3.5 SINIR KONTROL PROSEDÜRLERĠ
3.5.10 Ortak Veteriner GiriĢ Belgesi (CVED)
Além das metodologias de detecção de FAI descritas na seção anterior, existe uma quantidade bem maior de metodologias presentes na literatura, muitas delas, sem serem implementadas em dispositivos comerciais. Em resposta à incapacidade dos medidores atuais de oferecer uma detecção eficiente e confiável, são propostas em artigos e revistas, novas metodologias de detecção de FAI, as quais tentam dar uma solução a este problema. Na seção a seguir são apresentadas algumas das outras metodologias de detecção que se encontram presentes na literatura.
2.4.1 Detecção de FAI utilizando extração de características com
gradiente de morfologia matemática (MMG) e redes neurais multi-
camada
A técnica de MMG é usada para ressaltar as irregularidades presentes na forma de onda da corrente durante a ocorrência de uma FAI e a ocorrência de outros fenômenos similares. Depois de ser detectada uma irregularidade maior, por meio de um limiar estabelecido, a técnica de MMG é aplicada aos três meios ciclos seguintes ao instante de ocorrência do evento. De cada um dos três resultados são extraídos os valores médios, desvio padrão, mínimo e máximo. O treinamento da RNA é realizado com tais características. Esta metodologia, proposta em Sarlak et al., (2011), é comparada com outras metodologias de extração de características como TF, transformada-S e TW. Os resultados desta comparação mostraram que a metodologia MMG fornece melhores resultados devido à facilidade de extração de características do meio ciclo seguintes à ocorrência da falta e maior percentagem de segurança na detecção de uma FAI, bem como na distinção da FAI com relação a outros eventos semelhantes.
21
2.4.2 Detecção de FAI com a energia dos coeficientes da transformada
wavelet e localização da falta com alocação de vários medidores no
circuito de distribuição.
A metodologia proposta em Lopes et al. (2013) não precisa dos parâmetros do alimentador e faz uso da TW para monitorar os transitórios induzidos pela FAI em pontos do SD utilizando os canais disponíveis para a comunicação do Smart Grid.
O algoritmo de detecção é baseado na identificação de mudanças rápidas da energia contida nos coeficientes de detalhe da TW do sinal de corrente. Tais energias permanecem constantes durante o estado estacionário da falta e incrementam rapidamente no início da falta. Com o propósito de identificar à ocorrência de uma FAI de forma precisa, é estabelecido um limiar para as energias de cada uma das fases. Quando ocorrer um incremento de energia nos coeficientes wavelet que ultrapasse o limiar e permanecer constante por vários ciclos, fenômeno que não ocorre com outros eventos (conexão – desconexão de cargas e banco capacitores), ativa-se o alarme de detecção de uma FAI.
A possível localização da falta é feita com os dados das energias obtidas pelos medidores instalados na rede no instante em que foi detectada a ocorrência da FAI. Os medidores que registrarem as três maiores energias permitirão a obtenção do local da falta.
2.4.3 Incorporação de técnicas de mineração de dados na tecnologia de
proteção para detectar FAI
O propósito da metodologia proposta em Masa et al. (2012) é determinar indicadores para diferenciar as FAI de outros tipos de eventos e aplicar técnicas de mineração de dados para obter um método de classificação. Na primeira parte do trabalho são definidos nove indicadores para caracterizar os comportamentos de intermitência dada pelos arcos, aleatoriedade, assimetria na forma de onda, presença de interharmônicas, baixo nível de corrente e presença da terceira harmônica da corrente, que correspondem às características que são observadas numa ocorrência de FAI. Depois é feito o cálculo destes indicadores aos sinais de FAI simulados em laboratório, sinais de FAI registrados em diversas concessionárias e sinais registrados em condições normais de operação. Os resultados dos indicadores são inseridos no software WEKA, o qual classifica os sinais em evento normal do sistema ou evento de FAI. A metodologia proposta em Masa et al. (2012) mostrou uma taxa de
22 assertividade na detecção de 98,3%. Tal assertividade foi obtida utilizando-se como entrada da metodologia uma base de dados de FAI. A base de dados de FAI é composta por sinais simulados no laboratório de alta tensão da Universidade Livre de Bruxelas (ULB), sinais gerados no laboratório de testes de alta potência da Siemens AG em Berlim e sinais gerados na Universidade Federal de Campina Grande (UFCG).
2.4.4 Detecção de FAI utilizando as correntes sequenciais
2.4.4.1 Monitoramento da componente de sequência negativa das correntes.
O algoritmo proposto em Senger et al. (2010) é baseado no monitoramento das correntes que circulam pelo alimentador e opera com uma sensibilidade muito mais elevada do que a encontrada na função de sobrecorrente convencional. Atuações indevidas, provocadas pela alta sensibilidade do algoritmo, são evitadas com a utilização de diversas condições adicionais que devem ser verificadas antes de se gerar o sinal de atuação.
O algoritmo foi desenvolvido exclusivamente para a detecção de FAI provocadas pelo rompimento e queda ao solo de um condutor do alimentador primário. Dessa forma, o algoritmo considera a sequência de eventos ao longo do tempo que ocorre durante o desenvolvimento desse tipo de falta. No evento de rompimento do condutor, a abertura de uma das fases do alimentador desequilibra as correntes trifásicas que alimentam a carga que se encontra à jusante do ponto de rompimento. Esse desequilíbrio altera a magnitude da componente de sequência negativa das correntes. Quando se tem rompimento, o cabo tem um tempo de queda que pode ser estimado pela expressão = √ ℎ⁄ , onde ℎ é a altura do condutor em relação ao solo e a aceleração da gravidade. Para redes de distribuição típicas resultam tempos de queda da ordem de 1,4 s. Uma vez que o cabo faz contato com o solo, a corrente de falta é drenada para o solo. No caso de ter-se contato do lado da fonte, a magnitude da corrente de falta é limitada, principalmente, pela impedância de falta verificada no local. No caso do contato do lado da carga, a magnitude da corrente de falta, além da impedância de falta, será limitada também pela magnitude da impedância de carga localizada à jusante do ponto de rompimento.
No primeiro passo, o cálculo da variação da sequência negativa é baseado na equação ∆ = − , onde é o valor médio da sequência negativa da corrente ( ) observado nos vinte ciclos anteriores ao instante de ocorrência da falta. Se a condição
∗|∆ |
23 sequência positiva da corrente ( ), é satisfeita, indica-se um potencial evento de rompimento de condutor. A seguir detecta-se a fase envolvida no evento observando-se o ângulo de ∆ . O ângulo entre 00 e 1200 corresponde a falta na fase B, entre 1200 e 2400 uma falta na fase A e entre -1200 e 00 uma falta na fase C.
Uma vez identificada a fase envolvida na falta, três segundos depois do instante em que foi detectada a falta, o algoritmo faz o seguinte cálculo: ∆ = − , onde é o valor médio da corrente de neutro ( ) medida durante um segundo depois da detecção do evento. O ângulo de ∆ entre -600 e 60 corresponde a falta na fase A, entre 1800 e 3000 uma falta na fase B e entre 600 e 1800 uma falta na fase C. A fase detectada com o ângulo de ∆ deve coincidir com a fase detectada com o ângulo ∆ . Quando isto ocorrer é dado o alarme de FAI.
2.4.4.2 Detecção por grau de desequilíbrio do sistema
Em Farina (2012) é proposta uma metodologia de detecção através da medição do grau de desequilíbrio da rede elétrica e da implementação da técnica desenvolvida em religadoras e chaves seccionalizadoras. Neste trabalho é desenvolvido um software para calcular os níveis de desequilíbrio de corrente utilizando as medições da corrente de sequência positiva ( ), corrente de sequência negativa ( ) e corrente de sequência zero ( ) em sistemas elétricos típicos de distribuição. Os índices de desequilíbrio são calculados com o seguinte equacionamento:
= ∗
+ +
.
= ∗
+ ∗ +
∗
.
= ∗
+
∗ + ∗
.
� =
| || | ∗
% .
� =
| || | ∗
% .
Onde � é o desequilíbrio de correntes de sequência zero e � é o desequilíbrio de correntes de sequência negativa.
24 Com um estudo prévio dos desequilíbrios típicos do alimentador torna-se possível escolher os ajustes dos detectores de desequilíbrios para que eles comandem a abertura do sistema apenas quando uma FAI ocorra, e não quando houver um desequilíbrio ordinário.
2.4.5 Detecção e classificação de FAI utilizando lógica Fuzzy
Em Barros (2009) é apresentada uma metodologia para detecção e classificação que utiliza um cálculo simples via observação da diferença absoluta entre o valor eficaz médio estimado e o valor eficaz medido a partir da oscilografia das correntes trifásicas. Caso seja detectada uma anomalia na corrente, procede-se à sua classificação baseada na lógica fuzzy. As características do estado do sistema são extraídas das medições de tensão e corrente distribuídas ao longo do sistema. A metodologia proposta considera apenas medições de corrente realizadas na subestação de distribuição de energia elétrica, o que possibilita, prioritariamente, reduzir investimentos.
A identificação da FAI é caracterizada pelo índice , que é a diferença absoluta entre a amplitude estimada das correntes trifásicas e a amplitude medida das correntes trifásicas. Esta etapa é, essencialmente, um cálculo algébrico simples, a partir das informações da oscilografia das correntes trifásicas. Se é constatada uma anomalia de corrente, o passo seguinte constitui a classificação da falta. Esta etapa é executada por um sistema de inferência
fuzzy.
A saída do algoritmo resulta numa indicação do tipo de falta. Os dados necessários para os diagnósticos de FAI foram obtidos através de simulações de um modelo de alimentador radial no software ATP. Os resultados mostrados no trabalho foram satisfatórios e demonstraram viabilidade da metodologia proposta para ser implementada como sistema de detecção em tempo real.