Abstract:
Resumo
Faltas nas Linhas de Transmissão (LTs) podem causar grandes prejuízos aos usuários e aos
gestores de Sistemas Elétricos de Potência (SEP). Dessa forma, é de suma importância tornar o
processo de localização de tais faltas cada vez mais eficiente, para que estas possam ser reparadas
o mais rápido possível. No presente estudo, foram aplicados os Coeficientes de Frequência Mel
Cepstrais (MFCC) como ferramenta de pré-processamento dos sinais de tensão coletados nos
dois terminais da linha de transmissão durante a falta, além de um modelo de Aprendizado de
Máquina (AM), responsável pela localização das faltas na prática. Foram testados diferentes
modelos de AM, quais sejam: Rede Neural Artificial (RNA), Regressão de Vetores de Suporte
(SVR) e Regressão de Vetores de Suporte com Mínimos Quadrados (LS-SVR), dentre os quais se
percebeu que a RNA teve o melhor resultado geral, sendo capaz de processar todas as simulações.
Utilizou-se uma linha de transmissão modelada com base em parâmetros de uma linha real. No
MATLAB, vários cenários foram simulados com a RNA, que apresentou os melhores resultados
iniciais, e o método proposto forneceu resultados com alta precisão na localização de faltas em
ambientes não ruidosos, com Erro Médio Relativo (EMR) geral de 0,00004 % e Erro Médio
Absoluto (EMA) geral de 0,13 m. Posteriormente, foram verificadas as influências do tipo de
falta, das resistências de faltas, dos ângulos de faltas e das distâncias de faltas no método de
localização, utilizando-se os resultados da melhor arquitetura da RNA. O método proposto
demonstrou ainda ser capaz de realizar a detecção rápida e precisa de faltas, mesmo quando
considerados percentuais pequenos da base de dados ou/e a partir da adição de várias relações
sinais-ruídos aos sinais de tensão. Esses resultados apontam que o procedimento metodológico
proposto é uma boa alternativa para localização de faltas em LT.
Abstract
Faults in transmission lines (TLs) may cause great loss to users and to managers of Electric
Power Systems (EPS). Thus, it is important to make the process of locating these faults more
efficient, in order to repair them as quickly as possible. In the present study, Mel Frequency
Cepstral Coefficients (MFCC) were used as a tool for processing voltage signals collected on
both of the trasmission line terminals during faults, in addition to an Machine Learning (AM)
model, responsible for locating faults in practice. Different AM models were tested, namely:
an Artificial Neural Network (ANN), a Support Vector Regression (SVR) and a Least Squares
Support Vector Regression (LS-SVR), among which it was noticed that the ANN had the best
overall result, being able to process all simulations. A modeled line based on parameters of a
real line was used as well. Several scenarios were performed on MATLAB and the proposed
method provided results with high precision in locating faults in enviroments without noise, with
a Mean Relative Error (MRE) of 0.00004 % and a Mean Absolute Error (MAE) of 0.13 meters.
Subsequently, the influences of fault’s types, of fault’s resistances, of fault’s angles and of fault’s
distances in the location method were evaluated, through the results of the best ANN architecture.
The proposed method was still able to detect the falts quickly and precisely, even with small
percenteges of the data base and/or different signal to noise ratio. These results indicate that the
proposed methodological procedure is a good alternative for fault location in LT.
