probabilísticas para classificação do tipo de defeito e também para a distância da falta em relação à subestação monitorada. Para desenvolvimento dos modelos são utilizados dados técnicos de uma linha de transmissão integrante do Sistema Interligado Nacional (SIN), a qual é modelada em um “software” de simulação de transitórios eletromagnéticos, ATP, visando estabelecer os diversos cenários de falta. Foram analisados dois tipos de rede equivalente, uma detalhada e outra simples, de forma a precisar qual o melhor modelo e se há diferenças significativas nos resultados em termos de representação das faltas. As bases de dados com as oscilografias de tensão e corrente obtidas para cada tipo de defeito são utilizadas para treinamento e teste do sistema inteligente, sendo demonstrando o potencial dos algoritmos utilizados.","abstract_has_math":false,"creators":["Lopes, Daniel do Souto"],"institution":"Niterói","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Ferreira, Vitor Hugo"],"committee_chairs":[],"committee_members":[],"year":2017,"date_issued":"2017-07-03","date_published":"2017-07-03","updated_at":"2026-07-27T19:00:47Z","subjects":[],"languages":["pt_BR"],"rights":["OpenAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://app.uff.br/riuff/handle/1/3932","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Ferreira, Vitor Hugo"]},{"key":"dc:creator","label":"Author","values":["Lopes, Daniel do Souto"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2017-07-03T12:39:19Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2017-07-03T12:39:19Z"]},{"key":"dc:date.issued","label":"Date","values":["2017-07-03"]},{"key":"dc:publisher.department","label":"Dc Publisher Department","values":["Niterói"]},{"key":"dc:type","label":"Dc Type","values":["Dissertação"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["OpenAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://app.uff.br/riuff/handle/1/3932"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["O problema de diagnóstico de faltas em linhas de transmissão constitui um dos principais desafios para gestão técnica de instalações de transmissão. A assertividade nesta atividade é fundamental para suporte à tomada de decisão, reduzindo as taxas de indisponibilidade e promovendo o restabelecimento célere da função transmissão, contribuindo para melhoria da qualidade do serviço e reduzindo os impactos financeiros advindos de reduções na parcela variável. Este documento apresenta uma proposta de sistema inteligente para classificação e localização de faltas em linhas de transmissão. Os algoritmos utilizados são baseados nos chamados modelos neurais autônomos, que incluem técnicas analíticas para seleção de entradas e especificação automática da estrutura sem a necessidade do uso de um conjunto independente de dados para validação. Ao utilizar a inferência bayesiana para especificação e treinamento de perceptrons de múltiplas camadas (MLPs), o sistema inteligente fornece respostas probabilísticas para classificação do tipo de defeito e também para a distância da falta em relação à subestação monitorada. Para desenvolvimento dos modelos são utilizados dados técnicos de uma linha de transmissão integrante do Sistema Interligado Nacional (SIN), a qual é modelada em um “software” de simulação de transitórios eletromagnéticos, ATP, visando estabelecer os diversos cenários de falta. Foram analisados dois tipos de rede equivalente, uma detalhada e outra simples, de forma a precisar qual o melhor modelo e se há diferenças significativas nos resultados em termos de representação das faltas. As bases de dados com as oscilografias de tensão e corrente obtidas para cada tipo de defeito são utilizadas para treinamento e teste do sistema inteligente, sendo demonstrando o potencial dos algoritmos utilizados."]},{"key":"dc:title","label":"Title","values":["Modelos neurais autônomos para classificação e localização de defeitos em linhas de transmissão"]}]}],"canonical_facts":{"dc:contributor.advisor":["Ferreira, Vitor Hugo"],"dc:creator":["Lopes, Daniel do Souto"],"dc:date.accessioned":["2017-07-03T12:39:19Z"],"dc:date.available":["2017-07-03T12:39:19Z"],"dc:date.issued":["2017-07-03"],"dc:description.abstract":["O problema de diagnóstico de faltas em linhas de transmissão constitui um dos principais desafios para gestão técnica de instalações de transmissão. A assertividade nesta atividade é fundamental para suporte à tomada de decisão, reduzindo as taxas de indisponibilidade e promovendo o restabelecimento célere da função transmissão, contribuindo para melhoria da qualidade do serviço e reduzindo os impactos financeiros advindos de reduções na parcela variável. Este documento apresenta uma proposta de sistema inteligente para classificação e localização de faltas em linhas de transmissão. Os algoritmos utilizados são baseados nos chamados modelos neurais autônomos, que incluem técnicas analíticas para seleção de entradas e especificação automática da estrutura sem a necessidade do uso de um conjunto independente de dados para validação. Ao utilizar a inferência bayesiana para especificação e treinamento de perceptrons de múltiplas camadas (MLPs), o sistema inteligente fornece respostas probabilísticas para classificação do tipo de defeito e também para a distância da falta em relação à subestação monitorada. Para desenvolvimento dos modelos são utilizados dados técnicos de uma linha de transmissão integrante do Sistema Interligado Nacional (SIN), a qual é modelada em um “software” de simulação de transitórios eletromagnéticos, ATP, visando estabelecer os diversos cenários de falta. Foram analisados dois tipos de rede equivalente, uma detalhada e outra simples, de forma a precisar qual o melhor modelo e se há diferenças significativas nos resultados em termos de representação das faltas. As bases de dados com as oscilografias de tensão e corrente obtidas para cada tipo de defeito são utilizadas para treinamento e teste do sistema inteligente, sendo demonstrando o potencial dos algoritmos utilizados."],"dc:identifier.uri":["https://app.uff.br/riuff/handle/1/3932"],"dc:language.iso":["pt_BR"],"dc:publisher.department":["Niterói"],"dc:rights":["OpenAccess"],"dc:title":["Modelos neurais autônomos para classificação e localização de defeitos em linhas de transmissão"],"dc:type":["Dissertação"]},"updated_at":"2026-07-27T19:00:47Z"}