IDENTIFICAÇÃO DE CORRENTES DE INRUSH NA PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS MLP

Transcrição

1 IDENTIFICAÇÃO DE CORRENTES DE INRUSH NA PROTEÇÃO DIFERENCIAL DE TRANSFORMADORES DE POTÊNCIA ATRAVÉS DE REDES NEURAIS ARTIFICIAIS MLP IGOR SANTOS SOARES 1 RAIDSON JENNER N. DE ALENCAR 1 1. GESEP - Grupo de Estudos de Sistemas Elétricos de Potência, Instituto Federal do Pará Campus Belém, Av. Almirante Barroso, 1155, CEP , Marco, Belém - PA igorsoares@r7.com raidson.alencar@ifpa.edu.br Abstract This paper presents an alternative methodology for inrush current and fault identification in power transformer differential protection through Artificial Neural Networks. As input signal to the neural network training it is used a vector containing an index of deviation of the differential current gradient vector angles in the three phases of the power transformer. The effectiveness of the method was tested by simulating several instances of internal faults and inrush currents including sympathetic inrush in a power transformer using EMTP/ATP and through implementation of the algorithm in MATLAB, with highly promising results. Index Terms Differential protection, Gradient current, Inrush currents, Artificial Neural Networks. Resumo Este artigo apresenta uma metodologia alternativa para identificação de correntes de inrush e de faltas internas na proteção diferencial de transformadores de potência através de redes neurais artificiais. Como sinal de entrada para a rede neural é usado um vetor que contém um índice de desvio do ângulo do vetor gradiente nas três fases da corrente diferencial do transformador de potência. A eficácia do método foi testada por diversas simulações de faltas internas e correntes de inrush, incluindo sympathetic inrush em um transformador de potência usando o software EMTP/ATP e com a implementação da metodologia através do MATLAB, com resultados bastante promissores. Palavras-chave Proteção diferencial, Gradiente de Corrente, Correntes de Inrush, Redes Neurais Artificiais. 1 - Introdução Os sistemas elétricos de potência apresentam, atualmente, grande complexidade em sua estrutura, destinada a distribuição de grandes quantidades de energia desde os grandes centros de geração até seus consumidores finais. Como a transmissão é feita em diversos níveis de tensão, há a necessidade de equipamentos capazes de fazer a interligação entre eles. Os transformadores de potência são os equipamentos responsáveis por esta tarefa. Este equipamento interliga sistemas em tensões diferentes, permitindo a chegada da energia ao seu destino. Devido à importância do transformador, há a necessidade da elaboração de um sistema adequado de monitoramento e proteção, para que em caso de ocorrência de condições anormais de operação que podem causar danos, como os curtos-circuitos, sejam identificados correta e rapidamente, e logo sejam isolados do restante do sistema, protegendo-o. Dentre as principais metodologias de proteção de transformadores de potência destaca-se a proteção diferencial, sendo este o principal esquema de proteção para transformadores com potência superior a 10 MVA e que funciona através da comparação entre as correntes primária e secundária do transformador (corrente diferencial) e que através de determinadas características, decidem de pela atuação ou não do sistema de proteção. Este sistema pode eventualmente falhar, como no caso da energização do transformador, em que há o surgimento das correntes de inrush, onde elevadas correntes diferenciais são produzidas e podem sensibilizar o relé e causar o desligamento indevido do transformador. Os relés atualmente disponíveis utilizam a técnica da restrição por harmônicos, que se valem da análise do conteúdo harmônico das correntes de diferenciais. No caso das correntes de inrush, estas possuem elevado conteúdo de componentes harmônicas de segunda e quinta ordem, e as correntes de curto circuito, por sua vez, apresentam predominância da componente fundamental e baixa concentração de componentes harmônicas (Horowitz, 2008). Esse método pode, porém, apresentar falhas, como em situações em que as correntes de curtocircuito apresentem um conteúdo pouco mais elevado de conteúdo harmônico, e as correntes de energização apresentem um valor mais baixo dessas, porém o suficiente para comprometer a sua correta distinção (Sidhu, 1992 e Liu, 1992). 2 - Objetivo Será proposto um método eficiente de distinção entre correntes de inrush e curto circuito, com o uso de Redes Neurais Artificiais do tipo MLP, com uma técnica baseada no vetor gradiente da corrente diferencial. Trata-se de uma técnica de reconhecimento de formato de onda, valendo-se do formato peculiar da forma de onda da corrente de inrush. Foram realizadas diversas simulações através da modelagem do circuito para diversas condições, tais como energização do transformador, energização sob condição de falta, faltas internas e energização em paralelo, gerando assim o maior número possível de condições a que o transformador pode ser submetido e assim ser comprovada a eficácia do método proposto.

2 3 - Métodologia Os sistemas de inteligência artificial (IA) vêm sendo bastante utilizados com aplicações em diversos processos tais como monitoramento, operação e proteção de sistemas elétricos. Essas técnicas mostram-se bastante eficientes e adequadas na solução de eventuais falhas no sistema elétrico, substituindo a as técnicas tradicionais por ação de algoritmos automatizados, apresentando um melhor nível de eficácia, otimizando-se assim, os processos operativos e de manutenção do sistema (Azevedo, 2001). As principais técnicas utilizadas no desenvolvimento de sistemas inteligentes destacam-se as Redes Neurais Artificiais, a lógica fuzzy, algoritmos genéticos, Wavelet, entre outros. Neste caso será dada a ênfase às Redes Neurais Artificiais. causando a operação do relé diferencial, isolando o transformador do restante do sistema. Para que haja a operação do relé, a corrente diferencial (I D ) deve exceder um determinado percentual, dado por: Onde: I D KI R (1) I R = (I 2p + I 2s )/2 (2) E K é a característica diferencial percentual do relé, que geralmente varia de 15% a 40%, cuja curva característica é mostrada na figura abaixo: Foi desenvolvida uma Rede Neural Artificial (RNA) Multi-Layer de Perceptron em que seus padrões de treinamento são baseados em um índice que mede o deslocamento do vetor gradiente a partir de uma referência, para todos os pontos da janela de dados da corrente diferencial para as situações de faltas internas e de inrush, para que esta faça a sua correta distinção e atue para acionamento do relé no caso de uma falta interna e bloqueando seu funcionamento no caso de corrente de inrush Proteção diferencial Qualquer sistema elétrico está sujeito a perturbações de caráter transitório ou permanente, mesmo com todos os cuidados tomados durante a elaboração e implantação do projeto do sistema elétrico. Estas perturbações ou defeitos podem causar pesados danos ao sistema, e até mesmo risco de vida. Portanto, devem-se elaborar eficientes sistemas de proteção destinados a detectar, localizar e comandar a eliminação de uma condição anormal de operação de um sistema elétrico, visando o rápido retorno às condições normais de operação. Dentre as diversas proteções de natureza elétrica aplicáveis aos transformadores de potência, a função diferencial percentual de corrente (ANSI 87T) é a mais utilizada, uma vez que permite a discriminação entre faltas internas de outras condições operativas, além da tomada de decisão de abertura de um disjuntor ou disjuntores associados (Blackburn e Domin, 2007). A proteção diferencial é baseada na comparação da corrente que entra e sai da zona de proteção. Por ser um sistema rápido e seletivo, é muito usado para a proteção de transformadores. A zona de proteção do transformador é definida pelo posicionamento dos TCs (Transformadores de corrente), no primário e secundário do mesmo. Em condições normais de operação, ou em caso de faltas externas à zona de proteção, as correntes que circulam nos TCs do primário e secundário são aproximadamente iguais. Entretanto, no caso de faltas internas, a diferença entre estas correntes torna-se demasiadamente alta, Figura 1: Característica percentual do relé Adaptado de (Alencar e Bezerra, 2014) Na Figura 2 é dado o diagrama unifilar do esquema de proteção diferencial: Figura 2: Esquema de proteção diferencial Adaptado de (Alencar e Bezerra, 2014) A proteção diferencial oferece resultados bastante satisfatórios de proteção do SEP. Porém, há situações em que o relé diferencial poderá ser sensibilizado e entrar indevidamente em operação. São os casos de energização, que causam a magnetização e saturação do núcleo do transformador e provocam as correntes de inrush e energização solidária (sympathetic inrush) (Blackburn, 2007).

3 treinamento, interpolando dados e fornecendo respostas coerentes. Figura 3: Forma de onda da corrente de inrush em um sistema trifásico Pode-se notar que a corrente de inrush possui um formato de onda bastante peculiar, marcando-se pela ausência de um dos semiciclos. A energização do primário é a principal causa do surgimento dessas correntes, porém outras condições operativas podem causá-las como por exemplo, a energização de um transformador em paralelo, que causa um fenômeno chamado de energização solidária ou sympathetic inrush. Estas ocorrências poderão causar falhas no esquema de proteção diferencial, pois podem sensibilizar o relé devido as elevadas correntes diferenciais que podem produzir. Diante disso, os relés comerciais utilizam o algoritmo de restrição por harmônicos, valendo-se de que as correntes de inrush possuem elevado conteúdo de componentes harmônicas de segunda ordem, ao passo que os curtos circuitos possuem predominância da componente fundamental de 60 Hz. Eventualmente, esse método pode apresentar falhas, pois alguns curtos circuitos poderão apresentar componentes harmônicas um pouco mais elevado, mas o suficiente para comprometer sua correta distinção Redes Neurais Artificiais As Redes Neurais Artificiais consistem de um conjunto de unidades de processamento simples (neurônios), que calculam determinadas funções matemáticas, geralmente não lineares. Estes neurônios podem estar dispostos em uma ou mais camadas e são interconectados por um grande número de conexões sinápticas, associadas a pesos que armazenam conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede. O funcionamento destas redes tenta reproduzir o de uma estrutura física da natureza: o cérebro humano. A solução de problemas através das RNAs vem tornando-se bastante atrativa, uma vez que o paralelismo natural inerente a estrutura da rede dá a essa a possibilidade de um desempenho superior aos métodos tradicionais. O principal atrativo no uso das Redes Neurais Artificiais está em sua capacidade de armazenar conhecimento através de treinamento e de generalizar as informações aprendidas nesse processo. O poder de generalização está ligado à capacidade de aprender através de um pequeno conjunto de dados conhecido e posteriormente fornecer respostas coerentes para resultados não conhecidos. Isso demonstra que a capacidade das RNAs vai além de estabelecer e mapear relações de entrada-saída, esta consegue extrair informações não apresentadas através do A capacidade de reconhecimento de padrões oferecido pelas RNAs foi usada uma vez que a forma de onda da corrente de inrush é bastante peculiar, em comparação a forma de onda de um curto-circuito, como se pode observar na Figura 4. A saída da rede neural é composta por 0 (zero), indicando o bloqueio do relé diferencial ou 1 (um) indicando a ativação do relé O Vetor Gradiente A corrente diferencial pode ser considerada como uma função dependente de pelo menos 3 variáveis: o tempo (t), o magnetismo residual do núcleo do transformador (ϕ) e o ângulo de chaveamento da fonte de tensão (β). Aplicando-se então os conceitos do vetor gradiente à corrente diferencial, dado abaixo: Onde: I D = I D t i + I D ϕ j + I D β k (3) i, j e k vetores unitários na direção dos eixos ortogonais t, ϕ e β, respectivamente. I D t Derivada de primeira ordem da corrente diferencial em relação ao tempo I D ϕ Derivada de primeira ordem da corrente diferencial em relação ao magnetismo residual I D β Derivada de primeira ordem da corrente diferencial em relação ao ângulo de chaveamento da fonte de tensão O módulo do gradiente da corrente diferencial é dado abaixo: I D = ( I D t )2 + ( I D ϕ )2 + ( I D β )2 (4) Para os estudos, será tomado apenas a componente que varia com o tempo, ou seja, apenas a componente ortogonal pertencente ao eixo i, fazendo a equação anterior ficar reduzida a seguinte forma (ALENCAR E BEZERRA, 2013): I D = I D i A/s (5) t Considerando-se um vetor, o qual é denominado vetor gradiente é tangente à curva da corrente diferencial em um determinado ponto da análise. O ângulo desse vetor em relação ao vetor unitário é dado por: θ i = tan 1 ( I D t ) (6)

4 Através das duas equações anteriores poderá ser calculado ângulo e módulo do vetor gradiente da corrente diferencias nas três fases do sistema elétrico. O comportamento do gradiente de corrente diferencial será baseado na análise do seu ângulo em cada ponto de uma janela de dados que varre o sinal da onda. O comportamento notado foi o seguinte: - Para um caso de curto-circuito (Figura 4 (a)), o ângulo não apresenta variação com o tempo, permanecendo sempre em torno de 90, em relação ao vetor unitário. - Para um caso de corrente de inrush (Figura 4 (b)), devido a forma de onda característica da corrente, o ângulo dos vetores se reduzem para valores próximos a zero em algumas situações, onde há a ausência dos semiciclos. A dimensão de δ T definirá a dimensão do vetor de entrada da RNA Geração de dados de treinamento Para uma etapa crucial do algoritmo de proteção proposto, que é o treinamento da rede, será necessária a elaboração de um conjunto de dados para essa tarefa. Esses dados serão obtidos a partir da modelagem e simulação de um circuito elétrico no software EMTP/ATP. O ATP é um software especialmente dedicado ao estudo de fenômenos eletromagnéticos em circuitos elétricos, e possui uma série de aplicações e vantagens. Este programa torna possível a modelagem adequada de sistemas elétricos, reproduzindo de maneira bastante fiel a configuração real das redes, além de apresentar o diagrama unifilar do circuito. Ele possui recursos para modelar desde sistemas de transmissão quanto de distribuição, e permite a análise de transitórios eletromagnéticos para diferentes condições de operação, como os casos de energização e curtos circuitos dos mais diferentes tipos. O uso deste programa é então essencial para o desenvolvimento do algoritmo proposto, uma vez que irá simular as condições operativas que podem ocorrer no sistema elétrico. A partir dos dados obtidos serão então gerados com o MATLAB os vetores de treinamento da RNA através do índice citado neste capítulo Topologia da rede Figura 4: Comportamento da corrente de curto circuito (a) e da corrente de inrush (b) Adaptado de (ALENCAR E BEZERRA, 2014) Baseado na característica do gradiente de corrente diferencial, foi definido um índice que irá quantificar a média dos deslocamentos angulares do gradiente da corrente diferencial, considerando cada ponto da janela de dados, para cada uma das 3 fases do sistema e utilizando como ângulo padrão de referencia 90 (ALENCAR E BEZERRA, 2014). Esse índice é dado por: δ = NS j=1 θ j 90 NS (7) A rede utilizada foi uma rede de multicamadas feedforward, ou seja, que possui sentido apenas da entrada em direção à saída. A dimensão do vetor de entrada será dada do vetor δ T anteriormente citado, ou seja [1x12]. Na camada intermediária será utilizado um número de neurônios que garanta um equilíbrio entre o desempenho satisfatório da rede e que não prejudique seu processamento, obtendo melhores resultados com o número de 6 neurônios, com os quais a rede convergiu rapidamente para um erro próximo a zero. A camada de saída possui apenas um neurônio, que faz a combinação linear das saídas da camada anterior, fornecendo como resultado apenas os valores 0 (zero) ou 1 (um). A sua estrutura é dada na figura abaixo: Onde NS é o número de amostras da janela de dados A janela de dados foi dividida em quatro quartos por ciclo como ilustra a Figura 4, e em cada um deles e para cada fase será calculado o índice de deslocamento dado na equação acima. Assim serão compostos os vetores de treinamento da RNA utilizada, como dado abaixo: δ T = [δ 1 A δ 2 A δ 3 A δ 4 A δ 1 B δ 2 B δ 3 B δ 4 B δ 1 C δ 2 C δ 3 C δ 4 C ]

5 aproximadamente 16,67 ms. Foi criado para o treinamento da Rede Neural um conjunto de padrões de treinamento que representasse a maior quantidade possível de contingências a que o sistema elétrico e suscetível, dentre as quais estão incluídas as seguintes situações: - Energização do transformador, inclusive energização solidária; - Energização do transformador sob falta; - Faltas internas monofásicas, bifásicas e trifásicas nos enrolamentos primário e secundário; - Faltas internas monofásicas, bifásicas e trifásicas entre espiras da mesma fase no primário e secundário. Figura 5: Topologia da RNA A rede foi treinada com o uso do algoritmo de Levenberg Marquardt, que treina em um tempo bastante reduzido e apresenta excelente desempenho Sistema elétrico simulado O sistema em questão consiste de uma unidade geradora composta por um gerador síncrono de 13,8 kv, frequência de 60 Hz, potência nominal de 25 MVA, configuração dos enrolamentos em estrela aterrada. Também fazem parte dois transformadores de potência trifásicos idênticos ligados em paralelo, de dados 13,8/138 kv, configuração Delta/Estrela aterrada, uma linha de subtransmissão de 21 km e uma carga de 25 MVA, com fator de potência 0,92. A figura abaixo ilustra o diagrama unifilar do citado circuito: Figura 6: Circuito elétrico analisado Adaptado de (ALENCAR E BEZERRA, 2014) 4 - Resultados Foram simulados um total de 1024 casos que foram apresentados ao algoritmo proposto e também ao método de restrição por harmônicos, que foi implementado computacionalmente para essa finalidade. Os testes realizados foram estáticos, ou seja, a janela de dados obteve os dados de um ciclo de onda, e os resultados demonstraram a capacidade do algoritmo de identificar o tipo de ocorrência, classificando-as em corrente de curto-circuito ou de inrush dentro desse período, ou seja, Um conjunto de padrões de treinamento foi gerado e utilizado para o treinamento da rede neural MLP. O treinamento deste tipo de rede é supervisionado, ou seja, para cada padrão de entrada e apresentada a sua respectiva saída. Para um padrão que corresponda a um curto circuito é apresentado o valor 1 (um) como saída e que deverá corresponder ao acionamento do relé; e o valor 0 (zero) para um caso de energização, e que deverá representar o bloqueio do relé. Também foi selecionada uma parte destes padrões que não fizeram parte do conjunto de treinamento, com o objetivo de posteriormente utiliza-los para teste, validando o funcionamento da rede e comprovando o seu poder de generalização. A tabela 1 detalhará os resultados obtidos. 5 Conclusões Este trabalho apresentou uma metodologia alternativa para a distinção entre correntes de inrush e curtos circuitos que mostrou-se bastante eficiente frente ao método tradicional, de restrição por harmônicos. Os testes para os casos que não fizeram parte do conjunto de treinamento da Rede Neural Artificial apresentaram 100% de acertos, comprovando a sua grande capacidade de reconhecimento de padrões, tendo em comparação o método tradicional apresentado 81% para os mesmos casos. Como citado anteriormente, curtos circuitos que possuem concentração de componentes harmônicas um pouco mais elevado podem erroneamente ser classificado pelo método tradicional como um caso de energização, como pode ser comprovado durante as simulações. Um valor de concentração de componentes harmônicas de 25% utilizado no algoritmo de restrição por harmônicos foi o que obteve os melhores resultados, sendo esta concentração considerada alta para um caso de curto circuito. A Rede Neural Artificial mostrou um excelente desempenho, identificando corretamente 99,68% dos casos treinados, frente aos 89,18% para o método de restrição por harmônicos, para os mesmos casos. Os

6 percentuais de acertos de uma forma geral são disponibilizados na Tabela 1. A capacidade da rede de identificar rapidamente e grande confiabilidade nos seus resultados mostra o grande potencial de aplicação real do método proposto. Referências Alencar, R. J. N. e Bezerra, U. H. (2013) Power Transformer Differential Protection Through Gradient of the Differential Current, Journal of Control, Automation and Electrical Systems, Vol. 24, No. 1-2, p Alencar, R. J. N. e Bezerra, U. H. (2014) Aplicação de Redes Auto-organizáveis de Kohonen para Identificação de Correntes de Inrush na Proteção de Transformadores de Potência.V Simpósio Brasileiro de Sistemas Elétricos, Foz do Iguaçu, Brasil, 22 a 25 de Abril. Azevedo, G. P., Silva, V. N. A., Aplicações de técnicas de Inteligência Artificial a Operação em Tempo Real de Sistemas de Potência, IASP, pp.11. Blackburn, J. L. and Domin, T.J. (2007) Protective Relaying Principles and Applications 3ªEd by Taylor & Francis Group, LLC. Harlow, J. H. (2004).Electric Power Transformer Engineering, by CRC Press LLC, 2004 Liu, P., Malik, O. P., Chen, D., Hope, G. S. e Guo, Y. (1992). Improved Operation of Differential Protection of Power Transformers for Internal Faults. IEEE Transactions on Power Delivery, Vol. 7 No. 4, October. Phadke, Arun G. and Thorp, James S. (2009) Computer Relaying for PowerSystems, 2ª Ed. - John Wiley & Sons Ltd. S. H. Horowitz e A. G. Phadke, (2008) Power System Relaying, 3ª Ed, John Wiley & Sons Ltd. Sidhu. T. S., Sachdev, M. S., Wood, H. C. e Nagpal, M. (1992). Design, Implementation and Testing of a Microprocessor-based High-speed Relay for Detecting Transformer Winding Faults. IEEE Transactions on Power Delivery, Vol. 7 No. 1, January. Tabela 1 Resultados das simulações Resultados Obtidos Distúrbio Total de Método Proposto Método Tradicional Casos (RNA) (FFT) Correto Incorreto Correto Incorreto Inrush Sympathetic Inrush Inrush sob Falta Falta interna no Primário Falta interna no Secundário Falta Intraespira no Primário Falta Intraespira no Secundário Casos não treinados Totais (99,71%) 3 (0,29%) 905 (88,38%) 119 (11,62%)