UTILIZAÇÃO DE REDES NEURAIS PARA MODELAGEM DO
COMPORTAMENTO DE ISOLADORES
A. H. Reiner*
L. H. Meyer*
F. H. Molina**
*Fundação Universidade Regional de Blumenau
** Centrais Elétricas de Santa Catarina S/A - CELESC
RESUMO
O estudo trata da análise dos isoladores para as diversas condições climáticas do estado de Santa Catarina, Brasil. Os isoladores de estudo são do tipo cerâmicos classe 25kV do formato pilar, sendo estes instalado na localidade litorânea de SC, na cidade de Itajaí e submetidos a tensão nominal. Uma estação de monitoramento permite o registro simultâneo de corrente de fuga e das condições atmosféricas, tais como a umidade, temperatura e pressão atmosférica.
Na modelagem do sistema, no instante que não se possui informações suficientes para construir um modelo físico, as redes neurais permitem o desenvolvimento de um modelo a partir da relação entre as saídas e as entradas. Com a utilização da Ferramente Ntstool do Matlab, será possível criar uma função de RNA (rede neural artificial), operando com base nas conectividade e no peso das conexões, por isto são conhecidos como processamento distribuído e paralelo (PDP). O cálculo dos pesos sinápticos não representa um problema matemático, todavia com dados de entrada limitados, ocorrem discrepâncias que serão comparadas.
O desempenho dos sistemas isolantes tais com o isoladores, chaves, buchas, pára-raios, dentre outras representa um desafio para as concessionárias de energia, de forma que a falha destes equipamentos podem levar ao desligamento do ramal ou ao sistema, piorando os índices de qualidade da concessionária.
PALAVRAS-CHAVE
Redes Neurais, Corrente de fuga, Desempenho de sistemas isolantes, Redes de distribuição, Modelagem do comportamento, Isoladores Cerâmicos, Condições Climáticas,Materiais elétricos, Descargas de banda seca, Câmara Salina.
1.
INTRODUÇÃO
O estudo trata da análise dos isoladores nas condições climáticas do estado de Santa Catarina, Brasil. Os isoladores de estudo são do tipo cerâmicos classe 25kV do formato pilar, sendo estes instalado na localidade litorânea de SC, na cidade de Itajaí e submetidos a tensão nominal.
Nos sistemas de distribuição, os isoladores possuem um papel fundamental na transmissão da energia elétrica, de forma que sua falha gera a interrupção do fornecimento. Destaca-se como causadores as contaminação superficiais, sendo os agentes poluentes : poluição salina,biológica, industrial, dentre outros.
A função do isolador, em resumo, deverá apresentar além das características ótimas de resistência mecânica, além de suportar a tensão de linha se manter inalterável a quaisquer mudanças de condições, umidade, temperatura,chuva, orvalho, neve, etc.
Uma estação de monitoramento permite o registro simultâneo de corrente de fuga e das condições atmosféricas como a umidade, temperatura e pressão atmosférica, por meio destes registros são fornecidos informações importantes sobre o desempenho do isolador [1].
A medição da corrente de fuga é uma forma eficaz de fornecer informações importante quanto ao desempenho do sistema isolante. A análise da corrente se baseia por meio da avaliação do valor RMS, contagem de pulsos, de picos, dentre outros.
Com o avanço nas pesquisas relacionado modelagem de sistemas, foi comprovado a eficácia da aplicação de redes neurais artificiais (RNAs) para a solução de problemas relacionados aos Sistema Elétricos de Potência (SEPs). Visualizando o potencial das Redes Neurais, pretende-se utilizá-las para modelar o comportamento do isolador em campo. Por meio deste modelo foi possível melhorar a compreensão do isolador frente as mudanças das condições meteorológicas.
2.
METODOLOGIA
A estação de monitoramento utiliza um sistema de medição, que por meio da aquisição das medições das condições reais do isolador. Com a utilização de meio de anéis coletores, a corrente passa pelo resistor shunt a fim de realizar a captura do sinal de tensão. Um conversor analógico/digital que converte o sinal e utiliza uma frequência de amostragem 1600 aquisições por segundo. O microcontrolador armazena o valor máximo da corrente de fuga a cada 30 segundos, este valor é então enviado a unidade central para armazenamento. Além disso, o registrador possui também sensores de umidade e temperatura onde os valores são ajustados em um intervalo predefinido, sendo que a cada captura de valor de corrente o sistema registra o valor correspondente da umidade e temperatura naquele instante. Os equipamentos de medição foram instalados em pontos estratégicos do litoral de Santa Catarina, com apoio da divisão de operação da CELESC. Um dos pontos escolhidos foi a Praia do Mole em Itajai/SC para realizar a instalação.
Figura 1 - Ilustração da instalação dos medidores em campo.
A fim de monitorar a influencia do maritimidade, o equipamento foi desenvolvido para registrar as condições durante um período de sete dias, de forma que é possível visualizar em gráfico as tendências de crescimento da corrente nos períodos noturnos.
As unidades locais, conforme Fig. 1, foram instaladas na parte inferior dos isoladores, possibilitando as medições nas 3 fases simultaneamente. O processamento dos dados medidos é feito por meio de um
por um segundo microcontrolador que também exerce o função de fazer o armazenamento dos dados em um cartão SD.
Com a utilização da ferramenta computacional Matlab é possível visualizar o comportamento da corrente de fuga em relação ao tempo. Abaixo, na Fig. 2, visualizando o gráfico é possível ver a correlação positiva com a umidade e negativa com a temperatura [2]. Por meio um programa filtro, utiliza-se da função de média móvel para conseguir obter o valor médio sem desconsiderar os picos de corrente, facilitando a leitura dos gráficos.
Figura 2 - Correlação corrente de fuga e umidade
Redes Neurais Artificiais
A rede neural consiste em uma estrutura que tem como unidade inteligente o neurônio artificial, de forma que o sistema adquire experiência por meio de estímulos que são definidos pela função de treinamento. O neurônio artificial é um modelo matemático que buscar simular o funcionamento do neurônio humano. Abaixo, na Fig. 3, é representado o esquema do neurônio artificial possuindo as entradas (estímulos), peso sináptico, somador e função de ativação.
Figura 3 - Representação do neurônio articial
Os parâmetros w e o bias b são ajustáveis durante o treinamento do neurônio e da RNA. Conforme Fig. 3, tem-se:
x1, x2 ... xn: São os sinais de entrada. w1,w2...wn: São os pesos sinápticos. bk : É a polarização do neurônio. u: É a saída do somador linear.
g(.) : É a função de ativação do neurônio. y: É o sinal de saída da função.
A função de ativação do neurônio processa o conjunto de entradas e se transforma em um estado de ativação, de forma que as funções de ativação mais comuns são: Função degrau, sigmóide e tangente hiperbólica.
Na modelagem do sistema, no instante que não se possui informações suficientes para construir um modelo físico, as redes neurais permitem o desenvolvimento de um modelo a partir da relação entre as saídas e as entradas. Com a utilização da ferramenta Matlab, será possível criar uma função de RNA (rede neural artificial), operando com base nas conectividade e no peso das conexões, por isto são conhecidos como processamento distribuído e paralelo (PDP) [2].
Dados de entrada e saída
O arquivo de dados gerado pelo registrador é do tipo escalar separado por vírgula. A captura desses sinais obedece a constante de tempo definida pelo sistema. Utilizando o Matlab, foi desenvolvido uma programação capaz de criar uma tabela vetorial do tipo Cell array time, sendo este o formato necessário utilizando para alimentar a rede neural. Por meio dos dados obtidos em campo, possuindo as informações escalares da umidade e corrente de fuga, utilizou-se a programação para criar esta tabela dependente do tempo. Para a criação do modelo, foi utilizada a umidade como entrada do rede neural e foi realizado seu treinamento objetivando a corrente de fuga na superfície do isolador.
Modelo do sistema
Na modelagem do sistema, optou-se em utilizar a forma convencional de criação da rede neural, apesar do Matlab possuir um Toolbox - Neural Network, seus parâmetros individuais estão em "Defaut", dificultado assim a compreensão do funcionamento. A função utilizada é Newff, que utiliza o método de treinamento feedfoward network que utiliza a forma de realimentação direta, permitindo a compreensão de entradas lineares e não-lineares e m relação a saída. A camada da saída permite que a rede neural produza valores dentro da faixa -1 até 1. O funcionamento desta ferramenta se baseia na
nesta área, foi verificado que esta arquitetura se tornou a mais adaptativa a sistemas variantes do tempo. O algoritmo Resilient Backpropagation (RPROP), método otimizado que reduz o tempo de convergência, utilizando o método de treinamento Trainrp. Vários pesquisadores utilizam o sistema
Levenberg-Marquardt, todavia, os dados obtidos são de tamanho médio à grande, sendo indicado
neste caso sistemas maior capacidade de memória.
Para a criação do modelo foi utilizado os dados coletados em campo para entrada e saída do sistema. Com base nisto, será possível criar um sistema de correlação com a saída (corrente de fuga do isolador). Na criação desde modelo, foi trabalhado inicialmente com a análise isolada da umidade, por meio de artigos da área [3], pode-se visualizar a correlação positiva entre umidade relativa e o comportamento da corrente de fuga sobre o isolador.
A topologia do sistema, constituí-se de 60 neurônios na primeira camada escondida, um neurônio na segunda camada e uma camada de saída. Pelo método de tentativa e erro foi observado que o existe uma saturação do número máximo de neurônios, desta forma concluiu-se em utilizar 60.
Figura 4 - Representação da topologia da rede neural
3. RESULTADOS
Utilizando os dados de entrada e saída na forma de cell array time, foi realizado a criação da rede neural por meio da programação customizada. O tempo de convergência foi relativamente curto, sendo que a rede neural foi configurada para um total de 5000 épocas.
Foi usando a função de ativação tansig, tangsig e trainrp, por meio do método de tentativas foi verificado que se trata da melhor forma de treinamento, outros artigos na área sustentam a mesma opinião [5]. Como pode se visualizar no gráfico da Fig. 3, obteve-se o seguinte rendimento:
Figura 5 - Ilustração do rendimento da convergência
O treinamento foi realizado com sucessso, conforme Fig. 05, foi atingido 100% de acerto das épocas treinadas com a saída, outros formas de treinamento não alcançavam o mesmo rendimento.
Figura 6 - Representação do erro quadrático médio da rede neural
Analisando as informações da Fig. 6, chega-se a uma conclusão que o sistema se comporta com um erro quadrático médio tolerável, ficando na casa dos 0,01.
Figura 7 - Represetação do diagrama de blocos da rede neural
Conforme Fig. 7, ilustra a relação entrada/saída do diagrama da rede neural, utilizou-se o simulink para fazer esta interface. Nos blocos de umidade e corrente de fuga, foi utilizada a programação para torná-los dependentes do tempo, de forma que o bloco de entrada e saída são configurados em 1x1 cell
Figura 8 - Gráfico da comparação do comportamento da corrente de fuga medido vs. modelado.
No gráfico da Fig. 8, é possível verificar que o gráfico da corrente medida do isolador segue uma tendência de crescimento, sendo visivel no dia 4 que ocorre picos de corrente gerados por uma eventual chuva na região. Após o dia crítico, a corrente tente a se estabilizar devido a limpeza superficial do isolador permanecendo assim na faixa dos 0.1 mA.
Os dados obtidos por meio da rede neural graficando junto com a medida, observou-se que segue a tendência de crescimento, de forma a comprovar a eficácia do sistema. O desempenho do isolador é dependende de outras variáveis como a temperatura, vento e outros fatores. Aumentando as variáveis do sistema, cria-se uma rede neural mais complexa que poderá eventualmente prever os picos de corrente.
4.
CONCLUSÃO
Constatou-se , por meio da modelagem matemática que a umidade possui grande correlação com desempenho dos isoladores, de forma que com sistema treinado para a entrada umidade, apresenta bons resultados na corrente de fuga simulada. Assim, deseja-se utilizar a ferramenta criada para prever outras hipóteses com condições adversas de umidade. Por meio da visualização dos gráficos obtidos da Fig. 7, concluí-se que as redes neurais são a ferramenta ideal para modelagem do comportamento do isolador, visto que outras formas matemáticas apresentariam maior desvio. A utilização de ferramentas que eventualmente possam prever falhas em isoladores são de grande interesse das concessionárias de energia, reduzindo os custos de manutenção das redes e melhorando os índices de qualidade de energia.
BIBLIOGRAFIA
[1] MEYER, L.H et al.; Desenvolvimento e Aplicação de Medidores Portáteis de Corrente de Fuga em Sistemas Isolantes; XIX Seminário Nacional de Distribuição de Energia Elétrica SENDI, 2011, São Paulo – SP.
[2] DEMUTH, H. ; BEALE, M.; Neural Network Toolbox, for use with Matlab.
[3] OLIBONI, C. R. ; Estudo e caracterização da corrente de fuga em sistemas isolantes de linhas de distribuição no estado de Santa Catarina.
[4]
