[pt] O surgimento do fenômeno de estabilidade de tensão na operação dos sistemas elétricos motivou centenas de pesquisadores a desenvolverem métodos que permitam detectar a proximidade à instabilidade de tensão, com eficiência computacional, e tomar medidas acertadas para garantir a operação confiável e segura. Neste trabalho são utilizados e comparados diferentes métodos associados à análise de estabilidade de tensão. Para testes, foram utilizados vários sistemas sob diferentes níveis de carregamento, desde carga leve até o máximo carregamento, este obtido a partir do algoritmo de fluxo de potência continuado. O objetivo é localizar as barras críticas, isto é, aquelas onde não se pode aumentar a injeção de potência e que impedem o crescimento da carga do resto do sistema. / [en] The rise of voltage stability phenomenon in the operation of the electrical systems motivated hundreds of researchers to develop methods that allow them to detect the proximity to voltage instability, with computational efficiency, and take the right steps to ensure reliable and safe operation. This work used and compared different methods associated with the voltage stability analysis. For the tests were used various systems under different levels of loading, from light load to maximum load, this point obtained from the continuous power flow algorithm. The goal is to find the critical buses, that is, those at which the power injection cannot be increased and that avoid the growth of load in the rest of the system.

[pt] O fenômeno associado à estabilidade de tensão se caracteriza pela existência de valores máximos de potência ativa e reativa que podem ser transferidas a uma barra de carga, ou injetada na rede através dos geradores e compensadores síncronos. Sua relevância para o setor elétrico é constantemente reforçada pelo registro de ocorrências de colapsos de tensão em diversos países do mundo e, embora a instabilidade de tensão manifeste-se localmente, suas consequências se refletem na ampla deterioração do sistema. Impulsionado pelo crescente interesse a respeito dos métodos baseados em medições fasoriais sincronizadas para a detecção do máximo carregamento, este trabalho apresenta os principais modelos encontrados na literatura baseados em medições locais e no vasto monitoramento do sistema, com maior ênfase aos métodos de Corsi-Taranto e Circuito Acoplado de Porta-Simples Aprimorado (CAPS Aprimorado). Algumas contribuições são sugeridas ao modelo CAPS Aprimorado tendo em vista sua aplicação ao conjunto de barras de transferência e de geração. Explora-se a utilização dos equivalentes multi-portas como índice de avaliação das condições de estabilidade de tensão, comparando a identificação da barra crítica aos métodos da matriz D e dos autovalores e autovetores. São evidenciadas as principais limitações dos modelos mediante a um conjunto de análises estáticas e dinâmicas, considerando diferentes cenários de carregamento, a sensibilidade dos modelos ao ruído e a resposta dos métodos em face da atuação dos limitadores de sobre-excitação. / [en] The voltage stability phenomenon is characterized by the existence of a maximum active and reactive power that can be transferred to a load bus or injected into the network through the generators and synchronous compensators. Its relevance to the electric power sector is constantly reinforced by the record of occurrences of voltage collapses in several countries around the world. Although the voltage instability manifests itself locally, its consequences is reflected in the wide deterioration of the system. Driven by growing interest in methods based on synchronized phasor measurements for maximum loadability detection, this work presents the main models found in the literature based on local measurements and wide area monitoring, emphasizing the Corsi-Taranto method and Improved Coupled Single-Port Circuit (Improved CAPS). Some contributions are suggested to the Improved CAPS model considering its application to the set of transit and controlled buses. The use of the multi-port equivalents is explored as the evaluation index of voltage stability conditions, comparing the identification of the critical bus to the D matrix method and eigenvalues and eigenvalues method. The main limitations of the models are demonstrated through a static and dynamic studies, as well different loading scenarios, the sensitivity of the models to the noise and the response of the methods when the over-excitation limiters are considered.

Underhåll är en aktivitet som varje produktion vill undvika så mycket som möjligt på grund av kostnaderna och tiden som anknyts till den. Trots detta så är en väl fungerande underhållsverksamhet väsentlig för att främja produktionens funktionssäkerhet och tillgänglighet att tillverka. En effektiv underhållsorganisation går däremot inte ut på att genomföra mer underhåll än vad som egentligen är nödvändigt utan att genomföra underhåll i rätt tid. På traditionellt sätt så genomförs detta genom att ersätta slitage delar och serva utrustningen med fastställda mellanrum för att förebygga att haveri, vilket kallas för förebyggande underhåll. De tidsintervaller som angivits för service bestäms av leverantörerna och grundar sig i en generell uppskattning av slitagedelarnas livslängd utifrån tester och analys. Till skillnad från att köra utrustningen till den går sönder som kallas för Avhjälpande underhåll så kan underhåll genomföras vid lämpliga tider så att det inte påverkar produktion och tillgänglighet. Men de tidsintervall som leverantörerna rekommenderar till företagen garanterar inte att slitage delen håller sig till det intervallet, delarna kan exempelvis rasa tidigare än angivet eller till och med hålla längre. Av denna anledning är det naturliga steget i underhållets utveckling att kunna övervaka utrustningens hälsa i hopp om att kunna förutspå när och varför ett haveri ska uppstå. Den här typen av underhåll kallas för tillståndsbaserat och prediktivt underhåll och medför ultimat tillgänglighet av utrustning och den mest kostnadseffektiva underhållsorganisationen, då god framförhållning och översikt uppnås för att enbart genomföra underhåll när det behövs. Det som gör tillståndsbaserat och prediktivt underhåll möjligt är den fjärde industriella revolutionen “Industri 4.0” och teknologierna som associeras med den som går ut på absolut digitalisering av produktionen och smarta fabriker. Teknologier som IoT, Big Dataanalys och Artificiell Intelligens används för att koppla upp utrustning till nätet med hjälp av givare för att samla in och lagra data som ska användas i analyser för att prognosera dess livslängd. Uppdragsgivaren AstraZeneca i Södertälje tillverkar olika typer av läkemedel som många är livsviktiga för de patienter som tar dessa mediciner. Om AstraZenecas produktion står still på grund av fel i utrustningen kommer det inte enbart medföra stora ekonomiska konsekvenser utan även påverka de människor som med livet förlitar sig på den medicin som levereras. För att försäkra produktionens tillgänglighet har AstraZeneca gjort försök att tillämpa tillståndsbaserat och prediktivt underhåll men det är fortfarande enbart i startgroparna. Eftersom ventilation är kritisk del av AstraZeneca produktion då ett fel i ventilationssystemet resulterar i totalt produktionsstopp i byggnaden förens problemet åtgärdas och anläggningen sanerats blev det även rapportens fokusområde. Arbetets uppgift går därför ut på att undersöka möjligheter för AstraZeneca att utveckla deras prediktiva och tillståndsbaserat underhåll på deras ventilationssystem, för att sedan kunna identifiera och presentera förslag på åtgärder. Dessa förslag analyserades sedan med hjälp av verktygen QFD-Matris och Pugh-Matris för att kunna uppskatta vilket förslag som är mest kostnadseffektivt, funktions effektivt samt vilket förslag som kommer tillföra mest nytta för underhållet på AstraZeneca. / Maintenance is an activity that every production wants to avoid as much as possible due to the costs and the time associated with it. Despite this, a well-functioning maintenance operation is essential to promote the production's availability to manufacture and operational reliability. Running an efficient maintenance operation is not about carrying out more maintenance than is necessary but carrying out the right amount of maintenance at the right time. Traditionally speaking this is done by replacing worn parts and servicing the equipment at set intervals to prevent breakdowns, this method is called preventive maintenance. The intervals specified for service are determined by the suppliers and are based on general estimates of the service life for the spare parts from test and analytics. Preventive maintenance allows for maintenance to be carried out at appropriate time to not affect production and availability unlike running the equipment until breakdown, which is called reactive maintenance. However, these intervals that the suppliers recommend do not guarantee that the parts adhere to the given interval, the part can for example break down earlier than expected or even outlast its prescribed lifetime. Because of this, the natural step in the development of maintenance is giving companies the ability to monitor the health of the equipment in hope of being able to predict potential breakdowns. This is what Condition-Based and predictive maintenance is and it provides the ultimate availability of equipment and the most cost-effective maintenance organization, because the good foresight and overview allows maintenance to be carried out only when needed. The fourth industrial revolution “Industry 4.0”, absolute digitalization of production, smart factories and all the technologies associated with this is what makes this type of maintenance possible. Technologies such as IoT, Big Data Analytics and Artificial Intelligence are used to connect equipment to the network using sensors so that data can be stored and collected to be analyzed to forecast the lifespan of parts and equipment. AstraZeneca in Södertälje manufactures different types of medicine, many of which are vital for the patients who take them. If their production comes to a standstill due to equipment failure, it will not only have major financial consequences but also greatly affect the people who rely on the medicine offered with their lives. To ensure the availability of production, AstraZeneca has made attempts to apply condition-based and predictive maintenance, but it is still only in its infancy. Since ventilation is a critical part of AstraZeneca's production, as a failure here will result in a total production stoppage for the building affected and will not resume before the problem is remedied and the plant is decontaminated, it also became the report's focus area. The task at hand is therefore to investigate the opportunities AstraZeneca must develop their predictive and condition-based maintenance for their ventilation systems, in order to be able to present proposals for measures. The proposals will then be analyzed using tools like the QFD-Matrix and the Pugh-Matrix in order to estimate which is more cost effective, function effective and which one will bring the most benefit to AstraZeneca.