This work presents a modeling for THDv%, THDi% and individual harmonics using predictions from an ANFIS system that learns with measured data and predicts the behavior of the network for future values. The great advantage of this tool is the power of modeling standards that use a prediction of the harmonic state of the connected loads in the low voltage, which helps to create pseudomedidas for the distribution networks, where it is difficult and expensive to to obtain real measurements.
CONTEXTUALIZAÇÃO
Prever a carga nos transformadores de distribuição é atualmente uma tarefa difícil, principalmente devido à falta de dados das redes de distribuição. Portanto, este trabalho propõe a implementação de um sistema computacional que prevê distorções harmônicas em transformadores de distribuição de energia para buscá-las.
MOTIVAÇÃO
Prever a carga dos transformadores de distribuição é atualmente uma tarefa difícil, principalmente devido à falta de dados das redes de distribuição, tanto de frequência fundamental como de frequências harmônicas. Este trabalho tem como objetivo desenvolver uma ferramenta utilizando inteligência computacional que possa prever cargas na frequência fundamental e frequências harmônicas em transformadores da rede de distribuição.
OBJETIVOS
Gerais
Até o momento, não existe no mercado nenhum programa de previsão de DHT que possa prever as distorções causadas pelos diferentes tipos de cargas conectadas à rede de distribuição. Os principais fatores responsáveis pela alteração do perfil apresentado pelos sistemas elétricos são a aleatoriedade com que as cargas elétricas devem ser ligadas e desligadas e o cancelamento de harmônicos, que ocorre quando os harmônicos de um determinado tipo de carga são cancelados pelos harmônicos produzidos pela segunda. um conjunto de encargos.
Específicos
REVISÃO BIBLIOGRÁFICA
Da mesma forma, em [80], foi proposto um método que visa determinar a contribuição harmônica do consumidor e o consumo de energia no ponto de acoplamento comum. Em [95], foi proposta uma metodologia, baseada no método de correlação de dados, para determinar a contribuição da influência harmônica de múltiplas cargas geradoras de harmônicos distribuídos em um sistema elétrico.
PRINCIPAIS RESULTADOS E APLICAÇÕES
ORGANIZAÇÃO DO TEXTO
CONSIDERAÇÕES INICIAIS
QUALIDADE DE ENERGIA ELÉTRICA
- Introdução
- Perturbações na frequência do sinal
- Perturbações nas formas de onda
- Harmônicos
- Série de Fourier
- Cargas Lineares e Não Lineares
Quando se fala em qualidade de energia, refere-se à ausência de distorção na forma de ondas senoidais de corrente e tensão. A forma de onda distorcida pode, portanto, ser representada pela fundamental mais a soma dos enésimos harmônicos.
CARACTERIZAÇÃO DE HARMÔNICOS
Espectro harmônico
Nota-se uma leve distorção na forma de onda da tensão de alimentação e através do espectro harmônico da tensão pode-se observar que ela provém principalmente do 5º harmônico com 2,6%. Na forma de onda da corrente, mostrada na Figura 7, uma grande distorção harmônica pode ser vista e, através do espectro harmônico da corrente, parece vir de vários harmônicos de ordem ímpar.
Taxa de distorção harmônica total (DHT)
Os níveis de distorção harmônica podem ser caracterizados analisando o espectro harmônico considerando as amplitudes de cada componente harmônico individualmente. O valor de cada indicador harmônico (distorção total ou individual) é o valor máximo, entre sete amostras colhidas num período de sete dias consecutivos, do percentual de 95% dos valores diários de cada indicador. Ou seja, o indicador que deverá ser comparado com os padrões definidos nos Procedimentos da Rede é o valor máximo semanal do percentil 95%.
Considerações Finais
CONSIDERAÇÕES INICIAIS
Na lógica Fuzzy, pode ser difícil determinar o tipo de sistema Fuzzy, a quantidade e a forma da função de pertinência e as regras básicas. Trata-se, portanto, de uma técnica híbrida de inteligência computacional que deriva conhecimento utilizando os princípios da lógica Fuzzy devido à sua estrutura, e agrega a possibilidade de aprendizagem inerente às RNAs. Uma das principais vantagens do ANFIS sobre as redes neurais artificiais é a forma como codifica o conhecimento.
A Lógica Fuzzy
- Teorias de Conjuntos Fuzzy
- Definição
- Funções de Pertinência
- Classificação de Sistemas Fuzzy
Sistemas Fuzzy Puros: Um sistema Fuzzy puro é formado por uma base de regras IF [antecedente] ENTÃO [consistente] e um mecanismo de inferência fuzzy conforme mostrado na Figura 10. Sistemas fuzzy com fuzzificador e defuzzificador: A configuração básica de um sistema fuzzy com fuzzificador e o defuzzificador é mostrado na Figura 12. Assim como as redes neurais podem ser classificadas como redes neurais estáticas e recorrentes, os sistemas fuzzy também podem ser classificados como sistemas fuzzy estáticos e sistemas fuzzy recorrentes.
SISTEMA NEURO-FUZZY
Descrição das Camadas
Descrição das etapas
Considerações Finais
Previsão de DHT utilizando um sistema Neuro-Fuzzy (ANFIS)
IMPLEMENTAÇÃO
Coleta de dados para o aprendizado da rede
Metodologia utilizada
Essa mudança ocorreu de forma independente para cada camada e variou de 2 a 4 funções de pertinência para cada entrada. Também foram testados os seis tipos de funções de pertinência aceitas pela rotina ANFIS do MATLAB, nomeadamente dsigmf (consistindo na diferença entre dois Sigmóides), gaussmf (Gaussiano), gauss2mf (Combinação entre dois Gaussianos), gbellmf (Forma de Sino), pimf (a forma de π) e psigmf (Produto entre dois Sigmóides), a fim de determinar a melhor função para cada caso. Após este teste exaustivo, a rede realizou o melhor de todos os testes realizados, especificando o valor do erro médio obtido, o tipo de função de pertinência, bem como a combinação de números de funções de pertinência para cada entrada.
Previsão de DHTi dias de semana
- Previsão DHT i para a fase A de segunda-feira
- Previsão DHTi para a fase C de terça-feira
- Previsão DHTi para a fase B de quarta-feira
- Previsão DHTi para a fase A de Quinta-feira
- Previsão DHTi para a fase C de sexta-feira
- Resultados obtidos para previsão de DHTi dias de semana
O modelo de previsão de DHTi no transformador é construído com base nos dados das seguintes curvas de carga de um dia de quarta-feira (dias e 20/10), com medições realizadas a cada 10 minutos, totalizando 720 valores; metade dos dados foi utilizada para treinamento e a outra metade para teste e validação. O modelo de previsão de DHTi no transformador foi construído com base nos dados das seguintes curvas de carga de um dia de quinta-feira, utilizando um total de dados de cinco quintas-feiras (dias e 14/10), onde as medições foram obtidas de 10 em 10 minutos, rendendo um total de 720 valores, com metade dos dados utilizados para treinamento e a outra metade para teste e validação. O modelo de previsão de DHTi no transformador foi construído com base nos dados das seguintes curvas de carga de um dia de sexta-feira, utilizando um total de dados de cinco sextas-feiras (dias e 15/10), onde as medições foram obtidas de 10 em 10 minutos, rendendo um total de 720 valores, com metade dos dados utilizados para treinamento e a outra metade para teste e validação.
Previsão DHTi para finais de semana
Previsão DHTi para a fase B de sábado
Da mesma forma, este resultado contribui para a aceitação deste modelo, pois exclui a possibilidade de coincidência e apresenta dados estáveis, uma vez que os resultados obtidos quando não são aleatórios são muito próximos dos resultados reais. Observa-se também que os valores previstos pela Rede ANFIS estão muito próximos dos valores reais dos casos de validação, apresentando valores médios de erro muito pequenos para os valores de teste e validação apresentados. Da mesma forma, este resultado contribui para a aceitação deste modelo, pois exclui a possibilidade de coincidência e apresenta dados estáveis, uma vez que os resultados obtidos quando não são aleatórios são muito próximos dos resultados reais.
Previsão DHTi para a fase A de domingo
A Figura 20 apresenta o melhor resultado para as redes ANFIS testadas, obtido para o tipo de função de inferência em forma de π, para o método de otimização híbrida, tipo de função de inferência de saída constante e com o número de funções de pertinência 2-2-2-2, que representa o número de funções de pertinência para cada uma das quatro entradas. A Figura 21 apresenta o melhor resultado para as redes ANFIS testadas, obtido para o tipo de função de inferência gaussiana, para o método de otimização híbrida, tipo de função de inferência de saída constante e com o número de funções de pertinência 2-3 -2- 3, representando o número de funções de associação para cada uma das quatro entradas.
Resultados obtidos para previsão de DHTi dias de final de semana
Previsão DHTv
- Previsão DHTv para a fase A de segunda-feira
- Previsão DHTv para a fase C de sexta-feira
- Previsão DHTv para a fase C de Domingo
- Resultados obtidos para previsão de DHTv
A Figura 22 apresenta o melhor resultado para as redes ANFIS testadas, obtido para a função de inferência do tipo Bell, para o método de otimização Híbrido, tipo de função de inferência de saída constante e com o número de funções de pertinência 4-4-2-3, que representa o número de funções de pertinência para cada uma das quatro entradas. A Figura 23 apresenta o melhor resultado para as redes ANFIS testadas, obtido para o tipo de função de inferência combinação de duas funções gaussianas, para o método de otimização Híbrido, tipo de função de inferência com saída constante e com o número de funções de pertinência 4-3-4 -4, que representa o número de funções de pertinência para cada uma das quatro entradas. A Figura 24 apresenta o melhor resultado para as redes ANFIS testadas, obtido para a função de inferência do tipo Gaussiana, para o método de otimização Híbrido, tipo de função de derivação de saída constante e com o número de funções de pertinência 4-4-4-2, que representa o número de funções de pertinência para cada uma das quatro entradas.
- Previsão da componente harmônica de 3ª ordem para a fase B de segunda-feira
- Previsão da componente harmônica de 5ª ordem para a fase C de terça-feira
- Previsão da componente harmônica de 5ª ordem para a fase A de quarta-feira . 81
- Resultados obtidos para previsão de componentes harmônicas individuais de 3ª,
O modelo de previsão da componente harmônica de terceira ordem foi construído com base nos dados das seguintes curvas de carga de um domingo (dia e 17/10), com medições realizadas a cada 10 minutos, perfazendo um total de 720 valores, com metade do dados. sendo usado para treinamento e a outra metade para teste e validação. O modelo de previsão da componente harmônica de 5ª ordem é construído com base nos dados das seguintes curvas de carga de uma quarta-feira (dia e 20/10), com medições realizadas a cada 10 minutos, perfazendo um total de 720 valores, com metade dos dados . usado para treinamento e a outra metade para teste e validação. O modelo de previsão da componente harmônica de 7ª ordem é construído com base nos dados das seguintes curvas de carga de uma sexta-feira, onde foram utilizados dados de cinco sextas-feiras (dias e 15/10) no total, medições realizadas a cada 10 minutos, fazendo um total de 720 valores, onde metade dos dados é utilizada para treinamento e a outra metade para teste e validação.
Previsão de DHTi% separando os dados em treino, teste e validação
Previsão DHTi% para a fase C de terça-feira separando os dados em treino, teste
A Figura 30 mostra que o melhor resultado para as redes ANFIS testadas foi obtido para a função de inferência tipo produto forma de duas sigmoidais, para o método de otimização híbrida, a função de saída constante tipo e com o número de funções de pertinência 2 -3-2-2 , que são as funções de associação numérica para cada uma das quatro entradas. A Figura 31 apresenta o melhor resultado para as redes ANFIS testadas e foi obtido para o tipo de função de inferência combinada gaussiana, para o método de otimização híbrida, para o tipo de função de inferência de saída constante e com o número de funções de pertinência 3-4-3-3, que representa as funções de associação numérica para cada uma das quatro entradas. Fica claro que a melhor rede ANFIS encontrada apresentou diferenças entre o tipo de funções de pertinência, o método de otimização e o número de funções de pertinência para cada entrada, em relação à melhor rede ANFIS apresentada para o caso em que metade dos dados foi utilizado para treinamento e a outra metade para validação.
Análise das regras Fuzzy obtidas para DHTi% de terça-feira para fase C
Os valores previstos apresentam um bom resultado e a maior parte das respostas da rede ANFIS coincidiram com as respostas reais do sistema. Vale ressaltar que neste caso há uma deterioração na previsão em relação à rede que utilizou metade dos dados de treinamento, o que pode ser explicado pela redução dos dados utilizados para treinamento.
CONCLUSÕES
PROPOSTAS DE TRABALHOS FUTUROS
RESUMO DAS PUBLICAÇÕES
O conjunto de dados de teste nos permite verificar a capacidade de generalização do sistema de inferência fuzzy resultante. Depois de carregar os dados de treinamento e gerar a estrutura inicial do FIS, você pode começar a treinar o FIS. Os métodos de otimização treinam os parâmetros da função de associação para imitar os dados de treinamento.
