X STPC SEMINRIO TECNICO

XSTPC-ST-29

DE PROTEO E CONTROLE
RECIFE PERNAMBUCO - BRASIL

17 a 20 de outubro de 2010

SATURAO DE TRANSFORMADORES DE CORRENTE E SUAS IMPLICAES EM ESQUEMAS DIFERENCIAIS DE PROTEO PARTE II. DETECO E DECISO DE ATUAO USANDO A TRANSFORMADA WAVELETS E REDES NEURAIS ARTIFICIAIS Rodrigo Alves Benes Ferreira SIEMENS / UNISANTA Francisco Antnio Reis Filho Farfilho Consultoria Comrcio e Representaes LTDA/ UNISANTA

PALAVRAS-CHAVE Saturao dos Tcs, Transformada Wavelet Discreta, Redes Neurais Artificiais, Proteo Diferencial. RESUMO O presente trabalho apresenta o desenvolvimento de um algoritmo para identificao da saturao e localizao da falta em relao ao objeto protegido (Falta interna ou externa). A metodologia usada foi baseada na capacidade de se detectar mudanas bruscas do sinal atravs da Transformada Wavelet Discreta e na capacidade de aprendizagem da Rede Neural Artificial e na etapa de localizao utilizou-se um critrio de deciso no tempo para clculo da defasagem das correntes correspondentes com uma janela de 1/4 de ciclo. Os resultados mostram a metodologia como uma alternativa para tomada de deciso rpida do dispositivo de proteo mesmo com a possvel ocorrncia de saturao dos transformadores de corrente. 1.0 - INTRODUO Na ocorrncia de uma falta no sistema no sistema eltrico de potncia objetivo do sistema de proteo a identificao da falta e o isolamento da mesma possibilitando uma maior rapidez no restabelecimento do sistema. Um esquema de proteo largamente utilizado e considerado o mais seletivo a proteo diferencial (ANSI 87),onde na ocorrncia de uma falta interna ao objeto protegido, o dispositivo de proteo deve enviar um comando para abrir os disjuntores dos dois extremos. Quando esta falta externa, esta proteo no deve atuar. Os dispositivos crticos neste esquema de proteo so os transformadores de corrente (TC) e como todo material ferromagntico, o mesmo trabalha com uma curva de histerese. Para o seu correto funcionamento, os TCs so dimensionados para que trabalhem na faixa linear desta curva, entretanto, existem situaes de difcil estimativa que causam sua saturao, como o nvel DC da corrente de curto-circuito e o fluxo residual do TC. O dispositivo de proteo deve detectar este fenmeno para evitar atuao indevida da proteo diferencial. Este trabalho tem o objetivo de desenvolver uma metodologia para deteco da saturao dos trasformadores de corrente e localizao da falta em relao ao objeto protegido mesmo com a saturao dos TCs em um esquema de proteo diferencial. O objeto de proteo escolhido foi uma linha de transmisso de 345KV de 1,54Km de comprimento. 2.0 PROPOSTA DE TRABALHO. O projeto dividido em duas principais etapas: 2.1 Etapa 1: Treinamentos O funcionamento do sistema eltrico simulado no programa ATPDraw 3.5 que gera um arquivo texto contendo as medies solicitadas numa taxa de amostragem determinada. A aquisio dos dados, a deteco falta, o tratamento dos sinais e o treinamento da Rede Neural Artificial foram realizados por um programa elaborado no Software Matlab 7.0. O sistema eltrico utilizado nesta etapa um circuito monofsico incluindo o modelo do TC com a curva de histerese que possibilita a variao do ngulo de incidncia da falta, da corrente de falta, sua componente DC e fariao do fluxo residual ( Ver figura 1 a seguir). O tratamento dos dados realizado pela transformada Wavelet discreta (DWT Discrete Wavelet Transform). Esta ferramenta capaz de detectar distores nos sinais sendo possvel criar dados representativos de faltas normais e de faltas com saturao do TC usando principalmente a sua escala logaritnica e caracteristicas apresentadas na referncia 4.1. Em seguida estes dados so apresentados Rede Neural Artificial multicamadas para treinamento supervisionado e com isso explorar a habilidade da rede de aprender atravs de exemplos e por fim ser utilizada para o reconhecimento de padres que no participaram do treinamento.
Pgina 1 de 8

Assim, a Rede Neural aps o treinamento torna-se capaz de generalizar o conhecimento adquirido. Os parmetros da rede neural (nmero de camadas, nmero de neurnios em cada camada, pesos e bias) so salvos para utilizao na prxima fase.

2.2 Etapa 2: Testes

Esta etapa tem o objetivo de simular uma situao real e realizar os dois objetivos deste trabalho: identificao da saturao e localizao da falta. Nesta etapa utilizado um circuito trifsico de uma linha de transmisso de 345KV e 1,54 km onde so simulados diversos tipos de falta para teste do algoritmo.( Ver a figura 2 a seguir). Em seguida um programa no matlab faz a aquisio dos dados, a deteco do instante de falta, a separao da janela deslizante de de ciclo e o tratamento do sinal pela Transformada Wavelet Discreta. Estes dados so apresentados rede neural treinada na fase anterior fazendo assim a deteco da saturao e por ltimo esse processo feito para as trs fases de corrente de cada lado da LT. Paralelamente ao algoritmo acima executado o algoritmo de localizao que indicar se a falta foi interna ou externa zona de proteo diferencial onde o sinal de abertura acionado quando a saturao detectada e a falta interna identificada. 3.0 - METODOLOGIA 3.1 Descrio do Sistema Eltrico (Simulao) 3.1.1.Circuito Monofsico O circuito mostrado na Figura 1 utilizado na primeira etapa para gerar dados de faltas normais e com saturao para treinamento da RNA.

Figura 1 Circuito de Treinamento

Nesse circuito a resistncia R1 simula a corrente de regime e a resistncia R2 e a indutncia X2 modelam a corrente de defeito, alm de possibilitar a variao da componente DC dessas correntes pela relao X2/R2.No circuito do transformador de corrente usa-se o modelo do transformador ideal em conjunto com o modelo da curva de excitao dada tpica onde atravs da subrotina HISTERESE obtem-se sua respectiva curva de Histerese representando o seu fluxo residual. 3.1.2 O Circuito Trifsico.

Este circuito modela uma linha de transmisso de 345KV/1,54 km da Siderrgica USIMINAS(Cubato) e os transformadores de corrente das trs fases em ambos os lados da linha. A curva de histerese foi inserida no prprio modelo do transformador. Este circuito utilizado na segunda etapa para simular faltas e testar os algoritmos de deteco e localizao(Ver Figura 2 a seguir).

Pgina 2 de 8

Figura 2 Circuito de Testes 3.2 Gerao dos Dados 3.2.1. Amostragem e Tratamento Digital dos Sinais. A amostragem e a ferramenta utilizada para tratamento do sinal so decises fundamentais para a obteno de bons resultados. A ferramenta para tratamento do sinal utilizada foi a Transformada Wavelet Discreta por ser sensvel a variaes bruscas do sinal facilitando a identificao da saturao do TC e por apresentar uma escala logaritmica(escalamento) para cada nivel apresentado( Para maiores informaes sobre a mesma ver a referncia bibliogrfica [1]). A freqncia de amostragem utilizada foi de 256 amostras por ciclo (15360Hz) onde a escolha da freqncia de amostragem foi feita com o objetivo de atender os compromissos de obter um algoritmo rpido e ter uma quantidade razovel de coeficientes Wavelets. A janela utilizada foi de um quarto de ciclo e com isso obtivemos uma janela de 64 amostras. A Transformada Wavelet Discreta aplicada nesta janela. A funo me utilizada foi a Daubechie 10 mostrada na Figura 3.

Figura 3 Funo Daubechies 10 Onde essa funo se mostrou bem sensvel s variaes no sinal devido a saturao. O nmero de coeficientes wavelets de detalhe calculado conforme a frmula (1):

(1) N= nmero da funo daubechie, n=nmero de amostras e floor = menor inteiro mais prximo. Nesta aplicao temos portanto 41 coeficientes de detalhe de nvel 1. Neste momento possvel avaliar com dados os compromissos estabelecidos para deciso da freqncia de amostragem. Como podemos observar, o nmero de amostras finais que usado para identificao da saturao reduzido drasticamente. Com amostragem de 256 amostras/ciclo e uma janela de um quarto temos no final 41 coeficientes. Caso uma amostragem de 128 fosse utilizada, teramos 25 coeficientes.Outro ponto considerado foi a possibilidade de utilizao de outro nvel de detalhe da transformada wavelet caso fosse necessrio. Devido decimao efetuada no calculo da transformada a cada nvel reduzimos ainda mais a quantidade de amostras. Portanto com 256 amostras por ciclo temos uma quantidade boa de coeficientes wavelets de nvel 1 e com uma janela de um quarto de ciclo conseguimos uma rapidez do algoritmo. A Figura 4 a seguir mostra a Tranformada Wavelet de nvel 1 onde s o sinal de entrada, e d1 os coeficientes de detalhe.

Pgina 3 de 8

Figura 4 - Tranformada wavelet discreta Nesta figura observamos que os coeficientes do detalhe escolhido apresentam valores elevados nos instantes em que ocorrem deformaes da forma de onda e mudanas bruscas do sinal que caracterizam o fenmeno da saturao. 3.2.2. Organizao dos Dados. Para que o aprendizado da Rede Neural seja efetivo, ou seja, que o conhecimento seja adquirido e que uma boa generalizao seja obtida necessrio que os dados representativos das situaes que ela deve classificar sejam apresentados. Utilizando o circuito monofsico proposto foram armazenados os resultados de simulao em diversas situaes variando-se os parmetros do circuito. A resistncia de carga foi variada de 5 a 10 ohms e o ngulo de incidncia da falta foram 0, 90, 180 e 270. Em cada uma destas situaes foram retirados dados de uma falta sem saturao e com saturao. No total foram realizadas 22 simulaes do circuito e destas foram retiradas 704 janelas de faltas normais e 704 janelas de faltas com saturao. Estes dados foram organizados na matriz de treinamento de forma intercalada, gerando uma matriz de dimenses 41x1408 na qual cada coluna representa a Transformada Wavelet Discreta de uma janela. Para previamente avaliar se o tratamento do sinal foi adequado e qual ser o trabalho da Rede Neural para classificar, escolhemos a mdia e o valor mximo do mdulo de cada coluna da matriz de treinamento para representa-los em um plano. A figura 5 mostra esta representao.

Figura 5 - Separao no plano: Mximo x Mdia Neste grfico observamos a separao de dois agrupamentos (clusters) entre os dados com saturao (pontos vermelhos) e sem saturao (pontos azuis).

Pgina 4 de 8

3.3 Normalizao A normalizao dos dados de entrada da Rede Neural Artificial um conceito heurstico consagrado que visa o melhor desempenho do algoritmo de treinamento. A forma de normalizao escolhida foi a diviso dos dados pelo valor mximo da tabela. Este valor mximo foi chamado de fator de normalizao onde antes do mesmo so calculados os mdulos dos coeficientes wavelets. 3.4 Modelagem e Treinamento da Rede Neural Artificial A tomada de deciso da ocorrncia ou no da saturao realizada pela rede neural artificial multicamadas. O algoritmo de treinamento utilizado foi um algoritmo baseado no backpropagation com taxa de aprendizagem adaptativa e mommentum. A rede tem a funo de classificar o sinal de entrada como saturado (sada=1) e no saturado (sada=0). Sua arquitetura aps os testes foi 41-1-1. Sendo uma camada de sada e uma intermediria com 1 neurnio e 41 entradas sem neurnio. As funes de ativao utilizadas foram a linear e a sigmoide logistica nas camadas intermediria e de sada respectivamente. A figura 5 mostra o processo de identificao das a janela deslizantes de corrente at a sada da Rede Neural.

Figura 5 Processo de Identificao da Saturao 3.5 Tratamento Final O objetivo desta etapa interpretar a sada da Rede Neural de forma a evitar erros de identificao. A sada da rede neural varia de 0 a 1. Neste projeto foi considerado que uma sada maior que 0,8 interpretado como 1 (Saturao). Alm disso foi adotado que necessrio uma confirmao, ou seja, para que seja identificado a saturao, ao menos por duas janelas consecutivas a sada da RNA deve ser maior que 0,8. 3.6 Localizao da Falta Para localizao da falta as correntes correspondentes de cada lado da linha so comparadas. Esta comparao feita amostra a amostra de cada janela de um quarto de ciclo. O critrio para determinao da localizao foi o seguinte: Se mais de 70% (45 amostras) da janela os sinais dos dois tiverem a mesma polaridade, a falta identificada como interna. Caso contrrio a falta externa. 3.7 Deciso de Atuao O algoritmo de localizao executado paralelamente ao algoritmo de saturao. Quando ocorre a identificao da saturao e falta interna o algoritmo geral finalizado e gerado um sinal de atuao. Quando a saturao identificada e a falta externa o trip bloqueado. Quando a saturao no identificada o algoritmo convencional de proteo diferencial (fora do escopo deste trabalho) segue sua execuo normal. A seguir na figura 6 abaixo apresentada de forma resumida o diagrama de blocos da algoritmo da fase de teste descrito nos itens anteriores:

Pgina 5 de 8

Simulao do Sistema Eltrico (ATP)

Aquisio de dados do arquivo .lis para o Matlab

Se ao menos uma corrente > pickup

Separa prxima Janela

Transformada Wavelet Discreta

Comparao dos valores de mema fase lados A e B

Valor absoluto e Normalizao

Rede Neural Artificial

Mesma polaridade em mais de 70% da janela

Sim

No

Falta Externa

No saturao

Tratamento FInal

Saturao

Falta Interna

TRIP

Figura 6 Algoritmo da Etapa de Teste

4.0 RESULTADOS OBTIDOS. Para os testes em pauta foram gerados cinco casos principais : Falta Interna monofsica, Falta Interna monofsica com impedncia de falta, Falta Externa monofsica, Falta Interna Trifsica e Falta Externa Trifsica, onde para essas condies o algoritmo apresentou desempenho satisfatrio, atuando corretamente para estes casos. A Figura 7 mostra o resultado para a Falta interna monofsica. O primeiro grfico mostra o circulo identificando a ltima amostra da janela onde ocorreu identificao da saturao e a atuao da proteo e o segundo grfico apresenta a defasagem das entre as respectivas fases B de ambos os lados indicando que a falta foi interna.

Pgina 6 de 8

Figura 7 Falta Interna Monofsica Na Figura 8 so apresentados os resultados para da Falta Externa Trifsica. Os circulos em vermelho do primeiro grfico representam a ltima amostra da janela em que foi identicado a saturao porm sem o sinal de abertura, e o segundo grfico apresenta a defasagem entre as correntes das fases A de ambos os lados.

Figura 8 Falta Externa trifsica Na figura 9 a seguir apresentada a mesma metodologia indicada anteriormente para um defeito interno com alta impedncia(Rf = 50 ).

Figura 9 Falta Interna Monofsica com resistncia de falta

Pgina 7 de 8

5.0 - CONCLUSES Este trabalho apresentou uma metodologia para a tomada de deciso de atuao de um rel diferencial na situao de saturao dos transformadores de corrente onde a identificao correta da saturao possibiita um ajuste mais sensvel do pickup da referida proteo. Por outro lado a Transformada Wavelet Discreta mostrou-se efetiva na discriminao da situao normal de falta com e sem saturao do TC facilitando o trabalho de classificao da Rede Neural Artificial bem como o critrio de localizao para os casos apresentados. Vale ressaltar que todo esse processo teve uma durao de ciclo como um todo e os resultados obtidos foram encorajadores. Para a validao da metodologia sero necessrias em uma etapa posterior a gerao de um nmero maior de testes e a variao de alguns parmetros do sistema tais como: Incidncia do ngulo de falta, resistncia de falta,nvel DC da corrente de defeito,o fluxo residual dos TCs e as respectivas impedncias de fonte do sistema. 6.0 - REFERNCIAS BIBLIOGRFICAS (1) REIS FILHO,Francisco A. IX STPC - Saturao de Transformadores de Corrente e suas Implicaes em Esquemas Diferenciais de Proteo. Paradigmas e Possveis Solues, 2008. (2) FERREIRA, Rodrigo A. Benes, Projeto Concluso da Graduao: Implementao em Hardware de um Identificador de Falhas em Linhas de Transmisso Utilizando-se Redes Neurais Artificiais, 2008. (3) HAYKIN, SIMON, Redes Neurais - Princpio e Prtica, Bookman, 2001. (5) Feser, Waldemar R. K., Schiel, Tamman H. L. - Differential Relay with Adaptation During Saturation Period of Current Transformers. (6) Kasztenny, B., Rosolowski,E., Lukovicz, M., Izykowsk,J. Current Related Relaying Algorithms Immune to Saturation of Current Transformers. 7.0 - DADOS BIOGRFICOS. Rodrigo Alves Benes Ferreira Nascido em Volta Redonda (RJ) - 1982. No presente momento est finalizando o curso de Ps-graduao em Proteo de Sistemas Eltricos na Universidade Santa Ceclia (UNISANTA) Santos (SP). Graduado em Engenharia Eltrica pela Universidade do Estado do Rio de Janeiro (UERJ) em janeiro de 2008 Rio de Janeiro (RJ). Atualmente trabalha na SIEMENS E D EA (Energy Automation). reas de interesse: Proteo de Sistemas Eltricos e Inteligncia computacional. E-mail: rodrigobenes@yahoo.com.br Francisco Antonio Reis Filho, Brazileiro 55, graduado em 1981(Sistemas de Potncia) pela UEVA/RJ. Em 1992 e 2002 obteve respectivamente os titulos de M.Sc. e Ph.D pela EPUSP/POLI. Possui mais de 30 anos de experincia em Proteo de Sistemas Eltricos trabalhando com projetos, pesquisas, vendas,estudos e demais atividades correlatas em empresas como Furnas,ABB,SEG,SEL,GE e no LPROT/USP. Atualmente est desenvolvendo atividades de estudos eltricos por sua empresa a Farfilho Consultoria Comrcio e Representaes LTDA e com relao a pesquisas seu principal foco a utilizao de novas ferramentas matemticas para o desenvolvimento de algoritmos de proteo de sistemas eltricos. Seu e-mail para contato : farfilho@farfilho.com.br e seu site www.farfilho.com.br.

Pgina 8 de 8