Metodologia Para a Monitoração do Processo de Degradação de Medidores Eletromecânicos de Energia Elétrica Ativa
DOI:
https://doi.org/10.18618/REP.20113.233240Keywords:
Inteligência artificial, Medidores de energia elétrica ativa, Modelo de risco, Probabilidade de falha, Sistema especialistaAbstract
Este artigo apresenta uma metodologia e um aplicativo para a análise da Probabilidade de Falha de medidores de energia elétrica ativa, tipo indução, considerando-se as principais variáveis correlacionadas com o processo de degradação destes medidores de energia elétrica, na área de concessão da Elektro. A modelagem desenvolvida para o cálculo da Probabilidade de Falha dos medidores foi implementada em uma ferramenta em plataforma amigável ao usuário, em linguagem Delphi, possibilitando não somente a análise das probabilidades de falha, mas também a classificação por faixas de risco, a localização no parque Elektro, e, permitindo, através de um sistema especialista, a amostragem de medidores de energia elétrica ativa, tipo indução, baseada em modelo de risco desenvolvido com inteligência artificial, com a finalidade principal de acompanhar e gerenciar o processo de degradação, manutenção e substituição destes medidores.
Downloads
References
Brasil. Agência Nacional de Energia Elétrica. Nota Técnica nº 00132009-SRD/ANEEL.[s.l]. Disponível em: <http://www.aneel.gov.br>.
Brasil. Agência Nacional de Energia Elétrica. "Estudo de vida útil econômica e taxa de depreciação". In: Anexos da Audiência pública 012/2006. Disponível em: <http://www.aneel.gov.br>.
S. Krug, Aplicação do método de design macroergonômico no projeto de postos de trabalho: estudo de caso de posto de pré-calibração de medidores de energia monofásicos. 2000. 194 f. Dissertação Mestrado, Universidade Federal do Rio Grande do Sul - UFRS, Porto Alegre, 2000.
R. Chambers. "Early diagnosis of tariff metering faults by a systematic analysis of main/check metering discrepancies". in Conf. of Metering and Tariffs for Energy Supply, 9, p. 213-217, 1999. https://doi.org/10.1049/cp:19990139 DOI: https://doi.org/10.1049/cp:19990139
Brasil. Associação Brasileira de Distribuidores de Energia Elétrica (ABRADEE). CODI-07.02 - Padrões e especificações de aparelhos eletromecânicos de medição; CODI-07.06 - Procedimentos para recebimento de medidores novos; CODI-07.07 - Procedimentos para recuperação de medidores.
R. Arseneau, P. Filipski. "Application of a three phase nonsinusoidal calibration system for testing energy and demand meters under simulated field conditions". IEEE Transactions on Power Delivery, v. 3, n. 3, p. 874-879, Jul. 1988. https://doi.org/10.1109/61.193863 DOI: https://doi.org/10.1109/61.193863
E. Makram, C. Wright, A. Girgis. "A harmonic analysis of the induction watthour meter's registration error". IEEE Transactions on Power Delivery, v. 7, n. 3, p. 1080-1088, Jul. 1992. https://doi.org/10.1109/61.141816 DOI: https://doi.org/10.1109/61.141816
M. Saied. "On the accuracy of watt-hour meters in nonsinusoidal environment", Industry Applications Society Annual Meeting, v. 3, p. 2219-2225, 1995. https://doi.org/10.1109/IAS.1995.530585 DOI: https://doi.org/10.1109/IAS.1995.530585
A. Fashandi, T. Umberg. "Equipment failure definition: a prerequisite for reliability test and validation", in IEEE/CPMT International Electronics Manufacturing Technology Symposium (IEMT), 28, p. 357-358, 2003. https://doi.org/10.1109/IEMT.2003.1225929 DOI: https://doi.org/10.1109/IEMT.2003.1225929
R. Misra. "Reliability assessment for static electricity meters", in Metering and Tariffs for Energy Supply, 9, p. 151-155, 1999. https://doi.org/10.1049/cp:19990125 DOI: https://doi.org/10.1049/cp:19990125
U. Fayyad, G. Piatetsky-shapiro, P. Smyth. "From data mining to knowledge discovery in databases". AI magazine,[s.l], v. 17, p. 37-54, 1996. https://doi.org/10.1111/an.1996.37.5.54.2 DOI: https://doi.org/10.1111/an.1996.37.5.54.2
O. Maimon, L. Rokach, The data mining and knowledge Discovery handbook. Springer, USA, 2005. https://doi.org/10.1007/b107408 DOI: https://doi.org/10.1007/b107408
G. Piatetsky-shapiro, G. Parker, Data mining course.
[s.l;s.n]. Disponível em: <http://www.kdnuggets.com/data_mining_course>. Acesso em 16 abr. 2010.
P. Adriaans, D. Zantinge, Data mining. Addison-Wesley, Boston, 1997.
M. Lenzerini. "Data integration: a theoretical prespective", in Proc. of Symposium of Principles of Database Systems, 21, p. 223-246, 2002. https://doi.org/10.1145/543613.543644 DOI: https://doi.org/10.1145/543613.543644
R. Fisher. Statistical Methods for Research Workers. Hafner, 25ª Edição, Nova Iorque, 1975. https://doi.org/10.1007/978-1-4612-4380-9_6 DOI: https://doi.org/10.1007/978-1-4612-4380-9_6
U. Fayyad, K. Irani, "On the handling of continuous-valued attributes in decision tree generation". Machine Learning. [s.l.], v. 8, n. 1, p. 87-102, Jan. 2005. https://doi.org/10.1007/BF00994007 DOI: https://doi.org/10.1007/BF00994007
J. Schmitt. Pré-processamento para a mineração de dados: uso da análise de componentes principais comescalonamento ótimo. Universidade Federal de Santa Catarina - UFSC, Florianópolis, 147 f., 2005.
D. Rumelhart, G. Hilton, R. Williams. "Learninginternal representations by error propagation". Parallel Distributed Processing: explorations in the microstructure of cognition, v. 1, n. 2, 1986. https://doi.org/10.7551/mitpress/5236.001.0001 DOI: https://doi.org/10.7551/mitpress/5236.001.0001
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2011 Revista Eletrônica de Potência
This work is licensed under a Creative Commons Attribution 4.0 International License.