Professional Documents
Culture Documents
>
0 9 1 , o s s
1 2
12 T t t T s s
Harmnico ( )
( ) ( )
( ) ( )
1 3
5 7
3
5 7
sen t sen t
v t A
sen t sen t
o e o e
o e o e
+ | |
= |
|
+ +
\ .
1
1 o =
3 5 7
0 05 0 15
, ,
, , o s s
Swell
( ) ( ) ( ) ( ) ( ) ( )
1 2
1 v t A u t t u t t sen t o e = +
,
1 2
t t < ,
( )
0 0
1 0
, t
u t
, t
<
=
>
0 1 0 8 , , o s s
1 2
12 T t t T s s
Sag
( ) ( ) ( ) ( ) ( ) ( )
1 2
1 v t A u t t u t t sen t o e =
,
1 2
t t < ,
( )
0 0
1 0
, t
u t
, t
<
=
>
0,1 0,9 o s s
1 2
T t t 12T s s
Swell com
Harmnico
( )
( )
( )
( )
( )
( )
1
1
3
2
5
1 3
5
sen t
u t t
v t A sen t
u t t
sen t
o e
o o e
o e
| |
| | | | |
= + | + |
|
| |
| \ . \ .
+
\ .
,
1 2
t t < ,
( )
0 0
1 0
, t
u t
, t
<
=
>
1
1 o =
3 5
0 05 0 15
,
, , o s s
0 1 0 8 , , o s s
1 2
12 T t t T s s
Sag com
Harmnico
( )
( )
( )
( )
( )
( )
1
1
3
2
5
1 3
5
sen t
u t t
v t A sen t
u t t
sen t
o e
o o e
o e
| |
| | | | |
= | + |
|
| |
| \ . \ .
+
\ .
,
1 2
t t < ,
( )
0 0
1 0
, t
u t
, t
<
=
>
1
1 o =
3 5
0 05 0 15
,
, , o s s
0 1 0 9 , , o s s
1 2
12 T t t T s s
Transitrio
Oscilatrio
( ) ( )
( )
( ) ( ) ( )
1
1
t t
tr
v t A sen t be sen t t
e e
= +
2 2 b s s
50 100 s s
500 Hz 1500 Hz
tr
f s s
Tabela 2. Quantidade de simulaes realizadas para cada sistema.
Distrbio de Tenso
Sistema
5 Barras 33 Barras 134 Barras
Outage 24 48 48
Harmnico 72 144 144
Swell 48 72 72
Sag 48 72 72
Swell com Harmnico 48 96 96
Sag com Harmnico 48 96 96
Transitrio
Oscilatrio
48 96 96
Total 336 624 624
4. Metodologia Proposta
A metodologia proposta para esta ferramenta de diagnstico dividida em duas fases, a
fase de censoriamento e a fase de monitoramento. Estas fases so descritas a seguir:
4.1. Censoriamento
Nesta fase, geram-se os detectores para o SIA, processo o qual feito em modo off-line.
Inicialmente definem-se quais so os sinais que devem ser protegidos, ou seja, os sinais
prprios. Os sinais prprios tm as caractersticas de operao normal do sistema, ento
tudo que for diferente do estado operacional normal uma anormalidade. Ento a partir
dos dados simulados os detectores so gerados aleatoriamente. Assim os dados
simulados so testados para verificar se casam com algum sinal prprio, se um
casamento encontrado o vetor aleatrio rejeitado, caso contrrio, aceito como
detector no conjunto de detectores para o distrbio em questo. Esse processo repetido
at que um nmero desejado de detectores seja obtido para cada distrbio. Este processo
nada mais faz do que extrair as caractersticas de cada tipo de distrbio e armazenar na
memria para realizar as deteces e classificaes. Utiliza-se o casamento parcial
proposto por (Bradlay, 2002), onde se necessita que somente parte dos detectores sejam
acionados para indicar a presena de uma anomalia.
4.2. Monitoramento dos dados
A fase de monitoramento dividida em trs mdulos, os quais so responsveis por
fazer a aquisio dos dados, a deteco prprio/no-prprio e a classificao dos
distrbios. A figura 3 ilustra o fluxograma da fase de monitoramento dos dados.
Inicio
Leitura dos Sinais
Deteco dos Distrbios
Encontrou sinal
no-prprio ?
No
Classificao do distrbio
Impresso do Diagnstico
Sim
Mdulo: Aquisio dos Dados
Mdulo: Deteco
Mdulo: Classificao
Figura 3. Fluxograma da fase de Monitoramento
No mdulo de aquisio de dados o algoritmo faz a leitura das oscilografias de
tenso medidas na subestao (via sistema de aquisio de dados (SCADA)). Essa
captura ocorre visando realizar o monitoramento do erro, e captura feita em tempo
real.
O mdulo de deteco o responsvel por fazer o reconhecimento dos dados,
classificando-os em prprios e no-prprios. Sendo os sinais prprios o estado normal
de operao do sistema, e os sinais no-prprios a identificao de uma anomalia. A
figura 4 ilustra o processo de deteco.
Detectores
Fase B
Detectores
Fase A
Detectores
Fase C
SIA Fase A
SIA Fase B
SIA Fase C
Fase A
Fase B
Fase C
Sada
Prprio/no-prprio
Mdulo Detector
E
n
t
r
a
d
a
d
e
d
a
d
o
s
Figura 4. Fluxograma da fase de Monitoramento
Como se observa na figura 4, para cada fase do sistema existe um sistema
imunolgico artificial com seus respectivos detectores, sendo assim caso seja
identificado alguma anomalia naquela fase o sistema ira acusar na sada como prprio
ou no-prprio. A tabela 3 a seguir apresenta a codificao para a sada na fase de
deteco.
Tabela 3. Codificao da sada prprio/no-prprio.
Sada
No-prprio
na Fase A
No-prprio
na Fase B
No-prprio
na Fase C
Fase A 1 0 0
Fase B 0 1 0
Fase C 0 0 1
Sendo que 0 representa um sinal prprio, e 1 representa um sinal no-
prprio.
No momento de monitoramento prprio/no-prprio se o sistema detecta alguma
anomalia em alguma fase o mdulo de classificao acionado e executado somente na
fase a qual foi identificada uma anomalia. O mdulo de classificao responsvel por
identificar a que tipo de distrbio a anomalia se enquadra e classifica-la dentre os
distrbios de tenso.
A Execuo do mdulo semelhante deteco prprio/no-prprio, porm
executada somente na fase que foi acionado a deteco. Ento na fase acionada um SIA
juntamente com seu conjunto de detectores para cada tipo de distrbio, faz a anlise do
sinal e retorna uma sada codificada para os 7 tipos de distrbios trabalhados neste
artigo, a sada indica a qual distrbio o sinal analisado representa. A tabela 4 apresenta a
codificao para o diagnstico encontrado pelo sistema.
Tabela 4. Codificao do diagnstico encontrado.
Sag Swell
Sag com
Harmnico
Swell com
Harmnico
Outage Harmnico
Transitrio
Oscilatrio
Sada
1 0 0 0 0 0 0
0 1 0 0 0 0 0
0 0 1 0 0 0 0
0 0 0 1 0 0 0
0 0 0 0 1 0 0
0 0 0 0 0 1 0
0 0 0 0 0 0 1
5. Resultados
A metodologia proposta foi desenvolvida na linguagem MATLAB. Todas as simulaes
foram realizadas utilizando um PC Intel Core 2 Duo 1.9 GHz, 2 GB de Memria RAM,
e sistema operacional Windows 7 Ultimate 32 bits. O algoritmo proposto foi aplicado
aos dados dos sistemas de distribuio de energia eltrica de 5, 33 e 134 barras. Os
dados de linha e de carga dos sistemas de 33 e 134 so encontrados em (Baran e Wu,
1989; LaPSEE, 2011) e os dados do sistema de 5 barras esto apresentados no Apndice
deste artigo.
5.1. Caractersticas dos sistemas eltricos
O sistema de 5 barras um sistema teste que possui 4 barras de carga, 1 subestao e 4
circuitos, tem como tenso base 11,5 kV, e as condies de carga total ativa e reativa
so de 15,3 kW e 8,8 kVAr.
O sistema de 33 barras um sistema teste que possui 32 barras de carga, 1
subestao e 32 circuitos, tem como tenso base 12,66 kV, e as condies de carga total
ativa e reativa so de 3.715 kW e 2.315 kVAr. (Baran e Wu, 1989).
O sistema de 134 barras um sistema de distribuio real, com as seguintes
caractersticas: areo, trifsico, ramificado, composto por 134 barras, 13,8 kV, 7,065
MVA, mutuamente acoplado e com fator de potncia das cargas igual a 0,92. A tabela 4
apresenta os resultados obtidos na deteco e classificao dos distrbios de tenso para
o sistema de 134 barras (LaPSEE, 2011).
5.2. Resultados Obtidos
A Tabela 5 apresenta os resultados obtidos na deteco e classificao dos
distrbios de tenso para os sistemas de 5, 33 e 134 barras.
Tabela 5. Resultados para os sistema testados.
Sistema de 5 Barras Sistema de 33 Barras Sistema de 134 Barras
Diagnstico
Padres
testados
Acerto (%)
Padres
testados
Acerto (%)
Padres
testados
Acerto (%)
Swell 48 100,00 72 100,00 72 100,00
Sag 48 97,22 72 98,61 72 94,44
Outage 24 100,00 48 100,00 48 100,00
Harmnico 72 100,00 144 100,00 144 100,00
Swell com
Harmnico
48 100,00 96 100,00 96 100,00
Sag com
Harmnico
48 97,91 96 97,91 96 97,91
Transitrio
Oscilatrio
48 100,00 96 100,00 96 100,00
Total 336 99,30 624 99,51 624 98,97
6. Concluso
Neste artigo foi apresentado um mtodo de deteco e classificao de distrbios de
tenso em sistemas de distribuio de energia eltrica baseado no SIA. Foram descritas
as principais etapas e caractersticas do ASN e sua aplicao no problema proposto.
Simulaes para validao do algoritmo foram realizadas. Como dados de entrada do
sistema, o algoritmo precisa apenas dos dados oscilogrficos das tenses nas fases
medidas na subestao. Por causa da indisponibilidade de se fazer medies em campo,
foi utilizado o software EMTP, prprio para simulao de transitrios eletromagnticos
em sistemas eltricos. O algoritmo proposto apresentou excelentes resultados obtendo
um timo ndice de acerto, tendo uma mdia de 99,26% de acerto em todos os dados
dos trs sistemas simulados. A fase de gerao de detectores a que demanda maior
tempo computacional, mas como executada de forma off-line no acarretando prejuzo
ao algoritmo. A fase de monitoramento do sistema, a partir da coleta dos dados,
realizada rapidamente (inferior a 100 milsimos de segundo), o que credencia o
algoritmo a ser uma ferramenta utilizada em tempo real, j que as decises precisam ser
tomadas rapidamente.
Sendo assim, conclui-se que os sistemas imunolgicos artificiais, com base no
algoritmo de seleo negativa, tem um desempenho satisfatrio nos testes realizados nos
dois sistemas eltricos propostos, ento a metodologia proposta bastante confivel
para a deteco e classificao de distrbios de tenso. Na sequncia desta pesquisa
sero enfocadas outras estratgias de sistemas imunolgicos visando tornar a aplicao
mais competitiva (eficincia, confiabilidade e com tempo de processamento bastante
reduzido, entre outros requisitos). Neste caso, ser investigada a possibilidade de
aplicao em ambiente de sistemas de distribuio em carter antecipatrio
(Vachtsevanos et al., 2005). Ou seja, identificar e localizar situaes crticas, em um
estgio incipiente, de faltas ou percursores de faltas que potencialmente podem provocar
danos em componentes do sistema e, principalmente, a interrupo do fornecimento de
energia aos consumidores.
Agradecimentos
Agradecemos primeiramente a Deus, as nossas famlias, e por fim um especial
agradecimento a CAPES pelo apoio (concesso de bolsa de Mestrado). Os
autores agradecem FAPESP (Fundao de Amparo Pesquisa do Estado de So
Paulo) pelo apoio financeiro de pesquisa (Proc. N 2011/06394-5).
Referncias
Abdel-Galil, T. K. et al. Power quality disturbance classification using inductive
inference approach. IEEE Transactions on Power Delivery, Piscataway, v. 19, n. 4, p.
18121818, 2004.
Amis, G. P.; Carpenter, G.A. Self-supervised ARTMAP. Neural Networks, Oxford, v.
23, n. 2, p. 265282, 2010.
Baran, M. E. and Wu, F. F. (1989), Network reconfiguration in distribuition systems for
loss reduction and load balancing. IEEE Transactions on Power Delivery, New York,
v. 4, n. 2, p. 1401-1407.
Barros, A. C.. Deteco e classificao de faltas de alta impedncia em sistemas
eltricos de Potncia usando lgica fuzzy. 94 f. Dissertao (Mestrado em
Engenharia Eltrica) Faculdade de Engenharia, Universidade Estadual Paulista, Ilha
Solteira, 2009.
Bradley, D.W.; Tyrrell, A.M. Immunotronics - Novel Finite-State-Machine
Architectures with Built-In Self-Test Using Self-Nonself Differentiation. IEEE
Transactions on Evolutionary Computation.Vol. 6, pp. 227238, Jun 2002.
Carvalho, R. Alves, H. N. e Protsio, C. (2009). Algoritmo Baseado em Sistemas
Imunolgicos para Deteco de Faltas em Sistemas de Transmisso, IV Congresso de
Pesquisa e Inovao da Rede Norte Nordeste de Educao Tecnolgica, Belm- Pa.
Carpenter, G. A. et al. Fuzzy ARTMAP: a neural network architecture for incremental
supervised learning of analog multidimensional maps. IEEE Transactions on Neural
Networks, vol. 3, no. 5, pp. 698713, 1992.
Chang, C. S. e Wen, F. S. (1998). Tabu search based approach to trouble call analysis.
IEE Proc.-Gener. Transm. Distrib., Vol. 145, No. 6, p. 731-738.
Chen, G.; PHAM, T. T. Introduction to fuzzy systems. Boca Raton: Chapman &
Hall/CRC Press, 2006.
Chen, W.-H. et al. On-line fault diagnosis of distribution substations using hybrid cause-
effect network and fuzzy rule-based method. IEEE Transactions on Power Delivery,
Piscataway, v. 15, n. 2, p. 710717, 2000.
Dasgupta, D. (1998). Artficial Immune Systems and Their Applications. Springer-
Verlag New York, Inc., Secaucus, NJ, USA.
de Castro, L. N. Engenharia Imunolgica: Desenvolvimento e Aplicao de
Ferramentas Computacionais Inspiradas em Sistemas Imunolgicos Artificiais. Tese
de Doutorado, Faculdade de Engenharia Eltrica e de Computao, Universidade
Estadual de Campinas, Campinas, Brasil, 2001.
de Castro, L. N. and Timmis, J. (2002). Artificial Immune Systems: A New
Computational Intelligence Approach, Springer. 1st edition.
Decanini, J. G. M. S.; Tonelli-Neto, M.S.; Malange, F. C. V. and Minussi, C.R.
Detection and classification of voltage disturbances using a fuzzy-ARTMAP-
wavelet network, Elec. Power Syst. Research, v. 81, n. 12, pp. 20572065, 2011.
Decanini, J. G. M. S. Deteco e classificao de faltas de curto-circuito em sistemas de
distribuio de energia eltrica usando lgica nebulosa. 110 f. Dissertao (Mestrado
em Engenharia Eltrica) Faculdade de Engenharia, Universidade Estadual Paulista,
Ilha Solteira, 2008.
Dub, L. How to use MODELS-based user-defined network components in ATP. In:
EUROPEAN EMTP USERS GROUP MEETING, 1996, Budapest. Proceedings
Siegen: EEUG, 1996. p. 1012, 1996.
EMTP-RV. Electromagnetic Transient Program, Powersys-Solutions, Le Puy-Sainte-
Rparade, France, 2011.
Forrest, S., A. Perelson, Allen, L. & Cherukuri, R. (1994), Self-Nonself Discrimination
in a computer, Proc. do IEEE Symposium on Research in Security and Privacy, pp.
202-212.
Fukui, C. e Kawakami, J. (1986). An expert system for fault section estimation using
information from protective relays and circuit breakers, IEEE Trans. On PWRD,
vol. 1, no. 4, pp. 8390.
Kartalopoulos, S. V. Understanding neural networks and fuzzy logic: basic concepts and
applications. Piscataway: IEEE Press, 1996.
Kezunovic, M.; Abur, A. Merging the temporal and spatial aspects of data and
information for improved power system monitoring applications. Proceedings of the
IEEE, Piscataway, v. 93, n. 11, p. 19091119, 2005.
LaPSEE, 2011. Practical 134 bus feeder data. Disponvel em:
http://www.dee.feis.unesp.br/lapsee/ Lines, Transactions of the AIEE, part III -
Power Apparatus and Systems, v. 76 (Aug.), p. 518-539.
Lo, K. L.; Ng, H. S.; Trecat, J. (1997). Power system fault diagnosis using Petri nets.
IEE Proc.- Gener. Transm. Distrib., Vol. 144, No. 3, p. 231-236.
MATLAB (2011). Software version 7.8 Mathworks company.
Monsef, H.; Ranjbar, A. M.; Jadid, S. (1997). Fuzzy rule-based expert system fault
diagnosis. IEE Proc.-Gener. Transm. Distrib., Vol. 144, No. 2 (Mar.), p. 186-192.
Northcote-Green, J.; WILSON, R. Control and automation of electrical power
distribution systems. Boca Raton: CRC/Taylor & Francis, 2007.
Stringfield, T. W., Marihart D. J. e Stevens R. F. (1957). Fault Location Methods for
Overhead.
Tonelli-Neto, M. S. Formulao do controle preventivo em sistemas de distribuio de
energia eltrica baseada na lgica fuzzy e redes neurais. 134 f. Dissertao (Mestrado
em Engenharia Eltrica) Faculdade de Engenharia, Universidade Estadual Paulista,
Ilha Solteira, 2012.
Vachtsevanos, G.V.; Lewis, F.; Roemer, M. Hess, A. and Wu, B. Intelligent Fault
Diagnosis And Prognosis For Engineering Systems, John Wiley & Sons, 2005.
Vale, D. T.; Coser, J. e Rolim, J. G. (2006). F-LOC Ferramenta Inteligente para
Diagnstico de Faltas em Sistemas de Distribuio de Energia.
Wen, F. S. e Chang, C. S. (1997). Probabilistic approach for fault-section estimation in
power systems based on a refined genetic algorithm. IEE Proc.-Gener. Transm.
Distrib., Vol. 144, No. 2, p. 160-168.
Zadeh, L. A. Fuzzy sets. Information and Control, Maryland Heights, v. 8, n. 3, p. 338
353, 1965.
Apndice
Os dados de carga e linhas do sistema de 5 Barras esto apresentados nas tabelas 1 e 2 a
seguir:
Tabela 1. Dados de Barra
Barra PD QD S
kW kVar Kva
1 0 0 5000
2 10000 5000 -
3 3000 2000 -
4 1000 650 -
5 800 500 -
Tabela 2. Dados de Linha
Linha Barra Barra Resistncia Reatncia
De Para
1 1 2 0.2 0.25
2 1 3 0.3 0.5
3 1 4 0.1 0.15
4 4 5 0.15 0.28
A Figura a seguir ilustra o sistema de 5 Barras simulado.
Figura 1. Sistema de 5 Barras