Embed Size (px)
DESCRIPTION
Apresentação do trabalho da disciplina de mestrado apresentada para a disciplina Sistemas Elétricos de Potência.
Citation preview
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.
