Você está aqui: Página Inicial curitiba Estrutura do Câmpus Diretorias Diretoria de Pesquisa e Pós-Graduação Mestrado e Doutorado CPGEI Edital de Defesas 2015 CPGEI (Doutorado): André Eugenio Lazzaretti-27/02/15

CPGEI (Doutorado): André Eugenio Lazzaretti-27/02/15

Defesa Pública de Doutorado do Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
Quando 27/02/2015
das 14h00 até 18h00
Onde Sede Central: Sala C-301
Nome do Contato Prof. Hugo Vieira Neto
Participantes Prof. Hugo Vieira Neto, Dr. Orientador UTFPR
Prof. Vitor Hugo Ferreira, Dr. Co-orientador UFF
Banca examinadora:
Prof. Vitor H. Ferreira, Dr. Presidente UFF
Prof. Valeria Arruda, Dr. UTFPR
Prof. Alexandre R. Aoki, Dr. UFPR
Prof. Germano Lambert Torres, Dr. PS Soluções
Prof. Alceu de Souza Britto JR, Dr. PUCPR
Adicionar evento ao calendário vCal
iCal

Segmentação, classificação e detecção de novas classes de eventos em oscilografias de redes de distribuição de energia elétrica

Resumo: Este trabalho apresenta novas abordagens para duas das etapas fundamentais relacionadas com análise automática de oscilografias de redes de distribuição: a detecção dos instantes transitórios e a sua classificação. Para comparação e validação dos métodos são utilizadas duas bases de dados, sendo uma delas formada por dados simulados no aplicativo Alternative Transient Program e outra contendo dados reais de oscilógrafos instalados em uma rede de distribuição de energia elétrica. Os dados reais apresentam um conjunto de eventos relevante para as análises aqui propostas, principalmente por conter uma gama variada de eventos, incluindo transitórios decorrentes de descargas atmosféricas. Com relação à detecção de transitórios (segmentação de oscilografias), foram testados os métodos atualmente propostos na literatura, os quais contemplam Filtro de Kalman, Transformada Wavelet Discreta e Modelos Autorregressivos, além de serem propostas duas novas técnicas baseadas no Operador de Energia de Teager e Representação de Dados Utilizando Vetores Suporte. Demonstra-se que, tanto para dados simulados quanto para dados reais, o método de detecção baseado na Representação de Dados utilizando Vetores Suporte aponta para um melhor desempenho global no processo de detecção. Com relação à classificação automática de oscilografias, propõe-se uma nova abordagem incluindo um estágio dedicado à detecção de padrões não inseridos no aprendizado prévio do classificador, denominados de novidades, além da própria classificação multiclasse normalmente empregada para diferenciar múltiplas classes conhecidas a priori. São testadas abordagens utilizando a detecção de novidades e classificação multiclasse em estágios simultâneos e subsequentes, com base nos classificadores X-Means, K-Vizinhos-Mais-Próximos e Representação de Dados Utilizando Vetores Suporte com diferentes formulações, além do próprio classificador multiclasse baseado em Máquinas de Vetor Suporte. Adicionalmente, é proposto um tratamento aos padrões considerados como novidades, com o intuito de fornecer informações ao especialista sobre as similaridades existentes entre os padrões desse conjunto. Para realizar esse processo, optou-se por utilizar modelos de agrupamento automático. Os resultados finais, principalmente para a base de dados incluindo eventos reais, mostram que é possível obter um desempenho de classificação relevante (acima de 80%) para cada um dos estágios do processo de classificação proposto, o qual inclui a detecção de novidades, a classificação multiclasse e o processamento de padrões classificados como novidades (agrupamento automático).
Palavras-chave: Análise de Oscilografias, Classificação de Oscilografias, Detecção de Novidades, Detecção de Novas Classes, Segmentação de Oscilografias.

Segmentation, classification and identification of new classes of events in electrical power distribution networks oscillographies

Abstract: This work presents new approaches for two of the fundamental steps in automatic waveform analysis in electrical distribution systems: transient time detection and its classification. Two datasets were used to compare and validate the proposed methods. The first is composed by simulated waveforms, by using the Alternative Transient Program, while the second is formed by real data from a monitoring system developed for overhead distribution power lines. The real data present a set of relevant events for the analysis proposed here, mainly due to the variety of events, including lightning-related transients. Regarding transient detection (waveform segmentation), the experiments involve usual segmentation methods, such as Kalman filtering, standard Discrete Wavelet Transform, and autoregressive models, besides two new techniques based on the Teager Energy Operator and Support Vector Data Description. The results obtained on both simulated and real world data demonstrate that the method based on Support Vector Data Description outperforms other methods in the transient identification task. Regarding the automatic waveform classification, a new approach including the detection of classes not defined in the training stage (called novelties) is presented. Also, the classifier is able to discriminate among multiple known classes, normally defined as multi-class classification. Two different approaches are compared, by using multi-class classification and novelty detection in two subsequent stages and in a simultaneous way. The following classifiers were assessed: X-Means, K-Nearest-Neighbors, and Support Vector Data Description with different formulations, besides the Support Vector Machine for multi-class classification. Furthermore, a technique for the post-processing of the novelties is presented, in order to provide some useful information for the experts, regarding possible similarities in the novelty set. To accomplish this task, automatic clustering methods were used. The final results, especially for the dataset with real examples, show that it is possible to obtain a relevant classification performance (above 80%) in each one of the three stages of the classification process: multi-class classification, novelty detection, and the post-processing applied to the novelties (automatic clustering).
Keywords: Novelty Detection, New Class Identification, Waveform Analysis, Waveform segmentation, Waveform classification

Lista de publicações:

Artigos em periódicos internacionais:
André Eugênio Lazzaretti, Vitor Hugo Ferreira, Hugo Vieira Neto, Rodrigo Jardim Riella and Julio Shigeaki Omori, Autonomous Neural Models for the Classification of Events in Power Distribution Networks. Journal of Control, Automation and Electrical Systems, 24(5):612-622, 2013;

Artigos em conferências internacionais:
André Eugênio Lazzaretti, Luiz Felipe Ribeiro Barrozo Toledo, Marcelo Antônio Ravaglio, José Arinos Teixeira Júnior; Patrício Enrique Muñoz Rojas e Cleverson Luiz da Silva Pinto. Measurements of Lightning Discharges in Overhead Distribution Feeders. XI International Symposium on Lightning Protection, 2011, Fortaleza, Ceará, Brazil;

André Eugênio Lazzaretti, Vitor Hugo Ferreira, Hugo Vieira Neto, Luiz Felipe Ribeiro Barrozo Toledo and Cleverson Luiz da Silva Pinto, A New Approach for Event Classification and Novelty Detection in Power Distribution Networks. In Proceedings of the IEEE PES General Meeting, 2013, IEEE PES Press, Vancouver, Canada, 2013. Selected for the Best Papers on System Operations and Market Economics paper session;

André Eugênio Lazzaretti, Vitor Hugo Ferreira, Hugo Vieira Neto, Luiz Felipe Ribeiro Barrozo Toledo and Cleverson Luiz da Silva Pinto, A New Approach for Event Detection in Smart Distribution Oscillograph Recorders. In Proceedings of the II IEEE PES Conference on Innovative Smart Grid Technologies - Latin America, IEEE PES Press, São Paulo, Brazil, 2013.

Artigos em conferências nacionais:
André Eugênio Lazzaretti, Vitor Hugo Ferreira, Hugo Vieira Neto and Cleverson Luiz da Silva Pinto, Agrupamento Automático de Oscilografias em Redes de Distribuição. In Anais do XX Congresso Brasileiro de Automática, Belo Horizonte, Brazil, 2014, pp. 715-722.

Artigos submetidos para periódicos internacionais:
Expert Systems with Applications (Elsevier): André Eugênio Lazzaretti, David M. J. Tax, Hugo Vieira Neto e Vitor Hugo Ferreira. Novelty Detection and Multi-Class Classification in Power Distribution Voltage Waveforms (submetido em Novembro de 2014);

IEEE Transactions on Power Delivery: André Eugênio Lazzaretti, Hugo Vieira Neto e Vitor Hugo Ferreira. An Accurate Approach for Automatic Segmentation in Power Distribution Voltage Waveforms (submetido em Outubro de 2014).

Ações do documento