Detecção e classificação de faltas em linhas de transmissão utilizando análise funcional e inteligência computacional

Exportado OPUSMade available in DSpace on 2019-08-09T19:10:15Z (GMT). No. of bitstreams: 1 engeletrica_andre_souza_gomes_dissertacao.pdf: 2613281 bytes, checksum: 0ba8852b6263f77ffc49361dd226cca5 (MD5) Previous issue date: 1A linha de transmissão é o elemento do Sistema Elétrico de Potência mais vulnerável a faltas devido à sua grande dimensão física. Vários algoritmos para diagnóstico de faltas tem sido propostos na literatura, destacando-se os métodos que utilizam análise de sinais e inteligência computacional. Neste trabalho é proposta uma nova modelagem para a representação funcional das fases de uma linha de transmissão. No modelo proposto, o comportamento nominal dos sinais de tensão e corrente são projetados em um espaço bidimensional, representado por uma equação cônica. A estratégia de detecção e classificação é desenvolvida a partir da análise dos parâmetros desse modelo. A metodologia proposta é avaliada usando um conjunto de faltas simuladas, obtidas sob variações de parâmetros da falta. Os resultadossão satisfatórios e demonstram a viabilidade da metodologia proposta para detectar o momento da falta e sua classificação.The transmission line is the most vulnerable element of the Electric Power System due to its great physical dimension. Several fault diagnosis algorithms have been proposed in the literature, especially methods that use signal analysis and computational intelligence. This work proposes a new modeling that functionally represents the transmission line phases. In the proposed model, the nominal behavior of voltage and current signals are projected onto a two-dimensional space, represented by a conic equation. The detection and classification strategy is developed from the analysis of the models parameters. The proposed methodology is evaluated using a set of simulated faults, obtained by varying the fault parameters. The results are satisfactory and demonstrate the viability of the proposed methodology to detect the moment of failure and your classification