Você está na página 1de 13

SBAI 2019

14º Simpósio Brasileiro de Automação Inteligente


Ouro Preto – Minas Gerais
27 a 30 de Outubro de 2019

DETECÇÃO DE ILHAMENTOS NÃO INTENCIONAIS EM REDES DE


DISTRIBUIÇÃO COM GERAÇÃO DISTRIBUÍDA UTILIZANDO REDES
NEURAIS ARTIFICIAIS
Autores:
Bruno Martins de Biaz Thales Terrola e Lopes Márcio Zamboti Fortes Vitor Hugo Ferreira Flávio L. De Mello

Filiação:
Universidade Federal Universidade Federal Universidade Federal Universidade Federal Universidade Federal do
Fluminense Fluminense Fluminense Fluminense Rio de Janeiro
Estrutura da Apresentação

1. CONTEXTUALIZAÇÃO

2. ILHAMENTO NÃO INTENCIONAL DE GD

3. TÉCNICAS APLICADAS PARA A DETECÇÃO DE ILHAMENTOS NA PRESENÇA DE GD

4. ZONAS DE NÃO DETECÇÃO

5. MODELAGEM DA REDE NEURAL ARTIFICIAL PARA A IDENTIFICAÇÃO DE ILHAMENTOS NÃO INTENCIONAIS

6. DESCRIÇÃO DO SISTEMA ELÉTRICO E DAS PREMISSAS ADOTADAS PARA A RNA

7. AVALIAÇÃO DOS RESULTADOS

8. CONCLUSÕES

1
Contextualização

2
Contextualização
 O número de conexões de micro e minigeração de energia chegou a Unidades Consumidoras com Geração Distribuída
Região Quantidade GD Potência Instalada (kW)
123.977 instalações, o que representa uma potência instalada de Centro-oeste 15160 246.365,89
1.540 MW; Nordeste 17288 245.302,17
Norte 3320 44.182,92
 Minas Gerais é o estado com mais conexões (27.845), seguido de São Sudeste 58539 606.647,01
Sul 29670 397.834,89
Paulo (20.813) e Rio Grande do Sul (17.055);
Total 123977 1.540.332,88
Quantidade Anual de Conexões

Fonte: ANEEL
(21/10/2019)

3
Ilhamento Não Intencional de GD
Exemplo de Ilhamento Não Intencional
 Em caso de perda do fornecimento da concessionária
o GD deve se desconectar da rede, caso isso não
ocorra serão formadas ilhas energizadas isoladas do
restante do sistema.
 Qualidade da energia fornecida para os
consumidores da zona ilhada pode ficar
comprometida;
 Riscos às equipes de manutenção, assim como aos
consumidores em geral.
 Esta Figura ilustra um exemplo de ilhamento não
intencional. Devido a um problema no sistema de
distribuição, o sistema foi aberto em C. Caso a
proteção da interconexão do gerador GD1 em E não
atue, será formada uma zona ilhada.

4
Técnicas Aplicadas para a Detecção de Ilhamentos
na presença de GD
 As técnicas remotas envolvem algum
tipo de comunicação entre a
concessionária, os dispositivos de
proteção presentes na rede elétrica e
os geradores distribuídos.
 São eficientes, porém envolvem altos
custos de instalação e intervenção no
sistema de distribuição.
 As técnicas locais ganharam mais
espaço no mercado, pois exigem
apenas a instalação de equipamentos
de detecção na localidade do GD

5
Zonas de Não Detecção
Zona de não detecção de relés baseados em medidas de frequência e tensão.

 As técnicas passivas são baseadas na análise das


medidas de frequência e tensão. Caso haja um
ilhamento, estas medidas irão sofrer alterações
significativas em um curto espaço de tempo.

 As técnicas passivas não são totalmente eficazes


para detectar as condições de ilhamento em todos
os estados operativos do sistema elétrico, devido às
zonas de não detecção características dos relés de
frequência/tensão, que podem assumir diferentes
valores em função dos ajustes propostos por parte
das concessionárias de distribuição.

6
Modelagem da Rede Neural Artificial para a
Identificação de Ilhamentos Não Intencionais
 A base de dados empregada para o treinamento da Variáveis monitoradas.
RNA foi obtida através do armazenamento de uma
série de variáveis que representam diferentes estados
operativos da rede elétrica no ponto de interconexão
dos geradores distribuídos, considerando diferentes
cenários de inserção de GD na rede elétrica.
 Estas variáveis foram obtidas através de simulações no
domínio do tempo no sistema de distribuição IEEE 13
barras.
 Pelo fato das variáveis tensão, corrente, taxa de
variação de tensão e taxa de distorção harmônica na
tensão e na corrente serem trifásicas, resultam em 21
entradas para a RNA.

7
Modelagem da Rede Neural Artificial para a
Identificação de Ilhamentos Não Intencionais
 Para cada estado operativo simulado em cada
cenário, coleta-se uma faixa de 1000 valores Faixa amostral de dados para os valores da tensão na GD, entre 5,05 e 5,15 seg.
posteriores ao início do ilhamento não intencional
ou do distúrbio realizado no sistema, como faltas ou
chaveamento de cargas.
 Para a coleta destes valores aplicou-se um tempo
de amostragem de 0,1 segundos ou 6 ciclos de
onda.
 Por exemplo, caso um ilhamento se inicie no
instante t = 5,05 seg, coletam-se os dados das onze
variáveis monitoradas do sistema no período entre
t=5,05 e t=5,15 seg, abrangendo os regimes
subtransitório e transitório da onda senoidal da
variável monitorada.

8
Modelagem da Rede Neural Artificial para a
Identificação de Ilhamentos Não Intencionais
 Para o desenvolvimento da RNA foram avaliadas duas Estrutura final da RNA
metodologias de treinamento: Backpropagation (BP) e Bayesian
Regularization (BR), sendo aplicado o critério de parada Early
Stopping (ES) na etapa de treinamento.
 A fim de se obter o melhor resultado na avaliação da RNA,
diversos níveis de estrutura foram testados, alterando-se o
número de neurônios na camada oculta, de 1 a 100.
 A estrutura final da RNA possui uma camada de entrada
composta por 21 neurônios, uma camada oculta e uma camada
de saída com um neurônio.
 Para ambas as metodologias de treinamento, Backpropagation
(BP) e Bayesian Regularization (BR), a estrutura com os
melhores resultados é composta de 15 neurônios na camada
oculta.

9
Descrição do Sistema Elétrico e das premissas
adotadas para a RNA
 Foram simulados 4 cenários distintos de inserção de GD e Sistema de Distribuição IEEE 13 barras

em cada cenário são levantados 20 estados operativos


diferentes, totalizando 80 situações de operação da GD.
Obteve-se ao final, uma base de dados com 120.000
variáveis.
 Cenário 1: foi utilizada apenas a geração solar fotovoltaica
em baixa tensão em B634;
 Cenário 2: foi utilizada apenas a geração solar fotovoltaica
em média tensão em B675;
 Cenário 3: foi utilizada a geração solar fotovoltaica em baixa
tensão em B634 e a geração eólica em média tensão em
B650;
 Cenário 4: foi utilizada a geração solar fotovoltaica em baixa
e média tensão em B634 e B675, e também a geração
eólica em média tensão em B650.
10
Avaliação dos Resultados
Amostra comparativa do resultado de cada metodologia

 Após a definição da estrutura final, avaliou-se o


desempenho das RNAs treinadas e o desempenho dos
relés tradicionais de tensão e frequência simulados, para
cada dado de testes alocado. Foram utilizados 29.250
dados para testes, ou seja, 25% da base total de dados.
 Verifica-se o pior desempenho nos relés passivos de
frequência e tensão, com falhas na atuação em 21 dos 80
estados avaliados.

11
Conclusões

 Este trabalho teve por objetivo a elaboração de um sistema complementar para a detecção de
ilhamentos não intencionais na presença de geração distribuída, utilizando as Redes Neurais Artificiais.
Procura-se minimizar os erros de detecção das técnicas passivas empregadas, caracterizadas por zonas de
não detecção.
 O desempenho do sistema foi considerado satisfatório quando comparado aos sistemas de detecção de
ilhamentos passivos, pois além de identificar com mais precisão as situações de ilhamento não
intencional, apresentou um reduzido número de desligamentos desnecessários decorrentes de erros de
identificação dos estados operativos do sistema elétrico.
 Em continuidade aos desenvolvimentos deste trabalho, pretende-se avaliar a metodologia em um
alimentador real de uma concessionária de distribuição, dotado de múltiplas GDs, instaladas em média e
baixa tensão, e com a geração sujeita as variações da radiação solar diária.

12