Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação.
Autor(a) principal: | |
---|---|
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/ |
Resumo: | 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. |
id |
USP_ef35e55b5004c51779b11658c90befa3 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-08082023-101741 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação.Untitled in english.Electrical protection systemsLinhas de transmissão de energia elétricaNeural networksProteção de sistemas elétricosRedes neuraisSistemas elétricos de potênciaTransmission linesEste 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.This work describes a fault location in power transmission lines that have taps. The system uses artificial intelligence models, more specifically artificial neural networks. Voltage and current signals from two terminals, one local ando ne remote, are provided as input to the neural network model. In addtion to fault location, the work also adresses fault detection and fault type classification. This means that the system not only identifies the presence of a short circuito n the transmission line, but i salso able to determine the specific type of fault. To implemente the technique, a simulation of the transmission line was performed in the ATP (Alternative Transients Program) software and an algorithm was developed in MATLAB to automate the simulation process. This algorithm generated data corresponding to cases with missing (missing data) and cases without missing (non-missing data) in the system. Furthermore, another algorithm was developed in MATLAB with the objective of creating a database and storing the data obtained from the simulations. This database stores information such as fault characteristics, system parameters, measurement results, among other relevant data for the analysis and development of the fault location technique. The generated data were used to feed the models of artificial neural networks. These models have 24 inputs, which represent the phasor values of voltages and currents in the transmission line. These inputs are processed by model neurons, which perform calculations and make decisions based on patterns in the data. As for the output of the models, the location model and the detection model have only one neuron in the layer. This neuron is responsible for providing a binary response indicating the presence or absence of a fault and the location of the fault occurrence on the transmission line. The classification model has 4 neurons in the output layer. Each neuron representes a specific type of fault, such as phase-to-ground short circuit, phase-t-phase short circuit, among others. Each neuron will produce an output corresponding to the probability that the fault belongs to that category. What specifically caracterizes this technique is the fact that, in the fault location process, only data corresponding to the specific section being analyzed are used, taking into account its references and individual characteristics. This means that the technique focuses on data relevant to the passage in question, avoiding the inclusion of unnecessary information from other passages or references. This allows for a more accurate and fosused analysis on the location of the fault within the specific stretch of the transmission line.Biblioteca Digitais de Teses e Dissertações da USPSanto, Silvio Giuseppe DiKalueyo, Celestino Paulo Tchipongue2023-03-23info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3143/tde-08082023-101741/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2023-08-10T14:13:53Zoai:teses.usp.br:tde-08082023-101741Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212023-08-10T14:13:53Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. Untitled in english. |
title |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. |
spellingShingle |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. Kalueyo, Celestino Paulo Tchipongue Electrical protection systems Linhas de transmissão de energia elétrica Neural networks Proteção de sistemas elétricos Redes neurais Sistemas elétricos de potência Transmission lines |
title_short |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. |
title_full |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. |
title_fullStr |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. |
title_full_unstemmed |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. |
title_sort |
Redes neurais artificiais para localização de faltas em linhas de transmissão com derivação. |
author |
Kalueyo, Celestino Paulo Tchipongue |
author_facet |
Kalueyo, Celestino Paulo Tchipongue |
author_role |
author |
dc.contributor.none.fl_str_mv |
Santo, Silvio Giuseppe Di |
dc.contributor.author.fl_str_mv |
Kalueyo, Celestino Paulo Tchipongue |
dc.subject.por.fl_str_mv |
Electrical protection systems Linhas de transmissão de energia elétrica Neural networks Proteção de sistemas elétricos Redes neurais Sistemas elétricos de potência Transmission lines |
topic |
Electrical protection systems Linhas de transmissão de energia elétrica Neural networks Proteção de sistemas elétricos Redes neurais Sistemas elétricos de potência Transmission lines |
description |
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. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-03-23 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/3/3143/tde-08082023-101741/ |
url |
https://www.teses.usp.br/teses/disponiveis/3/3143/tde-08082023-101741/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1809090520877629440 |