Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/9361
Title: Um localizador de faltas de alta impedância a partir de dados reais utilizando inteligência artificial.
Other Titles: A high impedance fault finder from real data using artificial intelligence.
???metadata.dc.creator???: SILVA, José Antônio Cândido Borges da.
???metadata.dc.contributor.advisor1???: SOUZA, Benemar Alencar de.
NEVES, Washington Luiz Araújo.
???metadata.dc.contributor.referee1???: MANTOVANI, José Roberto Sanches.
???metadata.dc.contributor.referee2???: CANHA, Luciane Neves.
???metadata.dc.contributor.referee3???: AQUINO, Ronaldo Ribeiro Barbosa de.
???metadata.dc.contributor.referee4???: COSTA, Edson Guedes da.
???metadata.dc.contributor.referee5???: BRITO, Nubia Silva Dantas.
Keywords: Faltas de Alta Impedância;Transformada Wavelet;Redes Neurais Artificiais;Sistemas de Distribuição;Inteligência Artificial;Redes Treinadas;High Impedance Faults;Wavelet Transform;Artificial Neural Networks;Distribution Systems;Artificial intelligence;Trained Networks
Issue Date: Mar-2016
Publisher: Universidade Federal de Campina Grande
Citation: SILVA, José Antônio Cândido Borges da. Um localizador de faltas de alta impedância a partir de dados reais utilizando inteligência artificial. 2016. 152f. (Tese) Doutorado em Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande –Campina Grande - Paraíba - Brasil, 2016.
???metadata.dc.description.resumo???: Em função da topologia radial dos sistemas de distribuição de energia elétrica, um grande número de consumidores pode permanecer sem fornecimento de energia após a atuação do sistema de proteção. Assim, a obtenção de uma estimativa do local de ocorrência da falta representa uma etapa importante na redução do tempo de interrupção de energia aos consumidores. Há uma classe de distúrbios denominada faltas de alta impedância (FAI), que normalmente ocorrem quando há contato de um condutor energizado do circuito da rede primária com uma superfície de alto valor resistivo, a exemplo de árvores, vias públicas ou construções. Nesse caso, nem mesmo o sistema de proteção é sensibilizado. As FAI apresentam características próprias, como assimetria e não-linearidade. Diante do estado da arte, a tese que se propõe tem como objetivo desenvolver um algoritmo para realizar a localização de FAI em sistemas de distribuição utilizando Redes Neurais Artificiais (RNA) e a Transformada Wavelet. A localização proposta é realizada em duas etapas, com a utilização de duas classes de RNA: perceptrons de múltiplas camadas (MLP – Multilayer Perceptron) para localização da extensão, e os mapas auto-organizáveis (SOM – Self Organizing Maps) para determinação do setor do alimentador. Os dados de entrada utilizados são as correntes de cada fase, assim como a energia dos coeficientes Wavelet. Para modelagem das FAI, realizaram-se ensaios em um alimentador real, com a queda de um cabo em algumas superfícies. Os resultados indicam uma precisão em torno de 90%, evidenciando a possibilidade da utilização da Inteligência Artificial ao problema.
Abstract: Due to the radial power distribution systems topology, a large number of consumers may remain without power supply after the operation of the protection system. Thus, an estimation of the fault occurrence place represents an important step in reducing outage time for consumers. There is a disturbance type known as High Impedance Faults (HIF), which usually occur when there is a drop or energized conductor contact of the primary circuit network with a high value resistive surface, like trees, roads or buildings. In this case, the protection system is not sensitized. The HIF have specific characteristics, such as asymmetry and nonlinearity. The goal here is to develop an algorithm to perform the HIF location in distribution systems using Artificial Neural Networks (ANN) and Wavelet Transform. The proposed location is performed in two steps, using two ANN classes: MLP - Multilayer Perceptron, for extension of the location and SOM - Self Organizing Maps, to determine the sector feeder. The used input data are the phase currents, as well as the energy of the wavelet coefficients. For HIF modeling, field tests were carried out. The results indicated an accuracy of around 90%, indicating the possibility of using Artificial Intelligence to the problem.
Keywords: Faltas de Alta Impedância
Transformada Wavelet
Redes Neurais Artificiais
Sistemas de Distribuição
Inteligência Artificial
Redes Treinadas
High Impedance Faults
Wavelet Transform
Artificial Neural Networks
Distribution Systems
Artificial intelligence
Trained Networks
???metadata.dc.subject.cnpq???: Engenharia Elétrica
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/9361
Appears in Collections:Doutorado em Engenharia Elétrica.

Files in This Item:
File Description SizeFormat 
JOSÉ ANTÔNIO CÂNDIDO BORGES DA SILVA - TESE PPGEE 2016.pdfJosé Antônio Cândido Borges da Silva - Tese PPGEE 2016. 3.41 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.