IDENTIFICATION OF OPERATING BEHAVIOUR PATTERNS IN DISTRIBUTION LINES UNDER THE INFLUENCE OF CLIMATIC VARIABLES AND OPERATIONAL CONDITIONS FOR FAILURE DETECTION AND OPERATIONAL SUSTAINABILITY ASSESSMENT

_____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 438 (Ciências Exatas) IDENTIFICAÇÃO DE PADRÕES DE COMPORTAMENTO DE OPERAÇÃO EM LINHAS DE DISTRIBUIÇÃO SOB INFLUÊNCIA DE VARIÁVEIS CLIMÁTICAS E CONDIÇÕES OPERACIONAIS PARA DETERMINAÇÃO DE FALHAS OU SUPORTABILIDADE OPERACIONAL IDENTIFICATION OF OPERATING BEHAVIOUR PATTERNS IN DISTRIBUTION LINES UNDER THE INFLUENCE OF CLIMATIC VARIABLES AND OPERATIONAL CONDITIONS FOR FAILURE DETECTION AND OPERATIONAL SUSTAINABILITY ASSESSMENT Andressa Caldas Malandruccolo, Matheus Patrício de Souza da Silva, Rodrigo Sampaio Diniz, Alexandre Shozo Onuki Universidade Santa Cecília, Faculdade de Engenharia, Curso de Engenharia Elétrica / Eletrônica E-mail para contato: [email protected] RESUMO – Este estudo desenvolveu um algoritmo lógico-matemático para analisar a relação entre variáveis de vento e falhas em linhas de distribuição de energia na cidade de Bertioga-SP, utilizando registros da Neoenergia e dados meteorológicos do INMET. A abordagem booleana e probabilística identificou condições de vento com maior probabilidade de falha, mostrando que faixas intermediárias e elevadas aumentam a suscetibilidade. Sugere-se refinamento do algoritmo e dos bancos de dados para incluir outras variáveis climáticas em trabalhos futuros. Palavras-chave: Redes de distribuição elétrica; Análise probabilística; Variáveis climáticas; Algoritmo preditivo; Confiabilidade operacional ABSTRACT – This study developed a logical-mathematical algorithm to analyze the relationship between wind variables and failures in electric power distribution lines in Bertioga-SP, using records from Neoenergia and meteorological data from INMET. A Boolean and probabilistic approach identified wind conditions with higher failure probability, showing that intermediate and high wind ranges increase susceptibility. The study suggests refining the algorithm and databases to include other climatic variables in future work. Keywords: Electric Power Distribution Networks; Probabilistic Analysis; Climatic Variables; Predictive Algorithm; Operational Reliability. _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 439 (Ciências Exatas) 1 INTRODUÇÃO A distribuição de energia elétrica desempenha um papel fundamental na infraestrutura crítica de qualquer nação, sendo relevante para garantir a continuidade de diversos serviços essenciais. Para assegurar o fornecimento contínuo, além da realização de planejamento de custo na rede, envolvendo manutenções preventivas e corretivas (RIGONI, 2016), as redes de distribuição de energia elétrica devem ser planejadas considerando fatores como perfil de demanda energética, geografia e futuras necessidades de ampliação da rede (COSSI, 2008), incluindo critérios técnicos de padronização das estruturas para redes de distribuição e regras de prestação do serviço público de distribuição de energia elétrica (ABNT, 2021; ANEEL, 2023). Então, para garantir a segurança e qualidade de uma rede de distribuição, destaca-se a importância do dimensionamento adequado de estruturas e equipamentos, considerando tanto as condições ambientais quanto as exigências operacionais das cargas atendidas, aliado à estrita observância de normas técnicas e regulamentações específicas das concessionárias locais (SANTOS, 2021). Ainda assim, as redes de distribuição permanecem suscetíveis a eventos climáticos extremos, que podem provocar faltas no sistema elétrico ou até mesmo falhas estruturais. As mudanças climáticas vêm se intensificando, resultando no aumento da frequência e intensidade de eventos extremos, principalmente em regiões costeiras e de latitudes mais elevadas (SANCHES, et al., 2023). Com a alteração de variáveis como a temperatura, ventos, radiação solar, precipitação e densidade do ar, geram-se impactos negativos nas redes de distribuição de energia e suas proximidades. Como resultado, há um aumento de contingências operacionais, nas perdas elétricas e nos desafios para garantir a confiabilidade do sistema, além de elevar os custos associados à expansão e manutenção da infraestrutura elétrica (SINAPSIS; CLIMATEMPO, 2021). A fragilidade das redes de distribuição, expostas a esses fatores, exige uma abordagem mais eficiente para a detecção e previsão de falhas. A crescente complexidade das redes, somada à imprevisibilidade dos eventos climáticos, torna o processo de manutenção e monitoramento complexo e oneroso. Contudo, se torna necessário o desenvolvimento e a implementação de técnicas computacionais para classificação de padrões de falhas _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 440 (Ciências Exatas) considerando a ocorrência de diferentes eventos climáticos, a fim de prever suscetibilidades operacionais e assim, mitigar potenciais riscos antes que impactem a estabilidade do sistema. O presente trabalho tem como objetivo desenvolver um conjunto de algoritmos que propõem uma metodologia para associar as falhas em sistemas de distribuição de energia elétrica primárias com variáveis de vento e as condições operacionais da linha. Para isso, o algoritmo interage com dados de falhas e ocorrências, categorizando-os com base em estados meteorológicos, especificamente as condições de vento. Este processo permite ao algoritmo compreender os padrões de como as falhas se manifestam diante de diferentes intensidades e direções de vento. Ao mapear cada registro de falha e de cenário climático geral a um índice único de combinação, o algoritmo analisa as situações, quantificando a frequência e as probabilidades relativas dessas ocorrências, o que permite inferir a possibilidade de falha sob determinadas condições de vento. Através dessa abordagem, é possível entender o comportamento da rede de distribuição de energia na região de Bertioga - São Paulo, frente às variáveis de vento, auxiliando na tomada de decisões estratégicas para aumentar a confiabilidade e a suportabilidade operacional do sistema elétrico. 2 MATERIAIS E MÉTODOS Este trabalho caracteriza-se como um estudo de caso com abordagem quantitativa e analítica com o desenvolvimento de uma modelagem computacional, apoiado em técnicas de análise estatística e modelagem combinatória para a identificação de padrões operacionais em linhas de distribuição sob influência de variáveis climáticas. O estudo de caso foca em redes de distribuição da concessionária Neoenergia no município de Bertioga-SP, abrangendo os anos de 2023 e 2024. Foram utilizados parâmetros meteorológicos locais, buscando compreender a relação entre o comportamento dos ventos e a suportabilidade operacional da rede. A execução da pesquisa foi dividida em cinco etapas principais, detalhadas a seguir, com o objetivo de garantir a replicabilidade do estudo: a) Etapa 1 – Análise independente das Bases de Dados primárias: foram avaliadas duas Bases de Dados para estruturar o algoritmo principal do estudo; _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 441 (Ciências Exatas) • Base de Dados proveniente da concessionária Neoenergia: histórico de ocorrências em redes de distribuição primárias e secundárias da cidade de Bertioga, fornecido pela concessionária Neoenergia, referentes aos anos de 2023 e 2024; • Base de Dados proveniente do Instituto Nacional de Metereologia: série histórica diária de variáveis meteorológicas do mesmo período e região, obtida junto ao Instituto Nacional de Meteorologia (INMET). b) Etapa 2 – Integração e preparação dos dados: as informações provenientes das duas fontes foram consolidadas em um único banco de dados, correlacionando cada ocorrência operacional às condições climáticas do respectivo dia e local. Foram realizados procedimentos de tratamento, normalização e eliminação de inconsistências, garantindo compatibilidade entre as variáveis e precisão nos resultados; c) Etapa 3 – Seleção e categorização das variáveis críticas: com base em estudos prévios e na natureza física das falhas analisadas, foram selecionadas as variáveis relacionadas ao vento. Essas variáveis foram organizadas em faixas de valores predefinidas possibilitando a análise iterativa por intervalos e a identificação de padrões condicionais. d) Etapa 4 – Análise probabilística e correlação entre variáveis: para cada variável selecionada, os valores registrados foram classificados nas faixas de valores predefinidas utilizando uma análise condicional booleana. Com base nessa classificação, foram realizados os cálculos probabilísticos de ocorrência das variáveis isoladamente assim como combinações entre as diversas variáveis, utilizando fórmulas condicionais para contabilizar todas as combinações válidas de faixas. Esse procedimento foi aplicado separadamente para os dados climáticos gerais e para os registros específicos de falha na rede de distribuição estudada. Em seguida, calculou-se o percentual de ocorrência de cada combinação e de cada variável isolada, dentro do intervalo observado. Por fim, compararam-se os registros gerais com os específicos da falha, gerando a base para a análise probabilística de associação entre as variáveis climáticas e os eventos de falha. 3 RESULTADOS E DISCUSSÃO _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 442 (Ciências Exatas) A partir da metodologia realizada, foram descritas as equações matemáticas funcionais que explicam a aplicação do algoritmo para análise de combinações de variáveis. 3.1 Desenvolvimento dos Algoritmos Para o desenvolvimento do algoritmo, foram implementadas as etapas de codificação e processamento dos dados, com base nas equações definidas a seguir. a) Classificação Booleana dos Registros por Faixas Inicialmente, para cada valor de uma variável 𝑉𝑘 e cada faixa 𝑓𝑖, é definida a função indicadora de pertencimento à faixa, conforme Equação (1). 𝐼(𝑉𝑘∈𝑓𝑖)= {1, 𝑠𝑒 𝐿𝑖𝑘≤ 𝑉𝑘< 𝑈𝑖𝑘 0, 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟á𝑟𝑖𝑜 (1) Em que: • 𝑉𝑘 representa o valor da variável no registro, relacionado à classificação das variáveis associadas ao vento; • 𝑓𝑖 corresponde à i-ésima faixa de classificação atribuída à variável 𝑉𝑘; • 𝐿𝑖𝑘 é o limite inferior da faixa 𝑓𝑖 para a variável 𝑉𝑘; • 𝑈𝑖𝑘 é o limite superior da faixa 𝑓𝑖 para a variável 𝑉𝑘; • 𝑖𝑘 indica o índice da faixa à qual o valor da variável pertence. b) Análise Probabilística Isolada por Variável Após feita a classificação booleana dos registros por faixas, é realizada a análise probabilística isolada da ocorrência da variável 𝑉k em cada faixa pré-definida, conforme Equação (2). 𝑃𝑚 (𝑉𝑘∈𝑓𝑖)= 1 𝑁𝑚∑𝐼(𝑉𝑘∈𝑓𝑖) 𝑁𝑚 𝑛=1 (2) Em que: • 𝑃𝑚 (𝑉𝑘∈𝑓𝑖) é a probabilidade da variável 𝑉𝑘 assumir valores dentro da faixa 𝑓𝑖, para o conjunto de dados 𝑚; _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 443 (Ciências Exatas) • 𝑁𝑚 representa o número total de registros avaliados no conjunto 𝑚; • O subscrito 𝑛 indica o índice do registro para a variável selecionada; • 𝐼(𝑉𝑘∈𝑓𝑖) é a função indicadora da faixa, definida anteriormente e assume valores de 0 ou 1. • O subscrito 𝑚 indica o conjunto de dados analisado, podendo assumir: o 𝑂: conjunto de Ocorrências; o 𝐺: conjunto Geral (Cenários Climáticos Gerais). c) Análise Probabilística Combinatória Entre Variáveis Com os índices das faixas 𝑖k da variável 𝑉k , calcula-se um índice único de combinação entre variáveis a partir da Equação (3), na qual identifica cada combinação possível. 𝐶𝑛𝑚,𝑘2 =(𝑖𝑘1 −1)×5+𝑖𝑘2 (3) Em que: • 𝐶𝑛𝑚,𝑘2 é o índice de combinação calculado, que representa todas as possíveis combinações entre as cinco faixas de duas variáveis. • O subscrito 𝑛 indica o índice do registro, para a falha analisada; • O subscrito 𝑚 indica o conjunto de dados analisado; • 𝑖𝑘 indica o índice da faixa à qual o valor da variável pertence, no qual: o O subscrito 𝑘1 identifica a primeira variável da combinação; o O subscrito 𝑘2 identifica a segunda variável da combinação. Após calculado o índice de combinação para todos os registros do conjunto de dados 𝑚, calculam-se as frequências de ocorrência de cada combinação iterativamente, conforme Equação (4) 𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑚 (𝑥)𝑛𝑚,𝑘2 =∑𝐼 (𝐶𝑛𝑚,𝑘2 =𝑥) 𝑁𝑚 𝑛=1 (4) Em que: _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 444 (Ciências Exatas) • 𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑚 (𝑥)𝑛𝑚,𝑘2 é a frequência de ocorrência de cada combinação de índice 𝑛 ; • 𝐼 (𝐶𝑛𝑚,𝑘2 =𝑥) é a função indicadora, que retorna 1 quando a combinação observada corresponde ao índice 𝑥 e 0 caso contrário; • 𝑁𝑚 representa o número total de registros avaliados dentro do conjunto de dados 𝑚; • O subscrito 𝑛 indica o índice do registro, para a falha analisada; • 𝑥 é o índice de combinação específico. Este índice assume valores de 1 a 𝑖𝑚𝑎𝑥𝑐, onde 𝑖𝑚𝑎𝑥 é o número máximo de faixas por variável e 𝑐 é o número de variáveis em uma combinação. A partir dessa contagem, são obtidas as probabilidades relativas de frequências de ocorrência de cada combinação, em ambos os conjuntos de dados, por meio da Equação (5). 𝑃𝑚(𝐶𝑛𝑚,𝑘2)𝑥= 𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑚 (𝑥)𝑛𝑚,𝑘2 𝑁𝑚 (5) Em que: • 𝑃𝑚(𝐶𝑛𝑚,𝑘2)𝑥 representa a probabilidade relativa de cada combinação de faixas no conjunto de dados 𝑚; • 𝐶𝑜𝑛𝑡𝑎𝑔𝑒𝑚 (𝑥)𝑛𝑚,𝑘2 é a frequência de ocorrência de cada combinação de índice 𝑛 ; • 𝑁𝑚 representa o número total de registros avaliados dentro do conjunto de dados 𝑚. Após calculadas as probabilidades relativas para os cenários geral e de ocorrências (respectivamente, conjunto de dados 𝐺 e 𝑂), considerando a combinação entre as variáveis, é obtida a possibilidade de suscetibilidade de falhas na rede de distribuição em relação à frequência da faixa climática analisada no período proposto, conforme Equação (6). 𝑃𝑡𝑜𝑡𝑎𝑙𝑥= 𝑃𝑂(𝐶𝑂,𝑘2) 𝑃𝐺(𝐶𝐺,𝑘2) (6) Em que: _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 445 (Ciências Exatas) • 𝑃𝑡𝑜𝑡𝑎𝑙𝑥 representa a possibilidade de ocorrência da falha, considerando cenário climático; • 𝑃𝑂(𝐶𝑂,𝑘2) é a probabilidade relativa de cada índice de combinação para o conjunto de dados de Ocorrências; • 𝑃𝐺(𝐶𝐺,𝑘2) é a probabilidade relativa de cada índice de combinação para o conjunto de dados de Cenários Climáticos Gerais. 3.2 Testes para Aferição do Algoritmos Para a aferição do modelo proposto e a realização de processamento de dados, considerou-se a adoção dos seguintes parâmetros: a) Seleção de Variáveis Relacionadas ao Vento Considerando a exposição ao vento como fator crucial à rede de distribuição elétrica, adotaram-se as seguintes variáveis para a aferição do algoritmo: • 𝑉1 – Direção do vento, em graus (°C); • 𝑉2 – Velocidade máxima de rajada, em metros por segundo (𝑚/𝑠); • 𝑉3 – Velocidade média do vento, em metros por segundo (𝑚/𝑠). Contudo, para o caso analisado, o subscrito 𝑗 assume os seguintes valores: • 𝑘2=2: quando a combinação é entre 𝑉1 e 𝑉2; • 𝑘2=3: quando a combinação é entre 𝑉1 e 𝑉3. b) Determinação de faixas de valores por variável adotada Após selecionadas as variáveis, dividiram-se as faixas por variável, considerando 5 intervalos de classificação diferentes, podendo então 𝑖𝑘 assumir valores de 1 a 5. Essa divisão foi justificada pela contingência de dados observada, sendo o uso de cinco faixas o mais adequado para representar as variações no conjunto analisado e garantir melhor desempenho no caso estudado. _____________________________________________________________________________ Anais do Congresso Brasileiro de Iniciação Científica Vol2 nº2 (2025) 446 (Ciências Exatas) Portanto, para a análise probabilística combinatória entre as variáveis, considera-se que o índice 𝑥, adotado na Equação (4), corresponde a 52(𝑖max𝑐), uma vez que o número de variáveis combinadas é igual a 2 e o número de faixas adotado para cada variável é 5. A Tabela 1: Características Das Faixas Pré-Determinadas Para Variáveis Climáticas Relacionadas Ao Vento, evidencia os valores adotados para cada faixa, de cada uma das três variáveis utilizadas. Tabela 1. Características das faixas pré-determinadas para variáveis climáticas relacionadas ao vento Combinação Faixa 𝑳𝒊𝒌 – Limite Superior 𝑼𝒊𝒌 – Limite Inferior 𝑉1 - Direção do vento, em graus (°) 𝐹1 0,0 72,0 𝐹2 72,0 144,0 𝐹3 144,0 216,0 𝐹4 216,0 288,0 𝐹5 288,0 360,0 𝑉2 - Velocidade máxima de rajada, em metros por segundo (𝑚/𝑠) 𝐹1 0,0 2,4 𝐹2 2,4 4,8 𝐹3 4,8 7,2 𝐹4 7,2 9,6 𝐹5 9,6 12,0 𝑉3 - Velocidade média do vento, em metros por segundo (𝑚/𝑠) 𝐹1 0,0 1,0 𝐹2 1,0 2,0 𝐹3 2,0 3,0 𝐹4 3,0 4,0 𝐹5 4,0 5,0 c) Determinação do tipo de falha a ser aferida Para este estudo, optou-se por analisar as falhas ocorridas na rede primária, uma vez que esse segmento apresenta maior suscetibilidade a falhas decorrentes de variações climáticas, especialmente relacionadas à intensidade do vento. Assim, selecionou-se a falha “Fio Dando Fogo na Rede Primária” como caso específico de análise, abrangendo os registros dos anos de 2023 e 2024. Adota-se, portanto, que 𝑛 assume valores de 1 a 31, correspondentes ao número total de ocorrências registradas para essa falha. d) Aferição dos Resultados pelo Algoritmo