Professional Documents
Culture Documents
PEA-POLI-USP
Av. Professor Luciano Gualberto 158, Prdio da Engenharia Eltrica,
CEP 05508-900 - So Paulo - SP
r0 r1
Kr = (5) V bab(k) = max[|vab(k) | |vab(k1) | |vab (k2) | |vab (kM +1) |]
r1
l0 l1
Kx = (6) Ibab(k) = max[|iab(k) | |iab(k1) | |iab(k2) | |iab(kM +1) |]
l1
_
R (k)
RNA - R X R (k)
_
vab(k-M+1)
_ _
R ou X
Vetor (k)
Sada
_
iab(k)
Caract. trip
Valores p.u. Zb (k) Valores Ohms Atuao
3 camada do Rel
_
iab(k-M+1) 2 camada
Entrada
1 camada
Zb (k)
vab
v ab = = v ab(k) v ab(k1) v ab(kM +1)
V bab(k)
Figura 5: Etapa de Ps-Processamento
iab
iab = = iab(k) iab(k1) iab(kM +1)
Ibab(k)
dinmico.
2.2 Etapa das RNA
3 TREINAMENTO DAS RNA
A etapa das RNA o ncleo do algoritmo desenvolvido
e consta, basicamente, de redes previamente treinadas para Para o algoritmo proposto so necessrias duas categorias de
aproximar funes. Neste algoritmo so utilizados dois tipos RNA: uma que estima o valor de resistncia (em p.u.) e outra
de redes neurais: a primeira treinada para determinar o valor que estima o valor de reatncia (em p.u.), a partir de amos-
da resistncia (rede R); a segunda treinada para determinar tras de tenso e corrente (em p.u.) contidas nos seus vetores
o valor de reatncia (rede X). Estas duas redes determinam de entrada. Portanto, devem existir dois conjuntos de treina-
esses valores a partir das amostras de tenso e corrente, apli- mento, um para treinar a rede R e outro para treinar a rede
cadas nas suas entradas, por intermdio dos seus respectivos X.
vetores de entrada. Tanto os valores de entrada, como os va-
lores de sada da rede neural, encontram-se no sistema p.u.. Nesta pesquisa optou-se pela utilizao de redes MLP (pr-
prias para a aproximao de funes), treinamento supervi-
A figura 4 apresenta a RNA utilizada para processar o vetor sionado (para cada vetor de entrada apresentado o vetor de
de entrada do elemento de medio AB, supondo janelas de sada desejado) e algoritmo de aprendizado Backpropagation
dados com M amostras de tenso e corrente. (Demuth, 1994; Wasserman, 1989).
V cos 2
N k+
i = If alta . cos ( ) .e.t + cos (w.t + ) {v k } = (21)
(10) Vb
onde,
Icarga cos 2
N k+
ik = (22)
= Fator de potncia do conjunto carga mais linha; Ib
h T
i
= ngulo da tenso que ocorre a falta; If alta. cos( ).e
.k N
+ cos( 2
N
k + )
ik =
Ib
= inverso da cte de tempo do sistema de primeira ordem. (23)
V
Z rel = [cos () + j sen ()] (24)
= arctag (wL1/R1). Icarga Zbase
A rotina (desenvolvida em linguagem Matlab) que executa as Durante a fase de definio da arquitetura das RNA (R e X),
expresses, 26 a 32, dividida em duas etapas, que so: ge- foram avaliadas redes com diversos tamanhos de janelas de
rao das situaes operativas para o treinamento em regime dados e taxas de amostragem. Os resultados alcanados no
permanente (pr-falta); gerao das situaes operativas para treinamento dessas redes so apresentados em Santos e Sen-
o treinamento com componente exponencial (falta). No pri- ger (2004) e indicam, aps uma anlise detalhada, que redes
meiro caso, os valores de e so sorteados numa faixa com janela de dados de 16 amostras e taxas de amostragem
de 0 a 2., representando qualquer possibilidade de fator de de 32 amostras por ciclo (60 Hz) so mais apropriadas para a
potncia e ngulo de tenso, contemplando todos os estados implementao do algoritmo proposto. Tais redes receberam
de operao do sistema em regime permanente. J no se- as denominaes Rede-32-16-r e Rede-32-16-x em funo da
gundo caso, os valores de e so sorteados numa faixa taxa de amostragem e da janela de dados utilizadas, alm do
limitada pelo perodo transitrio do defeito, ou seja, quando tipo de resposta emitida por cada uma delas resistncia (r)
encontra-se entre 0 e 2., representando qualquer ngulo ou reatncia (x). Ambas as redes possuem quatro camadas
de tenso para a ocorrncia do defeito e entre -/6 e -, com: 32 neurnios de entrada; 65 e 8 neurnios nas cama-
representando a defasagem entre a tenso e a corrente du- das ocultas e 1 neurnio na camada de sada. No processo de
rante o curto-circuito. Os valores de so sorteados numa treinamento a Rede-32-16-r atingiu um erro de 6,42.105 e a
faixa de 20 a 100, representando o inverso das constantes de Rede-32-16-x atingiu um erro de 2,95.105. Um estudo de-
tempo das linhas de transmisso nos diversos nveis de ten- talhado sobre o treinamento e testes de todas as arquiteturas
ses adotados na prtica. O sorteio das variveis , , e , avaliadas durante a fase de concepo das RNA apresen-
nas faixas apresentadas, impede que sejam gerados vetores tado na referncia citada neste pargrafo.
Ressalta-se nesta avaliao um fato de extrema relevncia, Ttrip: Tempo para o algoritmo gerar trs respostas conse-
que corresponde capacidade das RNA filtrarem a com- cutivas no interior da primeira zona de proteo do rel
ponente exponencial (casos de falta), respondendo correta- (Mho), ajustada para 85% da linha de transmisso.
mente quando h ou no componente aperidica no sinal de Testab: Tempo para o algoritmo emitir respostas sucessi-
entrada. vas com um erro menor do que 5%, com relao ao
valor correto (Zcor ) da impedncia de falta. Matema-
Tabela 1: Resultado da Validao das RNA ticamente, o Testab definido segundo a expresso 33.
I (A)
I (A)
Figura 7: Comportamento dos elementos de fase do algo- Figura 8: Comportamento dos elementos de terra do algo-
ritmo 345 kV ritmo 345 kV
5,0 m
V (V)
2,2 m
26,3 m
I (A)
18,8 m
Figura 10: Sistema de 345 kV utilizado na simulao Com relao a tabela 3, constata-se que o algoritmo baseado
em RNA possui melhor desempenho do que o algoritmo con-
vencional, pois independentemente da linha de transmisso e
5 COMPARAO ENTRE OS do comprimento desta, o algoritmo desenvolvido possui tem-
ALGORITMOS: RNA X FOURIER pos mdios de trip significativamente mais baixos. J com
relao a tabela 4, constata-se que at o nvel de 345 kV o al-
goritmo baseado em RNA apresenta um desempenho ligeira-
Para mensurar a aplicabilidade do algoritmo proposto, este mente superior ao algoritmo convencional. Entretanto, acima
ter seu desempenho comparado com o desempenho de um desse nvel, o algoritmo de Fourier mostra-se mais adequado
algoritmo convencional utilizado na proteo de distncia - do que o baseado em RNA, que tem seu desempenho com-
Algoritmo de Fourier (Blackburn, 1998; Horowitz e Phadke, prometido devido ao efeito das ondas trafegantes, presentes
1996; Senger e Santana, 1998). Esta comparao consta da nas linhas mais longas. Tal limitao existe porque o treina-
anlise das respostas de cada um desses algoritmos, frente a mento das redes R e X do algoritmo foi realizado a partir de
480 simulaes de possveis condies operativas das linhas um modelo de primeira ordem (figura 6), que no contempla
Oleskovicz, M.; Coury, D.V.; Carvalho, A.P.L. (1998). Ar- 3. Fase C em curto-circuito com a terra
tificial Neural Network Applied to Power System Pro-
tection. Vth Brazilian Symposium on Neural Networks, d
vc0 = 0 vc = R1 icr + L1 icx (36)
Belo Horizonte. dt
Salat, R.; Osowski, S. (2000). Fault Location in Transmis- 4. Curto-circuito entre as fases A e B (AB ou ABN)
sion Line Using Self-Organizing Neural Network. Pro-
d
ceedings of ICSP2000, p.1585-1588. vab = R1 (ia ib ) + L1 (ia ib ) (37)
dt
Santos, R.C.; Senger, E.C. (2004). Algoritmo Baseado em
Redes Neurais Artificiais para a Proteo de Distncia 5. Curto-circuito entre as fases B e C (BC ou BCN)
de Linhas de Transmisso. Tese de Doutorado, EPUSP.
d
vbc = R1 (ib ic ) + L1 (ib ic ) (38)
Senger, E.C.; Santana, N.N. (1998) . Pr-Filtragem da Com- dt
ponente Aperidica Exponencial para os Algoritmos
Utilizados em Rels de Distncia. Seminrio Tcnico 6. Curto-circuito entre as fases C e A (CA ou CAN)
de Proteo e Controle STPC.
d
vca = R1 (ic ia ) + L1 (ic ia ) (39)
Tawfik, M.M.; Morcos, M.M. (2001). ANN-Based Techni- dt
ques for Estimating Fault Location on Transmission Li-
onde
nes Using Prony Method. IEEE Transactions on Power
Delivery, vol. 16, n.2, p.219-224. iar = ia + Kr io , iax = ia + Kx io ,
Vasilic, S.; Kezunovic, M. (2002). An Improved Neural Al- ibr = ib + Kr io , ibx = ib + Kx io ,
gorithm for Classifying the Transmission Line Faults. icr = ic + Kr io , icx = ic + Kx io ,
IEEE, p.918-923.
sendo,
Vzquez E.; Altuve, H.J.; Chacn O.L. (1996). Neu-
R0 R1 r 0 r 1
ral Network Approach To Fault Detection in Elec- Kr = R1 = r1
tric Power Systems. IEEE International Conference on L0 L1 l0 l1
Kx = L1 = l1
Neural Networks, vol 4, p. 2090 2095.
R1 , R0 = Resistncias de seqncia positiva e zero
Wasserman, P.D. (1989). Neural Computing Theory and do trecho com defeito (Ohms);
Practice. New York, Van Nostrand Reinhold.
r1 , r0 = Resistncias de seqncia positiva e zero
da linha (Ohms/km);
APNDICE A