Use este identificador para citar ou linkar para este item: http://repositorio.ufc.br/handle/riufc/80680
Tipo: Dissertação
Título: Aplicação de Inteligência Artificial na detecção de falhas em sistemas HVDC com conversores modulares multiníveis
Autor(es): Sousa, Kauan Magalhães de
Orientador: Machado, Isaac Rocha
Palavras-chave em português: MMC;HVDC;Falha de circuito aberto em SM;Detecção de falhas;LSTM;Inteligência Artifical
Palavras-chave em inglês: MMC;HVDC;Open-Circuit SM Fault;Fault Detection;LSTM;Artificial Intelligence
CNPq: CNPQ::ENGENHARIAS
Data do documento: 2024
Citação: SOUSA, Kauan Magalhães de. Aplicação de Inteligência Artificial na detecção de falhas em sistemas HVDC com conversores modulares multiníveis. 2024. Dissertação (Programa de Pós-Graduação em Engenharia Elétrica e de Computação), Universidade Federal do Ceará, Campus de Sobral, 2024.
Resumo: O conversor modular multinível (MMC) é uma topologia atual para conversores de potência. Por ser um conversor com características modulares, fácil de expandir e possui uma forma de onda de tensão de saída de boa qualidade, o MMC vem sendo especialmente indicado para aplicações em sistemas de potência de alta tensão, principalmente em sistemas HVDC (High Voltage Direct Current). Assim como todo sistema elétrico de potência, o MMC está sujeito a falhas, de circuito aberto e de curto-circuito. Ainda hoje, existem poucos estudos focados na identificação/localização de falhas em submódulos (SM), especialmente relacionados a falhas de circuito aberto. Neste trabalho, é proposto uma metodologia de identificação de padrões utilizando uma rede neural convolutiva, LSTM (Long short-term memory), para compilar os dados simulados de dois MMC’s compondo um sistema HVDC e criar uma inteligência artificial capaz de classificar a falha e fornecer sua localização baseado na análise das séries temporais das correntes dos braços.
Abstract: The modular multilevel converter (MMC) is a modern topology for power converters. Due to its modular characteristics, ease of expansion, and high-quality output voltage waveform, the MMC has been especially recommended for applications in high-voltage power systems, particularly in HVDC (High Voltage Direct Current) systems. Like all electrical power systems, the MMC is subject to open-circuit and short-circuit faults. To this day, there are few studies focused on fault identification/location in submodules (SM), especially related to open-circuit faults. This work proposes a fault detection methodology using a convolutional neural network, LSTM (Long Short-Term Memory), to compile simulated data from two MMCs forming an HVDC system and create an artificial intelligence capable of classifying and providing their location based on the time-series analysis of arm currents.
Descrição: Este documento está disponível online com base na Portaria nº 348, de 08 de dezembro de 2022, disponível em: https://biblioteca.ufc.br/wp-content/uploads/2022/12/portaria348-2022.pdf, que autoriza a digitalização e a disponibilização no Repositório Institucional (RI) da coleção retrospectiva de TCC, dissertações e teses da UFC, sem o termo de anuência prévia dos autores. Em caso de trabalhos com pedidos de patente e/ou de embargo, cabe, exclusivamente, ao autor(a) solicitar a restrição de acesso ou retirada de seu trabalho do RI, mediante apresentação de documento comprobatório à Direção do Sistema de Bibliotecas.
URI: http://repositorio.ufc.br/handle/riufc/80680
Currículo Lattes do(s) Autor(es): http://lattes.cnpq.br/2383404468260121
ORCID do Orientador: https://orcid.org/0000-0002-8570-858X
Currículo Lattes do Orientador: http://lattes.cnpq.br/2956585618746136
Tipo de Acesso: Acesso Aberto
Aparece nas coleções:PPGEEC - SOBRAL - Dissertações defendidas na UFC

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2024_dis_kmsousa.pdf3,55 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.