Será defendida no dia 21 de agosto de 2026, às 9:00 horas, por videoconferência, a Tese de Doutorado intitulada “Análise de Criticalidades em Sistemas de Medição de Grande Porte Via Particionamento e Programação em GPUs”, do candidato ao título de Doutor em Computação – Ayres Nishio da Silva Junior.
Link para defesa: https://us06web.zoom.us/j/82703888925
Análise de Criticalidades em Sistemas de Medição de Grande Porte Via Particionamento e Programação em GPUs
Resumo:
A Estimação de Estado encontra-se entre as principais ferramentas utilizadas na operação de sistemas elétricos de potência, e sua confiabilidade depende diretamente da qualidade do sistema de medição empregado. Nesse contexto, a Análise de Criticalidades permite identificar medidas e conjuntos de medidas cuja indisponibilidade compromete a observabilidade da rede e, por conseguinte, a capacidade de detecção e de identificação de erros grosseiros nesses dados. Entretanto, sua natureza combinatória implica um elevado custo computacional, o que limita sua aplicação em sistemas de grande porte. Esta tese tem como objetivo ampliar a escalabilidade da Análise de Criticalidades por meio da redução de seu custo computacional. Inicialmente, são propostas otimizações para sua implementação em unidades de processamento gráfico, reduzindo o tempo de execução em comparação à abordagem convencional. Em seguida, é apresentada a principal contribuição deste trabalho: uma metodologia inédita baseada no particionamento topológico do sistema de medição, que explora a natureza local das criticalidades para decompor o problema original em subproblemas menores e mais eficientes computacionalmente. A metodologia representa o sistema de medição por meio de um grafo e emprega técnicas de particionamento, complementadas por uma estratégia de sobreposição entre partições vizinhas para aprimorar a identificação de criticalidades nas regiões de fronteira. A abordagem proposta é avaliada em sistemas IEEE de 118 barras e no sistema polonês de 2.383 barras. Os resultados demonstram que a implementação em GPU supera, em desempenho, os principais métodos sequenciais da literatura e que a metodologia de particionamento reduz significativamente o número de combinações avaliadas e o tempo computacional, preservando elevadas taxas de identificação de criticalidades. Os experimentos também evidenciam que as criticalidades apresentam natureza predominantemente local, o que favorece a estratégia proposta.
Abstract:
Power System State Estimation (SE) is a fundamental application used in power system operation, and its reliability strongly depends on the quality of the underlying measurement system. In this context, Criticality Analysis identifies measurements and measurement groups whose unavailability compromises network observability and the SE’s ability to detect and identify gross measurement errors. However, the combinatorial nature of Criticality Analysis results in high computational cost, limiting its application to large- scale measurement systems. This thesis aims to improve the scalability of Criticality Analysis by reducing its computational complexity. The primary contribution is a novel topology-based partitioning methodology that leverages the local nature of criticalities to decompose the original problem into smaller and computationally efficient subproblems. The proposed methodology models the measurement system as a graph and applies graph partitioning techniques combined with an overlap strategy between neighboring partitions to improve the identification of criticalities near partition boundaries. In addition, optimizations for the parallel implementation of Criticality Analysis on Graphics Processing Units (GPUs) are proposed to further reduce the execution time of the conventional approach. The methodology is validated on the IEEE 118-bus and Polish 2,383-bus systems. Experimental results demonstrate that the optimized GPU implementation outperforms state-of-the-art sequential approaches, while the proposed partitioning methodology significantly reduces both the number of evaluated combinations and the computational time without compromising criticality identification rates. The results also provide evidence that critical measurement sets exhibit predominantly local behavior, supporting the proposed partitioning strategy.
Banca examinadora:
Prof. Julio Cesar Stacchini de Souza, UFF – Presidente
Prof. Milton Brown Do Coutto Filho, UFF
Prof. Esteban Walter Gonzalez Clua, UFF
Prof. Anselmo Antunes Montenegro, UFF
Prof. Djalma Mosqueira Falcão, UFRJ
Prof. Igor Delgado de Melo, UFJF
Graduado em Ciências Atuariais pela Universidade Federal Fluminense (UFF) e Mestrando em IA no Instituto de Computação da UFF (nota máxima no CAPES). Palestrante e Professor de Inteligência Artificial e Linguagem de Programação; autor de livros, artigos e aplicativos.
Professor do Grupo de Trabalho em Inteligência Artificial da UFF (GT-IA/UFF) e do Laboratório de Inovação, Tecnologia e Sustentabilidade (LITS/UFF), entre outros projetos.
Proprietário dos projetos:
entre outros.
💫 Apaixonado pela vida, pelas amizades, pelas viagens, pelos sorrisos, pela praia, pelas baladas, pela natureza, pelo jazz e pela tecnologia.
