Redes Neurais Aplicadas em Sistemas Elétricos de Potência

Keila MaiaWilson Braga Júnior

Sistemas Elétricos de Potência:Aplicações de redes neurais em sistemas elétricos de potência

UNIVERSIDADE FEDERAL DO PARÁ

Objetivos do trabalho

● O funcionamento das redes neurais.

● Exemplos de fluxo de carga utilizando as redesneurais.

● Aplicações de Redes Neurais em Sistemas elétricos de potência.

● Vantagens e desvantagens das redes neurais em Relação aos modelos tradicionais.

O neurônio

86 bilhões

Informações inconsistentes

Reconhecimento de padrões

Robustez

Função ativação dos neurônios

Interação entre neurônios

Função sigmóide

Função tg hiperbólica

Treinamento das redes

● O objetivo de fazer com que a aplicação de um conjunto de entradas produza aproximações das saídas.

● Os pesos da rede gradualmente convergem para os valores de saída.

● O sistema precisa ser treinado com um banco de dados de referencia com um número de dados e intervalo apropriados para a aplicação.

Detalhes das redes

E1

E2

E3

E4

E5 Σ∫

Σ∫

Σ∫

Σ∫

Σ∫ R1

R2

R3

R4

R5Σ∫

Σ∫

Σ∫

Σ∫

Σ∫

F(E1*Pv1+E2*Pa1+E3*Pv1+E4*Pr1+E5*Pz1)

F(Σ1)*Pr1+F(Σ2)*Pc1+F(Σ3)*Pl1+F(Σ4)*Pve1+F(Σ5)*Pp1

Características das RNA

Capacidade de “aprender” através da experiência;

Desempenho eficiente na ausência de conhecimento

explícito sobre como identificar uma solução factível; Não necessita modelos matemáticos;

Elevada imunidade ao ruído;

Capacidade de situações não simuladas a partir da lógica já utilizada.

Erros nos sistemas RNA

Rede insuficiente

Rede muito pequena; Poucos parâmetros para aprender todos padrões.

Rede bem adaptada

Tamanho ideal da rede para interpretação dos dados.

Comparação entre redes

Excesso de complexidade na rede neural.

Erros provenientes do excesso de complexidade

Importância do treinamento

Adaptação do treinamento a rede neural

Comportamento genérico fora dos padrões validados

Cuidados na determinação da RNA

Uma metodologia para determinar a melhor configuração

de neurônios na camada intermediária;

Os critérios de seleção e diversificação dos dados de

entrada da amostra;

Determinação dos erros e desempenho do sistema;

Aplicações de RNA no setor elétrico

• “Application of Neural Networks in Power Systems; A Review”, de M. Tarafdar Haquen e A.M. Kashtiban.

Trabalhos publicados no IEEE:

Entre 1990 até 1996: 86 artigos.

Entre 2000 até abril de 2005: 118 artigos.

Aplicações de RNA no setor elétrico

Previsão de carga

Médio prazo: estimar insumos necessários para a geração de energia;

Longo prazo: determinação do tipo e capacidade

das usinas de geração.

Curto prazo: despacho econômico, despacho de carga e controle em tempo real;

Previsão de carga

• Pode ser conduzida off-line, sem limitações de tempo e de acoplamento direto ao SEP para aquisição de dados.

• Capacidade ajuste dos parâmetros para as entradas das RNA que não possuem relação funcional entre si, tais como condições climáticas e perfil de carga.

Diagnóstico/Localização das faltas

• Operador pode ser sobrecarregado pelo número excessivo de alarmes que operam simultaneamente, o que aumenta o tempo necessário para identificar a principal causa de interrupção e iniciar o processo de restauração;

• Utilizadas técnicas de inteligência artificial para rápida identificação da falta;

• Redes neurais dentre essas técnicas.

Diagnóstico/Localização das faltas

Vantagem

A principal desvantagem é o tempo longo requerido para a alimentação do algoritmo de formação da rede;

Flexibilidade na operação com dados ruidosos;

Desvantagem

Despacho econômico

Minimizar os custos de operação, dependendo da demanda e estando sujeito a certas restrições;

• Como alocar a demanda de carga necessária entre as unidades de geração disponíveis.

Vantagens do uso de RNA em SEP

Capacidade de lidar com variações estocásticas do

ponto de operação, trabalhando com um número de

dados maiores.

Rápido processamento e classificação de dados.

Modelagem não-linear implícita e filtragem de

dados do sistema.

Exemplo de aplicação em fluxo de carga

Karami et. al.

39 barras.78 saídas:

● Potência ativa e reativa na

barra de referência.

● Potência reativa gerada nas

9 barras PV

● Magnitude da tensão das 29

barras PQ

● Ângulo da tensão das 9

barras PV e 29 barras PQ

.

Arquitetura da rede

Função ativação gaussiana.

Arquitetura.

Treinamento híbrido

Supervisionado/autônomo.

Banco de dados.

3000 fluxos de carga.

2000 Para treinamento.

1000 Para validação

Resultados

Tempo de treino:

4 min Pentium IV 1.6GHz

Resultados

Nova simulação:

Treino “Back Propagation”

Dupla camada intermediária

Função ativação sigmóide

Tempo de treinamento: 10h

Conclusões

● Possuem uma grande gama de aplicações em SEP;

● Respostas adequadas com redes bem dimensionadase treinadas;

● Rapidez na execução após seu desenvolvimento quando comparado a métodos tradicionais;

● Dificuldade na determinação da sua arquitetura;

● Necessidade de avaliação dos erros;

● Projetos e treinamento específico por aplicação.

Obrigado!

Keila Maia – keila@ufpa.brWilson Braga Jr. – wbj99@yahoo.com.br