Abstract— The increase in size of the current electric power systems has led to the development of monitoring techniques that includes online and offline analysis. One of the most common offline techniques is the disturbance records systems, based on oscillographic records, generated by Digital Fault Recorders and allow the analysis of the electrical quantities and logical signal (from protection devices). Generally, in power plants, all the data are centralized in the utility data center and this results in an excess of data that difficults the task of analysis by the specialist engineers. This paper shows a methodology for automatic analysis of disturbances in power plants based on fuzzy reasoning. The objective of the system is to help the engineer responsible for the analysis of the records by means of a pre-classification of data and also, diagnose the relevant occurrences.
Keywords— Fuzzy Logic, Digital Fault Recorder, Power Plant, Oscillographic Records, Electric Power Systems.
I.INTRODUÇÃO
TUALMENTE, devido ao constante aumento dos SEPs (Sistemas Elétricos de Potência), estão sendo empregadas diversas técnicas de monitoramento, tais como: sistemas SCADA (Supervisory Control and Data Acquisition), sistemas WAMS (Wide Area Measurement System), além dos sistemas baseados em registros oscilográficos (oscilografias), que são vastamente empregados na análise offline, ou seja, na análise dos efeitos dos distúrbios que afetam nos SEPS após a ocorrência [1]. Registros oscilográficos consistem em uma representação da forma de onda das grandezas elétricas, mostrando seus comportamentos em um intervalo temporal. O equipamento responsável por esses registros é o RDP (Registrador Digital de Perturbação). Geralmente, as grandezas apresentadas pelos registros oscilográficos são: tensão, corrente e frequência. Entretanto, informações acerca dos dispositivos de proteção (estado lógico operacional dos equipamentos) também são registrados, auxiliando assim a análise da ocorrência. Logo, para cada anomalia que ocorre no SEP (faltas, variações abruptas de carga, etc) um registro é gerado, implicando assim, em um elevado número de registros gerados diariamente. Nas usinas geradoras atuais, todos esses registros são concentrados em um centro de informação, onde engenheiros analistas são responsáveis por triar e analisar todos os registros gerados. Essa tarefa é laboriosa, uma vez que em uma usina geradora, inúmeros são os registros que podem ser automaticamente descartados, por se tratarem de
D. A. G. Cieslak, Universidade Tecnológica Federal do Paraná (UTFPR), Pato Branco, Paraná, Brasil, dionatan.a.g.cieslak@gmail.com
M. Moreto, Universidade Federal de Santa Catarina (UFSC), Florianópolis, Santa Catarina, Brasil, miguel.moreto@ufsc.br
registros oriundos de procedimentos operacionais das unidades de geração.
Tendo em vista o problema do excesso de dados, diversas técnicas de análise automática vêm sendo propostas, visando otimizar o trabalho dos engenheiros analistas. A grande maioria dessas técnicas se fundamentam na aplicação de técnicas de IA (Inteligência Artificial) para desenvolvimento de algoritmos de tomada de decisão.
Em [2], McArthur e Davidson propõe um sistema multiagente que consiste na análise dos dados provenientes de um sistema SCADA e, também, das informações oriundas dos RDPs. Fundamentalmente, o sistema é composto por seis agentes, onde cada agente é responsável por uma tarefa específica (análise dos alarmes do sistema de proteção, análise das grandezas elétricas, etc.). O sistema relaciona os registros oscilográficos com as informações da proteção, permitindo assim avaliar qual dos registros está de fato relacionado com o incidente e ainda, classificar as faltas de acordo com sua natureza. Já em [3], Costa et al. desenvolvem um método de detecção de falta em sistemas de transmissão via análise da energia janelada dos coeficientes Wavelet das tensões e das correntes dos registros oscilográficos.
Outra abordagem para detecção de distúrbios em linhas de transmissão é abordada em [4], os autores propõem um sistema capaz de detectar faltas, identificar a linha faltosa, determinar o tipo de falta e, determinar a exata localização da falta. Basicamente, trata-se de um sistema híbrido onde, a detecção, identificação da linha e determinação do tipo de falta são obtidas por meio de comparação lógica de valores, comparando os desvios de tensão para cada fase (em relação ao valor da tensão sob condições nominais) em uma determinada amostra de tempo. Já a tarefa de localização de falta é efetuada por uma máquina de vetores de suporte (SVM, do inglês: support vector machine), que avalia o valor da corrente de sequência positiva que flui entre duas barras. Além de se mostrar extremamente rápido (quase tanto quanto um sistema online), o sistema se mostrou capaz de estimar a localização de faltas com erro de cerca de 0,01%.
Em [5], Goli et al. apresentam uma abordagem para detecção e classificação de faltas em linhas de transmissão que estão sob ação de um UPFC (Unified Power Flow Controller). Por meio da transformada Wavelet, são processados os sinais de corrente e, com base nos coeficientes da transformada, é feita a detecção e o diagnóstico das faltas. Por fim, um sistema
fuzzy é responsável pela localização das faltas.
Como visto, a maioria dos estudos que se propõe a classificar e/ou diagnosticar distúrbios em SEPs é voltado para sistemas de transmissão, uma vez que a grande maioria das faltas acontecem na transmissão [6]. Portanto, há uma
M. Moreto, Member, IEEE and D. A. G. Cieslak
Fuzzy Inference System to Automatic Fault
Classification in Power Plants
motivação para que sejam desenvolvidas metodologias de análise de distúrbios em unidades de geração. Além do mais, um grande percentual de eventos que ocorrem em uma planta de geração (que geram registros nos RDPs), podem ser automaticamente desconsiderados (por se tratarem de procedimentos operacionais conhecidos ou, comportamentos do sistema que não se caracterizam como distúrbios nocivos ao SEP) [7]. Visando esses aspectos e buscando a minimização do trabalho de análise de registros oscilográficos por intermédio dos engenheiros analistas, busca-se neste trabalho a proposição de uma metodologia de análise automática de registros oscilográficos que objetiva diferenciar eventos nocivos ao SEP (que causam desligamento de unidades) de eventos típicos em plantas de geração. O sistema analisará registros oscilográficos de longa duração (fasoriais) e, baseado na filosofia fuzzy, será capaz de diagnosticar o evento que resultou no registro oscilográfico e, em caso de desligamento da unidade, classificar a natureza do distúrbio.
II. SISTEMA PROPOSTO
O detalhamento do sistema fuzzy proposto pode ser visto na Figura 1 Início Registro oscilográfico de longa duração Cálculo das componentes simétricas Segmentação das grandezas elétricas Cálculo do valor Médio para cada
segmento Sistema Fuzzy I - Diagnóstico do estado operacional do gerador Desligamento Forçado? Sistema Fuzzy II - Classificação da natureza do distúrbio Relatório final do evento Fim SIM NÃO
Figura 1. Fluxograma descrevendo a metodologia de diagnóstico e classificação de distúrbios.
Os dados avaliados pelo sistema consistem nos registros de longa duração oriundos dos RDPs. A primeira etapa do sistema é dada pela determinação das componentes simétricas das grandezas elétricas (tensões de fase e correntes de linha do gerador). Uma vez calculadas, as componentes simétricas são submetidas a um processo de segmentação (proposto por [8]), que consiste na extração de características fundamentais para análise do distúrbio. O processo de segmentação retorna três segmentos (um para cada componente simétrica), são eles: valores pré-distúrbio, valores durante o transitório e valores pós-distúrbio. Por fim, uma vez dispondo de todos os segmentos, determina-se a média desses valores a fim de simplificar a análise. As informações obtidas na etapa de processamento são apresentadas na Tabela I.
TABELA I. VARIÁVEIS SEGMENTADAS DO REGISTRO OSCILOGRÁFICO.
Variável Descrição
Vpré
Valor médio da componente de sequência positiva da tensão durante o segmento
pré-transitório. Vtransitório
Valor médio da componente de sequência negativa da tensão durante o segmento
transitório. Vpós
Valor médio do componente de sequência positiva da tensão durante o segmento
pós-transitório. Ipré
Valor médio da componente de sequência positiva da corrente durante o segmento
pré-transitório. Itransitório
Valor médio da componente de sequência negativa da corrente durante o segmento
transitório. Ipós
Valor médio da componente de sequência positiva da corrente durante o segmento
pós-transitório.
As variáveis acima mencionadas determinam as entradas do Sistema Fuzzy I (diagnóstico de distúrbios). Sendo assim, com base nessas seis variáveis (combinadas de maneira a representar determinados padrões de distúrbio), juntamente com um conjunto de regras de inferência que tem como função retratar o conhecimento humano desempenhado pelos engenheiros responsáveis pela análise oscilográfica, o sistema é capaz de diagnosticar os possíveis estados operacionais do gerador, bem como, quando se tratar de um evento que tenha causado desligamento na unidade, classificar a natureza desse distúrbio.
Com base nesses aspectos, o sistema fuzzy precisa ser devidamente modelado. As variáveis de entrada do sistema
fuzzy I são modeladas com base em funções de pertinência do
tipo trapezoidais (tais funções, por se tratarem de formas geométricas elementares, implicam numa maior simplicidade do sistema fuzzy). As variáveis de entrada do sistema podem ser vistas nas Figura 2, 3 e 4.
Figura 2. Variável de entrada - Tensão pré-transitório (Vpré).
.
Figura. 3. Variável de entrada - Corrente pré-transitório (Ipré).
Figura 4. Variável de entrada - Variação de corrente (ΔI).
O sistema fuzzy I é composto por cinco variáveis de entrada: Vpré, Vpós, Ipré, Ipós e ΔI. Por motivo de simplicidade, as variáveis de entrada Vpós e Ipós foram omitidas das figuras, entretanto, elas apresentam os mesmos parâmetros que as variáveis apresentadas nas Figs. 2 e 3, respectivamente.
Já as variáveis de saídas são todas do tipo Singleton, pois se tratarem de informações criadas com base no conhecimento humano, e, fundamentalmente, conhecidas por intermédio do comportamento das grandezas elétricas durante o distúrbio. Sendo assim, para cada possível estado operacional, um valor constante que representa o estado é proposto. As variáveis de saídas são apresentadas na Figura 5
Figura 5. Variável de saída - Estado operacional da unidade.
Onde para cada letra (A-N) são relacionados possíveis estados operacionais da unidade geradora. Sendo assim, A representa o estado operacional Energização plena, B: Energização incompleta, C: Energização plena com carga, D: Energização plena com baixo carregamento, E:
Desenergização plena, F: Desenergização incompleta, G:
Desligamento forçado, H: Evento desconhecido, I: Unidade desligada, J: Operação normal, K: Unidade isolada, L: Sincronismo, M: Incremento de carga e N: Decremento de carga.
Uma vez fuzzificadas as informações de entrada e saída do sistema, se faz necessária a modelagem do mecanismo de inferência, responsável pelo raciocínio do sistema. A maioria dos sistemas de inferência fuzzy são baseados nos cognitivos lógicos SE-ENTÃO, para tomada de decisão. Por meio desse método, são relacionados termos antecedentes (premissas) com termos consequentes (conclusões) [9], por exemplo, um evento operacional conhecido pode ser descrito da seguinte forma: SE Vpré é Nula E Vpós é Nominal E Ipré é Nula e Ipós é Nula ENTÃO Estado Operacional é Energização plena. Finalmente, após a etapa de inferência, as informações resultantes do processo de inferência precisam ser “traduzidas” para o universo analítico, entretanto, o sistema aqui proposto se baseia no modelo Sugeno de inferência e, sabe-se que, esse método não necessita da etapa de defuzzificação [9], uma vez que a saída do sistema de inferência é uma soma ponderada de todas as regras ativadas, representando assim, o valor analítico referente ao processo de inferência.
Como pode ser visto na Figura 1, existem dois sistemas
fuzzy distintos (sistema fuzzy I), e outro responsável pela
classificação dos distúrbios que causam o desligamento das unidades (sistema fuzzy II). Da mesma forma, para o sistema de classificação de faltas, se faz necessária a etapa de fuzzificação, deste modo, são modeladas três variáveis de entrada (que são oriundas das informações extraídas do registro oscilográfico - TABELA I). As variáveis de entrada do sistema fuzzy II são mostradas nas Figs. 6, 7 e 8. Da mesma forma, os distúrbios são classificados de acordo com a sua natureza, desta forma, a Figura 10 apresenta as possíveis saídas do sistema de classificação de falta, ou seja, FT representa uma falta do tipo Monofásica, FF: Falta bifásica e
FFT: Falta bifásica-terra.
Para tal tarefa de classificação, o sistema fuzzy é modelado de acordo com as variáveis de entrada do sistema fuzzy de diagnóstico de eventos (Vpré, Vpós, Ipré, Ipós). Porém, considerando agora a variação dessas grandezas durante o registro, ou seja: pré pós
V
V
V
=
−
Δ
(1) pré pósI
I
I
=
−
Δ
(2)Além disso, sabe-se que durante um distúrbio, cada uma das faltas listadas apresenta características próprias (de acordo com suas componentes simétricas) [10]. Sendo assim, para uma Falta Monofásica tem-se que:
I
(1)≅
I
(2)≅
I
(0)e) 0 ( ) 2 ( ) 1 (
V
V
V
≅
+
. Já uma Falta Bifásica:I
(1)≅
−
I
(2),) 2 ( ) 1 (
V
V
≅
eV
(0)≅ I
(0)≅
0
. Por fim, para uma FaltaBifásica-terra, tem-se que:
I
(1)≅
−
I
(2)−
I
(0) eTensão pré-transitório [p.u]
G ra u d e p er ti nê nc ia 0 0.2 0.2 0.4 0.4 0.6 0.6 0.8 0.8 1
1 Nula Intermediária Nominal
Corrente pré-transitório [p.u]
Nula Intermediária Nominal
G ra u d e p er ti nê nc ia 0 0.2 0.2 0.4 0.4 0.6 0.6 0.8 0.8 1 1 ΔI [p.u] Negativa Positiva G ra u d e p er ti nê nc ia -1 -0.5 0.2 0 0.4 0.5 0.6 0.8 1 1 Es tado operacional G ra u de pe rt in ên cia 0 .5 1 .0 A B C D E F G H I J K L M N 6 3 9 1 2 4 5 7 8 1 0 1 1 1 2 1 3 1 4
) 0 ( ) 2 ( ) 1 (
V
V
V
≅
≅
. Com base nesses aspectos se faz necessário encontrar uma característica comum para cada tipo de falta (visando definir uma variável que auxilie na classificação dos distúrbios). Para isso, propõe-se aqui o Fatorde tensão negativa desbalanceada (
ψ
):) 2 ( ) 0 ( o transitóri o transitóri
V
V
=
ψ
(3)Logo, de acordo com o valor de
ψ
, pode-se concluir acerca da natureza do distúrbio, uma vez que quandoψ
≅
0
, pode-se afirmar que trata-se de uma falta bifásica. Para1
≅
ψ
, tem-se a característica de uma falta bifásica-terra. Por fim, para uma falta monofásica pode ocorrer duas situações distintas. Primeiramente, quando0
<
ψ
<
1
, caracteriza uma falta monofásica com impedância de sequência zero tendendo a zero. Quandoψ
>
1
, trata-se também de uma falta monofásica, entretanto, caracterizada por uma alta impedância de sequência zero (quando o gerador é aterrado por meio de uma impedância).Figura 6. Variável de entrada - Variação de tensão (ΔV).
Figura 7. Variável de entrada - Variação de corrente (ΔI).
Figura 8. Variável de entrada - Fator de tensão negativa desbalanceada (ψ).
Figura 9. Detalhe da variável de entrada ψ.
Figura 10. Variável de saída - Tipo da falta.
Assim como o sistema fuzzy responsável pelo diagnóstico dos distúrbios, a classificação das faltas também é feita estruturada em um sistema fuzzy de inferência do tipo Sugeno, utilizando os mesmos conceitos SE-ENTÃO, anteriormente mencionados. Desta forma, uma possível classificação do sistema pode ser apreciada através da seguinte regra: SE ΔV é Alta E ΔI é Alta E ψ é Unitário ENTÃO Tipo da falta é FFT.
III. RESULTADOS
A metodologia de diagnóstico e classificação aqui proposta é validada de duas maneiras distintas. Primeiramente, o sistema fuzzy I (diagnóstico de eventos) é testado com um conjunto de registros oscilográficos reais provenientes dos RDPs de uma planta de geração térmica contendo quatro unidades de geração, cada uma com potência de 24MVA e 6kV. Os RDPs registram a tensão terminal de cada gerador e a corrente que flui para o sistema. Já o sistema fuzzy II é testando, majoritariamente, com dados simulados por intermédio do software Simulink® (porém, alguns testes foram realizados também com registros reais, porém, a quantidade de registros reais que referem-se a casos de desligamento das unidades é pequena). A planta simulada consiste em um gerador de 200MVA e 13,8kV e as variáveis monitoradas são as tensões terminais da máquina e a correntes que fluem para o sistema, além da corrente de neutro do transformador elevador (Δ-Y).
A. Estudo de caso: Desenergização
A desenergização de uma unidade caracteriza-se pela variação da tensão de valores próximos aos nominais para valores próximos de zero e, nenhum carregamento na máquina, isto é, corrente nula e sem variação durante todo o registro. G ra u d e pe rt in ên ci a 0 0.2 0.2 0.4 0.4 0.6 0.6 0.8 0.8 1 1 ΔV [p.u] Baixa Alta 0.2 0.4 0.6 0.8 1 ΔI [p.u] Baixa Alta G ra u d e p er ti nê nc ia 0.2 0.4 0.6 0.8 1 ψ[p.u]
Nulo Baixo Unitário Alto
G rau d e p er ti nê nc ia 0 0.5 0.2 1 0.4 1.5 0.6 0.8 1 ψ[p .u ] Nu lo Baix o G ra u d e pe rt in ê nc ia 0 5 0 .2 1 0 0 .4 1 5 0 .6 0 .8 2 0 2 5 x 1 0- 3 1 Tipo da falta G ra u de pe rt in ên cia 0 .5 1 .0 FT FF FFT 6 3 9 1 2 4 5 7 8 1 0 1 1 1 2 1 3 1 4
1.2 1.0 0.8 0.6 0.4 0.2 0.0 0.0 0 50 Te ns ão [ p. u] Co rr en te [ p. u] Tempo [s] 100 150 200 250 0.16 0.14 0.12 0.10 0.08 0.06 0.04 0.02 IA VA I(0) V(0) I(2) V(2) I(1) V(1)
Um caso típico de desenergização pode ser visto na Fig. 11.
Figura 11. Registro oscilográfico representando a desenergização de uma unidade.
No registro da Fig. 11 pode-se notar que durante todo o intervalo, a componente de sequência positiva se equivale a grandeza de fase, enquanto as componentes de sequência negativa e zero, se mantém nulas durante todo o registro. A linha vertical amarela, representa o janelamento imposto pelo método de segmentação, ou seja, os valores pré-transitório são obtidos pela média dos sinais à esquerda da janela. Já os valores do instante do transitório e pós-transitório, são obtidos pelo cálculo da média dos sinais dentro e à direita da janela, respectivamente. Além disso, o segmento utilizado para extração das características é o segmento da corrente, ou seja, o transitório tido como referência é o transitório da corrente. Portanto, as características extraídas desse registro são: Vpré = 1.0120 p.u, Vpós = 0.0535 p.u, Ipré = 0.1336 p.u e Ipós = 0.0101 p.u. E a regra de inferência ativada foi: SE Vpré é Nominal E Vpós é Nula E Ipré é Nula E Ipós é Nula ENTÃO Estado Operacional é Desenergização com 100% de pertinência.
B. Estudo de caso: Incremento de carga
O incremento de carga é caracterizado pela manutenção da tensão em valores nominais e decremento do valor da corrente (sendo que o valor inicial da corrente não seja nulo). Um registro típico de incremento de carga é apresentado na Figura 12. Por se tratar de uma condição normal do sistema, nota-se que as componentes de sequência negativa e zero se mantém nulas durante todo o registro.
Figura 12. Registro oscilográfico representando o incremento de carga em uma unidade.
O registro em estudo foi submetido ao processo de segmentação e extração de características, tendo como resultados obtidos: Vpré = 1.0106 p.u, Vpós = 1.0044 p.u, Ipré = 0.3775 p.u e Ipós = 0.5846 p.u. Para o evento referente ao registro avaliado, o sistema fuzzy I diagnosticou 2 possíveis estados operacionais, cujas regras de ativação são: SE Vpré é Nominal E Vpós é Nominal E Ipré é Intermediária E Ipós é Intermediária E ΔI é Positiva ENTÃO Estado Operacional é Incremento de carga com 30,9% de pertinência. SE Vpré é Nominal E Vpós é Nominal E Ipré é Intermediária E Ipós é Nominal ENTÃO Estado Operacional é Incremento de carga com 69,1% de pertinência. SE Vpré é Nominal E Vpós é Nominal E Ipré é Intermediária E Ipós é Intermediária ENTÃO Estado Operacional é Operação normal com 30,9% de pertinência.
Como pode ser visto, as informações extraídas do registro ativaram três regras do sistema de diagnóstico de eventos. Entretanto, duas dessas regras representam o mesmo estado operacional (Incremento de carga,), desta forma, é conveniente considerar a regra ativada com maior grau de pertinência.
C. Estudo de caso: Falta Bifásica-terra
A Figura 13 representa um registro oscilográfico simulado de uma falta bifásica-terra aplicada no lado de baixa tensão do transformador de elevação do sistema de simulação adotado (descrito anteriormente).
Figura 13. Registro oscilográfico representando uma falta bifásica-terra em uma unidade.
Figura 14. Detalhe do transitório do registro.
Esse registro foi submetido ao mesmo processo que os demais registros reais, isto é, cálculo das componentes simétricas, segmentação e extração de características e os
Co rr en te [ p. u] 14.0 12.0 10.0 8.0 6.0 4.0 2.0 0.0 0 20 Tempo [s] 40 60 80 100 120 IA I(0) I(2) I(1) 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 Te nsã o [p .u ] V(0) V(2) V(1) VA Co rr en te [ p. u] 14.0 12.0 10.0 8.0 6.0 4.0 2.0 0.0 33.0 33.5 Tempo [s] 34.0 34.5 35.0 35.5 36.0 IA I(0) I(2) I(1) 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 0.0 Te nsã o [ p. u] V(0) V(2) V(1) VA
resultados obtidos foram: Vpré = 1.0004 p.u, Vpós = 0.1014 p.u, Ipré = 0.8576 p.u, Ipós = 0.0012 p.u. Como pode ser visto no registro, o evento caracteriza, indiscutivelmente, um desligamento forçado (caso correspondente à rejeição de carga – onde ocorre a interrupção da corrente, ou seja, redução do valor para próximo de zero e também pela redução da tensão para valores próximos de zero). Desta forma, de acordo com a Figura 1, caso algum registro caracterize um desligamento forçado, ocorrerá a execução de um segundo sistema fuzzy responsável pela classificação do evento. Para isso, algumas outras informações são necessárias (baseadas nas características extraídas do registro): ΔV = 0.899 p.u, ΔI = 0.856 p.u, ψ = 0.979 p.u. Nota-se que tanto a variação de tensão, quanto a variação de corrente durante o registro são próximas de 1 p.u, ou seja, são variações significativas dessas grandezas. E o valor de ψ (fator de tensão negativa desbalanceada) é também praticamente unitário. Desta forma, para esse registro, o sistema fuzzy I deve diagnosticar um evento de desligamento forçado e, o sistema fuzzy II deve classificar a natureza do distúrbio que causou o desligamento. As regras ativadas de ambos os sistemas foram: SE Vpré é Nominal E Vpós é Nula E Ipré é Nominal E Ipós é Nula ENTÃO Estado Operacional é Desligamento forçado com 78,6 % de pertinência. E SE ΔV é Alta E ΔI é Alta E ψ é Unitário
ENTÃO Tipo da falta é FFT com 100% de pertinência.
IV. CONCLUSÃO
Diante do exposto, conclui-se que, o sistema proposto desempenhou de maneira satisfatória o papel de diagnóstico e classificação de eventos em plantas geradoras de energia elétrica. A utilização da lógica fuzzy se mostrou relevante para situações ambíguas presentes em registros oscilográficos (oriundos de erros de registro por intermédio dos RDPs, por exemplo). Para essas situações, o sistema conseguiu obter algum tipo de resposta, ou seja, o sistema de inferência fuzzy não se deparou com nenhuma situação que não o permitisse inferir acerca do registro (fato que ocorre com sistemas baseados em lógica clássica). Ainda em relação ao sistema
fuzzy, com um número relativamente baixo de regras, o
sistema conseguiu atender o proposto, ou seja, trata-se de um sistema relativamente simples e, por ser baseado no conhecimento dos especialistas em oscilográfica, é de fácil manuseio (inserção ou modificação de regras, se necessário).
O sistema foi submetido a um número grande de testes (tanto com registros oscilográficos reais, quanto com registros simulados), e se mostrou confiável para todos os testes. Quando comparado a um sistema de diagnóstico semelhante (presente em [8]), porém baseado em lógica clássica, o sistema apresentou 100% de acerto e, para as situações onde o outro sistema não foi capaz de obter um resultado, o sistema
fuzzy obteve.
Finalmente, com o advento de sistemas automáticos de diagnóstico, o trabalho dos especialistas tende a ser otimizado, uma vez que, para eventos não nocivos ao sistema, o sistema especialista tem total capacidade de avalia-lo e despachá-lo (sem necessidade de intervenção humana) e, para eventos nocivos (que causam desligamento forçado), o sistema fornece
subsídios para avalição humana, ou seja, o sistema proposto não vista substituir o mão-de-obra humana, mas sim, ser uma ferramenta de triagem de ocorrência, auxiliando os especialistas em seu trabalho e, consequentemente, ajudando a diminuir o tempo em que uma unidade fica fora de serviço.
AGRADECIMIENTOS
Os autores agradecem o suporte financeiro concedido pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e o Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) da Universidade Tecnológica Federal do Paraná – Campus Pato Branco.
REFERÊNCIAS
[1] M. Moreto, D. A. G. Cieslak e j. G. Rolim, “Classification of disturbance records in power stations based on fuzzy reasoning,” em
Power Systems Computation Conference, Wroclaw, 2014.
[2] S. D. J. McArthur e E. M. Davidson, “Automated post-fault diagnosis of power system disturbances,” em Power Engineering Society General
Meeting, Montreal, 2006.
[3] F. B. Costa, B. A. Souza e N. S. D. Brito, “Detecção de faltas evolutivas e múltiplos distúrbios em registros oscilográficos baseada na transformada wavelet discreta,” SBA: Controle & Automação, vol. 21, pp. 173-184, Abril 2010.
[4] Y.-k. Liu, C.-l. Xie, M.-j. Peng e S.-h. Ling, “Improvement of fault diagnosis efficiency in nuclear power plants using hybrid intelligence approach.,” Progress in Nuclear Energy, vol. 76, pp. 122-136, 2014. [5] R. K. Goli, A. Gafoor Shaik e S. Tulasi Ram, “A transient current based
double line transmission system protection using fuzzy-wavelet approach in the present of UPFC,” Internatinal Journal of Electrical
Power & Energy Systems, vol. 70, pp. 91-98, 2015.
[6] M. P. Tcheou, Análise e representação de sinais de oscilografia usando
decomposições adaptativas redundantes, Rio de Janeiro: Tese de
Doutorado, 2005.
[7] M. Moreto e J. G. Rolim, “Análise automática de oscilografias em sistemas elétricos de potência,” SBA: Controle & Automação, vol. 21, 2010.
[8] M. Moreto, Análise automática de registros digitais de perturbações em
unidades geradoras, Florianópolis: Tese de Doutorado, 2011.
[9] T. J. Ross, Fuzzy Logic with Engineering Applications, Wiley, 2009. [10] J. J. Grainger e W. D. Stevenson, Power System Analysis, New York:
McGraw-Hill Inc., 1994.
Dionatan Augusto Guimarães Cieslak é graduado em
Engenharia Elétrica pela Universidade Tecnológica Federal do Paraná (UTFPR), Pato Branco, Paraná, Brasil, em 2014. Atualmente, é aluno de mestrado do Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) da mesma instituição e desenvolve pesquisas que se concentram na área de análise de registros oscilográfico, diagnóstico de faltas em sistemas elétricos de potência e aplicação da lógica fuzzy em sistemas inteligentes.
Miguel Moreto tem graduação e mestrado pela Universidade
Federal do Rio Grande do Sul e doutorado pela Universidade Federal de Santa Catarina (UFSC). Atualmente é professor de Departamento de Engenharia Elétrica e Eletrônica da UFSC e membro do Programa de Pós-Graduação em Engenharia Elétrica (PPGEE) da Universidade Tecnológica Federal do Paraná (UTFPR) campus Pato Branco. Suas áreas de interesse são proteção de sistemas elétricos, diagnóstico e monitoramento de sistemas de potência.
