To contribute to this, Decision Tree and Naive Bayes data mining techniques were applied and several algorithms were tested on the algorithm with the most significant results for this type of analysis as presented in the results. It also shows, in the chosen application and using different scenarios, that the most impactful load was the seventh current harmonic of the air conditioning units for the collected data set.
SUMÁRIO
Análise de árvore de decisão com dados de cada rodada, sem balanceamento de classes, com validação cruzada de 10 vezes e com algoritmo J48. Resumo das análises de árvore de decisão sem balanceamento de classes, com validação cruzada de 10 vezes e com o algoritmo J48.
1 INTRODUÇÃO
Objetivos
O objetivo geral da tese é propor uma metodologia utilizando o processo KDD para determinar os efeitos na distorção harmônica (THDv) no ponto de acoplamento comum proporcionado pelas principais cargas instaladas na rede elétrica de um consumidor.
Revisão bibliográfica
Uma nova técnica para classificar distúrbios de QEE é proposta por Oubrahim et al. 2017) para problemas de aumento e queda de tensão. A transformada de Stockwell, agrupamento Fuzzy C-Means (FCM) e classificadores de árvore de decisão são propostos por Mahela et al. 2017) para detecção e classificação de falhas de QEE.
Estrutura da Tese
Os resultados deste estudo são apresentados no quinto capítulo, seguindo os passos do quarto capítulo e demonstrando os resultados com diferentes cenários para sua validação. Por fim, o sexto capítulo apresenta os resultados gerais encontrados durante a análise dos resultados de cada fase, bem como sugestões de trabalhos futuros observadas durante o desenvolvimento desta tese.
2 QUALIDADE DE ENERGIA ELÉTRICA - QEE
Considerações Iniciais
Fenômenos conduzidos em baixa frequência Harmônicos, interharmônicos, Sinais do sistema (portadoras), Flutuações de tensão, Quedas e interrupções de tensão, Desequilíbrio de tensão, Variação na frequência da rede elétrica, Tensões de baixa frequência e induzidas por CC na rede CA. Conduziu fenômenos de alta frequência Conduziu ondas contínuas de tensão e corrente, transientes retificados e transientes oscilantes.
Harmônicos
Para equipamentos Classe D, os valores limites são apresentados na Tabela 2.12 como fluxo de potência (mA/W). A Tabela 2.21 mostra os limites de distorção de tensão que devem ser usados como valores de projeto do sistema.
3 INTELIGÊNCIA COMPUTACIONAL E ASPECTOS GERAIS SOBRE O PROCESSO KDD
Considerações Iniciais
Processo KDD
A grande maioria dos conjuntos de dados de classificação não possui exatamente o mesmo número de ocorrências. Nesta fase, os dados já foram selecionados, pré-processados, limpos e integrados e antecedem a fase de mineração de dados. Considerando as duas categorias, existem diversas técnicas de mineração de dados conforme mostrado na Figura 3.5.
Avaliar os modelos na fase de mineração de dados é importante e requer que os dados sejam divididos em conjuntos de treinamento e de hipóteses. Esta opção permite que uma porcentagem do conjunto de dados seja usada como conjunto de treinamento e o restante do conjunto de dados seja usado como conjunto de teste. Cada ramo da árvore é uma questão de classificação e cada folha é uma partição do conjunto de dados com sua classificação.
Embora o conjunto de dados na Tabela 3.2 seja pequeno, é difícil desenvolver uma representação geral. No entanto, um algoritmo de aprendizagem supervisionada adequado pode fazer este trabalho, conforme apontado por Roiger (2017). Para aplicação das fórmulas teremos em conta os dados relativos à Tabela 3.4 correspondentes à base de dados de promoções de cartões de crédito.
4 METODOLOGIA APLICADA NA ANÁLISE DA DISTORÇÃO HARMÔNICA COM O PROCESSO KDD
Considerações Iniciais
Partindo do pressuposto da indústria de produtos de informática, onde aproximadamente 1500 produtos estão conectados simultaneamente à rede interna, esta pesquisa tomou como base essas cargas não lineares para estimar sua influência através de seus componentes harmônicos no THD de entrada. O estudo foi apoiado em ferramentas informáticas de análise de dados que foram monitorizados e recolhidos em cada um dos processos, e estes foram submetidos a um processo de mineração de dados e a duas técnicas de CI que apoiaram o processo de tomada de decisão.
A Metodologia Aplicada
A Indústria Analisada
Os condicionadores de ar são quatro equipamentos de refrigeração instalados entre o início e o final das linhas de montagem. Cada unidade de ventilação central com potência de 52 kW, totalizando 208 kW de potência para refrigeração da unidade de produção; Sala para compressores de ar, onde existe um compressor de ar com potência média de 55 kW e duas bombas de 18 kW, num total de 91 kW.
A ausência de dados reais relacionados à distorção harmônica nas fábricas de informática, além da necessidade de atender aos requisitos de controle de processo propostos pela INTEL e às recomendações para a curva CBEMA-ITIC e com o objetivo de contribuir com a ciência, a indústria de informática sediada em Foi escolhido o complexo industrial de Manaus, que contém linhas de produção de notebooks, computadores desktop, monitores de computadores e tablets, conforme Figura 4.1 (A), onde a grande maioria das cargas não lineares são distribuídas conforme mostra a Tabela 4.1. Possui quatro aparelhos de ar condicionado, cada um com dois compressores frigoríficos (TR) de 15 toneladas e aproximadamente 52 kW. Esta tese apresenta uma análise completa utilizando cinco analisadores QEE colocados em pontos estratégicos como visto no layout da indústria apresentado na Figura 4.1 (A) e ampliado na Figura 4.4 conforme detalhado na Seção 4.3.1 para que a coleta de dados ocorra simultaneamente.
Seleção dos Analisadores de QEE
Compressores Quadro alimentando a sala do compressor e a bomba de água Burning Quadro alimentando a linha de teste do laptop.
Período da Coleta dos Dados
Dados Coletados
Execução do Processo KDD
A Tabela 4.5 resume a análise de cada ponto de coleta e as ações a serem tomadas para limpar os dados. Após a aplicação dos scripts, os dados limpos entre os blocos ID e RMS I são mostrados na Tabela 4.6. A Tabela 4.7 mostra os dados integrados entre os blocos de dados ID e A/C até o componente de corrente do 9º harmônico.
Os dados encontrados em Schneider (2005) estabelecem uma faixa de valores normais (NORM), de risco (RISK) e críticos (CRIT) para THDv, conforme Tabela 4.8. Os dados transformados são mostrados na Figura 4.13, onde foram adicionados os passos de mudança e THDv, conforme mostrado nas Tabelas 4.8 e 4.9. Os dados originais foram avaliados com base nos resultados de bom senso encontrados nas técnicas de mineração de dados.
Considerações Finais
Para identificar, validar e comparar os resultados foram realizadas análises com dados separados em grupos de turnos, desta forma foi possível comparar o resultado com todo o cenário, cenário com dados dos turnos T0, T1 e T2. .
5 RESULTADOS ENCONTRADOS
Considerações Iniciais
Resultado com classificador Árvore de Decisão no Software WEKA
O resultado realizado nas seções anteriores continha dados coletados de todas as cargas e considerando todas as movimentações no período de 03.06.2006 a 05.06. de dados coletados. E a árvore foi, conforme mostrado na Figura 5.5, o resultado da componente da corrente de 7ª harmônica do ponto do ar condicionado para o conjunto de dados coletados é preservado e confirma a análise anterior, e com a análise dos movimentos T1, T2 e T0, conclui que a influência do THD ocorre no deslocamento T0. Com base nos resultados da árvore de decisão, foi possível concluir que a componente da corrente de 7ª harmónica no ponto de ar condicionado é, de qualquer forma, a mais influente na elevação da tensão THD do sinal de entrada para o nível de risco durante a mudança T0. analisados de acordo com o conjunto de dados coletados.
Considerando os dados coletados durante a semana da campanha de qualidade de energia, os resultados das Árvores de Decisão permanecem muito semelhantes e também mostram a componente sétima harmônica da corrente dos Ar Condicionados como principal influência conforme visto nas Figuras 5.8 a 5.13. As diferenças entre as figuras 5.8 e 5.9 são o índice da componente de corrente do quinto harmônico das Plantas Aéreas que varia de 7,5% para 7,2% e o valor do RISC que varia de 87,0 para 183,0 casos, considerando os dados coletados. A Árvore de Decisão criada no Rapid Miner mostrou que a componente de sétimo harmônico da corrente pontual dos Ar Condicionados é a mais influente, conforme mostra a Figura 5.21 e considerando os dados coletados na semana em que foi realizada a campanha de medição.
Resultado com classificador Naïve Bayes no Software WEKA
Conforme Tabela 5.10, os algoritmos NAÏVE BAYES e NAÏVE BAYES UPDATEABLE apresentaram os resultados mais significativos devido aos itens Casos Corretamente Classificados, Casos Mal Classificados, Área ROC, Falsos Positivos e Falsos Negativos. Diferentemente das análises da Árvore de Decisão, as métricas mais importantes estavam na condição SMOTE 100% com taxa de treinamento 30/70 e SMOTE 2000% com taxa de treinamento 70/30. Os resultados com o classificador Naïve Bayes permanecem muito semelhantes e também mostram a componente da corrente de 7ª harmônica dos Ar Condicionados como principal influência conforme visto nas Figuras 5.23 a 5.28.
A Tabela 5.12 resume os resultados da análise com dados do turno T0 utilizando balanceamento de turmas via SMOTE e diferentes níveis de treinamento. Ao contrário das análises da árvore de decisão, as métricas mais importantes na condição foram SMOTE 200% com taxa de treinamento de 30/70 e SMOTE 2000% com taxa de treinamento de 70/30. Os resultados com o classificador bayesiano ingênuo permanecem muito semelhantes e também mostram a componente de sétimo harmônico da corrente do ar condicionado como principal influência, como pode ser visto nas Figuras 5.29 a 5.34, conforme os dados coletados.
Resultado com classificador Naïve Bayes no Software Rapid Miner
Validação dos Resultados
Da Tabela 5.13, o valor mais alto (38,70) é o sétimo componente harmônico da corrente do ponto do ar condicionado, o segundo valor mais alto (36,18) é o quinto componente harmônico da corrente do ponto focal, e o terceiro valor mais alto (31,74) está em o terceiro componente de corrente harmônico do foco.
Discussão dos Resultados
Com base nos resultados encontrados foram realizadas análises adicionais e constatou-se que a utilização de bancos de capacitores nos circuitos de alimentação das plantas de ar foi a provável causa dos resultados, daí a aplicação de filtros para as plantas de ar e a utilização de sistemas ininterruptos equipamentos de sistema de energia com controle on-line para linhas de produção de computadores.
6 CONCLUSÕES GERAIS E SUGESTÕES PARA TRABALHOS FUTUROS
Propostas para trabalhos futuros
Fault location in radial distribution systems based on decision trees and optimized allocation of power quality meters. In: Optimization of Electrical and Electronic Equipment (OPTIM) & 2017 Intl Aegean Conference on Electrical Machines and Power Electronics (ACEMP), 2017 International Conference on. A New Optimal Feature Selection Algorithm for Power Quality Disturbance Classification Using Discrete Wavelet Transform and Probabilistic Neural Network.
Identification of power quality disturbances using an S-transform based ANN classifier and a rule-based decision tree. Power quality disturbance detection using S-transform based decision tree and fuzzy C-Means cluster classifiers. Optimal classification of power quality disturbances in distributed generation systems based on a decision tree.
