Um localizador de faltas de alta impedância a partir de dados reais utilizando inteligência artificial.

• Ano de defesa: 2016
• Autor(a) principal: SILVA, José Antônio Cândido Borges da.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM METEOROLOGIA; UFCG
• Palavras-chave em Português: 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; Engenharia Elétrica
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/9361

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.