| Abstract: | A correta determinação de causas de desligamentos não programados é fundamental para as empresas de energia definirem prioridades de investimento em melhorias no sistema elétrico. Dessa maneira, é possível evitar perdas e aperfeiçoar a qualidade do serviço de fornecimento. Esta dissertação aborda um método para a identificação de causas de interrupções forçadas utilizando um sistema integrado de modelos baseados em lógica fuzzy e Redes Bayesianas (RB). Para a etapa de treino da RB e estabelecimento de regras no domínio fuzzy, apresenta-se a análise de um banco de dados tratado com técnicas de Knowledge Discovery in Databases (KDD), permitindo o mapeamento de variáveis de entradas e saídas dos dados. Este mapeamento compôs uma base de conhecimentos, possibilitando agrupar dados de forma a visualizar o padrão de sobrecarga coerente com um sistema elétrico. O bloco fuzzy avalia eventos com maiores recorrências, utilizando como parâmetro valores mínimos de aceitação da resposta, e o bloco RB estima as causas dos demais eventos, priorizando as respostas que se consideram com baixa incerteza. Com o método split-half a partir de 8. 000 eventos, o sistema integrado se mostrou eficiente com o erro resultante de 5,94%. Apresentam-se outras análises visando a minimizar o erro de estimação de causas, através da ampliação do número de variáveis de entrada e o descarte de eventos com saídas múltiplas. Após o descarte, obteve-se um total de 15. 994 eventos, sendo que para esta amostra, o erro final de identificação pela RB foi reduzido de 15,94% para 4,60%. Considerando 172 registros, com a inclusão de três variáveis de entrada na base de dados, o erro na RB foi reduzido de 5,81% para 1,16%.Também se verifica que o comportamento do sistema ao avaliar dados incoerentes resultou em erro de 84,38%, mostrando-se a aplicabilidade em detectar registros sem características com um sistema elétrico. Por essas análises, a metodologia proposta mostrou-se eficaz na determinação de causas de desligamentos não programados.
Correct forced outage diagnosis is fundamental for utilities to establish priorities of investment on improvements in power systems. Thereby it is possible to avoid losses and improve quality of supply service. This dissertation deals a method to diagnose forced outage faults using an integrated system of models based on fuzzy logic and bayesian networks (BN). For the training stage and rule base constitution in fuzzy domain, it is introduced the analysis of a database treated with Knowledge Discovery in Databases (KDD) techniques, allowing map input and output variables of the database. This mapping composed a knowledge base, allowing apply clusters technique on data to visualize overload pattern coherent with power systems. The fuzzy stage evaluates events with more occurrences, using minimal values of acceptance as parameter of answer. The BN part deduces other events faults, prioritizing those considered with low uncertainty. Using 8,000 events obtained by split-half method, the integrated system proved effective with resultant error of 5. 94%. Other analysis were studied aiming conditions to minimize outage assess error, using extended input variables and discarding multiple outputs events. After the discard step, it was obtained 15. 994 events and, for this sample, the total diagnosis error by BN was reduced from 15. 94% to 4. 60%. Considering 172 events, with the inclusion of three input variables, the BN error was reduced from 5. 81% to 1. 16%.The integrated system behavior is also analysed on diagnosis of incoherent data, resulting an error of 84. 38%, showing applicable to detect outage records without electric power characteristics. Through these analyses, the proposed methodology showed effective in forced outage diagnosis. |
