UMA NOVA PROPOSTA PARA DETECÇÃO E CLASSIFICAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO

Texto completo

(1)UMA NOVA PROPOSTA PARA DETECÇÃO E CLASSIFICAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO. Filley Jaques 1 Eduardo Machado Dos Santos 2. Resumo: Este trabalho introduz uma nova proposta para detecção e classificação de faltas em sistemas elétricos de potência. A detecção dos curtos-circuitos é realizada com base na variação da distância euclidiana entre dois pontos consecutivos nos planos formados pelos valores amostrados dos sinais de tensão e corrente, e suas respectivas funções-diferença. Para a classificação dos eventos, é proposta a utilização de uma lógica de decisão que verifica quais foram as variações nos planos, comparando-as com os padrões inerentes a cada tipo de curto. Quando um padrão é verificado, é feita a classificação da falta. Esta lógica foi criada através da simulação de vários casos de curtos-circuitos e outros eventos comuns no funcionamento de uma linha de transmissão, de modo que, para cada tipo de curto, foi determinado o conjunto de variações nos planos. Resultados obtidos através de simulações apontam para uma eficiência muito satisfatória para detecção e classificação dos eventos transitórios verificados.. Palavras-chave: Detecção, Classificação, Fatas, Sistema elétrico de potência, Evento transitório.. Modalidade de Participação: Iniciação Científica. UMA NOVA PROPOSTA PARA DETECÇÃO E CLASSIFICAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO 1 Aluno de graduação. filleyjaques@gmail.com. Autor principal 2 Docente. eduardosantos@unipampa.edu.br. Orientador. Anais do 10º SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO - SIEPE Universidade Federal do Pampa | Santana do Livramento, 6 a 8 de novembro de 2018.

(2) UMA NOVA PROPOSTA PARA DETECÇÃO E CLASSIFICAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO 1 INTRODUÇÃO Os sistemas elétricos de potência são de extrema importância e se fazem necessários para o transporte de energia. Por sua vez, o sistema de proteção é responsável pela integridade dos equipamentos dos sistemas elétricos de potência, eliminando curtos-circuitos e desligando trechos comprometidos da rede. Com isso, a má detecção e classificação de transitórios pode ocasionar desligamento desnecessário do sistema, tornando-se essencial o desenvolvimento de metodologias capazes de prover detecções e classificações dos eventos causadores de forma rápida e precisa. Métodos para detecção e classificação de faltas têm sido estudados intensamente ao longo dos anos. Com a relevância de redes inteligentes aumentando, obter um sistema capaz de classificar faltas se torna essencial. Nesse contexto, ressalta-se que, com o avanço nas técnicas de processamento de sinais e na redução de restrições para se adquirir dados, um avanço rápido nas áreas relacionadas à detecção e classificação de faltas vem ocorrendo, conforme é relatado em Chen et al. (2016). A maior parte dos trabalhos realizados nesta área utilizam um método fundamentado em redes neurais artificiais (VYAS et al., 2016), transformada Wavelet (MALATHI et al., 2011), transformada Wavelet e lógica Fuzzy (ERISTI, 2013) ou em máquinas de vetores de suporte, as são conhecidas como SVM (PARIKH et al., 2010). Sendo assim, este trabalho apresenta um algoritmo implementado no software MATLAB® capaz de detectar e classificar curtos-circuitos. A detecção é feita a partir da variação da distância euclidiana entre dois pontos consecutivos nos planos formados pelos valores amostrados dos sinais de tensão e corrente e suas respectivas funções-diferença. Para a classificação dos eventos transitórios, é utilizada uma lógica que verifica a combinação de quais planos tiveram patamares pré-estabelecidos para a distância entre pontos consecutivos ultrapassados após a detecção. Para tal, foi observado que há um padrão de violações dos referidos patamares para cada tipo de curto, estabelecendo-se assim uma lógica para a classificação. Tal lógica foi desenvolvida a partir da simulação de uma grande gama de faltas em um sistema teste implementado no software EMTP-ATP®. A metodologia proposta apresentou excelente desempenho, detectando e classificando corretamente grande parcela dos transitórios simulados, mostrando-se ser uma ferramenta eficaz e de baixo custo computacional para aplicação em tempo real. 2 METODOLOGIA A proposta apresentada nesse trabalho é dividida em duas etapas, sendo a primeira encarregada da detecção dos transitórios que recebe os dados, calcula os patamares e verifica se algum patamar foi ultrapassado. Caso isso ocorra, o algoritmo verifica quais patamares são ultrapassados em um ciclo e passa para a segunda etapa que é a classificação dos mesmos, que é feita a partir da observação de quais patamares foram ultrapassados. Na Figura 1, é apresentado o fluxograma da metodologia proposta. 2.1 Detecção dos transitórios Para a detecção dos transitórios, primeiramente, foram estabelecidos seis planos, havendo um para cada sinal analisado (tensões das três fases e correntes das três fases). Cada plano é formado pela disposição dos pontos formados pelos pares ordenados dados pelas Anais do 10º SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO - SIEPE Universidade Federal do Pampa œ Santana do Livramento, 6 a 8 de novembro de 2018.

(3) amostras do sinal de corrente ou tensão e suas respectivas funções-diferença. Para cada sinal analisado, a função-diferença é dada por (1). Figura 1 ± Fluxograma da proposta de detecção e classificação. Fonte: do autor, 2018.. †‹ˆ:ƒ; L :ƒ; F :ƒ F s;. (1). Onde S representa uma amostra de um sinal de corrente ou tensão, a representa a amostra atual e a-1, a amostra anterior. A partir daí, são calculadas as distâncias euclidianas entre dois pontos consecutivos em cada plano, conforme (2). †‹•–:ƒ; L §k†‹ˆ:ƒ; F †‹ˆ:ƒ F s;o E :†‹ˆ:ƒ;;6 6. (2). Para cada plano, foram estipulados três patamares, onde o patamar de nível 1 é representado por (3), o de nível 2 por (4) e o patamar de nível 3 por (5). Para a detecção da falta, é necessário que apenas o patamar de nível 1 de algum plano seja ultrapassado. Assim, cabe ressaltar que os demais patamares são para fins de classificação dos transitórios. L ÁkŒƒ•t ms g :ƒ;o E sátz Û P:Œƒ•t ms g :ƒ;; 6 L ÁkŒƒ•t ms g :ƒ;o E tás Û P:Œƒ•t ms g :ƒ;; 7 L ÁkŒƒ•t ms g :ƒ;o E táx Û P:Œƒ•t ms g :ƒ;. 5. Anais do 10º SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO - SIEPE Universidade Federal do Pampa œ Santana do Livramento, 6 a 8 de novembro de 2018. (3) (4) (5).

(4) Nas equações acima Á e P representam, respectivamente, a média e o desvio padrão para o conjunto dentro da janela de dados (janv ou i) correspondente, a qual é composta por 32 amostras do sinal analisado. Ressalta-se que os cálculos para definição de cada patamar são independentes para todos sinais de corrente e tensão. 2.2 Classificação dos transitórios A classificação dos eventos transitórios é feita com base no conjunto de violações dos patamares em todos os planos considerados após a detecção da falta. Cada patamar foi associado a uma flag. Como são três patamares e seis planos, logo são consideradas 18 flags. Sempre que um patamar é ultrapassado, à sua flag correspondente é atribuído valor lógico alto. Através da simulação de todos os casos do banco de dados, foi desenvolvida uma lógica de decisão para cada tipo de evento transitório. Sendo assim, após a detecção é recolhido o conjunto de flags por um ciclo e este é comparado com as lógicas de decisão atribuídas aos diferentes tipos de falta. A atuação da metodologia proposta é exibida na Figura 2. Assim, os gráficos da primeira linha representam a resposta do cálculo da distância euclidiana e dos patamares para os sinais de corrente. Os gráficos restantes representam as flags, sendo os da primeira coluna associados ao sinal de corrente da fase A, os da segunda associados ao sinal de corrente da fase B e os da terceira, ao sinal de corrente da fase C. É possível notar na Figura 2 que os três patamares de corrente referentes à fase C foram ultrapassados e que os patamares referentes às fases A e B não. Com isso, o algoritmo classifica corretamente o evento como curto-circuito monofásico na fase C. Figura 2 ± Resultado para sinais de corrente de um CC1Ø na fase C. Fonte: do autor, 2018.. 2.3 Sistema teste A viabilidade da metodologia foi testada em um sistema de energia de 230 kV, 60 Hz, com dois geradores conectados por uma linha de transmissão de 100km de distância. Todos os estudos de simulações foram realizados usando o software EMTP-ATP®. Uma frequência de amostragem de 1 MHz foi usada nos estudos de simulação. O diagrama do esquemático do sistema é mostrado na Figura 3 e os parâmetros do sistema e da linha são dados na Tabela 1. Anais do 10º SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO - SIEPE Universidade Federal do Pampa œ Santana do Livramento, 6 a 8 de novembro de 2018.

(5) Figura 3 ± Sistema teste. Fonte: do autor, 2018.. Tabela 1 ± Parâmetros do sistema utilizado para simulações. Parâmetros do sistema. Fonte: do autor, 2018.. <ÌÈ <Ì5 <ÅÍ4 <ÅÍ5. 3,681 + j2 0,818 + j 0,1942 + j 0,042 + j0. Ÿ Ÿ Ÿ NP Ÿ NP. Os estudos das simulações de transitórios foram realizados com uma ampla variação de ângulo de carga, ângulo de incidência do transitório, resistência de falta e distância de falta. Os valores que foram escolhidos para este estudo são os seguintes: ângulos de carga de -30º, -1º, 0º, 1º, e 30º; ângulos de incidência do transitório de 0º, 40º e 90º; resistência de falta de 0, 10, H Ÿ GLVWkQFLD GH IDOWD de 0, 20, 50, 80 e 100 km. Para todos os dez tipos de curtos-circuitos (Ag, Bg, Cg, AB, AC, BC, AB-g, AC-g, BC-g e ABC/ABC-g) foram consideradas as variações citadas anteriormente. Assim, gerando um total de 225 casos de faltas que não envolvem a terra (AB, AC, BC), 2100 casos de faltas que envolvem a terra (Ag, Bg, Cg, AB-g, AC-g, BC-g e ABC-g). Além disso, foram gerados 381 casos de não faltas que incluem abertura de linhas, variações de cargas e energizações de transformadores. Portanto, gerou-se um total de 2706 casos de transitórios. 3 RESULTADOS e DISCUSSÃO Nesta Seção, são apresentados os resultados obtidos para os testes envolvendo a metodologia descrita neste trabalho. Os resultados dos testes para classificação de transitórios são mostrados na Tabela 2. Como observado na Tabela 2, a precisão do método proposto é satisfatória para todos tipos de falta. A precisão geral para classificação de faltas é de 99,59% utilizando dados de 1 ciclo. Tabela 2 ± Performance do algoritmo proposto para diferentes tipos de falta. Número de Erros de Acertos de Tipo de falta Precisão (%) casos classificação classificação CC1Ø-g 900 2 898 99,78 CC2Ø-g 900 0 900 100 CC2Ø 225 0 225 100 CC3Ø-g 300 9 291 97 Demais transitórios 381 0 381 100 Total 2706 11 2695 99,59 Fonte: do autor, 2018. Anais do 10º SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO - SIEPE Universidade Federal do Pampa œ Santana do Livramento, 6 a 8 de novembro de 2018.

(6) Um resumo da comparação do método proposto com outros métodos existentes é mostrado na Tabela 3. Tabela 3 ± Comparação com outros métodos. Método Número de casos testados Precisão (%) Algoritmo proposto 2706 99,59 Parikh et al. (2010) 25200 98,70 Vyas et al. (2016) 54000 99,43 Malathi et al. (2011) 28800 99,11 Eristi (2013) 21036 99,301 Fonte: do autor, 2018.. 4 CONSIDERAÇÕES FINAIS Este trabalho apresenta uma nova proposta para detecção e classificação de curtoscircuitos, a qual apresenta grande capacidade de detecção desses eventos, além de classificalos adequadamente na maior parte dos casos analisados, mostrando-se ser uma ferramenta robusta e eficaz para a tarefa à qual é destinada. Além disso, dada a facilidade de implementação e o baixo custo computacional, a metodologia aqui proposta apresenta aplicabilidade em tempo real. A continuidade do trabalho será dada pela implementação da medição de sinais nos dois terminais do modelo da linha e, posteriormente, pela comparação com outros métodos de detecção e classificação de transitórios. REFERÊNCIAS B. Y. VYAS, B. DAS AND R. P. MAHESHWARI, Improved Fault Classification in Series Compensated Transmission Line: Comparative Evaluation of Chebyshev Neural Network Training Algorithms. IEEE Transactions on Neural Networks and Learning Systems, vol. 27, no. 8, pp. 1631-1642, Aug. 2016. ERISTI H. Fault diagnosis system for series compensated transmission line based on wavelet transform and adaptive neuro-fuzzy inference system. Measurement: Journal of the International Measurement Confederation, 46 (1), pp. 393-401. 2013. K. Chen, C. Huang and J. He, Fault detection, classification and location for transmission lines and distribution systems: a review on the methods, High Voltage, vol. 1, no. 1, pp. 25-33, 4 2016. MALATHI V., MARIMUTHU N.S., BASKAR S., RAMAR K. Application of extreme learning machine for series compensated transmission line protection. Engineering Applications of Artificial Intelligence, 24 (5), pp. 880-887. 2011. PARIKH U.B., DAS B., MAHESHWARI R. Fault classification technique for series compensated transmission line using support vector machine. International Journal of Electrical Power and Energy Systems, 32 (6), pp. 629-636. 2010.. Anais do 10º SALÃO INTERNACIONAL DE ENSINO, PESQUISA E EXTENSÃO - SIEPE Universidade Federal do Pampa œ Santana do Livramento, 6 a 8 de novembro de 2018.

(7)