REDES NEURAIS ARTIFICIAIS APLICADAS À LOCALIZAÇÃO DE FALTAS EM REDES DE DISTRIBUIÇÃO RURAL

REDES NEURAIS ARTIFICIAIS APLICADAS À LOCALIZAÇÃO DE FALTAS

EM REDES DE DISTRIBUIÇÃO RURAL

José Felipe Dalcin Stieven

Orientação: Prof.ª Jacqueline Gisele Rolim

Universidade Federal de Santa CatarinaEEL7890 - Projeto Final de Curso em Engenharia Elétrica

2

Objetivos Descrição do Problema Metodologia de Trabalho Desenvolvimento Exemplo de aplicação Conclusões e sugestões para trabalhos futuros

Estrutura da Apresentação

3

Desenvolver uma nova metodologia para localização de faltas em redes de distribuição rural;

Oferecer uma solução que potencialize as técnicas já praticadas;

Viabilidade técnica e econômica; Reduzir o tempo gasto pelas equipes de

manutenção na procura pela falta.

Objetivos

4

Quando ocorre uma falta na rede elétrica, vários consumidores no campo ficam sem energia;

A falta é um fenômeno aleatório; A extensão das linhas é da ordem de dezenas

de quilômetros; A equipe de manutenção realiza longas

buscas pela rede até encontrar o defeito.

Descrição do problema

5

Levantamento das características que particularizam a Rede de Distribuição Rural (RDR);

Reproduzir essas características através de modelo computacional;

Simular faltas de diferentes tipos; Desenvolver um método capaz de indicar a

distância à falta com informações da corrente elétrica;

Propor uma nova metodologia para localização de faltas em RDRs;

Avaliar o desempenho da metodologia proposta;

Metodologia de trabalho

6

Características da RDR

Não-homogeneidade entre os condutores utilizados no alimentador principal e nos ramais;

As linhas trifásicas não são transpostas;

Os ramais monofásicos causam considerável desequilíbrio de carga no sistema;

As correntes de desequilíbrio retornam pelo sistema de aterramento;

Fornecimento de energia a residências rurais;

Baixos níveis de curtos-circuitos.

7

Características da RDR

8Esquemático do modelo

computacional

9

Árvores próximas a rede elétrica; Ação de fenômenos meteorológicos; Defeito em isoladores; Queimadas acidentais ou propositais nas

proximidades da rede elétrica; Contato acidental entre veículos de grande

porte com os condutores de energia; Outros acidentes.

Causas de falta no meio rural

10

Causas de falta no meio rural

11

O modelo computacional e as simulações de faltas foram feitos no software ATP;

As faltas são aplicadas em diferentes posições do sistema teste;

Ocorrências de faltas monofásicas com diferentes resistências de falta;

Simulação de faltas

12

Simulação de faltas

13

Simulação de faltas

14

Faltas ocorridas em diferentes ramais podem ter as mesmas características para observações feitas na subestação de energia;

Nesses casos, não é possível identificar, a priori, qual foi o ramal afetado;

O problema é intrínseco a todos os sistemas de distribuição onde só a subestação contém equipamentos automatizados.

O problema das múltiplas

possibilidades

15

A resposta do sistema a diferentes ocorrências de falta é complexa, pois é influenciada por vários fatores;

Os métodos analíticos disponíveis para indicar a localização das faltas são complexos e apresentam limitações;

Trabalhos recentes mostraram que as Redes Neurais Artificiais (RNAs) são uma alternativa interessante aos métodos analíticos.

Mapear a relação entrada-saída

16

A forma como o cérebro humano processa as informações é totalmente diferente de como um computador digital faz;

A grande capacidade de processamento de informações do cérebro humano tem motivado diversas pesquisas;

Os pesquisadores McCullogh e Pitts propuseram em seu trabalho o modelo matemático de um neurônio artificial.

Redes Neurais Artificiais (RNAs)

17

Redes Neurais Artificiais (RNAs)

Os neurônios artificiais são agrupados em camadas para formar uma Rede Neural Artificial (RNA);

As RNAs podem aprender a desempenhar uma tarefa apenas observando exemplos.

18

RNAs mapeando a relação entrada-saída

κ — Razão entre o módulo da corrente elétrica durante a falta e o módulo da corrente elétrica pré-falta na fase comprometida medidos na subestação de energia;

Δ — Diferença entre o 𝜙ângulo da corrente elétrica durante a falta e o ângulo da corrente elétrica pré-falta na fase comprometida medidos na subestação de energia.

Distância à falta

Resistência de falta Δ𝜙

κ

OCULTA ENTRADA SAÍDA

19

RNAs mapeando a relação entrada-saída Cada fase do

alimentador principal contém sua RNA correspondente, assim também acontece com os ramais;

Todas as RNAs são estruturalmente iguais e foram concebidas no software MATLAB.

Seção Quantidade de exemplos

Alimentador principal 1953

A1 126A2 147A3 210B1 210B2 126B3 147C1 147C2 210C3 126

TOTAL 3402

20

RNAs mapeando a relação entrada-saída

21

1º) O sistema de proteção da subestação anuncia a ocorrência de falta na RDR e registra as informações sobre esse evento;

2º) Verifica-se se a proteção instalada na subestação atuou ou não para isolar o defeito;

3º) As correntes elétricas na fase afetada nos instantes pré, durante e pós-falta são extraídas das informações armazenadas.

4º) Utilizando informações contidas nas referidas correntes, o método (RNAs) indica a distância à falta.

Nova metodologia para localização de

faltas

22

Exemplo de aplicação

Ocorrência de falta no ramal A3 à 2,7 km do seu início com

243 Ω de resistência de falta.

23

As informações coletadas na subestação mostram que o defeito ocorreu na fase A e a proteção da subestação não atuou para isolar o defeito;

O pré-processamento da correntes elétricas indicam: κ: 5,01; Desvio angular Δ : 15,06º;𝜙 Carga remanescente na fase A após atuação da

proteção: 61,1%.

Exemplo de aplicação

24

As redes neurais responsáveis por ramais na fase A (RNA-A1, RNA-A2 e RNA-A3) são acionadas. Os resultados obtidos são: RNA-A1: 20,80 km do início do ramal A1; RNA-A2: 4,75 km do início ramal A2; RNA-A3: 2,64 km do início do ramal A3.

Exemplo de aplicação

25

Não é possível determinar se a falta ocorreu no ramal A2 ou A3 apenas com informações coletadas na subestação de energia;

É necessário então analisar o gráfico de carga remanescente esperada.

A2 A30%

20%

40%

60%

80%

100%

68.4%60.5%

Carga remanescente esperada – fase A

NormalRamal isolado

Exemplo de aplicação

26

Comparando a carga remanescente real com a esperada, é possível ordenar as possibilidades de acordo com suas chances de estarem corretas: 1ª) Ramal A3: à 2,64 km de distância do seu início 2ª) Ramal A2: à 4,75 km de distância do seu início;

Havendo disponibilidade de outras informações é possível refinar o ranking.

Exemplo de aplicação

27

Este trabalho apresentou uma nova metodologia para o problema de localização de faltas em RDRs;

A integração entre as técnicas já praticadas e a metodologia potencializou os resultados obtidos;

A tecnologia necessária para empregar a metodologia já se encontra disponível na maioria das RDRs;

O treinamento das RNAs é um processo um tanto trabalhoso e lento, contudo, uma vez que as redes estão treinadas, o processamento das informações para indicar a distância à falta é simples e rápido.

Conclusões

28

Realizar testes com a nova metodologia em RDRs reais; Considerar a influência na localização da falta com a

entrada de cargas sazonais de grande porte no sistema;

Estudar o impacto sobre o desempenho ao se utilizar um número menor de exemplos para o treinamento das RNAs;

Simular a variação de carga nos ramais e a ampliação da RDR;

Análise considerando a presença de banco de capacitores ao longo da linha.

Sugestões para trabalhos

futuros

29

Muito Obrigado!

José Felipe Dalcin Stieven

Aluno de Engenharia Elétrica da UFSC

E-mail: jfelipedalcin@gmail.com