Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação.

• Autor(a) principal: Kalueyo, Celestino Paulo Tchipongue
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-08082023-101741/
• topic: Electrical protection systems; Linhas de transmissão de energia elétrica; Neural networks; Proteção de sistemas elétricos; Redes neurais; Sistemas elétricos de potência; Transmission lines

Este trabalho descreve um sistema de localização de faltas em linhas de transmissão de energia elétrica que possuem derivações. O sistema utiliza modelos de inteligência artificial, mais especificamente redes neurais artificiais. Os sinais de tensão e corrente provenientes de dois terminais, um local e outro remoto, são fornecidos como entrada para o modelo de rede neural. Além da localização de faltas, o trabalho também aborda a detecção de faltas e a classificação do tipo de falta. Isso significa que o sistema não apenas identifica a presença de um curto-circuito na linha de transmissão, mas também é capaz de determinar o tipo específico de falta. Para implementar a técnica, foi realizada uma simulação da linha de transmissão no software ATP (Alternativa Transients Program) e desenvolvido um algoritmo no MATLAB para automatizar o processo de simulação. Esse algoritmo gerou dados correspondent6es a casos com presença de falta (dados faltosos) e casos sem falta (dados não faltosos) no sistema. Além disso, outro algoritmo foi desenvolvido no MATLAB com o objetivo de criar um banco de dados e armazenar os dados obtidos a partir das simulações. Esse banco de dados armazena informações como as características das faltas, parâmetros do sistema, resultados das medições, entre outros dados relevantes para a análise e o desenvolvimento da técnica de localização de faltas. Os dados gerados foram utilizados para alimentar os modelos de redes neurais artificiais. Esses modelos possuem 24 entradas, que representam os valores fatoriais das tensões e correntes da linha de transmissão. Essas entradas são processadas pelos neurônios do modelo, que realizam cálculos e tomam decisões com base nos padrões dos dados. Quanto à saída dos modelos, o modelo de localização e o modelo de detecção possuem apenas um neurônio na camada de saída. Esse neurônio é responsável por fornecer uma resposta binária indicando a presença ou ausência de falta e como o local da ocorrência da falta na linha de transmissão. Já o modelo de classificação possui 4 neurônios na camada de saída. Cada neurônio representa um tipo específico de falta, como curto-circuito fase-terra, curto-curcuito fase-fase, entre outros. Cada neurônio irá produzir uma saída correspondente à probabilidade de a falta pertencer aquela categoria. O que caracteriza especificamente essa técnica é o fato de que, no processo de localização de faltas, são utilizados apenas dados correspondentes ao trecho específico que está sendo analisado, levando em consideração seus referenciais e características individuais. Isso significa que a técnica se concentra nos dados relevantes ao trecho em questão, evitando a inclusão de informações desnecessárias de outros trechos ou referências. Isso permite uma análise mais precisa e focada na localização da falta dentro do trecho específico da linha de transmissão.