XVIII Seminário Nacional de Distribuição de Energia Elétrica
SENDI 2008 - 06 a 10 de outubro
Olinda - Pernambuco - Brasil
Aplicação de Ferramentas Computacionais Inteligentes em Estudos de Localização de
Falhas em Sistemas Subterrâneos de Distribuição
André Nunes de Souza, Maria Goretti Zago, Caio
César Oba Ramos e Jorge F. B. Aith
Daniel Bento dos Santos,
Sunny Jonathan e
Wagner Pereira
Laboratório de Sistemas de Potência e Técnicas
Inteligentes - LSISPOTI - UNESP - Bauru
AES Eletropaulo
andrejau@feb.unesp.br daniel.bento@AES.com
Palavras-chave
Localização de Falhas
Qualidade de Energia
Redes Neurais Artificiais
Redes Subterrâneas
Sistemas Inteligentes
Resumo
O objetivo deste trabalho é o desenvolvimento de um sistema inteligente para auxiliar na localização
de falhas em instalações subterrâneas. As características mais atrativas dos sistemas inteligentes
consistem em sua elevada habilidade em mapear sistemas não-lineares, além de tratar das eventuais
incertezas associadas aos mesmos. Os métodos tradicionais de localização de falhas em instalações
subterrâneas são realizados basicamente através de testes de continuidade, o que demanda bastante
tempo e inclui grande quantidade de escavações na via pública. Visando a realização dos ensaios
experimentais para a obtenção dos dados para o treinamento e validação da Rede Neural Artificial
(RNA) foi construída uma linha piloto. A aquisição dos sinais foi realizada com um reflectômetro.
Depois de muitas análises e da realização de simulações utilizando-se do Toolbox Neural Network, do
software Matlab, a RNA foi implementada. Após o treinamento e as simulações da RNA, os resultados
preliminares obtidos foram analisados. Baseado nos resultados pode-se considerar que a RNA obteve
um resultado satisfatório localizando corretamente os terminais onde a falha estava presente. Assim, as
informações fornecidas pela RNA permitiram a determinação do local onde ocorreu o defeito.
1. Introdução e Contextualização do Problema
Instalações subterrâneas necessitam de um dispositivo preciso e automático para determinar falhas
ocasionadas por problemas técnicos e operacionais. A determinação precisa de falhas implica na
agilidade em seu reparo, não interrupção do fornecimento de energia, redução dos custos de reparo,
devido à dificuldade de identificação do local onde a falha ocorreu, entre outros.
O método da determinação de falhas e sua localização pela reflexão de ondas foi utilizado neste
projeto. Ele é muito vantajoso, pois não há necessidade de se intervir em toda a rede de distribuição.
Tal método é conhecido como TDR – Time Domain Reflectometry e é um dos métodos mais comuns
de detecção de falhas em linhas aéreas e subterrâneas, sendo amplamente aplicado em linhas de
transmissão (ANCELL & GALE). Desta forma, o objetivo desse trabalho consiste na implementação
de sistemas inteligentes que possam auxiliar no processo de localização de falhas em instalações
subterrâneas de energia elétrica.
A capacidade dos sistemas inteligentes em mapear sistemas não-lineares complexos, sem a
necessidade de conhecimento sobre eventuais modelos matemáticos que os descrevem, é uma das
características que os tornam atrativos para aplicação em processos de localização de falhas em
instalações subterrâneas. Entre as várias ferramentas que constituem os Sistemas Inteligentes,
destacam-se as Redes Neurais Artificiais (Artificial Neural Networks), a Lógica Nebulosa (Fuzzy
Logic), os Algoritmos Genéticos e os Sistemas Caóticos (HAYKIN, 1999).
As Redes Neurais Artificiais (RNA) são modelos computacionais que utilizam técnicas de
processamento inerentemente paralelas e adaptativas através de um grande número de unidades
simples de processamento. A semelhança entre os sistemas biológicos e as redes está no fato que
ambas possuem altas taxas de computação através de um grande número de elementos simples de
processamento com alto grau de conectividade entre si. Por outro lado, a lógica nebulosa pode ser
aceita como a melhor maneira de se representar o raciocínio humano, que é parcial e aproximado em
sua essência. Este raciocínio é capaz de tomar decisões racionais em ambientes de incerteza e
imprecisão onde são manipuladas informações incompletas ou mesmo conflitantes. A tecnologia
advinda da teoria dos conjuntos nebulosos e da lógica nebulosa tem permitido sua aplicação em
diversas áreas do conhecimento (HAYKIN, 1999).
Um outro ramo de pesquisa associado à aplicação de sistemas inteligentes consiste em usar técnicas de
sistemas fuzzy na solução de problemas envolvidos com a identificação e localização de faltas
(JARVENTAUSTA, 1994). Em pesquisas realizadas na “Pacific Gas & Electrical Company” da
Califórnia, um método que utiliza os sinais referentes à ocorrência de uma falta, os quais foram
integrados com resultados obtidos de simulação de situações de falta, foi desenvolvido com bastante
sucesso (LIU, 1996). Os resultados obtidos pelo sistema fuzzy foram melhores que aqueles
previamente obtidos por técnicas convencionais, cujos modelos foram desenvolvidos utilizando
apenas dados registrados pelos dispositivos de proteção. Um outro método fuzzy semelhante a este é
proposto em (CELIK, 1999).
3. Metodologia Experimental
A metodologia experimental foi composta por ensaios que serviram de subsídios para a concepção da
abordagem neural (sistemas inteligentes). Esses ensaios foram realizados no Laboratório de Sistemas
de Potência e Técnicas Inteligentes – LSISPOTI da UNESP-Bauru e contaram com a construção de
uma linha piloto e de uma extensão de cabos e a utilização de um reflectômetro (TDR 4200 da Riser
Bond). A disposição desta linha piloto pode ser observada na Figura 1.
De maneira a se obter acesso rápido às informações da linha, um “layout” da mesma foi preparado e
todas as medidas disponíveis foram realizadas utilizando-se uma escala adequada. As Figuras 2 e 3
representam respectivamente o “layout” da linha construída e da extensão de cabo, a qual, quando
necessário, será conectada em série à linha piloto para a realização de ensaios.
Observa-se que na linha piloto, construída para os ensaios, existem 11 terminais disponíveis, sendo
acessíveis apenas os terminais 1, 3, 5, 6, 8, 10 e 11 representados na Figura 2.
Figura 1 – Disposição da linha piloto.
As cotas indicadas nas Figuras 2 e 3 representam medidas em metros (m), sendo que estas foram
obtidas com o auxílio de uma trena.
Figura 2 – Representação da Linha Piloto.
Figura 3 – Cabo de extensão utilizado.
O ponto 6 ilustrado na Figura 2 consiste em uma emenda acessível que pode ser conectada conforme
as necessidades do ensaio. Esta emenda é mostrada na Figura 4.
A Tabela 1 indica as distâncias entre todos os pontos da combinação linha-extensão.
Tabela 1 – Distâncias entre os pontos (m)
0
1
2
3
4
5
6
7
8
9
10
11
0
20,88 23,28 27,07 25,28
29,28
30,20
31,86
34,96
33,31 35,95 34,69
1
20,88
2,40
6,19
4,40
8,40
9,32
10,98
14,08
12,43 15,07 13,81
2
23,28 2,40 3,79 2,00 6,00 6,92 8,58 11,68
10,03
12,67
11,41
3
27,07
6,19
3,79
5,79
9,79
10,71
12,37
15,47
13,82 16,46 15,02
4
25,28 4,40 2,00 5,79 4,00 4,92 6,58 9,68 8,03 10,67 9,41
5
29,28
8,40
6,00
9,79
4,00
8,92
10,58
13,68
12,03 14,67 13,41
6
30,20 9,32 6,92 10,71 4,92 8,92 1,66 4,76 3,11 5,75 4,49
7
31,86 10,98
8,58
12,37
6,58
10,58
1,66
3,10
1,45
4,09
2,83
8
34,96 14,08 11,68 15,47 9,68 13,68
4,76 3,10
4,55 7,19 5,93
9
33,31 12,43 10,03 13,82
8,03
12,03
3,11
1,45
4,55
2,64
1,38
10
35,95 15,07 12,67 16,46 10,67
14,67
5,75 4,09 7,19 2,64
4,02
11
34,69 13,81 11,41 15,02
9,41
13,41
4,49
2,83
5,93
1,38
4,02
4. Resultados dos Ensaios Experimentais
Os ensaios de faltas simuladas com a linha desenergizada foram realizados inicialmente com o TDR
da Riser Bond. Este aparelho realiza a determinação de falhas e sua localização pelo método da
reflexão de ondas (reflectometria). A reflectometria no domínio do tempo é um método para o envio
de pulsos de tensão através de um fio ou cabo com a finalidade de detectar curtos-circuitos ou
circuitos abertos. Este método é muito vantajoso, pois não há necessidade de se intervir em toda a
rede de distribuição. O TDR empregado nos ensaios realiza a amostragem dos sinais, perfazendo um
total de 6144 pontos para cada medição. Cada ponto capturado pelo TDR é constituído por um valor
de tensão e pela distância em relação ao ponto de aplicação do TDR na rede, no momento da
realização da amostragem. Portanto, cada ensaio pode ser representado por uma matriz de 6144 linhas
e 2 colunas.
Depois de cada ensaio, o aparelho permite que os sinais obtidos sejam salvos como arquivos em
extensão “.csv”. Ele possibilita também a exportação serial deste arquivo. Assim, estes arquivos
podem ser tratados por programas que os suportem com esta extensão.
Para cada ensaio, três medidas foram efetuadas, sendo duas entre o terminal neutro (enumerado como
0) e duas fases (enumeradas 1 e 2), e outra entre as fases 2 e 3. Uma medida entre o terminal neutro e a
fase 1 também foi realizada quando nenhum ponto se encontrava curto-circuitado. As faltas simuladas
foram realizadas sempre entre dois condutores enumerados “0” e “1” em todos os pontos acessíveis da
linha, com exceção do ponto 1 onde foi conectado o TDR para as medições sem a extensão. A Figura
5 ilustra as faltas simuladas nos pontos 5 e 11.
A associação entre os pontos realizados e as denominações dos arquivos se encontra na Tabela 2.
Ressalta-se que estes ensaios foram realizados sem a extensão de cabo.
Figura 5 – Faltas simuladas nos pontos 5 (esquerda) e 11 (direita).
Tabela 2 – Ensaios realizados.
Nome do Arquivo
Fases medidas
Ponto de Curto
APONTO3.csv
APONTO5.csv
APONTO6.csv
APONTO8.csv
APONTO10.csv
Ensaio 1
APONTO11.csv
0 – 1
Sem curto
ZUPONTO3.csv 0
–
1
ZDPONTO3.csv 0
–
2
Ensaio 2
DTPONTO3.csv 2
–
3
3
ZUPONTO5.csv 0
–
1
ZDPONTO5.csv 0
–
2
Ensaio 3
DTPONTO5.csv 2
–
3
5
ZUPONTO6.csv 0
–
1
ZDPONTO6.csv 0
–
2
Ensaio 4
DTPONTO6.csv 2
–
3
6
ZUPONTO8.csv 0
–
1
ZDPONTO8.csv 0
–
2
Ensaio 5
ZTPONTO8.csv 2
–
3
8
ZUPONTO10.csv 0
–
1
ZDPONTO10.csv 0
–
2
Ensaio 6
DTPONTO10.csv 2
–
3
10
ZUPONTO11.csv 0
–
1
ZDPONTO11.csv 0
–
2
Ensaio 7
DTPONTO11.csv 2
–
3
11
A fim de se realizar uma avaliação visual, pode-se plotar as formas de onda dos sinais adquiridos
durante os ensaios.
0 500 1000 1500 2000 2500 3000 1.62 1.625 1.63 1.635 1.64 1.645 1.65 1.655 1.66x 10 4 Sinal Comprimento (metros) A m p lit u d e
Figura 6 – Sinais obtidos durante o Ensaio 1.
0 500 1000 1500 2000 2500 3000 1.62 1.625 1.63 1.635 1.64 1.645 1.65 1.655 1.66x 10 4 Sinal Comprimento (metros) A m p lit u d e
Figura 7 – Sinais obtidos durante o Ensaio 2.
0 500 1000 1500 2000 2500 3000 1.62 1.625 1.63 1.635 1.64 1.645 1.65 1.655 1.66x 10 4 Sinal Comprimento (metros) A m pl it ud e
Figura 8 – Sinais obtidos durante o Ensaio 3.
Em seguida, todo o procedimento anterior foi repetido com a extensão de cabo conectada em série
com a linha, sendo desta vez o TDR conectado no ponto 0, ou seja, no início da extensão de cabo. As
respectivas associações entre os pontos realizados e as denominações dos arquivos se encontram na
Tabela 3. Os parâmetros utilizados para as medições com o TDR foram: VOP: 75,1 m/µs, Largura de
Pulso: 2 ns, Ganho: 16X.
Tabela 3 – Ensaios realizados na linha com a extensão
Nome do Arquivo
Fases medidas
Ponto de Curto
Ensaio 8
AP3E.csv
0 – 1
Sem curto
ZUP3E.csv 0
–
1
ZDP3E.csv 0
–
2
Ensaio 9
DTP3E.csv 2
–
3
3
ZUP5E.csv 0
–
1
ZDP5E.csv 0
–
2
Ensaio 10
DTP5E.csv 2
–
3
5
ZUP6E.csv 0
–
1
ZDP6E.csv 0
–
2
Ensaio 11
DTP6E.csv 2
–
3
6
ZUP8E.csv 0
–
1
ZDP8E.csv 0
–
2
Ensaio 12
DTP8E.csv 2
–
3
8
ZUP1E.csv 0
–
1
ZDP1E.csv 0
–
2
Ensaio 13
DTP1E.csv 2
–
3
1
ZUP10E.csv 0
–
1
ZDP10E.csv 0
–
2
Ensaio 14
DTP10E.csv 2
–
3
10
ZUP11E.csv 0
–
1
ZDP11.csv 0
–
2
Ensaio 15
DTP11E.csv 2
–
3
11
Assim, é possível a visualização dos gráficos dos sinais obtidos durante os ensaios da Tabela 3. Estes
gráficos podem ser observados nas figuras a seguir.
0 500 1000 1500 2000 2500 3000 1.62 1.63 1.64 1.65 1.66 1.67 1.68x 10 4 Sinal Comprimento (metros) A m pl it ude
0 500 1000 1500 2000 2500 3000 1.62 1.63 1.64 1.65 1.66 1.67 1.68x 10 4 Sinal Comprimento (metros) A m p lit u d e
Figura 10 – Sinais obtidos durante o Ensaio 9.
0 500 1000 1500 2000 2500 3000 1.62 1.63 1.64 1.65 1.66 1.67 1.68x 10 4 Sinal Comprimento (metros) A m p lit u d e
Figura 11 – Sinais obtidos durante o Ensaio 10.
Após a realização dos ensaios experimentais, fez-se uma observação cuidadosa nos arquivos que
continham estes ensaios. Através desta observação puderam-se efetuar algumas conclusões, tais como:
a) O fundo de escala do TDR utilizado nas medições é bem maior que o comprimento total da linha
piloto utilizada na realização dos ensaios desta pesquisa. Assim, pode-se alimentar o Sistema
Inteligente a ser desenvolvido, somente com um número de pontos que realmente representem as
medições realizadas na linha piloto; b) Os sinais obtidos durante os ensaios, em que nenhuma falha é
provocada, são idênticos, independentes do ponto em que o TDR é aplicado. Deste modo, os ensaios
com este tipo de configuração podem ser descartados, já que os mesmos não terão nenhuma influência
na implementação do Sistema Inteligente a ser desenvolvido; c) O período de amostragem do TDR
utilizado nos ensaios é sempre o mesmo. Desta maneira, pode-se utilizar, como dados padrões na
implementação do Sistema Inteligente, somente os valores de tensão que foram amostrados em cada
ponto; d) Como já mencionado, os arquivos gerados pelo TDR são extremamente longos. Isto dificulta
o tratamento destes arquivos durante a construção do Sistema Inteligente. Para solucionar esta situação
adversa, estes arquivos foram submetidos a um algoritmo que faz o cálculo do RMS do sinal obtido.
Assim, a amostragem dos pontos pode ser reduzida sem perder as características observadas nos
ensaios. Além disso, este algoritmo também faz o concatenamento dos sinais obtidos durante cada
ensaio, seguindo o que foi exposto nas Tabelas 2 e 3. Desta forma, este arquivos estão prontos para
serem utilizados na construção da Arquitetura Neural.
5. Abordagem Neural
As RNAs consistem em um método de solucionar problemas relacionados à engenharia e ciências por
intermédio de circuitos simples que simulam o cérebro humano, inclusive seu comportamento, ou seja,
aprendendo, errando e fazendo descobertas. Uma RNA é formada por pequenos módulos que simulam
o funcionamento de um neurônio. Estes módulos funcionam de acordo com os elementos em que
foram inspirados, recebendo e transmitindo informações. O modelo de neurônio artificial mais simples
que engloba as principais características de uma rede neural biológica, paralelismo e alta
conectividade, foi proposto por McCulloch e Pitts, em 1943, e é um neurônio composto por um
combinador linear e uma função de sinal. A Figura 12 apresenta o modelo de um neurônio artificial.
Figura 12 – Modelo de um neurônio artificial, MaCulloch e Pitts
Os pesos são adaptados até que a rede seja capaz de identificar um padrão de entrada e processar uma
resposta correta com relação a esse padrão. Após, ocorre à fase de testes onde padrões pertencentes às
mesmas categorias dos padrões de treino, porém, que ainda não foram apresentados à rede, são
testados e a capacidade de generalização da rede é avaliada. Se houve sucesso, a rede está pronta para
ser implantada. A literatura sobre RNAs propõe que aproximadamente 75% dos dados sejam usados
para o treinamento e 25% para a validação da rede. Deste modo, a separação dos dados (ensaios) foi
realizada da maneira como mostrado nas Tabelas 4 e 5.
Tabela 4 – Dados utilizados no treinamento da Rede Neural.
Nome do Arquivo
Ponto de Curto
ensaio2_rms 3
ensaio3_rms 5
ensaio5_rms 8
ensaio6_rms 10
ensaio7_rms 11
ensaio9_rms 3
ensaio11_rms 6
ensaio12_rms 8
ensaio13_rms 1
ensaio15_rms 11
Tabela 5 – Dados utilizados na validação da Rede Neural.
Nome do Arquivo
Ponto de Curto
ensaio4_rms 6
ensaio10_rms 5
ensaio14_rms 10
Depois que todos os arquivos dos sinais foram tratados, realizou-se a construção da Rede Neural que
irá localizar os pontos de falha para a linha piloto ensaiada.
Observando os arquivos das Tabelas 4 e 5, constatou-se que cada ensaio pode ser representado por
uma matriz de 288 linhas e 1 coluna. Conseqüentemente, a RNA será composta por 288 neurônios na
camada de entrada. Como foram separados 10 ensaios para o treinamento da RNA, a matriz de entrada
de padrões para o treinamento da RNA ficou constituída de 288 linhas por 10 colunas.
Conforme foi exposto anteriormente, a Linha Piloto dispõe de 7 terminais acessíveis (as emendas 1, 3,
5, 6, 8, 10 e 11). Tendo isto em vista, pode-se representar o número das emendas por um número
binário de 3 bits. Esta representação encontra-se na Tabela 6.
Tabela 6 – Representação binária das emendas.
Emenda Representação
Binária
1 001
3 010
5 011
6 100
8 101
10 110
11 111
Deste modo, conclui-se que a RNA a ser construída deve possuir 3 neurônios na camada de saída.
Assim, a matriz de saída utilizada durante o treinamento é composta por 3 linhas e 10 colunas.
Com base nas definições realizadas acima e nos conhecimentos teóricos obtidos durante o
desenvolvimento desta pesquisa, pôde-se construir a RNA.
Depois de muitas análises e da realização de simulações, utilizando-se do toolbox Neural Network, do
software Matlab, a Rede definida para a implementação do Sistema Inteligente foi a Feed-Forward
Backpropagation, através do comando “newff”.
A Figura 13 apresenta a arquitetura desenvolvida, onde a seguinte configuração foi utilizada:
Camada de Entrada: 288 neurônios (valores de tensão dos pontos amostrados).
Camadas Ocultas:
Primeira camada oculta: 31 neurônios.
Função de ativação: Sigmóide
Segunda camada oculta: 21 neurônios.
Função de ativação: Sigmóide
Camada de Saída: 3 neurônios.
Função de ativação: Sigmóide.
Para o treinamento da RNA, foram seguidos os seguintes parâmetros básicos:
Algoritmo de Treinamento: Traingd; critério de parada por erro: 1.0*10-4; critério de parada por
épocas: 100000.
O número de épocas significa a quantidade de vezes que todo o conjunto de treinamento deve ser
apresentado à rede neural para que a mesma consiga mapear adequadamente o relacionamento entre as
entradas e saídas. O gráfico da Figura 14 apresenta o desempenho da RNA durante o treinamento.
Figura 13 – Modelo de um neurônio artificial, MaCulloch e Pitts
0 1 2 3 4 5 6 7 x 104 10-5 10-4 10-3 10-2 10-1 100 72672 Epochs T rai ni ng-B lue G o a l-B la c kPerformance is 9.99986e-005, Goal is 0.0001