Key points are not available for this paper at this time.
A abordagem de reconhecimento de padrões para análise de estabilidade transitória (TSA) tem sido apresentada como uma ferramenta promissora para aplicação online. Este artigo aplica um classificador não linear baseado em aprendizado recentemente introduzido, a máquina de vetores de suporte (SVM), mostrando sua adequação para TSA. Pode ser visto como uma abordagem diferente para lidar com o problema da alta dimensionalidade. A alta dimensionalidade dos sistemas de energia levou ao desenvolvimento e implementação de técnicas de seleção de características para tornar a aplicação viável na prática. A motivação teórica das SVMs é conceitualmente explicada e elas são testadas com um sistema brasileiro de 2684 barras. Aspectos de adequação do modelo, tempo de treinamento, precisão de classificação e redução de dimensionalidade são discutidos e comparados com as classificações de estabilidade fornecidas por perceptrons de múltiplas camadas.
Moulin et al. (Sat,) estudaram esta questão.