Proceedings of IV Brazili an Conference on Neural Networks - IV Congresso Brasileiro de Redes Neuraispp. 888-999, July 20-22, 1999 - ITA, São José dos Campos - SP - Brazil

001

Identificação de Processos de Ensaios de Alta Tensão Atravésde Redes Neurais Ar tificiais

André Nunes de Souza, Ivan Nunes da Silva e Mário Eduardo BordonUniversidade Estadual Paulista – UNESP

Departamento de Engenharia ElétricaCP 473, CEP 17033-360, Bauru - SP

e-mail: andrejau@bauru.unesp.br

Abstract

This paper demonstrates that artificial neuralnetworks can be used effectively for the identificationand estimation of parameters related to analysis anddesign of high-voltage substations. More specifically,the neural networks are used to compute electrical fieldintensity and critical disruptive voltage in substationstaking into account several atmospheric and structuralfactors, such as pressure, temperature, humidity,distance between phases, height of bus bars, and waveforms. Simulation examples of tests are presented tovalidate the proposed approach. The results that wereobtained by experimental evidences and numericalsimulations allowed the proposition of new rules aboutthe specification of substations.

1. Introdução

O Brasil devido a sua grande extensão territorial eestar próximo ao Equador Geográfico, é um dos paísesde maior incidência de descargas atmosféricas (raios),cerca de 100 milhões de descargas anualmente.

Os sistemas de energia elétrica, que a cada diaaumentam em tamanho e complexidade, são muitovulneráveis as descargas atmosféricas, e a credibili dadedestes sistemas ainda depende muito da eficiência daproteção contra descargas atmosféricas e doconhecimento dos processos que envolvem estasdescargas.

Diante deste fato, um crescente interesse está sendodispensado para identificar com precisão ocomportamento destas descargas em linhas detransmissões, subestações e edificações.

Na prática, a simulação artificial das descargasatmosféricas é realizada em laboratórios oficiais de altatensão, mediante o emprego de ensaios normalizados.

O ensaio de alta tensão que representa ocomportamento das descargas atmosféricas édenominado de Ensaio de Impulso Atmosférico, onde aforma de onda, que representa a duração do fenômeno, éespecificada pelo tempo de crescimento (frente) e pelotempo de valor médio (cauda) [1].

O objetivo de estudar as descargas atmosféricas écompreender o efeito físico destas descargas eminstalações elétricas ou em alguns de seus componentesindividuais que fazem parte do sistema elétrico.

Como os processos físicos envolvidos na formaçãodas descargas compreendem fenômenos aleatórios e nãodeterminísticos, é necessário analisar o mesmo de formaprobabilística.

A Figura 1 apresenta a função de probabili dade dadescarga elétrica P (v), identificando a tensão crítica(V50% ) e a tensão suportável (V10% ).

Figura 1. Função de Probabili dade

Usualmente, as normas técnicas de alta tensãorecomendam a aplicação de um certo número deaplicações de tensão no objeto sob ensaio, consumindoassim, um grande tempo de utili zação do laboratório, oqual influi diretamente no custo final do projeto.

Existem vários fatores que influenciam naintensidade de uma descarga atmosférica, tais como,forma de onda, polaridade, configuração de campoelétrico, ionização do solo, temperatura, pressão entreoutras. Sendo assim, muito difícil estabelecer evisualizar um relacionamento destas grandezas atravésde ferramentas clássicas.

Neste contexto, a identificação de processos de altatensão através das Redes Neurais Artificiais (RNA)pode ser visto como uma ferramenta que fornecealternativas às metodologias convencionais de ensaiosde alta tensão, gerando resultados motivadores,principalmente devido as características intrínsecas datécnica, como a capacidade de generalização eintegração com outras ferramentas computacionais.

002

A habili dade de Redes Neurais Artificiais (RNA) emmapear funções não-lineares complexas as tornam umaferramenta atrativa para identificar e estimar modelos deprocessos de alta tensão.

Uma rede neural artificial é um sistema dinâmicoque consiste de vários elementos processadores simplesque exploram arquiteturas de computação inerentementeparalelas e adaptativas

Os principais benefícios em utili zar RNA emprocessos de alta tensão são:

i-) habili dade de aprender e de generalizar conceitos;ii -) facili dade de implementação em hardware;iii -) capacidade de mapear sistemas complexos semnecessidade de conhecimento sobre eventuais modelosmatemáticos que descrevem o seu comportamento;iv-) possibili dade de redução do tempo envolvido comtestes em laboratórios.

Este artigo é organizado como segue. Na Seção 2,um histórico sucinto sobre as pesquisas relacionadas àidentificação de processos de alta-tensão é apresentada.Na Seção 3, os procedimentos experimentais utili zadosem laboratórios são descritos. A Seção 4 fornece osresultados experimentais obtidos em laboratório e queserão utili zados no treinamento das redes neurais. ASeção 5 fornece uma introdução do processo deidentificação com redes neurais artificiais. Na Seção 6,resultados de simulações são apresentados para validar aabordagem proposta. Finalmente, as conclusões e opontos chaves deste artigo são apresentados na Seção 7.

2. Histór ico

Por muitos anos, vários estudos foram realizadoscom a premissa de descrever os principais aspectosrelacionados com a formação das descargas, algunsconsiderando simplesmente dados estatísticos, outrosefetuando medições em campo, e por fim, estudosinvestigando a física natural do fenômeno [2]-[4].

A maioria das pesquisas desenvolvidas emlaboratórios de alta tensão, tiveram como tônica, oestudo e identificação de processos que influenciam nocomportamento da descarga atmosférica no ar.

Os equacionamentos físicos e matemáticos foramelaborados a partir da teoria do desenvolvimento dadescarga piloto [5]-[6].

Estes trabalhos foram fundamentados na construçãode curvas (tensão x tempo), obtidas nos ensaios deimpulso atmosférico com ondas padronizadas e nãopadronizadas.

A expressão (1) apresenta uma formulaçãogeneralizada para este critério:

∫ −=b

0

t

t

n0 dt)U)t(U(I (1)

onde:

U(t) é a tensão aplicada em função de t;tb é o tempo de disrupção;to é o tempo entre U(t) que excede o primeiro U0; eI, U0 e ‘n’ são constantes predefinidas.

Atualmente, tem havido uma preocupação muitoacentuada no sentido de identificar exatamente osprocessos que envolvem a formação das descargaselétricas, tendo em vista os expressivos avançosocorridos na arte de modelar o fenômeno, tanto doponto de vista analítico como numérico, e que estãopermitindo novos estudos computacionais [7].

3. Procedimentos experimentais

Os procedimentos e especificações gerais relativosaos ensaios de alta tensão, encontram-se descritos nasérie de normas vigentes da NBR 6936–1992.

Para realizar a investigação experimental eposteriormente identificar os processos que envolvem odesenvolvimento das descargas, foi adotado o Ensaio deImpulso Atmosférico em barramentos paralelospreviamente escolhidos, que representamaproximadamente 80% dos barramentos instalados nassubestações de energia elétrica [8].

A Figura 2 apresenta a topologia dos barramentosensaiados (vista superior), considerando váriasdistâncias entre as fases e também a altura até o solo.

Figura 2. Topologia dos Barramentos Paralelos

Nos barramentos foram aplicados impulsos depolaridade positiva em um lado do barramento sendo ooutro lado aterrado juntamente com a base.

A Figura 3 apresenta os parâmetros que foramconsiderados na medição da forma de onda.

Figura 3. Onda Normalizada 1,2X50µs.

003

onde:

01 é a origem virtual, o instante que precede o tempocorrespondente ao ponto A de 0,3 T1;.

Tf é o tempo de frente, parâmetro definido como 1,67vezes o intervalo de tempo T entre os instantes 30%e 90%;

Tc é o tempo até o meio valor ( cauda ).

A tensão suportável (V10%) que representa o valor detensão com probabili dade de 10% de ocorrer a descargadisruptiva, foi calculada de acordo com a expressão (2):

V10% =V50% (1 - 1,3σ ) (2)

onde:

V10% é a tensão suportável;V50% é a tensão disruptiva experimental; eσ = desvio padrão (3%).

Para a geração artificial das descargas atmosféricasfoi utilizado um gerador de impulso com capacidade detrês milhões de Volts (3 MV), que consiste basicamentede uma combinação de capacitores, resistores ecentelhadores, conforme apresentado na Figura 3.

Figura 4. Circuito de Ensaio no Laboratório

onde:

C1 = capacitor de impulsoC2 = capacitor de carga (corpo de prova)R1 = resistor de frenteR2 = resistor de caudaM = malha de descargaL = indutância própria da malha MF1 = centelhador de excitaçãoF2 = centelhador de medição (divisor de tensão)V0 = tensão no capacitor C1

4. Resultados experimentais

As Figuras 5, 6 e 7 apresentam um resumo dosresultados experimentais, referentes às várias topologiasensaiadas no laboratório de alta tensão. Estes resultadosforam posteriormente utili zados para a realização dotreinamento das redes neurais artificiais.

0.0 0.5 1.00

200

400

600

Altura H = 1,5 m

Ten

são

V50

% (

kV)

Distância de Arco D1 (m)

Figura 5. Altura do Barramento ao Solo de 1,5m

1 20

500

1000

1500

Altura H = 3,0 m

Te

nsão

V50

% (

kV)

Distância de Arco D1 (m)

Figura 6. Altura do Barramento ao Solo de 3,0m

0 1 20

500

1000

Altura H = 4,0 m

Te

nsão

V50

% (

kV)

Distância de Arco D1 (m)

Figura 7. Altura do Barramento ao Solo de 4,0m

Observando as Figuras 5, 6 e 7 constata-se umalinearidade dos pontos ensaiados no laboratório de altatensão (V50%) que é uma das características dasdescargas atmosféricas no ar. Os resultadosexperimentais foram corrigidos para as condiçõesatmosféricas do local: pressão atmosférica 101,3 kPa,temperatura ambiente 20,0 0C e umidade absoluta do ar11,0 g/m3. O ajuste destes valores de V50% foi feitoutili zando o método dos mínimos quadrados.

Os resultados obtidos confirmaram o sucesso dametodologia experimental. Assim sendo, estesresultados possibilit aram um bom conjunto detreinamento para a rede neural artificial.

5. Identificação com redes neurais ar tificiais

A agili zação da análise e/ou projeto de processosrelacionados à engenharia é uma das principaismotivações em utili zar redes neurais artificiais. Ahabili dade de RNA em mapear relacionamentos

004

funcionais as tornam uma abordagem atrativa que podeser utili zada em diversos tipos de problemas [9]. Estacaracterística é particularmente importante quando orelacionamento é não-linear e/ou não bem definido,tornando assim difícil a sua modelagem por técnicasconvencionais.

Neste artigo, redes neurais do tipo perceptronsão utili zadas para mapear os relacionamentos entre asdiversas variáveis associadas com o processo deespecificação (identificação) de subestações de energiaelétrica

A identificação de sistemas está relacionada com oprocesso de estimar os parâmetros de um modelo,caracterizando o comportamento de um sistema físico, apartir de informações (medidas) obtidas sobre orespectivo sistema. O processo de identificação consisteusualmente de dois estágios: seleção do modelo eestimação de seus parâmetros.

Na abordagem por redes neurais, a seleção daarquitetura da rede corresponde ao estágio de seleção domodelo, enquanto que o algoritmo de treinamentoutili zado para ajustar os pesos da rede corresponde aoestágio de estimação dos parâmetros.

Figura 8. Rede Perceptron Multicamadas

Uma rede perceptron típica, com ‘m’ entradas e‘p’ saídas, é ilustrada na Figura 8, onde cada círculorepresenta um neurônio artificial. A arquiteturafeedforward da rede perceptron multicamadas implicaque o fluxo de informações é executado em um únicadireção, não possuindo retroalimentação entre osneurônios. A camada inicial onde as informações sãointroduzidas na rede é denominada camada de entrada;enquanto a última camada, responsável pela resposta darede, é denominada camada de saída. Todas as outrascamadas intermediárias são chamadas de camadasescondidas.

Tem sido mostrado na literatura que redesperceptrons com apenas uma camada escondida é capazde mapear qualquer função não-linear que relacionevariáveis de estradas e saídas [9]. Portanto, em todas assimulações realizadas neste artigo foram utilizadas redesperceptron com uma única camada escondida.

O treinamento da rede, responsável pelo ajuste dospesos, foi feito utili zando o algoritmo de Levenberg-Marqurdt [10].

6. Resultados de simulação

Nesta seção, apresenta-se alguns resultados desimulações para a identificação de parâmetrosrelacionados aos processos de alta tensão descrito nasseções anteriores.

A arquitetura geral do sistema neural é mostrado naFigura 10. Esta arquitetura é composta por duas redesperceptrons multicamadas.

A primeira rede (RNA-1) é responsável pelacomputação da tensão disruptiva crítica (V50%). Osdados de treinamento da RNA-1 foram diretamenteobtidos a partir de valores experimentais obtidos emlaboratórios de alta-tensão. Estes dados de treinamentoutili zaram aproximadamente 700 valores de V50%.

ANN-1

ANN-2

Temperature

Pressure

Humidity

Height (H)

Distance

V50%

E(V/m)(D )1

(d )1 (d )

1

(H)

Figura 10. Arquitetura Geral da RNA

Conforme observado na Figura 10, a RNA-1 possuicomo entradas alguns fatores atmosféricos tais como:temperatura, pressão e umidade. A altura e a distânciaentre os barramentos foram os fatores estruturaisincluídos nesta topologia.

A Figura 11 mostra a variação de V50% computadopela RNA-1 em função de diferentes temperaturas,enquanto a Figura 12 ilustra a variação de V50% paradois valores distintos de pressão atmosférica (701mmHg e 703 mmHg).

É importante observar que todos estes valores foramgeneralizados pela rede RNA-1 a partir dos dados detreinamento. Sendo assim, a rede conseguiu estimarvalores de V50% que são diferentes daqueles utili zadosem seu treinamento.

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.95 2850

900

950

1000

1050

1100

Distancia (m)

V50

% (

KV

)

Identificacao do Nivel de Tensao

(a) Temperatura de 21.4oC

x1

x2

xm

y1

yp

Camadade Entrada

1a CamadaNeuralEscondida

2a CamadaNeuralEscondida

Camadade Saída

Temperatura

Pressão

Umidade

Altura (H)

Distância (d1)

RNA-1

RNA-2

005

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.95 2800

850

900

950

1000

1050

1100

1150

Distancia (m)

V50

% (

KV

)

Identificacao do Nivel de Tensao

(b) Temperatura de 19oC

Figura 11. Variação de V50% Com a Temperatura

A segunda rede (RNA-2) é responsável pelacomputação da intensidade do campo elétrico entre osbarramentos. Nesta rede, os dados de treinamento foramobtidos pelo Método dos Elementos Finitos. Comoobservado na Figura 10, a saída da RNA-1 é fornecidacomo parâmetro de entrada para a RNA-2. Assim, todosos fatores atmosféricos e estruturais são tambémlevados em consideração para computar a intensidadedo campo elétrico.

0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 22

4

6

8

10

12

14x 10

5

Distancia (m)

E(V

/m)

Campo Eletrico Considerando Variacao de Pressao

Figura 12. Variação de V50% Com a Pressão

A Figura 13 mostra os resultados de simulaçãocomputados pela RNA-2 para duas situações. Para aprimeira situação, considerou-se barramentos comd1=1.75m e H=4m, sendo aplicado uma tensão de 800kV em seus terminais. A segunda situação consideroubarramentos com d1=2.00m e H=4m, onde uma tensãode 1000 kV foi aplicada. A intensidade do campoelétrico computada pela rede próximo ao barramento é9.7x105 V/m para o arranjo da primeira situação e1.19x105 V/m para a segunda situação. Estes resultadosnão excedem 3x106 V/m, que é o valor máximoadmissível no ar para que não aconteça descargaselétricas.

Estes resultados foram validados pelos ensaiosexperimentais, onde V10% representa a tensão com 10%de probabili dade de ocorrência de descarga elétrica.

0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 23

4

5

6

7

8

9

10

11

12x 10

5

Distancia (m)

E(V

/m)

Campo Eletrico

Figura 13. Intensidade do Campo Elétrico ao Longo do Barramento

Assim, a distância entre os barramentospode ser melhor definida sem diminuir asegurança do sistema.

7. Conclusões

Este artigo apresentou uma nova metodologia paraprojetar subestações através de redes neurais artificiais.Os resultados de simulações podem ser úteis paraelaboração de novos critérios, mais consistentes eadequados, para o projeto de subestações.

Redes neurais artificiais foram desenvolvidas com oobjetivo de identificar alguns processos de alta tensão.

O treinamento das redes neurais a partir de dadosexperimentais tem sido feito através do algoritmo deLevenberg-Marquardt, e tem como parâmetros deentrada vários fatores atmosféricos e estruturais. Após oprocesso de treinamento, a rede é capaz de generalizarnovas entradas que não foram simuladas em laboratório.Esta característica permite reduzir o tempo gasto comsimulações em laboratórios de alta tensão. Estesresultados confirmam que problemas envolvendo aidentificação de processos de alta tensão podem serefetivamente mapeados através de redes neuraisartificiais.

Agradecimentos

Os autores expressam agradecimentos à FAPESPpelo suporte financeiro (Processo No. 98/08480-0).

Referências

[1] ASSOCIAÇÃO BRASILEIRA DE NORMASTÉCNICAS. Técnicas de ensaios elétricos de alta tensão, Riode Janeiro, 1992 ( NBR 6936 ).[2] M. A. Uman. The Lightning Discharge. Academic Press,New York, 1987.

703 mmHg

701 mmHg

1000 kV

800 kV

006

[3] G. Diendorfer and M. A Uman. “An improved returnstroke model with specified channel-base current” , J. Geophys.Res., vol. 95, pp. 617-630, 1990.[4] C. A. Nucci and F. Rachidi. “Experimental validation of amodification to the transmission line model for LEMPcalculations” , Proc. of 8th EMC Symposium, Zurich, pp. 473-469, 1989.[5] L. Dellera; and E. Garbagnati, “Lightning strokesimulation by means of the leader progression model, Part I:Description of the model and evaluation of free standingstructures” , ibid, pp. 2009-2022.[6] G. Diendorfer; and M.A. Uman, “An improved returnstroke model with specified channel-base current” JGR, vol.95, no. D9, pp. 13621-13644, 1990.

[7] H. W. Dommel. EMTP Theory book. Microtran PowerSystem Analysis Corp., Vancouver, Canada, 1996.[8] A. N. Souza and P. S. Ribeiro. “Electrical distancesdimensioning in distribution systems concerning toatmospheric discharges” , IV International Seminar onLightning Protection, São Paulo, Brazil , pp. 57-61, 1997.[9] S. Haykin. Neural Networks - A ComprehensiveFoundation. Macmill an, New York, 1994.[10] M. T. Hagan and M. B. Menhaj. “Training feedforwardnetworks with the Marquardt algorithm”, IEEE Trans. onNeural Networks, vol. 5, no. 6, pp. 989-993, 1994.