Neste capítulo foram apresentadas duas metodologias de detecção de FAI, as quais foram implementadas em Matlab®.
A primeira metodologia procura características da FAI que se apresentam nos primeiros ciclos de início da FAI. Os indicadores calculados nesta metodologia foram focados na detecção da característica Buildup. Estes indicadores apresentam valores lógicos, os quais são utilizados para descrever as variações em magnitude e o comportamento nos ciclos seguintes ao evento de FAI das correntes harmônicas e correntes sequenciais utilizadas pela metodologia.
A segunda metodologia procura incrementos de energia na faixa de frequências 1920Hz – 3840Hz para detectar FAI. Devido ao estabelecimento de valores numéricos para os indicadores calculados na metodologia 2, se faz necessário implementar uma metodologia de classificação que seja previamente treinada com dados reais de FAI, com o propósito de conhecer as margens de valores entre os quais os eventos podem ser classificados como FAI. A decisão tomada pelo bloco lógico depende da quantidade de eventos de FAI detectados num tempo ∆ ã .
77
6 Desempenho das metodologias
de detecção com FAI simuladas
no ATP
Para avaliar o desempenho das metodologias de detecção propostas foi criado um banco de dados de simulações, o qual contém simulações de FAI e simulações de conexão/desconexão de cargas. A seguir são expostas as características das simulações de FAI.
FAI do lado da carga e do lado do gerador: Quando se apresentam FAI do lado do gerador, a fase que foi afetada é a fase que percebe a maior quantidade de efeitos da FAI e apresenta uma magnitude de corrente que não depende da carga que se encontra a jusante do ponto de falta (SENGER et al., 2013). Para faltas do lado da carga, as características da FAI são percebidas pelas outras duas fases que não se encontram em falta assim como percebidas também pela corrente de neutro ( ). Esta última falta é a mais difícil de detectar devido a que se não se tem uma carga mínima a jusante do ponto de falta, a corrente de FAI será quase nula. A Figura 6.1 apresenta um esquema da FAI do lado do gerador e a FAI do lado da carga.
Figura 6.1 – (a) modelo para FAI com contato no lado da fonte, (b) modelo para FAI com contado no lado da carga.
Fonte: Adaptado de (SENGER et al., 2013).
FAI em diferentes barras do circuito A: Foram escolhidas barras nos ramais do tronco principal assim como barras no tronco principal do circuito A, a diferentes distâncias da subestação. A Figura 6.2 apresenta a localização das barras escolhidas.
78
Figura 6.2 – Localização das barras escolhidas para simulação da FAI.
Fonte: Adaptado de (Sinap®).
FAI com diversas impedâncias: A variação da impedância de falta permite ter simulações com diferentes magnitudes de corrente de falta o que ajuda a obter um banco de dados com uma maior diversidade.
FAI em 4 horários de carregamento do circuito A: As simulações foram feitas nos horários 00:00, 06:00, 10:00, 20:00. Nos horários escolhidos o sistema apresenta carregamentos diferentes conforme o apresentado na Figura 6.3.
FAI_1 FAI_2 FAI_3 FAI_4 FAI_5 FAI_6 FAI_7 FAI_8 FAI_9 FAI_10 FAI_11 FAI_12 FAI_13 FAI_14 FAI_15
SE
79
Figura 6.3 – Correntes de fase do circuito A ao longo do dia segundo o Sinap®.
Fonte: Adaptado de (Sinap®).
FAI nas três fases: Foram feitas simulações nas três fases para observar como os carregamentos das fases afetam a FAI percebida na subestação.
Cada uma das simulações de FAI contém 5 segundos de simulação. Para = ocorre o rompimento do condutor. Em = ocorre o contato do cabo com a superfície e, por conseguinte o evento de FAI, evento que permanece ate o final da simulação. No total foram gerados 2880 eventos de FAI, conforme ilustrado abaixo:
Barras Fases Horários Impedâncias Lados Eventos de FAI
15 x 3 x 4 x 8 x 2 = 2880
Barras Fases Horários Impedâncias Lados Eventos de
rompimento
15 x 3 x 4 x 8 x 2 = 2880
Foram também feitas simulações de conexão/desconexão de cargas com diferentes potências no circuito A com as seguintes características:
Conexão/desconexão de cargas em diferentes barras do circuito A: As barras escolhidas para simulação de conexão/desconexão de cargas são as mesmas barras escolhidas para simular os eventos de FAI.
80 Conexão/desconexão de cargas com diferentes potências: A conexão/desconexão de cargas com diferentes potências permitiu criar um banco de dados com boa diversidade de eventos.
Conexão/desconexão em todas as fases: Foram feitas simulações de conexão/desconexão de cargas com ligações do tipo ABC, AB, BC, CA, AN, BN e CN.
Conexão/desconexão de cargas em 4 horários de carregamento do circuito A: Os horários escolhidos para simulação de conexão/desconexão de cargas são os mesmos horários escolhidos para simular os eventos de FAI.
Cada uma das simulações de conexão/desconexão de cargas contém 5 segundos de simulação. Em = ocorre a conexão da carga e em = ocorre a desconexão da carga. No total foram gerados 3660 eventos, conforme ilustrado a seguir:
Barras Ligações Horários Potencias Eventos de conexão
15 x 7 x 4 x 8 = 3360
Barras Ligações Horários Potencias Eventos de desconexão
15 x 7 x 4 x 8 = 3360
O banco de dados de eventos para teste da metodologia de detecção proposta é constituído por todos os eventos gerados. A Tabela 6.1 apresenta os eventos e as quantidades de eventos que constituem o banco de dados. O rompimento de condutor será referido como “rompimento”, a conexão de carga será referida como “conexão” e a desconexão de carga será referida como “desconexão”.
Tabela 6.1 – Quantidade de eventos do banco de dados de simulações.
Eventos de FAI Eventos de rompimento Eventos de conexão Eventos de desconexão Total 2880 2880 3360 3360 12480
Para a metodologia 1, foi utilizada uma RNA com duas camadas “feed-forward back
propagation”, sendo a primeira oculta com função de ativação sigmoide e a outra com
neurônios de saída. Esta rede é treinada com o gradiente conjugado escalado e utilizando o 70% do total de eventos simulados. A rede é avaliada com o erro médio quadrático (emq),
81 utilizando 15% do total de eventos simulados. Os restantes 15% dos eventos simulados são utilizados para o teste final da rede. O número de neurônios da camada de entrada corresponderá ao número de indicadores que são considerados para cada configuração.