Modelo de aprendizagem de máquina para o aprimoramento do sistema especial de proteção dos elos HVDC associados à UHE Belo Monte

Abstract

Esta dissertação tem por enfoque a modelagem e implementação de um modelo de Machine Learning (ML) customizado, onde dados de sincrofasores são utilizados para aprimorar o arming do Sistema Especial de Proteção (SEP) aplicado ao evento de bloqueio dos elos High Voltage Direct Current (HVDC) Xingu-Estreito e Xingu-Terminal Rio, associados à Usina Hidrelétrica (UHE) de Belo Monte. A tomada de decisão busca mitigar o risco de rejeições insuficientes de geração através da modelagem de uma função perda alternativa, de forma a garantir a estabilidade transitória do Sistema Interligado Nacional (SIN). O modelo é testado com base em simulações em escala real de tempo, nas quais utiliza-se o ambiente de software openECA para aplicar funções de verificação de qualidade de dados e de incorporação do modelo de ML à estrutura de composição de lógicas de atuação. Os resultados numéricos enfatizam a eficácia do modelo de ML em mitigar casos de rejeições insuficientes de geração e mostram o funcionamento da abordagem em casos de perda de dados sincrofasoriais, perda de condições que caracterizam o regime permanente e em casos de bloqueio intempestivo dos elos HVDC.

Abstract: The focus of this work is on the modeling and implementation of a customized ML model, where data from synchrophasors are used to improve the arming procedure of the special protection scheme applied in the event of blocking of the HVDC links Xingu-Estreito and Xingu-Terminal Rio, associated with the Belo Monte hidro power plant. Decision-making seeks to mitigate the risk of insufficient generation rejections by modeling an alternative loss function, in order to guarantee the transient stability of the SIN. The model is applied in real-time scale simulations through the specification of a Hardware-in-the-Loop (HIL) infrastructure, in which the openECA software environment is used to apply data quality verification functions and incorporate the ML model in software framework. The numerical results emphasize the effectiveness of the ML model in mitigating cases of insufficient generation rejections and show the functioning of the approach in cases of loss of synchrophasor data, loss of steady-state conditions and forced interruption of HVDC links.