universidade federal do pará

74 Figura 5-8 – Fator de influência pontual do 5º harmônico para as três fases (a), (b) e (c) do alimentador Health relativo ao barramento de entrada. 88 Figura 5-20 – Número de dias com influência harmônica em cada alimentador para análise do nível de carga. 55 Tabela 5-1 – Fatores de influência do 5º harmônico calculados para cada alimentador e seus respectivos antecedentes por meio de regressão linear.

90 Tabela 5-6 – Fatores percentuais de influência do 5º harmônico calculado para cada alimentador e seus respectivos antecedentes por meio de regressão linear.

INTRODUÇÃO

UMA ABORDAGEM GERAL
MOTIVAÇÃO
OBJETIVOS

Objetivo geral
Objetivos específicos

ESTRUTURA DA DISSERTAÇÃO

Medições de conteúdo harmônico têm sido utilizadas para caracterizar o comportamento de cargas não lineares, para localizar fontes harmônicas potenciais e para quantificar os níveis de distorções harmônicas em sistemas de potência. Devido ao comportamento da rede elétrica com suas frequentes mudanças na demanda e na corrente de carga, o objetivo geral da tese é analisar o impacto dos harmônicos de tensão e corrente, em um determinado período, devido à distorção harmônica em um ponto de interesse em a rede elétrica. o barramento abastecido pelas principais cargas instaladas na rede elétrica entre um consumidor e a concessionária, utilizando técnicas computacionais (regressão linear, redes neurais artificiais e árvores de regressão). Avaliar a contribuição harmônica dos alimentadores em um ponto de interesse de um barramento, este é o PAC dos sistemas elétricos entre um consumidor e a concessionária, como prevenção de problemas relacionados a distorções harmônicas nos barramentos analisados;

Compare os resultados da análise do nível de influência harmônica no ponto de interesse entre as técnicas computacionais RL, RNA e AR para determinar a melhor técnica para análise de distorção harmônica em trabalhos futuros.

QUALIDADE DA ENERGIA ELETRICA

INTRODUÇÃO
CONCEITUAÇÃO DE QUALIDADE DA ENERGIA ELÉTRICA
HARMÔNICOS

Cargas não lineares
Distorção harmônica individual e total
Efeitos dos harmônicos nos principais componentes da rede elétrica

NORMAS E LIMITES ASSOCIADOS À DISTORÇÃO HARMÔNICA

Normas internacionais (IEC 61000-3-2, IEC 61000-3-4, IEC 61000-4-7 E IEEE-
Normas nacionais – módulo 8 dos procedimentos de distribuição (PRODIST)

CONSIDERAÇÕES FINAIS

Kusko e Thompson (2007) interpretam que eventos de qualidade de energia podem ocorrer durante condições de falta, através de descargas atmosféricas e uso de equipamentos, entre outros eventos que podem afetar adversamente as formas de onda de tensão e/ou corrente no sistema de potência. Aumento da distorção harmônica de tensão em sistemas de energia elétrica, o que provoca redução na vida útil dos equipamentos, falhas em sistemas sensíveis, interferências em sistemas de comunicação; Instalação de filtros harmônicos de corrente - são instalados para corrigir distorções de tensão CC produzidas por cargas não lineares em sistemas de potência.

Dentre esses módulos, o módulo 8 é focado em QEE, onde são definidos valores limites de distorção harmônica total de tensão (DHTV) na rede elétrica em níveis que não representem deterioração na qualidade da energia para o funcionamento do sistema elétrico. e também não afetam o ciclo de vida de dispositivos e equipamentos elétricos e eletrônicos.

TRABALHOS CORRELATOS A QEE

INTRODUÇÃO
QUALIDADE DE ENERGIA ELÉTRICA E DISTORÇÕES HARMÔNICAS
QUALIDADE DE ENERGIA ELÉTRICA E REGRESSÃO LINEAR
QUALIDADE DE ENERGIA ELÉTRICA E REDES NEURAIS ARTIFICIAIS
QUALIDADE DE ENERGIA ELÉTRICA E ÁRVORES DE REGRESSÃO

Dessa forma, por meio de RL e regressão linear não paramétrica, analisaram os efeitos na distorção harmônica gerada por diversas cargas não lineares no PAC da rede elétrica da UFPA, composto por 84 barras de carga na tensão de 13,8 kV. Em Mantovani (2011), a parte da distorção harmônica total que está associada exclusivamente à característica não linear de uma carga é identificada através de simulação. Em Manito et al (2014), por meio de campanhas de medição e considerando a interação de todas as cargas do sistema elétrico, foi desenvolvido um modelo baseado em RNA para avaliar a contribuição harmônica de diversas cargas não lineares no PAC.

Usando AR, Silva et al. 2014), propôs uma metodologia para determinação de erros em medidores eletromecânicos de energia elétrica.

METODOLOGIAS APLICADAS

INTRODUÇÃO
CONCEITO DAS TÉCNICAS COMPUTACIONAIS

Regressão Linear
Redes Neurais Artificiais
Árvores de Regressão

METODOLOGIA PROPOSTA PARA OS ESTUDOS DE CASO

Estudo de caso 1: Universidade Federal do Pará – Campus Guamá
Estudo de caso 2: parque industrial de Manaus

Em Yan (2009), a análise de regressão é classificada como um método estatístico, agrupado em um conjunto de técnicas capazes de descobrir a relação entre uma variável aleatória (variável resposta) e uma ou mais variáveis aleatórias (variáveis regressoras), produto da análise de regressão. sendo um modelo de regressão ou função de regressão que contém uma descrição simples de um processo. Utilizando o método dos mínimos quadrados, os parâmetros 𝛽0 e 𝛽1 no modelo de regressão mostrado na equação (4-3) são estimados de acordo com as equações (4-4) e (4-5), respectivamente. Para garantir que o modelo de regressão obtido é suficiente para explicar a relação entre as variáveis resposta e regressoras, após a obtenção do modelo de regressão linear simples, é realizada uma análise de sua variância utilizando técnicas de inferência estatística para testá-lo.

O coeficiente de determinação R2 é um indicador estatístico utilizado para avaliar o grau de confiabilidade de um modelo gerado por análise de regressão. O coeficiente de determinação é uma métrica que representa o grau de ajuste de um modelo de regressão a uma amostra de dados, ou seja, uma medida que mostra quão bem o modelo de regressão é capaz de representar a correlação entre as variáveis dependentes e as variáveis. independente. Segundo Costa (2012), o coeficiente R2 é uma medida estatística que visa dizer o quanto a variável independente contribui para o comportamento da variável dependente e pode ser utilizada para medir a intensidade da correlação entre a resposta e as variáveis independentes. ., no modelo de regressão.

Segundo Castanheira (2009), os primeiros trabalhos baseados em árvores de regressão surgiram no final da década de 1950, começando por Hunt, que apresentou experimentos para formulação de modelos, seguido por Breiman (1984), que desenvolveu o algoritmo CART (Classificação e regressão). Trees), Quinlan, que desenvolveu o algoritmo ID3 (Iterative Dichotomiser 3, 1986) e C e Microsoft SQL Server (Seidman, 2001), que aplica árvores de regressão a problemas de classificação e regressão. As árvores de regressão classificam os dados no banco de dados de entrada e dividem sucessivamente o problema estudado em vários subproblemas menores, até que seja encontrada uma solução mais simples para cada um dos problemas. Para seu aprendizado, uma árvore de regressão tem seus atributos de entrada divididos em contínuos, chamados de regressão, ou discretos, chamados de classificação (Russell e Norvig, 2003).

A Tabela (4-2) demonstra um exemplo de parte do algoritmo criado para realizar as relações de causa e efeito da árvore de regressão que levam ao menor valor de distorção harmônica de tensão. Os algoritmos da árvore de regressão são instáveis, portanto, pequenas variações nos dados de treinamento podem resultar em diferentes seleções de atributos em cada ponto de escolha da árvore. No meio das etapas de construção da árvore, a poda da árvore de regressão é considerada a parte mais importante do processo, pois há ruído no banco de dados que pode fazer com que as árvores induzidas classifiquem novos objetos de forma não confiável. difícil de entender.

Cada técnica apresentada possui características diferentes entre si, como é o caso da regressão linear, que busca relacionar uma variável aleatória à resposta de uma única variável aleatória regressora, condicionada à equação de uma reta, enquanto redes neurais e árvores de regressão são capazes de estimar simultaneamente medições de todas as cargas não lineares como entrada para o modelo.

RESULTADOS

ESTUDO DE CASO 1: UNIVERSIDADE FEDERAL DO PARÁ – CAMPUS

Análise de QEE
Regressão Linear
Redes neurais artificiais
Árvores de regressão
Comparação do desempenho entre as técnicas
Considerações finais

ESTUDO DE CASO 2: PARQUE INDUSTRIAL DE MANAUS

Análise de QEE
Regressão linear
Redes neurais artificiais
Árvores de regressão
Comparação do desempenho entre as técnicas
Considerações finais

Portanto, dos quatro alimentadores analisados na Tabela (5-1), o alimentador Health é a carga que tem maior impacto na distorção de 5º harmônico do barramento de entrada nas três fases e possui valores de impacto muito superiores à tensão níveis. background calculado para as três fases. As figuras (5-10) (a), (b) e (c) das fases A, B e C apresentam respectivamente as tensões do 5º harmônico na saída da RNA, bem como os valores de tensão medidos no barramento, interesse. Os parâmetros utilizados na análise AR são os mesmos utilizados para a RNA, incluindo o fator de impacto percentual calculado a partir dos valores do EAM.

As Figuras (5-14) (a), (b) e (c) representam as tensões de saída do AR bem como os valores reais das tensões medidas no barramento de interesse, e através destas pode-se observar que não há dominância de alimentação em qualquer fase durante todo o período. Esta seção apresenta uma comparação entre as técnicas RL, RNA e AR para determinar quais delas são melhor utilizadas durante a análise de influência harmônica. As subseções a seguir apresentam comparações entre as técnicas em três períodos de amostragem (semanal, diário e por nível de carga), destacando o fator de impacto e os valores de EAM obtidos em cada alimentador nesses períodos. a) Análise semanal.

A análise diária dos sete dias da semana monitorados mostra o fator de impacto do alimentador que mais impacta o sistema diariamente. Devido à separação dos dias em níveis de carga, o fator de impacto nos alimentadores não permanece constante em um único alimentador, ou seja, varia entre os alimentadores dependendo do nível de carga e da técnica utilizada. Na seção 5.1.5, que comparou o desempenho entre as técnicas RLM, RNA e AR, no cenário universitário, constatou-se que a técnica AR proporcionou maior confiabilidade para classificar o impacto na rede universitária, via fator de impacto do alimentador. e EAM (%), em diferentes períodos (semanal, diário e nível de carga).

As figuras (5-36) (a), (b) e (c), das fases A, B e C, respectivamente, apresentam as tensões do 5º harmônico na saída da RNA bem como os valores de tensão medidos na ônibus de interesse. A análise diária dos nove dias do período monitorado demonstra o fator de impacto do alimentador que mais afeta o sistema no dia a dia. Além disso, foi feita uma comparação entre as técnicas RLM, RNA e AR, utilizando o fator de impacto de oferta e EAM (%) calculado em diferentes períodos (semanal, diário e nível de carga) com o objetivo de analisar qual técnica proporciona maior confiabilidade para classificação o impacto na rede estudada.

Porém, o número de dias de greve do alimentador DIAL2-17 é significativamente maior que os demais, nos períodos diários e no nível de carga.

CONCLUSÃO

CONCLUSÕES GERAIS
PROPOSTAS PARA TRABALHOS FUTUROS

Portanto, os resultados permitem a adoção de medidas corretivas para corrigir infrações, reduzir perdas técnicas e também evitar multas da ANEEL em função da melhoria na qualidade da energia elétrica. Publicado nos Anais do IV SBQEE – Seminário Brasileiro de Qualidade de Energia Elétrica, Porto Alegre – RS, Brasil, agosto de 2001. Extração de características combinada com árvore de decisão para detecção e classificação de distúrbios de qualidade de energia elétrica.

Impacto na qualidade da energia elétrica devido ao rápido crescimento da demanda na região sudeste do estado do PARÁ. Análise não paramétrica para identificação de fontes de distorções harmônicas em sistemas de energia elétrica: Um estudo aplicado ao campus universitário Guamá da Universidade Federal do Pará Modelo de decisão integrado para priorização multiestágio de projetos de distribuição levando em consideração a qualidade da energia elétrica.

Qualidade do Fornecimento de Energia no Laboratório de Sistemas Híbridos e Minirredes do GEDAE/UFPA. Classificação ótima de distúrbios de qualidade de energia em sistemas de geração distribuída com base em árvore de decisão.