Select a Language: English - Português
Final paper: "[TCC] Paulo Careli.pdf"
This is my final paper project for Electrical Engineering course at UFJF. This final paper focuses on generating and comparing machine learning models that are able to classify power quality disturbances. Signals containing 14 types of disturbances are going to be simulated, and, a dataset with those signals will be exported. With Python, a signal processing technique will be applied to the signals, followed by the extraction of 9 features of each one, creating a new dataset that will be used for classification. This new dataset is going to be used to train 8 different machine learning models. After that, they will be compared and evaluated.
Student: Paulo H. P. Careli
Advisor: Leandro R. Manso Silva
├── README.md <- README
├── data
│ ├── processed <- The final dataset used.
│ └── raw <- The original dataset, generated by .m files.
│
├── models <- Trained and serialized models.
│
├── notebooks <- Codes to test the models.
│
├── src <- Source code used.
│ │
│ ├── data <- Scripts to generate dataset with the signals.
│ │ └── Signals <- Scripts used to create the signals.
│ │
│ ├── features <- Scripts to extract the features from the previous generated dataset.
│ │
│ └── models <- Scripts to train models, make predictions and export the models.
│
├── requirements.txt <- The requirements file generated with "pipreqs" for this project. Use "pip install -r requirements.txt" to install them.
│
└── [TCC] Paulo Careli <- Final paper.
To run the .m files, you will need MATLAB or OCTAVE. You can also run those files in Python by using some extra packages, you still need one of them installed though.
To install all dependencies needed to run this project, first install Python and then Pip if it isn't installed yet. After that, run the line below with the terminal inside the root folder:
pip install -r requirements.txt
You might have some troubles while trying to install the stockwell package. To install it, I recommend you to follow the guide from the Stockwell repository. Linux is a good choice to run this package, since it might be harder to install on Windows.
After installing everything, open the main folder with a text editor (I chose Visual Studio Code).
- Run "create_dataset.m" located inside src > data as showed in the project organization section to create the dataset. A new dataset will be saved at data > raw. The dataset used was too big for Github, so it was uploaded to Google Drive, follow the link in the .txt inside data > raw to download it.
- Run "extract_features.py" located inside src > features to extract the features and create the dataset that will be used for classfication. A new dataset will be saved at data > processed.
- Choose the ML algorithm located inside src > models to create a model and see it's results. The models will be saved at models (this project used all of them).
- Run "compare_models.py" located inside notebooks to compare all models created (this code will try to compare all 8 of them at the moment).
You can check more about of the project (all the details, references and results) in the final file [TCC] Paulo Careli.pdf (only available in portuguese).
Trabalho de Conclusão de Curso: "[TCC] Paulo Careli.pdf"
Este é o meu TCC para o curso de Engenharia Elétrica na UFJF. Este trabalho de Conclusão de Curso tem como foco gerar e comparar modelos de aprendizado de máquina que sejam capazes de classificar distúrbios de qualidade de energia. Serão simulados sinais contendo 14 tipos de distúrbios, a fim de montar um conjunto de dados e exportá-lo. Utilizando Python, será feito um processamento dos sinais deste conjunto, seguido da extração de 9 características, montando assim, um novo conjunto de dados que será utilizado para a classificação. Este novo conjunto será utilizado para o treinamento de 8 modelos de aprendizado de máquina diferentes. Logo após, será feita a comparação e avaliação dos mesmos.
Estudante: Paulo H. P. Careli
Orientador: Leandro R. Manso Silva
├── README.md <- LEIAME
├── data
│ ├── processed <- Conjunto de dados final utilizado.
│ └── raw <- Conjunto de dados original, gerado pelos arquivos .m.
│
├── models <- Modelos treinados e salvos.
│
├── notebooks <- Códigos para testar os modelos.
│
├── src <- Código fonte utilizado.
│ │
│ ├── data <- Código para gerar o conjunto de dados contendo os sinais.
│ │ └── Signals <- Códigos utilizados para criar os sinais.
│ │
│ ├── features <- Códigos para extrair as características do conjunto de dados criado previamente.
│ │
│ └── models <- Códigos para treinar, fazer predições e exportar os modelos.
│
├── requirements.txt <- Conjunto de requerimentos para este projeto gerado pelo "pipreqs". Use "pip install -r requirements.txt" para instalá-los.
│
└── [TCC] Paulo Careli <- Trabalho de Conclusão de Curso.
Para rodar os arquivos .m, será necessário ter o MATLAB ou o OCTAVE instalado em sua máquina. Você também pode rodar estes códigos em Python utilizando algumas bibliotecas extras, entretanto, ainda será necessário ter um dos dois instalado.
Para instalar todas as dependências necessárias para rodar este projeto, primeiro instale o Python e depois o Pip se estes ainda não estiverem instalados. Depois, rode o código abaixo no terminal aberto nas pasta raíz do projeto:
pip install -r requirements.txt
Você pode encontrar alguns problemas enquanto tenta instalar a biblioteca Stockwell. Para instalá-la, eu recomendo que você siga o guia do repositório Stockwell. Linux é uma ótima escolha para rodar esta biblioteca, já que no windows pode ser um pouco mais difícil de executar a instalação.
Depois de instalar tudo, abra a pasta principal com um editor de texto de sua preferência (eu escolhi o Visual Studio Code).
- Execute o código "create_dataset.m" localizado em src > data como mostrado na seção organização do projeto para criar o conjunto de dados. Um novo conjunto de dados irá ser salvo em data > raw. O conjunto de dados utilizado era muito grande para o Github, então ele foi salvo no Google Drive, siga o link dentro do .txt localizado em data > raw para baixá-lo.
- Execute o código "extract_features.py" localizado em src > features para extrair as características e criar um novo conjunto de dados que será utilizado para a classificação. Um novo conjunto de dados será salvo em data > processed.
- Escolha o algitmo de ML localizado em src > models para criar um modelo e ver seus resultados. Os modelos irão ser salvos em models (este projeto utilizou todos os modelos).
- Execute o código "compare_models.py" localizado em notebooks para comparar todos os modelos criados (este código irá tentar comparar todos os 8 modelos gerados previamente).
Você pode ver mais sobre o Projeto (todos os detalhes, referências e resultados) no arquivo final [TCC] Paulo Careli.pdf.