A metodologia proposta neste trabalho objetiva realizar o monitoramento do carregamento de componentes elétricos do sistema de distribuição de energia por meio de uma RNA do tipo PMC. Por outro lado, a metodologia de monitoramento utilizada pelas Companhias de Energia almeja efetuar esse mesmo processo através da utilização de funções estatísticas. Além disso, deve-se ressaltar que RNAs futuras podem apresentar resultados melhores que os resultados apresentados nesta dissertação, desde que o projetista da rede disponha de tempo e de um amplo conjunto de dados para realizar novos treinamentos e comparações entre os métodos. Logo, este processo consiste em uma tarefa para alunos de mestrado.
Nesse sentido, pode-se afirmar que várias experiências podem ser realizadas utilizando-se outras tecnologias como base e possam possivelmente encontrar melhores resultados que os métodos citados nesta dissertação. Algoritmos Genéticos, Lógica Fuzzy, Análise por Variância e Cadeias de Markov são exemplos de técnicas que podem ser testadas para a análise abordada neste trabalho. Desta forma, diversos estudos estão em aberto para serem realizados nessa área, uma vez que só existem até o momento dois métodos elaborados. Portanto, conhecendo-se as características de cada técnica e sabendo-se como empregá-la adequadamente, é perfeitamente possível que estudos futuros possam determinar novos métodos de monitoramento com boas vantagens em relação aos métodos atuais, possibilitando um aumento de precisão para os resultados encontrados.
REFERÊNCIASBIBLIOGRÁFICAS
ACKERMANN, T. Wind Power in Power Systems. Stockholm, Sweden: John Wiley and Sons, 2008. 691p.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA. Atlas de energia elétrica do Brasil. Brasília, 2002.
BARBOSA, A. H.; FREITAS, M. S. R.; NEVES, F. A. Confiabilidade estrutural utilizando o método de Monte Carlo e redes neurais. R. Esc. Minas, Ouro Preto, v.58, n.3, p.247-255, set. 2005.
BARRETO, G. A. Redes Neurais Artificiais: Uma Introdução Prática. Fortaleza (CE): UFC, 2008. Notas de aula. Disponível em <http://www.deti.ufc.br/~guilherme>. Acesso em: jan. 2012.
BASHEER, I. A.; HAJMEER, M. Artificial neural networks: fundamentals, computing, design, and application. Journal of Microbiological Methods, v.43, p.3-31, 2000.
BEALE, M. H.; HAGAN, M. T.; DEMUTH, H. B. Neural Network Toolbox: User’s Guide. 2010. Disponível em <http://www.mathworks.com>. Acesso em: jul. 2011.
BERNIERI, A. et al. Neural networks and pseudo-measurements for real-time monitoring of distribution systems. In: Proceedings of the IEEE Transactions on Instrumentation and Measurement, 1996, v.45, p.645-650.
BRAGA, A. P. S. Redes Neurais Artificiais. Fortaleza (CE): UFC, 2010. Notas de aula. Disponível em <http://www.dee.ufc.br/~arthurp>. Acesso em: jun. 2011.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. 2. ed. Rio de Janeiro: Livros Técnicos e Científicos, 2007. 226p.
BRETAS, A. S.; HADJSAID, N. Fault diagnosis in deregulated distribution systems using an artificial neural network. In: Proceedings of the IEEE Power Engineering Society Winter Meeting, 2001, v.2, p.821-823.
CARVALHO, P. C. M. Produção de Energia Elétrica. Fortaleza (CE): UFC, 2006. Notas de aula.
CASTRO, F. C. C.; CASTRO, M. C. F. Redes Neurais Artificiais – Multilayer Perceptrons. Porto Alegre (RS): PUCRS, 2010. Notas de aula.
CHAPMAN, S. J. Programação em Matlab para Engenheiros. São Paulo: Thomson, 2003. 482p.
CHAVES, R. M. Implementação em hardware da função de ativação do neurônio artificial utilizando instrução customizada para o processador NIOS II. 2010. 138f. Monografia (conclusão do curso) – Universidade Federal de Lavras, Departamento de Ciência da Computação, Lavras (MG).
CLIEN, J. L.; CHANG, S. H. A neural network approach to evaluate distribution system reliability. In: Proceedings of the IEEE International Conference on Systems
Engineering, 1992, p.487-490.
COMISSÃO INTERNA DE PREVENÇÃO DE ACIDENTES. Normas Regulamentadoras Comentadas, Manual do Setor Elétrico e Telefonia. 6. ed. v.2, 2007. Disponível em <http://www.nrcomentada.com.br/default.aspx?code=336>. Acesso em: nov. 2011.
COURY, D. V. Introdução aos Sistemas Elétricos de Potência. São Carlos (SP): USP, 2008.
ESCOLA POLITÉCNICA DA UNIVERSIDADE DE SÃO PAULO. Fornecimento e Distribuição de Energia Elétrica. São Paulo, 2011.
FALCÃO, D.M.; HENRIQUES, H.O. Load estimation in radial distribution systems using neural networks and fuzzy set techniques. In: Proceedings of the Power Engineering Society Summer Meeting, 2001, v.2, p.1002-1006.
FATEMI, M. H.; IZADIYAN, P. Cytotoxicity estimation of ionic liquids based on their effective structural features. Chemosphere, v.84, p.553-563, 2011.
FITZGERALD, A. E.; KINGSLEY JUNIOR, C.; KUSKO, A. Máquinas Elétricas. São Paulo: McGraw-Hill do Brasil, 1979. 623p.
FRANÇA, A. L. M. Transformadores. Campinas (SP): UNICAMP, 2001. Notas de aula. Disponível em <http://www.dsee.fee.unicamp.br/~morelato/>. Acesso em: dez. 2011.
GOLKAR, MASOUD A.; GOLKAR, MAHSA A. Reactive Power Control in Distribution Systems by using Advanced Techniques. In: Proceedings of the 3rd International Youth Conference on Energetics, 2011, p.1-6.
GONÇALVES, A. R. Redes Neurais Artificiais. Campinas (SP): UNICAMP, 2009. Disponível em <http://www.dca.fee.unicamp.br/~andreric>. Acesso em: jan. 2012.
GRAINGER, J. J.; STEVENSON JUNIOR, W. D. Análisis de Sistemas de Potencia. México: McGraw-Hill, 1996. 731p.
GU, Z.; RIZY, D. T. Neural Networks for combined control of capacitor banks and voltage regulators in distribution systems. IEEE Transactions on Power Delivery, v.11, n.4, p.1921- 1928, October 1996.
HADZIMA-NYARKO, M.; NYARKO, E. K.; MORIC, D. A neural network based modelling and sensitivity analysis of damage ratio coefficient. Expert Systems with Applications, v.38, p.13405-13413, 2011.
HAGAN, M. T.; MENHAJ, M. B. Training Feedforward Networks with the Marquardt Algorithm. IEEE Transactions on Neural Networks, v.5, n.6, p.989-993, November 1994.
HAMADA, M. M.; WAHAB, M. A. A.; HEMDAN, N. G. A. Artificial Neural Network modeling technique for voltage stability assessment of radial distribution systems. In:
Proceedings of the 41st International Universities Power Engineering Conference, 2006, v.3, p.1011-1015.
HAUSLER, S. Neural Network Toolbox: A Tutorial for the Course Einfuehrung in die Wissensverarbeitung. 2010. Disponível em <http://www.igi.tugraz.at/lehre/EW>. Acesso em: jul. 2011.
HAYKIN, S. S. Redes Neurais: Princípios e prática. 2. ed. Porto Alegre (RS): Bookman, 2001. 900p.
HAYT, W. H. Eletromagnetismo. 4. ed. Rio de Janeiro: Livros Técnicos e Científicos, 1994. 405p.
HOSAINPOUR, A. et al. High speed detection of potato and clod using an acoustic based intelligent system. Expert Systems with Applications, v.38, p.12101-12106, 2011.
HUANG, Y. C.; CHEN, S. J.; HUANG, C. M. Evolving Radial Basic Function Neural Network for Fast Restoration of Distribution Systems. In: Proceedings of the 6th IEEE Conference on Industrial Electronics and Applications, 2011, p.401-406.
INSTITUTO NACIONAL DE EFICIÊNCIA ENERGÉTICA. Geração Distribuída e Cogeração. 2011. Disponível em <http://www.inee.org.br/forum_ger_distrib.asp>. Acesso em: fev. 2012.
JAIN, A. K.; MAO, J.; MOHIUDDIN, K. M. Artificial Neural Networks: A Tutorial. IEEE, 1996.
JAVADIAN, S. A. M. et al. Determining Fault’s Type and Accurate Location in Distribution Systems with DG Using MLP Neural Networks. In: Proceedings of the International Conference on Clean Electrical Power, 2009, p.284-289.
KAGAN, N.; OLIVEIRA, C. C. B.; ROBBA, E. J. Introdução aos Sistemas de Distribuição de Energia Elétrica. São Paulo: Edgard Blucher, 2005. 328p.
KERSTING, W. H. Distribution System Modeling and Analysis. New Mexico: C.R.C. Press, 2001. 314p.
KOÇER, S.; CANAL, M. R. Classifying Epilepsy Diseases Using Artificial Neural Networks and Genetic Algorithm. Springer Science + Business Media, v.35, p.489-498, October 2009.
KOSOW, I. L. Máquinas Elétricas e Transformadores. 8. ed. São Paulo: Globo, 1989. 667p.
LABORATÓRIO NACIONAL DE COMPUTAÇÃO CIENTÍFICA. Tutorial de Redes Neurais Aplicações em Bioinformática. 2011. Disponível em <http://www.labinfo.lncc.br>. Acesso em: jan. 2012.
LEAL, A. G. et al. Distribution Transformer Losses Evaluation: A New Analytical Methodology and Artificial Neural Network Approach. IEEE Transactions on Power Systems, v.24, n.2, p.705-712, May 2009.
LEÃO, R. P. S. Geração, Transmissão e Distribuição de Energia Elétrica. Fortaleza (CE): UFC, 2009. Disponível em <http://www.dee.ufc/rleao>. Acesso em: dez. 2011.
LUDWIG, O.; MONTGOMERY, E. Redes Neurais: Fundamentos e Aplicações com Programas em C. Rio de Janeiro: Ciência Moderna, 2007. 125p.
MABEL, M. C.; FERNANDEZ, E. Analysis of wind power generation and prediction using ANN: A case study. Renewable Energy, v.33, n.1, p.986-992, July 2007.
MAMEDE FILHO, J. Instalações Elétricas Industriais. 7. ed. Rio de Janeiro: Livros Técnicos e Científicos, 2007. 914p.
NISKIER, J.; MACINTYRE, A. J. Instalações Elétricas. Rio de Janeiro: Guanabara, 1986. 556p.
OPERADOR NACIONAL DO SISTEMA ELÉTRICO. Sistemas elétricos de potência. 2011. Disponível em <http://www.ons.org.br/educativo/index.aspx >. Acesso em: mar. 2012.
ORHAN, U.; HEKIM, M.; OZER, M. EEG signals classification using the K-means clustering and a multilayer perceptron neural network model. Expert Systems with Applications, v.38, p.13475-13481, 2011.
PARACHA, Z. J.; KALAM, A.; ALI, R. A Novel Approach of Harmonic Analysis in Power Distribution Networks using Artificial Intelligence. In: Proceedings of the International Conference on Information and Communication Technologies, 2009, p.157-160.
PRAKASH, K.; SYDULU, M. Non Iterative-State Estimation Based Neural Network for Short Term Load Forecasting of Distribution Systems. In: Proceedings of the IEEE Power & Energy Society General Meeting, 2009, p.1-8.
REBOITA, M. S. Introdução à Estatística Aplicada à Climatologia: Parte I – Estatística Descritiva. São Paulo (SP): USP, 2005.
REINA, G. Treinamento Expresso em Excel. 2011. Disponível em <http://www.expresstraining.com.br>. Acesso em: set. 2011.
ROSENBLATT, F. The perceptron: A probabilistic model for information storage and organization in the brain. Psychol. Rev., v.65, p.386-408, 1958.
SALAZAR, H.; GALLEGO, R.; ROMERO, R. Artificial Neural Networks and Clustering Techniques Applied in the Reconfiguration of Distribution Systems. IEEE Transactions on Power Delivery, v.21, n.3, p.1735-1742, July 2006.
SCHWALBERT, M. A. Metodologias de aprendizagem de máquina utilizando redes neurais artificiais. 2007. 114f. Monografia (conclusão do curso) – Universidade de Passo Fundo, Departamento de Ciência da Computação, Passo Fundo (RS).
SHARMA, K. M.; SREEDHAR, P. N. Intelligent approach for efficient operation of electrical distribution automation systems. In: Proceedings of the Conference on Convergent
Technologies for Asia-Pacific Region, 2003, v.2, p.761-765.
SOFTWARE MATLAB (VERSÃO 2009). Comando de Ajuda do Matlab. 2009. Disponível em <http://www.mathworks.com>. Acesso em: ago. 2010.
SOFTWARE MICROSOFT EXCEL (VERSÃO 2007). Comando de Ajuda do Microsoft Excel. 2007. Disponível em <http://www.microsoftexcel.com.br>. Acesso em: set. 2011.
SOUZA, F. A. Detecção de Falhas em Sistema de Distribuição de Energia Elétrica usando Dispositivos Programáveis. 2008. 119f. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Estadual Paulista, Ilha Solteira (SP).
STEVENSON, W. J. Estatística Aplicada à Administração. São Paulo: Harbra, 1981. 495p.
Tabela de tensões usuais em sistemas elétricos de potência. Disponível em <http://www.itaipu.gov.br>. Acesso em: jun. 2011.
THUKARAM, D.; KHINCHA, H. P.; VIJAYNARASIMHA, H. P. Artificial neural network and support vector Machine approach for locating faults in radial distribution systems. In: Proceedings of the IEEE Transactions on Power Delivery, 2005, v.20, p.710-721.
THUKARAM, D.; SHENOY, U. J.; ASHAGEETHA, H. Neural network approach for fault location in unbalanced distribution networks with limited measurements. In: Proceedings of the IEEE Power India Conference, 2006, p.1-8.
TOMA, S. et al. Decentralized Voltage Control in Distribution System Using Neural
Network. In: Proceedings of the 2nd IEEE Power and Energy International Conference, 2008, Johor Baharu (Malaysia), p.1557-1562.
TZENG, Y. M.; HO, S. Y. To Approach Minimum Losses of the Distribution Systems by Artificial Neural Networks. In: Proceedings of the First International Conference on Innovative Computing, Information and Control, 2006, v.1, p.2-5.
VIEIRA, R. C.; ROISENBERG, M. Redes Neurais Artificiais: um breve Tutorial. Florianópolis (SC): UFSC, 2009. Notas de aula.
WEI, X. Chaotic artificial neural network in reactive power optimization of distribution network. In: Proceedings of the China International Conference on Electricity Distribution, 2010, p.1-4.
WINANDY, C. E.; BORGES, E.; BENTO, L. V. Algoritmos para Aprendizagem Supervisionada. 2007. Disponível em
<http://winandy.voila.net/IA_ApSuperv_NotasAula.pdf>. Acesso em: jan. 2012.
WU, W. W. Beyond Travel & Tourism competitiveness ranking using DEA, GST, ANN and Borda count. Expert Systems with Applications, v.38, p.12974-12982, 2011.
XU, L.; CHOW, M. Y. Power distribution systems fault cause identification using logistic regression and artificial neural network. In: Proceedings of the 13th International Conference on Intelligent Systems Application to Power Systems, 2005, p.1-6.
ZOMER, G. Apostila de Macros e linguagem de programação VBA. 2008. Disponível em <http://www.apostilando.com.br>. Acesso em: set. 2011.
APÊNDICE A – Dados técnicos
A.1 Valores nominais de corrente de componentes elétricos do sistema de distribuição de energia – Dados fornecidos por uma determinada Companhia de Energia:
Alimentador 15/01I4 de uma Companhia de Energia: IN = 303 A Alimentador 15/01N3 de uma Companhia de Energia: IN = 167 A Transformador 15/11B1 de uma Companhia de Energia: IN = 261 A Transformador 15/02T1 de uma Companhia de Energia: IN = 627 A Transformador 15/02T3 de uma Companhia de Energia: IN = 1113 A Alimentador 15/01M1 de uma Companhia de Energia: IN = 491 A
Linha de subtransmissão 72/02M4 de uma Companhia de Energia: IN = 661 A Alimentador 15/01I2 de uma Companhia de Energia: IN = 167 A
Alimentador 15/01I6 de uma Companhia de Energia: IN = 491 A
Linha de subtransmissão 72/02C5 de uma Companhia de Energia: IN = 301 A Linha de subtransmissão 72/02F4 de uma Companhia de Energia: IN = 661 A
A.2 Gráficos de corrente e Tabelas de dados originadas por leituras de dados
Todas as curvas de corrente (A) em função do tempo (h), para os componentes elétricos analisados, foram obtidas a partir das leituras de dados dos respectivos componentes, de forma que estas leituras de dados foram fornecidas por uma determinada Companhia de Energia. As figuras as quais foram obtidas a partir de leituras de dados cedidas por uma determinada Companhia de Energia são listadas a seguir:
Figuras 4.1, 4.2, 4.3, 4.4, 4.5, 4.8, 5.4, 5.5, 5.6, 5.7, 5.8, 5.9, 5.10, 5.11.
As tabelas de dados contendo valores de corrente dos componentes elétricos analisados, também foram obtidas a partir das leituras de dados dos correspondentes componentes, de maneira que estas leituras de dados foram fornecidas por uma determinada Companhia de Energia. As tabelas mencionadas são listadas a seguir:
As leituras de dados de todos os componentes analisados neste trabalho, não foram incluídas nesta dissertação somente por uma limitação no número de páginas, uma vez que a leitura de dados completa de apenas um componente elétrico apresenta aproximadamente 15 páginas, o que tornaria o trabalho extremamente extenso.
A.3 Formulação das Tabelas 5.1 e 5.2
As Tabelas 5.1 e 5.2 ilustram o processo de comparação entre os resultados obtidos pelo método estatístico e pelo método por RNAs. Descreve-se a seguir todo o processo de comparação dos resultados relacionados ao transformador T2 da Tabela 5.1, tal que o mesmo procedimento é repetido para todos os outros componentes das Tabelas 5.1 e 5.2.
TABELA A.3.1: Leitura de dados para o transformador T2 de uma Companhia de Energia, dados do dia 01/06/2010.
Hora Corrente medida (A)
0:00 618,137 1:00 577,54 2:00 546,152 3:00 523,519 4:00 507,841 5:00 491,712 6:00 455,272 7:00 442,049 8:00 535,618 9:00 668,471 10:00 701,181 11:00 731,504 12:00 732,348 13:00 691,897 14:00 765,531 15:00 791 16:00 790,104 17:00 754,875 18:00 725,63 19:00 813,579 20:00 782,503 21:00 773,883 22:00 771,039 23:00 742,883
Desta forma, por simplicidade, o processo de comparação dos resultados para os outros componentes de ambas as tabelas não é descrito. Inicialmente, observa-se então a leitura de dados do componente considerado. Sendo assim, a leitura de dados para o transformador T2 de uma determinada Companhia de Energia é representada pela Tabela A.3.1.
Novamente, apenas por uma limitação no número de páginas, a Tabela A.3.1 exibe apenas o dia 01/06/2010. No entanto, esta leitura completa apresenta 30 dias (mês de junho), com um dia situado logo abaixo do outro. Aplicando-se o programa proposto em linguagem de programação VBA (Apêndice C) para a correspondente leitura de dados do transformador T2 de uma determinada Companhia de Energia, encontram-se os 24 valores mensais de corrente que compõem o dia resultante. O resultado obtido é apresentado por meio da Tabela A.3.2. Ressalta-se a importância da função estatística Percentil neste processo.
TABELA A.3.2: Dia resultante obtido pelo programa proposto em linguagem de programação VBA.
Hora Corrente Resultante (A)
0:00 741,573 1:00 734,68 2:00 670,851 3:00 642,758 4:00 630,457 5:00 601,466 6:00 570,581 7:00 523,374 8:00 563,361 9:00 715,511 10:00 757,434 11:00 777,908 12:00 793,432 13:00 785,54 14:00 828,262 15:00 860,035 16:00 845,545 17:00 825,685 18:00 786,242 19:00 838,015 20:00 819,594 21:00 815,816 22:00 810,512 23:00 797,545
Portanto, como o valor máximo de corrente sem transferência de carga, fornecido pelo método estatístico é dado como a corrente máxima do dia resultante obtido, então o método estatístico fornece um valor máximo de corrente em condições normais de 860,035 A. Por outro lado, apresentando-se este vetor de valores mensais de corrente resultante para a rede PMC proposta, obtém-se o valor máximo de corrente sem transferência de carga segundo o método de monitoramento por RNAs. Este processo pode ser observado através da Tabela A.3.3.
TABELA A.3.3: Valor máximo de corrente sem transferência de carga, obtido pela rede PMC proposta.
Entradas da RNA (A) Saída da RNA (A)
741,573 893,547 734,68 670,851 642,758 630,457 601,466 570,581 523,374 563,361 715,511 757,434 777,908 793,432 785,54 828,262 860,035 845,545 825,685 786,242 838,015 819,594 815,816 810,512 797,545 Fonte: Matlab, 2009.
Desta forma, o valor máximo de corrente sem transferência de carga para o transformador T2 segundo o método de monitoramento por RNAs será de 893,547 A. De posse da leitura de dados do correspondente transformador, formula-se então a sua curva de
corrente em função do tempo e determina-se o valor máximo real de corrente sem transferência de carga. A curva de corrente para o transformador T2 é representada pela Figura A.3.1.
Figura A.3.1: Curva de corrente para o transformador T2 de uma Companhia de Energia.
Fonte: Leitura de dados do componente fornecida por uma determinada Companhia de Energia, 2010.
Sendo assim, o gráfico de corrente do transformador T2 (Figura A.3.1) fornece um valor máximo de corrente sem transferência de carga de 890,659 A. Este parâmetro é indicado pelo círculo vermelho exibido na própria Figura A.3.1. Então, sabendo-se que o método estatístico proporciona uma corrente de 860,035 A, encontra-se um erro percentual de 3,44 %. No entanto, o método de monitoramento por RNAs proporciona uma corrente de 893,547 A, de forma que o erro percentual obtido será de apenas 0,32 %. Pode-se observar que o método computacional de RNAs proporcionou um valor bem mais próximo do valor real para este caso, de maneira que este processo de comparação foi repetido para todos os outros componentes das Tabelas 5.1 e 5.2.
0 100 200 300 400 500 600 700 800 900 1000 0 0 :0 0 0 1 :0 0 0 2 :0 0 0 3 :0 0 0 4 :0 0 0 5 :0 0 0 6 :0 0 0 7 :0 0 0 8 :0 0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 1 9 :0 0 2 0 :0 0 2 1 :0 0 2 2 :0 0 2 3 :0 0 BM S 01/ 06/ 2010 02/ 06/ 2010 03/ 06/ 2010 04/ 06/ 2010 05/ 06/ 2010 06/ 06/ 2010 07/ 06/ 2010 08/ 06/ 2010 09/ 06/ 2010 10/ 06/ 2010 11/ 06/ 2010 12/ 06/ 2010 13/ 06/ 2010 14/ 06/ 2010 15/ 06/ 2010 16/ 06/ 2010 17/ 06/ 2010 18/ 06/ 2010 19/ 06/ 2010 20/ 06/ 2010 21/ 06/ 2010 22/ 06/ 2010 23/ 06/ 2010 24/ 06/ 2010 25/ 06/ 2010 26/ 06/ 2010 27/ 06/ 2010 28/ 06/ 2010 29/ 06/ 2010 30/ 06/ 2010 Tempo (h) Corrent e (A)
A.4 Considerações sobre o carregamento de componentes elétricos – Informações fornecidas por Companhias de Energia Elétrica
O carregamento de um componente elétrico exprime de forma clara se o mesmo está ou não operando em boas condições de segurança. Quando o carregamento atinge um valor maior ou igual a 80 % e menor que 90 %, afirma-se então que o componente entrou em uma faixa de alerta. Além disso, se o carregamento obtido for maior ou igual a 90 %, o componente elétrico considerado estará funcionando em uma faixa de operação muito perigosa, proporcionando sérios riscos ao sistema de potência. Sendo assim, a partir da análise do carregamento obtido, um conjunto de medidas de proteção poderá ser tomado para se evitarem danos, tanto ao componente analisado, como ao sistema de potência como um todo. Daí a importância de realizar um monitoramento sobre esse parâmetro.
A.5 Conceitos das análises com e sem transferência de carga – Informações cedidas por Companhias de Energia Elétrica
Linhas de subtransmissão, transformadores e alimentadores do sistema de distribuição de energia, operam em duas situações bem diferentes: em uma condição normal de funcionamento, denominada de análise sem transferência de carga e em uma condição atípica de funcionamento, denominada de análise com transferência de carga. Nesse sentido, a análise com transferência de carga é bastante simples de ser realizada, pois todos os valores de dados de corrente são considerados sem nenhuma restrição, o que facilita consideravelmente o processo. No entanto, a análise sem transferência de carga é considerada bem mais complexa de ser realizada, pois qualquer tipo de dado atípico deve ser excluído do processo. Ou seja, qualquer anomalia ou situação fora do funcionamento normal do componente deve ser descartada desta análise.
A.6 Considerações sobre o método estatístico de monitoramento – Informações fornecidas por Companhias de Energia Elétrica
De posse da leitura de dados do transformador, alimentador, ou linha de subtransmissão, podem ser efetuadas as análises com e sem transferência de carga para o componente elétrico analisado. Todas as leituras de dados para qualquer componente elétrico apresentam valores correspondentes a 30 ou 31 dias, dependendo do mês considerado, de
forma que cada dia apresenta um total de 24 valores medidos de corrente, um valor para cada hora do dia. Sendo assim, uma leitura de dados completa apresenta um total de 720 (30 dias x 24 horas) ou 744 (31 dias x 24 horas) valores medidos de corrente.
Nesse sentido, a análise com transferência de carga é realizada sem dificuldades, uma vez que todos os tipos de valores de corrente são considerados. No entanto, a análise sem transferência de carga apresenta uma complexidade bem maior, pois todas as condições atípicas de dados de corrente devem ser eliminadas do processo. Sendo assim, de posse da leitura de dados do componente, é calculada a função estatística Percentil para cada grupo de dados associados a cada hora do dia para o mês considerado. Por exemplo, consideram-se todos os valores de corrente associados a 0 h para todos os dias do mês analisado e calcula-se a função estatística Percentil para esse grupo de dados considerando um percentual de 90 %, ou seja, 10 % do total do grupo são excluídos. Sendo que estes 10 % correspondem aos maiores valores do conjunto, busca-se com isso eliminar as condições atípicas dos dados, causadas por transferências de carga. O mesmo procedimento é repetido para todas as outras horas do dia.
Dessa forma, um dia resultante é obtido com boa parte das condições atípicas eliminadas, de maneira que a corrente máxima desse dia resultante fornece o valor máximo de corrente sem transferência de carga segundo o método estatístico de monitoramento.
APÊNDICE B – Programa comentado da RNA proposta em linguagem de
programação Matlab
O programa de elaboração da RNA proposta foi desenvolvido utilizando-se a linguagem de programação Matlab. A grande vantagem desta linguagem é que ela apresenta um conjunto de funções já definidas, de maneira que a execução do código se torna bem mais simples do que se o mesmo fosse desenvolvido em outra linguagem de programação. A