[en] HYBRID DECISION SUPPORT SYSTEM FOR DETECTION AND DIAGNOSIS OF FAULTS IN ELECTRICAL NETWORKS

• Ano de defesa: 2006
• Autor(a) principal: LUIZ BIONDI NETO
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: MAXWELL
• Palavras-chave em Português: [pt] REDE NEURAL; [pt] DETECCAO; [pt] SISTEMA ESPECIALISTA; [en] NEURAL NETWORKS; [en] DETECTIONAL; [en] EXPERT SYSTEM
• Link de acesso: https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9301&idi=1; https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=9301&idi=2; http://doi.org/10.17771/PUCRio.acad.9301

[pt] O presente trabalho investiga a aplicação de um sistema híbrido baseado em Redes Neurais Artificiais (RNAs) e Sistemas Especialistas (SE) na detecção e diagnóstico de falhas em redes elétricas. A pesquisa consistiu de três partes principais:o estudo do problema da detecção e diagnóstico de falhas em redes elétricas; a modelagem e o desenvolvimento do sistema híbrido (RNAs e SE); e o estudo de casos. Na fase de estudo do problema, investigou-se a importância da detecção e do diagnóstico de falhas em redes elétricas, concentrando-se em sistemas elétricos dotados de grande quantidade de alarmes. Tais alarmes podem ocorrer simultaneamente. Conseqüentemente, os operadores de sistemas elétricos encontram dificuldades na identificação da falha e na tomada de decisão quanto à ação corretiva a ser adotada, cometendo, eventualmente, erros de diagnóstico. A investigação do problema também envolveu entrevistas com especialistas da área, visando não só de absorver conhecimento específico sobre o problema, como também delinear a melhor solução para resolvê-lo. A modelagem do sistema híbrido envolveu duas partes:a detecção das falhas, executada por um conjunto de RNAs; e o diagnóstico das falhas detectadas , realizado por um SE. Na detecção das falhas, um conjunto de quatro RNAs, cada uma especializada em um componente do sistema elétrico (gerador, transformador, barra e linha), tem a função de mapear grupos de alarmes acionados em falhas específicas. Trata-se, portanto, de um problema típico de classificação de padrões, onde cada rede neural é treinada usando-se o algoritmo de retropropagação. Os padrões de treinamento, fornecido por especialistas da área, consistem de combinações de 149 alarmes, para um total de 198 ocorrências (184 falhas simples mais 14 situações de operação normal). Após treinadas, as RNAs são testadas com amostras que refletem o estado dos alarmes em um certo período de funcionamento do sistema elétrico. As saídas das RNAs indicam, através de um código, a ocorrência de falhas ou o funcionamento normal do sistema elétrico, nesse período de observação. O SE, responsável pelo diagnóstico, recebe a saída numérica das RNAs, referente às falhas detectadas, e fornece ao operador informações importantes, tais como: quais alarmes foram acionados; quais equipamentos de proteção estão envolvidos na ocorrência; quais os motivos prováveis da ocorrência da falha; e, finalmente, sugere um conjunto de ações corretivas que podem ser tomadas pelo operador para solucionar o problema. Essas informações, não disponíveis diretamente na saída das RNAs, são obtidas através da aplicação de um conjunto específico de especialistas da área. O ambiente de simulação foi desenvolvido em plataforma PC. As RNAs foram implementadas em MatLab Vers: 4.2 e o SE, em Delphi Vers: 2.0. O estudo de casos empregou cerca de 1000 padrões de teste correspondentes ao estado dos 149 alarmes. Estes dados, fornecidos por especialistas do setor elétrico, foram obtidos através de adaptações de situações reais, adequadas ás dimensões do sistema elétrico adotado. Nos testes realizados, o sistema híbrido foi submetido a um conjunto de alarmes, afetados ou não por ruído, respondendo com sugestões quanto às ações corretivas que podem ser tomadas pelo operador. Foram realizados testes de falhas em geradores, tranformadores, barramentos e linhas de transmissão, envolvendo falhas simples e múltiplas no sistema elétrico. Com incidência de até 10% de ruído nos padrões de teste, o índice de acerto de detecção de falha é próxima de 100% e para taxas superiores a 20% o desempenho do sistema híbrido cai gradualmente. Segundo a avaliação de especialistas do setor elétrico, o sistema híbrido apresenta resposta rápida e segura, quando comparado com os processos tradicionais, totalmente dependentes do ser humano.