Nowadays due to the increase of renewable energy sources, Distributed Generations (DGs) assumed an important role in distribution and sub transmission systems. However, abnormal operating conditions of the distribution system may cause that the DG remains isolated from the main system and connected to part of distribution system feeding its local loads. This operating condition is known as DG islanding. There are many island detection techniques however they can fail in some situation, such as in cases of low power unbalance. This work aims to present three news passive island detection technique for synchronous Distributed Generation that has better performance than the traditional one. The first technique aims to attenuates the oscillations caused in the frequency by short circuits and load switching using Mathematical Morphology. The MM reduces frequency oscillations, and in this way it allows to reduce the thresholds. With smaller thresholds is possible the detection of small power mismatch and in a much smaller time. The second technique is based on Frequency Oscillation Estimation in order to distinguish the islanding from other events that may occur in distribution systems. This island detection algorithm uses a small time window to estimate the oscillation frequency, obtaining faster responses than the existing methods which use larger windows to estimate the damping and frequency of oscillation. The third method aims to recognize de frequency shape through a pattern recognition algorithm. The algorithm uses singular value decomposition and linear discrimination analysis to classify the events. The algorithms performances have been tested considering several generation and load scenarios including short circuits, load and capacitor switching, DG outage and islanding. The proposed methods were compared with the island detection method commonly used, i.e. Rate of Change of Frequency and Under / Overfrequency. The proposed methods are reliable since they do not trip for the most of non-islanding event. Among the tested methodologies, the method of the Frequency Oscillation Estimation has the best performance. Its detection time is less than 40ms and it Non Detection Zone is smallest than the range between + 3.2% and -1.6% of the GD rated power. The mathematical simplicity of EFO is adequate for practical relay implementation and the results show that EFO performs better than the other techniques. / Atualmente, devido ao aumento das fontes de energia renováveis, a Geração Distribuída (GD) assumiu um papel importante nos sistemas de distribuição e subtransmissão. No entanto, condições anormais de operação podem fazer com que a GD seja desconectada do sistema principal e permaneça conectada a uma parte menor do sistema, alimentando apenas suas cargas locais. Esta condição de operação é conhecida como ilhamento não intencional da GD. Existem diversas técnicas de detecção de ilhamento, porém, estas podem falhar em determinadas situações como em casos de baixo desbalanço de potência. Este trabalho apresenta três novas técnicas para detecção de ilhamento de gerações distribuídas com geradores síncronos, as quais apresentam melhores desempenhos que as técnicas tradicionais. A primeira metodologia proposta utiliza a Morfologia Matemática (MM) e visa atenuar as oscilações de frequência causadas por curtos-circuitos e comutação de carga. A MM reduz as oscilações e desta forma permite a redução dos limiares de detecção. Com limiares menores é possível detectar desbalanços de potência menores e em um tempo muito menor. A segunda técnica utiliza a Estimação da Frequência de Oscilação (EFO) e busca distinguir ilhamentos de outros eventos que podem ocorrer no sistema de distribuição. Nesse caso, o algoritmo de detecção de ilhamento utiliza uma pequena janela de tempo para estimar a frequência de oscilação. Assim, obtém uma resposta mais rápida do que os métodos até então existentes, que estimam o amortecimento e a frequência de oscilação. O terceiro visa reconhecer a forma da frequência através de um algoritmo de reconhecimento de padrão. O algoritmo utiliza decomposição em valores singulares e análise linear discriminante para promover a classificação dos eventos. Os desempenhos dos algoritmos foram avaliados com base em diversos cenários de geração e de carga, incluindo curtos-circuitos, chaveamentos de carga e de banco de capacitores, saída de GD e ilhamento. Os métodos propostos foram comparados com os algoritmos de detecção de ilhamentos comumente utilizados, ou seja, a Taxa de Variação da Frequência e Sub/Sobrefrequência. Os métodos propostos se mostraram confiáveis uma vez que não operam para a maioria dos eventos que não se caracterizam como ilhamentos. Dentre as metodologias testadas, o método da estimação da frequência de oscilação é o que apresentou melhor desempenho. Seu tempo de detecção é menor que 40ms e sua Zona de Não Detecção (ZND) é inferior a faixa situada entre +3,2% e -1,6% da potência nominal da GD. A simplicidade matemática da EFO favorece sua implementação prática, e os resultados mostram um desempenho bem superior quando comparado a outras técnicas já implementadas.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsm.br:1/3696 |
| Date | 26 February 2016 |
| Creators | Marchesan, Gustavo |
| Contributors | Cardoso Junior, Ghendy, Mariotto, Lenois, Bernardon, Daniel Pinheiro, Vieira Junior, Jose Carlos de Melo, Sperandio, Mauricio, Oleskovicz, Mário |
| Publisher | Universidade Federal de Santa Maria, Programa de Pós-Graduação em Engenharia Elétrica, UFSM, BR, Engenharia Elétrica |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSM, instname:Universidade Federal de Santa Maria, instacron:UFSM |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 300400000007, 400, 300, 300, 300, 300, 300, 300, 300, eed4f55e-1a74-47ce-afc0-4daa8655d8a3, a02fc92c-c50a-4d36-977c-39c3cd90cdc7, e2579a5c-2361-4baa-865c-9ad319308a4e, d31b53a3-dd91-49c3-92da-1ef80629fe59, 150109f7-b275-469f-a749-e6b60ce28fe5, e3b8dc2c-1ecc-416e-bcbb-acfa8721eefb, dd099699-796d-4255-80cd-8aade773cb47 |
Page generated in 0.0022 seconds