O documento discute as aplicações de redes neurais em sistemas elétricos de potência, incluindo previsão de carga, diagnóstico de falhas e despacho econômico. Ele explica como as redes neurais funcionam e são treinadas e fornece um exemplo de aplicação em fluxo de carga. O documento conclui que as redes neurais podem fornecer respostas rápidas quando bem projetadas e treinadas, embora seu desenvolvimento seja desafiador.

1. Keila Maia
Wilson Braga Júnior
Sistemas Elétricos de Potência:
Aplicações de redes neurais em sistemas
elétricos de potência
UNIVERSIDADE FEDERAL DO PARÁ

2. Objetivos do trabalho
● O funcionamento das redes neurais.
● Exemplos de fluxo de carga utilizando as redes
neurais.
● Aplicações de Redes Neurais em Sistemas elétricos
de potência.
● Vantagens e desvantagens das redes neurais em
Relação aos modelos tradicionais.

3. O neurônio
86 bilhões
Informações
inconsistentes
Reconhecimento de
padrões
Robustez

4. Função ativação dos neurônios
Interação entre neurônios
Função sigmóide
Função tg hiperbólica

5. Treinamento das redes
● O objetivo de fazer com que a aplicação de um
conjunto de entradas produza aproximações das
saídas.
● Os pesos da rede gradualmente convergem
para os valores de saída.
● O sistema precisa ser treinado com
um banco de dados de referencia com
um número de dados e intervalo
apropriados para a aplicação.

6. Detalhes das redes
E1
E2
E3
E4
E5 Σ∫
Σ∫
Σ∫
Σ∫
Σ∫ R1
R2
R3
R4
R5Σ∫
Σ∫
Σ∫
Σ∫
Σ∫
F(E1*Pv1+E2*Pa1+E3*Pv1+E4*Pr1+E5*Pz1)
F(Σ1)*Pr1+F(Σ2)*Pc1+F(Σ3)*Pl1+F(Σ4)*Pve1+F(Σ5)*Pp1

7. Características das RNA
Capacidade de “aprender” através da experiência;
Desempenho eficiente na ausência de conhecimento
explícito sobre como identificar uma solução factível;
Não necessita modelos matemáticos;
Elevada imunidade ao ruído;
Capacidade de situações não simuladas a partir
da lógica já utilizada.

8. Erros nos sistemas RNA

9. Rede insuficiente
Rede muito pequena;
Poucos parâmetros para aprender todos padrões.

10. Rede bem adaptada
Tamanho ideal da rede para interpretação dos
dados.

11. Comparação entre redes
Excesso de complexidade na rede neural.

12. Erros provenientes do excesso de complexidade

13. Importância do treinamento

14. Adaptação do treinamento a rede neural

15. Comportamento genérico fora dos padrões
validados

16. Cuidados na determinação da RNA
Uma metodologia para determinar a melhor configuração
de neurônios na camada intermediária;
Os critérios de seleção e diversificação dos dados de
entrada da amostra;
Determinação dos erros e desempenho do sistema;

17. Aplicações de RNA no setor elétrico
• “Application of Neural Networks in Power Systems; A
Review”, de M. Tarafdar Haquen e A.M. Kashtiban.
Trabalhos publicados no IEEE:
Entre 1990 até 1996: 86 artigos.
Entre 2000 até abril de 2005: 118 artigos.

18. Aplicações de RNA no setor elétrico

19. Previsão de carga
Médio prazo: estimar insumos necessários para a
geração de energia;
Longo prazo: determinação do tipo e capacidade
das usinas de geração.
Curto prazo: despacho econômico, despacho de
carga e controle em tempo real;

20. Previsão de carga
• Pode ser conduzida off-line, sem limitações de tempo
e de acoplamento direto ao SEP para aquisição de dados.
• Capacidade ajuste dos parâmetros para as entradas das RNA que não
possuem relação funcional entre si, tais como condições climáticas e
perfil de carga.

21. Diagnóstico/Localização das faltas
• Operador pode ser sobrecarregado pelo número
excessivo de alarmes que operam simultaneamente, o
que aumenta o tempo necessário para identificar a
principal causa de interrupção e iniciar o processo de
restauração;
• Utilizadas técnicas de inteligência artificial para
rápida identificação da falta;
• Redes neurais dentre essas técnicas.

22. Diagnóstico/Localização das faltas
Vantagem
A principal desvantagem é o tempo longo
requerido para a alimentação do algoritmo
de formação da rede;
Flexibilidade na operação com dados ruidosos;
Desvantagem

23. Despacho econômico
Minimizar os custos de operação, dependendo da
demanda e estando sujeito a certas restrições;
• Como alocar a demanda de carga necessária entre
as unidades de geração disponíveis.

24. Vantagens do uso de RNA em SEP
Capacidade de lidar com variações estocásticas do
ponto de operação, trabalhando com um número de
dados maiores.
Rápido processamento e classificação de dados.
Modelagem não-linear implícita e filtragem de
dados do sistema.

25. Exemplo de aplicação em fluxo de carga
Karami et. al.
39 barras.78 saídas:
● Potência ativa e reativa na
barra de referência.
● Potência reativa gerada nas
9 barras PV
● Magnitude da tensão das 29
barras PQ
● Ângulo da tensão das 9
barras PV e 29 barras PQ

26. Arquitetura da rede
Função ativação gaussiana.
Arquitetura.
Treinamento híbrido
Supervisionado/autônomo.
Banco de dados.
3000 fluxos de carga.
2000 Para treinamento.
1000 Para validação

27. Resultados
Tempo de treino:
4 min Pentium IV 1.6GHz

28. Resultados
Nova simulação:
Treino “Back Propagation”
Dupla camada intermediária
Função ativação sigmóide
Tempo de treinamento: 10h

29. Conclusões
● Possuem uma grande gama de aplicações em SEP;
● Respostas adequadas com redes bem dimensionadas
e treinadas;
● Rapidez na execução após seu desenvolvimento quando
comparado a métodos tradicionais;
● Dificuldade na determinação da sua arquitetura;
● Necessidade de avaliação dos erros;
● Projetos e treinamento específico por aplicação.

30. Obrigado!
Keila Maia – keila@ufpa.br
Wilson Braga Jr. – wbj99@yahoo.com.br