Diagnóstico de alarmes em sistemas de transmissão de energia elétrica usando um algoritmo genético adaptativo

• Autor(a) principal: Figueroa Escoto, Esaú [UNESP]
• Data de Publicação: 2016
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/143076
• topic: Algoritmo genético adaptativo; Diagnóstico de faltas; Proteção de sistemas elétricos; Adaptive genetic algorithm; Fault section estimation; Power system protection

O problema de estimação de faltas ou diagnóstico de alarmes em sistemas de energia elétrica é identificar faltas em seções ou falhas em dispositivos através dos alarmes dos relés de proteção, disjuntores e outras informações recebidas pelo Supervisory Control and Data Acquisition System (SCADA). Este trabalho apresenta uma metodologia para resolver o problema de diagnóstico de alarmes em sistemas de energia, através de um modelo de otimização de programação binária irrestrita. Este modelo é desenvolvido com base no conjunto de coberturas mínimas que abrange a lógica e a filosofia dos projetos de proteção empregados por empresas de energia elétrica. A ideia principal é associar os alarmes dos relés de proteção relatados pelo sistema SCADA e com os estados esperados das funções de relé de proteção. Os estados esperados são modelados usando a filosofia de proteção utilizada por especialistas em empresas de energia elétrica. Um Algoritmo Genético Adaptativo (AGA) é desenvolvido para resolver o modelo de otimização de programação binária irrestrita. O AGA proposto tem a característica de usar somente dois parâmetros de controle, ou seja, o número de indivíduos na população e o número máximo de gerações. O algoritmo tem taxas de recombinação e mutação calibradas de forma dinâmica com base na saturação da população atual, tendo uma resposta imediata a possível convergência prematura para ótimos locais. A metodologia proposta para resolver o problema da localização de faltas foi implementada na linguagem de programação C ++ e os testes foram feitos em um computador com processador Intel Core i7 com 2,2 GHz e 12 GB de memória RAM. O desempenho do algoritmo foi testado usando dados de um sistema elétrico real da região sul brasileira. A fim de mostrar o desempenho do AGA, os resultados do algoritmo foram comparados com um algoritmo genético clássico e um algoritmo imune. Os resultados mostraram que o AGA é superior aos algoritmos genético clássico e imune apresentando robustez e eficiência computacional. Além disso, a metodologia provou ser rápida e robusta e tem grande potencial para a localização de faltas em tempo real.