[pt] Quando ocorre algum tipo de falta em uma Linha de
Transmissão (LT), sua localização exata é essencial para
uma rápida recomposição do Sistema Elétrico. Métodos que
utilizam tensão e corrente de apenas um terminal contêm
simplificações que podem acarretar erros. Esta
dissertação
investiga a aplicação de Redes Neurais Artificiais (RNA)
na
obtenção de uma nova forma de identificar o tipo do
curto-
circuito e determinar a sua localização, utilizando
dados
obtidos em somente um terminal. O trabalho consiste de 4
partes principais: estudo bibliográfico da área de Redes
Neurais; simulações de faltas para a obtenção de
padrões;
definição e implementação dos modelos de Redes Neurais
para
identificação e localização da falta; e estudos de casos.
Na fase do estudo bibliográfico sobre RNA, foi
verificado
que as topologias de redes mais usuais são as Feed-
Forward, que podem ter uma ou mais camadas de Elementos
Processadores (EP), sendo as redes com múltiplas camadas
(Multi-Layer) a configuração mais completa. Para
treinamento da rede, o algoritmo de aprendizado mais
utilizado é o Back Propagation. Como fruto deste estudo
bibliográfico é apresentado neste trabalho um resumo
sobre
RNA.
Nas simulações de faltas para obtenção dos padrões de
treinamento e teste, foi utilizado um sistema automático
que, através da combinação de vários parâmetros do
sistema
elétrico, gera situações diferentes de falta. Este
sistema
utiliza como base o programa Alternative Transient
Program - ATP. Neste trabalho o sistema elétrico está
representado por uma LT de 345 KV, com fontes
equivalentes
representando um sistema real de Furnas Centrais
Elétricas.
Todos o sinais de tensão e corrente utilizados são
representados por fasores de 60 Hz, obtidos através da
Transformada Discreta de Fourier (TDF).
Os modelos de RNAs para identificação e localização de
falta foram implementados com sub-rotinas de redes
neurais
do programa MATLAB ver. 6.0, representados por Redes
Perceptron Multicamadas (Multi Layer Perceptron),
treinadas
com algoritmo Back Propagation com taxa de aprendizado
adaptativa e o termo momentum fixo. Um modelo único de
RNA
identifica quais as fases (A, B, C e T) envolvidas,
classificando o tipo de falta, que pode ser: Monofásica;
Bifásica; Bifásica-Terra ou Trifásica. Para a
localização
da falta, foram definidas 4 arquiteturas de RNA, uma
para
cada tipo de falta. A ativação de cada topologia de RNA
para localização é definida em função do tipo de falta
classificada no modelo de identificação com RNA.
Na etapa de estudo de casos testou-se o desempenho de
cada
modelo de RNA utilizando casos de testes em outras
situações de falta, diferentes dos conjuntos de
treinamento. A RNA de identificação de falta foi
avaliada
para situações de faltas envolvendo outras LTs, com
diferentes níveis de tensão. Os resultados das 4 RNAs de
localização da falta foram comparados com os resultados
obtidos utilizando o método tradicional, tanto para os
casos simulados quanto para algumas situações reais de
falta.
A utilização de RNAs para a identificação e a
localização
de falta mostrouse bastante eficiente para os casos
analisados, comprovando a aplicabilidade das redes
neurais
nesse problema. / [en] When a kind of fault occurs in a Transmission Line, its
exact location is essential for a fast reclosing of the
Electric System. Methods that use voltages and currents
from only one terminal contain simplifications that can to
cause mistakes. This paper presents an investigation about
application of Artificial Neural Network (ANN) obtaining a
new way of identification for the type of the short circuit
and its location, using data obtained only in one terminal.
The work consists on the following 4 main parts:
bibliographical study of Neural Network`s area; simulations
of faults in order to obtain of patterns; definition and
implementation of Neural Network`s models for
identification and location of the fault; and studies
of cases.
In the bibliographical study step on ANN, it was verified
that the topologies for the more usual nets are Feed-
Forward,that can have one or more layers of Processor
Elements (PE), being the nets with multiple layers the most
complete configuration. For the net training, the more used
learning algorithm is Back Propagation. Product of this
bibliographical study presents in this work a summary about
ANN.
In the faults simulations in order to obtain the training
patterns and test, it was used an automatic system that,
through the combination of several parameters of the
electric system, generates different fault situations. This
system uses as base the program Alternative Transient
Program - ATP. In this work the electric system is
represented by a Transmission Line of 345 KV, with
equivalent sources representing a real system of Furnas
Centrais Elétricas. All the voltages and currents signs
used are represented by fasors of 60 Hz, obtained from
Discret Fourier Transformer (DFT).
The ANN models for identification and fault location were
implemented with subroutines of neural network of the
program MATLAB version 6.0, represented by Multi Layer
Perceptron, with algorithm Back Propagation with tax of
adaptive learning and the term momentum fixed. Only one
model of ANN identifies which phases (A, B, C and T) are
involved, classifying the fault type, that can be:
Singlephase; Phase-to-Phase; Double Phase-to-Ground or
Three-phase. For the fault location, they were defined 4
architectures of ANN, one for each type of fault. The
activation of each topology of ANN for location is defined
depending on of the fault type classified in the
identification model with ANN.
In the stage of cases study the representation of each
model of ANN was tested using cases of tests in other fault
situations, different from the training groups. The ANN of
fault identification was evaluated for situations of faults
involving other Transmission Line, with different voltage
levels. The results of 4 ANNs of fault location were
compared with the obtained results using the traditional
method, so much for the simulated cases as for some real
situations of fault.
The use of ANNs for the identification and the fault
location has shown quite efficient for the analyzed cases,
proving the applicability of the neural networks in
that problem.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:3509 |
| Date | 20 May 2003 |
| Creators | MARCO ANTONIO FERNANDES RAMOS |
| Contributors | MARLEY MARIA BERNARDES REBUZZI VELLASCO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0028 seconds