Correção da forma de onda secundária de transformadores de corrente de proteção utilizando redes neurais artificiais

Orientador: Prof. Dr. Ricardo Caneloi dos Santos Coorientador: Prof. Dr. Edmarcio Antônio Belati Dissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia Elétrica, Santo André, 2019. Os sistemas elétricos de potência (SEP) têm como função fornecer energia elétrica de forma segura e confiável aos consumidores. Na ocorrência de contingências cabe ao sistema de proteção atuar para minimizar os danos causados aos consumidores finais e ao próprio SEP. Um dos equipamentos mais importantes presentes no sistema de proteção é o transformador de corrente (TC), cuja principal tarefa é fornecer ao relé de proteção uma réplica, em escala reduzida, da corrente primária do SEP. No entanto, os TCs possuem características físicas que os tornam susceptíveis à saturação, resultando na distorção da sua forma de onda secundária. Diante desta distorção o relé de proteção pode falhar, visto que sua decisão depende da integridade do sinal proveniente do TC. Tal falha pode resultar em severos danos aos equipamentos do SEP com perdas financeiras significativas, sem mencionar o risco a vidas humanas. Para evitar uma tomada de decisão incorreta do relé, vários algoritmos para a detecção e reconstrução de formas de onda distorcidas provenientes de TCs são propostos na literatura. Uma parte significativa destes algoritmos baseia-se em técnicas de aproximação de funções e uso de inteligência artificial. Neste sentido, este trabalho propõe o uso de redes neurais artificiais (RNAs) para corrigir a forma de onda secundária distorcida proveniente de TCs. As RNAs utilizadas para corrigir a forma de onda secundária são do tipo MLP, especificadas por meio de um processo de treinamento supervisionado. Várias taxas de amostragem e tamanho de janelas de dados foram avaliadas, visando a especificação de uma RNA capaz de oferecer alto desempenho ao algoritmo proposto. Ainda, para fins de comparação de desempenho, dois diferentes ambientes computacionais foram utilizados para modelar as RNAs: MATLAB e Keras. Os sinais utilizados no processo de treinamento e testes das RNAs são provenientes de duas fontes de dados distintas, sendo a primeira baseada na modelagem clássica de TCs, amplamente utilizada pela comunidade científica (IEEE), enquanto a segunda é baseada no modelo de TC no Simulink. Os resultados mostram claramente que uma forma de onda altamente distorcida pode ser totalmente reconstruída pela RNA, fornecendo aos relés de proteção um sinal confiável para a correta tomada de decisão. Electrical power systems (EPS) are responsible for providing electrical power in a safe and reliable manner to the final consumers. On the occurrence of contingencies it is the role of the protection system (PS) to act in favor of minimizing the damages caused to the final consumers and to the EPS equipments. One of the most important components used in PS is the current transformer (CT), whose main task is to provide to the protection relay a copy, in smaller scale, of the primary current. However, the CTs have physical characteristics that makes them susceptible to saturation, causing the secondary current¿s waveform to be distorted. Due to that distortion the relay may fail, as its decision relies on the CT secondary waveform. Such fail may result in severe damages to the electrical equipments and also financial losses. Moreover, this situation can result in problems regarding the safety of human beings. In order to avoid the incorrect relay operation, several algorithms for detecting and reconstructing distorted waveforms have been proposed in the literature. Most of them are based on artificial intelligence techniques. Therefore, this work proposes the use of Artificial Neural Networks (ANNs) to reconstruct distorted secondary current¿s waveform provided by saturated CTs. The ANNs used to perform the mentioned reconstruction are Multilayer Perceptron Networks (MLPs), specified by a supervised learning method. Different sampling rates and size of moving data window were evaluated in an attempt to find the best ANN, able for providing a high performance to the proposed algorithm. In addition, for comparison purposes, two different computational environments were used to model the proposed ANNs, i.e., MATLAB and Keras. All signals used for training and testing purposes were originated from two sources: a classic CT model, widely used by the scientific community (IEEE), and a CT model available in Simulink. The results clearly show that a highly distorted current waveform can be fully reconstructed by the specified ANN, providing a reliable CT secondary waveform to the protection relay.