Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: RENEILSON YVES CARVALHO SANTOS
DATA: 21/02/2019
HORA: 14:00
LOCAL: Sala de Seminário do PROCC
TÍTULO: Análises Experimentais de Algoritmos de Aprendizagem de Máquina na Classificação de Distúrbios Elétricos
PALAVRAS-CHAVES: distúrbios elétricos; qualidade da energia elétrica; classificador; sistema embarcado; experimento; acurácia.
PÁGINAS: 206
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:
Nesta dissertação diversos experimentos in vitro foram implementados com o intuito de analisar formas de criar sistemas de monitoramento de distúrbios elétricos (em especial, sistemas de classificação). Antes de iniciar os experimentos, uma análise da literatura fora realizada, verificando artigos e patentes relacionados à área, só então, com base nos resultados iniciou-se a implementação dos experimentos. Nos primeiros experimentos foram propostos a verificação do comportamento de algoritmos de aprendizagem de máquina na tarefa de classificação de sinais ruidosos, dessa forma, dois experimentos foram realizados com este intuito, o primeiro utilizou SVM e MLP para classificação do sinal puro ou retornado pelas técnicas de DWT, FFT e Filtro Notch; no segundo experimento, com intuito de melhorar o resultado em ambientes ruidosos, fora proposto a utilização do classificador Random Forest e extratores de características baseados em estatística descritiva (além de usar algumas técnicas de pré-processamento como o FFT, filtro gaussiano e Transformada de Hilbert), alcançando uma acurácia superior aos 90% em ambientes cujo ruído possa chegar a 20dB de SNR. Na sequência, dois outros experimentos foram implementados, agora com intuito de verificar o comportamento dos algoritmos em ambiente embarcado, sendo proposto no primeiro experimento o Raspberry (com diferentes classificadores: MLP, SVM, Random Forest e Árvore de Decisão), e no segundo uma comparação do Raspberry Pi 3 (sistema microprocessado) com o NodeMCU Amica (sistema microcontrolado), utilizando-se o classificador Árvore de Decisão, FFT para pré-processamento e extraindo caracterítiscas com estatística de primeira e segunda ordem; comparando-se os resultados, verificou-se uma acurácia média de 97.96% em sinais sem ruído, e um tempo de processamento de 45.5ms no Raspberry e 267.1ms no NodeMCU. Por fim, um último experimento fora realizado para tratar de sinais com distúrbios que ocorrem simultaneamente na onda senoidal, no qual trabalhou-se com três algoritmos de Random Forest, de forma a separar os classificadores para sinais ruidosos e sinais não-ruidosos; alcançou-se uma acurácia de 92.03% para os distúrbios sem ruído, sendo classificados um total de 22 distúrbios distintos.