redes neurais artificiais aplicadas na detecção, classificação e localização de defeitos em linhas

132 Pages·2006·0.86 MB·Portuguese

REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO,
CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE
TRANSMISSÃO

ÂNGELO ROCHA DE OLIVEIRA

DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO
DO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA DA
UNIVERSIDADE FEDERAL DE JUIZ DE FORA COMO PARTE DOS
REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE
EM ENGENHARIA ELÉTRICA.

Aprovada por:

_____________________________________________
Prof. Paulo Augusto Nepomuceno Garcia, D.Sc - UFJF

_____________________________________________
Profa. Carmen Lúcia Tancredo Borges, D.Sc - UFRJ

_____________________________________________
Prof. Hélio Antônio da Silva, D.Sc - UFJF

_____________________________________________
Prof. Márcio de Pinho Vinagre, D.Sc - UFJF

JUIZ DE FORA, MG – BRASIL.
AGOSTO DE 2005
OLIVEIRA, ÂNGELO ROCHA

Redes Neurais Artificiais Aplicadas na Detecção,
Classificação e Localização de Defeitos em Linhas de
Transmissão [Juiz de Fora] 2005.
XI, 132 p. 29,7 cm. (UFJF, M. Sc, Engenharia Elétrica,
2005)
Tese – Universidade Federal de Juiz de Fora
1. Redes Neurais Artificiais
2. Detecção, Classificação e Localização de Defeitos em
Linhas de Transmissão
3. Proteção de Linhas de Transmissão
I. UFJF II. Título (Série)

ii
Aos meus pais, Maurilo e Ângela,
ao meu irmão, Murilo
e à minha noiva Marcella
com muito carinho.
iii
AGRADECIMENTOS

Primeiramente a Deus, a causa primária de todas as coisas.
Ao Professor Paulo Augusto Nepomuceno Garcia pela excelência na orientação
e dedicação dispensadas para a realização deste trabalho. Além dos ensinamentos,
contribuições e segurança transmitida, fatores fundamentais não só para a realização
desta dissertação, mas também para minha formação profissional.
Aos Professores Márcio de Pinho Vinagre e Hélio Antônio da Silva pelos
conselhos, incentivos e ensinamentos passados durante o curso de pós-graduação.
Ao LABSPOT (Laboratório de Sistemas de Potência da Faculdade de
Engenharia Elétrica da Universidade Federal de Juiz de Fora), pela disponibilidade de
utilização de recursos computacionais.
A todos os professores e colegas do curso de pós-graduação que direta ou
indiretamente contribuíram para a realização desta dissertação, em especial ao
acadêmico Geano Elias Rocha pela fundamental ajuda na fase final dos trabalhos.
Ao meu pai Maurilo Marcelino de Oliveira, minha mãe Ângela Maria Rocha de
Oliveira, meu irmão Murilo, minha noiva Marcella, minha madrinha Suely e todos os
meus familiares pelos incentivos e apoio, sem o qual seria impossível a realização desse
curso de pós-graduação.

iv
Resumo da Dissertação apresentada à UFJF como parte dos requisitos necessários
para a obtenção do grau de Mestre em Ciências (M. Sc.)

REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO,
CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE
TRANSMISSÃO

Ângelo Rocha de Oliveira

Agosto / 2005

Orientador: Paulo Augusto Nepomuceno Garcia, D. Sc.

Programa: Engenharia Elétrica

Este trabalho apresenta um sistema completo para detecção, classificação e
localização de defeitos em linhas de transmissão, baseado em redes neurais artificiais
(RNA) diretamente alimentadas, por meio da análise de tensões e correntes trifásicas
na freqüência fundamental, em somente um dos terminais na linha. Através de
simulações de defeitos feitas com o software ATP, um banco de dados é gerado. Os
dados são amostrados a uma freqüência de 960Hz e a rede de detecção de defeitos
recebe os sinais provenientes de um filtro de Fourier recursivo. Esta rede, que possui
12 entradas, as quais correspondem aos módulos e ângulos das tensões e correntes
trifásicas e 1 saída, que tem a função de, a cada milésimo de segundo, avaliar o
estado de operação da linha: normal ou sob defeito. Para que não haja atuação da
proteção de forma precipitada, o sinal para atuação da proteção somente é enviado
após dez saídas consecutivas indicando defeito. Quando a rede de detecção acusa
curto-circuito, o módulo de classificação, que é composto de uma rede neural com 12
entradas e 4 saídas, recebe os sinais do sistema na região de defeito e identifica as
fases envolvidas no distúrbio, bem como o envolvimento da terra. Com a
identificação das fases envolvidas, o módulo de localização de defeitos, que é
composto por redes especialistas para cada tipo de defeito, recebe as mesmas
entradas apresentadas ao módulo de classificação. Cada rede neural constituinte deste
módulo possui 12 entradas e uma saída, que indica o local de ocorrência do distúrbio.
v
Testes realizados mostram um sistema eficiente para detecção, classificação e
localização de defeitos em linhas de transmissão.
vi
Abstract of Dissertation presented to UFJF as a partial fulfillment of the
requirements for a Master of Science degree (M. Sc.)

ARTIFICIAL NEURAL NETWORKS APPLIED IN FAULT DETECTION,
CLASSIFICATION AND LOCATION IN TRANSMISSION LINES

Ângelo Rocha de Oliveira

August / 2005

Advisor: Paulo Augusto Nepomuceno Garcia, D. Sc.

Department: Electrical Engineering

This work presents a complete system to fault detection, classification and
location in transmission lines, based on Artificial Neural Networks (ANN), through
three-phase voltage and current analysis, in fundamental frequency, in only one end
of the line. Through fault simulations with software ATP, a data bank is generated.
The data is sampled in 960Hz and the detection neural network receives the signals
from a recursive Fourier filter. This net, that has 12 inputs, that correspond to the
modules and angles of three-phase voltage and current and 1 output, that has a
function to evaluate the operation status of the line: normal or under disturbance. In
order to avoid abrupt operation, the signal to protection is sent only after 10
consecutive output indicating fault.When the detection neural net detects a fault, the
classification module, that is composed by a neural net with 12 inputs and 4 outputs,
receives the signals from the line in the fault region and identifies the phases
involved in the disturbance, as well as earth involvement. With the identification of
the involved phases, the location module, that is composed by specialist neural nets
to each kind of fault, receives the same samples presented to the classification
module. Each neural network of this module has 12 inputs and 1 output, that indicate
the location of the disturbance. The simulation results show an efficient system to
fault detection, classification and location.
vii
Sumário
Capítulo I......................................................................................................................1
I.1 Motivações da Dissertação..................................................................................1
I.2 Objetivo da Dissertação......................................................................................2
I.3 Revisão Bibliográfica..........................................................................................2
I.4 Publicações Decorrentes da Dissertação.............................................................6
I.5 Estrutura da Dissertação......................................................................................6
Capítulo II.....................................................................................................................8
II.1 Considerações Iniciais.......................................................................................8
II.2 O Cérebro Humano............................................................................................9
II.3 Modelagem do Neurônio Artificial..................................................................11
II.3.1 Tipos de Função de Ativação....................................................................13
II.3.2 Arquiteturas de Rede.................................................................................15
II.3.2.1 Redes Diretas de Uma Camada..........................................................15
II.3.2.2 Redes Diretas (feed-forward) de Camadas Múltiplas........................16
II.3.2.3 Redes Recorrentes (feed-backward)..................................................17
II.3.3 Aprendizagem...........................................................................................18
II.3.3.1 Aprendizagem com Professor............................................................19
II.3.3.2 Aprendizagem sem Professor............................................................20
II.3.3.2.1 Aprendizagem por Reforço.........................................................20
II.3.3.2.2 Aprendizagem Não-Supervisionada...........................................22
II.3.4 Tarefas de Aprendizagem.........................................................................22
II.3.5 Perceptrons de Uma Camada....................................................................24
II.3.5.1 Perceptron de Rosenblatt...................................................................25
II.3.5.2 Adaline...............................................................................................27
II.3.6 Perceptrons de Múltiplas Camadas...........................................................31
II.3.6.1 Algoritmo de Retropropagação (Backpropagation)..........................32
II.3.6.2 Desempenho do Algoritmo de Retropropagação...............................37
II.3.6.3 Generalização do Conhecimento.......................................................37
II.3.6.4 Algoritmo de Treinamento “Trainrp”................................................40
II.4 Conclusões.......................................................................................................41
Capítulo III.................................................................................................................42
III. 1 Considerações Iniciais...................................................................................42
III.2 Sistema Equivalente e Simulação de Defeitos...............................................42
III.3 Módulo de Detecção de Defeitos....................................................................46
III.4 Módulo de Classificação de Defeitos.............................................................49
III.5 Módulo de Localização de Defeitos...............................................................51
III.6 Esquema Completo de Proteção de Linhas de Transmissão..........................52
III.7 Conclusões......................................................................................................53
Capítulo IV.................................................................................................................55
IV.1 Considerações Iniciais....................................................................................55
IV.2 Sistema Teste I...............................................................................................55
IV.2.1 Geração de Dados....................................................................................56
IV.2.2 Definição da Topologia das RNA...........................................................58
IV.2.3 Rede de Detecção: Treinamento e Desempenho.....................................59
IV.2.4 Rede de Classificação: Treinamento e Desempenho..............................61
IV.2.5 Rede de Localização: Treinamento e Desempenho................................63
viii
IV.2.5.1 Defeitos FASE-TERRA.......................................................................64
IV.2.5.2 Defeitos FASE-FASE..........................................................................67
IV.2.5.3 Defeitos FASE-FASE-TERRA............................................................71
IV.2.5.4 Defeitos FASE-FASE-FASE...............................................................73
IV.2.6 Esquema Completo de Detecção, Classificação e Localização de
Defeitos: Teste de Desempenho.........................................................................76
IV.3 Sistema Teste II..............................................................................................79
IV.3.1 Rede de Detecção: Treinamento e Desempenho.....................................79
IV.3.2 Rede de Classificação: Treinamento e Desempenho..............................81
IV.3.3 Rede de Localização: Treinamento e Desempenho................................83
IV.3.3.1 Defeitos FASE-TERRA...................................................................83
IV.3.3.2 Defeitos FASE-FASE......................................................................85
IV.3.3.3 Defeitos FASE-FASE-TERRA........................................................87
IV.3.3.4 Defeitos FASE-FASE-FASE...........................................................89
IV. 4 Conclusões....................................................................................................91
Capítulo V..................................................................................................................93
V.1 Conclusões.......................................................................................................93
V.2 Propostas de Desenvolvimentos Futuros.........................................................95
Apêndice A.................................................................................................................97
A.1 Considerações Iniciais.....................................................................................97
A.2 Método da Descida Mais Íngreme...................................................................98
A.3 Método de Newton..........................................................................................99
Apêndice B...............................................................................................................101
B.1 Considerações Iniciais...................................................................................101
B.2 Formulação Matemática da Retropropagação...............................................101
Apêndice C...............................................................................................................107
C.1 Considerações Iniciais...................................................................................107
C.2 Aliasing..........................................................................................................107
Apêndice D...............................................................................................................113
D.1 Considerações Iniciais...................................................................................113
D.2 Sistema Teste I..............................................................................................113
D.3 Sistema Teste II............................................................................................114
Referências Bibliográficas........................................................................................116

ix
Lista de Figuras
Figura II.1 - Neurônio Humano..................................................................................10
Figura II.2 - Modelo do Neurônio Artificial...............................................................11
Figura II.3 - Função Linear.........................................................................................13
Figura II.4 - Função Limiar........................................................................................13
Figura II.5 - Função Rampa........................................................................................14
Figura II.6 - Função Sigmóide....................................................................................14
Figura II.7 - Rede Direta de 1 Camada.......................................................................16
Figura II.8 - Rede Direta de Múltiplas Camadas........................................................17
Figura II.9 - Rede Recorrente.....................................................................................17
Figura II.10 - Aprendizagem Supervisionada.............................................................19
Figura II.11 - Aprendizagem por Reforço..................................................................21
Figura II.12 - Aprendizagem Não-Supervisionada.....................................................22
Figura II.13 - Aproximação de Funções.....................................................................24
Figura II.14 - Controle de Processos..........................................................................24
Figura II.15 - Perceptron com 1 Neurônio.................................................................26
Figura II.16 - Adaline.................................................................................................28
Figura II.17 - Rede com 2 Camadas Ocultas..............................................................32
Figura III.1 - Sistema Equivalente..............................................................................43
Figura III.2 - Módulo de Detecção de Defeitos..........................................................47
Figura III.3 - Rede Neural 12-X-1 para Detecção de Defeitos...................................48
Figura III.4 - Módulo de Classificação de Defeitos...................................................49
Figura III.5 - Rede Neural 12-X-4 para Classificação de Defeitos............................50
Figura III.6 - Módulo de Localização de Defeitos.....................................................51
Figura III.7 - Rede Neural 12-X-X-1 para Localização de Defeitos..........................52
Figura IV.1 - Sistema IEEE-14..................................................................................56
Figura IV.2 - Desempenho da Rede de Detecção X Neurônios na Camada Oculta
para os Subconjuntos de Treinamento e Validação....................................................60
Figura IV.3 - Convergência da Rede com 10 Neurônios na Camada Oculta.............60
Figura IV.4 - Desempenho da Rede de Classificação X Neurônios na Camada Oculta
para os Subconjuntos de Treinamento e Validação....................................................62
Figura IV.5 - Convergência da Rede com 15 Neurônios na Camada Oculta.............62
Figura IV.6 - Desempenho da Rede de Localização AT X Neurônios nas Camadas
Ocultas para os Subconjuntos de Treinamento e Validação.......................................65
Figura IV.7 - Convergência da Rede com 23 Neurônios nas Camadas Ocultas........65
Figura IV.8 - Curva de Probabilidade Acumulada para Rede de Localização de
Defeitos AT................................................................................................................66
Figura IV.9 - Curva de Probabilidade Acumulada para o Conjunto de Dados Extra
em Relação ao Ponto de Ocorrência do Defeito.........................................................67
Figura IV.10 - Desempenho da Rede de Localização AB X Neurônios nas Camadas
Ocultas para os Subconjuntos de Treinamento e Validação.......................................68
Figura IV.11 - Convergência da Rede com 30 Neurônios nas Camadas Ocultas......69
Figura IV.12 - Curva de Probabilidade Acumulada para Rede de Localização de
Defeitos AB................................................................................................................69
Figura IV.13 - Curva de Probabilidade Acumulada para o Conjunto de Dados Extra
em Relação ao Ponto de Ocorrência do Defeito.........................................................70
x