MÉTODO PARA LOCALIZAÇÃO DA FONTE DE AFUNDAMENTO DE TENSÃO POR ALGORITMO DE CLUSTERIZAÇÃO E ROTULAÇÃO POR REGRA DE DECISÃO

Abstract

RESUMO: O distúrbio de afundamento de tensão corresponde a uma redução entre 0,9 e 0,1 p.u. do valor eficaz da tensão nominal por um curto período de tempo e são causados principalmente por curto-circuito no sistema de energia. Tais distúrbios, destacam-se como sendo a alteração da forma de onda que mais se manifestam nas redes elétricas, sendo que sua ocorrência ocasiona danos aos consumidores. Desta forma, apontar o local no sistema de distribuição de energia que está conectada a fonte causadora do distúrbio de afundamento de tensão é o primeiro passo para corrigir o problema. No entanto, esta tarefa não é trivial, uma vez que os afundamentos de tensão ocorrem em um curto intervalo de tempo e se propagam ao longo de todo sistema. Este trabalho tem como objetivo principal apresentar uma metodologia baseada em algoritmo de clusterização combinada com regra de decisão para apontar a região (cluster) de origem do afundamento de tensão. O algoritmo de clusterização é responsável por analisar os dados do sinal de tensão advindos de diferentes pontos de medição e separar esses dados em grupos, onde um deles agrega os locais próximos da região de ocorrência do distúrbio. Para tanto, foram avaliados sobre diferentes contextos a performance de 5 (cinco) algoritmos de clusterização, são eles: K-Means Clustering, Gaussian Mixture Models (GMM) , Density Based Spatial Clustering of Applications with Noise (DBSCAN), Fuzzy C-means (FCM) e Agglomerative Hierarchical Clustering. Em seguida o algoritmo Partial Decision Trees (PART) defini um conjunto de regra de decisão, responsável por confrontar as características de cada clusters e rotular qual grupo (cluster) agrega o local de origem do distúrbio. A metodologia proposta foi validada nos dados obtidos a partir de simulações de curto-circuito trifásico no Sistema IEEE 34 barras. Os resultados mostram que a abordagem proposta neste trabalho é promissora para ser empregada em smart grids, uma vez que apresentou resultados satisfatórios, apresentando em alguns cenários uma taxa de acerto maior que 90%. Portanto, a metodologia pode apoiar a decisão do corpo técnico para que ações corretivas venham a ser estabelecidas de forma assertiva. ABSTRACT: Voltage sag disturbances corresponds to a reduction between 0.9 and 0.1 p.u. of the rated voltage effective value for a short period of time and are mainly caused by short circuit in the power system. These disturbances include the alteration of the wave form that manifested most in the electrical networks, since its occurrence causes damage to the consumers. In this way, pinpointing the location in the power distribution system that is connected to the source causing the voltage sag disturbance is the first step in correcting the problem. However, this task is not trivial, since voltage sags occur during a short period of time and propagate throughout the system. This work aims to present a methodology based on clustering algorithm combined with decision rule to point out the region (cluster) of origin of the voltage sag. The clustering algorithm is responsible for analyzing the voltage signal data from different measurement points and separating that data into groups, where one of them aggregates the locations close to the region of occurrence of the disturbance. In order to do this, the performance of 5 (five) clustering algorithms was evaluated on different contexts, they include: K-Means Clustering, Gaussian Mixture Models (GMM), Density Based Spatial Clustering of Applications with Noise (DBSCAN), Fuzzy C-means (FCM) and Agglomerative Hierarchical Clustering. Then the Partial Decision Trees (PART) algorithm defined a set of decision rule, responsible for confronting the characteristics of each clusters and labeling which cluster (cluster) aggregates the source location of the disturbance. The proposed methodology was validated in the data obtained from three-phase short-circuit simulations in the IEEE 34 bus system. The results show that the approach proposed in this work is promising and can be used in smart grids, since it showed satisfactory results, demonstrating in some scenarios a hit rate greater than 90%. Therefore, this methodology can support the decision making of the technical staff so that corrective actions can be established assertively.