Baixe o app para aproveitar ainda mais
Prévia do material em texto
18216 ENGENHARIA EM UHIICOJ DE POtÉNCIA MÉTODOS PROBABIliinCOS PARA PROJETO E PLANEJAMENTO PE SIS! EM AS EIEI PI€0S CURSO DE ENGENHARIA EM SISTEMAS ELÉTRICOS DE POTÊNCIA - SÉRIE PTI - RELAÇÃO DE VOLUMES E TRADUTORES 1 - Análise de Circuitos de Sistemas de Potência - Arlindo R. Mayer 2 - Teoria das Linhas de Transmissão I - J.Wagner Kaehler 3 - Teoria das Linhas de Transmissão II - Felix A. Farret 4 - Dinâmica das Máquinas Elétricas I - Somchai Ansuj, Arlindo R. Mayer 5 - Dinâmica das Máquinas Elétricas II - Elvio Rabenschlag 6 - Dinâmica e Controle da Geração - Almoraci S. Algarve, João M. Soares 7 - Proteção de Sistemas Elétricos de Potência - Fritz Stemmer, Lenois Mariotto 8 - Coordenação de Isolamento - J. Wagner Kaehler 9 - Operação Econômica e Planejamento - Paulo R. Wilson 10 - Métodos Probabillsticos para Projeto e Planejamento de Sistemas Elétricos - M. Ivone Brenner Supervisão técnica: Somchai Ansuj Coordenação geral: Arlindo R. Mayer Norberto U. de V. Oliveira Waldemar C . Fuentes CENTRAIS ELÉTRICAS BRASILEIRAS S.A. UNIVERSIDADE FEDERAL DE SANTA MARIA MÉTODOS PROBABIIÍSTICOS PARA PROJETO E PLANEJAM ENTO PE SISTEMAS ELÉTRICOS R. J. RINGLEE Tradução: M. Ivone Brenner Prof.a do Depto. de Eng. Elétrica da UFSM CURSO DE ENGENHARIA EM SISTEMAS ELÉTRICOS DE POTÊNCIA SÉRIE P. T. I. _____________ ___ )’ } f U ti H M SANTA MARIA - RS 1Ô79' ° ^ '~'c ; íi ü T I D ■ umsníacSo í ecníca * .. ligiè.......... . Título do original: Probability Methods for System Planing and Design Direitos para o Brasil reservados às Centrais Elétricas Brasileiras S.A. - ELETROBRÂS Av. Presidente Vargas, 6 ̂ 109 andar Rio de Janeiro - RJ Métodos probabilísticos para projeto e pla nejamento de sistemas elétricos. Trad. /de/ M. Ivòne Brenner. Santa Maria, Universidade Fe deral de Santa Maria, 1979. 167p. ilust. 23cm (Curso de Engenharia em Sistemas Elétricos de Potência - Série PTI, 10) Título original: "Probability Methods for System Planing and Design" 1. Eletricidade - geração. 2. Energia elé trica. I. Brenner, M. Ivone (trad.) II. Títu lo. 1979 F I C H A C A T A L O G R  F I C A R581m Ringlee, R. J. CDD 621.31 CDU 621.311 Obra publicada Com a colaboração do Fundo de Desenvolvimento Tecnológico da CENTRAIS ELÉTRICAS BRASILEIRAS S.A — ELETROBRÁS em Convênio com a UNIVERSIDADE FEDERAL DE SANTA MARIA — UFSM APRESENTAÇÃO Hã cerca de 10 anos vem a ELETROBRÂS patrocinan do a realização de Cursos na área de Sistemas Elétricos de Potência, visando o aperfeiçoamento de engenheiros eletricistas das Empresas do Setor de Energia Elétrica. Assim, cerca de 200 profissionais, nesse período, recebe ram formação a nível de Mestrado, tanto no exterior como no Brasil, em obediência a currículos estabelecidos pela ELETROBRÂS, tendo em vista as necessidades detectadas por seu pessoal especializado. Como resultado da experiência de realização des ses e de outros Cursos, por vezes contando com a partici pação de professores estrangeiros especialmente contrata dos para reforçar as equipes docentes nacionais, vêm sen do publicados livros especializados em regime de co- edição com Universidades, e à conta de Recursos do Fundo de Desenvolvimento Tecnológico da ELETROBRÂS. Ê constante a preocupação desta Empresa em apoiar as Instituições de Ensino Superior, razão pela qual, entre outras ações, têm sido sistematicamente oferecidas vagas a docentes universitários, sempre que grupos de en genheiros são enviados ao exterior para freqüência a cur sos especiais ainda não oferecidos regularmente no Brasil. Isso tem propiciado mais rápida resposta das Universidades no atèndimento de necessidades especiais no Setor de Ener gia Elétrica, inclusive pela imediata implantação de tais cursos no País, a mais baixo custo e possibilitando am pliar a faixa de atendimento de profissionais das Empre sas. Em uma dessas ações, a ELETROBRÂS contratou com o Power Technologies, Inc. - P.T.I., de Schenectady - USA, a ministraçãò de um curso especial em Sistemas Elétricos, e constante dos tópicos que se seguem: 1 - Análise de Sistemas Elétricos de Potência 2 - Teoria das Linhas de Transmissão 3 - Releamento - Características e Princípios Fundamentais de Operação dos Relês 4 - Coordenação de Isolamento 5 - Operação Econômica e Planejamento 6 - Dinâmica e Controle da Geração •7 - Dinâmica das Máquinas Elétricas 8 - Métodos Probabilísticos para Projeto e Planejamento de Sistemas Elétricos 9 - Economia das Empresas de Energia Elétrica Esses tópicos, na forma como foram inicialmente ministrados pela equipe do P.T.I., e posteriormente re produzidos por outros docentes brasileiros em diversas oportunidades, constituem, a nosso ver, uma fonte de in formações capaz de proporcionar uma formação equilibrada de profissionais de alto nível que se destinam às Empresas de Energia Elétrica e que delas precisem ter inicialmente boa visão técnica de conjunto. Posteriormente tais profis sionais poderão aprofundar seus estudos em tópicos especí ficos, conforme necessário às suas áreas de atuação. Foi, pois, com esta intenção que a ELETROBRAS de cidiu adquirir ao P.T.Í. os direitos de reprodução do Cur so, e contratou com a Universidade Federal de Santa Maria a tradução e edição do mesmo, visando sua distribuição às Empresas do Setor de Energia Elétrica e demais Institui ções de Ensino Superior que ministram cursos na área de Engenharia Elétrica. Estamos certos de que a divulgação desse material, agora em língua portuguêsa,atingirá apre ciável número de profissionais e estudantes universitários proporcionando-lhes um nível de aperfeiçoamento mínimo ho je desejável naquelas Empresas, e ao mesmo tempo consti tuindo-se em obra de referência para docentes especiali zados. Arnaldo Rodrigues Barbalho Presidente da ELETROBRÂS PREFACIO Raros são os livros publicados em português so bre Sistemas Elétricos de Potência. Isso fez com que os professores do Departamento de Engenharia e professores que atuam no Curso de Pós-Graduação em Engenharia Elétrica, da Universidade Federal de Santa Maria, aceitassem o desafio de realizar a estafante, porem, atraente tarefa de tradu ção, revisão e acompanhamento na impressão do Curso orga nizado por Power Technologies, Inc. - PTI, e cujos direi tos de reprodução foram adquiridos pela ELETROBRÂS. Foi muito valiosa, para a realização desta tare fa, a união e o espírito de equipe de um conjunto de pro fessores que, além de suas atividades docentes, administra tivas e de pesquisa, passaram a dedicar-se a mais essa im portante tarefa. É nosso dever deixarmos assinalados os nossos a- gradecimentos a todos os que contribuiram para a elaboração dessa obra. Destacamos a ajuda prestada pelo Diretor do Cen tro de Tecnologia, Prof. Gilberto Aquino Benetti, pelo Che fe do Departamento de Engenharia Elétrica, Prof. Wilson An- tonio Barin, pelo Coordenador do Convênio UFSM/ELETROBRÂS, Prof. Arlindo Rodrigues Mayer, como também pelo Professores Waldemar Correia Fuentes,Nilton Fabbrin,Norberto V.Oliveira e Maria Beatriz Bolzan de Moraes. Pela Companhia Estadual de Energia Elétrica-CEEE- tiveram participação destacada, nesta realização, o EngÇ Paulo Roberto Wilson, Coordenador do Convênio CEEE/UFSM , e os Engenheiros José Wagner Kaehler e Fritz Stemmer, todos eles Professores visitantes do CPGEE da UFSM. Nossos agradecimentos às Professoras Neuza Martins Carson e Celina Fleig Mayer e à Jornalista Veronice Lovato Rossato, pelos seus vários serviços de revisão. E à Profes sora June Magda Scharnberg e Carmem Silvia Taday pelo auxí lio na organização das fichas catalogrãficas. NoBsos agradecimentos, “também, áo datilografo U- byrajar$ Tajes e ao desenhista Dêlcio Bolzan. Aos Professores Ademir Carnevalli Guimarães e Hélio MOkarzel, da Esnola Federal de Engenharia de Itaju- bã, agradecemos a gentileza de nos terem enviado a tradu ção parcial de alguns dos volumes, os quais serviram como valiosas referênciasem nosso trabalho. Finalmente, ê nosso dever deixar registrado nossos agradecimentos à Centrais Elétricas Brasileiras S.A. - ELETROBRAs , por seu apoio e confiança em nós depo sitados. Derblay Galvão Reitor SUMÁRIO Capitulo 1 - Conceitos de probabilidade................ 1 Seção 1.0 - Introdução............................... 1 Seção 1.1 - Definições............................ .. 4 Experimentos , resultado, evento........ 5 Definições de probabilidade. ............ 5 Seção 1.2 - Eventos independentes e dependentes, e Conceitos de probabilidade condicional.. 11 Modelo de probàbilidade para curto- circuitos trifãsicos com aterramento. 12 Seção 1.3 - Variáveis aleatórias.................... 19 Seção 1.4 - Funções de distribuição................. 20 Seção 1.5 - Modelos de falha - funções de risco......23 Referências......................................... 26 Apêndice I - Interrupção por curto circuito trifási- co sem aterramento modelo Wilson-Harders 27 Apêndice II- Distribuições.......................... 32 Apêndice III- Representação grafica de probabilidade. 42 Gráfico de riscos................... 54 Fenômeno de ligações fracas........ 60 Suplemento do Apêndice III - Métodos probabilís- ticos para planejamento e delineamen- to. Distribuição de Weibull........... 63 Apêndice IV- Aplicação da distribuição normal ao i- solamento elétrico de espaços de ar.... 65 Capítulo 2 - Aplicações de confiabilidade e disponibili dade para sistemas de distribuição........ 71 Introdução.......................................... 71 0 processo de substituição (sistema reparável) i- dentificando o ciclo operação - falha --reparo - operação.............................................. 74 0 ciclo falha - reparo, tempo, disponibilidade.... 75 Componentes reparáveis em série............ 77 Componentes reparáveis em paralelo................. 81 Modelos para baixas simultâneas de componentes re dundantes............................................. 87 Efeitos de manutenção................................ 90 Falhas em cadeia..................................... 91 Efeitos de sobrecarga................................ 94 Falhas de ordem comuns............................... 99 Procedimentos de confiabilidade para subestações...100 Previsão da confiabilidade da subestação........... 105 A. Descrição do sistema físico................... 105 B. Critério de desempenho.........................107 C. Confiabilidade................................. 107 D. Análise de efeitos e tipos de falha.......... 107 E. Acumulação de efeitos de falha e resumo...... 110 Referências bibliográficas........................... 115 Apêndice I - Procedimentos para coleta de dados da baixa................................ 118 Apêndice II - Leis de confiabilidade para sistemas não reparáveis e modelos de tempos de falha....................................129 Confiabilidade de arranjos em sé rie...................................130 Confiabilidade de configuração em paralelo............................. 133 Capítulo 3 - Modelos de confiabilidade para planeja mento de fornecimento de potência......... 137 Seção 3.0 - Introdução............................... 137 Seção 3.1 - Conceitos de potência-carga............ 139 Seção 3.2 - Modelos de planejamento de capacidade de geração Seção 3.3 - Modelos de confiabilidade de suprimen to de potência de carga.................154 Extensões do modelo Calabrese.......154 Representação em redes.............. 158 Simulação.............................161 Referências........................................... 16 3 Apêndice I - Estimação de probabilidade de falha...166 CAPITULO CONCEITOS DE PROBABILIDADE Seção 1.0 - INTRODUÇÃO Os termos chance, escolha, probabilidade, sorte , risco e incerteza têm um uso tão comum que freqüentemente torna-se difícil atribuir a eles uma definição precisa , es sencial ao desenvolvimento de uma teoria de probabilidade . 0 chavão "incertezas da vida" ê de tal modo comum, e o tema incerteza ê coberto em tal extensão, que é difícil encontrar um texto, romance ou outro tipo de trabalho que não trate de uma maneira intuitiva, lógica ou aritmética, de probabili dade . Consideremos as opções trágicas de Hamlet, como ex pressas em seu monólogo. Reflitamos sobre a maneira como Robert Frost en carou a escolha em seu poema "The Road Not Taken"^. Ele to mou o "one less travelled by and that has made all the dif- ference". Como poderiamos considerar as"escolhas humanas" , senão como "riscos calculados"? Isto não quer sugerir que o comportamento humano segue naturalmente escolhas baseadas na determinação racio nal das probabilidades dos diversos resultados. Considere - mos o extraordinário sucesso atribuído ao "State of New Jer- sey Lottery". Os participantes de uma loteria não parecem estar baseados em uma restituição esperada mas, antes,em u- ma oportunidade de restituição sumamente esperada! E consideremos a tese dos psiquiatras Eric Berne e Thomas A. Harris de que a capacidade de uma pessoa convi ver com a incerteza depende do desenvolvimento de seu lado "adulto". Como uma premissa no desenvolvimento interpessoal, "Análise Transacional", Berne e Harris atribuem as respos tas das pessoas aos estímulos emocionais,em termos de três estados psicológicos: os "pais, a "criança" e o "adulto". 2Harris atribui o desenvolvimento da faculdade de estimar probabilidades ao crescimento do "adulto" dentro da personalidade. O desenvolvimento processa-se lentamente na criança pequena e "para muitos de nós ê difícil ele nos al cançar através da vida". Harris usa o termo "probabilida - des não examinadas" e assinala que esta deve ser a base de muitos de nossos fracassos. Nós nos perguntamos se talvez ele estaria se referindo a resultados não examinados dentro da terminologia a ser desenvolvida neste capítulo. Em uma nota mais afirmativa ele esclarece que a capacidade de estimação de probabilidade pode ser ampliada por esforço deliberado,e aumenta sua eficiência através do uso e treinamento. "Se o Adulto está atento para a possibi lidade de erro, através da estimação de probabilidades, ele pode também planejar soluções para refutar as dificuldades, se e quando estas aparecem". Estes são aspectos subjetivos de probabilidade; será neces sário definir probabilidade mais precisamente, se usarmos métodos quantitativos para formular predições probabilísti- cas. Como um aspecto a considerar no desenvolvimento de um "background probabilístico", será necessário fazer uma dis - tinção entre fenômeno observável e um modelo matemático pa ra descrever o fenômeno. Modelos matemáticos, quer determinísticos ou pro babilísticos, devem, por necessidade, simplificar o fenôme no a ser representado. Como observa Neyman,o sucesso do mo delo depende de aqueles detalhes ignorados serem realmente sem importância. A precisão da solução matemática ê necessã ria, mas, certamente, não pode garantir uma concordância do modelo com os dados observados. Ele então observa as exigên cias fundamentais para reduzir um número de conseqtlências com o modelo, e para comparar os resultados previstos com observações^. L. Hogben, no início de seu trabalho "Chance and 4Choise by Cardpack and Chessboard" , faz uma advertência,to davia. Ele notou, com certo espanto, o estado lamentável do conhecimento de procedimentos estatísticos entre pesquisado res. Hogben considera de interesse a necessidade da criação de padrões para analisar modelos probabilísticos comparáveis aos padrões disponíveis no domínio físico. Ele citou a controvérsia a respeito da função do Teorema de Bayes, que deveria combinar subjetivamente in formações apriorísticas com observações experimentais, para chegar a um julgamento correto "a respeito do mundo em que vivemos". Neymann e Hogben descrevem bem o dilema que se a- presenta ao engenheiro e ao cientista: encontrar meios con vincentes para provar a adequação dos modelos e das conclu sões obtidas,quando tratando com processos que envolvem a 5incerteza. Papoulis apresenta a solução mais direta para es ta dificuldade, no primeiro capítulo de seu livro "Probabi- lity Random Variables and Stochastic Processes" e, no de correr do texto, apresenta uma interpretação filosófica de probabilidade. Papoulis observa que as teorias científicas ocu- pam-se com conceitos, nunca com realidade. Resultados teó ricos são deduzidos a partir de certos axiomas; os resulta dos correspondem, de maneira conveniente mas aproximada, ao mundo real. Ele observa, além disso, que a justificativa fí sica para todas as conclusões teóricas ê baseada em alguma forma de raciocínio indutivo. Ele faz,então, uma observação interessante a res peito da aceitação, por parte do estudante, da separação en tre o mundo conceituai (modelo) e o mundo físico ao qual de nominou o "assim chamado fenômeno determinístico", e da re lutância para aceitar descrições probabilísticas "necessá rias apenas por causa de nossa ignorância". Esta visão de- terminística ou a crença, enfim, num universo determinísti co deve ser reconhecida como uma carga metafísica que nos foi transferida por nossos antepassados. Como observa Papoulis, "este profundo cepticismo, arraigado na validade de resul tados probabilísticos, pode ser dominado apenas por uma in terpretação apropriada do significado de probabilidade".Ele frisa que probabilidade é também uma ciência dedutiva e de ve ser desenvolvida axiomaticamente. Desta maneira,uma cla ra distinção deve ser delineada entre o modelo teórico e o processo real a ser estudado. Assim, de Neymann, Hogben e Papoulis vem a clara advertência para introduzir os aspectos lógicos e axiomãti- cos em primeiro lugar, para após estabelecer uma distinção nítida entre o modelo teórico e o processo real. Esta dis - cussão seguirá suas recomendações, de modo que as definições necessárias ao estabelecimento dos axiomas da teoria da pro babilidade serão introduzidos antes. Um pequeno parêntesis será aberto para possibilitar uma compreensão histórica, a- través da introdução de quatro definições cronológicas de probabilidade. Seção 1.1 - Definições A teoria da probabilidade ocupa-se com valores mé dios de fenômenos de massa, os quais podem ocorrer tanto se- qüencialmente, quanto simultaneamente. Como um ponto de par tida lógico, são oferecidas definições dos termos experimen to, resultado e evento. Experimento, Resultado, Evento Em primeiro lugar, um experimento ê definido como uma operação levada a efeito sob condições controladas,a fim de testar ou estabelecer uma hipótese. O experimento pode ser físico ou conceituai. Um experimento bem definido ê a- quele onde o controle e os resultados possíveis podem ser definidos explícita e exclusivamente. Um resultado ê umacon- seqüência particular de um experimento. Apesar do conjunto de resultados possíveis ser conhecido antes, o resultado de um dado experimento ê conhecido apenas probabilisticamente. 0 resultado de um experimento pode ser um elemento de um con junto finito, tal como o número de falhas num teste de iso lamento por onda completa em um "BIL" padrão de 100 trans formadores iguais e com as mesmas especificações:0,1,2 — 100. Para outro experimento, o resultado pode ser descrito como um elemento de um conjunto infinito, como a precipitação anu al de chuvas num determinado ponto (um numero real maior que zero). Um evento é definido como um conjunto de resultados possuindo propriedades comuns. Então, o evento "chuvas aci ma do normal" inclui todos os resultados,para os quais apre cipitação anual estã acima da média. Similarmente, o even to "razão de teste de falhas insatisfatória" pode ser defi nido em termos da razão de teste de falha de 100 transfor - madores que excedem a uma determinada especificação. Definições de Probabilidade Vamos agora retornar às quatro definições do termo probabilidade. Provavelmente, a primeira que se encontra é probabilidade como uma medida de opinião (raciocínio induti_ vo). Alguns autores se referem a esta interpretação como a interpretação "personàlística" ou subjetiva. Circunstâncias e evidências são medidas em termos de nossa referência pessoal ou experiência. Julgamos certas proposições como verdadeiras ou falsas, aceitáveis ou ina ceitáveis, baseados em nossa avaliação da evidência, conhe cendo muito bem a futilidade de tentar sempre estabelecer u- ma proposição com absoluta certeza e, além disso, reconhe - cendo que o evento a ser julgado não pode ser reproduzido , como observa Robert Frost em suas reflexões. Não podemos pro testar contra a definição subjetiva de probabilidade.Até em trabalhos de Engenharia acontece freqüentemente de o julga mento de alguém ser o único ponto prático do qual se parte para definir um experimento, a fim de avaliarmos uma pro posição. É da responsabilidade do engenheiro que organiza o experimento assegurar que, â medida que aumentam as evidên cias experimentais, o desenvolvimento "apriori" ou subjeti vo da informação tenha, progressivamente, menor influência nas conclusões finais (aposteriori). Retornemos agora às três definições aritméticas ou quantitativas de probabilidade. A primeira, ou definição Clãs sica , foi apresentada por Pascal, no Século XVII, e foi de duzida a partir de jogos de azar. É uma definição apriori; a relação entre o número de alternativas favoráveis e o núme ro total de alternativas. De acordo com esta definição, a probabilidade P(A) de um evento A ê encontrada enumerando- -se o número total, N, de resultados possíveis, ou alterna tivas do experimento. Se o evento A ocorrer em NA destes re sultados, então, P(A) ê dada pela razão NA/N, como mostra a Equação 1.100. P(A) = Na/N (1.100) Considerando uma moeda não viciada e um método não viciado de lançamento, a probabilidade de obtermos "cara", em uma única jogada é a relação entre os resultados favorá veis e o número total de resultados possíveis (cara ou co roa) ; então, a probabilidade apriori de se obter "cara" é 1/2. Observemos que, para o experimento de jogar uma moeda, dois resultados formam o universo. O evento universal, prevemos com confiança, ocor rera em cada repetição. Isto é, cada vez que a moeda ê lan çada, o evento universal (observação de "cara" ou "coroa") é observado. Podemos ver limitações na definição clássica;o uso de uma probabilidade apriori requer a explanação de como a- contece o evento. Porque o resultado "cara" é igualmente provável como "coroa"? Podemos confiar no jogador ou em sua moeda? Como se poderia provar que ela é honesta? Isto nos le va à segunda definição, que é a da freqüência relativa, de vida a VonMises. Sob esta definição, o experimento conside rado é repetido n vezes. Se o evento A ocorre nA vezes, en tão, sua probabilidade P(A) é definida como o limite da fre qüência relativa nA/n da ocorrência de A. Equação (1.101). A definição de freqüência relativa é a conseqüência natural da insatisfação, com a definição clássica e o prolongamen to da teoria da probabilidade, para incluir uma base experi mental. P(A) = Lim (nA/n) (1.101) n -*■ «• Consideremos o seguinte exemplo, de um levantamen to realizado recentemente pelo Edison Electric Institute pa ra o New Brunswick Electric Power Commission. O estudo en volveu a duração de interrupções de energia forçadas em ge radores de turbina'de caldeiras com 10 anos ou menos,na ca tegoria de 100 a 199 MW. Os dados para as 61 unidades obser vadas estão representados na Tabela I . A primeira coluna da Tabela I apresenta os limites de variação de duração das interrupções classificadas para este estudo. Dado que a du ração das interrupções, pelo menos teoricamente, ê um núme ro real maior que zero, e , na prática, ê um número real mai or que zero e menor que 10 anos, neste caso, os limites de cada classe de interrupção podem ser considerados como de finindo eventos. Isto é, todas as observações corresponden tes a interrupções,dentro dos limites de 1 minuto atê 23 horas e 59 minutos, são situadas na primeira classe de du ração. Notemos que, na segunda coluna, estão anotadas 506 observações deste evento particular, para um total de 881 observações para todos os eventos. A freqüência relativa das observações, anotada na primeira coluna, lista as relações entre o número de observações relativas a um evento particu lar e o número total de observações. Interrupções de 23 ho ras e 59 minutos, ou menos, acontecem em aproximadamente 57% das observações. A duração média de interrupção, em ca da categoria-evento, está representada na quarta coluna.En tão, as 506 interrupções, cuja duração foi de 23 horas e 59 minutos, ou menos, tem um média de 8,87 horas de duração. Para todas as observações, a média foi de 50,77 horas. En tão, os dados da Tabela I, pela definição de probabilidade por freqüência relativa, fornecem um estimador da probabili dade de que um valor de interrupção, selecionado ao acaso , esteja dentro de um limite de duração especificado. TABELA I DURAÇÃO DE INTERRUPÇÕES OBSERVADAS EM 61 GERADORES DE 10 ANOS OU MENOS Classes de du ração de inter- rupções-hora Numero de Observações Por unidade do Total de Observações Duração Média - Horas 0-23,99 506 0,574347 8,87 24-47,99 220 0,249716 32,75 48-167,99 122 0,138479 64,62 168-671,99 20 0,022701 292,3 672-1343,99 5 0,005675 834,4 1344-2687,99 7 0,007945 1675 2688 ou mais 1 0,001135 3406 TOTAL 881 1.0 50,77 A definição de freqüência relativa supõe que,à me dida que o experimento é repetido ou, neste caso, o número de observações aumenta sem limites, a razão entre os núme ros observados e o número total de observações aproxima-se de valores estacionários. O grau de. confiabilidade que se tem em um estimador então depende apenas do número de obser vações e da suposição de que o processo fundamental da ocor rência de interrupções forçadas é estacionário ou invariá vel com o tempo. (Nenhum efeito por envelhecimento, por e- xemplo). Podemos considerar 881 observações como uma rela tivamente grande massa de dados, mas não estamos tão certos de que uma observação na classe de duração maior que 2688 horas seja uma boa amostra sobre a qual vamos basear uma probabilidade de ocorrência, nem defendemos a coleta de da dos em unidades de idade de 0 a 10 anos. Uma questão inte ressante, a ser considerada posteriormente, ê uma determi nação da confiança com que podemos aceitar uma razão parti cular e um estimador dos limites quantitativos subentendi - dos por tal razão. Apresentamos brevemente as objeções teóricas e prá ticas levantadas a respeito da clássica "definição apriori" e da definição segundo a freqüência relativa de probabili - dade. Ambas são fundamentadas em dificuldades teóricas. Fe lizmente, estas dificuldades teóricas foram resolvidas pela definição axiomática, apresentada por Kolomgoroff em 1933. Através do uso da teoria da medida, Kolomgoroff de senvolveu uma base matemática, a partir da qual, dedutiva - mente, formou uma teoria de probabilidade. A definição axi-* omática de Kolomgoroff de probabilidade é baseada em três postulados: Postulado 1: A probabilidade do evento A, P(A), é po sitiva; P (A) £0. Postulado 2: A probabilidade do evento certo,S,é P(S) = 1. Aqui, S é o universo de eventos ou resultados. Postulado 3: Se os eventos A e B são mutuamente exclu sivos, AB = 0, conjunto vazio, a probabi lidade de A ou B ê igual à probabilidade de A + probabilidade de B. P {A + B} = P {A} + P {B} Baseado nestes três postulados, Kolomgoroff esta va habilitado para construir a base de uma teoria completa de probabilidade. Todavia, ê necessário uma ponte para omun do real de experimentos e observações. A definição de fre- qüência relativa abre este caminho. Ao considerar a aplicação da teoria de probabilidade a problemas de Engenharia, Papoulis sugere três etapas bá sicas nesta aplicação; chamamos a atenção para a página 4 da referência 5. ETAPA 1 . Estimar as probabilidades P(A) de eventos A, por meios experimentais (freqüência relativa), ou usando a definição clássica de resultados igualmente prováveis, como a hipótese de tra balho. ETAPA 2. Utilizando os axiomas da teoria de probabili dade e os métodos de dedução, determinar as probabilidades P(B) de eventos B, a partir das informações assumidas sobre P(A) de eventos A. ETAPA 3. Estabelecer uma previsão baseada nas proba bilidades P (B) . Papoulis observa que a teoria da probabilidade é aplicada na segunda etapa e que as etapas 1 e 3 conservam - -se no campo da investigação estatística. Resultados de in vestigações estatísticas são apresentados em termos de pro babilidades; um aspecto característico essencial de inves - tigações científicas ê que o delineamento do experimento é dirigido de maneira a testar uma hipótese, cuja probabilida de de um resultado, baseado no modelo determinado na etapa 1, é apenas uma. Seção 1.2 - Eventos Independentes e Dependentes, e Concei- tos de Probabilidade Condicional Os termos independência, dependência e probabili - dade condicional fornecem meios para descrever as formas pe las quais certos eventos podem ser relacionados. Por exem plo, suponhamos que a observação de um evento particular A^ forneça informações que afetem a determinação da probabili dade de ocorrência de um segundo evento . A probabilidade de observação de A 2 é, então, dependente da observação do evento A^. Se a observação de A^ não afeta a determinação da probabilidade de observação de A£/ então, os eventos A^ e A 2 são ditos independentes. 0 termo probabilidade condicio nal ê empregado para definir a probabilidade de observar o segundo evento, dado que o primeiro foi observado. Uma ma neira matemática de definir probabilidade condicional ê a- presentada nesta seção. Para ilustrar os conceitos de eventos independente^ consideremos o comportamento de um interruptor, em um dis juntor. A capacidade de um interruptor de resistir à tensão de recuperação transitória, durante o processo de interrup ção, ê um processo complexo e poderiamos suspeitar da exis tência de vários resultados para um experimento de interrup ção de uma dada corrente de falta para uma tensão especifi cada. Vamos seguir a orientação de Wilson e Harders^,segun do o qual dois eventos são escolhidos para representar to dos os resultados possíveis de um experimento envolvendo in terrupção. Suponhamos que as condições do experimento sejam mantidas a um nível de corrente de curto e a uma dada ten são. Os dois eventos são em operação e em falha. Isto ê,uma falha ê carregada, se ocorre uma realimentação em qualquer ponto da onda de tensão transitória. Wilson e Harders consideraram dois casos de opera ção de abertura. Eles compararam um curto trifãsico com a- terramento e um curto trifãsico sem aterramento, um trabalho de abertura. Modelo de Probabilidade para Curto-Circuitos Trifásicos com Aterramento Para o caso de curto-circuito trifãsico, Wilson e Harders observam que, a fim de que o disjuntor interrompa o curto ê necessário que os interruptores, em todas as três fases, interrompam a corrente de curto. Cada fase estã su jeita a uma tensão de restabelecimento, determinada pela que da de tensão entre fase e neutro do sistema. Eles afirmam, além disso, que a probabilidade de que uma fase seja inter rompida por uma dada corrente de curto-circuito e tensão de recuperação é uma constante e que o sucesso da interrupção em uma fase não ê dependente do sucesso ou falha dos inter ruptores nas outras fases. Consideremos o circuito e a ta bela apresentados na Figura 1, mostrando a situação nas três fases e os eventos correspondentes à interpretação em cada fase. Designemos a probabilidade de falha de um interruptor por P. O evento complementar, ou sucesso, abrange todos os resultados, nos quais o interruptor cumpre sua finalidade.A probabilidade de sucesso é, então, 1-P, dado que o sucesso e falha são eventos mutuamenteexclusivos, de acordo comnos- sa definição. Consideremos agora o evento composto de sucesso no teste do disjuntor, nas três fases. A fim de que o disjuntor atue, é necessário que todas as três fases sejam interrompí das. Consideremos o numero de sucessos e falhas que podem ocorrer em relação ao disjuntor, dado que a interrupção de ca da fase ê independente das outras. A tabela ao lado da Figu ra lista oito eventos, mutuamente exclusivos, de um teste de falha. Dos oito eventos listados, apenas o de numero 1 responde satisfatoriamente ao teste; os eventos de 2 atê 8 significam falha do teste. Para o teste trifãsico, temos os oito eventos, em termos de interrupção nas três fases,cias- sifiçados em sucesso e falha. O "evento sucesso" inclui a- penas o evento 1, enquanto que o "evento falha" inclui os eventos de 2 a 8. O efeito de cada um dos oito eventos de interrupção estã listado na coluna "Efeito". A coluna deno minada "Probabilidade" lista a probabilidade de ocorrência conjunta dos eventos específicos da fase A, fase Be fase C. Por exemplo, a probabilidade do evento 1 ê a probabilidade da ocorrência conjunta de sucesso nas fases A, B e C.A pro babilidade deste evento ê a probabilidade de sucesso na fa se A, multiplicada pela probabilidade de sucesso na fase B3e multiplicada pela probabilidade de sucesso na fase C, (1-P). Não provamos esta afirmação e ê nossa intenção apresentar, breve mente, uma demonstração mais convincente. Vamos oferecer u- ma observação para aumentar a segurança do leitor.Reparemos que os oito eventos são mutuamente exclusivos. Então, pela definição axiomãtica de probabilidades, a probabilidade dos eventos 1, 2, 3 e 4 é a soma das probabilidades dos eventos separados. Observemos que o evento,que inclui os eventos de 1 a 4 da tabela, inclui todas as combinações possíveis en tre sucesso na fase A e sucesso ou falha nas fases B e C.Se somarmos as quatro probabilidades dos eventos 1 a 4, serã muito fácil mostrar que o resultado ê exatamente 1-P,a pro babilidade de sucesso na fase A, como na tabela seguinte.Na notação usada abaixo da tabela, os "+" significam a ocorrên cia de qualquer evento, l,ou 2, ou 3, ou- 4. Interruptor a Falha P Sucesso i-p Interruptor b P i-p Interruptor c P i-p ////#/// Figura 1 EVENTOS DE UM TESTE DE FALHA NO CASO TRIFÂSICO Evento Fase A Fase B Fase C Efeito Probabilidade 1 sucesso sucesso sucesso sucesso (1-P)3 2 sucesso sucesso falha falha P(l-P)2 3 sucesso falha sucesso falha P(l-P)2 4 sucesso falha falha falha P2 (l-P) 5 falha sucesso sucesso falha P(l-P)2 6 falha sucesso falha falha P2 (l-P) 7 falha falha sucesso falha P2 (l-P) 8 falha falha falha falha P3 P {1+2+3+4 }= P{1}+ P{2}+ Pf3}+ P[4} =(1-P)3+ 2P (1-P)2 + P2(l-P) =(1-P)|(1-P)2 + 2P(1-P) + P2 =(1-P) Então, a regra do produto, para a probabilidade con junta de ocorrência de eventos independentes, foi esclare cida para o caso trifásico de falha. Para dar ênfase, vamos colocar a regra em palavras e em notação formal. A probabi lidade da ocorrência conjunta de dois eventos independentes A e B, AB, ê igual ao produto da probabilidade de ocorrên cia do evento A, P {A>, e a probabilidade de ocorrência do evento B, P {B}: P{ AB} = P {A}. P {B} (1.200) dados A e B independentes. Suponhamos que a probabilidade de falha de um in terruptor, a uma corrente de curto específica, em uma linha calculada para a tensão de recuperação, seja: P = 0,00033 A probabilidade de operação bem sucedida de um disjuntor,pa ra interromper um circuito trifãsico aterrado, seria P {"Sucesso"} = (1-P)1 2 3 4 = 0,9990103 P {" Falha "} = 1 - (1-P)3 = 0,0009897 Um resumo do modelo de probabilidade de Wilson-Har áers, para um circuito trifãsico sem aterramento, está no Apêndice I . O modelo de disjuntor trifãsico foi selecionado pa ra exemplificar a aplicação dos conceitos de independência. A suposição de independência da operação de interruptores , num disjuntor trifãsico a óleo com os três interruptores lo calizados em tanques separados, ê razoável desde que elimi nemos fatores comuns ou iterativos, tais como: 1. Falha na abertura do disjuntor (elétrica ou mecâni ca) ; 2. Erros de teste ou de manutenção impedindo o funcio namento de todos os três interruptores; 3. Erros de projeto ou de fabricação afetando todos os interruptores; 4. Eventos catastróficos comuns, tanto internos como externos, em relação ao tanque, os quais poderiam interagir e afetar o desempenho dos outros interrup tores, tais como fogo ou explosão. Independência não pode ser tomada como certa. Mui tos processos envolvem fenômenos fortemente correlacionados ou dependentes. Consideremos a distribuição simultânea de cargas em uma rede e a disponibilidade de fontes de ãgua de um mes para o outro. Ambos os exemplos ilustram fenômenos fortemente correlacionados. A probabilidade de uma dada va zão, entre determinados limites, estã condicionada a uma da da variação da vazão nos meses passados. O termo probabilidade condicional ê usado para des crever a dependência da probabilidade de observar (ocorrên cia de ) um evento secundário, A2, dado que o evento primá rio, A f o i observado. A probabilidade condicional de A2/ dado (ou assumindo) que A foi observado (ocorreu), ê defi-1nida como: P {A2 |Al> = P p*1^ (1.201) A Equação(1.201)apresenta a maneira de se determi nar a probabilidade total do evento B, em termos da proba bilidade condicional de B, dado o conjunto íA^|j = l,n},on de Aj ê um dos eventos do conjunto de eventos mutuamente ex clusivos, cuja soma abrange todas as possibilidades (evento certo): P ÍB} = Z P {B|Aj} P {Aj} (Teorema da Pro- ̂ babilidade Total) Se em n experimentos, o evento A^ ê observado em n1 resultados, o evento A 2 em n2 resultados, e os eventos A^ e A2 observados simultaneamente n ^ vezes, a definição de probabilidade condicional de A2, baseada na freqüência re lativa, ê: P(A2 |A1) = Lim n12/n n^/n n (1.202) Exemplo: A média de descarga mensal, nos meses de dezembro e janeiro, no ponto compacto perto de Lees Ferry, Arizona, tem as seguintes características para o período de 37 anos, de 1914 a 1950: Dezembro - fluxo mensal em 37 anos: 5956 cfs; Janeiro - fluxo mensal em 37 anos: 5292 cfs A^: Fluxo de dezembro menor que 5000 cfs. n^ = 7 A2? Fluxo de janeiro menor que 4500 cfs. ^ = 9 Nota: 5000 cfs e 4500 cfs são aproximadamente 84% do desvio padrão abaixo dos valores médios de dezembro e janeiro. Aj^: Número de casos em que o fluxo de dezembro é me nor que 5000 cfs e o de janeiro menor que 4500 cfs n12 = 7 P {A^} = 7/37 = 19% (estimador) P {A2> = 9/37 = 24% (estimador) P {a 2 | A ^ = 7757 = 1 (estimador) A^: Fluxo de dezembro menor que 4800 cfs: n^ = 7(1 des vio padrão abaixo da média) A ^ : Fluxo de janeiro menor que 4360 cfs: N^ = 7 (1 des vio padrão abaixo da média) A ^ : Número de casos em que o fluxo de dezembro ê me nor que 4800 cfs e o fluxo de janeiro é menor que 4360 n34 = 5 Ê {A3} = 7/37 (estimador) P (A4) = 7/37 (estimador) P {A4 |A3> = Tyjy = 5/7 (estimador) Embora 37 anos seja uma amostra pequena, ela é su ficientemente grande para indicar que os fluxos de dezembro e janeiro são correlacionados. Voltando â expressão de probabilidade condicional, consideremos o significado de independência dos eventos A^ e A 3: Se o evento A2 ocorre independentemente da ocorrência ou não do evento A^, então: P {A2| = P {A^ Da mesma maneira, se a ocorrência de A^ ê indepen dente da ocorrência de A 2, então: P {A1 |A2} = P {A1} Sob a hipõtesê de independência, então, a Equação (1.201)to ma a forma: P {A2 |A1> = P {A2> = P { A ^ } /P {A ou P ( A ^ J = P {A1} P{A2J (1.203) se os eventos A-̂ e A2 ocorrem independentemente. Exemplo: Unidades de geração em serviço de carga; seja P^ a probabilidade do gerador n9 1 em baixa forçada(is to ê, não disponível), então, a probabilidade de que a uni dade esteja disponível é 1-P^. Seja a seguinte tabela representando a capacidade possível paracada um dos dois geradores: Disponível Não Disponível Gerador N9 Probabilidade Capacidade Probabilidade Capacidade 1 0,94 300 0,06 0 2 0,93 400 0,07 0 Consideremos que os eventos capacidade dos dois ge radores ocorrem independentemente. Podemos descrever a capa cidade conjunta das duas máquinas como: Probabilidade Gerador 1 Gerador 2 Evento Capacidade do Evento MW Lig. (300) Lig. (400) 700 0,94x0,93 = 0,8742 Lig. (300) Desl. (0) 300 0,94x0,07 = 0,0658 Desl. (0) Lig. (400) 400 0,06x0,93 = 0,0558 Desl. (0) Desl. (0) 0 0,06x0,07 = 0,0042 Seção 1.3 - Variáveis Aleatórias Dado um experimento, E, com resultados a^, a^ --- ai---an , agora determinamos, por meio de alguma regra, o numero X(a) como uma função de resultado. Exemplo: Na Tabela I, cada resultado determina um número i- gual â duração da baixa em horas. Os resultados foram agru pados em sete eventos. 0 primeiro evento, A^, contém todos os resultados no intervalo. A^: 0 <X(a) < 23,99 horas O sétimo evento, A^, contêm todos os resultados iguais ou maiores que 2688 horas. Ay : 2688< X(a) Uma variável aleatória será associada a um experi mento especifico. Variáveis aleatórias podem ser números re ais ou complexos, ou podem ser caracteres distintos,os quais podem ser associados, um a um, aos resultados do experimen to dado. Variáveis aleatórias reais são funções reais, cujo domínio ê o conjunto dos números reais, de tal modo que o conjunto dos resultados (X(a) < X} é um evento para qual quer número real X, e para o qual a ocorrência do evento {X(a)< - oo} é impossível e o evento {X(a)< <»} é certo. Observemos que, para o experimento de duração da baixa, a duração ê uma variável aleatória com valores nega tivos impossíveis: P {X(a)< 0} = 0 e o evento de se observar a duração de uma baixa maior que a idade das unidades geradoras ou dez anos ê da mesma forma impossível: P (X(a) > 87660 horas} = 0 No modelo da capacidade do gerador, poderiamos as sociar a capacidade instantânea disponível a uma variável a- leatória. Para este exemplo, as capacidades menores que ze ro, ou maiores que a potência máxima da unidade geradora,são impossíveis: P{ X (a) < 0} = 0 P{X(a) > Maior Potência Nominal} = 0 Seção 1.4 - Funções de Distribuição A Função de Distribuição, F(X) ê definida como a probabilidade de ocorrência do evento ÍX(a) < x}. F (X) = P{X (a) < X} (1.400) Exemplo: A função de distribuição para o modelo da capaci dade instantânea para o gerador 2, no último exemplo,na Se ção 2, ê dada a seguir: 0: X< 0 F(X) =< 0,07: 0 < X <400 (1.401) 1,0: 400 <X A F(X), dada em (1.401), está representada graficamente na Figura 1.41-A, onde X é a capacidade disponível 10 MW. P ro ba bi lid ad e A P ro ba bi lid ad e 1,0 0,5 Função de distribuição do Gerador de 4 0 0 MW 0 - I 0 ÍÕÕ 205 3ÕÕ 405 e-oo■o *25o.oo t -CLa>•o 4)*oO■O’ <7> c & Função densidade de probabilidade do Gerador de 400MW 0 ,9 3 ,0,07 0 100 200 300 400 Capacidade — MW Capacidade — MW Figura - A Figura — B EVENTOS CONJUNTOS DAS UNIDADES DE 3 0 0 MW E 4 0 0 MW 1.0 0,5 Função distribuição J - T 0,0042 0 200 400 600 800 Função densidade de probabilidade 0,8742 0,0658 f t 0,0558 0 200 400 600 800 Figura - C Figura - D Figura 1.41 Funções de Distribuição para Modelos de Gerador Exemplo: A função de distribuição para a capacidade conjun ta no modelo de capacidade instantânea para os geradores 1 e 2, no exemplo anterior, Seção 2, é dada a seguir: 0: X< 0 0,0042: 0 < X< 300 F (X) =< 0,07: 300 < X < 400 0,1258: 400 < X< 700 1,000: 700 < X (1.402) A F(X) está representada na Figura 1.41 C. A função densidade de probabilidade, f.d.p., é a derivada da Função de Distribuição, em relação ao seu argu mento : fdp(X) = (1.403) desde que, evidentemente, esta derivada exista. Um proble ma aparecerá imediatamente se aplicarmos 1.403 à Função de Distribuição dada em 1.402 e 1.401. Para resolver o proble ma de descontinuidade na Função de Distribuição , as quais são sempre encontradas em modelos de estado discreto, usa mos a notação de "mass point" para a representação do im pulso que resulta em cada descontinuidade na Função de Dis tribuição : MP(X) = Lim [f (X + e) - F(X - e)] (1.404) e -»■ 0 Nas proximidades da descontinuidade, a função den sidade de probabilidade torna-se indefinida, mas pode ser substituída por MP(X) ô (x-X), onde ô(x-X) é a função de im pulso. Os gráficos das funções densidade de probabilidade de 1.401 e 1.402 estão nas Figuras 1.41 B e 1.41 D, respectiva mente . Seção 1.5 - Modelos de Falha - Funções de Risco Extremamente importante no estudo de falhas é o mo delo de Poisson. Como aplicado aqui, o modelo é usado para descrever a probabilidade de sobrevivência de um componente ou equipamento. Consideremos que a chance de falha deumocm- ponente, a um dado instante, é uma função do tempo, h(t). Consideremos ainda que, em um pequeno intervalo, At, o ris co de falha ê proporcional a h(t)At, isto é, uma razão de risco ou falha vezes tempo. P{ não sobrevivência | sobrevivência até t} = h(t)At (1.500) Então, P{sobrevivência atê t+At|Sobrevivência até t} = l-h(t)At (1.501) Seja a probabilidade de sobrevivência de t até t P(t, tQ) onde p tQ )=1, dado que o componente ê conside - rado em operação, no instante t . Então, a probabilidade de sobrevivência de t até t+At é dada por P(t + At,t ) = P(t,t ) (l-h(t)At) (1.502) = P{sobrevivência atê t}p{sobrevivência atê t+At|sobrevivência atê t} Rearranjando 1.501 e supondo P(t,t )>0 P(t + At,t0 ) - P(t,tQ) PTtTtg = - h(t) At (1.503) Calculando o limite para At, tornando-se arbitrariamente pe queno Lim dP(t,tQ ) PTtTt^T At •+ dt -h (t)dt (1.504) Integrando 1.504, para o intervalo de t e t1 ? p(t ,t ) r i ln -p7. . "i = - \ h(t)dt (1.505) o ' V O °u rt -\ 1 h (t) dt P(tl ,to) = e ° (1.506) Jã que p ^ , ^ ) = i A Equação 1.506 conduz à familiar curva de sobre vivência. Um exemplo da curva para um transformador de dis-„ 7tribuiçao esta na Figura 1.51 . Os termos "razão de falha" e "razão de risco" são usados por vários autores para indicar a razão na qual as fa lhas ocorrem. Então, uma razão de falha de 3,3% ao ano, pa ra um equipamento de 30 anos de idade, na Figura 1.51,apli ca-se ao número de equipamento sobrevivente com idade de 30 anos que falha durante o 309 ano de idade. A curva de "Fa lhas Anuais", mostrada na Figura 1.51, indica a porcentagem do equipamento original que falha durante os 30 anos. P er ce nt ag em ^ ̂ Pe rc en ta ge m Curva de Sobrevivência para uma Amostra de Transformadores de Distribuição Figura 1.51 REFERÊNCIAS 1. Collected Poems os Fobert Frost, Halcyon House, Garden City, N.Y. 1942. 2. Thomas A. Harris, "I'm OK You're OK", Harper and Row Pu- blishers, New York, 1969, pg. 33. 3. J. Neyman, "University of Califórnia Publications in Sta- tistics", Vol. I, University of Califórnia Press, 1954. 4. Lancelot Hogben, "Chance and Choise by Cardpack and Chess board", Chanticleer Press, New York, 1950. 5. A. Papoulis, "Probability Random Variables and Stochas- tic Processes", McGraw Hill Book Co., 1965. 6. W.W. Wilson and C. F. Harders, "Improved Reliability from Statistical Redundency of Three-Phase Operation of High Voltage Circuit Breakers", IEEE Transactions Paper 70TP590, 1970 Summer Power Meeting. 7. H. E. Campbell, R.J. Ringlee, A. J. Wood, J.A. Smith, "Relationship Between Failure Rate, Average Life and E- conomic Life of Distribution Equipment", Procedimentos da Conferência Americana de Potência, Abril 23, 1969. APÊNDICE I INTERRUPÇÃO POR CüRTO TRIFÃSICO SEM ATERRAMENTO MODELO WILSON-HARDERS A função de um disjuntor, para interrupção de uma falta trifãsica sem aterramento, é notadamente diferente da função destinada à interrupção de uma falta trifãsica com a terramento. Como observado na Seção 1.2, os interruptores em todos os três pólos devem atuar satisfatoriamente a umaten são de fase de 1,0 pu, com uma falta trifãsicacom aterra - mento. Quando um disjuntor deve interromper uma falta tri fãsica sem aterramento, a primeira fase a ser interrompida "verã" uma tensão de recuperação de 1,5 pu. Isto é, no ins tante em que a corrente i zero, no pólo que interrompe pri meiro, a tensão de recuperação (diferença de potencial atra vés do interruptor no instante posterior ao de corrente ze ro) aproxima-se de 1,5 pu de tensão nominal de fase, devido ã troca de neutro. Os outros dois pólos vêem agora uma fal ta linha - a - linha e, no instante em que a corrente i nu la, após a interrupção da corrente, verão uma tensão linha- a - linha. Então, os dois interruptores em série vêem uma tensão de recuperação igual a /3 da tensão de fase. Dessa maneira, sob condições de equilíbrio, a função de cada in terruptor é relativamente menor do que a função requerida para uma falta trifãsica com aterramento. Como observam Wilson e Harders, uma atuação satis fatória, em uma falta trifãsica sem aterramento, envolve forças de interrupção diferentes no primeiro pólo e nos se guintes . Se os pólos forem denominados A, B» C de acordooam a seqüência de fase do sistema, então, as sucessivas corren tes nulas de falta, nos interruptores A, B, C, estarão em seqüência. Conseqüentemente, a interrupção com êxito neces sita que pelo menos um pólo tenha uma capacidade de inter rupção igual ou maior que 1,5 pu de tensão na fase, e a for ça de interrupção combinada nos dois outros pólos, em se qüência, seja igual ou maior que /3 pu de tensão de fase. Por exemplo, se a força de interrupção no póloB é maior que 1,5 pu, e a interrupção combinada de C e A é mai or que /3 pu da tensão de fase, então, o disjuntor pode a- tuar satisfatoriamente. Para estudar o efeito da força de interrupção na abertura de disjuntores, Wilson e Harders propuseram quatro intervalos de variação desta força, como mostra o quadro a- baixo. Evento Intervalo de Va- Força de Interrup- Probabili- Interrupção riação do Evento ção mínima no dade de em pu Intervalo Ocorrência a 0 < V< 1,0 0 Pa b 1,0< V< 1,5 1,0 pb c 1,5 < V< 3 1,5 PC d /3< V /3 pd No exemplo da falta trifãsica com aterramento, to- das as três interrupções devem estar nos intervalos b, c e d. O funcionamento perfeito no caso de falta trifãsi- ca sem aterramento é assegurado se todos os três pólos es tão nas categorias c ou d, mas, como observam Wilson e Har ders, outras combinações de eventos também podem resultar na abertura do disjuntor. Todas as combinações possíveis fo ram investigadas. Visto que cada pólo pode estar em cada u- ma das quatro categorias, haverá Dos 64 eventos, 32 são favoráveis favoráveis (considçrando a fase A rompida). Categorias do Evento In- Permutação terrupção N9 Fase A Fase B Fase C 4x4x4 ou 64 permutações. . Listamos os 32 eventos como primeira a ser inter- Pirimeira Fase Tensão Mínima a ser inter- Combinada da rompida 1,5 pu 2; e 3? Fase 12 a c d B 1,732 16 a d d B 1,732 23 b b c C 2,0 24 b b d C 2,0 26 b c b B 2,0 27 b c c B 2,5 28 b c d B 2,73 30 b d b B 2,0 31 b d c B 2,5 32 b d d B 2,73 36 c a d A 1,732 38 c b b A 2,0 39 c b c A 2,5 40 c b d A 2,73 42 c c b A 2,5 43 c c c A 3,0 44 c c d A 3,23 45 c d a A 1,73 46 c d b A 2,73 47 c d c A 3,23 48 c d d. A 3,46 52 d a d A 1,73 54 d b b A 2,0 55 d b c A 2,5 56 d b d A 2,73 58 d c b A 2,5 59 d c c A 3,0 60 d c d A 3,23 61 d d a A 1,73 62 d d b A 2,73 63 d d c A 3,23 64 d d d A 3,46 Observação: A numeração das permutações é baseada em 1: a, a, a; 2: a,a,b; 3: a,a,c; 4: a,a,d; 5: a,b,a; 6: a,b,b; etc. Observamos que a ordem é importante para os casos marginais: permutações como 12: a,c,d; 36:c,a,d e 45:c,d,a resultam em interrupção de falta, mas permutações como 15: a,d,c e 51: d,a,c e 57: d,c,a (não listados) não.Se a fa se com força de interrupção, na categoria d, ê a primeira a ser interrompida, então, a combinação das fases, na catego ria a e c, segundo o modelo de Wilson-Harders, não é sufi - ciente para interromper a tensão. A probabilidade de sucesso é dada pela soma das pro babilidades dos 22 eventos (os eventos são mutuamente exclu sivos) : P {Interrupção por falta trifãsica sem aterramento) = - W 3pa+ 6pb + 3Pc + 3pd> + pc <3W + + 3pb>+ + 3pb - Pc[Po + 3(pd (1+pb> + pb (pc+pb)). + Pd[Pd + 3(Pd <Pa+Pb> + Pb>. Da mesma maneira, a probabilidade de falha pode ser obtida enumerando-se os termos correspondentes. P {não interrupção por falta trifãsica sem aterramento }= = P3 + P3 + 3P Tp, + P + P, (P + P, )1 a b a|_b c d a b J Utilizando o mesmo exemplo numérico estudado na Se ção 1.2, mas considerando os dados, como na Figura 3, do Mo delo Wilson-Harders: Pa = 0,00033 : Pfa = 0,100; PQ = 0,286; Pd = 0,61367 (Observemos que Pd foi modificado para se tornar o comple- mento de P + P, + P ) : a d c P{ Falha na interrupção de falta trifãsica sem aterramento } = = 0/00144309 não aterrado Comparando com o risco, no caso de falta trifãsica com ater ramento: P {Falha na interrupção de falta trifãsica com aterramento} = = 0/0009897 aterrado. Veremos que, de acordo com o modelo usado, a pro babilidade de falha na interrupção de faltas com aterramen to ê levemente menor que a probabilidade de falha na inter rupção de faltas sem aterramento. Observemos que a conclu são ê sensível ao grau de inclinação da probabilidade de fa lha na interrupção, versus tensão de recuperação. APÊNDICE II DISTRIBUIÇÕES Para uma função densidade de probabilidade, f(x),o valor esperado da variável aleatória x ê designado por E{x}e é definido pela Equação II -100. E{x} = y = \ x f (x) dx (11-100)O —00 A letra grega y é comumente usada para indicar o va lor esperado de uma variável aleatória, "y" é também denomi nada "média da população". Afirmamos, sem provar, que y ê o limite da média de uma amostra retirada da população ccm fun ção densidade de probabilidade dada, ã medida que o tamanho da amostra se torna arbitrariamente grande. Por exemplo,con sideremos a distribuição exponencial dada na Equação 11-101, com função densidade da probabilidade dada na 11-102. O va lor esperado de x, ou média da população, ê dada em 11-103; notamos que o parâmetro y, que aparece na Equação 11-102, é de fato, a média da população. i _ ~ _ x / p ; x > o F(x) = jo ; x < 0 (11-101) f (x) = Íí/pe-x^’ x*°[0 ; x < 0 (11-102) E{ x} = C°° X -x/y .\ — e Mdx = y J o y (11-103) Queremos ressaltar as propriedades lineares do o- perador esperança. Estas propriedades podem ser ilustradas da seguinte maneira: Primeiro, como mostra a Equação 11-104, a multiplicação de uma variável aleatória por uma constante, tal como um operador escalar, multiplica o valor esperado pe la mesma constante. f°0 E {ax} = 1 ax f(x) dx = aE {x} (11-104) Em seguida, a propriedade linear do operador espe rança aplica-se à soma de duas variáveis aleatórias. Sejam x e y duas variáveis aleatórias. Então, o valor esperado da soma de x + y é igual à soma do valor esperado de x, mais o valor esperado de y, como mostra a Equação 11-105. E {x + y} = E{ x} + E {y} (11-105) Uma forma generalizada do valor esperado de uma função de x é dada na Equação 11-106. Por exemplo, uma expressão, fre- qüentemente utilizada, envolve o valor esperado da diferen ça entre o valor de x e a média, elevada ao quadrado. Esta expressão é conhecida como a variança de população ou o qua drado do desvio padrão, e está representada na Equação II- 107. E{g(x)}= g (x) f (x) dx (11-106)vl_oo E{(x - y)2} = E{x2-2yx + y2} (11-107) = E{x2} + E{-2yx} + E{y2} (11-108) = E{x2} - (E (x }) 2 (11-109) A propriedade aditiva do operador esperança permite ao fator quadrãtico dado na Equação 11-107, ser expandido para a soma dos três termos da Equação 11-108. O primeiro termo da Equação 11-108 ê o valor esperado do quadrado de x. Neste caso, a função g(x), que aparece na Equação 11-106, é 2 ~x . O segundo termo da Equaçao 11-104, e simplesmente acons tante (-2y) vezes o valor esperado de x. O terceiro termo da equação 11-108 dão valor esperado de uma constante. O valor es perado de uma constante é simplesmente igual ao valor desta constante. Com referência à definição do operador esperança dada em 11-100, advertimos que para uma constante, a função densidade de probabilidade seria sempre igual a zero, exce to para o valor x igbral à constante. Assim, com probabili dade 1, cada amostra retirada da distribuição de probabili dade para uma constante seria o valor desta constante.Deste modo, reconhecendo que y é o valor esperado de x, a Equação 11-108 pode ser simplificada para a forma apresentada na E- quação 11-109. Por exemplo, a variância para a função de distribuição dada na Equação 11-101 pode ser desenvolvida , como nas Equações 11-110 e 11-111. r- 2 Eíx2} = \ — e_x/,ydx = 2y2 (11-110) j 0 y EÍ(x-y)2} = EÍx2} - (Eíx}) 2=2y2 - y2=y2 CEI-lll) Na Equação 11-110, para a distribuição exponencial, o valor esperado do quadrado de x é igual a duas vezes o quadrado do valor médio de x; a variância da distribuição - , 2exponencial e dada pela Equaçao 11-111 e e igual a y .A dis tribuição exponencial na Equação 11-102, com valor esperado dado na Equação 11-103 e variância na Equação II-lll,i mui to utilizada para modelos de tempos de falha a tempo de re paro para razão de falha constante e processos de recupera ção. Neste caso, a razão é simplesmente igual ao recíproco do tempo médio para ocorrência do evento, tal como tempo mé dio de falha e ou tempo médio de reparo. Processos de razão de falha constante são a forma limite para um sistema com posto de muitos componentes. Para exemplificar, ver o arti go de R.F.Drenick,"The Failure Law of Complex Equipment" *. * R.F. Drenick, "The Failure Law for Complex Equipment", Journal Society of Industrial and Applied Mathematics,Vol. 8,N9 4 , Dezembro 1960, pp.680 - 689. Uma amostra de distribuições freqtientemente encon tradas em aplicações estatísticas na Engenharia esta apre sentada na Tabela I. A primeira ê a exponencial jã discuti da. A distribuição uniforme representa a chance uniforme - mente provável da variável aleatória tomar valores dentro de um intervalo entre A e B. A próxima distribuição ê a Bino- mial, a qual se origina em testes com apenas dois resultados em N dispositivos, ou N testes em um sõ dispositivo. Se P ê a probabilidade de falha para um dos dispositivos ou testes, então, a distribuição de testes de falhas ê dada pela dis tribuição binomial. A distribuição de Poisson origina-se no estudo de ruído de choque, e a ocorrência de fenômenos ale atórios desse tipo, ê a razão segundo a qual pode ocorrer e- missão de partículas a partir de uma substância radioativa. Este ê também o modelo utilizado para estimar o numero de falhas que ocorrem durante um período especificado de tempo, onde y, neste modelo, e o numero esperado de falhas para o período de tempo, e n ê o numero de falhas observado. A distribuição normal merece um lugar especial em estatística. A distribuição normal é a forma da soma de um grande número de variáveis aleatórias arbitrariamente dis tribuídas. Ê por esta razão que a distribuição normalé fre- qÜentemente considerada como o ponto de partida para a in vestigação da possível distribuição de um dado processo.Com média y e desvio padrão a, a distribuição normal ê dada na Tabela I e II, páginas 229 e 230 do "Statistics Manual"t A variável dada nas Tabelas I e II é a "variável normalizada" transformada Z = (x-y)/a. Da Tabela I, notamos que a probabilidade de Z ser menor que 3,0 ê aproximadamen te 0,9987. A distribuição seguinte, na tabela, é a distribui ção "t" de Student, a qual é usada para investigar a proba bilidade da razão do desvio da média amostrai pela media di vidida pela variância amostrai. * * E.L.Crow, F.A.Davis, M.W.Maxfield, "Statistics Manual", Dover Pu- blications, New York, 1960. Distribuição Função Densidade de Pro- babilidade Exponencial 1 e-x/yy Uniforme 1B-A Binomial xTTg^Tr PX(1 - p)n x Poisson nl Normal - (X-U) 2 1 e 2o2 /2tt a "t" de Student , r(íí^) , f+i 1 l (1 + t2/f)" T “ /ü7 r (|) Chi-quadrado JF de Snedecore j. 2 (f/2-D-X2/2 2 ^ 2 F (f/2) ÍX - .fl*£2. £1 *2 Í£ Í rt 2 > T - T ( P ) ^ T T T T T T 1 2 ?-ff7JF de Snedecore Variação de Função Média Variância x > 0 p 2y A < X < B 3 3 1 B -AJ 3 B-A np x=0,1/2— n np(l-p) n=0,l,2-- li P - 00 < X < ao p o f = 1 , 2 , 2 --- — 00 < t < 00 f T = 2 f = 1 , 2 , 3 --- 2 f0 < x < 00 f 1 ,f2 = l , 2 , 3 --- 2 f 0 < F < oo Métodos Probabilísticos para Projeto e Planejamento de Sistemas Elétricos Como ilustrado no "Statistics Manual", pãg. 45, a dis tribuição "t" de Student é de muita utilidade na comparação de duas medias amostrais, para testar se as duas amostras foram retiradas de uma mesma população. A distribuição qui-quadrado descreve o modo como a so ma dos quadrados das variáveis aleatórias normalmente dis tribuídas, de uma amostra de tamanho f+1, ê distribuída. A ultima distribuição é a F de Snedecore, a qual mede a variação da distribuição da razão entre duas variâncias calculadas de amostras de tamanhos f^+1, a do numerador, e f2+l, a do denominador. As distribuições "t" de Student rqui- -quadrado e F de Snedecore consideram as variáveis aleató rias como selecionadas de uma população fundamental que ê normalmente distribuída. As quatro ultimas distribuições da Tabela I serão utilizadas para ilustrar testes de signifi- cância para comparar medias e variâncias amostrais. Até este ponto nos ocupamos com as propriedades linea res do operador esperança. Nenhuma informação sobre as pro priedades comuns das variáveis x e y foi considerada parade duzir a afirmação contida na Equação 11-105, de que a espe rança da soma ê igual â soma das esperanças de duas variã - veis aleatórias. Quando desejamos o valor esperado do produto de duas variáveis aleatórias, devemos conhecer a distribuição con junta das duas variáveis. Usaremos a notação f(x,y) para in dicar a função densidade de probabilidade conjunta de duas variáveis aleatórias x e y. Agora, a operação esperança deve ser realizada sobre a variação de x e de y. A região conjun ta (x,y) naturalmente presta-se ã representação em coorde nadas cartesianas no plano x, y. Necessitamos das seguintes definições para nossa dis cussão. A função de distribuição acumulada, F(X,Y) é defi nida comío: f(x,y) dxdy— 00 —00 (11-112) fpd (X.Y) Funções de densidade marginal podem ser das para x e y separados como: f (X)dx x CX+dx f ~ = 1 \ f ( x ' y) dxdy f (Y)dy - n fY+dy f(x,y) dxdy -oo y A independência exige que: f(x,y) = f (x) . f (y)x y yx = e {x } ■ r f A média da variável aleatória, x, ê dada por: x f(x,y) dxdy E, da mesma maneira, a média de y é dada por: O y f(x,y) dxdy O A covariância de x e y é definida como: cov(x,y) = E {(x-j^) (y-yy )} yy = E{y} = —00 —00 ■ H '— OO — 00 determina- (11-113) (11-114) (11-115) (11-116) (11-117) (11-118) fr-vx) (y-yy) f(x,y) dxdy (11-119) O coeficiente de correlação, pxy, é definido como a relaçao entre a covariância e a raiz quadrada do produto das variâncias de x e y: Í 00 poo ] <X“VX )2 f(x,y) dxdy (II-12Q) p 00 pOO ay = E{(y-U )2} = ] ] (y-u .) f(x,y) dxdy (11-121)—00 —00 Então, pxy = cov(x,y)/axcy (11-122) 0 coeficiente de correlação variará entre ± 1. Duas variáveis aleatórias são não-correlacionadas se p=0. Se x e y são perfeitamente correlacionadas (y=ax, neste caso, quando a é uma constante), então, o coeficiente de correlação é +1 se a>0, e -1 se a<0. Expandirido a Equação 2.218, notamos que: cov(x,y) = E{xy} - E{x}E{y} (11-123) e, quando x e y são não-correlacionados, cov(x,y) = 0, por tanto, E{ xy} = E {x } E {y } Então, a variância de x+y, a soma de duas variáreis aleatórias, pode ser representada como segue: var(x+y) = E {(x+y - E{x} - E{y})2} (H-124) = E {(x- E {x })2+ (y-E{y})2+ 2(x-E{x}) (y-E{y}) } =a 2+ a 2 + 2 cov(x,y) (11-125)x y Se duas variáveis, x e y, são não-correlacionadas, a variânciade sua soma é igual à soma de suas variâncias. Consideremos agora que as variáveis aleatórias, x e y, são ambas normalmente distribuídas. A variável x tem média yx e desvio padrão ax , e a variável y tem média y^ e desvio padrão a^. Por exemplo, a soma de x e y será normal mente distribuída com média igual à soma yx+y^ e com vari ância igual a dada pela Equação 11-125. A diferença entre x e y será também, normalmente distribuída com média igual a - 2 2y - y e com variancia igual a a + a - 2cov (x,y).*x y ̂ x y Exemplo: Se x ê uma variável aleatória normalmente distri buída com média 1000 kV e desvio padrão 50 kV, e y é uma va riável aleatória normalmente distribuída com média 900 kV e desvio padrão 45 kV, e, se x e y são não-correlacionados,en tão, a diferença x-y é uma variável aleatória normalmente distribuída com média igual a 1000 - 900 ou lOOkV e com des vio padrão igual a i/502 + 452 ou 67,26 kV. Sejam x(t) e y(t) processos estocãsticos tais que, para algum t específico, os resultados ou valores assumidos por x e y são conhecidos apenas num sentido probabilístico. A média, covariância e correlação dos processos estocãsti - cos podem ser definidas como segue: Média de x(t) e y(t): yx (t) = E{x(t) } (11-126) Vy (t) = E{y(t)} (11-127) Variância de x(t): ax2 (t) = e {(x(t) - yx (t))2} (11-128) A autocorrelação de x(t^) e x(t2) ê definida como: Rx x (tl,t2) = E{x(t1) x(t2)} (11-129) e a relação cruzada dos processos estocãsticos x(t), y(t) definida como: Rx y (tl ,t2) = E{x(ti) y(fc2)} (II-130) A autocovariâncla de x(t^) e x(t2) é definida como: S k ^ i ' ^ =E{(x(t1) - v>x (tj_)) (x(t2) - yx (t2^ e a covariância cruzada de x(t^) e yít^) é definida como: Scy^i'1̂ = - yy (t2))> APÊNDICE III REPRESENTAÇÃO GRÃFICA DE PROBABILIDADE Uma considerável importância deve ser atribuída âs técnicas gráficas para a compreensão de processos probabilísti cos. Já aconteceu muitas vezes de um gráfico bem traçado fornecer informações mais satisfatórias do que se fossem a- presentadas sob forma algébrica. Um desses usos tem sido na a- plicação de gráficos de probabilidade, para auxiliar no re conhecimento da forma de uma distribuição acumulada. Dois métodos serão descritos para determinar uma distribuição a- cumulada, a partir dos dados apresentados na Tabela I, da vazão no mês de fevereiro no Rio St. John. Ambos os métodos dependem de uma reordenação dos dados, do menor ao maior valor. Como mostra a Tabela II, o menor valor, 20.536 MW horas, ocorrido em fevereiro de 1944, é colocado em primeiro lugar. O segundo valor ê 21.900 MWho ras, ocorrido em 1948. Continuando a ordenação, o penúl timo valor é 170.920 MW horas, ocorrido em 1968 e ê coloca do em 379 lugar na lista. O maior valor ê 172.503 MW horas, e está colocado em 389 lugar. Os limites de variação entre o menor e o maior valor é a diferença entre eles: 172.503 - - 20.536 = 151.967 MW horas. A média, para os 38 anos, é 77.297,13 MW horas. Estimativas para as distribuições cumu lativas estão contidas nas colunas 4 e 5 na Tabela II. As primeiras três colunas na Tabela II mostram o número de or dem, n, da menor até a maior vazão, isto ê, de 1 até 38, o ano de ocorrência e a vazão ocorrida. Ano 1932 1933 1934 1935 1936 1937 1938 1939 1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 TABELA I ENERGIA NATURAL SEGUNDO PROJETO HIDROELÉTRICO -MES DE FEVEREIRO Energia Energia MW horas Ano MW horas 96710 1951 172503 57292 1952 122457 26578 1953 134076 66454 1954 94196 52639 1955 167627 133661 1956 55059 116152 1957 34550 59725 1958 101759 38719 1959 41945 75565 1960 83465 69054 1961 28987 26756 1962 45900 20536 1963 42112 80847 1964 44330 54170 1965 64264 144961 1966 69493 21900 1967 45063 100353 1968 170920 107158 1969 69355 38 J 2 E = 2937291 1 E = 77297,13 295.791.150.115 I E2-38 (E)2 68.746.981.666,1246 S2 = (^E2-38(E)2) = 1.858.026.531,5168 ã = 43104,8318 MW hora S2- = 48.895.435,0399 a - = 6992,5270 MW horaX x A coluna 4 é formada da seguinte maneira: (numero de ordem, n-1/2) / amostra total N=38. Este método atribui peso igual para cada observação. Para a amostra de 38 anos, a distri buição acumulada, estimada para o menor termo, ê 1/76.0 se gundo valor tem uma estimativa da distribuição acumulada de 3/76 e assim por diante, até o 389 ou maior valor observado, o qual tem uma estimativa da função de distribuição acumu lada de 75/76. Observemos que a função acumulada não assume valo res 0 e 1. É de nossa opinião que hã uma boa chance de que alguma outra amostra, ou uma amostra maior inclua pontos que estejam abaixo e acima dos limites observados na amostra de 38 anos. O segundo método para estimar a função de distri buição acumulada é devido a Gumbel*. Ele considera o numero de ordem dividido pelo tamanho total da amostra mais um.En tão, a função de distribuição acumulada para o primeiro pon to ê 1/39, contrastando com 1/76 do primeiro método citado. 0 método de Gumbel, então, atribui maior peso aos pontos ex tremos do grafico. Isto é, os pontos limites assumem um pe so maior. Isto significa que eles estão mais afastados de zero e um, do que no primeiro método citado. Gumbel aplica o segundo método a problemas onde hã o risco de ocorrências de valores extremos. Considerando os dados amostrais selecionados de u- ma forma não-viciada ou aleatória, as amostras são conside radas não-correlacionadas? isto ê, no caso da vazão, não hã nenhuma ocorrência, devido a mudanças no terreno, inter ferência a longo prazo, ou variação do ciclo hidráulico.U- ma representação da distribuição acumulada, calculada pelo Método 1, estã na Figura 1. Os resultados da determinação da distribuição acumulada, pelos dois métodos, estão repre sentados na Tabela II. Enquanto a curva na Figura 1 é um * E. J. Gumbel,"Statistical Theory of Extreme Values and So me Praticai Applications", U.S.Government Clearing House for Federal Scientific and Technical Information,Fevereiro 1954,PB 175818. TABELA II ENERGIA NATURAL SEGUNDO PROJETO HIDROELÉTRICO -MES DE FEVEREIRO N9 de Função de Distribuição Acumulada ordem Energia Método 1 Método 2 n Ano MW horas (n-1/2)/38 (n/39) i 1944 20536 0,0132 0,0256 2 1948 21900 0,0395 0,0513 3 1934 26578 0,0658 0,0769 4 1943 26756 0,0921 0,1026 5 1961 28987 0,1184 0,1282 6 1957 34550 0,1447 0,1538 7 1940 38719 0,1711 0,1795 8 1959 41945 0,1974 0,2051 9 1963 42112 0,2237 0,2308 10 1964 44330 0,2500 0,256411 1967 45063 0,2763 0,2821 12 1962 45900 0,3026 0,3707 13 1936 52639 0,3289 0,3333 14 1946 54170 0,3553 0,3590 15 1956 55059 0,3816 0,3846 16 1933 57292 0,4079 0,4103 17 1939 59725 0,4342 0,4359 18 1965 64264 0,4605 0,4165 19 1935 66454 0,4868 0,4872 20 1942 69054 0,5132 0,5128 21 1969 69355 0,5395 0,5385 22 1966 69493 0,5658 0,5641 23 1941 75565 0,5921 0,5897 24 1945 80847 0,6184 0,6154 25 1960 83465 0,6447 0,641026 1954 94196 0,6710 0,6667 27 1932 96710 0,6973 0,6923 28 1949 100353 0,7237 0,7179 29 1958 101759 0,7500 0,7436 30 1950 107158 0,7763 0,7692 31 1938 116152 0,8026 0,794932 1952 122457 0,8289 0,8205 33 1937 133661 0,8553 0,8461 34 1953 134076 0,8816 0,8718 35 1947 144961 0,9079 0,8974 36 1955 167627 0,9342 0,9231 37 1968 170920 0,9605 0,9487 38 1951 172503 0,9868 0,9744 x = 77297,13 grafico útil para ilustrar a distribuição. 0 fato de que es ta é fortemente curva, motivou os autores a estudar outras maneiras de representação grafica, as quais tendem a re duzir distribuições cumulativas originando-se de tipos par ticulares de funções, para gráficos de linhas retas. Por e- xernplo, a Figura 2 ilustra um gráfico de "probabilidade nor mal". Observemos que a escala da distribuição acumulada foi estendida para refletir a pequena chance de ocorrência de va lores da variável longe da média. A distribuição acumulada, determinada pelo Método 1, para os dados da Tabela II, está representada na Figura 2. Aqui, os dados estão representa - dos mais em linha reta, do que na representação com proba bilidade linear, mas aindanão estamos certos de que a dis tribuição normal seria uma representação válida para a va zão. Nossa razão é, primariamente, baseada no fato de que a vazão deve ser um numero positivo. Enquanto há muitas dis tribuições que satisfazem esta condição, uma das mais inte ressantes é a log-normal, que aparece na Figura 3. Para a distribuição log-normal, o logaritmo da variável aleatória ê normalmente distribuído. Esta distribuição satisfaz a con dição de que a distribuição de uma variável assuma apenas valores positivos. Observemos que a representação na escala log-nor - mal parece fornecer o "melhor ajusteV O gráfico de probabilidade oferece uma maneira fá cil de representar dados observados e serve para se fazer previsões a respeito da variação provável e risco das vari áveis estarem num dado intervalo, isto é, limites de porcen tagens. Por exemplo, há um risco de 10%, baseado nos. dados da Tabela II, de que a vazão será menor que 27.000 MW horas. O autor recomenda que o Método 1 seja utilizado para esti mar a função de distribuição acumulada, se a distribuição de probabilidade básica é considerada normal. Hahn e Shapiro * * G.J.Hahn, S.S.Shapiro, "Statistical Models in Engineerinçf John Wiley and Sons, New York, 1968. observam que uma forma aproximada do valor esperado de um con junto de observações ordenado pode ser expresso por (n-c)/ (N-2c + 1) . O melhor valor de c depende da função densidade de probabilidade e do tamanho da amostra. Eles observam a- inda que o valor de c=0 ê o melhor para a função densidade de probabilidade uniforme; c=0 leva ao Método 2 descrito na Tabela II: n/(N+l). Finalmente, notam que c=i tem sido ge ralmente aceitável para uma grande variedade de distribui - ções e tamanhos de amostras; c=^ leva ao Método 1 descrito na Tabela II. GRÁFICOS DE EXTREMOS Gráficos de probabilidade podem ser usados para au xiliar na estimação de repetição provável de valores anu ais extremos , em variáveis atmosféricas baseada em dados an teriores. Dado um modelo atmosférico e um histórico de re gistros de informações superficiais, uma "variável atmosfé rica "pode ser determinada para cada dia, para uma hora es pecífica. O sistema de carga pode ser determinado a partir da soma de um termo de carga básica (o qual pode variar com o dia da semana e a estação), mais um termo de sensibili dade igual ao fator de demanda de resfriamento, vezes a va riável atmosférica. A variável atmosférica, então, forma um fator chave na previsão de valores extremos de demanda at mosférica. Carga = Base + (Fator de demanda de resfriamento)(Va riável atmosférica) Se dados atmosféricos são obtidos através do mode lo atmosférico, uma seqdência de valores de variáveis atmosfé ricas ê' determinada para cada estação, üm destes valores se rá o maior; a variável atmosférica diária variará entre os valores máximo e mínimo. Nossa atenção será dirigida para o valor máximo que a variável atmosférica assume na estação ; desejamos comparar este valor com o valor que poderia ter resultado com condições atmosféricas, como derivado de ou tros anos. Se for feita uma simulação com as informações de registros atmosféricos para anos como de 1950 até 1970, en tão, as condições atmosféricas em alguns anos produzirão um valor extremo maior da variável atmosférica, comparado aos maiores valores de outros anos. Um ponto de interesse considerável ê o risco de re petição de valores extremos da variável aleatória em anos fu turos. Consideremos duas suposições fundamentais: Primeiro, que o comportamento atmosférico de anos anteriores ê uma a- mostra representativa das condições atmosféricas que sãopos síveis de acontecer no futuro, isto é, o comportamento at mosférico forma um processo estocãstico estacionário; e,se gundo, que o modelo atmosférico básico será constante com o tempo, de tal modo que as mudanças na escala de carga atmos férica são medidas pelas mudanças rio fator de demanda.Estas suposições abrem caminho para a existência de uma função de distribuição acumulada, para melhor representar os valores extremos anuais observados da variável atmosférica. E. J. Gumble, em seu trabalho "Statistical Theory of Extreme Values and Some Practical Applications", sugere um método para estimar a função de distribuição acumulada, dividindo o número de ordem do valor por um, mais o número total de observações. Os extremos anuais devem ser ordena dos do menor ao maior , e numerados de acordo. Então,para a amostra de vinte anos apresentada na Tabela III,a estimação da função de distribuição acumulada é feita dividindo o nú mero de ordem M por 21. Nesta tabela, o menor valor ê colo cado em primeiro lugar e o maior valor é colocado em última Gumble também sugere que o limite da distribuição cumulati va de extremos tende a exponencial da exponencial de umafun- ção de argumento: F(y) = e e . Um gráfico muito útil para os extremos pode ser construído plotando-se a função de dis tribuição acumulada em uma escala log(-log F) no eixo hori zontal, e uma função do valor extremo no eixo de ordenadas. Um gráfico deste tipo está representado na Figura 4, com o período amostrai de vinte anos de dados atmosféricos. P ro ba b i I id ad e 00 < p ~ 5 9 0 • 0 c 9 0 9 9 € 9 0 0 FJLaura 1 9 o 0 0 uístriDuiçao acumulada da energia hidroelétrica __0 » ■ Mí5S de feveirei]ro - • 0 o 0̂ 0 — o o o > 40 60 80 100 120 140 160 180 ENER6IA AVALIADA EM MILHARES DE MW h Capítulo 1 Apêndice III O Métodos Probabilísticos para Projeto e Planejamento de Sistemas Elétricos EN ER G IA A VA LI A D A EM M IL H A R E S DE M W h 9,99 99,9 99,8 98 95 90 80 70 «0 50 40 30 20 10 _____ 5 2 1 0J5 0,2 0,1 0,05 0,01 300 200 150 100 90 80 70 4 0 30 20 15 F i cm ra 3 Distribuição acumulada da energia hidroelétrica - Mês de fevereiro - • o 0 • Oao 0 o o0 Q° t .a o c d • 0 0 0 « a 1 . 0.01 0,05 0,1 0,2 0,5 1 2 5 10 20 30 40 50 80 7 0 80 90 95 P r o b a b i l i d a d e % 99,8 99,9 99,9 Capítulo 1 Apêndice III TABELA III EXTREMOS ANUAIS DA VARIÁVEL ATMOSFÉRICA N9 de Ordem M Variável Atmosférica Ajustada V. A. F Estimado M/21 Período de Retomo: T 1/íl-F) y ■Zn (-£n F) 1 856 0,0476 1,05 -1,1133 2 907 0,0952 1,1053 -0,8550 3 918 0,1429 1,1667 -0,6657 4 926 0,1905 1,2353 -0,5057 5 931 0,2381 1,3125 -0,3612 6 954 0,2857 1,4000 -0,2254 7 956 0,3333 1,50 -0,0940 8 973 0,3810 1,6154 0,0355 9 987 0,4286 1,750 0,1657 10 998 0,4762 1,9091 0,2985 11 1002 0,5238 2,10 0,436 12 1003 0,5714 2,3333 0,5805 13 1007 0,619 2,625 0,7349 14 1023 0,6667 3,00 0,9027 15 1037 0,7143 3,50 1,0892 16 1065 0,7619 4,20 1,3022 17 1066 0,8095 5,25 1,5544 18 1092 0,8571 7,0 1,8698 19 1122 0,9048 10,5 2,3018 20 1231 0,9524 21,0 3,0202 - A variável é normalizada até julho, com aumento me dio de 2% no fator de demanda, por mes. Nota 1200 1100 1000 900 800 • < o f y < h- </) y * “3 " < y % -1UJ > '< - oc y F i.g u ra 4 y r » GRÁFICO DE EXTREMOS ANUAIS AJUSTADOS DA VARIAVEL METEOROLÓGICA y / i 1,05 1 U7 i i 1,31 l í 1 2 3 i 4 5 T 1 10 1 i 15 20 I H 25 30 40 90 1 0 ,05 1 0,15 1 1 024 <X i 33 0 ,5 i 0,75 0,80 F 1 0,90 ' 1 1 0,93 (V 1 6 0,96 1 CX97 Q 98 -3 -2 -1 . 0 1 y 2 3 4 5 6 C a pítulo 1 A pêndice III Em adição à função de distribuição acumulada,o pe ríodo de retorno, ou número esperado de anos entre repeti ções sucessivas de um dado nível de valor extremo,está repre sentado na escala horizontal.O período de retorno em anos,nes te caso, é simplesmente o recíproco de um, menos a função de distribuição acumulada. T = 1/(1-F(y)). Por exemplo, se a fun ção de distribuição acumulada é 0,95, então, em algum ano fu turo selecionado ao acaso, o risco da variável atmosférica exceder o valor com a função de distribuição acumulada de 0,95 é 1-0,95 ou 5%. Em vinte observações podemos esperar uma re petição em média; então, o "período de retorno" ê de vinte anos. Do mesmo modo, a variável
Compartilhar