Diagnóstico de alarmes em sistemas de transmissão de energia elétrica usando um algoritmo genético adaptativo

Abstract

O problema de estimação de faltas ou diagnóstico de alarmes em sistemas de energia elétrica é identificar faltas em seções ou falhas em dispositivos através dos alarmes dos relés de proteção, disjuntores e outras informações recebidas pelo Supervisory Control and Data Acquisition System (SCADA). Este trabalho apresenta uma metodologia para resolver o problema de diagnóstico de alarmes em sistemas de energia, através de um modelo de otimização de programação binária irrestrita. Este modelo é desenvolvido com base no conjunto de coberturas mínimas que abrange a lógica e a filosofia dos projetos de proteção empregados por empresas de energia elétrica. A ideia principal é associar os alarmes dos relés de proteção relatados pelo sistema SCADA e com os estados esperados das funções de relé de proteção. Os estados esperados são modelados usando a filosofia de proteção utilizada por especialistas em empresas de energia elétrica. Um Algoritmo Genético Adaptativo (AGA) é desenvolvido para resolver o modelo de otimização de programação binária irrestrita. O AGA proposto tem a característica de usar somente dois parâmetros de controle, ou seja, o número de indivíduos na população e o número máximo de gerações. O algoritmo tem taxas de recombinação e mutação calibradas de forma dinâmica com base na saturação da população atual, tendo uma resposta imediata a possível convergência prematura para ótimos locais. A metodologia proposta para resolver o problema da localização de faltas foi implementada na linguagem de programação C ++ e os testes foram feitos em um computador com processador Intel Core i7 com 2,2 GHz e 12 GB de memória RAM. O desempenho do algoritmo foi testado usando dados de um sistema elétrico real da região sul brasileira. A fim de mostrar o desempenho do AGA, os resultados do algoritmo foram comparados com um algoritmo genético clássico e um algoritmo imune. Os resultados mostraram que o AGA é superior aos algoritmos genético clássico e imune apresentando robustez e eficiência computacional. Além disso, a metodologia provou ser rápida e robusta e tem grande potencial para a localização de faltas em tempo real.

The fault section estimation in electric power systems is to identify faults in sections or devices using information from protective relays, circuit breakers and other information received from Supervisory Control and Data Acquisition Systems (SCADA). This work presents a methodology to solve the fault section estimation problem in power systems, through a model based on an unconstrained binary programming optimization model. This model is developed based on the parsimonious set covering theory and the protection philosophy logic employed by electric companies. The main idea is to associate the alarms of the relay protection functions reported by the SCADA system with the expected states from the protective relay functions. The expected states are modeled using protection philosophy logic employed by experts in electric companies. An Adaptive Genetic Algorithm (AGA) is developed to solve the unconstrained binary programming optimization model. The proposed AGA has the characteristic to use only two control parameters, i.e., number of individuals in the population and maximum number of generations. The algorithm has automatic and dynamically calibrated recombination and mutation rates based on the saturation of the current population, having an immediate response to possible premature convergence to local optima. The methodology proposed to solve the problem of shortages sections location was implemented in the C ++ programming language and the tests are done on a computer with Intel Core 7 Processor with 2.2 GHz and 12 GB of memory. The algorithm’s performance was tested using data from the Brazilian Southern electric power system. In order to show the AGA performance, the algorithm results was compared with a classical genetic algorithm and an immune algorithm. The results have shown that AGA presents robustness and the efficiency was successfully verified. Considering the solutions of the tests, the AGA demonstrates better computational processing time, getting the right solution for every simulation. Furthermore, the method was proven to be fast and robust and has great potential for locating faults in electric power systems in real time.