Submitted by Automação e Estatística (sst@bczm.ufrn.br) on 2018-05-02T22:45:42Z
No. of bitstreams: 1
JessikaFonsecaFernandes_DISSERT.pdf: 1169604 bytes, checksum: 88c31a572a86241efaffed09af838ffb (MD5) / Approved for entry into archive by Arlan Eloi Leite Silva (eloihistoriador@yahoo.com.br) on 2018-05-07T21:22:14Z (GMT) No. of bitstreams: 1
JessikaFonsecaFernandes_DISSERT.pdf: 1169604 bytes, checksum: 88c31a572a86241efaffed09af838ffb (MD5) / Made available in DSpace on 2018-05-07T21:22:14Z (GMT). No. of bitstreams: 1
JessikaFonsecaFernandes_DISSERT.pdf: 1169604 bytes, checksum: 88c31a572a86241efaffed09af838ffb (MD5)
Previous issue date: 2017-12-19 / Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / Transformador de potência é um dos principais ativos do sistema elétrico, o qual é
responsável pela interligação de redes elétricas em diferentes níveis de tensão. A proteção
desse ativo deve atuar de forma rápida e eficiente para casos de falta interna ao
transformador, pois dependendo da severidade da falta pode levar à perda do ativo. A
principal função de proteção utilizada em transformadores de potência é a proteção diferencial,
por ser uma função rápida e seletiva. Entretanto, essa função de proteção pode
atuar indevidamente em casos de energização de transformadores, assim como diante de
faltas externas na presença de distorções na forma de onda da corrente devido à saturação
dos transformadores de corrente. Outro problema, é a não atuação da proteção diferencial
para casos de falta interna nos enrolamentos do transformador envolvendo poucas espiras.
Portanto, neste trabalho propõe-se uma alternativa para melhorar a proteção diferencial
de transformadores usando a combinação de algoritmos de aprendizado de máquina e a
transformada wavelet. O método proposto recria a função diferencial usando um detector
de distúrbios, por meio das energias dos coeficientes wavelet, o qual habilita as funções
diferenciais neuro-wavelet de fase e sequência negativa, que são baseadas em máquinas
de vetor de suporte. O método proposto conta ainda com um classificador de falta interna,
também baseado em máquinas de vetor de suporte, para realizar a classificação do tipo de
falta e auxiliar na lógica de trip do relé. O método proposto atuou em 100% dos casos de
falta interna, não atuou para energização de transformadores e faltas externas nos casos
avaliados. Quando comparado com o método convencional, obteve um tempo médio de
operação superior. Além disso, o esquema de proteção diferencial proposto pode funcionar
em conjunto com as demais proteções do sistema enviando sinais de alerta, como por
exemplo, para condições de falta externa ao transformador, tornando, assim a proteção
mais confiável e inteligente. / Power transformer is one of the main equipment of the electrical system which is responsible
for the interconnection of electrical networks at different voltage levels. The
protection of this equipment must work quickly and efficiently in cases of internal fault in
the transformer, because depending on the severity of the fault can lead to the loss of the
transformer. The differential function has been widely used in protection for power transformer,
because it is a quick and selective function. However, this protection functionmay
work unduly in cases of transformers energizing, as well as external faults with distortions
in the current waveform due the saturation of the current transformers. Another problem
it is no sensitivity for cases of internal fault in the transformer windings involving few
turns. Therefore, this work proposes an alternative to improve the differential protection
of transformers using the combination of Machine Learning Algorithms and the wavelet
transform. The proposed method recreates the differential function using a disturbance
detector, by means of the energies of the wavelet coefficients, which enables the phase
and negative sequence neuro-wavelet differential functions, which are based on support
vector machines. The proposed method also has an internal fault classifier, also based on
support vector machines, to perform fault type classification and assist in the relay trip
logic. The proposed method send trip signal in 100% of the evaluated internal fault cases,
providing no trip to energization of transformers and external faults. The proposed
differential protection scheme can work in conjunction with other system protections by
sending warning signals, for example in external fault conditions of the transformer, so it
is doing the protection more reliable and intelligent.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufrn.br:123456789/25103 |
| Date | 19 December 2017 |
| Creators | Fernandes, Jessika Fonsêca |
| Contributors | 03168934470, Lopes, Felipe Vigolvino, 05468182424, Almeida, Marcos Antonio Dias de, 10611975491, Santana Júnior, Orivaldo Vieira de, 82395357553, Ribeiro, Ricardo Lúcio de Araújo, 31804683434, Costa, Flávio Bezerra |
| Publisher | PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA E DE COMPUTAÇÃO, UFRN, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFRN, instname:Universidade Federal do Rio Grande do Norte, instacron:UFRN |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0029 seconds