Baixe o app para aproveitar ainda mais
Prévia do material em texto
> REPLACE THIS LINE WITH YOUR PAPER IDENTIFICATION NUMBER (DOUBLE-CLICK HERE TO EDIT) < Resumo— Index Terms—Enter key words or phrases in alphabetical order, separated by commas. For a list of suggested keywords, send a blank e-mail to keywords@ieee.org or visit http://www.ieee.org/organizations/pubs/ani_prod/keywrd98.txt I. INTRODUÇÃO Ocrescente aumento da demanda energia elétrica ocasionou na necessidade do crescimento dos sistemas elétricos .E com isso se tornou de fuldamental importancia a utlização de métodos mátematicos mais eficientes no cálculo do fluxo de potencia .Apartir disso foi se necessario o emprego de algoritimos para realizar esses cálculos de modo eficiente e rapido . Sendo que os primeiros modelos desenvolvidos para solução de fluxo de potencia utilizaram esquemas iterativos de deslocamento sucessivo.Esses métodos iniciais se basearam na formulação da matriz de admitancia [Ybus],esses metodos são popularmente conhecidos como método iterativo gauss e Gauss-Seide. Outros algoritmos mais poderesos foram implementados como o Nentow Rapson e o baseado na logica Fuzzy (lógica nebulosa). A lógica fuzzy (FL) é aplicada para os problemas do sistema de energia, como aplicação na previsão de carga, controle do sistema, avaliação de segurança, planejamento do sistema e energia estabilidade do sistema. II. LÓGICA NEBULOSA (FUZZY) A lógica fuzzy foi proposta por Zadeh visando aproximar a lógica das maquinas ao raciocínio humano. A lógica humana permite que um determinado elemento possa pertencer parcialmente a grupos diferentes ,em contra partida na lógica das maquinas isso não é possivel os elementos são classificados como parte de um conjunto ou não. Lofti Zadeh em 1965, desenvolveu a teoria de conjuntos nebulosos (fuzzy sets ) [1] o qual visava associar para cada elemento um determinado grau de pertinencia a um conjunto utilizando a função de pertinencia T. A. Conjuntos Nebulosos Conjuntos nebulosos são caracterizados por não existir fronteiras bem definidas sendo isso sua principal diferença em relaçao aos conjuntos clássicos,pois esses apresentam limitações para solucionar problemas em que a transição de uma classe para outra ocorre de maneira suave em outras palavras não ocorre através da lógica binária . Suas definições , propriedades e operações são obtidas da generalização da teoria de conjuntos clássicos , a qual passa a ser vista como um caso particular da teoria de conjuntos nebulosos [2]. Na teoria clássica dos conjuntos um determinado elemento no universo de discurso (domínio) pertence ou não ao conjunto.Já na teoria dos conjuntos nebulosos cada elemento possui um grau de pertinência associado a um dado conjunto ,sendo que esse elemento pode possuir valor de pertinência entre 0 (totalmente excluido ) e 1 (totalmente membro).Esse valor de pertinência demostra o grau de compatibilidade de cada elemento com as caracteristicas e propriedades do conjunto referido. Um determinado conjunto nebuloso A definido em um universo de discurso U pode ser caracterizado por uma função de pertinência µA ,sendo que essa mapeia os elementos de U em um intervalo [0,1] ou seja a função de pertinência associa cada elemneto de x como pertencente a U. Pode-se caracterizar um conjunto nebuloso A no universo U, como um conjunto de pares ordenados de um elemento genérico x e seu grau de pertininência µA(x), podendo ser representado na forma A{x, µA(x)|x U } [4]∈ B. Variáveis Linguísticas A variável linguística é demostrada por um referido termo linguístico,sendo que esse expressa o conceito á variavel ,o qual representara qualitativamente ,por uma função de pertinência. As variáveis linguísticas são expressas dentro de um certo domínio de valores. Em geral, é o especialista quem define esse domínio e realiza sua participação,nesse contexto, o papel do especialista torna-se fundamental na modelagem nebulosa [2]. C. Sistema de Inferência Nebuloso O sistema de inferência fuzzy é capaz de trabalhar simutaneamente com dados numéricos e conhecimento linguístico .A figura 1 mostra um sistema nebuloso bastante utilizado [3],o qual mapeia a entrada crisp em saídas crisp Aplicação de lógica Nebulosa na Análise do Fluxo de Potência Tiane .Vargas 1 > REPLACE THIS LINE WITH YOUR PAPER IDENTIFICATION NUMBER (DOUBLE-CLICK HERE TO EDIT) < Figura 1:Sistema de inferência O sistema nebuloso apresentado na figura 1 é composto por 4 elementos: regras, fuzificador, máquinas de inferências e defuzificador, cujos objetivos resumidamente são [3]: Fuzificador: mapeia os números crisp em conjuntos nebulosos,os quais são esenciais para a ativação das regras que estão em variáveis linguísticas . Regras nebulosas :relaciona as variáveis linguísticas de entrada com as de saída. Máquina de inferência :mapeia os conjuntos nebulosos de entrada em conjuntos nebulosos de saída,e define o modelo para combinação das regras através de um método de inferência para definir um só conjunto nebuloso de saída Defuzicador :mapeia o conjunto nebuloso de saída em número crisp A vantagem principal desse tipo de sistema é que apesar dos valores de entrada e da saída sejam crisp ,o conjunto de regras permite que seja realizada uma analise qualitativa do problema representado pelas variáveis linguísticas. III. LÓGICA NEBULOSA NA ANÁLISE DO FLUXO DE POTENCIA O algoritimo de cálculo do fluxo de potencia usando a lógica fuzzy é baseado no método de Newton -Rapson .Resultando na seguinte equação : ΔF=B . ΔX (1) A equação 1 expressa que a atualização do vetor de estado ΔX emcada nó do sistema é diretamente proporcional ao vetor ΔF.E assim a equação pde ser reescrita na forma a seguir Δ X=fuz (ΔF ) (2) A. Algoritimo Lógica Nebulosa aplicada ao fluxo de potencia A figura 2 apresenta o esquematico do algoritmo fuzzy aplicado ao fluxo de potencia .Nessa figura se observa que os parametros Δfp e Δfq são cálculados e introduzidos no controlador de lógica fuzzy FLCP-θ e FLCQ-V respectivamente.Os controladores de Lógica FLCs geram a correção do vetor ΔX ou seja ,geram a correção do ângulo de tensão Δθ para o ciclo P-θ e a correção da magnitude da tensão ΔV para o ciclo Q-V. Figura 2:Esquematico do Algoritimo Fuzzy B. Controlador de fluxo de Potência Fuzzy Os controladores de fluxo de potência baseado na lógica fuzzy seguem as seguintes etapas ,primeiro passa pelo processo de fuzificação depois as regras bases processos logicos e finalmente passam pelo processo de defuzzificação. Sendo que no processo de fuzzificação em cada nó do sistema é calculado o valor em pu dos parametros de potência Δfp e Δfq ..Como esses paramêtros são sinais de entrada os seus valores maximos de Δfp e Δfq eles determinam qual será o intervalo de mapeamento de cada interação. Os sinais de entrada passam pelo processo de fuzificação convertendo esses para um sinal fuzzy correspodente ΔFp fuz ou ΔFq fuz consderando que esse tenha sete variáveis linguísticas essas seão; grande negativa (LN), médio negativa (MN), pequena negativa (SN), zero (ZR), pequena positiva (SP), média positiva (MP), grande positivo (LP). E assim teremos sete regras nebulsoas envolvendo essas variavéis sendo essas: Regra1 :Caso Δffuz seja LN logo ΔXfuz é LN Regra2: Caso Δffuz seja MN logo ΔXfuz é MN Regra3: Caso Δffuz seja SN logo ΔXfuz é SN Regra4: Caso Δffuz seja ZR logo ΔXfuz é ZR Regra5: Caso Δffuz seja SPlogo ΔXfuz é SP Regra6: Caso Δffuz seja MP logo ΔXfuz é MP Regra7: Caso Δffuz seja LP logo ΔX fuz é LP Após as regras nebolosas serem definidas os sinais fuzzy ΔFfuz serão enviados para o processo de lógica o qual ira gerar sinais de saída fuzzy ΔXfuz .Considerando as regras nebulosas anteriores esses sinais serão enviados para o 2 > REPLACE THIS LINE WITH YOUR PAPER IDENTIFICATION NUMBER (DOUBLE-CLICK HERE TO EDIT) < processo de defuzzificação no qual irá ocorrer a correçao ΔXmax, as variáveis de estado que determinaram o intervalo de mapeamento transferem os sinais de saída para o conjunto de dados correspondente de cada iteração. A correção máxima dessas variáveis pode ser calculada por: ΔFmax , I Δmax =dFI dXI (3) Δ Xmax=((dFIdXI )) (− 1) ΔF max , I (4) Onde FI representa a equação para potencia real ou reativa para o nó XI é a ângulo da tensão ou o modulo da tensão E por fim no processo de defuzição transforma os sinais de saida ΔX fuz para valores crisp ΔX para cada nó do sistema .E assim o vetor ΔX pode ser atualizo conforme a equação onde i representa cada interação . X (i+1 )=X i+ΔX i (5) IV. CONCLUSÃO REFERÊCIAS [1] Zadeh, L. A., Fuzzy sets, Information and Control, 8, 338- 353, 1965 [2]Ortega, N. R. S., Massad, E., Aplica¸c˜ao da teoria de conjuntos fuzzy a processos de biomedicina, tese de doutorado - USP - S˜ao Paulo - SP, 2001 [3] Mendel, J. M., Fuzzy logic systems for engineering: a tutorial, Proceedings of the IEEE, 83(3), 345-377, 1995. [4] Lee, C. C., Fuzzy logic in control systems: fuzzy logic controller - part I, IEEE Transctions on systems, 20(2), 404- 418, 1990. [5] B. Stott, "Review of Load-Flow Calculation Methods," IEEE Proceedings, vol. 62, pp. 916-929, July 1974. [6] T.J. Ross, Fuzzy Logic with Engineering Applications, McGraw-Hill International Editions, 1997. [7] J.M. Mendel, “Fuzzy Logic Systems for Engineering: A Tutorial”, Proceedings of the IEEE, vol. 83, no. 3, pp. 345- 377, March 1995. [ Sites http://www.repositorio.unicamp.br/bitstream/REPOSIP/26172 3/1/Pavani_AhdaPionkoskiGrilo_M.pdf http://www.nacad.ufrj.br/~falcao/coe765/Fuzzy2002.pdf 3 I. Introdução II. Lógica Nebulosa (Fuzzy) A. Conjuntos Nebulosos B. Variáveis Linguísticas C. Sistema de Inferência Nebuloso III. Lógica Nebulosa na análise do Fluxo de Potencia A. Algoritimo Lógica Nebulosa aplicada ao fluxo de potencia B. Controlador de fluxo de Potência Fuzzy IV. Conclusão
Compartilhar