Análise automática da oscilografia associada a curto-circuitos em linhas de transmissão de energia elétrica

Abstract

O objetivo da presente dissertação, é desenvolver e aplicar metodologias que permitem a análise automática da oscilografia dos sinais das tensões e das correntes associados a defeitos causados por curto-circuitos em linhas de transmissão de energia elétrica. Para o efeito foram simulados diferentes tipos de defeitos (curto-circuitos Fase - Terra (FT), Fase - Fase - Terra (FFT) e Fase - Fase - Fase - Terra (FFFT) ) no laboratório do R&D Nester utilizando o modelo disponibilizado da Rede Nacional de Transporte (RNT) portuguesa. Para cada um dos defeitos simulados foi desenvolvido e aplicado um método baseado na transformada de wavelet, que permite identificar nos sinais de defeito, os instantes de início do defeito, de abertura dos disjuntores e de restabelecimento do circuito, fazendo-se a partir desses instantes, a segmentação dos sinais. Posteriormente, a partir da informação fornecida pela segmentação dos sinais, foi desenvolvido um método, tendo por base Redes Neuronais Artificiais, capaz de classificar os defeitos, ou seja, permite distinguir se os defeitos são entre a fase A e a terra, entre a fase B e a terra, etc. A aplicação dos métodos de segmentação e classificação indicados anteriormente apresentaram uma taxa de sucesso na ordem dos 98,5% para diferentes cenários topológicos e operacionais da rede.

The aim of this dissertation is to develop and apply methodologies which allow for the automatic analysis of waveforms from voltage and current signals associated with faults caused by short circuits. For this purpose, different types of faults (Phase - Ground, Phase - Phase - Ground and Phase - Phase - Phase - Ground short circuits) were simulated in R&D Nester laboratory using the existing Portuguese transmission grid model. For each of the faults simulated, a method based on wavelet transform was developed and applied, which allowed the identification of the time instants of fault initiation, circuit breakers opening and circuit re-establishment in the fault signals and by the use of this instants make the segmentation of the signal. From the information provided by the segmentation of the signals, a method was developed based on Artificial Neural Networks, capable of classifying whether a fault was between phase A and ground, or between phase B and ground, etc. The application of the segmentation and classification methods indicated above, presented a success of 98,5% for different topological and operational network scenarios.