UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO ... - PPGEE

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA AVALIAÇÃO DOS EFEITOS DE MÚLTIPLAS CARGAS NÃO LINEARES SOBRE. DISTORÇÃO HARMÔNICA DE TENSÃO NA REDE DE DISTRIBUIÇÃO ELÉTRICA USANDO MEDIÇÃO DE CORRENTE VERDADEIRA RMS.

Resumo

Abstract

CONSIDERAÇÕES INICIAIS E OBJETIVOS

As redes elétricas geralmente geram distorções harmônicas no sistema de energia elétrica devido às suas características e ponto de operação. A ANEEL desenvolveu o módulo 8 dos Procedimentos de Distribuição de Energia Elétrica (PRODIST - Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional) especificamente para caracterizar a qualidade da energia e limitar os principais indicadores nos sistemas de distribuição, como a taxa de distorção harmônica individual e de tensão total.

ESTADO DA ARTE E PRINCIPAIS CONTRIBUIÇÕES

CORRELAÇÃO ENTRE GRANDEZAS ELÉTRICAS E A DISTORÇÃO HARMÔNICA TOTAL DE TENSÃO
MÉTODOS PARA IDENTIFICAÇÃO DE IMPACTOS HARMÔNICOS DE MÚLTIPLOS CONSUMIDORES EM UM PONTO DE ACOPLAMENTO COMUM

Li et al em [27] avaliaram o impacto harmônico em um ponto usando regressão de mínimos quadrados parciais (PLS). O uso da Corrente True RMS na identificação e quantificação do impacto de múltiplas cargas não lineares nos níveis de distorção harmônica total de tensão em um ponto de conexão comum não tem precedentes;

ESTRUTURA DO TRABALHO

QUALIDADE DE ENERGIA

DISTORÇÕES HARMÔNICAS
AQUISIÇÃO DE DADOS VIA CAMPANHAS DE MEDIÇÃO
TÉCNICAS DE TRATAMENTO DE DADOS
ADVANCED METERING INFRASTRUCTURE (AMI)

As distorções harmônicas podem, portanto, ser definidas como fenômenos relacionados a essas distorções nas formas de onda de tensão e corrente em relação à onda senoidal da frequência fundamental, conforme ilustrado na Figura 1. Indicam para amenizar o problema de qualidade de energia, a otimização de projetos de equipamentos de carregamento, otimização de projetos de distribuição de energia elétrica, instalação de filtros de harmônicas de potência, utilização de compensadores dinâmicos de tensão e instalação de fontes de alimentação ininterruptas (UPSs).

INTELIGÊNCIA COMPUTACIONAL E APRENDIZADO DE MÁQUINA

MODELOS DESCRITIVOS
MODELOS PREDITIVOS
ÁRVORE DE DECISÃO E REGRESSÃO

Os modelos frequentemente mencionados na literatura são a árvore de decisão e os modelos baseados em regras. Russell e Norvig [79] apontam que os atributos de entrada de uma árvore de decisão são divididos em contínuos ou discretos, sendo o aprendizado para valores contínuos denominado regressão, e para classificação de valores discretos. Para Hosokawa [80], uma árvore de decisão é uma estrutura composta por regras de decisão simples, onde uma coleção de registros é sucessivamente dividida em conjuntos menores.

Para criar uma árvore de regressão é necessário selecionar um critério de seleção do atributo preditivo que será utilizado em cada nó. A poda é considerada uma das partes mais importantes do processo de construção da árvore de regressão devido à existência de ruído no banco de dados. O método de poda pode evitar problemas com ruídos ou erros nos ramos da árvore de regressão que levam ao overfitting [69].

CONSIDERAÇÕES FINAIS

Este capítulo apresenta a proposta metodológica desta tese, cujo objetivo é contribuir para a identificação do grau de contribuição de múltiplas cargas harmônicas para os níveis totais de distorção harmônica de tensão em um ponto de conexão comum utilizando apenas a corrente True RMS como entrada a ser utilizada. E o vetor Y é composto pelos valores totais de distorção harmônica de tensão medidos no ponto de acoplamento comum, DHTux na mesma série temporal determinada na matriz de entrada, o que garante a análise simultânea dos dados. Diante disso, esta metodologia tenta utilizar a função de impureza ponderada para medir o Fator de Impacto da Fonte Harmônica (HSIF) de cada fonte gerando harmônicos em um ponto de interesse, o que é um aspecto inovador introduzido neste trabalho, que ainda não foi encontrado em outros. referências na literatura técnica.

Quanto menor a taxa de amostragem, maior a possibilidade de aplicação de técnicas de pré-processamento de dados, o que corresponde à próxima etapa da metodologia. A corrente 54 RMS das cargas é obtida e tratada em conjunto com o DHTu no ponto de interesse onde você deseja medir o impacto dessas cargas na sua qualidade de energia. O próximo passo da metodologia corresponde à criação e separação do conjunto de dados que será utilizado no treinamento e posteriormente na validação do modelo de estimação configurado e construído.

PROCEDIMENTOS PARA APLICAÇÃO DA METODOLOGIA EM UMA ADVANCED METERING INFRASTRUCTURE

Em [7] são apresentadas algumas recomendações para a implementação de uma AMI, mas como uma das principais motivações deste trabalho é reduzir custos para que a metodologia seja acessível, esforços foram dedicados ao desenvolvimento de uma aplicação com a função de mediar relações entre medidores, banco de dados e usuários finais. Os dados obtidos durante a fase de aquisição de dados correspondem às medições fornecidas quase instantaneamente pelos SMs, com uma solicitação a cada 30 segundos. Como o objetivo desta aplicação é medir grandezas em estado estacionário e como os medidores trabalham preferencialmente com valores RMS reais, o intervalo entre as coletas de dados não deve ser inferior a um ciclo da senóide de entrada.

Desta forma, o período de solicitação pode ser da ordem de segundos, deixando margem para repetição do processo de recuperação de dados em caso de erros ou inconsistências. Tais erros devem ser detectados e corrigidos para que os dados em andamento no banco de dados sejam confiáveis para a fase de construção do modelo de estimativa. A última etapa a ser abordada é a Persistência, que é responsável por armazenar os dados processados no banco de dados.

CONSIDERAÇÕES FINAIS

58 Em resumo, os procedimentos apresentados neste tópico garantem a utilização da metodologia proposta em uma AMI. O capítulo 4 destina-se a apresentar os resultados obtidos com a aplicação da metodologia proposta, para legitimá-la foram escolhidas duas etapas de validação, cujos resultados foram publicados em [TP4]. O primeiro responsável pela certificação da eficiência do HSIF calculado pela metodologia proposta comparando-o com os resultados do artigo [11] em sistema controlado.

Em seguida, analise o desempenho da metodologia em um caso de teste com infraestrutura avançada de medição instalada na Universidade Federal do Pará. Na primeira, começamos por apresentar uma análise exploratória que avalia o desempenho de diferentes técnicas de árvore de regressão, com o objetivo de justificar a escolha da melhor técnica a aplicar no seguinte estudo de caso. O segundo estudo de caso tem como foco atestar o uso da Corrente True RMS como métrica de entrada para medir HSIF no PAC, mostrando a gama de possibilidades de análise possíveis quando a metodologia é aplicada utilizando os recursos disponíveis em um AMI.

TÉCNICAS UTILIZADAS DE ÁRVORE DE REGRESSÃO DE APRENDIZAGEM SUPERVISIONADA

Boosting é um método utilizado em aprendizado de máquina que visa melhorar algumas hipóteses, funções ou respostas consideradas “fracas”, combinando seus pontos fortes para gerar uma solução única e mais acabada. Dois modelos que utilizam esse conceito em problemas de regressão são AdaBoosting e Gradient Boosted Regression Trees [92,93]. O modelo AdaBoost [94], aplicado a problemas de previsão de regressão, força o algoritmo de aprendizagem a focar nos casos de maior peso, chamando uma rotina que gera hipóteses 'fracas' para fornecer um conjunto de exemplos de treinamento com uma dada distribuição de pesos.

Este procedimento garante que os casos difíceis no conjunto de treinamento sejam investigados adequadamente. As árvores de regressão com gradiente aumentado [95] combinam os resultados de muitas árvores de regressão "fracas" para formar uma espécie de painel de decisão "mais forte". Para ambos os procedimentos de validação propostos neste capítulo para confirmar a eficácia da metodologia desenvolvida, serão testadas as técnicas de árvore de regressão descritas acima, com exceção da técnica CART.

VALIDAÇÃO DO MÉTODO PROPOSTO PARA O CÁLCULO DO HARMONIC SOURCE IMPACT FACTOR (HSIF)

O SISTEMA IEEE 13 BARRAS
MANIPULAÇÃO DE DADOS E FORMAÇÃO DO DATASET
CONSTRUÇÃO E AVALIAÇÃO DOS MODELOS DE ÁRVORE DE REGRESSÃO

A metodologia foi implementada em Python utilizando a biblioteca Scikit-learning [110], com as técnicas de árvore de regressão Random Forest, AdaBoost e Gradient Boosted Regression Trees, conforme já mencionado. Na etapa de construção do modelo de árvore de regressão, foi utilizada a classe GridSearchCV (também disponível através da biblioteca Scikit Learn) para auxiliar no processo de criação de experimentos, oferecendo a possibilidade de automatizar diversas configurações de parâmetros das técnicas. O melhor desempenho entre as técnicas de árvore de regressão avaliadas foi a técnica GBRT, que alcançou um MAE igual a 0,00886 enquanto as demais, RF e Adaboost, o fizeram.

As Figuras 17, 18 e 19 comparam a produção real produzida pelo sistema elétrico industrial modelado pelo software ATP com a produção estimada pelos modelos de árvore de regressão avaliados neste estudo de caso. Ressalta-se que as técnicas de árvore de regressão apresentaram resultados próximos entre si e entre si. As técnicas de árvore de regressão tiveram mais dificuldade em se manter próximas dos valores de [11].

ESTUDO DE CASO EM UM ADVANCED METERING INFRASTRUCTURE

SISTEMA DE GESTÃO DA UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA - SISGEE
SELEÇÃO DOS SMART METERS E FORMAÇÃO DO DATASET
CONSTRUÇÃO DO MODELO DE ÁRVORE DE REGRESSÃO
ANÁLISE DO HARMONIC SOURCE IMPACT FACTOR (HSIF)

Departamento de Ciências Biológicas (ICB) 1 Turma Bloco 500 Departamento de Ciências Biológicas (ICB) 2 Turma Bloco 500 Departamento de Ciências Biológicas (ICB) 3 Turma Bloco 500. Biblioteca Central do Transformer 2 Administrativo 225 Departamento de Geociências Bloco 225 Centro de Convenções Benedito Nunes Administrativo 500 Pró-Reitoria de Administração (PROAD) Administrativo 500. Departamento de Ciências Sociais Aplicadas (ICSA) Bloco de turma 225 Departamento de Ciências Jurídicas (ICJ) Bloco de turma 300.

Também lista as três maiores fontes de contribuição harmônica nas Fases A, B e C, como o Departamento de Geociências, a Reitoria e o Departamento de Ciências Jurídicas, respectivamente as mais impactantes no período de análise. Ainda observando o alimentador 2, houve contribuição significativa do Departamento de Geociências com 21,25% do total do FI no PAC na fase A. Na análise funcional verifica-se maior participação de edifícios com funções administrativas nas fases B e C, ou seja, respectivamente Pró-Reitoria de Administração e Instituto de Ciências Forenses e com os blocos presenciais da fase A do Departamento de Geociências.

CONSIDERAÇÕES FINAIS

O não cumprimento dos limites mínimos estabelecidos pelas normas e regulamentos de qualidade de energia pode causar mau funcionamento na proteção da rede elétrica e nos dispositivos de frenagem das máquinas rotativas, resultando em queima da máquina ou atrasos na produção do cliente da concessionária de energia. É necessário então analisar a qualidade da energia da rede por meio de campanhas de medição de acordo com as características definidas na norma e de acordo com medidores classe A, os mais caros, para certificar se a violação é da rede da distribuidora ou se é de fora. -fiação linear da rede interna do cliente ou de vizinhos próximos (em relação à rede elétrica). O ideal é gerenciar a rede elétrica continuamente e com os medidores já instalados ter uma rotina de medição para evitar chegar a esses extremos de incêndios e ações judiciais.

Ou seja, esta metodologia não acrescentará novos custos à gestão regular da rede eléctrica ao nível deste indicador. Foi então exposta a microanálise que identificou o Instituto de Geociências, a Pró-Reitoria e o Instituto de Ciências Jurídicas como os mais impactantes nas fases A, B e C respectivamente. Por fim, a metodologia proposta nesta tese encontrou resultados satisfatórios em ambos os cenários de teste através de uma simples grandeza de entrada, reduzindo o custo dessas avaliações, permitindo utilização em sistemas com maior complexidade e monitoramento remoto para melhor gerenciamento da rede elétrica. , quando aplicado em conjunto com uma AMI.

TRABALHOS FUTUROS

34;Reconhecimento de assinatura baseado em rede neural para identificação de fontes harmônicas," IEEE Transactions on Power Delivery, Vol. 34;Avaliação dos impactos causados pela geração harmônica na rede de distribuição em consumidores de baixa tensão." Tese (Doutorado) Universidade Federal do Pará, Instituto de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica, Belém, 2003. 34;Da mineração de dados à descoberta de conhecimento: Uma visão geral." In: Advances in Knowledge Discovery and Mining data, AAAI Press/The MIT Press, Inglaterra, 1996, p.1-34.

88] ZHI CHENG et al, "Avaliação do modelo de classificação e árvore de regressão (CART) na previsão de perda de peso após radioterapia de câncer de cabeça e pescoço." Advances in Radiation Oncology, Volume 3, Edição 3, julho-setembro de 2018, páginas. -aprendizagem: Aprendizado de Máquina em Python, ''J. 34;Análise não paramétrica para identificação de fontes de distorções harmônicas. Sistema de gestão de energia e validação dos seus dados, 2019. 34; PROJETO INFORMATIVO DO SISTEMA DE GERENCIAMENTO DE ENERGIA ELÉTRICA SISGEE NA CIDADE UNIVERSITÁRIA JOSÉ DA SILVEIRA NETTO".