UNIVERSIDADE FEDERAL DO PAR

Sistemas Eltricos de Potncia:

Aplicaes de redes neurais em sistemas
eltricos de potncia

Keila Maia
Wilson Braga Jnior

Objetivos do trabalho
O funcionamento das redes neurais.
Vantagens e desvantagens das redes neurais em
Relao aos modelos tradicionais.
Aplicaes de Redes Neurais em Sistemas eltricos
de potncia.
Exemplos de fluxo de carga utilizando as redes
neurais.

O neurnio
86 bilhes
Informaes
inconsistentes
Reconhecimento de
padres
Robustez

Funo ativao dos neurnios

Funo sigmide

Funo tg hiperblica

Interao entre neurnios

Treinamento das redes

O objetivo de fazer com que a aplicao de um
conjunto de entradas produza aproximaes das
sadas.
Os pesos da rede gradualmente convergem
para os valores de sada.
O sistema precisa ser treinado com
um banco de dados de referencia com
um nmero de dados e intervalo
apropriados para a aplicao.

Detalhes das redes

F(E1*Pv1+E2*Pa1+E3*Pv1+E4*Pr1+
E5*Pz1)
F(1)*Pr1+F(2)*Pc1+F(3)*Pl1+F(4)*
Pve1+F(5)*Pp1

E1

R1

E2

R2

E3

R3

E4

R4

E5

R5

Caractersticas das RNA

Capacidade de aprender atravs da experincia;
Elevada imunidade ao rudo;
Desempenho eficiente na ausncia de conhecimento
explcito sobre como identificar uma soluo factvel;
No necessita modelos matemticos;
Capacidade de situaes no simuladas a partir
da lgica j utilizada.

Erros nos sistemas RNA

Rede insuficiente

Rede muito pequena;

Poucos parmetros para aprender todos padres.

Rede bem adaptada

Tamanho ideal da rede para interpretao dos

dados.

Comparao entre redes

Excesso de complexidade na rede neural.

Erros provenientes do excesso de complexidade

Importncia do treinamento

Adaptao do treinamento a rede neural

Comportamento genrico fora dos padres validados

Cuidados na determinao da RNA

Uma metodologia para determinar a melhor configurao
de neurnios na camada intermediria;
Os critrios de seleo e diversificao dos dados de
entrada da amostra;
Determinao dos erros e desempenho do sistema;

Aplicaes de RNA no setor eltrico

Application of Neural Networks in Power Systems; A
Review, de M. Tarafdar Haquen e A.M. Kashtiban.
Trabalhos publicados no IEEE:
Entre 1990 at 1996: 86 artigos.
Entre 2000 at abril de 2005: 118 artigos.

Aplicaes de RNA no setor eltrico

Previso de carga
Curto prazo: despacho econmico, despacho de
carga e controle em tempo real;
Mdio prazo: estimar insumos necessrios para a
gerao de energia;
Longo prazo: determinao do tipo e capacidade
das usinas de gerao.

Previso de carga

Capacidade ajuste dos parmetros para as entradas das RNA que no

possuem relao funcional entre si, tais como condies climticas e
perfil de carga.
Pode ser conduzida off-line, sem limitaes de tempo
e de acoplamento direto ao SEP para aquisio de dados.

Diagnstico/Localizao das faltas

Operador pode ser sobrecarregado pelo nmero

excessivo de alarmes que operam simultaneamente, o
que aumenta o tempo necessrio para identificar a
principal causa de interrupo e iniciar o processo de
restaurao;

Utilizadas tcnicas de inteligncia artificial para

rpida identificao da falta;

Redes neurais dentre essas tcnicas.

Diagnstico/Localizao das faltas

Vantagem
Flexibilidade na operao com dados ruidosos;

Desvantagem
A principal desvantagem o tempo longo
requerido para a alimentao do algoritmo
de formao da rede;

Despacho econmico
Minimizar os custos de operao, dependendo da
demanda e estando sujeito a certas restries;
Como alocar a demanda de carga necessria entre
as unidades de gerao disponveis.

Vantagens do uso de RNA em SEP

Capacidade de lidar com variaes estocsticas do
ponto de operao, trabalhando com um nmero de
dados maiores.
Rpido processamento e classificao de dados.

Modelagem no-linear implcita e filtragem de

dados do sistema.

Exemplo de aplicao em fluxo de carga

Karami et. al.
78 sadas:
Potncia ativa e reativa na
barra de referncia.
Potncia reativa gerada nas
9 barras PV
Magnitude da tenso das 29
barras PQ
ngulo da tenso das 9
barras PV e 29 barras PQ

39 barras.

Arquitetura da rede
Arquitetura.
Funo ativao gaussiana.

Treinamento hbrido
Supervisionado/autnomo.

Banco de dados.
3000 fluxos de carga.

2000 Para treinamento.

1000 Para validao

Resultados

Tempo de treino:
4 min Pentium IV 1.6GHz

Resultados

Nova simulao:
Treino Back Propagation
Dupla camada intermediria
Funo ativao sigmide

Tempo de treinamento: 10h

Concluses
Possuem uma grande gama de aplicaes em SEP;
Respostas adequadas com redes bem dimensionadas
e treinadas;
Rapidez na execuo aps seu desenvolvimento quando
comparado a mtodos tradicionais;
Dificuldade na determinao da sua arquitetura;
Necessidade de avaliao dos erros;
Projetos e treinamento especfico por aplicao.

Obrigado!

Keila Maia keila@ufpa.br

Wilson Braga Jr. wbj99@yahoo.com.br