XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

CLASSIFICAO E LOCALIZAO DE FALTAS DE ALTA IMPEDNCIA EM SISTEMAS DE DISTRIBUIO DE ENERGIA JSUS A. O. NETO, RICARDO. O. C. SCARCELLI, LEONARDO. B. FELIX, MARCO A. A. CASTRO Ncleo Interdisciplinar de Anlises de Sinais - NIAS Departamento de Engenharia Eltrica - DEL Universidade Federal de Viosa - UFV Av. P. H. Holfs, sn, CEP 36570-000, Viosa - MG Fone: (31) 3899-3266 / 3899-3268 E-mails:pity_jesus@hotmail.com, rocvenceslau@yahoo.com.br,leobonato@ufv.br, maurelioac@ufv.br

Abstract This paper presents a methodology based on artificial neural networks (ANNs) for location and classification of faults in a distribution system. The characteristics of the faults of these systems differ in transmission systems, mainly by the influence of high impedance and also by the presence of several loads over the distribution line. Such situations can result in errors and improper operation of the protection system. In this sense, the work proposed here uses as the main tool the ANNs. To validate this methodology several tests were carried out in a distribution system, varying the following parameters: fault type, angle, distance or location of occurrence, fault resistance. It is interesting to note that there wasnt a need for more complex calculations, such as the theory of traveling waves, just a simple modeling Auto-Regressive (AR) of the current signals and tensions. Thus, to create a model that responds favorably to the locations and types of faults considered. Keywords Location and classification of faults, Distribution Systems, Artificial Neural Networks Resumo Esse trabalho apresenta uma metodologia baseada em redes neurais artificiais (RNAs) para localizao e para classificao de faltas em um sistema de distribuio. As caractersticas das faltas desses sistemas diferem-se dos sistemas de transmisso, principalmente, pela influncia das altas impedncias e, tambm, pela presena de vrias cargas ao longo da rede eltrica. Tais situaes podem acarretar em erros e em operao indevida do sistema de proteo. Nesse sentido, o trabalho aqui proposto, utiliza como ferramenta principal as RNAs. Para validar essa metodologia diversos testes foram realizados em um sistema de distribuio, variando os seguintes parmetros: tipo de falta, ngulo de incidncia, distncia ou local de ocorrncia, resistncia de falta. interessante destacar que no houve a necessidade de clculos mais complexos, como a teoria de ondas viajantes, apenas uma simples modelagem Auto-Regressiva (AR) dos sinais de corrente e tenses. Desse modo, criar um modelo que responda de maneira favorvel aos locais e aos tipos de faltas considerados. Palavras-chave Faltas de Alta Impedncia, Localizao e Classificao de faltas, Sistemas de Distribuio, Redes Neurais Artificiais

Introduo

Os sistemas eltricos de potncia, formados pela gerao, transmisso e distribuio de energia, devem garantir a continuidade e confiabilidade no seu fornecimento. Porm, esses sistemas, principalmente as redes de transmisso e de distribuio esto sujeitos s faltas (neste artigo considera-se faltas curtoscircuitos). Essas faltas devem ser detectadas, classificadas e localizadas precisamente para, assim, evitar interrupes e danos nos equipamentos. As caractersticas das faltas de sistemas de distribuio diferem-se dos sistemas de transmisso principalmente no que diz respeito aos valores de impedncias de faltas e, tambm, pelo fato do sistema conter harmnicos. Aliados a esses fatos, uma caracterstica importante a ser considerada o ngulo de falta. Com relao aos valores de impedncia de faltas, geralmente, esses so altos, alm de inserirem harmnicos no sistema no momento da falta. As Faltas de Alta Impedncia (FAIs) tem desafiado as concessionrias de energia eltrica e os pesquisadores h vrios anos. As FAIs so aquelas cujos valores de corrente ficam abaixo dos valores de partida dos

rels de sobrecorrente tradicionais, o que dificulta sua localizao. Essas faltas so causadas principalmente devido queda de condutores de energia em superfcies de baixa condutividade, a galhos de rvores que encostam nas linhas e a isoladores em mau funcionamento. Outro aspecto a ser destacado nas faltas dos sistemas de distribuio a presena dos harmnicos. Estes so freqncias mltiplas da fundamental (60 Hz) que podem afetar os equipamentos de proteo, tais como os rels digitais. Mais especificamente, nos casos dos classificadores e localizadores de faltas microprocessados, os harmnicos podem acarretar em impreciso, no caso de rels no dimencionados para tal (BAKAR, 2008), (DUGAN et. al., 1996). Por fim, de forma a garantir preciso nos modelos dos classificadores e localizadores de faltas, deve-se considerar o ngulo de incidncia das faltas pois esses afetam tanto o transitrio quanto, de maneira significativa, a amplitude inicial da falta. Nesse sentido, alguns trabalhos tem sido publicados para deteco, localizao e classificao de faltas em sistemas de distribuio. Esto includos testes hipotticos baseados em estatsticas, (BALSER et. al., 1986); sistemas especialistas baseados nos princpios de induo, (KIM & RUSSELL, 1989); redes
2607

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

neurais, (EBRON et. al., 1990), (APOSTOLOV et. al., 1993); ngulo do terceiro harmnico das correntes de falta, (JEERINGS & LINDERS, 1991); decomposio das Wavelets (LIANG et. al., 1998) e (LAI et. al., 2003); rvores de deciso (SHENG & ROVNYAK , 2004), lgica fuzzy (JOTA & JOTA, 1998), dentre outros. Assim, o principal objetivo desse trabalho classificar e localizar faltas em sistemas de distribuio, focando na influncia da impedncia de faltas como tambm no ngulo de incidncia. Todo o algoritmo aqui implementado tem como base terica apenas as Redes Neurais Artificiais (RNA), sem a necessidade de clculos complexos como a teoria de ondas viajantes ou Transformada Wavelet, muito utilizadas em trabalhos relacionados a essa rea. Com o tratamento inicial dos dados foi feito atravs de uma modelagem auto regressiva (AR) (THE MATHWORKS INC, 2002b) e com simples filtragens dos sinais de corrente pde-se criar um modelo que responda de maneira favorvel ao local e ao tipo de falta considerado. Esse artigo est dividido em quatro sees. O primeiro, aqui discutido, tratou-se da introduo e da justificativa do trabalho. A metodologia mostra como foram realizadas as simulaes, a filtragem dos sinais e os modelos para a entrada da rede so apresentados na segunda seo. Por fim, os estudos de casos em um sistema de distribuio so apresentados na terceira seo e, finalizando, temos as concluses e as referencias nas duas ltimas sees. 2 Mtodo proposto O mtodo proposto dividido em quatro etapas: simulao, localizao do ponto de incidncia, tratamento dos dados, treinamento das RNAs.

Figura 1. Ponto de incidncia da falta.

Para localizao do ponto de incidncia, o dado de corrente foi filtrado com um filtro Passa-Alta Butterworth de terceira ordem com freqncia de corte de 430 Hz. Esse filtro tem como caracterstica suprimir em -60 dB, as freqncias de 60 Hz, alm do ganho de 0,03 dB em 600 Hz. Essas caractersticas tem como finalidade suprimir os harmnicos mais significativos (at a stima ordem) e proeminir o transitrio.

Figura 2. Filtro Butterworth passa-alta de dcima primeira ordem.

2.1 Simulao A primeira etapa desse trabalho a simulao de um sistema de distribuio com alimentador radial e com diversas cargas intermedirias. Nesse sistema foram simuladas diversas faltas variando quatro parmetros de estudo, os quais so: tipos de falta, ngulo de falta, resistncia de falta e local da falta. Os dados obtidos na etapa de simulao foram divididos em dados de teste, validao e treinamento da RNA. 2.2 Localizao do ponto de incidncia Nessa etapa, o primeiro passo na localizao da falta encontrar o seu ponto de incidncia, ou seja, o exato momento em que o distrbio ocorreu, como pode ser visto na figura 1. A figura 2 mostra a resposta em freqncia em ganho e em fase do filtro Passa-Alta Butterworth de terceira ordem implementado. Para retirar as grandes distores de fase ocasionadas pelo filtro IIR Butterworth, foi utilizado a Filtragem com Inveno Temporal (FIT). A FIT uma filtragem dupla atravs da qual o sinal, em um primeiro momento, filtrado e logo depois invertido temporalmente e novamente filtrado. Com esse processo, a distoro de fase retirada devido o cancelamento angular das duas filtragens (THE MATHWORKS INC, 2002b). Aps a filtragem dos dados de corrente, os sinais resultantes foram elevados ao quadrado, a fim de suprimir pontos de baixa amplitude, e somado entre si ponto a ponto obtendo um nico vetor. Logo aps, esse vetor foi normalizado entre 0 e 1, dividindo o vetor pelo seu mximo. O algoritmo de localizao do ponto de incidncia mostrado no diagrama abaixo (figura 3).
2608

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Figura 3. Diagrama de blocos do algoritmo de localizao do ponto de incidncia.

A figura 4 ilustra a corrente da fase A e o sinal normalizado obtido:

mizar o erro de predio frente pelo mtodo dos Mnimos Quadrados (THE MATHWORKS INC, 2002b). Para o trabalho proposto, foram extrados dez coeficientes AR das correntes (Ia, Ib, Ic), e das tenses das trs fases (Vab, Vbc, Vca), totalizando 60 coeficientes para cada evento de falta. O clculo desses coeficientes foi realizado com dados de apenas uma oscilao, ou seja, os dados de corrente e de tenso foram cortados, de forma que restaram apenas 25 pontos centralizados no ponto de incidncia. Esse nmero equivale a um comprimento de onda de uma senide 60 Hz com freqncia de amostragem de 1,5 kHz. Esses 60 coeficientes foram utilizados como dados de estrada para RNAs tanto na localizao quanto na classificao de faltas. 2.4 Treinamento da RNA Nessa etapa do trabalho foi feito o treinamento das RNAs utilizadas (THE MATHWORKS INC, 2002a) . Para os algoritmos de classificao e localizao utilizou-se redes Multilayer Perceptron (MLPs), com funo de ativao tansig para as camadas ocultas e purelin para camada de sada alm do algoritmo de aprendizagem LevenbergMarquardt. Classificao

Figura 4. Corrente da fase A e sinal obtido.

possvel perceber, atravs da figura 4, que o sinal obtido apresenta um pico exatamente sobre o ponto de incidncia da falta, o que ocorre devido ao sinal conter caractersticas transitrias no ponto de incidncia. Para localizar o ponto de incidncia do distrbio foi considerado o ponto de mximo do sinal, isso , o pico como o incio do distrbio. importante ressaltar que este algoritmo detecta o ponto de incidncia para qualquer tipo de falta e tambm no necessita de janelamento predefinido, ou seja, o janelamento depende apenas da aquisio dos dados. 2.3 Tratamento dos Dados Nessa etapa, so extrados os parmetros para o treinamento das RNAs, utilizando-se a Modelagem Auto Regressiva AR. Esse modelo foi utilizado devido a sua simplicidade e a sua rapidez, alm de ser um mtodo eficiente para estimao dos parmetros de sistemas. A modelagem AR consiste em relacionar determinado sinal, atravs de combinaes lineares entre amostras passadas, minimizando o quadrado da diferena entre a amostra atual e as amostras obtidas. O resultado uma funo de transferncia all-poles (somente com polos, sem zeros). O mtodo utilizado para a obteno dos coeficientes o Mtodo de YuleWalker, tambm chamado de Mtodo da Auto Correlao, no qual um modelo AR ajustado para mini-

Para classificao utilizou-se uma rede de duas camadas ocultas de neurnios e uma camada de sada. Atravs de teste de vrias arquiteturas, a melhor rede obtida foi a que possua 13 neurnios em cada camada oculta, a arquitetura da RNA mostrada na figura 5.

Figura 5. Arquitetura da RNA de Classificao

No treinamento da RNA, para classificao das faltas, convencionou-se que as fases envolvidas nas faltas teriam sadas variando de 1 a 10, ou seja, a camada de sada RNA retornava um valor numrico referente s fases envolvidas, como mostradas na tabela 1:

2609

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Tabela 1 Conveno adotada para classificao de falta. Fases envolvidas Conveno numrica adotada

AT BT CT AB ABT CA CAT BC BCT ABC

1 2 3 4 5 6 7 8 9 10

Figura 6. Sistema simulado.

Na tabela 1, as letras A, B e C determinam quais fases foram envolvidas na falta e a letra T presente nas faltas que envolveram o condutor terra. Atravs da conveno adotada e dos 60 parmetros extrados anteriormente, pde-se treinar a RNA de forma a classificar as faltas em questo. Localizao Nessa etapa convencionou-se a sada da RNA como sendo a prpria distncia, em quilmetros da ocorrncia da falta e a entrada da rede como sendo os 60 coeficientes AR extrados anteriormente. Depois de vrios testes de diferentes arquiteturas, a melhor rede obtida foi a de configurao de 32 neurnios na primeira camada oculta e de 17 neurnios na segunda. Com a conveno adotada e com os parmetros anteriormente extrados de cada evento de falta, pde-se treinar a RNA de forma a localizar as faltas em questo. Para localizao utilizou-se a mesma rede anteriormente citada (na classificao, figura 5), diferenciando apenas no nmero de neurnios nas camadas ocultas. 3 Estudos de Caso 3.1 Simulao O sistema de distribuio simulado consiste de um alimentador radial o qual foi adaptado da referncia (WAKILEH & PAHWA, 1997). As diversas ramificaes presentes no sistema original foram agregadas, isto , substituindo cada ramificao por cargas equivalentes.

A figura 6 apresenta o diagrama unifilar do sistema simulado.

Tabela 2. Dados do alimentador simulado. Barra i j 0 1 1 2 2 3 3 4 4 6 6 8 8 9 9 11 11 12 12 13 13 14 Comprimento (km) 4,18 1,26 1,26 2,19 2,96 3,16 1,55 6,2 2,17 0,89 1,8 PCarga (kW) 2646 522 4896 936 1806 1503 189 657 336 125 225 QCarga (kW) 882 174 1632 312 602 501 63 219 112 42 85

Os dados de linha e das cargas esto expostos na tabela 2. A resistncia da linha R=0,28 Ohms/km e X=0,27 Ohms/km. Para fins de simulaes de localizao de faltas, julgou-se necessrio a criao de mais pontos de aplicao da falta alm dos 14 ns j apresentados pelo sistema. As simulaes foram feitas variando quatro parmetros para o estudo: - Tipo de Falta: as faltas simuladas so do tipo fasefase (AB; AC; BC), fase-fase-terra (ABT; ACT; BCT), faltas monofsicas (AT; BT; CT) e faltas trifsica (ABC); - ngulo de falta: o ngulo de falta, que o ngulo de ocorrncia da falta tomando como referencia a fase A, foi simulado para 0, 15, 30, 45, 60, 75e 90; - Distncia da falta: o local onde ocorreu a falta foi simulado de 0,4 km at 27,6 km, variando com incrementos de 0,2 km, e totalizando 137 locais faltosos. Essas simulaes foram voltadas para o treinamento e teste da rede; - Resistncia de falta: a resistncia de falta variou entre os valores 1, 10, 20, 50 e 100 Ohms. Fez-se todas as combinaes possveis entre esses parmetros, o que totalizou em 47950 simulaes, sendo 30% dos dados voltado para a validao, 40% voltados para testes e 30% para treinamento da RNA.

2610

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Para cada simulao foram salvos os dados de correntes de linha (Iabc) e de tenses de fase (Vabc). Para a obteno dos dados foi utilizada uma freqncia de amostragem de 1,5 kHz. Cada simulao tinha durao de 0,1s, isto , das formas de ondas foram salvas 6 ciclos de 60 Hz. 3.2 Resultados da Classificao Na apresentao dos resultados, destacam-se trs parmetros que podem afetar significativamente o modelo proposto na classificao das faltas, sendo eles: tipo de falta, resistncia de falta e ngulo de falta. As figuras 7, 8 e 9, apresentam os erros percentuais em funo desses parmetros testados. Esses erros foram calculados a partir de 19180 dados de teste (40% dos dados simulados).

Figura 9. Erros de classificao em funo do ngulo.

Como pde ser visto atravs das figuras anteriores, devido pequena porcentagem de erros, pode-se concluir que o algoritmo de classificao obteve um resultado favorvel quando relacionado exatido e independncia dos parmetros testados (resistncia de falta, tipos de faltas e ngulo de falta). Observa-se que o erro mximo alcanado foi de apenas 1,6%, no caso da resistncia de falta, e o erro percentual mdio foi de 0,65 %, o que caracteriza a eficincia do algoritmo. 3.3 Resultados da Localizao Para localizao utilizou-se a mesma rede anterior, diferenciando apenas sua arquitetura. Essa rede tem como camada de sada a resposta dos valores de distncia da falta variando de 0,4 a 27,6 km. Os resultados de localizao de falta foram obtidos a partir dos mesmos 19180 dados de teste da seo anterior. No clculo dos erros destaca-se dois parmetros que podem afetar significativamente o modelo proposto na localizao das faltas, sendo eles: resistncia de falta e ngulo de incidncia As figura 10 e 11 mostram uma mdia dos resultados obtidos em funo da resistncia de falta e do ngulo de incidncia. Sendo assim, cada ponto uma mdia de resultados do algoritmo para cada situao.

Figura 7. Erros de classificao em funo do tipo de falta.

Figura 8. Erros de classificao em funo da resistncia.

Fig. 10 Resultados em funo da resistncia de falta

2611

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Os resultados apresentados na figura 10 mostram que os erros de localizao de faltas, mesmo para faltas de alta impedncia, podem ser considerados satisfatrios, pois, j que o maior erro mdio foi de 2.77 km.

res de 1 km se destacam por ocorrem com maior frequncia, sendo 87,13 % dos casos. 4 Concluses Esse trabalho apresentou uma aplicao das RNAs em conjunto com a modelagem AR na localizao e na classificao de faltas em um sistema de distribuio. Essa metodologia foi embasada nos transitrios de alta freqncia gerados por essas faltas, destacando-se: faltas monofsicas, faltas bifsicas (com terra e sem terra) e faltas trifsicas. A abordagem desse trabalho incluiu o estudo de casos de alta e de baixa impedncia alm de diferentes pontos de incidncia das faltas. Para a extrao dos parmetros de entrada da rede neural foi realizado um pr-processamento dos sinais de tenso e de corrente, atravs do qual, ento, foram calculados os coeficientes AR do sinal atravs do Mtodo de Yule-Walker. Os resultados obtidos mostraram que o desempenho geral do algoritmo, de localizao e de classificao de faltas, proposto foi favorvel quando relacionado preciso: obteve erro de classificao de 0,65 % e erro absoluto mdio de localizao de 0,56 km. O mtodo proposto tambm se mostrou praticamente independente da impedncia de falta, do tipo da falta e do ngulo de incidncia da falta. Agradecimentos

Fig. 11 Resultados em funo do ngulo de incidncia.

Novamente a figura 11 mostra que o modelo proposto obteve bons resultados, independentemente dos ngulos de incidncia, com um erro mximo de 3,2 km. A tabela 3 apresenta um resumo geral dos erros obtidos na localizao.
Tabela 3. Erros absolutos para todos os casos. Erro absoluto mximo Erro absoluto mnimo Erro absoluto mdio Desvio padro

Os autores agradecem FAPEMG, CAPES, ao CNPq e FUNARBE pelo apoio financeiro. Referncias Bibliogrficas APOSTOLOV A. P., BRONFELD J., SAYLOR C. H. M., SNOW P. B.,(1993) An Artificial Neural Network Approach to the Detection of High Impedance Faults, in International Conference on Expert System Applications for the Electrical Power Industry Proceedings. BAKAR, M. I. A. (2008) Assessments for the Impact of Harmonic Current Distortion of Non Linear Load In Power System Harmonics. Transmission and Distribution Conference and Exposition: Latin America, IEEE/PES 13-15 Aug. 2008 Page(s):1 6. BALSER S. J., CLEMENTS K. A., LAWRENCE D. J., (1986) A Microprocessor-Based Technique for Detection of High Impedance Faults, IEEE Trans. Power Delivery, vol. 3, pp. 252258, July. DUGAN, R. C.; MCGRANAGHAN, M. F. and BEATY, H. W. (1996). Electrical Power Systems Quality. McGraw-Hill Companies. EBRON S., LUBKEMAN D. L., WHITE M., (1990) A Neural Network Approach to The Detection of Incipient Faults on Power Distribution

25.2 km

0 km

0,56 km

0,83 km

A partir da tabela 3, pode-se observar o bom comportamento do modelo apresentado nas diversas situaes testadas, destacando-se o resultado de erro mdio absoluto. Mesmo com esse bom comportamento, observa-se um erro mximo de 25,2km. A fim de justificar esse erro, fez-se uma anlise mais aprimorada calculando-se os seguintes erros (tabela 4):
Tabela 4. Erros absolutos para todos os casos separados em intervalos. Erros entre: Erro (%)

0 e 1 km 1 e 5 km 5 e 10 km 10 e 25.2 km

87,13 12,39 0,38 0,08

Apesar do erro mximo absoluto ter um valor muito alto (tabela 3), pode-se perceber (tabela 4) que os valores com erros maiores que 10 km ocorreram em 0,08 % dos casos (dados de teste) e j os erros meno-

2612

XVIII Congresso Brasileiro de Automtica / 12 a 16-setembro-2010, Bonito-MS

Feeders, IEEE Trans. Power Delivery, vol. 2, pp. 905914, April 1990. JEERINGS D. I., LINDERS J. R.,(1991) A Practical Protective Relay For Down- Conductor Faults, IEEE Trans. Power Delivery, vol. 2, pp. 565574, April. JOTA F. G., JOTA P. R. S.,(1998) High-Impedance Fault Identification Using a Fuzzy Reasoning System, IEE Proceedings Generation, Transmission and Distribution, vol. 145, Issue 6, pp. 656661, Nov. KIM C. J., RUSSELL B. D.,(1989) Classification of Faults and Switching Events by Inductive Reasoning and Expert System Methodology, IEEE Trans. Power Delivery, vol.. 3, pp. 1631 1637, July. LAI T. M., SNIDER L. A., LO E.,(2003) Wavelet Transformation Based Algorithm for the Detection of Stochastic High Impedance Faults, in Proc. International Conference on Power System Transients (IPST 2003), New Orleans, LA, September. LIANG J., ELANGOVAN S., DEVOTTA J. B. X.,(1998) A Wavelet Multiresolution Analysis Approach to Fault Detection and Classification in Transmission Lines, International Journal of Electrical Power and Energy Systems, vol. 20, Issue 5, pp. 327332, June. SHENG Y. , ROVNYAK S. M., (2004) Decision Tree-Based Methodology For High Impedance Fault Detection, IEEE Trans. Power Delivery, vol. 2, pp. 533536, April. THE MATHWORKS INC. (2002a) Neural Network Toolbox, Users Guide for use with Matlab 2002. THE MATHWORKS INC. (2002b) Signal Processing Toolbox, Users Guide for use with Matlab 2002. WAKILEH, J.J.; PAHWA, A. (1997) Optimization of Distribution System Design to Accommodate Cold Load Pickup. IEEE Transactions on Power Delivery, USA, v.12,n.1, p.339-345, jan.

2613