Simulação de aprendizado baseado em redes neurais artificiais na detecção de descargas parciais em cabos de redes de distribuição subterrânea

• Eliane Suely Everling Paim ^[2] ; Maurício de Campos ^[1] ; Airam Teresa Zago Romcy Sausen ^[1] ; Paulo Sergio Sausen ^[1]
  1. [1] Universidade Regional do Noroeste do Estado do Rio Grande do Sul

     Universidade Regional do Noroeste do Estado do Rio Grande do Sul

     Brasil

     
  2. [2] Universidade Regional do Noroeste do Estado do Rio Grande do Sul,Instituto Federal Catarinense (IFC)
• Localización: Cuadernos de Educación y Desarrollo, ISSN-e 1989-4155, Vol. 16, Nº. 1, 2024, págs. 132-153
• Idioma: portugués
• Enlaces
  • Texto completo
• Resumen
  • português

    Os cabos subterrâneos têm sido utilizados em sistemas de distribuição de energia em áreas urbanas especialmente por sua alta confiabilidade. Porém, ao longo do tempo, esses cabos sofrem com degradação. Isso ocorre devido a fontes de estresse, tais como fatores ambientais, elétricos ou mecânicos. Uma forma de detectar se um cabo subterrâneo está com seu isolamento em fase de degradação é a partir da identificação de distúrbios chamados descargas parciais (DPs). No caso de não ocorrer essa identificação, elas podem evoluir para faltas catastróficas levando a acidentes ou à interrupção de energia. Vários estudos já foram desenvolvidos com o intuito de obter uma solução para o problema, no entanto, ainda não se vislumbra uma solução satisfatória, uma vez que o sistema de proteção da rede não detecta nem esse nem outros vários tipos de distúrbios. Neste trabalho, é utilizado o aprendizado baseado em redes neurais artificiais (ANN) como uma estratégia para diagnóstico de DPs em cabos de sistemas de distribuição subterrânea. A partir do modelo de um dos padrões de descarga parcial (DP), é treinada uma ANN para a identificação das DPs. Foram elaboradas simulações a partir da rede treinada utilizando o software Matlab®. Os percentuais de teste e validação dos modelos, assim como os índices de erro, mostraram-se satisfatórios para a identificação das DPs, quando comparados com resultados da literatura que aborda esse tipo de problema. Ainda que este trabalho se encontre em fase inicial, com resultados ainda parciais, eles já apontam para uma estratégia viável para diagnóstico das anormalidades nos cabos de redes subterrâneas. Outras simulações serão realizadas futuramente com a incorporação de outros tipos de distúrbios e com outros métodos de identificação, garantindo com isso a obtenção de um modelo mais robusto.

  • English

    Underground cables have been used in urban energy distribution systems, primarily due to their high reliability. However, over time, these cables undergo degradation. This is due to sources of stress, such as environmental, electrical, or mechanical factors. One way to detect whether an underground cable's insulation is degrading is through the identification of disturbances called partial discharges (PDs). In cases where the identification does not occur, they can progress to catastrophic faults, leading to accidents or power interruptions. Numerous studies have already been conducted with the goal of finding a solution to the problem; however, a satisfactory solution is not yet apparent, as the network protection system does not detect either this or several other types of disturbances. In this work, artificial neural networks (ANN)-based learning is used as a strategy for diagnosing PDs in cables of underground distribution systems. Using the model of one of the partial discharge (PD) patterns, an ANN is trained for PD identification. Simulations were created using the trained network with Matlab® software. The test and validation percentage of the models, as well as the error rates, proved to be satisfactory for PD identification when compared to results in the literature addressing this type of problem. Although this work is in an early stage with results that are still partial, they already point to a viable strategy for diagnosing abnormalities in underground network cables. Further simulations will be conducted in the future, incorporating other types of disturbances and additional identification methods, thereby ensuring the development of a more robustmodel.