Upload
jfelipedalcin
View
480
Download
6
Embed Size (px)
DESCRIPTION
TCC em Eng. Elétrica de José Felipe Dalcin Stieven pela UFSC. Propõe o uso de Redes Neurais Artificiais para resolver o problema da localização de faltas em Redes de Distribuição Rural.
Citation preview
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: [email protected]