Detecção e classificação de distúrbios de tensão usando redes neurais ARTMAP Euclidiana modificada com treinamento continuado

Abstract

Apresenta-se, nesta pesquisa, uma metodologia para realizar a detecção e classificação de distúrbios de tensão em sistemas de distribuição de energia elétrica, usando como ferramenta, as análises estatística e direta multinível dos sinais de tensão no domínio wavelet para o processo de detecção e uma rede neural ARTMAP Euclidiana Modificada com Treinamento Continuado (ARTMAP-EMTC) para o processo de classificação. Com o auxílio destas duas ferramentas obtém-se maior precisão, segurança e confiabilidade na tomada de decisão para o restabelecimento das operações normais do sistema. A rede neural ARTMAP-EMTC é capaz de se adaptar às constantes mudanças que sofre o setor elétrico, e.g., fornece o diagnóstico de um distúrbio desconhecido pela rede neural que possa surgir com o passar do tempo. Além disso, permite a inclusão de novos padrões na memória da rede neural sem a necessidade de reiniciar o treinamento, o que não ocorre com outros tipos de redes neurais. Trata-se, por conseguinte, de uma nova abordagem da aplicação de redes neurais onde é realizada, permanentemente, a extração do conhecimento do sistema sob análise, a partir de informações disponibilizadas na operação do sistema (resultado das análises, simulação, etc.). Os sinais de tensão, necessários para realizar os diagnósticos de distúrbios de tensão, foram obtidos por meio de simulações de um modelo de alimentador radial no software ATP (Alternative Transients Program) e Matlab, empregando-se a transformada wavelet discreta, análise multirresolução e o conceito de energia. Os resultados obtidos mostram a eficiência da metodologia proposta, o que possibilita sua aplicação, com sucesso, na proteção dos sistemas de distribuição, auxiliando os operadores no processo de decisão visando restabelecer o sistema e contribuindo, desta forma, para a melhoria da qualidade da energia elétrica fornecida aos consumidores.

This research presents a methodology to detect and classify voltage disturbances in electrical distribution systems using as tool, statistical and multilevel direct analysis of voltage signals in wavelet domain for the detection process and modified Euclidean ARTMAP neural network with continuous training for the classification (ARTMAP- MECT). These two tools provide velocity, security and reliability for decision making when it is necessary to restore the normal operations. The ARTMAP-MECT is able to adapt to continuous changes at the electrical system, e.g. to provide a diagnosis of unknown disturbances by the neural network Furthermore, it allows the inclusion of new patterns in the memory of the neural network without reinitializing the training, which is not possible in other neural networks. It is a new approach of neural network application where the knowledge is permanently extracted from the system under analysis from information available in the system operation (results from analysis, simulation, etc.). The voltage signals that are necessary to execute the voltage disturbance diagnosis are obtained from simulations of a radial feeder using the ATP (Alternative Transients Program) and MATLAB using the discrete wavelet transform, multi-resolution analysis and energy concept. The obtained results show the efficiency of the proposed methodology allowing the application in distribution protection, aiding the operators in decision procedures to restore the system and contributing to improve the power quality provided to the users.