Resumo-- A alta confiabilidade e as preocupações ambientais atingidas pela rede subterrânea vêm tornando-a cada vez mais discutida em âmbito mundial e acredita-se que seja a forma de distribuição de energia mais adequada para o futuro. Contudo, o alto investimento de instalação, a detecção e o tempo de reparo de um problema é muito exaustivo e exige recursos humanos capacitados. Neste contexto, a proposta deste trabalho consiste em integrar o software PSCAD/EMTDC e ferramentas inteligentes para auxiliar na localização de faltas em cabos de redes subterrâneas de distribuição de energia, diminuindo o tempo de restauração na ocorrência de um problema.
Palavras-chave — Localização de faltas, redes neurais artificiais, sistemas subterrâneos.
I. INTRODUÇÃO
ISTEMAS subterrâneos de distribuição de energia elétrica
têm sido amplamente empregados devido à
confiabilidade, à preocupação ambiental, à menor incidência de acidentes e também à menor poluição visual. Mas todos os sistemas são passiveis à defeitos, assim, uma correta identificação da falta em um trecho do circuito é necessária para reduzir o tempo de interrupção usado na manutenção e correção do problema.
A forma convencional de detectar a falta exige uma pesquisa exaustiva em grande escala, consumindo muito tempo e recursos humanos. Assim, o tempo de restauração pode variar dependendo da confiabilidade da informação da interrupção no fornecimento de energia. Desta forma, desenvolver uma técnica eficiente para localizar a falta pode melhorar a confiabilidade do sistema [1].
A localização da falta em um segmento de um sistema de cabos subterrâneos exige aspectos mais amplos de reflexão e análise. Ao contrário das linhas aéreas, os cabos subterrâneos
Este trabalho está sendo financiado pela FAPESP e pelo CNPq.
D. S. Gastaldello e A. N. Souza pertencem ao Departamento de Engenharia Elétrica da FEB-UNESP/Bauru (e-mails:, danilosinkiti@hotmail.com e andrejau@feb.unesp.br).
H. L. M. do Amaral e M. G. Zago pertencem à FATEC/Bauru (email: agaelema@globo.com e mgzago@uol.com.br)
C. C. O. Ramos pertence ao Departamento de Engenharia Elétrica da Universidade de São Paulo - USP, São Paulo, SP, Brasil (e-mail: caioramos@gmail.com)
têm como características: indutâncias menores e capacitâncias maiores. A análise torna-se complicada quando vários tipos de cabos subterrâneos são usados e várias topologias de circuito são aplicadas, como radial, em anel, ou reticulada. Para analisar tais sistemas e configurações, impedâncias e admitâncias mútuas entre estes condutores devem ser consideradas no circuito analisado. Isto complica o aspecto analítico de identificação da falta no segmento [2].
Além das características do sistema, outro fator que dificulta o estudo de sistemas subterrâneos, é o acesso da equipe técnica aos cabos, uma vez que estes estão sob a terra, muitas vezes submersos em esgotos, e em tubulações antigas. Além disto, outra preocupação é estes cabos estarem juntos, ou próximos de outros circuitos, como cabos de telecomunicações e tubos de gás, o que causou recentemente alguns acidentes.
A Fig. 1 apresenta de maneira ilustrativa situações de instalação e manutenção em sistemas subterrâneos, onde constata-se as dificuldades encontradas pelos técnicos em trabalhar com os sistemas subterrâneos.
Fig. 1. Instalação e manutenção em sistemas subterrâneos.
Diante destas dificuldades de acesso às redes e também sua complexidade de análise, este trabalho propõe um estudo mediante simulações com o software PSCAD/EMTDC D. S. Gastaldello, A. N. Souza, H. L. M. do Amaral, M. G. Zago e C. C. O. Ramos
Estudos para Localização de Faltas em Redes
Subterrâneas Integrando o Software
PSCAD/EMTDC e Ferramentas Inteligentes
(software de interface gráfica que permite simular respostas transitórias de circuitos subterrâneos) e a criação de redes neurais artificiais (RNA) para auxiliar na correta localização de defeitos em sistemas subterrâneos de distribuição de energia.
Devido à habilidade em aprender ou modificar seu comportamento em um contexto de aplicação, ou seja, a capacidade de aprender através de exemplos (dados de ensaio) e generalizar informações aprendidas, as RNAs são ferramentas de ampla utilização em mapeamento de dados e classificação de padrões [3], e por isso, foram escolhidas para o desenvolvimento deste trabalho.
II. METODOLOGIA
Inicialmente foi realizado o levantamento dos principais trabalhos relacionados aos sistemas de distribuição subterrâneos, visando identificar as principais técnicas existentes para a localização e identificação do tipo de falta, além de fazer um levantamento histórico junto à empresas de energia de quais os problemas mais correntes e em que tipo de circuito eles ocorrem.
Com estas informações, utilizou-se o software PSCAD/EMTDC para simular um modelo de circuito monofásico com falta da linha para a terra, uma vez que, segundo as concessionárias questionadas, este é o tipo de circuito e o tipo de problema que são mais representativos. O modelo do circuito equivalente é mostrado na Fig. 2 e apresenta duas seções, sendo a seção p do terminal de envio (fonte) ao ponto da falta e a seção q do ponto da falta até o terminal de recebimento (carga).
A Fig. 3 apresenta o cabo estudado. O interior e exterior do condutor consiste em núcleo e isolamento, respectivamente. Os parâmetros de configuração do cabo utilizados no estudo são apresentados na Tabela I. Nesta configuração, a impedância do cabo extraída da simulação é igual à (0.761928087 x 10-4 + j0.811309595 x 10-3) Ω e a admitância igual à (j0.146925120 x 10-6) S.
Fig. 2. Modelo de um circuito equivalente de um cabo subterrâneo de seção simples.
Fig. 3. Cabo coaxial núcleo-blindagem. TABELA I
PARÂMETROS DE CONFIGURAÇÃO DO CABO.
A estimativa da distância da falta é baseada nas medições de tensão e corrente no terminal de envio e de recebimento, geradas pelo software PSCAD/EMTDC.
Diversas simulações foram realizadas com o software PSCAD, gerando dados que serviram de treinamento da rede neural artificial criada.
Adotou-se a resistência de falta com valor de Rf = 0,1 Ω, nas simulações. Este parâmetro, Rf , a princípio não pode ser medido, e portanto, não deve ser considerado parâmetro de entrada da rede, apesar da sua influência nas técnicas de localização de faltas em sistemas subterrâneos [4].
Assim sendo, as entradas escolhidas para a rede neural foram:
comprimento do cabo;
tensão no terminal de recebimento; corrente no terminal de envio; e corrente no terminal de recebimento. E a saída da rede é:
o local da falta.
A Fig. 4 representa um diagrama da metodologia empregada neste trabalho.
Fig. 4. Diagrama da metodologia aplicada.
A. Simulações
O circuito utilizado para as simulações pode ser observado na Fig. 2. O software PSCAD/EMTC permite que se modifique as variáveis: comprimento do cabo, local da falta,
Parâmetros do cabo Valores
Resistividade do núcleo 1.68 x 10-8 Ω . m
Permeabilidade para o núcleo e isolamento 1.0 Permissividade para o isolamento 4.1
resistência de falta, tensão de entrada, etc. Assim, criou-se através de simulações um banco de dados inicial para se poder criar uma rede neural.
Foram simulados diversos comprimentos de cabos (de 500m até 4km de comprimento) e diversas posições de local de falta. A Tabela II mostra uma parte do banco de dados criado pelas simulações. Estes dados serão utilizados para treinar e validar a rede criada.
TABELA II
ALGUNS DADOS DE SIMULAÇÃO.
Comprimento do cabo (m) Tensão de Recebimento (kV) Corrente de Envio (A) Corrente de Recebimento (A) Local da Falta (m) 500 12,726248 127,294051 0,035018 100 500 11,285784 112,885777 0,031128 200 750 8,235749 82,377631 0,022635 300 750 6,418809 64,203520 0,017683 400 1.000 3,816486 38,208462 0,010527 700 1.000 3,346506 33,552481 0,009284 800 2.000 4,417634 44,186408 0,011883 600 2.500 1,306233 12,999610 0,003577 2.100 2.500 1,243808 12,416432 0,003422 2.200 4.000 0,760742 7,657876 0,002092 3.600 4.000 0,737007 7,403552 0,002053 3.700
B. Redes Neurais Artificiais
Para a topologia de RNA, foi escolhida a feedforward multicamadas, que se caracteriza por possuir uma ou mais camadas intermediárias onde o sinal da rede é propagado em apenas um sentido, isto é, nenhuma saída retorna a uma camada anterior. Este tipo de topologia geralmente é aplicado no reconhecimento de padrões e como aproximador universal de funções, uma vez que se podem aproximar funções não-lineares.
Após a construção do banco de dados, foi iniciado o desenvolvimento de uma rede neural artificial, que com base nos valores de entrada: comprimento do cabo, tensão de recebimento, corrente de envio e corrente de recebimento; geram na saída da rede o local da falta.
O algoritmo Backpropagation ou Regra Delta
Generalizada é um algoritmo supervisionado de aprendizagem de uma determinada tarefa, durante a fase de treinamento de RNAs com multicamadas [5].
Existem diversos tipos de treinamento baseados no algoritmo Backpropagation, neste trabalho foram testados esses diferentes tipos de treinamento, para se determinar o que tinha melhor performance para estudar o problema de localização de faltas.
Além dos diversos tipos de treinamento, as redes podem ser configuradas de formas diferentes, variando-se o número de camadas intermediárias e o número de neurônios.
Após algumas simulações com uma camada intermediária e com duas camadas intermediárias, ficou evidenciado que as redes tiveram desempenho melhor para este problema quando configuradas com duas camadas.
Portanto, foram realizados diversos testes com 200 épocas de treinamento e redes com duas camadas intermediárias com:
10 neurônios em cada camada;
10 neurônios na primeira e 20 neurônios na segunda camada;
20 neurônios na primeira e 10 neurônios na segunda camada;
5 neurônios na primeira e 15 neurônios na segunda camada;
15 neurônios na primeira e 5 neurônios na segunda camada.
Foram testados os seguintes tipos de treinamento para cada uma das configurações de neurônios descrita anterior [6]:
Levenberg Marquargt (lm); Regulação Bayseana (br); BFGS Quasi-Newton (bfg); Resiliente (rp);
Gradiente Conjugado Escalado (scg);
Gradiente Conjugado com Powell-Beale (cgb); Gradiente Conjugado com Fletcher-Reeves (cgf); Gradiente Conjugado com Polak-Ribiére (cgp); e Secante de um Passo (oss).
Posteriormente foram escolhidas as melhores configurações de cada tipo de treinamento, avaliando o erro médio sobre a base de dados de teste.
Por fim, escolheu-se a melhor rede e realizou-se novas mudanças de configuração, buscando melhorar ainda mais o seu desempenho, mostrando todos os resultados atingidos e discutindo os valores alcançados.
III. RESULTADOS E DISCUSSÕES
A melhor configuração de cada tipo de treinamento, juntamente com seu respectivo erro é mostrada na Tabela III.
TABELA III
MELHOR CONFIGURAÇÃO PARA CADA TIPO DE TREINAMENTO
Tipo de Treinamento Configuração
( Neurônios 1ª e 2ª Camadas ) Erro (%)
lm 15 - 5 4,6881 br 15 - 5 4,1514 bfg 10 - 10 15,5905 rp 10 - 20 7,5961 scg 20 - 10 9,0470 cgb 10 - 20 7,4163 cgf 5 - 15 4,1053 cgp 5 - 15 8,2571 oss 10 - 20 8,0472
Observa-se da Tabela III que com exceção do treinamento "bfg", todos os outros treinamento tiveram média de erros abaixo de 10%, podendo ser considerado um bom resultado. Uma possível explicação para um maior erro do treinamento "bfg" é que o método se utiliza de derivadas (gradiente e Hessiana) para achar pontos de máximo e mínimo da função, podendo ter ocasionado distribuição de pesos menos satisfatórios.
A configuração da rede escolhida para análise dos resultados, bem como seu tipo de treinamento, é destacado a seguir:
Rede Perceptron Multi-camadas (feedforward); Treinamento: Gradiente Conjugado com
Fletcher-Reeves (cgf);
Duas camadas intermediárias com 5 neurônios na 1ªcamada e 15 neurônios na 2ª camada;
346 dados de treinamento e validação (90% treinamento e 10% validação);
Função de ativação tangente sigmoidal; 30 dados de testes; e
5000 épocas.
O treinamento gradiente conjugado com Fletcher-Reeves (cgf) inicia a busca na direção do negativo do gradiente, depois realiza um estudo para saber o tamanho do passo ideal para seguir nesta direção, a próxima direção é determinada tal que seja conjugada da direção prévia. Existe um ajuste na direção prévia, o qual para este treinamento "cgf" é dado pela razão do quadrado da norma do gradiente atual em relação ao quadrado da norma do gradiente anterior.
A Fig. 5 mostra a rede desenvolvida e a Fig. 6 mostra o gráfico de testes da rede simulada no MATLAB.
Fig. 5. Arquitetura neural desenvolvida.
Fig. 6. Gráfico do resultado atingido pela rede.
A Tabela IV mostra o resultado da rede escolhida com um banco de testes de 30 amostras aleatórias. Este banco de dados foi previamente simulado no PSCAD para comparar com a rede desenvolvida. Um detalhe deste banco de dados é a avaliação de amostras repetidas de cabos de 800m e 1800m de comprimento com diferentes locais de falta, pois foi visto em simulações anteriores que para estes comprimentos de cabo as redes estavam com erros significativos de localização de falta.
Desta Tabela IV são selecionados quatro resultados para serem discutidos, estes resultados são apresentados novamente na Tabela V, sendo que dois dados não faziam parte da região de dados de treinamento (500m à 4000m), que são os cabos de 300m de comprimento e o de 4300m de comprimento, e outros dois são os que obtiveram os maiores erros, com cabos de 800m de comprimento.
TABELA IV
RESULTADOS DA REDE ESCOLHIDA
Comprimento Cabo (m) Local Desejado (m) Local RNA (m) Diferença (m) Erro (%) 600 427 426,5569 0,4431 0,1037 1.350 825 824,8480 0,1519 0,0184 1.700 587 587,1073 -0,1072 0,0182 1.950 313 312,9307 0,0693 0,0221 2.112 400 399,4206 0,5793 0,1448 2.222 744 744,0334 -0,0334 0,0044 2.330 2.085 2.085,5330 -0,5329 0,0255 2.607 1.053 1.052,9850 0,01536 0,0014 2.856 2.100 2.099,2170 0,7831 0,0372 3.475 2.641 2.638,6770 2,3230 0,0879 3.683 743 743,2142 -0,2142 0,0288 3.825 2.876 2.879,9390 -3,9388 0,1369 600 98 100,5668 -2,5668 2,6192 700 105 100,6528 4,3472 4,1402 900 541 540,8222 0,1777 0,0328 1.100 655 654,8389 0,1611 0,0245 4.300 343 340,4949 2,5051 0,7303 300 80 100,0186 -20,0186 25,0232 800 175 104,1581 70,8418 40,4810 800 150 101,4443 48,5557 32,3704 800 350 349,4970 0,5030 0,1437 800 450 449,6682 0,3317 0,0737 800 650 649,7692 0,2308 0,0355 800 750 749,6830 0,3170 0,0422 1.800 250 261,3885 -11,3885 4,5553 1.800 550 550,1315 -0,1315 0,0239 1.800 900 899,9627 0,0373 0,0041 1.800 1.250 1.250,0680 -0,0676 0,0054 1.800 1.550 1.549,5890 0,4114 0,0265 1.800 210 227,0287 -17,0287 8,1089 TABELA V
DADOS ESCOLHIDOS PARA DISCUSSÃO
Comprimento Cabo(m) Local Desejado (m) Local RNA (m) Diferença (m) Erro (%) 4.300 343 340,4949 2,5051 0,7304 300 80 100,0186 -20,0186 25,0232 800 175 104,1581 70,8418 40,4811 800 150 101,4443 48,5557 32,3705
O resultado com o cabo de 300m (25,02% de erro) era esperado, uma vez que esta amostra escolhida está fora da região dos comprimentos de cabos escolhido para treinamento e validação. Porém, o cabo de 4300m também está fora da
região de treinamento e obteve um resultado muito melhor, com erro de apenas 0,73%, isso pode ser, por exemplo, porque existem muito mais dados de treinamento do cabo de 4000m em relação aos cabos de 500m, valores mais próximos de 4300m e 300m respectivamente.
Os resultados obtidos com os cabos 1800m são satisfatórios para esta rede, já os resultados com cabos de 800m de comprimento apresentam bons resultados para altas distâncias de falta e resultados ruins para baixas distâncias de falta. Estes erros são de 32,37% para distância de falta de 150m e de 40,48% para distância de falta de 175m.
IV. CONCLUSÕES
A melhora de confiabilidade do sistema de distribuição subterrâneo depende da correta identificação da falta em um trecho do circuito, pois desta forma haverá redução no tempo de interrupção necessário à manutenção e correção do fator causador da falta.
A forma convencional de detectar a falta exige uma pesquisa exaustiva realizada em grande escala, consumindo muito tempo e recursos humanos. Assim, o tempo de restauração pode variar dependendo da confiabilidade da informação da interrupção no fornecimento de energia. Desta forma, a utilização de ferramentas computacionais para auxiliar na localização de faltas é muito importante e está sendo estuda em âmbito mundial.
Inicialmente, optou-se por estudar e analisar um circuito monofásico com falta fase-terra, para mais adiante aumentar a complexidade dos circuitos e obter resultados mais próximos de condições reais de operação.
O método escolhido apresentou resultados satisfatórios, a rede neural desenvolvida possui erro médio de 3,9%. Todavia, existem 2 resultados que não foram satisfatórios com erros elevados, mas isso se justifica em função de poucos dados de treinamento nesta faixa de localização.
Esta pesquisa encontra-se em franco desenvolvimento e espera-se alcançar resultados mais satisfatórios com o aumento do banco de dados de treinamento, incluindo também a variável impedância de falta, além de simular circuitos mais complexos, sistemas trifásicos e considerando também as diversas topologias de redes existentes, como, radial, reticulada e em anel.
V. AGRADECIMENTOS
Agradecimentos especiais à FAPESP e ao CNPq pelo apoio e incentivo para a realização desta pesquisa.
VI. REFERÊNCIAS
[1] M. Silva, "Localização de Faltas em Linhas de Transmissão Utilizando a Teoria de Ondas Viajantes e Transformada Wavelet". Dissertação (Mestrado em Engenharia Elétrica). Escola de Engenharia de São Carlos da Universidade de São Carlos, 2003.
[2] E. Bascom; D. Von Dollen, "Computerized underground cable fault location expertise". In: Transmission and Distribution Conference, 1994,
Proceedings of the 1994 IEEE Power Engineering Society. Anais.
p.376-382. doi: 10.1109/TDC.1994.328403, 1994.
[3] S. Haykin, Redes neurais: princípios e prática. 2a. Edição, Porto Alegre: Bookman, 2001.
[4] X. Yang; M. Choi; S. Lee; C. Ten; S. Lim, "Fault Location for Underground Power Cable Using Distributed Parameter Approach". Power
Systems, IEEE Transactions on, v. 23, p. 1809-1816. doi:
10.1109/TPWRS.2008.2002289, 2008.
[5] M. T. Hagan; M. B. Menhaj, "Training Feedforward Networks with the Marquardt Algorithm", IEEE Transactions on Neural Networks, v. 5, 1994, pp. 989-993.
[6] E. Matsomoto, MATLAB 6.5: Fundamentos de Programação. São Paulo: Editora Erica, 2002.
VII. BIOGRAFIAS
Danilo Sinkiti Gastaldello é aluno de mestrado da Universidade Estadual Paulista (UNESP) em Engenharia Elétrica. Graduado em Engenharia Elétrica pela Universidade Estadual Paulista (UNESP). Faz parte do Grupo de Pesquisa do Laboratório de Sistemas de Potência e Técnicas Inteligentes (LSISPOTI), onde faz pesquisas em diversos temas.
André Nunes de Souza é graduado pela Universidade Mackenzie em engenharia elétrica e possui títulos de Mestre e Doutor pela Escola Politécnica da Universidade de São Paulo (EPUSP). Trabalhou 12 anos no Laboratório de Alta Tensão do Instituto de Eletrotécnica e Energia da USP. Atualmente é Professor Livre-docente da Universidade Estadual Paulista (UNESP), da Faculdade de Engenharia de Bauru, onde trabalha em tempo integral e possui experiência na área de Sistema Elétrico de Potência. Coordena o Laboratório de Sistemas de Potência e Técnicas Inteligentes (LSISPOTI), onde faz pesquisas em diversos temas como sistemas inteligentes, transformadores, óleos isolantes, descargas atmosféricas e qualidade de energia.
Haroldo Luiz Moretti do Amaral é aluno da Faculdade de Tecnologia de Bauru -FATEC, técnico eletrônico formado no CTI. Faz parte do Grupo de Pesquisa do Laboratório de Sistemas de Potência e Técnicas Inteligentes (LSISPOTI), onde faz pesquisas em diversos temas.
Maria Goretti Zago é graduada em Engenharia Elétrica pela Escola de Engenharia de São Carlos – EESC - USP e mestre pela Universidade de Campinas - UNICAMP. Atuou em uma Indústria do setor elétrico e como professora junto ao Departamento de Engenharia de Produção da Faculdade de Engenharia de Bauru – UNESP. Atualmente hoje é professora na Faculdade de Tecnologia de Bauru - FATEC Bauru- nos cursos de Tecnologia em Sistemas Biomédicos, Tecnologia em Bancos de Dados e Tecnologia em Redes de Computadores Vinculada ao Programa de Doutorado em Engenharia Elétrica da Escola Politécnica da Universidade de São Paulo – EPUSP onde desenvolve seu trabalho de pesquisa na Área de Eficiência Energética.
Caio César Oba Ramos é graduado em Engenharia Elétrica pela Universidade Estadual Paulista Júlio de Mesquita Filho - FEB/UNESP/Bauru (2006). Durante a graduação, desenvolveu projeto de Iniciação Científica, com auxílio de bolsa FAPESP (2004-2006). Em 2007, trabalhou em empresa privada como engenheiro de Desenvolvimento de Produto. Recentemente, terminou o Mestrado em Engenharia Elétrica no curso de Pós-Graduação pela FEB/UNESP/Bauru (2010) com auxílio de bolsa FAPESP, e ingressou no curso de Doutorado do Programa de Pós-Gradução em Engenharia Elétrica da Escola Politécnica da Universidade de São Paulo.
