[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-
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:2773 |
| Date | 25 July 2002 |
| Creators | TOMAS HOSHIBA KAWABATA |
| Contributors | REINALDO CASTRO SOUZA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0021 seconds