Este trabalho apresenta o desenvolvimento e teste de dois algoritmos de proteção de distancia de linhas de transmissão com compensação série, que utilizam varistores de óxido metálico para limitar a tensão imposta aos capacitores que integram essa compensação. O primeiro algoritmo utiliza redes neurais artificiais e o segundo é baseado em técnicas matemáticas de linearização do comportamento da compensação série com a utilização do software Wolfram Mathematica. O algoritmo de inteligência artificial aproveita diretamente os sinais de tensões e correntes, que são amostrados e digitalizados pelo dispositivo eletrônico inteligente responsável pela proteção da linha de transmissão. Por outro lado, o algoritmo baseado em linearização matemática utiliza os fatores desses sinais obtidos por meio da transformada discreta de Fourier, tanto durante o regime de operação normal quanto na ocorrência de distúrbios elétricos. Para implementar a rede neural artificial, foi utilizada a biblioteca Tensor Flow na plataforma de computação em nuvem Google Colab. Foram realizadas prototipagens dos algoritmos no Matlab e sua avaliação foi conduzida utilizando o modelo computacional de um sistema de transmissão de energia elétrica. Esse sistema é composto por equivalentes de curto-circuito e uma linha de transmissão com compensação série. O modelo foi submetido à cenários de simulação de curtos-circuitos, variando a sua localização da falta, sua resistência e instante de inserção. Uma parcela dos resultados das simulações foi utilizada para o treinamento do algoritmo baseado em redes neurais artificiais, enquanto a parte restante foi reservada para avaliar a resposta dos dois algoritmos. Foi demonstrada a metodologia para o desenvolvimento dos algoritmos e implementação em um dispositivo eletrônico inteligente de plataforma aberta desenvolvido no Laboratório de Pesquisa em Automação e Proteção de Sistemas Elétricos da Escola Politécnica da Universidade de São Paulo e testado com técnicas Hardware-in-the-loop com o uso do simulador digital de tempo real RTDS.

This work presents the development and test of two distance protection algorithms for series compensation transmission lines that use metallic oxide varistors to limit the tension imposed on capacitors that integrate this compensation. The first algorithm uses artificial neural networks, and the second is based on mathematical linearization techniques of series compensation behavior using the software Wolfram Mathematica. The artificial intelligence algorithm works directly with the sampling and digitized tension and current signals by the intelligent electronic device responsible for transmission line protection. On the other hand, the algorithm based on mathematical linearization uses these signals phasors, calculated using the discrete Fourier transform, both during normal operation and under disturbances. The TensorFlow library is used in the Google Colab cloud computing platform to implement the artificial neural network. The two algorithm prototypes were developed in Matlab and evaluated using a computational model of an electrical transmission system. This system is compounded by Thevenin equivalents at both terminals and seriescompensated transmission lines. The model was submitted to short-circuit simulation scenarios, varying the fault location, resistance, and inception angle. One part of the simulation results were used to train the algorithm based on the artificial neural network, while the remaining ones were reserved to evaluate the two algorithm response. The proposed methodology was implemented on an open platform for developing protection solutions and was evaluated using hardware-in-the-loop techniques with a realtime digital simulator (RTDS). The platform was developed by the Laboratory of Research in Automation and Protection of Electrical Systems of the Polytechnic School of the University of Sao Paulo.