Na última década, diferentes técnicas para detecção das faltas de alta impedância em SDEE foram estudadas e discutidas. O objetivo deste item é apresentar os métodos utilizados em pesquisas relevantes relacionadas ao tema em questão.
Zamora et al. (2007) utilizou em sua pesquisa uma metodologia baseada na injeção de um sinal de tensão de neutro sobreposto no SDEE, com valores de frequência entre 100 Hz e 300 Hz. Em função da variação da tensão sobreposta aplicada e da corrente residual circulante no neutro, é calculada a resistência de falta para cada fase do sistema, conforme indicado na equação 1, dada em função da configuração do sistema indicado na figura 9.
𝑅
𝑓𝑝𝑖=
𝑉𝑝𝐺 (𝐼𝑟𝑒𝑠−𝐼𝑟𝑒𝑠𝑖(𝑎) )−( 𝐼 𝑟𝑒𝑠𝑖 (𝑏) −𝐼 𝑟𝑒𝑠𝑖 (𝑎) 𝑉𝑁𝐺(𝑏)−𝑉𝑁𝐺(𝑎)).(𝑉𝑁𝐺−𝑉𝑁𝐺 (𝑎) )(1)
Onde: Rfpi – Resistência de falta da fase “p”, alimentador “i”;
Vpg – Tensão na fase “p”;
Ires – Corrente residual no alimentador “i”;
VNG – Tensão de neutro;
(a) – Índice para valores pré-falta;
(b) – Índice para valores de sobreposição de sinal.
O cálculo da resistência de falta é realizado em dois momentos distintos na ausência de uma FAI, sendo eles o instante pré-falta e de sobreposição de sinal, com o objetivo de se obter um valor de referência para a resistência de falta.
Segundo os autores do referido trabalho, para a operação do sistema sem a ocorrência de defeito, a resistência calculada deve apresentar um valor elevado, enquanto para uma situação de falta, este valor apresenta-se reduzido, e pode ser utilizado com um indicativo seguro para a detecção de FAI em um sistema de distribuição de energia elétrica.
Figura 9 – Configuração do sistema para FAI.
Fonte: Zamora et al. (2007).
Toda a pesquisa desenvolvida por Zamora et al. (2007) foi testada computacionalmente, e conforme indicado pelos autores, foi obtido êxito na detecção das faltas de alta impedância em 100% dos casos.
Barros (2009) baseou-se na utilização da lógica fuzzy na proposição de um método para detecção de FAI. Este utiliza a extração da amplitude da corrente elétrica de maneira discreta, conforme indicado na figura 10.
Conforme indicado na figura 10, a amplitude máxima da forma de onda da corrente elétrica é indicada por Xmáx, dado através da equação 2.
𝑋
𝑚á𝑥= |
𝑥𝑘𝑠𝑒𝑛[𝑡𝑔−1(𝜃)]
|
(2)Onde θ é dado através da equação 3.
𝜃 = |
𝑥𝑘𝑠𝑒𝑛(𝑤∆𝑡)Figura 10 – Forma de onda discretizada.
Fonte: Barros (2009).
Para cada ciclo o valor máximo Xmáxi, é calculada determinada quantidade de
vezes, com i = 0, 1, 2..., L, resultando em um valor de amplitude médio dado pela equação 4.
𝑋
𝑚é𝑑=
∑𝐿𝑖=1𝑋𝑚á𝑥𝑖√2×𝐿 (4)
Em seguida atribui-se um índice comparativo entre um valor referencial de amplitude, denominado Xreferencial e o valor médio obtido através da equação 5.
𝛤 = |𝑋
𝑟𝑒𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎𝑙− 𝑋
𝑚é𝑑|
(5)Após isto, é determinado o índice de anormalidade da forma de onda em função das três fases do sistema estudado (a, b e c), dado através da equação 6.
𝜌 =
𝛤𝑎+𝛤𝑏+𝛤𝑐Por fim, é proposto o seguinte critério para detecção das faltas: 1. Se ρ ≥ ΔImáx, então d = 1 (existência de anomalia no sistema);
2. Se ρ < ΔImáx, então d = 0 (não é constatada anomalia no sistema).
Onde “d” é um dos índices utilizados na inferência fuzzy responsável pela detecção das FAI em um SDEE.
Segundo a autora do trabalho, foram simuladas 220 situações de FAI em um SDEE modelado computacionalmente, havendo êxito em 100% dos casos.
Fanucchi (2014) propôs um método de detecção através da utilização de transformadas Wavelet em conjunto com uma RNA (rede neural artificial). Em um primeiro módulo é detectada a descontinuidade do sinal de corrente que pode estar relacionado à uma FAI ou à um efeito transitório característico do sistema, como por exemplo, em uma situação de manobra de carga. Os sinais característicos, originados no caso da ocorrência ou não de um evento, são decompostos utilizando a transformada Wavelet Daubechies 14, até a obtenção da energia do detalhe de terceira ordem.
Conforme apresentado pelo autor através das figuras 11 e 12, é possível verificar que para os sinais decorrentes de uma FAI, existe uma variação considerável da componente extraída quando comparado à uma situação de operação normal do sistema.
Figura 11 – Energia do detalhe de terceira ordem do sinal sem evento.
Figura 12 – Energia do detalhe de terceira ordem do sinal sem evento.
Fonte: Fanucchi (2014).
Sendo constatada a descontinuidade do sinal, um segundo módulo de detecção de FAI é utilizado, calculando-se a DHT (distorção harmônica total) percentual das componentes de ordem par e ímpar do sinal de corrente conforme as equações 7 e 8.
𝐷𝐻𝑇
𝑝𝑎𝑟(%) = √
∑𝑚𝑛=1(𝐼(2𝑛))²𝐼1² (7)
𝐷𝐻𝑇
í𝑚𝑝𝑎𝑟(%) = √
∑𝑚𝑛=1(𝐼(2𝑛+1))²𝐼1² (8)
Após o cálculo dos parâmetros citados, os resultados são inseridos na entrada de uma RNA do tipo PMC (Perceptron multi-camadas), cuja responsabilidade é a determinação da ocorrência ou não de uma FAI.
Segundo o autor da pesquisa, o módulo responsável por avaliar a descontinuidade do sinal de corrente teve 100% de acerto em 247 casos simulados, sendo 7 destes sem a presença de FAI e 240 com a presença do defeito em questão no sistema. Para o módulo de detecção das FAI, foram considerados apenas os 240
casos em que a falta de alta impedância se fez presente no sistema, sendo que do total, 168 eventos foram utilizados para o treinamento da RNA e 72 para os testes realizados. Neste caso, segundo o autor, foi obtido acerto médio de 98,66% para os 72 casos testados.
Em 2016, Soheili et al. desenvolveram um método para detecção de FAI utilizando transformada de Fourier combinada, utilizando o software Matlab. De acordo com os autores da pesquisa, esta transformada fornece um espectro mais detalhado de um sinal a ser lido, porém, exige uma carga computacional elevada.
O algoritmo desenvolvido utiliza a leitura das amplitudes dos harmônicos da corrente elétrica gerados nas situações de desequilíbrios na rede de distribuição de energia elétrica. Segundo os autores, em uma situação de manobra realizada no sistema, o espectro do harmônico de segunda ordem tem amplitude mais elevada comprando-se ao harmônico de terceira ordem.
A figura 13 apresenta os harmônicos gerados na situação de chaveamento de um banco de capacitores para ilustrar a situação comentada no parágrafo anterior.
Figura 13 – Amplitude dos harmônicos para chaveamento de banco de capacitores.
Fonte: Soheili et al. (2017).
Na ocorrência de uma FAI, ao contrário da situação de manobra corriqueira do sistema, o harmônico de terceira apresenta amplitude maior que o de segunda ordem, conforme ilustra a figura 14.
Figura 14 – Amplitude dos harmônicos para chaveamento de banco de capacitores.
Fonte: Soheili et al. (2017).
Considerando o exposto, para a detecção da ocorrência de uma FAI foi desenvolvido um módulo responsável por inicialmente determinar a transformada de Fourier do sinal de corrente recebido. Após isto, dois submódulos, estes ativados através de um limiar predefinido, são responsáveis pela interpretação do tipo de sinal e determinam se existe ou não a presença da FAI no sistema.
Para a verificação do método desenvolvido foi utilizado um sistema teste de 13 barras disponibilizado pelo IEEE simulado computacionalmente, e conforme os autores da referida pesquisa, foi obtido êxito de 100% na interpretação dos sinais gerados no sistema de distribuição simulado.
Na pesquisa desenvolvida por Moloi, Jordaan e Hamam (2017), a metodologia para detecção das FAI baseia-se na utilização de transformada Wavelet Daubechies 14 em conjunto com Máquinas de Vetores de Suporte (SVM’s, do inglês Support
Vector Machines). As SVM’s utilizam aprendizado estatístico para a classificação de
dados, sendo que estes não necessitam de sua inserção em grande quantidade para o treinamento da SVM.
Os dados analisados neste trabalho correspondem aos sinais de corrente gerados em 4 situações distintas em uma rede de distribuição de energia elétrica simulada computacionalmente, sendo elas:
a) Nenhuma ocorrência de falta ou manobra de cargas; b) Faltas de alta impedância;
c) Chaveamentos de cargas; d) Chaveamentos de capacitores.
Cada sinal é decomposto pela transformada Wavelet, e sua aquisição é realizada através de 4 SVM’s, sendo cada uma delas específica pela avaliação de cada um dos quatro tipos de ocorrências possíveis supracitadas anteriormente nos itens a, b, c e d, conforme indicado na figura 15.
Segundo os autores da referida pesquisa, foram simulados 20 casos para cada situação, totalizando 80 casos no total. O resultado obtido foi de 99% de acerto na detecção de cada tipo de ocorrência simulada.
Figura 15 – Fluxograma da técnica de detecção proposta.
3 DESENVOLVIMENTO