Este resumo apresenta o projeto final de curso de José Felipe Dalcin Stieven sobre o desenvolvimento de uma nova metodologia para localização de faltas em redes de distribuição rural utilizando redes neurais artificiais. O trabalho propõe uma solução que potencializa as técnicas já existentes para reduzir o tempo gasto na localização de faltas. A metodologia envolve a simulação de faltas em um modelo computacional da rede, o treinamento de redes neurais com os dados de entrada e saída e a indicação da distância à falta

1. Universidade Federal de Santa Catarina
EEL7890 - Projeto Final de Curso em Engenharia Elétrica
José Felipe Dalcin Stieven
Orientação: Prof.ª Jacqueline Gisele Rolim

2. Estrutura da
Apresentação
 Objetivos 
 Descrição do Problema
 Metodologia de Trabalho
 Desenvolvimento
 Exemplo de aplicação
 Conclusões e sugestões para trabalhos futuros
2

3. Objetivos

 Desenvolver uma nova metodologia para localização
de faltas em redes de distribuição rural;
 Oferecer uma solução que potencialize as técnicas já
praticadas;
 Viabilidade técnica e econômica;
 Reduzir o tempo gasto pelas equipes de manutenção
na procura pela falta.
3

4. Descrição do problema

 Quando ocorre uma falta na rede elétrica, vários
consumidores no campo ficam sem energia;
 A falta é um fenômeno aleatório;
 A extensão das linhas é da ordem de dezenas de
quilômetros;
 A equipe de manutenção realiza longas buscas pela
rede até encontrar o defeito.
4

5. Metodologia de trabalho

 Levantamento das características que particularizam
a Rede de Distribuição Rural (RDR);
 Reproduzir essas características através de modelo
computacional;
 Simular faltas de diferentes tipos;
 Desenvolver um método capaz de indicar a distância
à falta com informações da corrente elétrica;
 Propor uma nova metodologia para localização de
faltas em RDRs;
 Avaliar o desempenho da metodologia proposta;
5

6. Características da RDR
 Não-homogeneidade entre os
condutores utilizados no

alimentador principal e nos
ramais;
 As linhas trifásicas não são
transpostas;
 Os ramais monofásicos causam
considerável desequilíbrio de
carga no sistema;
 As correntes de desequilíbrio
retornam pelo sistema de
aterramento;
 Fornecimento de energia a
residências rurais;
 Baixos níveis de curtos-circuitos.
6

7. Características da RDR

7

8. Esquemático do modelo computacional 8

9. Causas de falta no meio
rural

 Árvores próximas a rede elétrica;
 Ação de fenômenos meteorológicos;
 Defeito em isoladores;
 Queimadas acidentais ou propositais nas
proximidades da rede elétrica;
 Contato acidental entre veículos de grande porte
com os condutores de energia;
 Outros acidentes.
9

10. Causas de falta no meio
rural

10

11. Simulação de faltas

 O modelo computacional e as simulações de faltas
foram feitos no software ATP;
 As faltas são aplicadas em diferentes posições do
sistema teste;
 Ocorrências de faltas monofásicas com diferentes
resistências de falta;
11

12. Simulação de faltas

12

13. Simulação de faltas

13

14. O problema das
múltiplas possibilidades

 Faltas ocorridas em diferentes ramais podem ter as
mesmas características para observações feitas na
subestação de energia;
 Nesses casos, não é possível identificar, a priori, qual
foi o ramal afetado;
 O problema é intrínseco a todos os sistemas de
distribuição onde só a subestação contém
equipamentos automatizados.
14

15. Mapear a relação
entrada-saída

 A resposta do sistema a diferentes ocorrências de
falta é complexa, pois é influenciada por vários
fatores;
 Os métodos analíticos disponíveis para indicar a
localização das faltas são complexos e apresentam
limitações;
 Trabalhos recentes mostraram que as Redes Neurais
Artificiais (RNAs) são uma alternativa interessante
aos métodos analíticos.
15

16. Redes Neurais
Artificiais (RNAs)

 A forma como o cérebro humano processa as
informações é totalmente diferente de como um
computador digital faz;
 A grande capacidade de processamento de
informações do cérebro humano tem motivado
diversas pesquisas;
 Os pesquisadores McCullogh e Pitts propuseram em
seu trabalho o modelo matemático de um neurônio
artificial.
16

17. Redes Neurais
Artificiais (RNAs)
 Os neurônios artificiais
são agrupados em
camadas para formar
uma Rede Neural
Artificial (RNA);
 As RNAs podem
aprender a
desempenhar uma
tarefa apenas
observando exemplos.
17

18. RNAs mapeando a
relação entrada-saída

 κ — Razão entre o
módulo da corrente
elétrica durante a falta e o
módulo da corrente ENTRADA OCULTA SAÍDA
elétrica pré-falta na fase
comprometida medidos Distância
à falta
κ
na subestação de energia;
 Δ — Diferença entre o
ângulo da corrente Resistência
de falta
Δ𝜙
elétrica durante a falta e o
ângulo da corrente
elétrica pré-falta na fase
comprometida medidos
na subestação de energia.
18

19. RNAs mapeando a
relação entrada-saída
 Cada fase do  Quantidade de
alimentador principal Seção
exemplos
contém sua RNA Alimentador
principal
1953
correspondente, assim A1 126
A2 147
também acontece com A3 210
os ramais; B1 210
B2 126
 Todas as RNAs são B3 147
C1 147
estruturalmente iguais C2 210
e foram concebidas no C3 126
TOTAL 3402
software MATLAB.
19

20. RNAs mapeando a
relação entrada-saída

20

21. Nova metodologia para
localização de faltas

 1º) O sistema de proteção da subestação anuncia a ocorrência
de falta na RDR e registra as informações sobre esse evento;
 2º) Verifica-se se a proteção instalada na subestação atuou ou
não para isolar o defeito;
 3º) As correntes elétricas na fase afetada nos instantes
pré, durante e pós-falta são extraídas das informações
armazenadas.
 4º) Utilizando informações contidas nas referidas correntes, o
método (RNAs) indica a distância à falta.
21

22. Exemplo de aplicação
Ocorrência de falta no ramal A3 à 2,7 km do seu início com 243 Ω de
resistência de falta.
22

23. Exemplo de aplicação

 As informações coletadas na subestação mostram
que o defeito ocorreu na fase A e a proteção da
subestação não atuou para isolar o defeito;
 O pré-processamento da correntes elétricas indicam:
 κ: 5,01;
 Desvio angular Δ : 15,06º;
 Carga remanescente na fase A após atuação da
proteção: 61,1%.
23

24. Exemplo de aplicação

 As redes neurais responsáveis por ramais na fase A
(RNA-A1, RNA-A2 e RNA-A3) são acionadas. Os
resultados obtidos são:
 RNA-A1: 20,80 km do início do ramal A1;
 RNA-A2: 4,75 km do início ramal A2;
 RNA-A3: 2,64 km do início do ramal A3.
24

25. Exemplo de aplicação
 Não é possível determinar se a falta ocorreu no ramal A2 ou A3
apenas com informações coletadas na subestação de energia;
 É necessário então analisar o gráfico de carga remanescente
esperada.
Carga remanescente esperada – fase A
100%
80%
60% 68.4%
60.5% Normal
40%
Ramal isolado
20%
0%
A2 A3 25

26. Exemplo de aplicação

 Comparando a carga remanescente real com a esperada, é
possível ordenar as possibilidades de acordo com suas
chances de estarem corretas:
 1ª) Ramal A3: à 2,64 km de distância do seu início
 2ª) Ramal A2: à 4,75 km de distância do seu início;
 Havendo disponibilidade de outras informações é possível
refinar o ranking.
26

27. Conclusões

 Este trabalho apresentou uma nova metodologia para o
problema de localização de faltas em RDRs;
 A integração entre as técnicas já praticadas e a
metodologia potencializou os resultados obtidos;
 A tecnologia necessária para empregar a metodologia já
se encontra disponível na maioria das RDRs;
 O treinamento das RNAs é um processo um tanto
trabalhoso e lento, contudo, uma vez que as redes estão
treinadas, o processamento das informações para indicar
a distância à falta é simples e rápido.
27

28. Sugestões para trabalhos
futuros

 Realizar testes com a nova metodologia em RDRs reais;
 Considerar a influência na localização da falta com a
entrada de cargas sazonais de grande porte no sistema;
 Estudar o impacto sobre o desempenho ao se utilizar um
número menor de exemplos para o treinamento das
RNAs;
 Simular a variação de carga nos ramais e a ampliação da
RDR;
 Análise considerando a presença de banco de capacitores
ao longo da linha.
28

29. Muito Obrigado!

José Felipe Dalcin Stieven
Aluno de Engenharia Elétrica da UFSC
E-mail: jfelipedalcin@gmail.com
29