Transformada Wavelet e técnicas de inteligência computacional aplicadas à identificação, compressão e armazenamento de sinais no contexto de qualidade da energia elétrica

A presença de distúrbios na energia elétrica fornecida aos consumidores pode causar a diminuição no tempo de vida útil dos equipamentos, mal funcionamento ou até mesmo sua perda. Desse modo, ferramentas capazes de realizar a detecção, localização, classificação, compressão e o armazenamento de sinais de forma automática e organizada são essenciais para garantir um processo de monitoramento adequado ao sistema elétrico de potência como um todo. Dentre as ferramentas comumente aplicadas às tarefas supramencionadas, pode-se destacar a Transformada Wavelet (TW) e as Redes Neurais Artificiais (RNAs). Contudo, ainda não foi estabelecida uma metodologia para obtenção e validação da TW e seu nível de decomposição, bem como da arquitetura e da topologia de RNAs mais apropriadas às tarefas supracitadas. O principal fato que levou a esta constatação deve-se à análise da literatura correlata, onde é possível notar o uso de distintas TW e RNAs. Neste contexto, a primeira contribuição desta pesquisa foi o projeto e desenvolvimento de um método eficiente de segmentação de sinais com distúrbios associados à Qualidade da Energia Elétrica (QEE). O método desenvolvido se beneficia das propriedades da TW de identificação temporal de descontinuidades em sinais. A segunda contribuição é o desenvolvimento de um algoritmo automático que, por meio do método de segmentação desenvolvido e de classificação por RNAs, indique as melhores ferramentas (Wavelets e RNAs) para as tarefas de segmentação, extração de características e classificação de distúrbios de QEE. Esse algoritmo foi desenvolvido com base nos recursos dos Algoritmos Evolutivos (AEs) e adotou RNAs do tipo Perceptron Multicamadas, pois, esta arquitetura pode ser considerada consagrada no que se refere à classificação de padrões. Por fim, a terceira contribuição é relativa ao desenvolvimento de um procedimentos baseados em AEs, a fim de se aprimorar métodos de compressão de dados que preservem as informações relevantes nos sinais de QEE. Assim, é importante mencionar que os resultados dessa pesquisa poderão determinar mecanismos automáticos a serem utilizados no processo de registro, tratamento e armazenamento de informações que serão importantes para se manter um banco de dados (histórico) atualizado nas concessionárias de energia, a partir do qual, índices e um melhor mapeamento e entendimento de todos os distúrbios relacionados à QEE poderão ser melhor entendidos e solucionados.

The presence of disturbances in the electrical power supplied to consumers can decrease the lifetime of the equipment, cause malfunction or even their breakdown. Thus, tools able to perform detection, localization, classification, compression and storage of signals automatically and organized manner are essential to ensure adequate monitoring process to electric power systems as a whole. Among the tools commonly applied to the tasks mentioned above, one can highlight the Wavelet Transform (WT) and Artificial Neural Networks (ANN). However, the WT has not been established yet and nor its level of decomposition, as well as the most appropriate ANN architecture and topology to the tasks already mentioned. The main fact that has led to this finding is due to the review of related literature, where it is possible to note the use of distinct WT and ANN. Therefore, the first contribution of this research was the design and development of an efficient method of segmentation of signals associate to Power Quality (PQ) disturbances. The developed method take advantage of WT properties of temporal identification of signal discontinuities. The second contribution is the development of an automatic algorithm that, through the segmentation method developed and classification by ANN, indicates the best tools (Wavelets and ANN) for the tasks of segmentation, extraction of characteristics and classification of QEE disturbances. This algorithm was developed based on the resources of the Evolutionary Algorithms and it adopts Multi-layered Perceptron type ANN, once this architecture can be considered consecrated with regard to the pattenrs classification. Finally, the third contribution is related to the development of EA based procedures in order to improve data compression methods that preserve the relevant information in the PQ signals. Thus, it is important to mention that the results of this research may determine automatic mechanisms to be used in the process of recording, processing and storing information that will be important in order to maintain an up-to-date (historical) database in the utilities, from which, indexes and a better mapping and understanding of all PQ related disturbances can be better understood and solved.