Detecção e classificação de faltas de curto-circuito em sistemas de distribuição com a inserção de geração distribuída

• Ano de defesa: 2020
• Autor(a) principal: Faria, Andréia da Silva Santos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Análise multirressolução; Detecção de faltas de curto-circuito; Rede neural ARTMAP Fuzzy; Sistemas de distribuição de energia elétrica; Transformada Wavelet discreta de sobreposição máxima; Electrical energy distribution systems; Multi-resolution analysis; Maximal overlap discrete Wavelet transform; Neural network Fuzzy ARTMAP; Short-circuit fault detection
• Link de acesso: http://hdl.handle.net/11449/202666

A detecção e classificação de faltas de curtos-circuitos são de fundamental importância para minorar danos a equipamentos elétricos e prevenir faltas de regime permanente ou blecautes em sistemas de Distribuição. A inserção de geração distribuída na rede de distribuição altera a topologia do sistema elétrico e afeta diretamente a corrente de curto-circuito. Nesse contexto, neste trabalho propõe-se uma metodologia alternativa para detecção e classificação de faltas de curto-circuito em sistemas de distribuição de energia elétrica trifásicos considerando a inserção de geração distribuída. A detecção baseia-se nos índices comportamentais das correntes de curto-circuito trifásicas que são extraídos por meio da Transformada Wavelet Discreta de sobreposição Máxima e Análise de Multirresolução. A classificação das fases em curto-circuito é realizada via uso da rede neural ARTMAP-Fuzzy. As diversas condições de falta foram simuladas no sistema teste IEEE-34 barras modificado. O sistema teste foi modelado no software ATPDraw e a metodologia para detecção e classificação de faltas foi implementada no software MATLAB. A técnica para detecção e classificação é robusta. Foram detectados corretamente em todos os cenários implementados, mais de 98% dos curtos-circuitos, enquanto o acerto do classificador foi superior a 98% com apenas uma execução ou época para as etapas de treinamento e teste, portanto o mesmo apresenta baixo esforço computacional.