Escolar Documentos
Profissional Documentos
Cultura Documentos
Belo Horizonte
Maio de 2010.
Belo Horizonte
Maio de 2010.
Resumo
Nos Sistemas Eltricos de Potncia a linha de transmisso o elemento mais vulnervel,
pois est sujeita a faltas provocadas por fatores externos e internos. Sistemas de proteo so
empregados para minimizar os impactos causados pelas faltas sendo que, atualmente, os rels
digitais cumprem o papel principal no diagnstico das faltas. Diversos algoritmos para
diagnstico de faltas podem ser utilizados nos rels digitais e, recentemente, as pesquisas tm
se concentrado no uso de tcnicas de anlise de sinais e em sistemas inteligentes, na tentativa
de superar as desvantagens dos mtodos convencionais. Neste trabalho apresentada uma
metodologia de deteco e classificao de faltas do tipo curto-circuito e tipo circuito aberto
em linhas de transmisso. A metodologia proposta utiliza a Transformada Wavelet para
deteco da falta e utiliza a Rede Lgica Neurofuzzy para classificao da mesma, a partir da
extrao de informaes dos sinais de tenso e corrente da linha de transmisso. No
treinamento da Rede Lgica Neurofuzzy foi includo o Aprendizado Participativo na etapa de
gerao das funes de pertinncia dos subconjuntos fuzzy. Os algoritmos foram
implementados em um Sistema de Deteco e Classificao de Faltas e resultados obtidos
atravs de simulaes demonstraram a robustez e eficincia da metodologia proposta.
Abstract
In the Power Electric Systems the transmission line is the most vulnerable element, since
they are subject to faults caused by external and internal factors. Protection systems are
employed to minimize the impacts caused by the faults and, currently, digital relays meet the
lead role in the fault diagnosis. Several algorithms for fault diagnosis can be used in digital
relays and, recently, researches have focused on the use of techniques of signal analysis and
intelligent systems, in an attempt to overcome the disadvantages of conventional
methods. This work presents a methodology for fault detection and classification of short
circuit and open circuit faults on transmission lines. The proposed methodology uses the
Wavelet Transform for detection and uses the Logic Neurofuzzy Network for classification of
the fault, from the extraction of information of current and voltage signals of the transmission
line. In the training of the Logic Neurofuzzy Network was included the Participatory Learning
in step generation of membership functions of fuzzy subsets. The algorithms were
implemented in a Fault Detection and Classification System and results obtained through
simulations had demonstrated the robustness and efficiency of the methodology proposal.
ii
Agradecimentos
A minha famlia, esposa, filhos, pais e irmos, pelo apoio e incentivo, os quais me
ajudaram a vencer os desafios.
Ao meu orientador professor Walmir Matos Caminhas, pela orientao, a qual permitiu a
realizao desse trabalho.
Aos colegas do Laboratrio de Inteligncia Computacional, pelas muitas contribuies, as
quais contriburam para superar dificuldades.
Aos professores do CPDEE, pelos muitos conhecimentos transmitidos durante as aulas, os
quais foram de grande importncia para minha formao acadmica.
FACIT pelo apoio financeiro.
iii
Sumrio
1 Introduo....................................................................................................................................... 1
1.1Motivao ................................................................................................................................. 3
1.2 Objetivo ................................................................................................................................... 5
1.3 Proposta ................................................................................................................................... 5
1.4 Estrutura do trabalho ................................................................................................................ 6
2 Linhas de Transmisso .................................................................................................................... 7
2.1 Descrio ................................................................................................................................. 7
2.2 Representao .......................................................................................................................... 8
2.3 Faltas envolvidas .....................................................................................................................11
2.4 Modelo....................................................................................................................................14
2.5 Simulao ...............................................................................................................................16
3 Diagnstico de faltas em linhas de transmisso ...............................................................................18
3.1 Mtodos convencionais ...........................................................................................................18
3.2 Mtodos baseados em anlise de sinais ....................................................................................20
3.2.1 Transformada de Fourier ..................................................................................................21
3.2.2 Exemplo empregando Transformada de Fourier ...............................................................22
3.2.3 Transformada Wavelet ......................................................................................................24
3.2.4 Exemplos empregando Transformada Wavelet ..................................................................29
3.3 Mtodos inteligentes................................................................................................................34
3.3.1 Redes Neurais Artificiais ..................................................................................................34
3.3.2 Exemplos empregando redes neurais artificiais .................................................................34
3.3.4 Lgica Fuzzy ....................................................................................................................38
3.3.5 Exemplos empregando Lgica Fuzzy ................................................................................39
3.3.6 Redes Neurofuzzy .............................................................................................................43
3.3.7 Exemplos empregando redes neurofuzzy ...........................................................................43
4 Metodologia proposta.....................................................................................................................46
4.1 Viso geral ..............................................................................................................................46
4.2 Deteco da falta .....................................................................................................................47
4.3 Classificao da falta ...............................................................................................................52
5 Resultados .....................................................................................................................................60
5.1 Modelo utilizado .....................................................................................................................60
5.2 Simulaes no PSCAD ............................................................................................................61
5.3 Implementaes no MATLAB .................................................................................................72
5.4 Resultados obtidos...................................................................................................................74
iv
6 Concluses.....................................................................................................................................83
6.1 Trabalhos futuros ....................................................................................................................84
6.2 Produo cientfica ..................................................................................................................84
Apndices .........................................................................................................................................85
A.
B.
Lista de figuras
Figura 1. 1: Etapas do procedimento de proteo de um rel digital. ................................................... 2
Figura 1. 2: Histrico do desenvolvimento dos rels de proteo (Bo, Redfern e Weller, 2000)........... 3
Figura 2. 1: Torre de linha de transmisso area. ................................................................................ 8
Figura 2. 2: Circuito equivalente de uma linha de transmisso curta.................................................... 9
Figura 2. 3: Circuito equivalente de uma linha de transmisso mdia. ................................................10
Figura 2. 4: Circuito equivalente de uma linha de transmisso longa. .................................................11
Figura 2. 5: Diagrama simplificado de uma falta tipo LL. ..................................................................12
Figura 2. 6: Diagrama simplificado de uma falta tipo LLL. ................................................................12
Figura 2. 7: Diagrama simplificado de uma falta tipo LG...................................................................13
Figura 2. 8: Diagrama simplificado de uma falta tipo curto-circuito LLG. .........................................13
Figura 2. 9: Diagrama simplificado de uma falta tipo LO...................................................................14
Figura 2. 10: Diagrama simplificado de uma falta tipo LLO. .............................................................14
Figura 2. 11: Linha de transmisso com uma falta fase-terra. .............................................................16
Figura 2. 12: Resultados de simulao de falta tipo curto-circuito fase-terra. .....................................17
Figura 2. 13: Resultados de simulao de falta tipo fase aberta. .........................................................17
Figura 3. 1: Aplicao da Transformada de Fourier. ..........................................................................22
Figura 3. 2: Mtodo baseado em FFT para diagnstico de faltas (Bo, et al., 1997). ............................23
Figura 3. 3: Diferenas entre uma onda senoidal e uma wavelet. ........................................................24
Figura 3. 4: Aplicao da Transformada Wavelet. .............................................................................25
Figura 3. 5: Exemplos de wavelets me. ............................................................................................26
Figura 3. 6: Filtro multi-estgio para implementao da DWT. ..........................................................27
Figura 3. 7: Decomposio de um sinal de falta utilizando wavelet me db4. .....................................29
Figura 3. 8: Algoritmo de deteco de faltas utilizando DWT (Kim et al., 2002). ...............................30
Figura 3. 9: Algoritmo de classificao de faltas utilizando DWT (Reddy e Mohanta, 2007). .............31
Figura 3. 10: Algoritmo de deteco e classificao de faltas utilizando DWT (Zhao, Song e Min,
2000). ...............................................................................................................................................32
Figura 3. 11: Fluxograma do mtodo de diagnstico de faltas utilizando DWT (Makming et at., 2002).
.........................................................................................................................................................33
Figura 3. 12: Estrutura do mtodo de deteco de faltas baseado em RNA (Vsquez, Altuve, e Chacn,
1996). ...............................................................................................................................................35
Figura 3. 13: Diagrama de uma rede FIRANN com duas camadas ocultas (Fernandez e Ghonaim,
2002). ...............................................................................................................................................36
Figura 3. 14: Diagrama do sistema para deteco e classificao de faltas baseado em RNA
(Fernandez e Ghonaim, 2002). ..........................................................................................................36
Figura 3. 15: Esquema do mtodo de diagnstico de faltas baseado em RNAs (Oleskovicz, Coury e
Aggarwal, 2001). ..............................................................................................................................38
Figura 3. 16: Diagrama em bloco do FIS empregado para classificao de faltas proposto por Das e
Reddy (2005). ...................................................................................................................................40
Figura 3. 17: Diagrama em bloco do FIS empregado para classificao de faltas proposto por Mahanty
e Gupta (2007). .................................................................................................................................41
vi
Figura 3. 18: Diagrama em bloco do FIS empregado para classificao de faltas proposto por Youssef
(2004). ..............................................................................................................................................42
Figura 3. 19: Estrutura da rede neurofuzzy para deteco e classificao de faltas proposta por Wang e
Keerthipala (1998). ...........................................................................................................................44
Figura 3. 20: Esquema de redes neurofuzzy para classificao e localizao de faltas proposto por
Dash, Pradhan e Panda (2000). ..........................................................................................................45
Figura 4. 1: Decomposio de um sinal x(n) nos coeficientes wavelet A1 e D1. .................................48
Figura 4. 2: Coeficiente D1 de um sinal de tenso em falta fase-terra utilizando wavelet db4. ............48
Figura 4. 3: Coeficiente D1 de um sinal de corrente em falta fase-terra utilizando wavelet db4. .........49
Figura 4. 4: Fluxograma do algoritmo proposto para deteco de faltas em linhas de transmisso. .....50
Figura 4. 5: Resultado da aplicao do mtodo de deteco da falta em um sinal de tenso. ...............51
Figura 4. 6: Resultado da aplicao do mtodo de deteco da falta em um sinal de corrente. ............51
Figura 4. 7: Estrutura da Rede Lgica Neurofuzzy proposta por Caminhas, Tavares e Gomide, (1996).
.........................................................................................................................................................52
Figura 4. 8: Funes de pertinncia triangulares no uniformemente distribudas. ..............................54
Figura 4. 9: Esquema simplificado do mtodo de classificao proposto. ...........................................58
Figura 4. 10: Funes de pertinncia para a entrada 1. .......................................................................58
Figura 4. 11: Funes de pertinncia para a entrada 2. .......................................................................59
Figura 4. 12: Sinais de entrada e sada da rede lgica neurofuzzy. .....................................................59
Figura 5. 1: Modelo de SEP utilizado para simulaes de faltas. ........................................................60
Figura 5. 2: Modelo de SEP como implementado no PSCAD. ...........................................................61
Figura 5. 3: Simulao de falta tipo curto-circuito fase A-G...............................................................64
Figura 5. 4: Simulao de falta tipo curto-circuito fase B-G. ..............................................................64
Figura 5. 5: Simulao de falta tipo curto-circuito fase C-G. ..............................................................65
Figura 5. 6: Simulao de falta tipo curto-circuito fases AB-G...........................................................65
Figura 5. 7: Simulao de falta tipo curto-circuito fases AC-G...........................................................66
Figura 5. 8: Simulao de falta tipo curto-circuito fases BC-G. ..........................................................66
Figura 5. 9: Simulao de falta tipo curto-circuito fases AB...............................................................67
Figura 5. 10: Simulao de falta tipo curto-circuito fases AC.............................................................67
Figura 5. 11: Simulao de falta tipo curto-circuito fases BC. ............................................................68
Figura 5. 12: Simulao de falta tipo curto-circuito fases ABC. .........................................................68
Figura 5. 13: Simulao de falta tipo fase A-aberta. ...........................................................................69
Figura 5. 14: Simulao de falta tipo fase B-aberta. ...........................................................................69
Figura 5. 15: Simulao de falta tipo fase C-aberta. ...........................................................................70
Figura 5. 16: Simulao de falta tipo fases AB-aberta. .......................................................................70
Figura 5. 17: Simulao de falta tipo fases AC-aberta. .......................................................................71
Figura 5. 18: Simulao de falta tipo fases BC-aberta. .......................................................................71
Figura 5. 19: Estrutura do sistema para deteco e classificao de faltas implementado. ...................72
Figura 5. 20: Diagnstico realizado pelo sistema de deteco e classificao de faltas em uma
sequncia de faltas. ...........................................................................................................................74
vii
Lista de tabelas
Tabela 1. 1: Ocorrncia de faltas no SEP em um sistema de 500 kV, num perodo de 10 anos. ............ 2
Tabela 2. 1: Classificao das linhas de transmisso em funo do comprimento. ............................... 8
Tabela 4. 1: Coeficientes do filtros associados wavelet db4. ............................................................48
Tabela 5. 1: Lgica de deciso. .........................................................................................................73
Tabela 5. 2: Resultados dos testes com variao da distncia para faltas do grupo 1. ..........................75
Tabela 5. 3: Resultados dos testes com variao da distncia para faltas do grupo 2. ..........................75
Tabela 5. 4: Resultados dos testes com variao da distncia para faltas do grupo 3. ..........................75
Tabela 5. 5: Resultados dos testes com variao da distncia para faltas do grupo 4. ..........................76
Tabela 5. 6: Resultados dos testes com variao da distncia para faltas do grupo 5. ..........................76
Tabela 5. 7: Resultados dos testes com variao da distncia para faltas do grupo 6. ..........................76
Tabela 5. 8: Resultados dos testes com variao da resistncia para faltas do grupo 1. .......................77
Tabela 5. 9: Resultados dos testes com variao da resistncia para faltas do grupo 2. .......................77
Tabela 5. 10: Resultados dos testes com variao da resistncia para faltas do grupo 3. .....................77
Tabela 5. 11: Resultados dos testes com variao da resistncia para faltas do grupo 4. .....................77
Tabela 5. 12: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 1. ......78
Tabela 5. 13: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 2. ......78
Tabela 5. 14: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 3. ......79
Tabela 5. 15: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 4. ......79
Tabela 5. 16: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 5. ......79
Tabela 5. 17: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 6. ......79
Tabela 5. 18: Resultados dos testes com variao do ngulo de carga para faltas do grupo 1. .............80
Tabela 5. 19: Resultados dos testes com variao do ngulo de carga para faltas do grupo 2. .............80
Tabela 5. 20: Resultados dos testes com variao do ngulo de carga para faltas do grupo 3. .............80
Tabela 5. 21: Resultados dos testes com variao do ngulo de carga para faltas do grupo 4. .............81
Tabela 5. 22: Resultados dos testes com variao do ngulo de carga para faltas do grupo 5. .............81
Tabela 5. 23: Resultados dos testes com variao do ngulo de carga para faltas do grupo 6. .............81
Tabela 5. 24: Resultados gerais dos testes realizados. ........................................................................82
viii
Lista de abreviaturas
AAP
AB
ABC
AB-G
AC
AC-G
A-G
ANFIS
AP
BC
BC-G
B-G
CA
CAD
CC
C-G
CWT
db4
DLG
DTFS
DTFT
DWT
EMTC
FFT
FIR
FIRANN
FIS
FS
FT
HIF
LG
LL
LLG
LLL
LLO
LO
MLP
QMF
R-L
RMS
RNA
SEP
SLG
STFT
TC
ix
Captulo 1
1 Introduo
Nos ltimos anos tm ocorrido no pas blackouts, ou apages na linguagem popular,
que atingem um grande nmero de estados, deixando milhes de consumidores sem o
fornecimento de energia eltrica e causando grandes prejuzos econmicos. Esses
acontecimentos tornam evidente a importncia que o Sistema de Energia Eltrica ou Sistema
Eltrico de Potncia (SEP) tem para a sociedade moderna. Para minimizar os impactos
causados pela falta no sistema, adotam-se mecanismos de diagnstico da falta que, se
detectada, classificada e localizada com rapidez e preciso, permite o restabelecimento do
funcionamento do sistema eltrico no menor tempo possvel.
O SEP responsvel pelo fornecimento da energia eltrica consumida em todo o pas.
Esse sistema composto por diversos componentes: usinas geradoras de energia eltrica,
subestaes, transformadores elevadores e abaixadores, linhas de transmisso e linhas de
distribuio. Cada componente do sistema possui uma funo especfica e definida. Os
geradores de energia transformam uma determinada forma de energia (mecnica, trmica,
elica ou solar) em energia eltrica e injetam a potncia gerada nas linhas de transmisso. As
linhas de transmisso por sua vez realizam a transferncia da energia, de um centro gerador
at um centro consumidor. Como a transmisso da energia efetuada em tenses elevadas,
so necessrios transformadores. Normalmente so classificadas como linhas de transmisso
aquelas com tenso igual ou superior a 230 kV e como linhas de distribuio aquelas com
tenses entre 69 e 138 kV (Coury, 2002).
desejvel que um SEP funcione correta e interruptamente, fornecendo energia com
determinado padro de qualidade aos consumidores, sejam eles residenciais, comerciais ou
industriais. Entretanto, devido a faltas na operao, isto nem sempre conseguido. Por falta
em um SEP, entende-se como a falha total ou parcial no fornecimento da energia eltrica. A
causa de uma falta pode ser devido a um fenmeno interno (exemplo: sobrecarga dos
equipamentos) ou externo ao sistema (exemplo: sobretenses devido a descargas
atmosfricas). Na ocorrncia da falta podem surgir os mais diversos problemas, tais como
danos aos equipamentos, desligamento de reas que no esto sob falta, exploses, dentre
outras. As faltas podem ser permanentes ou transitrias, sendo as faltas permanentes
irreversveis, o que significa que aps a abertura dos dispositivos de proteo, o fornecimento
de energia no poder ser restabelecido. J as faltas transitrias so as que ocorrem sem
provocar danos fsicos ao sistema, sendo que aps a atuao da proteo, o fornecimento de
energia poder ser restabelecido sem maiores problemas.
Em um SEP, a linha de transmisso o elemento mais vulnervel a faltas, uma vez que,
devido a sua dimenso fsica, ela fica exposta a vrios fatores, tais como curtos-circuitos
causados por rvores, isoladores danificados, descargas atmosfricas, dentre outros. A ttulo
1
Para proteo das linhas de transmisso, o SEP conta com um sistema de proteo, cuja
funo proteger o sistema como um todo de faltas que possam ocorrer internamente ou
externamente a esse. O sistema de proteo composto de disjuntores, transdutores e rels.
O rel um dispositivo analgico ou digital que fica permanentemente conectado ao
sistema eltrico, monitorando sinais de tenso e corrente proveniente dos transdutores, sendo
responsvel pela deteco de condies intolerveis ou indesejveis ao sistema eltrico. O rel
corresponde a parte lgica do sistema de proteo, cabendo a ele tomar a deciso de abertura
ou no dos disjuntores adequados, de forma que a parte defeituosa da linha seja retirada de
operao. Esse processo permite manter a continuidade do fornecimento da energia eltrica e
limitar os danos aos equipamentos existentes no sistema.
Atualmente, os rels do sistema de proteo so totalmente digitais, baseados em
microprocessadores e tem sua funcionalidade controlada por software, onde os dados de
entrada so digitais. Os rels digitais efetuam vrias funes, tais como: proteo, superviso,
transmisso de sinais, dentre outras. Conforme o fluxograma mostrado na figura 1.1, o
procedimento de proteo realizado pelo rel digital normalmente dividido em tarefas
distintas: deteco da falta, classificao da falta e localizao (clculo da distncia) da falta.
Em cada etapa, diferentes algoritmos podem ser utilizados (Vsquez, Altuve e Chacn, 1996).
V
I
Deteco
da falta
Classificao
da falta
Localizao
da falta
Sinal
de trip
1.1Motivao
O diagnstico de faltas em linhas de transmisso uma importante tarefa nos sistemas de
proteo dos SEPs. A operao segura de sistemas eltricos de altas tenses requer
metodologias de proteo para detectar, classificar e localizar faltas com elevada preciso e
to rpido quanto possvel, permitindo que as consequncias da falta sejam minimizadas.
O desenvolvimento de sistemas de proteo dos SEP teve incio a mais de 100 anos,
quando se utilizou os primeiros rels eletromecnicos de sobrecorrente, com base nos
princpios de proteo que foram desenvolvidos nas trs primeiras dcadas do sculo. Com o
avano da tecnologia eletroeletrnica, os rels de proteo evoluram dos dispositivos
eletromecnicos para dispositivos de estado slido, construdos com componentes
semicondutores, inicialmente transistores, em seguida circuitos integrados e, mais
recentemente, microprocessadores. Apesar da grande evoluo alcanada pela tecnologia dos
rels de proteo, muitos dos princpios bsicos de proteo no mudaram e permanecem em
uso nos dias atuais (Bo, Redfern e Weller, 2000). A figura 1.2 ilustra o histrico do
desenvolvimento dos rels de proteo
proteo baseada
em transitrios
proteo baseada
em IA
proteo
adaptativa
proteo
ultra rpida
piloto (1927)
distncia (1923)
diferencial (1908)
sobrecorrente (1901)
1900
10
20
30
40
50
Ano
60
70
80
90
2000
da tenso e corrente) para produzir uma sada digital. O algoritmo o elemento central do rel
digital, e um grande nmero de algoritmos tem sido desenvolvidos e publicados na literatura
(Horowitz e Phadke, 2008).
No estgio inicial do seu desenvolvimento, os rels digitais empregavam algoritmos
desenvolvidos a partir dos mesmos mtodos de diagnstico de faltas dos rels convencionais,
que se baseiam em parmetros da linha (tenso, corrente, impedncia. etc.). Nos ltimos anos,
as pesquisas sobre algoritmos utilizados em rels digitais para diagnstico de faltas em linhas
de transmisso se concentraram no uso de ferramentas matemticas de anlise de sinais, tais
como Transformada de Fourier e Transformada Wavelet, e em sistemas inteligentes, tais
como Redes Neurais Artificiais (RNA), Lgica Fuzzy e Redes Neurofuzzy.
O diagnstico de faltas empregando a Transformada de Fourier e a Transformada
Wavelet denominada de proteo baseada em transitrio, que utiliza as componentes de
alta frequncia do sinal de falta para anlise, ao invs da frequncia fundamental. Nesse
esquema de proteo necessrio que o sinal da falta seja analisado com preciso. Os
trabalhos na rea de proteo de SEP tm demonstrado que a anlise de transitrios baseada
na Transformada de Fourier, como em Bo et al. (1997), s vezes no suficientemente
precisa em alguns tipos de faltas, como apontado por Das, Singh e Sinha (2006) e Gayathri e
Kumarappan (2008). Mais recentemente, verificou-se que a Transformada Wavelet capaz de
permitir a investigao de transitrios gerados em sistemas de potncia de forma mais
eficiente. Em alguns trabalhos a Transformada Wavelet utiliza apenas para deteco da
falta, como em Kim et al. (2002), e Osman e Malik (2004) ou apenas para classificao da
falta, como em Silveira, Seara e Zurn (1999); Chanda, Kishore e Sinha (2003), e Reddy e
Mohanta (2007). J em outros trabalhos, a Transformada Wavelet utilizada no somente
para deteco, mas tambm para classificao da falta, como em Liang, Elangovan e Devotta
(1998); Zhao, Song e Min (2000). E h ainda trabalhos em que Transformada Wavelet
utilizada na deteco, classificao e localizao da falta, como em Makming et al., (2002).
Apesar de a Transformada Wavelet ser muito eficaz em diagnstico de faltas, ela pode no ser
suficiente para uma caracterizao mais completa.
O diagnstico de faltas empregando RNA, Lgica Fuzzy e Redes Neurofuzzy uma
tentativa de superar os problemas encontrados nos esquemas de proteo baseados em
clculos determinsticos a partir do modelo do sistema a ser protegido. Em tais esquemas, as
dificuldades esto relacionadas a diversos fatores, tais como: complexidade do sistema, falta
de conhecimento exato dos seus parmetros, grande quantidade de informaes a ser
processada, e sinais que contm incertezas. Muitos trabalhos tm demonstrado que os
esquemas de proteo baseados nos sistemas inteligentes so capazes de superar a maioria
das dificuldades citadas anteriormente. Nos trabalhos com RNAs, o diagnstico de faltas
tratado como um problema de classificao de padres sendo que, normalmente, os padres
de entrada consistem em amostras da tenso e/ou corrente da linha, como em Vsquez, Altuve
e Chacn (1996); Fernandez e Ghonaim (2002); Oleskovicz, Coury e Aggarwal (2001), e
Mahanty e Gupta (2004). J em outros trabalhos, os padres de entrada para a RNA so
componentes dos sinais extrados atravs da Transformada de Fourier, como em Gayathri e
Kumarappan (2008), ou atravs da Transformada Wavelet, como em Chiradeja e
Ngaopitakkul (2009). Nos trabalhos com Lgica Fuzzy, o diagnstico de faltas realizado por
4
1.2 Objetivo
O trabalho apresentado nesta dissertao tem como objetivo o desenvolvimento de uma
metodologia de deteco e classificao de faltas do tipo curto-circuito e tipo circuito aberto
em linhas de transmisso, baseada em anlise de sinais e em tcnicas de inteligncia
computacional. A deteco da falta realizada com extrao de informaes dos sinais da
falta por Transformada Wavelet e a classificao realizada por uma Rede Lgica
Neurofuzzy, modificada com a incluso do Aprendizado Participativo. Esta metodologia
consiste em algoritmos que podem ser implementados computacionalmente.
1.3 Proposta
A metodologia proposta utiliza a Transformada Wavelet para deteco da falta a partir da
extrao de informaes dos sinais de tenso e corrente da linha de transmisso. A
Transformada Wavelet uma ferramenta matemtica muito utilizada em anlise de sinais e
apresenta vantagens em relao a outras, como a Transformada de Fourier, pois permite obter
informaes do sinal analisado tanto no domnio do tempo, quanto no domnio da frequncia,
com preciso (Makming et al., 2002).
Captulo 2
2 Linhas de Transmisso
2.1 Descrio
Linhas de transmisso podem ser divididas basicamente em dois grupos: linhas areas de
cabos nus ou linhas subterrneas de cabos isolados. O grupo das linhas areas se divide ainda
em linhas de circuito simples ou circuito duplo, sendo qua a transmisso da energia eltrica
pode ser em corrente alternada (CA) ou em corrente contnua (CC). Em sua quase totalidade,
quando em corrente alternada, as linhas de transmisso so trifsicas.
As linhas de transmisso areas de circuito simples em CA, que constituem objeto de
estudo deste trabalho, so constitudas por um conjunto de fases formado por condutores
suspensos em uma torre e isolados entre si por meio de isoladores, cujo nmero determinado
pela tenso da linha. Dois braos curtos acima dos condutores das fases suportam cabos
usualmente feitos de ao. Esses cabos so de dimetro muito menor que os condutores das
fases e so eletricamente conectados torre e ao potencial de terra. Esses cabos so
denominados de cabo guarda ou cabo terra e protegem os condutores das fases contra
descargas atmosfricas (Grainger e Stevenson, 1994). A figura 2.1 exibe uma tpica torre de
linha de transmisso area.
2.2 Representao
Segundo Grainger e Stevenson (1994), dependendo do comprimento da linha de
transmisso, a linha pode ser classificada como linha curta, linha mdia ou linha longa,
conforme mostra a tabela 2.1, para operao em frequncia de 60Hz.
Tabela 2. 1: Classificao das linhas de transmisso em funo do comprimento.
Classe
Curta
Mdia
Longa
Comprimento (L)
L 80 km
80 km L 240 km
L 240 km
l = comprimento da linha.
z = impedncia srie por unidade de comprimento de fase.
8
O modelo para linhas de transmisso curtas apresentado na figura 2.2. Nesse modelo so
considerados apenas os parmetros da linha resistncia srie e impedncia srie, sendo que a
capacitncia da linha desprezada por ser muito pequena. No circuito equivalente, as relaes
entre as correntes e tenses da linha so dadas pelas equaes 2.1 e 2.2, respectivamente
(Grainger e Stevenson, 1994).
IS IR
(2.1)
V S VR I R Z
(2.2)
Onde:
IS
Corrente do transmissor;
IR
Corrente do receptor;
VS
Tenso no transmissor;
VR
Tenso no receptor;
O modelo para linhas de transmisso mdias apresentado na figura 2.3. Nesse modelo
includa a admitncia shunt, usualmente capacitiva pura. Se a admitncia shunt total da linha
dividida em duas partes iguais, metade no lado do transmissor e metade no lado do receptor, o
circuito equivalente chamado de circuito PI. As relaes entre as correntes e tenses da
linha para esse circuito so dadas pelas equaes 2.3 e 2.4, respectivamente (Grainger e
Stevenson, 1994).
I S V RY 1
ZY ZY
1I R
4 2
ZY
VS
1V R ZI R
2
(2.3)
(2.4)
Onde:
IS
Corrente do transmissor;
IR
Corrente do receptor;
VS
Tenso no transmissor;
VR
Tenso no receptor;
O modelo para linhas de transmisso longas apresentado na figura 2.4. Nesse modelo
considerado o fato de que os parmetros da linha no so concentrados, mas, em vez disso,
so distribudos uniformemente ao longo do comprimento da linha. No circuito equivalente,
considerado um elemento diferencial dx na linha, a uma distncia x do lado do receptor. Dessa
forma, zdx e ydx so, respectivamente, a impedncia srie e a admitncia shunt da seo. Os
fasores V e I so fasores que variam com a distncia x. A soluo para esse circuito dada por
equaes diferenciais (equaes 2.5 e 2.6), cuja deduo resulta nas equaes 2.7 e 2.8
(Grainger e Stevenson, 1994).
10
dI
yV
dx
(2.5)
dV
zI
dx
(2.6)
VR I R Z C
VR / Z C I R
2
2
e x
e x
VR I R Z C
e x
2
V / Z C I R x
R
e
2
(2.7)
(2.8)
Onde:
IS
Corrente do transmissor;
IR
Corrente do receptor;
VS
Tenso no transmissor;
VR
Tenso no receptor;
Zc
Os diagramas simplificados nas figuras 2.5 a 2.8 ilustram cada tipo de falta de curtocircuito, onde Zf representa a impedncia da falta.
12
Os diagramas simplificados nas figuras 2.9 e 2.10 ilustram cada tipo de falta de circuito
aberto, onde Zf representa a impedncia da falta.
2.4 Modelo
Em anlises de faltas em linhas de transmisso, muitas vezes assume-se que a falta em
questo um curto-circuito ideal, ou seja, de resistncia zero. Na realidade, para faltas entre
fases, a falta ser devido a um arco eltrico entre dois condutores de alta-tenso, enquanto que
para faltas entre fases e terra, a falta ser devido a um arco eltrico entre o condutor de altatenso e um objeto aterrado, como o cabo terra ou a prpria torre em si.
14
Em qualquer caso, a falta ter uma resistncia, que pode consistir na resistncia do arco ou
na resistncia do arco em srie com a resistncia terra da base da torre, no caso de faltas
envolvendo a terra. A resistncia da base da torre praticamente constante durante a falta
(com valores entre 5 e 50), enquanto a resistncia do arco varia no tempo, conforme flui a
corrente da falta. Durante o perodo inicial do arco, a resistncia insignificante e como o
canal do arco vai alongando, a resistncia aumenta. Para fins de anlise de faltas, geralmente
assume-se que a resistncia do arco constante, dada pela seguinte frmula emprica
(Horowitz e Phadke, 2008):
R arc
76V
S sc
(2.9)
Onde:
V
Ssc
R arc
76 3452
6
1500 103
Outra formla emprica para determinar resistncia do arco eltrico, segundo Warrington
(1978), a seguinte:
R arc
8750L
I sc
1, 4
(2.10)
Onde:
L
Isc
If I Ir
15
(2.11)
V a Z f I Rf I I r
Ir
1
I
Z a Va / I Z f Rf
(2.12)
(2.13)
Onde:
I
Corrente da linha.
Ir
Corrente remota.
Zf
Rf
Resistncia da falta.
Como as correntes I e Ir podem no estar em fase, isso provocar uma alterao tanto na
resistncia quanto na reatncia do segmento da linha de transmisso antes do ponto da falta,
dificultando o diagnstico da falta (Horowitz e Phadke, 2008).
2.5 Simulao
A utilizao de dados reais de tenso e corrente de linhas de transmisso em estudos de
diagnstico de faltas nem sempre possvel, visto que normalmente tais dados ficam
disponveis apenas para os sistemas de proteo das empresas concessionrias de energia
eltrica. Dessa forma, os trabalhos relacionados com diagnstico de faltas em linhas de
transmisso normalmente utilizam programas computacionais para simular faltas em linhas, a
fim de resolver o problema de escassez de dados.
A simulao de faltas requer a utilizao de modelos adequados dos componentes do SEP,
tais como geradores, linhas de transmisso e cargas. Com esses modelos, possvel
16
200
V (kA)
100
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
Ia
Ib
Ic
4
3
I (kA)
2
1
0
-1
-2
-3
0.15
0.2
0.25
t (s)
0.3
0.35
200
V (kV)
100
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.4
0.35
Ia
Ib
Ic
0.3
0.2
I (kA)
0.1
0
-0.1
-0.2
-0.3
-0.4
0.15
0.2
0.25
t (s)
0.3
0.35
Captulo 3
3 Diagnstico de faltas em linhas de transmisso
I L I P : falta
I L I P : operao normal
18
(3.1)
0 : operao
0 : bloqueio
(3.2)
Ex Ey
kZ 1
Ix Iy
(3.3)
Ex
kZ 1
I x mI 0
(3.4)
Proteo piloto: a proteo piloto utilizada quando se deseja que a linha inteira (e
no apenas uma parte dela) seja provida de uma proteo de alta velocidade. Nesse
tipo de proteo, os rels de proteo remotos transmitem a informao da localizao
da falta um para outro, permitindo a isolao da zona sob a falta no menor tempo
possvel. Um canal de comunicao deve ser usado, podendo ser uma portadora de alta
frequncia na linha, um canal de microondas, um cabo de fibra tica ou ainda um fio
ao longo da linha, o chamado fio piloto.
19
Mnimos quadrados;
Transformada Discreta de Fourier;
Funes Walsh;
Equao diferencial do modelo R-L;
Filtro de Kalman.
princpios de proteo que no podem ser implementados usando somente com sinais na
frequncia fundamental do sistema. Isto levou ao desenvolvimento das tecnologias
denominadas proteo baseada em transitrio e identificao de transitrio (Bo; Redfern;
Weller, 2000).
Os esquemas de proteo baseada em transitrio operam extraindo os sinais transitrios de
alta frequncia gerados pela falta, atravs de dispositivos de deteco especialmente
projetados e seus algoritmos associados. Os sinais de corrente de altas frequncias so
extrados diretamente de transformadores de corrente (TC). Apesar do TCs convencionais
atenuarem sinais de altas frequncias, suas caractersticas so tais que um sinal suficiente
pode ser detectado e medido, e vrios pesquisadores tem estudado o uso de sinais de altas
frequncias em mtodos de proteo. Aps os sinais extrados passarem por uma filtragem
analgica, so utilizados algoritmos rpidos de processamento de sinais para permitir a
realizao da identificao da falta (Bo, Redfern e Weller, 2000). Desses algoritmos, dentre
os mais utilizados esto a Transformada de Fourier e a Transformada Wavelet.
Como nos esquemas de proteo de linhas de transmisso com rels digitais a informao
tratada na forma discreta (amostras da tenso e corrente da linha), a representao utilizada
na anlise dos sinais a DTFS. Considerando um sinal discreto x(n), a DTFS desse sinal
expressa como:
X k
N 1
x n e
n
21
jko n
(3.5)
x n
N 1
X k e jk
0n
(3.6)
Onde:
N
perodo fundamental.
22
Figura 3. 2: Mtodo baseado em FFT para diagnstico de faltas (Bo, et al., 1997).
Nos trabalhos que empregam a Transformada de Fourier para diagnstico de faltas em
linhas de transmisso, os resultados obtidos demonstram que os mtodos propostos so
eficientes e precisos para a maioria dos tipos de faltas. Mas, segundo Das, Singh e Sinha
(2006), e Gayathri e Kumarappan (2008), para alguns tipos de faltas (especificamente, curtocircuitos fase-fase e fase-fase-terra) os mtodos falharam na identificao das mesmas. Alm
disso, os autores apontam uma desvantagem da Transformada de Fourier para fins de
deteco de faltas, que a falta da informao temporal, uma vez que a transformada apenas
fornece informao sobre a frequncia. Ou seja, atravs da Transformada de Fourier no
possvel determinar o instante de tempo em que cada componente de frequncia do sinal
ocorre, o que fundamental para um diagnstico de faltas mais eficiente e preciso.
23
CWT a , b
t b
dt
a
x t g
(3.7)
Onde:
a
fator de translao.
tempo.
Na equao 3.7 as variveis a e b so contnuas. Essa equao mostra que a CWT mapeia
o sinal original de uma dimenso no domnio do tempo para uma nova funo de duas
dimenses atravs do fator da escala a e do fator de translao b. Um coeficiente wavelet
CWT(a,b) a uma determinada escala e translao representa o quo semelhante so o sinal
original x(t) e a wavelet me g(t) escalonada e transladada. Assim, o conjunto de todos os
coeficientes wavelet CWT(a,b) associados com um sinal em particular so a representao
wavelet do sinal original x(t) com relao wavelet me g(t). A wavelet me pode ser vista
como uma funo de janelamento, onde o fator de escala a representa a largura da janela.
Dessa forma, possvel analisar os componentes de frequncia de banda estreita de um sinal
com um pequeno fator de escala, e componentes de frequncia de banda larga com um grande
fator de escala. Isto permite capturar todas as caractersticas de um determinado sinal.
Uma grande famlia de wavelets, tambm conhecidas como wavelets filhas, pode ser
gerada a partir de uma wavelet me variando-se os fatores de escala e translao. O nmero de
coeficientes e o nvel de iterao para gerar uma wavelet filha dentro de uma famlia usado
25
para distinguir de outra wavelet da famlia. Existem muitos tipos de wavelets me que podem
ser empregadas na prtica. A figura 3.5 apresenta algumas das wavelets me comumente
utilizadas: as wavelets de Haar, Symmlet, Daubechies e Morlet. Dessas, as de Haar e de
Morlet so classificadas como ortogonais, enquanto as de Symmlet e de Daubechies so noortogonais (Kim e Aggarwal, 2000). A referncia Misiti et al. (2007) apresenta as
caractersticas das principais famlias de wavelets utilizadas em processamentos de sinais.
DWT m , k
ao
k nbo a o m
x n g
ao
n
(3.8)
Onde:
x(n)
sinal discreto.
amostra.
DWT m , n
x k g ao
ao
n bo k
(3.9)
Observando a equao 3.9 nota-se uma h uma semelhana com a equao do Filtro de
Resposta Finita (Finite Impulse Response FIR), a saber:
y n
x k h n k
(3.10)
Onde:
h(n-k) resposta ao impulso do filtro FIR
Comparando as equaes 3.9 e 3.10 fica evidente que a resposta ao impulso da DWT
dada por:
g ao n bo k
(3.11)
Escolhendo ao = 2, ou ao-m = 1, 1/2, 1/4, 1/8, ..., e bo = 1, a DWT pode ser implementada
usando um filtro multi-estgio, com a wavelet me como o filtro passa-baixa l(n) e sua
complementar como o filtro passa-alta h(n). Essa implementao est ilustrada na figura 3.6.
Como mostra essa figura, a sub-amostragem (downsampling) realizada nas sadas dos filtros
passa-baixa por um fator de 2 (2) equivale a escalonar a wavelet por um fator de 2 para o
prximo estgio, simplificando o processo de dilatao. Os filtros passa-alta e passa-baixa
esto relacionados por:
h L 1 n 1 l n
n
Onde:
L
comprimento do filtro
(3.12)
A j n
l k A j n k
(3.13)
D j n h k A j 1 n k
(3.14)
Onde:
h(k)
l(k)
resoluo.
28
Observando a figura, pode-se notar nos instantes de incio e fim da falta a presena de
componentes de alta frequncia indicados pelos coeficientes de detalhe D1 a D3.
I (kA)
-5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
A3
-5
D1
0.05
0
-0.05
D2
0.2
0
-0.2
D3
0.5
0
-0.5
valor de limiar predefinido, nomeado de FC. Caso o somatrio supere o limiar, uma varivel
tipo contador, nomeada de FI, incrementada, caso contrrio, ela zerada. A varivel FI
comparada com um nmero de amostras predefinido, nomeado de D, de forma que a falta
detectada somente quando o valor de FI superar D amostras. Com essa lgica de deciso, a
falta deve persistir durante um determinado tempo, de forma que o algoritmo evita a deteco
de falsas faltas, como transitrios provocados por comutao de cargas, por exemplo.
Segundo os autores, para o sistema estudado, os valores timos de FC e D so 0,085 e 128,
respectivamente. O algoritmo de deteco de faltas proposto apresentado na figura 3.8.
No trabalho de Reddy e Mohanta (2007) apresentado um mtodo para classificao de
faltas em linha de transmisso baseado na Transformada Wavelet semelhante ao mtodo
apresentado no trabalho de Chanda, Kishore e Sinha (2003). Em ambos os artigos, o
coeficiente de detalhe D3 da DWT utilizado como parmetro de classificao. A partir dos
sinais de correntes extrados da linha de transmisso durante um ciclo (com uma frequncia
de amostragem de 12,5kHz), a DWT empregada para determinar o valor do somatrio dos
coeficientes de detalhe D3 (detalhe trs). Os somatrios so nomeados de Sa, Sb e Sc, em
relao as fases a, b, e c, respectivamente. Comparando as magnitudes dos trs somatrios, o
algoritmo proposto realiza a classificao das faltas tipo curto-circuito fase-fase (LL), trifsica
(LLL), fase-terra (LG) ou fase-fase-terra (LLG). Segundo os autores, a escolha do coeficiente
de detalhe D3 entre os diversos nveis de decomposio obtidos pela DWT justificada pelo
fato de que, os valores absolutos do somatrio dos coeficientes D3 para todos os ngulos de
incidncia da falta considerados so mais altos, quando comparados com os obtidos com os
outros nveis. Outra razo para a escolha dos coeficientes D3 como parmetro de classificao
de faltas que o somatrio dos coeficientes de nvel 3 satisfaz
as relaes caractersticas para todos os tipos de faltas para fins de classificao. O algoritmo
de classificao de faltas baseado na Transformada Wavelet proposto em Reddy e Mohanta
(2007) apresentado na figura 3.9.
31
Figura 3. 10: Algoritmo de deteco e classificao de faltas utilizando DWT (Zhao, Song e
Min, 2000).
32
aplicao prtica dos mtodos, visto que a deteco de faltas est sujeita a vrios fatores que
afetam a eficincia dos algoritmos, tais como mudanas dos parmetros da linha, alteraes
nas condies da falta, transitrios causados por outros eventos, dentre outros.
Figura 3. 12: Estrutura do mtodo de deteco de faltas baseado em RNA (Vsquez, Altuve, e
Chacn, 1996).
No trabalho de Fernandez e Ghonaim (2002) apresentado um mtodo para deteco e
classificao de faltas em linhas de transmisso baseado em redes neurais. Nesse artigo
proposto o uso de uma RNA tipo Finite Impulse Response Artificial Neural Network
(FIRANN). A rede FIRANN consiste de neurnios tipo FIR, que difere do neurnio normal
por possuir um filtro FIR de ordem m em cada entrada. A figura 3.13 mostra o diagrama de
uma rede FIRANN com duas camadas ocultas. Esse tipo de RNA possui bom desempenho em
tarefas como previso de sries temporais e utiliza um algoritmo de treinamento denominado
back-propagation temporal. Os autores utilizaram uma rede FIRANN com uma camada de
entrada de 8 ns fonte, duas camadas ocultas com 45 e 35 neurnios, respectivamente, e uma
camada de sada com 5 neurnios. Os padres de entrada consistem em sinais de tenso e
corrente extrados da linha, amostrados a uma frequncia de 2 kHz. Mais especificamente, so
utilizadas 3 entradas para tenso (Va, Vb, Vc), 3 entradas para corrente (Ia, Ib, Ic), uma
35
entrada para o somatrio das tenses (Va+Vb+Vc) e uma entrada para o somatrio das
correntes (Ia+Ib+Ic). Das cinco sadas da rede utilizada, trs indicam a fase com falta (A, B,
C), uma indica a deteco da falta (DET) e outra indica a direo da falta (DIR). H ainda
uma sada derivada da sada DET que indica a ocorrncia de subtenso ou subcorrente na
linha (ST). Durante o processo de treinamento, foi empregada uma estratgia para determinar
a configurao tima para a rede FIRANN, isto , nmero de neurnios em cada camada,
nmero de unidades de atraso e parmetros da funo de ativao. O mtodo proposto pelos
autores utiliza alm da rede FIRANN, alguns outros elementos para auxiliar no
processamento dos sinais, tais como comparadores lgicos. A FIRANN mais os outros
elementos constituem um sistema para deteco e classificao de faltas em linhas de
transmisso. O diagrama completo do sistema proposto apresentado na figura 3.14.
Figura 3. 13: Diagrama de uma rede FIRANN com duas camadas ocultas (Fernandez e
Ghonaim, 2002).
Figura 3. 14: Diagrama do sistema para deteco e classificao de faltas baseado em RNA
(Fernandez e Ghonaim, 2002).
36
38
apenas lgica fuzzy ou lgica fuzzy em conjunto com outras abordagens, como redes neurais.
(Pedrycz e Gomide, 1998).
Arg I b 1f Arg I b 2f
Arg I c 1f Arg I c 2f
(3.15)
R 0f
I a 0f
I a 1f
e R 2f
I a 2f
I a 1f
(3.16)
No caso de faltas que envolvam duas fases, as relaes R0f e R2f so substitudas por dois
fatores, nomeados de K e K1, sendo estes calculados a partir da impedncia de sequncia zero
e impedncia de sequncia negativa da linha, e impedncia da falta.
Para realizar a classificao, os autores utilizaram um FIS padro, que recebe as
quantidades numricas de ang_A, ang_B e ang_C, R0f e R2f e realiza a fuzzyficao para
converter tais quantidades em variveis fuzzy. Em seguida, a mquina de inferncia fuzzy
39
utiliza a base de regras fuzzy para determinar a varivel fuzzy de sada, que representa o tipo
da falta. Por exemplo, a regra para classificar falta tipo A-terra descrita como:
Neste caso, foram utilizados o operador mnimo para conectar mltiplos antecedentes nas
regras, o operador de implicao mnimo e o operador de agregao mximo. Na
representao de todas as variveis fuzzy (tanto na parte antecedente, quanto na parte
consequente das regras) foram utilizadas funes de pertinncia triangulares. Para determinar
a sada numrica relativa ao tipo de falta, foi utilizado o mtodo de defuzzyficao centride
de rea. O diagrama em bloco do FIS empregado pelos autores para classificao das faltas
apresentado na figura 3.16.
Figura 3. 16: Diagrama em bloco do FIS empregado para classificao de faltas proposto por
Das e Reddy (2005).
O trabalho de Mahanty e Gupta (2007) apresenta um mtodo para classificao de faltas
em linhas de transmisso baseado em lgica fuzzy. Nesse artigo proposta uma tcnica de
classificao que emprega apenas amplitude das correntes de falta como informao sobre a
falta. Nesse caso, a amplitude da corrente em cada fase utilizada na obteno de trs
variveis principais, denominadas 1, 2, 3, calculadas a partir de outras variveis.
Inicialmente, a partir das amostras da corrente ps-falta, as relaes entre elas, r1, r2, e r3 so
calculadas como:
r1
max abs Ia
,
max abs Ib
r2
max abs Ic
,
max abs Ia
r3
max abs Ib
max abs Ic
(3.17)
onde Ia, Ib, Ic so as correntes ps-falta das respectivas fases. Em seguida, os valores
normalizados r1n, r2n, e r3n so calculados como:
r1n
r1
r2
r3
, r 2n
, r 3n
max r 1, r 2, r 3
max r 1, r 2, r 3
max r 1, r 2, r 3
(3.18)
1 r1n r 2n ,
2 r 2n r3n ,
3 r3n r1n
(3.19)
Como mecanismo de classificao os autores utilizaram um FIS padro, que recebe como
entrada as variveis 1, 2, 3, que so convertidas nas suas variveis fuzzy correspondentes
40
onde altog, mdiog e baixo g so variveis fuzzy definidas para as faltas envolvendo terra e
altoph, mdioph e baixoph so variveis fuzzy definidas para as faltas envolvendo apenas fases.
Na representao de todas as variveis fuzzy (tanto na parte antecedente, quanto na parte
consequente das regras) foram utilizadas funes de pertinncia triangulares. A sada da
mquina de inferncia fuzzy defuzzyficada para extrair a sada na forma numrica. O
diagrama em bloco do FIS empregado pelos autores para classificao das faltas
apresentado na figura 3.17.
Figura 3. 17: Diagrama em bloco do FIS empregado para classificao de faltas proposto por
Mahanty e Gupta (2007).
O trabalho de Yosef (2004) apresenta um mtodo para classificao de faltas em linhas de
transmisso baseado em lgica fuzzy. Nesse artigo proposto um algoritmo de classificao
que emprega relaes entre amplitudes e relaes entre ngulos de fase das componentes
simtricas das correntes de falta como informao sobre a falta. Inicialmente, a partir de
amostras das correntes extradas da linha, utilizado o algoritmo da Transformada Wavelet
para remover as componentes de alta frequncia dos sinais. Os sinais de corrente filtrados so
utilizados para calcular as componentes simtricas e o ngulo de fase das correntes, nomeadas
de ia(k), ib(k) e ic(k). A seguir, trs variveis representando as diferenas entre os ngulos de
fase, nomeadas de Ciab(k), Cibc(k) e Cica(k) so calculadas como:
Ci ab (k ) ia (k ) ib (k )
Ci bc (k ) ib (k ) ic (k )
(3.20)
Ci ca (k ) ic (k ) ia (k )
onde ia(k), ib(k),ic(k) so os ngulos de fase das correntes das fases a, b e c, respectivamente.
Dessa forma, as relaes entre amplitudes e ngulos de fase, nomeadas de IP1, IP2, IP3,
IP4, so calculadas como:
41
IP1
Ci ab
,
Ci bc
IP 2
Ci bc
,
Ci ca
IP3
Ci ca
,
Ci ab
IP 4
I0
I1
(3.21)
onde Io e I1 so vetores das componentes de sequncia zero e sequncia positiva das correntes
de fase.
A abordagem utilizada pelos autores para realizar a classificao a utilizao de um FIS
dividido em blocos de fuzzyficao, inferncia, composio e defuzzyficao. As entradas do
sistema so as variveis IP1, IP2, IP3, IP4, que so transformadas em variveis fuzzy na etapa
de fuzzyficao. As entradas fuzzyficadas so utilizadas na etapa de inferncia para
determinar a varivel fuzzy de sada de cada regra fuzzy. Por exemplo, a regra que classifica
faltas tipo A-terra descrita como:
Se IP1 baixo e IP2 baixo e IP3 alto e IP4 alto, ento a falta A-terra.
Figura 3. 18: Diagrama em bloco do FIS empregado para classificao de faltas proposto por
Youssef (2004).
Nos trabalhos citados que empregam lgica fuzzy para diagnstico de faltas em linhas de
transmisso, os resultados obtidos demonstram que os mtodos propostos alcanam ndices de
desempenho igual a outros mtodos de diagnstico de faltas. Porm, os autores destacam que
os mtodos propostos possuem vantagens em relao outros mtodos de diagnstico de
faltas, que so vantagens inerentes lgica fuzzy, como a capacidade de lidar com a incerteza
que surge devido variao dos parmetros da linha de transmisso, simplificao do mtodo
devido menor complexidade para se implementar um sistema fuzzy e, consequentemente,
reduo do custo computacional. Um aspecto comum nos mtodos propostos a utilizao de
apenas amostras da corrente da linha para extrao de informaes sobre a falta, o que
tambm contribui para a eficincia dos mtodos, por envolver o processamento de um menor
nmero de variveis. Dessa forma, tendo em vista as vantagens apresentadas, os mtodos de
diagnstico de faltas baseados em lgica fuzzy podem substituir outros mtodos menos
eficientes, principalmente nos casos onde desejada menor complexidade na soluo do
problema.
42
Figura 3. 19: Estrutura da rede neurofuzzy para deteco e classificao de faltas proposta por
Wang e Keerthipala (1998).
No trabalho de Dash, Pradhan e Panda (2000) apresentado um mtodo para classificao
e localizao de faltas em linhas de transmisso baseado em redes neurofuzzy. Nesse artigo
proposto o uso de um esquema de redes neurofuzzy de quatro camadas (camada de entrada,
camada de fuzzyficao, camada de inferncia e camada de defuzzyficao), sendo uma rede
para classificao da falta e quatro redes para localizao da falta. A topologia das redes
definida durante o treinamento, uma vez que empregada uma tcnica de poda (pruning) da
rede. Nessa tcnica, regras e neurnios redundantes so eliminados, o que contribui para
reduo de complexidade e aumento da performance da rede. Os autores utilizaram como
padres de entrada valores de pico das correntes e tenses da linha na frequncia fundamental,
e ainda os valores das componentes CC. Esses valores foram estimados a partir das amostras
extradas da linha, com auxlio de um filtro de Kalman estendido. As redes neurofuzzy so
treinadas a partir dos padres de entrada, de forma a definir a estrutura das redes e seus
parmetros, utilizando o algoritmo backpropagation. Para classificao das faltas foi
empregada uma rede neurofuzzy que possui trs sadas, denominadas de a, b e c,
representando as respectivas fases da linha, onde cada sada por produzir 1 ou 0, indicando se
a fase em questo est envolvida na falta ou no (por exemplo, para uma falta envolvendo
apenas a fase B, as sadas abc teriam valores iguais a 010). Para localizao da falta
foram empregadas quatro redes neurofuzzy, uma rede para cada categoria de falta: falta faseterra (LG), falta fase-fase-terra (LLG), falta fase-fase (LL) e falta fase-fase-fase (LLL). A sada
44
de cada rede produz um valor que representa a distncia da falta em relao ao ponto de
medio. A figura 3.20 apresenta o esquema de redes neurofuzzy para classificao e
localizao de faltas proposto.
Figura 3. 20: Esquema de redes neurofuzzy para classificao e localizao de faltas proposto
por Dash, Pradhan e Panda (2000).
Nos trabalhos citados que empregam redes neurofuzzy para diagnstico de faltas em linhas
de transmisso, os resultados obtidos demonstram que os mtodos propostos alcanam ndices
de desempenho superiores a outros mtodos de diagnstico de faltas baseados apenas em
RNAs ou lgica fuzzy. Segundo os autores, o uso da rede neurofuzzy proporciona aos mtodos
propostos preciso, velocidade e robustez no diagnstico das faltas. Outro aspecto dos
mtodos destacado pelos autores a capacidade de adaptao da rede neurofuzzy s diversas
condies das faltas, considerando que o os mtodos provaram ser eficientes mesmos com a
variao dos parmetros das linhas de transmisso empregadas na avaliao, tais como ngulo
de incidncia da falta e condies de carga, e ainda variao dos parmetros da falta, tais
como distncia e resistncia de falta. Assim, as caractersticas apresentadas pelos mtodos de
diagnstico de faltas baseados em redes neurofuzzy indicam que tais mtodos podem ser
aplicados em linhas de transmisso mais complexas, onde a grande quantidade de fatores que
afetam a qualidade do diagnstico pode ser superada.
45
Captulo 4
4 Metodologia proposta
Lgica Neurofuzzy, que determina a classe ao qual o padro de entrada pertence a partir do
conhecimento adquirido durante o processo de treinamento. O processo de treinamento da
rede utiliza na etapa de gerao das funes de pertinncia dos subconjuntos fuzzy um
algoritmo de agrupamento baseado no Aprendizado Participativo, com o objetivo de reduzir
nmero de regras.
Os mtodos propostos podem ser implementados computacionalmente como um sistema
de deteco e classificao de faltas em linhas de transmisso, e para sua aplicao
necessrio apenas dispor de dados de treinamento, o que pode ser obtido atravs de medies
uma linha de transmisso real ou atravs de simulaes do modelo terico da mesma.
A1 n
l k x n k
(4.1)
D1 n h k x n k
(4.2)
47
l(n)
-0.0106
0.0329
0.0308
-0.1870
-0.0280
0.6309
0.7148
0.2304
Fonte: Misiti et al., 2007.
h(n)
-0.2304
0.7148
-0.6309
-0.0280
0.1870
0.0308
-0.0329
-0.0106
V (kV)
100
0
-100
-200
0
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
D1
50
-50
I (kA)
4
2
0
-2
0
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
D1
0.05
-0.05
T 2 loge n
(4.3)
onde o desvio mdio absoluto dos coeficientes wavelets dividido por 0,6725 e n o
nmero de amostras dos coeficientes wavelets. Em vez de utilizar o desvio mdio padro
usado o desvio mdio absoluto porque o primeiro muito influenciado por uma pequena
frao de valores extremos.
Assim, os instantes de incio (ki) e fim da falta (kf) so determinados da seguinte forma:
k i k , se abs (D1 ) T
k f k , se abs (D1 ) T e k i 1
(4.4)
49
falta. O vetor de sada ser utilizado pelo mtodo de classificao da falta a ser apresentado na
seo 4.3.
A figura 4.4 apresenta o fluxograma do algoritmo para deteco de faltas em linhas de
transmisso proposto neste trabalho.
50
Sinal de entrada
V (kV)
200
0
-200
abs(D1)
0.05
0.1
0.15
0.2
0.25
0.3
0.35
t (s)
Coeficiente Wavelet e limiar
0.4
0.45
0.5
Coefic.
Limiar
30
20
10
0
0.05
0.1
0.15
0.2
0.25
0.3
t (s)
Sinal de sada
0.05
0.1
0.15
0.2
0.35
0.4
0.45
0.5
0.35
0.4
0.45
0.5
V (kV)
200
0
-200
0.25
t (s)
0.3
Sinal de entrada
I (kA)
4
2
0
-2
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
t (s)
Coeficiente Wavelet e limiar
0.4
abs(D1)
0.03
0.45
0.5
Coef.
Limiar
0.02
0.01
0
0.05
0.1
0.15
0.2
0.25
0.3
t (s)
Sinal de sada
0.05
0.1
0.15
0.2
0.35
0.4
0.45
0.5
0.35
0.4
0.45
0.5
I (kA)
4
2
0
-2
0.25
t (s)
0.3
51
Figura 4. 7: Estrutura da Rede Lgica Neurofuzzy proposta por Caminhas, Tavares e Gomide,
(1996).
A Rede Lgica Neurofuzzy capaz de implementar um conjunto de regras do tipo:
52
SE (xp1 F1k1 com peso da conexo = wj1) ... E (xpi Fiki com peso da conexo = wji)
... E (xpn Fnkn com peso da conexo = wjn) ENTO Xp pertence a classe l, com peso
da conexo = vj
onde xp1 a xpn so as n coordenadas de entrada da rede; xji o grau de pertinncia da varivel
xpi na regra j ao subconjunto fuzzy Fiki; wji o peso da conexo da entrada i para o neurnio
AND indexado por j; vj o peso da conexo de entrada j do neurnio OR indexado por l; Zl
a sada da classe l; Zq a sada mxima e Cq a classe correspondente a Zq e Npi o nmero
de subconjuntos fuzzy. Os neurnios AND e OR so definidos como:
n
y j Tw ji sx ji
(4.5)
i 1
nl
zl
Sv ty
j
j 1
(4.6)
onde S uma S-norma (por exemplo mximo, soma probabilstica, soma limitada, dentre
outras) e T uma T-norma (por exemplo mnimo, produto, produto limitado, dentre outras), e
nl o nmero de neurnios tipo AND conectados ao neurnio OR indexado por l. O ndice j
que indexa um neurnio tipo AND determinado a partir dos ndices dos subconjuntos fuzzy
das coordenadas de entrada, ki, da seguinte forma:
n
i 1
i 2
j 1
j f K k n k n i 1 Np n 1 j
(4.7)
x pi a ir
1, se a ir 1 x pi a ir
a
ir
ir
x a ir
Fi r x pi pi
1, se a ir x pi a ir 1
a
a
ir
ir
, caso contrrio
0
(4.8)
onde air centro da funo de pertinncia da entrada i indexada por r, que corresponde ao
ponto onde a funo possui o valor mximo.
i1 x ji
(4.9)
X p Classel
(4.10)
Isto define a conexo do neurnio AND indexado por j ao neurnio OR indexado por
q. Se q = 0 ou existir mais de um mximo para q, ento o neurnio AND j no
conecta a nenhuma classe de sada.
b) Inicializao dos pesos:
Calcule:
w ji 0, i 1,2,...,n
vj
(4.11)
q l /Nc 1
l q
(4.12)
Os pesos vj poderiam ser inicializados com zero, porm, a utilizao da equao 4.12
implica em reduo de tempo de processamento do algoritmo, pois melhora a superfcie de
separao.
55
Dado um padro de entrada XP = (xp1,..., xpi,...,xpn), sejam K1 = (k11 ... ki1 ... kn1) o vetor
que contm os ndices da primeira funo de pertinncia para cada coordenada do
padro, diferente de zero e K2 um vetor tal que:
2
i
k i 1, se k i1 x pi 1
1
caso contrrio
k i ,
(4.13)
O nmero de neurnios AND ativos, Na, igual a 2Pa, que no mximo igual a 2n,
onde Pa igual ao nmero de elementos tal que ki1 ki2, para i = 1,2,...,n. Estes neurnios
podem ser determinados a partir da combinao dos vetores K1 e K2.
Considerando L* o conjunto dos neurnios AND ativos, este conjunto e as conexes
estabelecidas no passo 2 determinam o conjunto Q* que indexa os neurnios OR ativos.
- Fuzzyficao
A fuzzyficao consiste em calcular os graus de pertinncia correspondentes s
coordenadas de entrada, mas somente para os subconjuntos ativos definidos em K1. Caso Ki1
Ki2, calcula-se tambm k 2 x pi . Como as funes de pertinncia so complementares, temi
se que:
ki x pi 1 ki x pi
2
(4.14)
zl
Sv ty
j 1
(4.15)
y j Tw ji sx ji
(4.16)
i 1
56
z q max z l
(4.17)
l Q *
v J k 1 v J k 1 1 v J k
(4.18)
w JI k 1 w JI k 2 1 w JI k
(4.19)
seno:
v J k 1 v J k 3 v J k
(4.20)
w JI k 1 w JI k 4 w JI k
(4.21)
J max v j Ty j , j L * e X p Cq
i
I min x ji Sw ji , i 1,2,...n e j J
i
(4.22)
(4.23)
Grau de pertinncia
0.5
20
40
60
80
100
120
140
Xp(1)
Grau de pertinncia
0.5
0.5
1.5
Xp(2)
58
2.5
V (kV)
200
-200
0.5
1.5
2.5
3.5
2.5
3.5
2.5
3.5
t (s)
I (kA)
4
2
0
-2
0
0.5
1.5
Falta
t (s)
4
3
2
1
0
0.5
1.5
t (s)
59
Captulo 5
5 Resultados
ocorrncia de uma falta tipo curto-circuito entre fases ou curto-circuito entre fase e terra, a
resistncia entre os pontos da falta baixa, geralmente menor que 100 . E na ocorrncia de
uma falta tipo circuito aberto em uma ou mais fases, ao contrrio, a resistncia entre os pontos
da falta alta, geralmente maior que de 1 M.
61
Controle:
o 0 = aberto (normal);
o 1 = fechado (falta).
Tipo da falta:
o 0 = sem falta;
o 1 = falta A-G;
o 2 = falta B-G;
o 3 = falta C-G;
o 4 = falta AB-G;
o 5 = falta AC-G;
o 6 = falta BC-G;
o 7 = falta ABC-G;
o 8 = falta AB;
o 9 = falta AC;
o 10 = falta BC;
o 11 = falta ABC.
Controle:
o 0 = fechado (ON);
o 1 = aberto (OFF).
outras fase no estado OFF. Alm disso, a lgica de controle envia os sinais para que a ThreePhase Breaker ajuste os contatos de todas as fases no estado ON. Na lgica de controle foi
adicionado tambm um componente que permite ajustar o instante de ocorrncia e a durao
da falta.
As faltas simuladas foram organizadas em vrios cenrios. Cada cenrio corresponde
simulao de todos os tipos de falta com valores especficos para as seguintes variveis:
distncia da falta;
resistncia de falta;
ngulo de incidncia da falta;
ngulo de carga.
63
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
64
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
65
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
66
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
67
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
Ia
Ib
Ic
2
I (kA)
0.35
-2
0.15
0.2
0.25
t (s)
0.3
68
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
1
Ia
Ib
Ic
I (kA)
0.5
0
-0.5
-1
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
1
Ia
Ib
Ic
I (kA)
0.5
0
-0.5
-1
0.15
0.2
0.25
t (s)
0.3
69
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
1
Ia
Ib
Ic
I (kA)
0.5
0
-0.5
-1
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
1
Ia
Ib
Ic
I (kA)
0.5
0
-0.5
-1
0.15
0.2
0.25
t (s)
0.3
70
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
1
Ia
Ib
Ic
I (kA)
0.5
0
-0.5
-1
0.15
0.2
0.25
t (s)
0.3
0.35
200
Va
Vb
Vc
V (kV)
100
0
-100
-200
0.15
0.2
0.25
t (s)
0.3
0.35
1
Ia
Ib
Ic
I (kA)
0.5
0
-0.5
-1
0.15
0.2
0.25
t (s)
0.3
71
0.35
72
fornece o diagnstico da falta. A tabela 5.1 resume a lgica de deciso utilizada nesse ltimo
mdulo.
Tabela 5. 1: Lgica de deciso.
ndice
da falta
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Sada
Fase A
1
2
1
2
2
3
1
1
3
1
3
4
1
1
4
1
4
Sada
Fase B
1
2
2
1
2
1
3
1
3
3
1
1
4
1
4
4
1
Sada
Fase C
1
1
2
2
2
1
1
3
1
3
3
1
1
4
1
4
4
Diagnstico da Falta
Operao normal
Curto-circuito fases AB
Curto-circuito fases BC
Curto-circuito fases AC
Curto-circuito fases ABC
Curto-circuito fase A-G
Curto-circuito fase B-G
Curto-circuito fase C-G
Curto-circuito fases AB-G
Curto-circuito fases BC-G
Curto-circuito fases AC-G
Fase A-aberta
Fase B-aberta
Fase C-aberta
Fases AB-aberta
Fases BC-aberta
Fases AC-aberta
73
Diag. Fase A
4
3
2
Diag. Sistema
Diag. Fase C
Diag. Fase B
1
0
4
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.1
0.15
0.2
0.25
t (s)
0.3
0.35
0.4
0.45
0.5
3
2
1
4
3
2
1
17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
real
sistema
0.05
Figura 5. 20: Diagnstico realizado pelo sistema de deteco e classificao de faltas em uma
sequncia de faltas.
Nos testes com cada grupo, foi avaliado o desempenho do sistema de deteco e
classificao de falta, sendo medido o percentual de faltas no-detectadas, faltas detectadas,
mas no classificadas corretamente, faltas detectadas e classificadas corretamente, em relao
ao total de faltas simuladas. As tabelas a seguir apresentam os resultados obtidos.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D
0,1D
0,2D
0,0
0,0
0,0
0,0
0,0
0,0
2,2
3,3
3,3
2,2
2,3
97,8
96,7
96,7
97,8
97,7
Mdia
Un.
0,0
0,0
2,3
3,3
2,6
97,7
96,7
97,4
0,8D
0,9D
0,0
0,0
2,3
2,3
97,7
97,7
Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
Tabela 5. 3: Resultados dos testes com variao da distncia para faltas do grupo 2.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D
0,1D
0,2D
0,0
0,0
0,0
0,0
0,0
0,0
2,0
2,1
2,6
2,6
2,8
98,0
97,9
97,4
97,4
97,2
Mdia
Un.
0,0
0,0
2,3
3,3
2,2
97,7
96,7
97,8
0,8D
0,9D
0,0
0,0
1,0
1,3
98,9
98,7
Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
Tabela 5. 4: Resultados dos testes com variao da distncia para faltas do grupo 3.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D
0,1D
0,2D
0,0
0,0
0,0
0,0
0,0
0,0
1,2
1,0
1,1
1,2
1,1
98,8
99,0
98,9
98,8
98,9
Mdia
Un.
0,0
0,0
1,4
1,4
1,2
98,6
98,6
98,8
0,8D
0,9D
0,0
0,0
1,2
1,4
98,8
98,6
Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
75
Tabela 5. 5: Resultados dos testes com variao da distncia para faltas do grupo 4.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D
0,1D
0,2D
0,0
0,0
0,0
2,3
0,8
1,0
3,9
3,9
4,2
4,1
4,9
96,1
96,1
95,8
93,6
94,3
Mdia
Un.
3,1
1,5
1,3
1,1
3,5
95,6
95,8
95,0
0,8D
0,9D
3,4
3,1
5,5
2,8
93,5
93,8
Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
Tabela 5. 6: Resultados dos testes com variao da distncia para faltas do grupo 5.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D
0,1D
0,2D
0,0
0,0
0,0
0,0
0,0
0,0
0,3
0,3
0,5
2,3
1,3
99,7
99,7
99,5
97,7
98,7
Mdia
Un.
0,0
0,0
1,5
4,5
1,6
98,5
95,5
98,4
0,8D
0,9D
0,0
0,0
1,4
2,6
98,6
97,4
Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
Tabela 5. 7: Resultados dos testes com variao da distncia para faltas do grupo 6.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
DISTNCIA DA FALTA
0,3L 0,4L 0,5L 0,6L 0,7L
0,1L
0,2L
0,0
0,0
1,0
0,0
0,0
0,0
1,5
1,6
1,7
2,7
1,7
98,5
98,4
97,3
97,3
98,3
Mdia
Un.
5,5
1,7
5,0
2,8
2,4
86,2
91,7
95,9
0,8L
0,9L
0,0
8,8
2,5
2,5
97,5
97,5
Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
As tabelas de 5.2 a 5.7 apresentam os resultados dos testes com variao da distncia da
falta. Nesses testes, a distncia foi variada de 10% a 90% do comprimento total da linha de
transmisso (L). Normalmente, as faltas ocorridas a uma maior distncia do ponto de medio
dos sinais na linha de transmisso apresentam maiores dificuldades para serem detectadas e
classificadas, pois quanto maior a distncia, menores sero as correntes envolvidas na falta.
Nos resultados obtidos, observa-se que o sistema de deteco e classificao de faltas
implementado neste trabalho obteve um bom desempenho sob a variao da distancia da falta,
especialmente para os grupos de faltas 1, 2, 3 e 5. Nos grupos de faltas 4 (curto-circuito
trifsico) e 6 (fase-fase-aberta) o desempenho foi um pouco menor que nos grupos anteriores.
De forma geral, pode-se considerar que o sistema avaliado robusto com relao variao
da distncia da falta.
76
Faltas
no detectadas
RESISTNCIA DE FALTA
0,01
0, 1
10
100
0,0
0,0
0,0
0,0
0,0
Mdia
Un.
0,0
detectadas / no
2,2
2,2
2,1
1,2
9,0
3,3
classificadas
detectadas /
97,8
97,8
97,9
98,8
91,0
96,7
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.
%
%
Tabela 5. 9: Resultados dos testes com variao da resistncia para faltas do grupo 2.
Faltas
no detectadas
RESISTNCIA DE FALTA
0,01
0, 1
10
100
0,0
0,0
0,0
0,0
0,0
Mdia
Un.
0,0
detectadas / no
2,7
2,7
2,9
1,5
1,2
2,2
classificadas
detectadas /
97,3
97,3
97,1
98,5
98,8
97,8
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.
%
%
Tabela 5. 10: Resultados dos testes com variao da resistncia para faltas do grupo 3.
Faltas
no detectadas
RESISTNCIA DE FALTA
0,01
0, 1
10
100
0,0
0,0
0,0
0,0
1,1
Mdia
Un.
0,2
detectadas / no
1,4
2,6
1,5
1,3
1,2
1,6
classificadas
detectadas /
98,6
97,4
98,5
98,7
97,7
98,2
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.
%
%
Tabela 5. 11: Resultados dos testes com variao da resistncia para faltas do grupo 4.
Faltas
no detectadas
RESISTNCIA DE FALTA
0,01
0, 1
10
100
0,0
0,0
0,0
3,1
0,0
Mdia
Un.
0,6
detectadas / no
4,6
4,6
4,7
3,4
5,5
4,6
classificadas
detectadas /
95,4
95,4
95,3
93,5
94,5
94,8
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.
77
%
%
As tabelas de 5.8 a 5.11 apresentam os resultados dos testes com variao da resistncia
de falta. Nesses testes, a resistncia foi variada de 0,01 a 100. Nesse caso, os testes
aplicam apenas para os grupos de faltas tipo curto-circuito (grupos 1, 2, 3 e 4). A influncia
da resistncia de falta no diagnstico das faltas deveria ser, teoricamente, mais significativa
quanto maior for a resistncia, uma vez que o aumento da resistncia implica na diminuio
da corrente de falta. Com uma baixa corrente de falta, dependendo do mtodo adotado, pode
ser impossvel distinguir a corrente de falta da corrente de operao normal da linha de
transmisso. Nos resultados obtidos, observa-se um bom desempenho obtido pelo sistema de
deteco e classificao de faltas implementado neste trabalho, nos testes sob variao da
resistncia de falta, mesmo para os valores de resistncia de faltas maiores (10 e 100). Um
desempenho pouco menor foi obtido nos testes com grupo de faltas 4 (curto-circuito
trifsico). De forma geral, os resultados demonstram que o sistema avaliado possui pouca
sensibilidade variao deste fator de influncia no diagnstico das faltas.
Tabela 5. 12: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 1.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
30
150
Mdia
Un.
0,0
0,0
0,0
0,0
0,0
0,0
2,2
2,3
3,1
2,6
2,3
2,5
97,8
97,7
96,9
97,4
97,7
97,5
Tabela 5. 13: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 2.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
30
150
Mdia
Un.
0,0
0,0
0,0
0,0
0,0
0,0
2,7
2,4
2,8
3,2
3,0
2,8
97,3
97,6
97,2
96,8
97,0
97,2
78
Tabela 5. 14: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 3.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
30
150
Mdia
Un.
0,0
1,0
2,2
4,2
0,0
1,5
1,3
1,8
1,4
0,5
2,6
1,5
98,7
97,2
96,4
95,3
97,4
97,0
Tabela 5. 15: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 4.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
30
150
Mdia
Un.
0,0
0,0
0,0
0,0
3,1
0,6
4,6
5,5
3,9
4,7
4,7
4,7
95,3
94,5
96,1
95,3
92,2
94,7
Tabela 5. 16: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 5.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
30
150
Mdia
Un.
0,0
0,0
0,0
0,0
0,0
0,0
2,3
1,2
6,8
2,2
2,6
3,0
97,7
98,8
93,2
97,8
97,4
97,0
Tabela 5. 17: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 6.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
30
150
Mdia
Un.
0,0
1,1
0,0
0,0
0,0
0,2
1,6
3,2
3,2
8,8
5,2
4,4
98,3
95,7
96,8
91,2
94,8
95,4
79
As tabelas de 5.12 a 5.17 apresentam os resultados dos testes com variao do ngulo de
incidncia da falta. Nesses testes, o ngulo de incidncia foi variado de 30 a 150. Em uma
linha de transmisso real, as faltas podem ocorrer em qualquer ponto da forma de onda da
tenso, o que significa que o ngulo de incidncia pode variar de 0 a 180 no semiciclo.
Dependendo do ngulo de incidncia da falta, h maior ou menor presena de harmnicos na
linha. Nos resultados obtidos, observa-se que o sistema de deteco e classificao de faltas
implementado neste trabalho obteve um bom desempenho sob a variao do ngulo de
incidncia da falta. Apenas nos grupos 4 (curto-circuito trifsico) e 6 (fase-fase-aberta) o
desempenho foi um pouco menor. De forma geral, os resultados demonstram uma baixa
influncia do ngulo de incidncia da falta no diagnstico realizado pelo sistema avaliado.
Tabela 5. 18: Resultados dos testes com variao do ngulo de carga para faltas do grupo 1.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
10
NGULO DE CARGA
15
20
25
30
0,0
0,0
0,0
0,0
2,3
2,3
2,2
97,7
97,7
97,8
Mdia
Un.
0,0
0,0
2,3
2,4
2,3
97,7
97,6
97,7
Tabela 5. 19: Resultados dos testes com variao do ngulo de carga para faltas do grupo 2.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
10
NGULO DE CARGA
15
20
25
30
0,0
0,0
0,0
0,0
2,7
3,4
2,8
97,3
96,6
97,2
Mdia
Un.
0,0
0,0
2,9
2,8
2,9
97,1
97,2
97,1
Tabela 5. 20: Resultados dos testes com variao do ngulo de carga para faltas do grupo 3.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
10
NGULO DE CARGA
15
20
25
30
0,0
0,0
0,0
1,0
1,4
1,1
1,3
98,6
98,9
98,7
Mdia
Un.
2,1
0,6
1,1
0,9
1,2
97,9
97,0
98,2
Tabela 5. 21: Resultados dos testes com variao do ngulo de carga para faltas do grupo 4.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
10
NGULO DE CARGA
15
20
25
30
0,0
0,0
0,0
0,0
5,3
5,9
4,2
94,7
94,1
95,8
Mdia
Un.
0,0
0,0
4,9
4,4
4,9
95,1
95,6
95,1
Tabela 5. 22: Resultados dos testes com variao do ngulo de carga para faltas do grupo 5.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
10
NGULO DE CARGA
15
20
25
30
0,0
0,0
0,0
0,0
0,3
0,3
0.3
99,7
99,7
99,7
Mdia
Un.
0,0
0,0
1,4
1,4
0,7
98,6
98,6
99,3
Tabela 5. 23: Resultados dos testes com variao do ngulo de carga para faltas do grupo 6.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
10
NGULO DE CARGA
15
20
25
30
0,0
0,0
0,0
0,0
2,7
1,7
1,7
97,3
98,3
98,3
Mdia
Un.
0,0
0,0
1,7
1,8
1,9
98,3
98,2
98,1
As tabelas de 5.18 a 5.23 apresentam os resultados dos testes com variao do ngulo de
carga. Nesses testes, o ngulo de carga foi variado de 10 a 30. Num SEP o ngulo de carga
representa a diferena angular entre as tenses nos terminais transmissor e receptor do
sistema, e determina o fluxo de potncia na linha de transmisso. Dessa forma, o ngulo de
carga pode influenciar no diagnstico das faltas, uma vez que a variao do fluxo de potncia
na linha implica na variao da corrente na mesma, dificultando a distino entre a corrente
normal e corrente de falta. Nos resultados obtidos, observa-se que o sistema de deteco e
classificao de faltas implementado neste trabalho obteve bom desempenho nos testes sob
variao do ngulo de carga. Somente no grupo 4 (curto-circuito trifsico) o desempenho foi
um pouco menor. De forma geral, os resultados demonstram uma baixa influencia do ngulo
de carga no diagnstico realizado pelo sistema avaliado.
81
A partir dos resultados obtidos nos testes realizados com cada um dos grupos de faltas,
pode-se obter uma idia geral da eficincia do sistema de deteco e classificao de faltas
implementado neste trabalho nos resultados gerais apresentados na tabela 5.24.
Tabela 5. 24: Resultados gerais dos testes realizados.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas
Distncia
Resistncia
TESTE
ng. de incidncia
0,5
0,1
0,4
2,3
2,5
97,2
97,4
Mdia
Un.
0,1
0,3
3,1
2,3
2,6
96,5
97,6
97,1
ng. de carga
82
Captulo 6
6 Concluses
84
Apndices
A. Algoritmo de Agrupamento Participativo
O Algoritmo de Agrupamento Participativo (AAP) baseado no paradigma do
Aprendizado Participativo (AP) proposto por Ronald R. Yager (Yagger, 1990). A idia central
do aprendizado participativo que observaes coerentes com o conhecimento atual devem
atualizar o sistema de aprendizado e observaes pouco coerentes devem ser subestimadas.
Um mecanismo de alerta empregado para indicar que o sistema de aprendizado precisa ser
revisado caso muitas observaes sejam rejeitadas. Esse esquema permite rpida
aprendizagem de novos conhecimentos. O aprendizado participativo pode ser visto como um
processo de aprendizado passo a passo e que pode ser implementado recursivamente. A figura
1 mostra a estrutura do sistema de aprendizado participativo, cujo procedimento de
aprendizagem descrito a seguir.
v k 1 v k k x k v k
(1)
85
v k 1 v k
(2)
No caso oposto, caso a observao seja totalmente compatvel com o conhecimento atual,
o sistema estar aberto a incorporar a nova informao, pois com k=1:
v k 1 v k x k v k
(3)
Sendo k uma medida de similaridade entre uma observao xk e o conhecimento atual vk,
uma possvel formulao para k :
k 1
d kj
(4)
onde dkj = | xkj - vkj | uma medida de distncia. Outra forma mais simples de calcular o grau
de compatibilidade :
k 1 d k
(5)
a k 1 1 )a k 1 k 1
a k 1 a k 1 k 1 a k
(6)
onde [0,1] uma constante que controla a taxa de variao do ndice de alerta. Esse
parmetro pode ser visto como um tipo de sensibilidade do sistema ou ainda como um
complemento do grau de conservadorismo do sistema.
Com o ndice de alerta, a atualizao do conhecimento ser:
v k 1 v k k
1 ak
86
x k
v k
(7)
Dessa forma, quanto maior o ndice de alerta, menor dever ser a influncia do ndice de
compatibilidade na atualizao do sistema de aprendizado. Isso significa que o sistema de
aprendizado estar aberto a incorporar um novo conhecimento.
Conforme mostra a figura 1, a associao do mecanismo de alerta com o processo de
aprendizagem permite que o sistema de aprendizado no apenas atualize o conhecimento atual
com as novas observaes, mas tambm permite a incorporao de novos conhecimentos. Em
sntese, essas so as principais caractersticas do aprendizado participativo.
Utilizando os conceitos da aprendizagem participativa possvel construir um algoritmo
de agrupamento no supervisionado, como o AAP. Nesse algoritmo, empregando o
mecanismo de aprendizagem participativa, os centros dos grupos so encontrados
gradativamente, de acordo com a entrada de dados.
Relacionando a aprendizagem participativa com o agrupamento de dados, considere os
pontos xk e os centros dos grupos vi como as observaes e o conhecimento do sistema,
respectivamente. O ndice de compatibilidade ki entre a observao k com a i-simo
conhecimento visto como um grau de compatibilidade entre xk e o centro do grupo vi. O
ndice de alerta aki visto como um grau de incompatibilidade entre o conhecimento atual e as
observaes, ou seja, indica o quo longe os pontos xk, k = 1,2,..., esto dos centros de grupos
vi, i = 1,2,...,c. Um novo parmetro [0,1] ser utilizado como um limiar, cujo propsito
avisar quando uma observao incompatvel com o conhecimento atual e o sistema precisa
ser revisado para acrescentar o novo conhecimento. No agrupamento de dados isso significa
que se um ponto xk estiver muito longe de todos os centros de grupos, deve ser criado um
novo grupo e o ponto xk declarado como o novo centro de grupo.
No AAP, dado os valores iniciais de , , e , os dois primeiros pontos podem ser
utilizados para formar os centros de grupos iniciais. A partir disso, para a entrada k, so
calculados os ndices de compatibilidade ki e de alerta aki para todos os centros de grupo vi. O
limiar comparado com o ndice de alerta de todos os centros de grupos. Se o ndice de
alerta for maior que o limiar , ento xk declarado com o centro de um novo grupo, seno o
centro de grupo que tiver o maior ndice de compatibilidade com xk atualizado.
Com a atualizao de grupos ou a criao de novos grupos, necessrio verificar se
grupos redundantes esto sendo formados, ou seja, centros de grupos sendo colocados
prximos a outros centros de grupo. Para isso utilizado um mecanismo de excluso de
centro de grupos redundantes, visto que a redundncia no acrescenta informao do ponto de
vista do aprendizado participativo. O mecanismo de excluso de centros de grupos calcula um
ndice de compatibilidade entre centros de grupos usando a medida de distncia. Um centro
excludo quando o seu ndice de compatibilidade maior que um limiar de compatibilidade
entre grupos [0,1]. A seguir so apresentados os procedimentos do AAP:
87
Atualizar grupo s: v sk 1 v sk sk
1a sk 1
v sk
fim se
fim para
Para i = 1,2,...,(ck 1) e j = (i + 1),...,ck
Calcular compatibilidade entre centros: ijk 1 d v ik ,v kj
Se kij para algum j ento
excluir grupo vi;
redefinir grupo vj ;
ck = ck 1;
fim se
fim para
ck+1 = ck;
fim para.
88
89
Referncias Bibliogrficas
Bo, Z.Q.; Aggarwal, R. K.; Johns, A. T.; Song, Li, H. Y e Song, Y., H. (1997). A New
Approach to Phase Selection using Fault Generated High Frequency Noise and Neural
Networks. IEEE Transaction on Power Delivery, Vol. 12, No. 1, pp. 106 - 115.
Bo, Z.Q.; Redfern, M.A. e Weller, G.C. (2000). Positional protection of transmission line
using fault generated high frequency transient signals. IEEE Transaction on Power Delivery,
vol. 15, n. 3, p. 888 - 894.
Caminhas, W. M.; Tavares, H. M. F. e Gomide, F. A. C. (1996). A Neurofuzzy Approch for
Fault Diagnosis in Dynamic Systems. IEEE International Conference on Fuzzy Systems, vol.
3, p. 2032-2037.
Chanda, D.; Kishore, N. K. e Sinha, A. K. (2003). Application of Wavelet Mutiresolution
Analysis for Classification on Faults on Transmission Lines. TENCON 2003 - Conference on
Convergent Technologies for Asia-Pacific Region, vol. 4, p. 1464 - 1469.
Chiradeja, P. e Ngaopitakkul A. (2009). Identification of Fault Types for Single Circuit
Transmission Line using Discrete Wavelet Transform and Artificial Neural Networks.
Proceeding of the International MultiConference of Engineers and Computer Scientists, vol.
2, p. 1520 - 1525.
Coury, D. V. (2002). Introduo aos Sistemas Eltricos de Potncia. Disponvel em <
http://www.sel.eesc.sc.usp.br/protecao/apostilaprotecaosel183.pdf>. Acesso em 01 out. 2009.
Das, Biswarup e Reddy, J. Vittal (2005). Fuzzy-Logic-Based Fault Classification Scheme for
Digital Distance Protection. IEEE Transaction on Power Delivery, vol. 20, n. 2, p. 609 - 616.
Das, D.; Singh, N.K. e Sinha, A.K. (2006). A Comparison of Fourier Transform and Wavelet
Transform Methods for Detection and Classification of Faults on Transmission Lines. Proc.
IEEE Power India Conference, New Delhi, India.
Dash, P. K; Pradhan, A. K. e Panda, G. (2000). A Novel Fuzzy Neural Network Based
Distance Relaying Scheme. IEEE Transaction on Power Delivery, vol. 15, n. 3, p. 902 - 907.
Donoho, D.L. e Johnstone, I.M. (1994). Ideal spatial adaptation by wavelet shrinkage.
Biometrika, vol. 81, n. 3, p. 425 - 455.
Fernandez, ngel L.Orille e Ghonaim, Nabil Khalil (2002). A Novel Approach using a
FIRANN for Fault Detection and Direction Estimation for High-Voltage Transmission Lines.
IEEE Transaction on Power Delivery, vol. 17, n. 4, p. 894 - 900.
Gayathri, K. e Kumarappan, N. (2008). Comparative Study of Fault Identification and
Classification on EHV Lines using Discrete Wavelet Transform and Fourier Transform Based
ANN. International Journal of Electrical, Computer, and Systems Engineering, vol. 2, n. 2, p.
125 - 136.
90
91
92
Vsquez, Ernesto; Altuve, Hctor J. e Chacn, Oscar L. (1996). Neural Network Approach To
Fault Detection In Electric Power Systems. IEEE International Conference on Neural
Networks, vol. 4, pp. 2090 - 2095.
Vieira, Jos; Dias, Fernando M. e Mota, Alexandre (2004). Neuro-Fuzzy Systems: A Survey.
5th WSEAS Transactions On Systems, vol. 3, n. 2, pp. 414 419.
Wang, Huisheng e Keerthipala, W. W. L. (1998). Fuzzy-Neuro Approach to Fault
Classification for Transmission Line Protection. IEEE Transaction on Power Delivery, vol.
13, n. 4, pp. 1093 - 1104.
Warrington, A. R. van C. (1978). Protective Relays Their Theory and Practice. vol. 2. 3rd ed.
Springer, London, UK.
Yager, R. R. (1990). A model of Participatory Learning. IEEE Transaction on System, Man
and Cybernetics, vol. 20, n. 5, pp. 1229 - 1234.
Youssef, Omar A. S. (2004). Combined Fuzzy-Logic Wavelet-Based Fault Classification
Technique for Power System Relaying. IEEE Transaction on Power Delivery, vol. 19, n. 2,
pp. 582 - 589.
Zhao, W.; Song, Y. H. e Min, Y. (2000). Wavelet Analysis based Scheme for Fault Detection
and Classification in Underground Power Cable Systems. Electric Power Systems Research,
vol. 53, ed. 1, pp. 23 30.
93