Framework para análise de faltas em linhas de transmissão : um método baseado em modelos múltiplos preditivos
Resumo
Resumo: As linhas de transmissão são elementos cruciais do sistema elétrico de potência, transportando a energia gerada nas usinas até subestações próximas aos centros consumidores. Para isso, essas linhas percorrem longas distâncias e, consequentemente, estão suscetíveis a diversos tipos de perturbações que afetam o seu estado normal de operação, como a incidência de descargas atmosféricas e queimadas sob as linhas. Tais perturbações são conhecidas como faltas, as quais ocorrem de modo imprevisível em qualquer ponto da linha de transmissão, resultando em fluxos anormais nas grandezas elétricas nos componentes do sistema de potência. Os efeitos de uma falha são preocupantes, uma vez que podem acarretar na interrupção do fornecimento de energia elétrica e em danos aos equipamentos e componentes envolvidos na transmissão. Frente a isso, a análise de faltas torna-se indispensável, com destaque para duas tarefas: a classificação do tipo da falta e a sua localização. Portanto, este trabalho tem como objetivo propor e avaliar um método para classificar e localizar faltas em linhas aéreas de transmissão a partir de algoritmos de aprendizado de máquina, buscando alcançar duas propriedades: flexibilidade de taxa de amostragem e generalização para linhas com diferentes configurações. Sobretudo, exploramos o uso de modelos múltiplos preditivos (ensemble) para a realização de ambas as tarefas devido a lacuna identificada sobre o tema. Especialmente para a tarefa de localização, propomos uma nova estrutura de seleção dinâmica de regressores, a qual visa selecionar apenas os modelos mais competentes individualmente para cada novo padrão de teste de modo a tornar as predições mais precisas e acuradas. Devido a indisponibilidade de bases públicas e a escassez de eventos reais de falhas, desenvolvemos e disponibilizamos publicamente dois novos conjuntos de dados com simulações diversificadas de faltas. Os resultados alcançados demonstram a versatilidade e a efetividade do nosso método de classificação para ambas as propriedades desejadas, validado inclusive a partir de eventos reais de falhas com acurácia em torno de 96%. Neste quesito, a engenharia de atributos que realizamos foi fundamental para que pudéssemos atingir nosso objetivo, além, claro, do emprego do algoritmo de Árvores Extremamente Aleatórias usado para classificar o tipo de falta. Por sua vez, o método de localização também demonstrou desempenhos satisfatórios especialmente para a flexibilidade perante diferentes taxas de amostragem, apesar da leve vantagem para as maiores frequências. Todavia, não foi possível alcançar a propriedade da generalização para a localização. A provável razão dessa inaptidão está associada as diferentes assinaturas de falhas entre as linhas por conta de suas extensões distintas, mesmo que parâmetros como resistência e tipo de falta sejam semelhantes. Apesar disso, a estrutura de seleção dinâmica que propomos manifestou desempenhos estatisticamente superiores frente a outras abordagens. Abstract: The transmission lines are crucial elements of the electric power system, transporting the energy generated in the power plants to substations near the customers. As a result, these lines travel long distances and, consequently, are exposed to several kinds of disturbances that affect their normal operating state, such as the incidence of atmospheric discharges and fire under the lines. Such disturbances are known as faults, which can occur unpredictably at any point of the transmission line, resulting in abnormal flows in the electrical properties of the power system components. The effects of a failure are a considerable concern once they can lead to interruption of electricity supply and damage to equipment and components involved in the power transmission. So, fault analysis becomes a fundamental activity for the protection system, emphasizing two tasks: fault type classification and fault location. Therefore, this work aims to propose and evaluate a method to classify and locate faults in transmission lines by using machine learning algorithms, considering the following properties: flexibility of sampling rate and generalization capacity to transmission lines with different configurations. Above all, we explored the use of ensemble models to carry out both tasks due to the gap identified on the topic. Especially for the localization task, we propose a new dynamic regressor selection framework, which aims to select only the most competent models individually for each new test pattern in order to achieve more precise and accurate predictions. Due to the unavailability of public databases and the scarcity of real fault events, we developed and made two new datasets with diverse fault simulations publicly available to the scientific community. The results demonstrated the versatility and effectiveness of our classification method for both desired properties, validated even based on real failure events with an accuracy of around 96%. In this scenario, the feature engineering that we carried out, in addition to using the Extremely Randomized Trees algorithm to classify the fault type, was fundamental to achieving our objective. In turn, the localization method also demonstrated satisfactory performances, especially for flexibility with different sampling rates, despite the slight advantage for higher frequencies. However, it was not possible to achieve the generalization property for localization. The probable reason for this inability is the different fault signatures between the lines due to their different lengths, even if parameters such as resistance and fault type are the same. Nonetheless, the proposed dynamic selection structure demonstrated statistically superior performance compared to other approaches.
Collections
- Teses [140]