Análise de Estabilidade de Tensão de Sistemas Elétricos Usando uma Rede Neural Artmap Fuzzy - Tese Lílian Yuli Isoda, Notas de estudo de Engenharia Elétrica
rodolfo-machado-7
rodolfo-machado-7

Análise de Estabilidade de Tensão de Sistemas Elétricos Usando uma Rede Neural Artmap Fuzzy - Tese Lílian Yuli Isoda, Notas de estudo de Engenharia Elétrica

11 páginas
50Números de download
1000+Número de visitas
Descrição
Análise de Estabilidade de Tensão de Sistemas Elétricos Usando uma Rede Neural Artmap Fuzzy - Tese Lílian Yuli Isoda
60 pontos
Pontos de download necessários para baixar
este documento
Baixar o documento
Pré-visualização3 páginas / 11
Esta é apenas uma pré-visualização
3 mostrados em 11 páginas
Esta é apenas uma pré-visualização
3 mostrados em 11 páginas
Esta é apenas uma pré-visualização
3 mostrados em 11 páginas
Esta é apenas uma pré-visualização
3 mostrados em 11 páginas
E:/seletadincon/seleta_Isoda_19/isoda.dvi

TEMA Tend. Mat. Apl. Comput., 9, No. 2 (2008), 243-253.

c© Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional.

Análise de Estabilidade de Tensão de Sistemas

Elétricos Usando uma Rede Neural Artmap Fuzzy

L.Y. ISODA1, A.D.P. LOTUFO2, M.L.M. LOPES3, C.R. MINUSSI4, FEIS, UNESP, Campus de Ilha Solteira, 15385-000 Ilha Solteira, SP, Brasil.

Resumo. Apresenta-se, neste trabalho, uma nova metodologia para o diagnóstico da estabilidade de tensão estática de sistemas elétricos de potência. Esta metodolo- gia refere-se a um sistema neural de inferência baseado em uma arquitetura neural ARTMAP fuzzy, cujo treinamento é realizado a partir de uma base de dados ge- rada, via simulação, usando-se um programa computacional: cálculo de fluxo de potência, margem de segurança e montagem da base de dados (que constitui os est́ımulos de entrada / sáıda da rede neural). Este sistema se destaca por apresen- tar resultados precisos com alta rapidez de resposta, o que permite, aos usuários, trabalhar com mais flexibilidade em ambiente em que modificações estruturais são requeridas (situação real de operação dos sistemas), se comparadas às demais re- des neurais. Como forma de ilustrar a estrutura neural proposta, apresenta-se um aplicação considerando-se um sistema elétrico de potência composto por 45 barras, 72 linhas de transmissão e 10 máquinas śıncronas.

Palavras-chave. Sistemas elétricos de potência, estabilidade de tensão, teoria da ressonância adaptativa.

1. Introdução

A estabilidade de tensão refere-se à investigação sobre o comportamento do perfil de tensão nodal do sistema, em destaque, a observação e identificação da deficiência de suporte de tensão em decorrência do aumento da potência consumida.

A estabilidade de tensão pode ser abordada sob dois pontos de vista: estático e dinâmico. O caráter dinâmico requer um tratamento como um fenômeno que pode ser modelado por um conjunto de equações diferenciais ordinárias não-lineares [8]. Trata-se de uma análise complexa e sofisticada, principalmente quando se aborda sistemas de grande porte. Uma forma mais simples, porém igualmente importante da estabilidade de tensão, refere-se à observação do comportamento das tensões nodais, considerando-se o aumento gradativo do perfil do carregamento do sistema, ou seja, a análise qualitativa do ponto de observação. Neste caso, a análise pode ser tratada como um problema linear. As inferências sobre o sistema são baseadas na análise do comportamento do ponto de equiĺıbrio, mais especificamente, a partir

1lilian@mat.feis.unesp.br 2annadiva@dee.feis.unesp.br 3mara@mat.feis.unesp.br 4minussi@dee.feis.unesp.br

244 Isoda et al.

da análise da matriz jacobiana (J0) das equações de potência nodais do sistema, constituindo um problema de fluxo de potência, formulado via método de Newton- Raphson [1, 8]. Deste modo, a partir da análise da matriz jacobiana J0, pode-se inferir sobre a estabilidade do sistema. Esta análise pode ser realizada, por exem- plo, usando a decomposição de autovalores e de autovetores da matriz jacobiana, vetor tangente, entre outras técnicas. O comportamento do sistema, para pequenas perturbações, pode ser analisado através dos autovalores da matriz J0. Se todos os autovalores de J0 forem reais e positivos, pode-se concluir que o sistema é estável para pequenas perturbações. Contudo, a instabilidade se caracteriza por haver, pelo menos, um autovalor com a parte real negativa. O ponto limı́trofe ocorre quando a matriz jacobiana J0 torna-se singular (há a ocorrência de, pelo menos, 1 auto- valor nulo). Neste caso, o determinante da matriz jacobiana J0 torna-se, também, nulo. Esta tem sido a forma abordada na maioria das referências bibliográficas pertinentes. Neste artigo, propõe-se o desenvolvimento de um sistema neural para execução do diagnóstico da estabilidade (de caráter estático) de tensão de sistemas de energia [1, 8]. O funcionamento das redes neurais é constitúıdo por duas fases fundamentais: treinamento e análise. A fase de treinamento requer uma grande quantidade de processamento para sua realização, enquanto que a fase de análise é efetivada, praticamente, sem esforço computacional. Esta é, portanto, a principal justificativa para o uso de redes neurais para a resolução de problemas complexos que exigem soluções rápidas, como é o caso de aplicações em tempo real. A fase de treinamento da rede neural é realizada, na maioria das vezes, através da técnica de retropropagação [6], que é reconhecidamente muito lenta e, em muitos casos, não converge, principalmente quando se trabalha com grandes bancos de dados. Novas estruturas neurais têm sido abordadas, visando resolver esta questão do ex- cessivo tempo de processamento para a realização do treinamento. Neste contexto, destacam-se as redes neurais da famı́lia ART (Adaptive Resonance Theory) [3], que apresentam as caracteŕısticas de estabilidade (capacidade de aprender através do ajuste dos seus pesos) e plasticidade (capacidade de continuar a aprender com a in- clusão de novos padrões, sem perder a memória relacionada aos padrões anteriores). Assim, neste artigo apresenta-se um sistema neural para a execução do diagnóstico da estabilidade estática de tensão. A rede neural usada é uma arquitetura ART- descendente [3], ou seja, uma rede ARTMAP fuzzy com inclusão de melhorias, visando torná-la, principalmente, mais precisa, se comparada à formulação original [3]. Esta rede neural possui, como critério de treinamento, um ı́ndice (margem) de segurança baseado na análise de sensibilidade da função determinante da matriz J0, calculada empregando-se conceitos da álgebra de Kronecker [5]. Visando testar o desempenho da metologia proposta, apresenta-se uma aplicação considerando-se um sistema elétrico de potência composto por 10 barramentos, 72 linhas de transmissão e 10 máquinas śıncronas.

2. Metodologia Proposta

A seguir, apresenta-se o esquema proposto (sistema neural) para realizar a análise de estabilidade de tensão de sistemas elétricos de potência. O funcionamento das redes

Análise de Estabiblidade de Tensão Usando Artmap Fuzzy 245

neurais é basicamente, em duas fases principais: (1) treinamento ou aprendizado; (2) testes e diagnósticos. A rede neural usada é uma arquitetura ARTMAP fuzzy [3]. A fase de treinamento é realizada usando um “professor” representado por um simulador (programa computacional Simul [4] implantado no Laborátorio Computa- cional do Departamento de Engenharia Elétrica - Unesp - Campus de Ilha Solteira) que realiza cálculo de redes elétricas: matrizes de rede, fluxo de potência e análise de estabilidade transitória. Este programa foi adaptado para executar, também, os cálculos associados à estabilidade estática de tensão, conforme o critério apresen- tado na Seção 3, e a base de dados, constitúıda por pares de padrões de entrada e de sáıda da rede neural, para a realização do treinamento neural. O fluxograma, da referida metodologia, é mostrado na Figura 1.

A parte do fluxograma, com linhas tracejadas, refere-se ao módulo que executa o treinamento continuado. Ou seja, sempre que houver disponibilidade de dados de entrada para a execução da análise de estabilidade de tensão pela rede neural (bloco 1), se julgado como sendo um vetor (P, Q, Z) relevante, usa-se este vetor e a sáıda (M) associada para serem inseridos na base de dados, via adaptação dos pesos. O vetor Z contém as informações binárias que codificam a topologia da rede elétrica, os dados das contingências, etc.

3. Critério de Análise da Estabilidade Estática de

Tensão

A análise de estabilidade estática de sistemas de energia consiste na investigação comportamental do modelo correspondente à solução das equações linearizadas do fluxo de potência [8], executando-se a barra de referência [1]:

[

∆P ∆Q

]

= [

J0 ]

[

∆θ ∆V

]

sendo: ∆P o vetor das potências ativas das barras PV e QP; ∆Q o vetor das potências reativas das barras PQ; ∆θ o vetor dos ângulos nas barras PV e PQ; ∆V

o vetor das tensões nodais das barras PQ e; J0∆ matriz jacobiana =

[

H N M L

]

em que H, N, M e L são as submatrizes de J0 correspondente a ∂P/∂θ, ∂P/∂V , ∂Q/∂Qθ e ∂Q/∂V , respectivamente.

Neste artigo, pretende-se, então, investigar a questão da estabilidade estática de tensão, através da análise de sensibilidade, usando como função o determinante da matriz J0. Ressalta-se que o cálculo do determinante de uma matriz pode ser realizado de forma bastante rápida e eficiente [7], se comparado com os principais métodos comumente dispońıveis na literatura, ainda que esta função não seja uti- lizada neste trabalho e sim a sua derivada. Desta forma, através de expansão por série de Taylor, aproximação de primeira ordem, pode-se estimar a variação do determinante da matriz J0 (det(J0)), como mostra-se a seguir.

246 Isoda et al.

Leitura de Dados Do sistema de energia elétrica objeto de estudo: dados

das potências elétricas nodais, dados do sistema de transmissão, lista de contingência, etc.

Especificação da Rede Neural Rede neural ARTMAP fuzzy : parâmetros necessários (vide

Seção 4).

Simulação da Estabilidade de Tensão Simulação da estabilidade estática de tensão, via

execução do programa computacional Simul para gerar dados formados por padrões de entrada (perfis de geração / carga do sistema obtidos de modo aleatório) (vide Subseção 4.1) e as margens de segurança associadas (critério de análise) que constituem os padrões de saída da rede neural (vide Subseção 4.2 ).

Base de Dados para o Treinamento

da Rede Neural

Pré-Processamento Processar as informações geradas e armazenadas na

base de dados visando compatibilizarem as necessidades da rede neural ARTMAP fuzzy.

Treinamento Adaptação dos Pesos da Rede Neural.

Execução da Análise da Estabilidade de Tensão Leitura de dados: Potência ativa ( P ) e reativa ( Q ) nodais

do sistema, especificação da topologia da rede elétrica e fornecimento de informações associadas às contingências, etc. ( Z );

Obtenção da margem de segurança ( M ). (1)

Interpretação da margem de segurança M

Nova análise?

Fim

Resultados

Início

Não

Sim

Tr ein

am en

to Co

nti nu

ad o

Figura 1: Fluxograma do sistema neural proposto para realizar análise de estabilidade de tensão de sistemas elétricos de potência.

Considere [5]:

f(J) = f(J0) + ǫT r {

D (

J0 )T

}

+ φ (ǫ)

= f(J0) + ǫ 〈

ψ(D(J0)), ψ(∆J) 〉

+ φ(ǫ), ǫ ∈ R. (3.1)

sendo: J = J0 + ǫ∆J ; 〈u, v〉 o produto interno entre u e v; ∇ o gradiente de uma função escalar; D(J0)∆ψ−1(∇ψf(J

0)) = ∂f(J)/∂J |0; ∇ψf(J 0) = ψ(D(J0)); Tr

o traço de uma matriz; ; ∆J =

[

∆JH ∆JN ∆JM ∆JL

]

; ǫ = parâmetro de perturbação

e, ψ(∆J) ∆ [∆J11 . . .∆Jp1 . . .∆J1p . . .∆Jpp] T .

O determinante da matriz J pode ser expresso por [5]

det(J) = det {

J0 (

I + ǫ(J0))−1∆J )}

, J0 ∈ Rp×p, (J0)−1∃ (3.2)

Análise de Estabiblidade de Tensão Usando Artmap Fuzzy 247

sendo I a matriz identidade (p× p). A equação (3.2) pode ser desenvolvida do seguinte modo:

det(J) = det(J0)det(I + ǫ(J0))−1∆J = det(J0) + ǫT r

(

det(J0)(J0)−1∆J )

+ φ(ǫ) (3.3)

Como det(J0)(J0)−1 = adj(J0), então, a equação (3.6), utilizando-se as equações (3.1-3.3), pode ser expressa por:

det(J) = det(J0) + ǫ 〈

ψ(adj(J0)T ), ψ(∆J) 〉

+ φ(ǫ)

sendo adj(J0) a matriz adjunta de J0 , i.e., adj(J0) = cof((J0)T ). A partir da equação (3.2), conclui-se que a sensibilidade da função det(J0) pode

ser expressa por : ∂det(J)/∂J = ψ(adj(J)T )

Dividindo-se a equação (3.2) por det(J0), obtém-se:

τ = 1 +∆τ + φ(ǫ) (3.4)

sendo : τ a função determinante normalizada, ou seja τ ∆ det(J)

det(J0) , ψ (ǫ) =

φ (ǫ)

det (J0) , e ∆τ = ǫ

ψ(((J0))−1)T , ψ(∆J) 〉

.

Também, a partir da equação (3.4), conclui-se que:

(

∂det (

J0 )

/∂J |J=J0 )

= ψ(((J0)−1)T ) (3.5)

A equação (3.5) representa a sensibilidade da função determinante normalizada.

Assim, fazendo-se a = ψ{((J0)−1)T } (vetor) e C∆ψ[(J0)−1]T =

[

CH CN CM CL

]

obtém-se a seguinte representação para a que é a sensibilidade da função determi- nante normalizada, na forma vetorial:

a = [C11 · · ·Cp1 · · ·C1p · · ·Cpp] T .

A variação linear da função determinante normalizada ∆τ pode ser expressa por:

∆τ = ǫ

p ∑

i=1

p ∑

j=1

Cij∆Jij

Deve-se observar que a matriz ∆J é uma estrutura esparsa, semelhante à espar- sidade da matriz Ybarra. Assim, poucos são os elementos de ∆J que são diferentes de zero.

Desconsiderando-se os termos não-lineares φ(ǫ), a partir da equação (3.4), fa- zendo-se τ = 0 e ǫ = 1, obtém-se:

〈a, ψ(∆J)〉 = −1. (3.6)

248 Isoda et al.

A equação (3.6) estabelece a relação entre os vetores ψ{((J0)−1)T } e ψ(∆) tais que reproduzem, considerando-se o modelo linear, um valor nulo para a função det(J), ou seja, uma condição limite para a estabilidade de tensão. Deste modo, a partir desta equação, pode-se estimar a distância euclidiana que corresponde à margem de segurança ou a distância em que o ponto de operação do sistema encontra-se em relação à condição limı́trofe da estabilidade estática:

M =

1

〈a, a〉 (3.7)

correspondente a uma solução da equação (3.6) para ψ(∆J) = − a

〈a, a〉 .

A margem de segurança M, calculada através da equação (3.7), corresponde a uma solução de mı́nima norma.

A escolha da representação dada pela equação (3.4), tem sido importante, isto porque permite realizar as análises levando-se em conta a estrutura real do sistema (sem redução).

Definição 3.1. Autovalor cŕıtico (λmin(J 0)) é definido como sendo o menor auto-

valor positivo da matriz jacobiana J0.

O autovalor cŕıtico (definição 3.1) corresponde ao autovalor de interesse para análise da estabilidade de tensão, tendo em vista que é aquele que indica a máxima aproximação do colapso de tensão e, portanto, apresenta maior possibilidade de se tornar nulo à medida que houver o aumento da demanda de energia elétrica.

A partir da álgebra matricial, pode-se chegar ao seguinte resultado [5, 2]:

λmin(J 0) ≥ M ≥ 0.

Deste modo, a margem de segurança M representa uma estimativa pessimista (favorável à segurança do sistema) do parâmetro λmin(J

0). A estimativa de λmin(J

0) pode ser calculada, de forma alternativa, aplicando-se a norma matri- cial inversa de J0. Este resultado é similar ao apresentado na referência [8]. O ı́ndice M será, então, usado como critério de inferência da estabilidade estática da tensão de sistemas elétricos de potência, via redes neurais, como formulado nesta seção.

4. Rede Neural ARTMAP Fuzzy

A rede neural ARTMAP Fuzzy [3] é formada por 2 módulos ART Fuzzy interligados através de um mecanismo chamado inter-ART, como será descrito adiante. Assim, primeiramente descreve-se o módulo ART Fuzzy. Para uma melhor fundamentação operacional das redes neurais ART-descendentes, os vetores usados são represen- tados por linhas e não por colunas, como habitualmente é adotado na literatura especializada.

Os dados de entrada são denotados por vetor a = [a1 . . . aR] R-dimensional, e é

normalizado com o intuito de evitar a proliferação de categorias. Assim, a = a

|a| sendo a o vetor de entrada normalizada e |a| =

ai.

Análise de Estabiblidade de Tensão Usando Artmap Fuzzy 249

O vetor de entrada será um vetor 2R-dimensional, denotado por: E = [a ac] = [a1 · · · aR a

c 1 · · · a

c R]

em que ac = aci = 1− a c i .

O vetor de atividade de F2 é simbolizado por y = [y1 · · · yS ] sendo S o número de categorias criadas em F2. Deste modo, tem-se:

y =

{

1, se o nó J de F2 é ativo 0, caso contrário

Os parâmetros utilizados no processamento da rede ART fuzzy são: parâmetro de escolha (η > 0), taxa de treinamento (β ∈ [0, 1]) e parâmetro de vigilância (ρ ∈ [0, 1]). Inicialmente todos os pesos possuem valor igual a 1, indicando assim que não existe nenhuma categoria ativa.

A rede neural ARTMAP [3] é uma rede mais sofisticada, que emprega o treina- mento supervisionado, i.e., baseado em est́ımulos de entrada-sáıda. É composta por dois módulos ART fuzzy; ARTa e ARTb interconectados através de módulo de memória associativa inter-ART, F ab, que possui um mecanismo auto-regulador denominado match tracking, que tem a incumbência de maximizar a generalização e minimizar o erro da rede.

O vetor de entrada da rede ARTa é representado pelo vetor a = [a1 . . . aRa ], Ra-dimensional, e o vetor de entrada da rede ARTb (que corresponde à sáıda de- sejada, referente ao padrão de entrada da rede ARTa) é representado pelo vetor b = [b1 . . . bRb ] , Rb-dimensional [3].

Os parâmetros usados na rede ARTMAP fuzzy são os mesmos usados na rede ART fuzzy. A diferença da rede neural ART fuzzy é o parâmetro de vigilância do módulo inter-ART, ρab (ρab ∈ [0, 1]).

A rede ARTMAP realiza o processamento de duas redes ART (ARTa e ARTb), sendo que, após a ressonância ser confirmada em cada rede, tem-se C categoria ativa para a rede ARTa e K categorias ativas para a rede ARTb.

Através do processomatch tracking é verificado se a categoria ativa no ARTa cor- responde ao vetor de sáıda desejado apresentado no ARTb. O critério de vigilância é dado por [3]:

∣yb ∧ wabCk ∣

|yb| ≥ ρab (4.1)

em que yb é o vetor sáıda do ARTb (padrão de atividade F b 2 ).

Se (4.1) não for satisfeito, é realizado um incremento mı́nimo no parâmetro de vigilância ARTa, suficiente apenas para excluir a atual categoria e selecionar outra categoria que se tornará ativa e entrará novamente no processo até que (4.1) seja obedecida. Com a ressonância confirmada, os pesos dos módulos ARTa e ARTb, são atualizados utilizando o mesmo critério da rede neural ART fuzzy. A adaptação para o módulo inter-ART é efetuada da seguinte forma: wabCk = 1 para k = K e wabCk = 0 para k 6= K.

4.1. Est́ımulo de Entrada da Rede Neural ARTMAP Fuzzy

Os vetores padrões de entrada da rede neural são definidos como [4]:

X = [P Q Z]

250 Isoda et al.

sendo: X o vetor padrão de entrada da rede neural; P = [P1 P2 · · ·Pn] ; Q = [Q1 Q2 · · ·Qn] ; Pi a potência ativa da i-ésima barra do sistema; Qi a potência reativa da i-ésima barra do sistema; Z o vetor contendo as informações em código binário e, n o número de barras do sistema.

Para a realização do treinamento - extração do conhecimento baseado em es- t́ımulos de entrada / sáıda - deve-se proceder a apresentação de um conjunto de dados, no caso, X = [P Q Z] (entrada) e Y (sáıda), constituindo um conjunto de pares de treinamento. Trata-se de geração por vetores P e Q, para a geração e para a carga do sistema por um procedimento de distribuição aleatória da geração (despacho aleatório para atender a demanda) e, também, de distribuição aleatória da carga (demanda aleatória) [4]. O vetor Z é formado por informações (em código binário), representando a topologia da rede elétrica, os dados das contingências, etc.

Para se gerar um grande espectro de variação da demanda, o critério a ser usado refere-se à distribuição aleatória da demanda e, conseqüentemente, da geração para atender a demanda, tomando-se variações percentuais da carga e da geração em torno do caso base (considerando como sendo o perfil de geração / carga de 100%).

4.2. Est́ımulo de Sáıda da Rede Neural ARTMAP Fuzzy

Os est́ımulos de sáıda compreendem, neste artigo, os valores da margem de segu- rança (M), calculados conforme descrito na Seção 3. Ou seja, os padrões de treina- mento correspondem aos parâmetros: Xj = [Pj Qj Zj] (entradas); Yj = [Mj] (saidas); j = 1, 2, · · · , np , sendo Mj a j−ésima margem de se- gurança representada por classes de severidade; np o número de pares de padrões para a fase de treinamento.

A sáıda Mj é codificada por classes (em código binário), sendo que cada classe expressa o grau de severidade.

5. Aplicação

Apresentam-se, a seguir, os resultados obtidos através do uso do método proposto, considerando-se um sistema composto por 45 barras, 72 linhas de transmissão e 10 máquinas śıncronas. Os dados das máquinas śıncronas e do sistema de transmissão pode ser visto na Figura 2.

O treinamento da rede neural foi realizado considerando-se um conjunto de 700 perfis de geração / carga e respectivas margens de segurança M. Cada perfil corresponde a um redespacho de geração em relação ao caso base, realizado de forma aleatória para atender a demanda, também fixada de modo aleatório em cada barra. O universo de variação de carga encontra-se correspondido entre 65 e 135%, em relação à carga total do sistema. Portanto, cada perfil é gerado considerando-se um percentual de variação em torno do estado nominal (caso base) e determinada semente para o processo de geração de seqüências aleatórias. Assim, para um mesmo percentual, diferentes sementes poderão gerar diferentes despachos de geração de diferentes perfis de carga. Realizado o treinamento da rede neural, os testes (análise da estabilidade de tensão) podem ser efetivados, cujos resultados são mostrados na Tabela 1. Os resultados da análise são apresentados na forma de classes de 1 a 10.

Análise de Estabiblidade de Tensão Usando Artmap Fuzzy 251

A

3

9

5 10

4

1

2

6

7

8

Campo Mourão 230 kV

Maringá 230 kV

Londrina

230 525

Ivaiporã Areia

525

Curitiba - Norte 525

Curitiba

525 230

Joinvile

230

Rancho Queimado

230

J . Lacerda

Salto

Osório

Pinheiro 525

Itaúba

Passo

Fundo

Farroupilha 23 0

Gravataí

Siderópolis

Forquilinha Ceci

230

Blumenau

525

230

230 230

230

525 230

13.8 230kV

V. Aires 13.8

525 kV 230 kV

13.8 525

230

44

3

18

5

22

21 26

27

4

11

12 42 43

15

34

35

24 1

29

20

28 23

S. Mateus

Barracão

32

30

38

13

45

8

7

6

13.8

13.8

13.8 13.8

16

2

9 39 40

31

14

37

Xanxerê

230 kV

230

13.8 13.8

230

230

S. Santiago

41

25

19

36 10

Segredo 525

Apucarana

(22)

(24) (25)

(72)

(71)

(73)

(11)

(30)

(29)

(31)

(44) (41)

(43) (52) (51)

(23)

(56)

(55)

(53) (54)

(38) (37)

(35) (34)

(33) (32)

(10) (7)

(61) (60) (59)

(47)

(9) (8)

(57)

(46)

(42)

(3) (39)

(27)

(26)

(6)

(64)

(63)

(62)

(14) (13) (12)

(15)

(48)

(18)

(65)

(49)

(66)

(36)

(40)

(28) (45)

(20)

(21)

(58)

(16) (17)

(70)

(50)

33

(69)

(67 )

(5) (2)

(1)

(68)

(4)

(19)

230

17

Pa to

Branco

B

C

(--) Numero de linhas de transmissão.

Figura 2: Representação do sistema teste.

Estas classes são adotadas visando constituir as sáıdas em código binário, i.e., um modo mais adequado para se usar as redes neurais da famı́lia ART. Assim, adotou-se a seguinte definição das classes 1, 2, . . . , 10 (representação com 4 bits) correspondem a 0 ≤ M ≤ 0.1, 0.1 ≤ M ≤ 0.2, . . . , 0, 9 ≤ M ≤ 1.0, respectivamente. Com estas definições, pode-se inferir sobre as “distâncias” que cada perfil de geração / carga se encontra em relação à fronteira da establidade de tensão. Tais intervalos, associados às classes, podem ser definidos, aumentando-os ou diminuindo-os de acordo com o interesse do usuário. Neste caso, devendo-se ajustar o número de bits em função da maior ou da menor discretização usada. Ressalta-se que os acertos do sistema neural são superiores a 85%, considerando-se 700 simulações realizadas. Este percentual, certamente irá aumentar, à medida em que novos padrões forem incorporados à base de dados, através do processo referente ao treinamento continuado.

252 Isoda et al.

Tabela 1: Comparação dos métodos.

Margem M Margem M % Semente Simul Artmap % Semente Simul Artmap

Fuzzy Fuzzy

-32.5 123 .5994 6 17.5 123 .6722 7 -27.5 123 .6354 7 17.5 6691 .6183 7 -22.5 614 .7096 8 22.5 145 .6055 6 -12.5 31 .6551 8 22.5 221 .6528 7 -7.5 123 .7003 7 22.5 377 .5662 6 -2.5 7116 .7134 8 27.5 7116 .4349 4 7.5 31 .7089 8 27.5 8555 .5840 6

12.5 74 .6694 7 32.5 123 .5873 6

6. Conclusão

Foi apresentada uma nova metodologia para análise de estabilidade de tensão estáti- ca de sitemas elétricos de potência multinodal. Trata-se de uma metodologia usando uma rede neural ARTMAP fuzzy, cujo treinamento é realizado a partir de uma base de dados gerada via simulação (realizada usando o programa computacional Simul [4]); cálculo de fluxo de potência, bem como outras grandezas que foram imple- mentadas visando atender a necessidade do estudo proposto. Tendo em vista que a estratégia de obtenção desta base de dados (definição de perfil de geração e de carga de modo aleatório) permitiu estabelecer um espectro de variação de modos operativos do sistema que “simule”estados operativos reais, a arquitetura ARTMAP fuzzy, tal como as demais redes da famı́lia ART, apresenta a caracteŕıstica de plas- ticidade que admite implementar o treinamento continuado, o que se diferencia, de forma vantajosa, em relação às tradicionais redes neurais comumente usadas na literatura especializada.

Abstract. This work presents a new methodology for the analysis of the static voltage stability in electric power systems. It is a neural inference system based on fuzzy ARTMAP architecture. This system presents accurate results with very fast response, being able to realize real time analysis. Besides, it allows the users work with flexibility where structural modifications are required (real situation in system operation), when compared to tradicional neural networks used in specialized literature. To illustrate the proposed neural network an apllication is presented considering an eletrical power system composed by 45 buses, 72 trans- mission line and 10 syncrhonous machines.

Referências

[1] L.D. Arya, S.C. Choube, M. Shrivastava, Technique for voltage stability assessment using newly developed line voltage stabiblity index, Energy Conversion and Management, 49, No. 2 (2008), 267-275.

Análise de Estabiblidade de Tensão Usando Artmap Fuzzy 253

[2] S. Barnett, C. Storey, “Matrix Methods in Stability Theory”, Thomas Nelson and Sons Ltd, London, 1970.

[3] G.A. Carpenter, S. Grossberg, N. Markuzon, J.H. Reynolds, D.B. Rosen, Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimentional maps, IEEE Transactions on Neural Networks, 3, No. 5 (1992), 698-713.

[4] W.P. Ferreira, M.C.G. Silveira, A.D.P. Lotufo, C.R. Minussi, Transient stability analysis of electric energy system via a Fuzzy ART-ARTMAP neural network, Electric Power System Research, 76 (1996), 475-484.

[5] J.C. Geromel, “Methods and Techniques For Decentralized Control Systems Analysis and Design”, Cooperativa Libraria Universitaria del Politecnico, Mi- lano, 1987.

[6] S. Haykin, “Neural Networks: A Comprehensive Foundation”, Prentice-Hall, New Jersey, 1994.

[7] C.-T Su, F.C. Chang, Quick evaluation of determinants, Applied Mathematics and Computation, 75 (1996), 117-118.

[8] A. Tiranuchit, R.J. Thomas, A posturing strategy against voltage instabilities in electric power systems, IEEE Transaction on Power Systems, 3, No. 1 (1988), 87-93.

Até o momento nenhum comentário
Esta é apenas uma pré-visualização
3 mostrados em 11 páginas