Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/359299
Type: DISSERTAÇÃO DIGITAL
Degree Level: Mestrado
Title: Machine learning for data-driven indicators applied to UNICAMP's power distribution System : Aprendizado de máquina para indicadores baseados em aplicado ao sistema de distribuição da UNICAMP
Title Alternative: Aprendizado de máquina para indicadores baseados em aplicado ao sistema de distribuição da UNICAMP
Author: Chérrez Barragán, Diana Estefanía, 1991-
Advisor: Silva, Luiz Carlos Pereira da, 1972-
Abstract: Resumo: A proliferação de implantações de medidores inteligentes levou a um interesse significativo na análise do sistema de distribuição de energia usando dados de medição inteligente. Os dados dos medidores inteligentes são frequentemente difíceis de analisar, no entanto, devido à agregação de muitas cargas desequilibradas e complexas, tal como granularidades de medição relativamente grosseiras. Em escalas de serviços públicos, a análise é ainda mais complicada pela grande quantidade de dados, ao monitorar centenas ou mesmo milhares de medidores inteligentes. Por outro lado, nossa sociedade é fortemente dependente de commodities, como a eletricidade. Nesse contexto, o entendimento de como tais sistemas lidam com eventos danosos é um aspecto importante e uma preocupação atual de pesquisadores, agentes públicos e da sociedade. Um instrumento fundamental, neste caso, é a criação de indicadores baseados em dados. Neste trabalho se apresenta uma metodologia para obtenção de indicadores baseados em dados usando medidores inteligentes de energia. Os indicadores baseados em dados propostos consistem em duas partes: (i) um modelo funcional que relaciona as variáveis medidas por medidores inteligentes a um estado dos indicadores e (ii) um modelo de aprendizado de máquina que prevê o comportamento do dispositivo monitorado (transformadores). Esses modelos matemáticos e computacionais são explicados nesta dissertação. Finalmente, se apresenta uma prova de conceito usando dados do sistema de distribuição de energia da UNICAMP

Abstract: The proliferation of smart meter deployments has led to significant interest in analyzing the power distribution system using smart-metering data. Meter data is often difficult to analyze, however, owing to the aggregation of many unbalanced and complex loads as well as relatively coarse measurement granularities. At utility scales, analysis is further complicated by the vast quantity of data, when monitoring hundreds or even thousands of smart-meters. On the other hand, our society is heavily dependent on commodities, like electricity. In such a context, the understanding of how such systems handle damaging events is an important aspect and is a current concern of researchers, public agents, and society. A fundamental instrument, in this case, is to create data-driven indicators. This work, it is presented a methodology for obtaining data-driven indicators using smart energy meters. The proposed data-driven indicators consist of two parts: (i) a functional model that relates the variables measured by smart-meters to indicators status, and (ii) A machine learning model that forecast the behavior of our monitored device (transformers). These mathematical and computational models are explained in this dissertation. Finally, we present a proof-of-concept using real-world data of UNICAMP's power distribution system
Subject: Aprendizado de máquina
Ciência de dados
Language: Inglês
Editor: [s.n.]
Citation: CHÉRREZ BARRAGÁN, Diana Estefanía. Machine learning for data-driven indicators applied to UNICAMP's power distribution System: Aprendizado de máquina para indicadores baseados em aplicado ao sistema de distribuição da UNICAMP. 2020. 1 recurso online ( 68 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP.
Date Issue: 2020
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
CherrezBarragan_DianaEstefania_M.pdf6.61 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.