2 2 SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE

Transcrição

1 2 2 SIMPÓSIO BRASILEIRO DE AUTOMAÇÃO INTELIGENTE CEFET PR, 13 a 15 de Setembro de 1995 Curitiba Paraná Sistema Automático de Supervisão de Redes de Distribuição Radiais Patrícia Romeiro da Silva - CEFET/MG - DAEE* Anésio dos Santos J. - UNICAMP - FEE - DENSIS Fábio Gonçalves Jota - UFMG - EE - DEL T 1. RESUMO *Centro Federal de Educação Tecnológica de Minas Gerais DES-DAEE Av. Amazonas, 7675, Nova Gameleira, Belo Horizonte, MG romeir95(dbrcfetmg.bitnet (031) Apresenta-se, neste artigo, um sistema inteligente de supervisão de redes de distrib.uição radial. Este sistema é composto basicamente por um banco de dados e por uma rede neuromal. O banco de dados é formado pelas respostas do alimentador operado em diversas configurações à injeção de um sinal impulsivo na saída da subestação. Este banco c?nte~á o univers~ de conhecimento do sistema inteligente. A rede neuronial é composta por neurômos difusos e é treinada para reconhecer as respostas-padrão do alimentador. Após treinada esta rede passa a ser parte do sistema de supervisão. Em uma fase posterior, o sistema de supervisão monitora o alimentador em tempo real apresentando as respostas obtidas à rede de neurônios que classifica o tipo de resposta obtida em normal, operação de chaves ou falta. Um alimentador real da concessionária CEMIG, MG foi submetido a testes de campo para comprovar a eficiência desta técnica tendo estes apresentado resultados satisfatórios. 2. INTRODUÇÃO A maioria das redes de distribuição de energia elétrica do sistema brasileiro não possui chaves telecomandadas e por esta razão a monitoração do sistema depende exclusivamente de informações obtidas das equipes de manutenção. Devido à falta de informações precisas a respeito da configuração real do alimentador, este muitas vezes é operado de forma precária. A alteração da configuração de um alimentador pode se dar pela operação -de alguma chave de manobra feita pela equipe de manutenção ou, através da operação de alguma chave fusível decorrente da existência de um curto circuito no alimentador ou mesmo devido a existência. de uma falta de alta impedância. Este último motivo é hoje um grande problema ainda não resolvido no sistema de distribuição de energia elétrica mundial. A falta de alta impedância é um tipo de evento, de difícil detecção, que frequentemente ocorre em redes de distribuição. Faltas desta natureza não são detectadas pelas técnicas usuais de proteção e permanecem no sistema até que a população informe à concessionária cortes de energia ou mesmo a existência de um cabo rompido. O sistema de supervisão proposto monitora a resposta do alimentador para a injeção de um pulso de tensão. Esta resposta é medida durante uma janela de algumas dezenas de microsegundos. Uma rede neuronial constituída de neurônios difusos [3], analisa os sinais-resposta verificando a existência de chaves abertas ou de faltas no alimentador a partir de respostas conhecidas. A aplicação desta técnica em um alimentador misto (urbano-rural) mostrou que o método se constitui numa valiosa ferramenta para classificação ' da condição operacional do alimentador. 3. METODOLOGIA A técnica se baseia na injeção de um pulso de tensão no início do alimentador e na análise da resposta obtida. O sinal injetado viaja ao longo do alimentador sofrendo reflexões nos pontos de descontinuidade. A forma de onda do sinal-resposta que retoma' ao ponto de medição é assim alterada. Uma vez obtida a resposta para uma dada configuração, qualquer modificação nesta altera a forma de onda do sinal refletido. Todo alimentador possui diversas configurações de operação diferentes e todas devem ser consideradas. O sistema inteligente, como proposto, é capaz de distinguir as configurações de operações possíveis de uma falta. A ocorrência de faltas levam o alimentador a

2 44 operar em configurações desconhecidas e portanto é detectada pelo sistema supervisor. Para se monitorar todas as operações de chaves deve-se primeiramente conhecêlas. As localizações das chaves de manobra ao longo do alimentador, as possibilidades de transferência de cargas entre alimentadores e as manobras utilizadas pelas equipes de manutenção são, inicialmente, relacionadas e estudadas. Esta fase é de fundamental importância para o êxito da técnica, pois, toda decisão do sistema inteligente de supervisão é realizada a partir das informações obtidas nessa fase. Informações incompletas ou erradas, evidentemente, comprometerão a confiabilidade e repetibilidade do sistema inteligente. Em uma primeira etapa são feitas medições repetitivas das respostas do alimentador. A repetição das medidas é necessária para reduzir o efeito do ruído para cada uma das suas possíveis configurações. As várias medidas para uma mesma configuração são comparadas entre si e as dispersões entre elas são calculadas. Grupos de medidas. que apresentem grandes dispersões deverão ser repetidos. Os sinais medidos são filtrados digitalmente para eliminar parte do ruído de medição e de quantização. Os sinais filtrados são normalizados tendo como base um sinal de referência escolhido. A normalização é feita dividindo-se o sinal filtrado pelo sinal de referência. O sinal de referência utilizado foi a resposta do alimentador operando na configuração na qual este permanece a maior parte do tempo. O sinal assim normalizado apresenta valor igual a 1 enquanto as duas ondas forem coincidentes. Se o sinal normalizado for diferente do sinal referência, este apresentará a partir de um determinado tempo t valores diferentes de 1. Este tempo t é o tempo gasto pelo sinal injetado para percorrer o alimentador até a alteração ocorrida no alimentador e retomar ao ponto de medição. Como o sinal injetado viaja praticamente à velocidade da luz, calcula-se Jacilmente a distância através da equação 1: ~.~ 2' SIMPÓSIO BRASILEIRO DE t é o tempo que o sinal normalizado começa a apresentar valores diferentes de um. Para tomar o processamento mais ágil, optou-se por usar como dados de entrada para os neurônios o espectro de frequências do sinal-resposta ao invés de se utilizar a onda no tempo. Desta forma, os neurônios são treinados com as componentes reais e imaginárias dos espectros de frequências dos sinais normalizados, calculados através da transformada rápida de Fourier. inaceitável admissível pequeno admissivel o a b c Figura 1 - Conjuntos difusos escolhidos para representar a dispersão Ao se realizar medidas repetitivas para uma mesma configuração, observa-se que as respostas possuem uma pequena dispersão nas amplitudes e fases das frequências. Observou-se porém, que a maioria das diferenças entre as amplitudes são pequenas, algumas possuem valores intermediários e outras dispersões muito altas. Devido à natureza heurística do processo de classificação destas diferenças, optou-se por expressar as dispersões entre as medidas por meio de conjuntos difusos. Três conjuntos foram definidos para a dispersão pequena, admissível e inaceitável, conforme mostrado na figura 1. Esta dispersão é calculada para os dados de entrada do neurônio difuso. 4. NEURÔNIOS DIFUSOS O neurônio difuso aqui utilizado foi proposto por Takeshi [3]. A estrutura do neurônio é apresentada na figura 2. r; d= ct 2 (1) onde: d é a distância em metros de condutores c é a velocidade da luz 300m/J.1S Figura. 2 - Neurônio Difuso

3 2 1 SIMPÓSIO BRASILEIRO DE Inicialmente os dados de entrada passam pelo processo de difusão sendo assim representados por seus respectivos graus de pertinência aos conjuntos difusos mostrados na figura 1. Em seguida, as saídas do bloco difuso são multiplicadas por pesos que serão ajustados durante a fase de treino do neurônio. O ajuste dos pesos é realizado pela equação 2: onde: (2) wij - matriz de pesos, Jlij - matriz que contém os graus de pertinência do elemento i ao conjunto difuso j, a. - ajuste do tamanho do passo de busca do valor adequado para os pesos, ye - saída esperada classificando (=1) ou não (=0) o sinal-resposta apresentado como similar à configuração para o qual o neurônio está sendo treinado para reconhecer, e y - é a saída apresentada pelo neurônio. O vetor resultante, da multiplicação dos elementos da matriz de pertinência com os elementos correspondentes da matriz de pesos, é apresentado à primeira sinapse, f1, do neurônio, equação 3. n L )JiJ( Xj)wij fi(xi) =..:...j=-~-- L)Jij(Xi) j=1 (3) As contribuições de cada componente são somadas, equação 4. y = fl(xl) + f2(x2)+... fn(xn) n Y = Lfi(xi) i=1 (04) Finalmente o sinal de saída de cada neurônio será a saída da segunda sinapse I G, dada pela equação 5. Se 0.5<y<1.2 saída = ativada (05) 5. IDENTIFICAÇÃO DA CONFIGURAÇÃO ATUAL DO ALIMENTADOR UTILIZANDO NEURÔNIOS DIFUSO No sistema supervisório proposto, o número de neurônios treinados é igual ao número de configurações de operação possíveis do alimentador. O processo de comparação se desenvolve da seguinte forma: o alimentador é monitorado em intervalos regulares de tempo. Após a injeção do pulso de tensão, o sinal medido pelo sistema supervisor é pré-processado conforme já descrito e em seguida apresentado ao conjunto de neurônios já treinados. As componentes de frequência do sinal-resposta a ser analisado são apresentadas ao bloco difusor de cada neurônio. Neste bloco as dispersões das componentes de frequência apresentadas em relação às componentes do sinal de referência de cada neurônio (configuração de referência utilizada no treino de cada neurônio) são calculadas. Em seguida são calculados os graus de pertinência (Jl) de cada componente a um dado conjunto difuso. A dispersão de um componente pode pertencer a um ou dois conjuntos difusos, onde nos conjuntos difusos aqui definidos a somatória das suas pertinências é sempre igual a 1 ~Jlij=1), vide figura 2. Para cada componente de frequência apresentado temse os três graus de pertinência correspondentes (sendo pelo menos um igual a zero), obtendo-se assim uma matriz de pertinência na saída do bloco difusor. A matriz de pertinência, Jlij, é multiplicada pela matriz de pesos wij. Estes pesos são ajustados durante a fase de treinamento do neurônio para que este passe a reconhecer adequadamente as respostas. Vários espectros são a eles apresentados e as suas saídas são monitoradas para que estas apresentem condição ativada (=1) quando o sinal sob investigação representar a configuração para a qual cada um deles foi treinado e desativado (=0) em caso contrário. Os neurônios que apresentarem saída ativada, 0.5<y<1.2, serão comparados entre si. Aquele que apresentar um maior grau de ativação será considerado como a resposta da rede de neurônios. Para cada monitoração realizada cinco ou mais medidas são feitas. O sistema inteligente s6 considerará a classificação como uma configuração de operação se o mesmo neurônio apresentar a maior saída ativada para todas as cinco amostras apresentadas. Se as amostras forem classificadas por mais de um neurônio o sistema indicará a existência de uma falta. A mesma indicação será dada caso nenhum neurônio seja ativado. A queima de fusíveis, por exemplo, será considerada como uma falta de alta impedância série, uma vez que com esta se interrompe o fornecimento de 4S

4 46 - _ energia aos consumidores. Uma vez diagnosticado a existência de uma falta, a distância do ponto onde esta se localiza fisicamente é calculada pela alteração na configuração e juntamente com reclamações dos consumidores pode-se localizar a chave fusível ou mesmo a falta de alta impedância. 6. TESTES EM ALIMENTADOR REAL Para testar a metodologia proposta, foi utilizado um alimentador da concessionária CEMIG na cidade de Caratinga, MG. Este é composto por partes tipicamente urbanas (trifásicas) e outras tipicamente rurais (monofásicas). A parte utilizada nos testes possui 120,9km de condutores, estando o ponto mais distante da subestação (SE) a 19km (de condutores). Um pulso de 1 J.1S de tempo de frente e 250J.1S de tempo de meia cauda foi aplicado à linha a partir da SE. Foram simuladas, no alimentador sob teste, manobras de chaves e faltas de baixa e alta impedâncias. No conjunto de dados obtidos o desvio de amplitude apresentado foi pequeno indicando um alto grau de coerência entre medidas de um mesmo evento. Os sinais-resposta foram medidos durante janelas de observação de 200J.1S a uma taxa de amostragem de 40ns correspondendo a 5000 pontos de amostragem. Como para o cálculo da transformada rápida de Fourier é necessário um número de amostras do tipo 2 n, [4] e para se evitar a perda de alguma informação importante que ocorra no início ou no final do sinal medido, optou-se em tomar duas janelas de 4096 pontos cada deslocadas entre si. Para cada espectro calculado tomou-se apenas as 20 primeiras frequências, totalizando 80 elementos a serem. apresentados ao neurônio (parte real e imaginária de 20 frequências para dois espectros). Através do cálculo da transformada inversa de Fourier observou-se que, para o sinal injetado, apenas as 20 primeiras frequências são suficientes para representar o sinal medido sem perda de informação relevante. Os conjuntos difusos foram definidos conforme a figura 1 onde os pontos a, b e c correspondem respectivamente 2.5, 5 e 7.5% de dispersão. Estes limites foram obtidos a partir da análise das dispersões entre medidas repetitivas de uma mesma configuração para todos os testes realizados, caracterizando-se assim níveis de ruído normais no sistema. 2 1 SIMPÓSIO BRASILEIRO DE 7. RESULTADOS OBTIDOS ~ Foram feitas medições repetitivas para onze configurações diferentes de operação do alimentador. Onze neurônios foram portanto treinados para identificá-ias. A figura 3 apresenta a resposta medida de uma configuração possível de operação e a resposta normalizada e filtrada. Comparandose as figuras 3a e 3b, observa-se que a normalização evidencia as diferenças entre os sinais. O instante de tempo no qual a onda normalizada se distancia do valor um é o tempo utilizado no calculo da distância do elemento causador da alteração da resposta do alimentador. 100 (a) 1.5 ~ i ~ O ~ ~ ~i ~: ~: ~ o ~t9~--- ~) 0.5 : : o Figura 3 - a) Resposta no tempo de uma. configuração conhecida; b) A mesma resposta normalizada e filtrada. A figura 4 mostra que quando medidas repetitivas da uma configuração de referência são apresentados ao neurônio, em média, considerando os resultados de todos os neurônios treinados, 90% dos elementos são classificados no conjunto de dispersão 'Pequena"com grau de pertinência 1 e apenas 3% são classificados no conjunto 1naceitável" com grau de pertinência 1. O restante é classificado como pertencente simultaneamente aos conjuntos 'Pequena" e 'admissível" ou 'admissível" e 1naceitável" com graus de pertinência <1. Ao apresentar configurações diferentes daquela de referência do neurônio, em média, apenas 27% dos elementos são classificados no conjunto 'Pequena" com grau de pertinência igual a 1 e 50% são classificados como 1naceitável" com grau de pertinência 1 indicando falta de coerência entre as configurações comparadas, figura 5. '.,

5 .~ ~ 21 SIMPÓSIO BRASILEIRO DE 47 80% 80% 80% CPequena 70'" 60% COutros 50%.Inaceitável 40% 30% 20% 10% 7% 0% 3% Figura 4 - Classificação média do bloco difusor para cada neurônio quando os sinais apresentados representam configurações iguais aquela utilizada no seu treino. CPequena COutros.Inaceitável 50% demonstraram a sua eficiência não apresentando erros de identificação com a exceção das faltas ocorridas exatamente no mesmo ponto de chaves de manobras que levam o alimentador a operar em uma configuração muito semelhante a uma configuração conhecida pelo sistema inteligente de supervisão. É importante ressaltar que para o sucesso da metodologia foi necessário se fazer um levantamento completo das possíveis configurações de operação do alimentador. Caso alguma configuração não tenha sido considerada o sistema indicará tal evento como uma falta de alta impedancia. Este sistema pode ser facilmente coordenado com a proteção convencional existente nas redes de distribuição. Testes complementares com linhas energizadas serão realizadas para obtenção do nível de ruído na faixa de frequências de trabalho. 9. AGRADECIMENTOS.-; Figura 5 - Classificação média do bloco difusor para cada neurônio quando os sinais apresentados representam configurações diferentes daquelas utilizadas no seu treino. 8. CONCLUSÕES Objetivou-se neste trabalho apresentar uma técnica de monitoração da configuração de alimentadores de distribuição radial. Uma rede de neurônios difusos, capaz de armazenar informações a respeito das possíveis configurações de operação normais em um alimentador de distribuição, indica eventos anormais. O treino dos neurônios foi feito separadamente, sendo cada neurônio responsável por uma configuração de operação do alimentador. A metodologia apresentou resultados satisfatórios, com um índice de acerto de 100% para a identificação das configurações apresentadas aos neurônios para treino, 100% para as faltas de alta impedância localizadas em pontos diversos do alimentador e 81 % para faltas localizadas nos pontos das chaves operadas nas diversas configurações possíveis. Ou seja, os testes desta rede de neurônios Agradecemos o apoio técnico e financeiro da concessionária CEMIG na realização deste trabalho, em especial ao Eng. Paulo Sérgio de Azambuja Rocha, e aos professores Wallace do Couto Boaventura e GlásSio Costa de Miranda, da UFMG, que realizaram as medições no alimentador. 10.REFERÊNCIAS [1]P.R.Silva (1989), "Técnica Altemaliva de detecção de Faltas de Alta Impedância~ dissertação de mestrado, UFMG [2]P.R. Silva, A. Santos Jr., W.C. Boaventura, G.C. Miranda, and J.A. Scott, 'mpulsive Response Analysis of a Real Feeder for High Impedance Fault Detection", IEEE Transmission and Distribution Conference, Chicago, April 1994 [3] Yamakawa, T.; UChino, E.; Miki, T.; Kusanagi, H.; "A Neo Fuzzy Neuron and its Applications to System Identification and Prediction of the System Behavior", Proceedings of the 2nd Intemational Conference on Fuzzy Logic & Neural Networks, pp , Japan, July 1992 [4] -Digital Signal Processing~ A system Design Approach, D.J. DeFatta, J.G.Lucas, W.S.Hodgkiss