Use este identificador para citar ou linkar para este item: https://repositorio.ufjf.br/jspui/handle/ufjf/11799
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
jersondossantoscarvalho.pdfPDF/A29.75 MBAdobe PDFThumbnail
Visualizar/Abrir
Tipo: Dissertação
Título: Metodologia para detecção e localização de faltas em rede real de distribuição considerando a inserção de veículos elétricos
Autor(es): Carvalho, Jerson dos Santos
Primeiro Orientador: Oliveira, Leonardo Willer de
Co-orientador: Borba, Bruno Soares Moreira Cesar
Membro da banca: Almeida, Madson Cortes de
Membro da banca: Dias, Bruno Henriques
Resumo: A presente dissertação de mestrado propõe uma aplicação de redes neurais artificiais (RNA) no problema de detecção e localização de defeitos de alta impedância de um sistema de distribuição de energia elétrica real com a presença de veículos elétricos (VE). Para isso, utilizou-se veículos elétricos com seus postos de carregamento e variou-se a curva de recarga diária dos veículos elétricos com o objetivo de avaliar o impacto nos problemas de detecção e localização de defeitos de alta impedâncias, na premissa de proteção adaptativa através da aplicação de RNA. Dentre as curvas existentes na literatura especializada escolheu-se três, com destaque especial para o tipo de recarga em que se considera o veículo elétrico tanto na condição de carregamento, quanto na condição de injeção de potência na rede de distribuição. Além das curvas de recarga, visando aumentar a aplicabilidade do método, variou-se também os patamares de carga, para a simulação de fluxo de potência via OpenDSS. Por fim, investigou-se diferentes tipos de topologias de instalação de medidores inteligentes instalados ao longo do sistema de distribuição de energia elétrica estudado e os resultados foram analisados através de métricas de avaliação e ferramentas da estatística descritiva. O estudo de caso considera uma rede elétrica real de uma concessionária de distribuição brasileira.
Abstract: The present master’s thesis proposes an application of artificial neural networks in the problem of detecting and locating high impedance defects in a real electrical energy distribution system with the presence of electric vehicles. For this, electric vehicles with their charging stations were used and the daily charging curve of electric vehicles was varied in order to assess the impact on the problems of detecting and locating high impedance defects, on the premise of adaptive protection through application of RNA. Among the curves in the specialized literature, three were chosen, with special emphasis on the type of recharge in which the electric vehicle is considered, both in the charging condition and in the condition of power injection in the distribution network. In addition to the charging curves, in order to increase the applicability of the method, the load levels were also varied for the simulation of power flow via OpenDSS. Finally, we investigated different types of topologies for the installation of smart meters installed throughout the electrical energy distribution system studied and the results were analyzed using evaluation metrics and descriptive statistics tools. The case study considers a real electrical network from a Brazilian distribution concessionaire.
Palavras-chave: Falta de alta impedância
Redes neurais artificiais
Veículos elétricos
Detecção
Localização
High impedance fault
Artificial neural network
Electric vehicles
Location
Detection
CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Idioma: por
País: Brasil
Editor: Universidade Federal de Juiz de Fora (UFJF)
Sigla da Instituição: UFJF
Departamento: Faculdade de Engenharia
Programa: Programa de Pós-graduação em Engenharia Elétrica
Tipo de Acesso: Acesso Aberto
Attribution 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by/3.0/br/
URI: https://repositorio.ufjf.br/jspui/handle/ufjf/11799
Data do documento: 18-Ago-2020
Aparece nas coleções:Mestrado em Engenharia Elétrica (Dissertações)



Este item está licenciado sob uma Licença Creative Commons Creative Commons