Papers in conferences

Densification of small sets

Jean Sumaili, Vladimiro Miranda, Liviane Rego, Adamo Santana, Renato Francês, A densification trick using mean shift to allow demand forecasting in special days with scarce data, Proceedings of ISAP 2013 - ISAP 2013 - International Conference on Intelligent Systems Applications in Power Systems, Tokyo, Japan, Julho, 2013. In this paper, the Information Theoretical Learning Mean Shift algorithm is used to populate, with virtual data, a scarce set related to daily energy consumption in special days, such as holidays, in a process denoted densification trick. This allows the proper training of neural networks with the virtual data, reserving all the scarce real data for validation purposes. The networks are then used to predict consumption in special days. An example with real data from a Brazilian distribution utility illustrates the technique.

Autoencoder training with unsupervised learning

Vladimiro Miranda, Jakov Krstulovic, Joana Hora, Vera Palma Ferreira, José Carlos Príncipe, Breaker status uncovered by autoencoders under unsupervised maximum mutual information training, Proceedings of ISAP 2013 - ISAP 2013 - International Conference on Intelligent Systems Applications in Power Systems, Tokyo, Japan, Julho, 2013. This paper introduces a more efficient procedure for the training of autoassociative neural networks, The autoencoder is split along its hidden layer and its bottom half trained in unsupervised mode, maximizing a mutual information criterion, while the top half is trained in supervised mode. Tests with the identification of breaker status illustrate the effectiveness of the approach.

Topology discovery with autoencoders (in Portuguese)

Jakov Krstulovic, Vladimiro Miranda, Hrvoje Keko, Jorge Correia Pereira, Descoberta da topologia do sistema na ausência de sinais com redes neurais autoassociativas, Proceedings of SBSE 2012 - IV Simpósio Brasileiro de Sistemas Elétricos, Goiás, Brasil, Maio, 2012. Este artigo apresenta uma nova solução para a estimação do estado de aberto ou fechado de interruptores numa rede de transmissão ou distribuição, quando a informação está ausente do SCADA por falha ou erro de transmissão. A solução é estimada recorrendo-se a redes neurais autoassociativas. A demonstração é feita comparando o comportamento de uma rede global com uma rede local, demonstrando-se que é suficiente informação local para se obterem resultados corretos, mesmo na ausência de um número importante de sinais no SCADA em subestações com topologia complexa.

Autoencoders in fault diagnosis

Vladimiro Miranda, Shigeaki Leite Lima, Adriana G. Castro, Osvaldo Saavedra, Redes Neurais Autoassociativas Aplicadas ao Diagnóstico de Falhas em Transformadores de Potência, Proceedings of SEPOPE 2012 - XII SIMPÓSIO DE ESPECIALISTAS EM PLANEJAMENTO DA OPERAÇÃO E EXPANSÃO ELÉTRICA, Rio de Janeiro, Brasil, Maio, 2012. Os transformadores de potência cumprem um papel importante no fornecimento de energia elétrica, tornando necessário o monitoramento contínuo dos processos que possam provocar falhas de operação, que particularmente ocorrem no isolamento do equipamento. Os métodos previstos na IEC, IEEE e NBR para análise do gás dissolvido (AGD) não alcançam nível pleno de acerto, pois não consegue mapear com precisão as características de falhas à que cada conjunto pertence. Neste artigo é apresentada uma nova forma para diagnóstico de falhas em transformadores de potência baseado nos resultados obtidos através do AGD. Para isto, um conjunto de redes autoassociativas é treinado para identificar as condições de falha ou a condição normal. Contudo, devido ao pequeno número de dados obtidos para treino/teste foi usado o algoritmo MeanShift baseado na Teoria de Informação para a densificação dos conjuntos, permitindo que todos os dados reais fossem usados para o processo de validação. Quando uma nova entrada é apresentada, os modelos de redes autoassociativas em paralelo competem entre si e a rede que estiver mais bem sintonizada produz o menor erro, indicando assim, a falha. A precisão da rede para o diagnóstico de falhas tem obtido 100 % de acerto com esta arquitetura, no qual todos os dados reais foram usados.

Autoassociative Neural Networks and fault diagnosis

Adriana Garcez Castro, Vladimiro Miranda, Shigeaki Leite Lima, Transformer fault diagnosis based on autoassociative neural networks , ISAP 2011 - 16th International Conference on Intelligent System Applications to Power Systems, Hersonissos, Grécia, Setembro, 2011. This paper presents a new approach to incipient fault diagnosis in power transformers, based on the results of dissolved gas analysis. A set of autoassociative neural networks or autoencoders are trained, so that each becomes tuned with a particular fault mode. Then, a parallel model is built where the autoencoders compete with one another when a new input vector is entered and the closest recognition is taken as the diagnosis sought. A remarkable accuracy is achieved with this architecture, in a large data set used for result validation.