Você está na página 1de 7

XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

CLASSIFICAÇÃO E LOCALIZAÇÃO DE FALTAS DE ALTA IMPEDÂNCIA EM SISTEMAS DE DISTRIBUIÇÃO DE


ENERGIA

JÉSUS A. O. NETO, RICARDO. O. C. SCARCELLI, LEONARDO. B. FELIX, MARCO A. A. CASTRO

Núcleo Interdisciplinar de Análises de Sinais - NIAS


Departamento de Engenharia Elétrica - DEL
Universidade Federal de Viçosa - UFV
Av. P. H. Holfs, sn, CEP 36570-000, Viçosa - MG
Fone: (31) 3899-3266 / 3899-3268
E-mails:pity_jesus@hotmail.com, rocvenceslau@yahoo.com.br,leobonato@ufv.br,
maurelioac@ufv.br

Abstract This paper presents a methodology based on artificial neural networks (ANNs) for location and classification of
faults in a distribution system. The characteristics of the faults of these systems differ in transmission systems, mainly by the in-
fluence of high impedance and also by the presence of several loads over the distribution line. Such situations can result in errors
and improper operation of the protection system. In this sense, the work proposed here uses as the main tool the ANNs. To vali-
date this methodology several tests were carried out in a distribution system, varying the following parameters: fault type, angle,
distance or location of occurrence, fault resistance. It is interesting to note that there wasn´t a need for more complex calcula-
tions, such as the theory of traveling waves, just a simple modeling Auto-Regressive (AR) of the current signals and tensions.
Thus, to create a model that responds favorably to the locations and types of faults considered.

Keywords Location and classification of faults, Distribution Systems, Artificial Neural Networks

Resumo Esse trabalho apresenta uma metodologia baseada em redes neurais artificiais (RNAs) para localização e para classi-
ficação de faltas em um sistema de distribuição. As características das faltas desses sistemas diferem-se dos sistemas de transmis-
são, principalmente, pela influência das altas impedâncias e, também, pela presença de várias cargas ao longo da rede elétrica.
Tais situações podem acarretar em erros e em operação indevida do sistema de proteção. Nesse sentido, o trabalho aqui proposto,
utiliza como ferramenta principal as RNAs. Para validar essa metodologia diversos testes foram realizados em um sistema de dis-
tribuição, variando os seguintes parâmetros: tipo de falta, ângulo de incidência, distância ou local de ocorrência, resistência de
falta. É interessante destacar que não houve a necessidade de cálculos mais complexos, como a teoria de ondas viajantes, apenas
uma simples modelagem Auto-Regressiva (AR) dos sinais de corrente e tensões. Desse modo, criar um modelo que responda de
maneira favorável aos locais e aos tipos de faltas considerados.

Palavras-chave Faltas de Alta Impedância, Localização e Classificação de faltas, Sistemas de Distribuição, Redes Neurais Ar-
tificiais

1 Introdução relés de sobrecorrente tradicionais, o que dificulta


sua localização. Essas faltas são causadas principal-
mente devido à queda de condutores de energia em
Os sistemas elétricos de potência, formados pela
superfícies de baixa condutividade, a galhos de árvo-
geração, transmissão e distribuição de energia, de- res que encostam nas linhas e a isoladores em mau
vem garantir a continuidade e confiabilidade no seu
funcionamento.
fornecimento. Porém, esses sistemas, principalmente
Outro aspecto a ser destacado nas faltas dos sistemas
as redes de transmissão e de distribuição estão sujei-
de distribuição é a presença dos harmônicos. Estes
tos às faltas (neste artigo considera-se faltas curtos-
são freqüências múltiplas da fundamental (60 Hz)
circuitos). Essas faltas devem ser detectadas, classifi-
que podem afetar os equipamentos de proteção, tais
cadas e localizadas precisamente para, assim, evitar
como os relés digitais. Mais especificamente, nos
interrupções e danos nos equipamentos.
casos dos classificadores e localizadores de faltas
As características das faltas de sistemas de distribui- microprocessados, os harmônicos podem acarretar
ção diferem-se dos sistemas de transmissão princi- em imprecisão, no caso de relés não dimencionados
palmente no que diz respeito aos valores de impe-
para tal (BAKAR, 2008), (DUGAN et. al., 1996).
dâncias de faltas e, também, pelo fato do sistema
Por fim, de forma a garantir precisão nos modelos
conter harmônicos. Aliados a esses fatos, uma carac-
dos classificadores e localizadores de faltas, deve-se
terística importante a ser considerada é o ângulo de
considerar o ângulo de incidência das faltas pois
falta.
esses afetam tanto o transitório quanto, de maneira
Com relação aos valores de impedância de faltas,
significativa, a amplitude inicial da falta.
geralmente, esses são altos, além de inserirem har-
Nesse sentido, alguns trabalhos tem sido publicados
mônicos no sistema no momento da falta. As Faltas
para detecção, localização e classificação de faltas
de Alta Impedância (FAIs) tem desafiado as conces-
em sistemas de distribuição. Estão incluídos testes
sionárias de energia elétrica e os pesquisadores há
hipotéticos baseados em estatísticas, (BALSER et.
vários anos. As FAIs são aquelas cujos valores de
al., 1986); sistemas especialistas baseados nos prin-
corrente ficam abaixo dos valores de partida dos
cípios de indução, (KIM & RUSSELL, 1989); redes

2607
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

neurais, (EBRON et. al., 1990), (APOSTOLOV et.


al., 1993); ângulo do terceiro harmônico das corren-
tes de falta, (JEERINGS & LINDERS, 1991); de-
composição das Wavelets (LIANG et. al., 1998) e
(LAI et. al., 2003); árvores de decisão (SHENG &
ROVNYAK , 2004), lógica fuzzy (JOTA & JOTA,
1998), dentre outros.
Assim, o principal objetivo desse trabalho é classifi-
car e localizar faltas em sistemas de distribuição,
focando na influência da impedância de faltas como
também no ângulo de incidência.
Todo o algoritmo aqui implementado tem como base
teórica apenas as Redes Neurais Artificiais (RNA),
sem a necessidade de cálculos complexos como a
teoria de ondas viajantes ou Transformada Wavelet, Figura 1. Ponto de incidência da falta.
muito utilizadas em trabalhos relacionados a essa
área. Para localização do ponto de incidência, o dado de
Com o tratamento inicial dos dados foi feito através corrente foi filtrado com um filtro Passa-Alta But-
de uma modelagem auto regressiva (AR) (THE terworth de terceira ordem com freqüência de corte
MATHWORKS INC, 2002b) e com simples filtra- de 430 Hz. Esse filtro tem como característica supri-
gens dos sinais de corrente pôde-se criar um modelo mir em -60 dB, as freqüências de 60 Hz, além do
que responda de maneira favorável ao local e ao tipo ganho de 0,03 dB em 600 Hz. Essas características
de falta considerado. tem como finalidade suprimir os harmônicos mais
Esse artigo está dividido em quatro seções. O primei- significativos (até a sétima ordem) e proeminir o
ro, aqui discutido, tratou-se da introdução e da justi- transitório.
ficativa do trabalho. A metodologia mostra como
foram realizadas as simulações, a filtragem dos sinais
e os modelos para a entrada da rede são apresentados
na segunda seção. Por fim, os estudos de casos em
um sistema de distribuição são apresentados na ter-
ceira seção e, finalizando, temos as conclusões e as
referencias nas duas últimas seções.

2 Método proposto

O método proposto é dividido em quatro etapas:


simulação, localização do ponto de incidência, trata-
mento dos dados, treinamento das RNAs.

Figura 2. Filtro Butterworth passa-alta de décima primeira ordem.


2.1 Simulação
A figura 2 mostra a resposta em freqüência em ganho
A primeira etapa desse trabalho é a simulação de e em fase do filtro Passa-Alta Butterworth de terceira
um sistema de distribuição com alimentador radial e ordem implementado.
com diversas cargas intermediárias. Nesse sistema
Para retirar as grandes distorções de fase ocasionadas
foram simuladas diversas faltas variando quatro
pelo filtro IIR Butterworth, foi utilizado a Filtragem
parâmetros de estudo, os quais são: tipos de falta,
com Invenção Temporal (FIT).
ângulo de falta, resistência de falta e local da falta.
A FIT é uma filtragem dupla através da qual o sinal,
Os dados obtidos na etapa de simulação foram divi-
em um primeiro momento, é filtrado e logo depois é
didos em dados de teste, validação e treinamento da
invertido temporalmente e novamente filtrado. Com
RNA.
esse processo, a distorção de fase é retirada devido o
cancelamento angular das duas filtragens (THE
2.2 Localização do ponto de incidência MATHWORKS INC, 2002b).
Após a filtragem dos dados de corrente, os sinais
Nessa etapa, o primeiro passo na localização da resultantes foram elevados ao quadrado, a fim de
falta é encontrar o seu ponto de incidência, ou seja, o suprimir pontos de baixa amplitude, e somado entre
exato momento em que o distúrbio ocorreu, como si ponto a ponto obtendo um único vetor. Logo após,
pode ser visto na figura 1. esse vetor foi normalizado entre 0 e 1, dividindo o
vetor pelo seu máximo. O algoritmo de localização
do ponto de incidência é mostrado no diagrama abai-
xo (figura 3).

2608
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

mizar o erro de predição à frente pelo método dos


Mínimos Quadrados (THE MATHWORKS INC,
2002b).
Para o trabalho proposto, foram extraídos dez coefi-
cientes AR das correntes (Ia, Ib, Ic), e das tensões
das três fases (Vab, Vbc, Vca), totalizando 60 coefi-
cientes para cada evento de falta. O cálculo desses
coeficientes foi realizado com dados de apenas uma
oscilação, ou seja, os dados de corrente e de tensão
foram cortados, de forma que restaram apenas 25
Figura 3. Diagrama de blocos do algoritmo de localização do pontos centralizados no ponto de incidência. Esse
ponto de incidência. número equivale a um comprimento de onda de uma
senóide 60 Hz com freqüência de amostragem de 1,5
A figura 4 ilustra a corrente da fase A e o sinal nor-
kHz. Esses 60 coeficientes foram utilizados como
malizado obtido:
dados de estrada para RNAs tanto na localização
quanto na classificação de faltas.

2.4 Treinamento da RNA


Nessa etapa do trabalho foi feito o treinamento
das RNAs utilizadas (THE MATHWORKS INC,
2002a) . Para os algoritmos de classificação e locali-
zação utilizou-se redes Multilayer Perceptron
(MLPs), com função de ativação tansig para as ca-
madas ocultas e purelin para camada de saída além
do algoritmo de aprendizagem Levenberg-
Marquardt.

Classificação
Figura 4. Corrente da fase A e sinal obtido. Para classificação utilizou-se uma rede de duas
camadas ocultas de neurônios e uma camada de saí-
É possível perceber, através da figura 4, que o sinal da. Através de teste de várias arquiteturas, a melhor
obtido apresenta um pico exatamente sobre o ponto rede obtida foi a que possuía 13 neurônios em cada
de incidência da falta, o que ocorre devido ao sinal camada oculta, a arquitetura da RNA é mostrada na
conter características transitórias no ponto de inci- figura 5.
dência. Para localizar o ponto de incidência do dis-
túrbio foi considerado o ponto de máximo do sinal,
isso é, o pico como o início do distúrbio. É importan-
te ressaltar que este algoritmo detecta o ponto de
incidência para qualquer tipo de falta e também não
necessita de janelamento predefinido, ou seja, o jane-
lamento depende apenas da aquisição dos dados.
Figura 5. Arquitetura da RNA de Classificação
2.3 Tratamento dos Dados No treinamento da RNA, para classificação das fal-
Nessa etapa, são extraídos os parâmetros para o tas, convencionou-se que as fases envolvidas nas
treinamento das RNAs, utilizando-se a Modelagem faltas teriam saídas variando de 1 a 10, ou seja, a
Auto Regressiva AR. Esse modelo foi utilizado devi- camada de saída RNA retornava um valor numérico
do a sua simplicidade e a sua rapidez, além de ser um referente às fases envolvidas, como mostradas na
método eficiente para estimação dos parâmetros de tabela 1:
sistemas.
A modelagem AR consiste em relacionar determina-
do sinal, através de combinações lineares entre amos-
tras passadas, minimizando o quadrado da diferença
entre a amostra atual e as amostras obtidas.
O resultado é uma função de transferência all-poles
(somente com polos, sem zeros). O método utilizado
para a obtenção dos coeficientes é o Método de Yule-
Walker, também chamado de Método da Auto Corre-
lação, no qual um modelo AR é ajustado para mini-

2609
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

Tabela 1 Convenção adotada para classificação de falta.

Fases envolvidas Convenção numérica adotada

AT 1
BT 2
CT 3
AB 4
ABT 5
CA 6
CAT 7
BC 8
BCT 9 Figura 6. Sistema simulado.
ABC 10
A figura 6 apresenta o diagrama unifilar do sistema
Na tabela 1, as letras A, B e C determinam quais simulado.
fases foram envolvidas na falta e a letra T é presente
nas faltas que envolveram o condutor terra. Tabela 2. Dados do alimentador simulado.
Através da convenção adotada e dos 60 parâmetros
Barra Comprimento PCarga QCarga
extraídos anteriormente, pôde-se treinar a RNA de i j (km) (kW) (kW)
forma a classificar as faltas em questão. 0 1 4,18 2646 882
1 2 1,26 522 174
2 3 1,26 4896 1632
Localização 3 4 2,19 936 312
Nessa etapa convencionou-se a saída da RNA 4 6 2,96 1806 602
como sendo a própria distância, em quilômetros da 6 8 3,16 1503 501
ocorrência da falta e a entrada da rede como sendo os 8 9 1,55 189 63
9 11 6,2 657 219
60 coeficientes AR extraídos anteriormente. Depois
11 12 2,17 336 112
de vários testes de diferentes arquiteturas, a melhor
12 13 0,89 125 42
rede obtida foi a de configuração de 32 neurônios na 13 14 1,8 225 85
primeira camada oculta e de 17 neurônios na segun-
da.
Os dados de linha e das cargas estão expostos na
Com a convenção adotada e com os parâmetros ante- tabela 2. A resistência da linha é R=0,28 Ohms/km e
riormente extraídos de cada evento de falta, pôde-se X=0,27 Ohms/km.
treinar a RNA de forma a localizar as faltas em ques-
Para fins de simulações de localização de faltas,
tão.
julgou-se necessário a criação de mais pontos de
Para localização utilizou-se a mesma rede anterior- aplicação da falta além dos 14 nós já apresentados
mente citada (na classificação, figura 5), diferencian- pelo sistema.
do apenas no número de neurônios nas camadas
As simulações foram feitas variando quatro parâme-
ocultas.
tros para o estudo:
- Tipo de Falta: as faltas simuladas são do tipo fase-
3 Estudos de Caso fase (AB; AC; BC), fase-fase-terra (ABT; ACT;
BCT), faltas monofásicas (AT; BT; CT) e faltas
3.1 Simulação trifásica (ABC);
- Ângulo de falta: o ângulo de falta, que é o ângulo
O sistema de distribuição simulado consiste de de ocorrência da falta tomando como referencia a
um alimentador radial o qual foi adaptado da refe- fase A, foi simulado para 0°, 15°, 30°, 45°, 60°, 75°e
rência (WAKILEH & PAHWA, 1997). As diversas 90°;
ramificações presentes no sistema original foram - Distância da falta: o local onde ocorreu a falta foi
agregadas, isto é, substituindo cada ramificação por simulado de 0,4 km até 27,6 km, variando com in-
cargas equivalentes. crementos de 0,2 km, e totalizando 137 locais falto-
sos. Essas simulações foram voltadas para o treina-
mento e teste da rede;
- Resistência de falta: a resistência de falta variou
entre os valores 1, 10, 20, 50 e 100 Ohms.
Fez-se todas as combinações possíveis entre esses
parâmetros, o que totalizou em 47950 simulações,
sendo 30% dos dados voltado para a validação, 40%
voltados para testes e 30% para treinamento da RNA.

2610
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

Para cada simulação foram salvos os dados de cor-


rentes de linha (Iabc) e de tensões de fase (Vabc).
Para a obtenção dos dados foi utilizada uma freqüên-
cia de amostragem de 1,5 kHz. Cada simulação tinha
duração de 0,1s, isto é, das formas de ondas foram
salvas 6 ciclos de 60 Hz.

3.2 Resultados da Classificação


Na apresentação dos resultados, destacam-se três
parâmetros que podem afetar significativamente o
modelo proposto na classificação das faltas, sendo
eles: tipo de falta, resistência de falta e ângulo de
falta. As figuras 7, 8 e 9, apresentam os erros percen-
tuais em função desses parâmetros testados. Esses Figura 9. Erros de classificação em função do ângulo.
erros foram calculados a partir de 19180 dados de
teste (40% dos dados simulados). Como pôde ser visto através das figuras anteriores,
devido à pequena porcentagem de erros, pode-se
concluir que o algoritmo de classificação obteve um
resultado favorável quando relacionado à exatidão e
à independência dos parâmetros testados (resistência
de falta, tipos de faltas e ângulo de falta). Observa-se
que o erro máximo alcançado foi de apenas 1,6%, no
caso da resistência de falta, e o erro percentual médio
foi de 0,65 %, o que caracteriza a eficiência do algo-
ritmo.

3.3 Resultados da Localização


Para localização utilizou-se a mesma rede ante-
rior, diferenciando apenas sua arquitetura. Essa rede
tem como camada de saída a resposta dos valores de
distância da falta variando de 0,4 a 27,6 km.
Figura 7. Erros de classificação em função do tipo de falta. Os resultados de localização de falta foram obtidos a
partir dos mesmos 19180 dados de teste da seção
anterior.
No cálculo dos erros destaca-se dois parâmetros que
podem afetar significativamente o modelo proposto
na localização das faltas, sendo eles: resistência de
falta e ângulo de incidência
As figura 10 e 11 mostram uma média dos resultados
obtidos em função da resistência de falta e do ângulo
de incidência. Sendo assim, cada ponto é uma média
de resultados do algoritmo para cada situação.

Figura 8. Erros de classificação em função da resistência.

Fig. 10 Resultados em função da resistência de falta

2611
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

Os resultados apresentados na figura 10 mostram que res de 1 km se destacam por ocorrem com maior
os erros de localização de faltas, mesmo para faltas frequência, sendo 87,13 % dos casos.
de alta impedância, podem ser considerados satisfa-
tórios, pois, já que o maior erro médio foi de 2.77
km. 4 Conclusões

Esse trabalho apresentou uma aplicação das


RNAs em conjunto com a modelagem AR na locali-
zação e na classificação de faltas em um sistema de
distribuição. Essa metodologia foi embasada nos
transitórios de alta freqüência gerados por essas fal-
tas, destacando-se: faltas monofásicas, faltas bifási-
cas (com terra e sem terra) e faltas trifásicas.
A abordagem desse trabalho incluiu o estudo de
casos de alta e de baixa impedância além de diferen-
tes pontos de incidência das faltas.
Para a extração dos parâmetros de entrada da rede
neural foi realizado um pré-processamento dos sinais
de tensão e de corrente, através do qual, então, foram
calculados os coeficientes AR do sinal através do
Método de Yule-Walker.
Os resultados obtidos mostraram que o desempenho
Fig. 11 Resultados em função do ângulo de incidência. geral do algoritmo, de localização e de classificação
de faltas, proposto foi favorável quando relacionado
à precisão: obteve erro de classificação de 0,65 % e
Novamente a figura 11 mostra que o modelo propos- erro absoluto médio de localização de 0,56 km. O
to obteve bons resultados, independentemente dos método proposto também se mostrou praticamente
ângulos de incidência, com um erro máximo de 3,2 independente da impedância de falta, do tipo da falta
km. e do ângulo de incidência da falta.
A tabela 3 apresenta um resumo geral dos erros obti-
dos na localização.
Agradecimentos
Tabela 3. Erros absolutos para todos os casos.
Os autores agradecem à FAPEMG, à CAPES, ao
Erro absoluto Erro absolu- Erro absoluto Desvio CNPq e à FUNARBE pelo apoio financeiro.
máximo to mínimo médio padrão

25.2 km 0 km 0,56 km 0,83 km Referências Bibliográficas

A partir da tabela 3, pode-se observar o bom compor- APOSTOLOV A. P., BRONFELD J., SAYLOR C.
tamento do modelo apresentado nas diversas situa- H. M., SNOW P. B.,(1993) “An Artificial
ções testadas, destacando-se o resultado de erro mé- Neural Network Approach to the Detection of
dio absoluto. Mesmo com esse bom comportamento, High Impedance Faults,” in International
observa-se um erro máximo de 25,2km. A fim de Conference on Expert System Applications for
justificar esse erro, fez-se uma análise mais aprimo- the Electrical Power Industry Proceedings.
rada calculando-se os seguintes erros (tabela 4): BAKAR, M. I. A. (2008) Assessments for the Impact
of Harmonic Current Distortion of Non Linear
Tabela 4. Erros absolutos para todos os casos separados em inter- Load In Power System Harmonics. Transmission
valos. and Distribution Conference and Exposition:
Latin America, IEEE/PES 13-15 Aug. 2008
Erros entre: Erro (%) Page(s):1 – 6.
BALSER S. J., CLEMENTS K. A., LAWRENCE D.
0 e 1 km 87,13
J., (1986) “A Microprocessor-Based Technique
1 e 5 km 12,39
for Detection of High Impedance Faults,” IEEE
5 e 10 km 0,38
Trans. Power Delivery, vol. 3, pp. 252–258,
10 e 25.2 km 0,08
July.
DUGAN, R. C.; MCGRANAGHAN, M. F. and
Apesar do erro máximo absoluto ter um valor muito
BEATY, H. W. (1996). Electrical Power
alto (tabela 3), pode-se perceber (tabela 4) que os
Systems Quality. McGraw-Hill Companies.
valores com erros maiores que 10 km ocorreram em
EBRON S., LUBKEMAN D. L., WHITE M., (1990)
0,08 % dos casos (dados de teste) e já os erros meno-
“A Neural Network Approach to The Detection
of Incipient Faults on Power Distribution

2612
XVIII Congresso Brasileiro de Automática / 12 a 16 Setembro 2010, Bonito-MS.

Feeders,” IEEE Trans. Power Delivery, vol. 2,


pp. 905–914, April 1990.
JEERINGS D. I., LINDERS J. R.,(1991) “A
Practical Protective Relay For Down- Conductor
Faults,” IEEE Trans. Power Delivery, vol. 2, pp.
565–574, April.
JOTA F. G., JOTA P. R. S.,(1998) “High-Impedance
Fault Identification Using a Fuzzy Reasoning
System,” IEE Proceedings – Generation,
Transmission and Distribution, vol. 145, Issue 6,
pp. 656–661, Nov.
KIM C. J., RUSSELL B. D.,(1989) “Classification of
Faults and Switching Events by Inductive
Reasoning and Expert System Methodology,”
IEEE Trans. Power Delivery, vol.. 3, pp. 1631–
1637, July.
LAI T. M., SNIDER L. A., LO E.,(2003) “Wavelet
Transformation Based Algorithm for the
Detection of Stochastic High Impedance Faults,”
in Proc. International Conference on Power
System Transients (IPST 2003), New Orleans,
LA, September.
LIANG J., ELANGOVAN S., DEVOTTA J. B.
X.,(1998) “A Wavelet Multiresolution Analysis
Approach to Fault Detection and Classification
in Transmission Lines,” International Journal of
Electrical Power and Energy Systems, vol. 20,
Issue 5, pp. 327–332, June.
SHENG Y. , ROVNYAK S. M., (2004) “Decision
Tree-Based Methodology For High Impedance
Fault Detection,” IEEE Trans. Power Delivery,
vol. 2, pp. 533–536, April.
THE MATHWORKS INC. (2002a) Neural Network
Toolbox, User’s Guide for use with Matlab –
2002.
THE MATHWORKS INC. (2002b) Signal
Processing Toolbox, User’s Guide for use with
Matlab – 2002.
WAKILEH, J.J.; PAHWA, A. (1997) Optimization
of Distribution System Design to Accommodate
Cold Load Pickup. IEEE Transactions on Power
Delivery, USA, v.12,n.1, p.339-345, jan.

2613