Vous êtes sur la page 1sur 104

MAURLIO JOS INCIO

DETECO E CLASSIFICAO DE FALTAS EM LINHAS DE TRANSMISSO


UTILIZANDO TRANSFORMADA WAVELET E REDE LGICA NEUROFUZZY
COM APRENDIZADO PARTICIPATIVO

Belo Horizonte
Maio de 2010.

UNIVERSIDADE FEDERAL DE MINAS GERAIS


ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

DETECO E CLASSIFICAO DE FALTAS EM LINHAS DE TRANSMISSO


UTILIZANDO TRANSFORMADA WAVELET E REDE LGICA NEUROFUZZY
COM APRENDIZADO PARTICIPATIVO

Proposta de dissertao apresentada ao Curso de


Ps-Graduao em Engenharia Eltrica da
Universisdade Federal de Minas Gerais como
requisito parcial para a obteno do grau de
Mestre em Engenharia Eltrica.

MAURLIO JOS INCIO

Belo Horizonte
Maio de 2010.

Resumo
Nos Sistemas Eltricos de Potncia a linha de transmisso o elemento mais vulnervel,
pois est sujeita a faltas provocadas por fatores externos e internos. Sistemas de proteo so
empregados para minimizar os impactos causados pelas faltas sendo que, atualmente, os rels
digitais cumprem o papel principal no diagnstico das faltas. Diversos algoritmos para
diagnstico de faltas podem ser utilizados nos rels digitais e, recentemente, as pesquisas tm
se concentrado no uso de tcnicas de anlise de sinais e em sistemas inteligentes, na tentativa
de superar as desvantagens dos mtodos convencionais. Neste trabalho apresentada uma
metodologia de deteco e classificao de faltas do tipo curto-circuito e tipo circuito aberto
em linhas de transmisso. A metodologia proposta utiliza a Transformada Wavelet para
deteco da falta e utiliza a Rede Lgica Neurofuzzy para classificao da mesma, a partir da
extrao de informaes dos sinais de tenso e corrente da linha de transmisso. No
treinamento da Rede Lgica Neurofuzzy foi includo o Aprendizado Participativo na etapa de
gerao das funes de pertinncia dos subconjuntos fuzzy. Os algoritmos foram
implementados em um Sistema de Deteco e Classificao de Faltas e resultados obtidos
atravs de simulaes demonstraram a robustez e eficincia da metodologia proposta.

Abstract
In the Power Electric Systems the transmission line is the most vulnerable element, since
they are subject to faults caused by external and internal factors. Protection systems are
employed to minimize the impacts caused by the faults and, currently, digital relays meet the
lead role in the fault diagnosis. Several algorithms for fault diagnosis can be used in digital
relays and, recently, researches have focused on the use of techniques of signal analysis and
intelligent systems, in an attempt to overcome the disadvantages of conventional
methods. This work presents a methodology for fault detection and classification of short
circuit and open circuit faults on transmission lines. The proposed methodology uses the
Wavelet Transform for detection and uses the Logic Neurofuzzy Network for classification of
the fault, from the extraction of information of current and voltage signals of the transmission
line. In the training of the Logic Neurofuzzy Network was included the Participatory Learning
in step generation of membership functions of fuzzy subsets. The algorithms were
implemented in a Fault Detection and Classification System and results obtained through
simulations had demonstrated the robustness and efficiency of the methodology proposal.

ii

Agradecimentos
A minha famlia, esposa, filhos, pais e irmos, pelo apoio e incentivo, os quais me
ajudaram a vencer os desafios.
Ao meu orientador professor Walmir Matos Caminhas, pela orientao, a qual permitiu a
realizao desse trabalho.
Aos colegas do Laboratrio de Inteligncia Computacional, pelas muitas contribuies, as
quais contriburam para superar dificuldades.
Aos professores do CPDEE, pelos muitos conhecimentos transmitidos durante as aulas, os
quais foram de grande importncia para minha formao acadmica.
FACIT pelo apoio financeiro.

iii

Sumrio
1 Introduo....................................................................................................................................... 1
1.1Motivao ................................................................................................................................. 3
1.2 Objetivo ................................................................................................................................... 5
1.3 Proposta ................................................................................................................................... 5
1.4 Estrutura do trabalho ................................................................................................................ 6
2 Linhas de Transmisso .................................................................................................................... 7
2.1 Descrio ................................................................................................................................. 7
2.2 Representao .......................................................................................................................... 8
2.3 Faltas envolvidas .....................................................................................................................11
2.4 Modelo....................................................................................................................................14
2.5 Simulao ...............................................................................................................................16
3 Diagnstico de faltas em linhas de transmisso ...............................................................................18
3.1 Mtodos convencionais ...........................................................................................................18
3.2 Mtodos baseados em anlise de sinais ....................................................................................20
3.2.1 Transformada de Fourier ..................................................................................................21
3.2.2 Exemplo empregando Transformada de Fourier ...............................................................22
3.2.3 Transformada Wavelet ......................................................................................................24
3.2.4 Exemplos empregando Transformada Wavelet ..................................................................29
3.3 Mtodos inteligentes................................................................................................................34
3.3.1 Redes Neurais Artificiais ..................................................................................................34
3.3.2 Exemplos empregando redes neurais artificiais .................................................................34
3.3.4 Lgica Fuzzy ....................................................................................................................38
3.3.5 Exemplos empregando Lgica Fuzzy ................................................................................39
3.3.6 Redes Neurofuzzy .............................................................................................................43
3.3.7 Exemplos empregando redes neurofuzzy ...........................................................................43
4 Metodologia proposta.....................................................................................................................46
4.1 Viso geral ..............................................................................................................................46
4.2 Deteco da falta .....................................................................................................................47
4.3 Classificao da falta ...............................................................................................................52
5 Resultados .....................................................................................................................................60
5.1 Modelo utilizado .....................................................................................................................60
5.2 Simulaes no PSCAD ............................................................................................................61
5.3 Implementaes no MATLAB .................................................................................................72
5.4 Resultados obtidos...................................................................................................................74
iv

6 Concluses.....................................................................................................................................83
6.1 Trabalhos futuros ....................................................................................................................84
6.2 Produo cientfica ..................................................................................................................84
Apndices .........................................................................................................................................85
A.

Algoritmo de Agrupamento Participativo ...............................................................................85

B.

Parmetros dos componentes utilizados na implementao do SEP no PSCAD ......................89

Referncias Bibliogrficas ................................................................................................................90

Lista de figuras
Figura 1. 1: Etapas do procedimento de proteo de um rel digital. ................................................... 2
Figura 1. 2: Histrico do desenvolvimento dos rels de proteo (Bo, Redfern e Weller, 2000)........... 3
Figura 2. 1: Torre de linha de transmisso area. ................................................................................ 8
Figura 2. 2: Circuito equivalente de uma linha de transmisso curta.................................................... 9
Figura 2. 3: Circuito equivalente de uma linha de transmisso mdia. ................................................10
Figura 2. 4: Circuito equivalente de uma linha de transmisso longa. .................................................11
Figura 2. 5: Diagrama simplificado de uma falta tipo LL. ..................................................................12
Figura 2. 6: Diagrama simplificado de uma falta tipo LLL. ................................................................12
Figura 2. 7: Diagrama simplificado de uma falta tipo LG...................................................................13
Figura 2. 8: Diagrama simplificado de uma falta tipo curto-circuito LLG. .........................................13
Figura 2. 9: Diagrama simplificado de uma falta tipo LO...................................................................14
Figura 2. 10: Diagrama simplificado de uma falta tipo LLO. .............................................................14
Figura 2. 11: Linha de transmisso com uma falta fase-terra. .............................................................16
Figura 2. 12: Resultados de simulao de falta tipo curto-circuito fase-terra. .....................................17
Figura 2. 13: Resultados de simulao de falta tipo fase aberta. .........................................................17
Figura 3. 1: Aplicao da Transformada de Fourier. ..........................................................................22
Figura 3. 2: Mtodo baseado em FFT para diagnstico de faltas (Bo, et al., 1997). ............................23
Figura 3. 3: Diferenas entre uma onda senoidal e uma wavelet. ........................................................24
Figura 3. 4: Aplicao da Transformada Wavelet. .............................................................................25
Figura 3. 5: Exemplos de wavelets me. ............................................................................................26
Figura 3. 6: Filtro multi-estgio para implementao da DWT. ..........................................................27
Figura 3. 7: Decomposio de um sinal de falta utilizando wavelet me db4. .....................................29
Figura 3. 8: Algoritmo de deteco de faltas utilizando DWT (Kim et al., 2002). ...............................30
Figura 3. 9: Algoritmo de classificao de faltas utilizando DWT (Reddy e Mohanta, 2007). .............31
Figura 3. 10: Algoritmo de deteco e classificao de faltas utilizando DWT (Zhao, Song e Min,
2000). ...............................................................................................................................................32
Figura 3. 11: Fluxograma do mtodo de diagnstico de faltas utilizando DWT (Makming et at., 2002).
.........................................................................................................................................................33
Figura 3. 12: Estrutura do mtodo de deteco de faltas baseado em RNA (Vsquez, Altuve, e Chacn,
1996). ...............................................................................................................................................35
Figura 3. 13: Diagrama de uma rede FIRANN com duas camadas ocultas (Fernandez e Ghonaim,
2002). ...............................................................................................................................................36
Figura 3. 14: Diagrama do sistema para deteco e classificao de faltas baseado em RNA
(Fernandez e Ghonaim, 2002). ..........................................................................................................36
Figura 3. 15: Esquema do mtodo de diagnstico de faltas baseado em RNAs (Oleskovicz, Coury e
Aggarwal, 2001). ..............................................................................................................................38
Figura 3. 16: Diagrama em bloco do FIS empregado para classificao de faltas proposto por Das e
Reddy (2005). ...................................................................................................................................40
Figura 3. 17: Diagrama em bloco do FIS empregado para classificao de faltas proposto por Mahanty
e Gupta (2007). .................................................................................................................................41
vi

Figura 3. 18: Diagrama em bloco do FIS empregado para classificao de faltas proposto por Youssef
(2004). ..............................................................................................................................................42
Figura 3. 19: Estrutura da rede neurofuzzy para deteco e classificao de faltas proposta por Wang e
Keerthipala (1998). ...........................................................................................................................44
Figura 3. 20: Esquema de redes neurofuzzy para classificao e localizao de faltas proposto por
Dash, Pradhan e Panda (2000). ..........................................................................................................45
Figura 4. 1: Decomposio de um sinal x(n) nos coeficientes wavelet A1 e D1. .................................48
Figura 4. 2: Coeficiente D1 de um sinal de tenso em falta fase-terra utilizando wavelet db4. ............48
Figura 4. 3: Coeficiente D1 de um sinal de corrente em falta fase-terra utilizando wavelet db4. .........49
Figura 4. 4: Fluxograma do algoritmo proposto para deteco de faltas em linhas de transmisso. .....50
Figura 4. 5: Resultado da aplicao do mtodo de deteco da falta em um sinal de tenso. ...............51
Figura 4. 6: Resultado da aplicao do mtodo de deteco da falta em um sinal de corrente. ............51
Figura 4. 7: Estrutura da Rede Lgica Neurofuzzy proposta por Caminhas, Tavares e Gomide, (1996).
.........................................................................................................................................................52
Figura 4. 8: Funes de pertinncia triangulares no uniformemente distribudas. ..............................54
Figura 4. 9: Esquema simplificado do mtodo de classificao proposto. ...........................................58
Figura 4. 10: Funes de pertinncia para a entrada 1. .......................................................................58
Figura 4. 11: Funes de pertinncia para a entrada 2. .......................................................................59
Figura 4. 12: Sinais de entrada e sada da rede lgica neurofuzzy. .....................................................59
Figura 5. 1: Modelo de SEP utilizado para simulaes de faltas. ........................................................60
Figura 5. 2: Modelo de SEP como implementado no PSCAD. ...........................................................61
Figura 5. 3: Simulao de falta tipo curto-circuito fase A-G...............................................................64
Figura 5. 4: Simulao de falta tipo curto-circuito fase B-G. ..............................................................64
Figura 5. 5: Simulao de falta tipo curto-circuito fase C-G. ..............................................................65
Figura 5. 6: Simulao de falta tipo curto-circuito fases AB-G...........................................................65
Figura 5. 7: Simulao de falta tipo curto-circuito fases AC-G...........................................................66
Figura 5. 8: Simulao de falta tipo curto-circuito fases BC-G. ..........................................................66
Figura 5. 9: Simulao de falta tipo curto-circuito fases AB...............................................................67
Figura 5. 10: Simulao de falta tipo curto-circuito fases AC.............................................................67
Figura 5. 11: Simulao de falta tipo curto-circuito fases BC. ............................................................68
Figura 5. 12: Simulao de falta tipo curto-circuito fases ABC. .........................................................68
Figura 5. 13: Simulao de falta tipo fase A-aberta. ...........................................................................69
Figura 5. 14: Simulao de falta tipo fase B-aberta. ...........................................................................69
Figura 5. 15: Simulao de falta tipo fase C-aberta. ...........................................................................70
Figura 5. 16: Simulao de falta tipo fases AB-aberta. .......................................................................70
Figura 5. 17: Simulao de falta tipo fases AC-aberta. .......................................................................71
Figura 5. 18: Simulao de falta tipo fases BC-aberta. .......................................................................71
Figura 5. 19: Estrutura do sistema para deteco e classificao de faltas implementado. ...................72
Figura 5. 20: Diagnstico realizado pelo sistema de deteco e classificao de faltas em uma
sequncia de faltas. ...........................................................................................................................74

vii

Lista de tabelas
Tabela 1. 1: Ocorrncia de faltas no SEP em um sistema de 500 kV, num perodo de 10 anos. ............ 2
Tabela 2. 1: Classificao das linhas de transmisso em funo do comprimento. ............................... 8
Tabela 4. 1: Coeficientes do filtros associados wavelet db4. ............................................................48
Tabela 5. 1: Lgica de deciso. .........................................................................................................73
Tabela 5. 2: Resultados dos testes com variao da distncia para faltas do grupo 1. ..........................75
Tabela 5. 3: Resultados dos testes com variao da distncia para faltas do grupo 2. ..........................75
Tabela 5. 4: Resultados dos testes com variao da distncia para faltas do grupo 3. ..........................75
Tabela 5. 5: Resultados dos testes com variao da distncia para faltas do grupo 4. ..........................76
Tabela 5. 6: Resultados dos testes com variao da distncia para faltas do grupo 5. ..........................76
Tabela 5. 7: Resultados dos testes com variao da distncia para faltas do grupo 6. ..........................76
Tabela 5. 8: Resultados dos testes com variao da resistncia para faltas do grupo 1. .......................77
Tabela 5. 9: Resultados dos testes com variao da resistncia para faltas do grupo 2. .......................77
Tabela 5. 10: Resultados dos testes com variao da resistncia para faltas do grupo 3. .....................77
Tabela 5. 11: Resultados dos testes com variao da resistncia para faltas do grupo 4. .....................77
Tabela 5. 12: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 1. ......78
Tabela 5. 13: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 2. ......78
Tabela 5. 14: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 3. ......79
Tabela 5. 15: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 4. ......79
Tabela 5. 16: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 5. ......79
Tabela 5. 17: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 6. ......79
Tabela 5. 18: Resultados dos testes com variao do ngulo de carga para faltas do grupo 1. .............80
Tabela 5. 19: Resultados dos testes com variao do ngulo de carga para faltas do grupo 2. .............80
Tabela 5. 20: Resultados dos testes com variao do ngulo de carga para faltas do grupo 3. .............80
Tabela 5. 21: Resultados dos testes com variao do ngulo de carga para faltas do grupo 4. .............81
Tabela 5. 22: Resultados dos testes com variao do ngulo de carga para faltas do grupo 5. .............81
Tabela 5. 23: Resultados dos testes com variao do ngulo de carga para faltas do grupo 6. .............81
Tabela 5. 24: Resultados gerais dos testes realizados. ........................................................................82

viii

Lista de abreviaturas
AAP
AB
ABC
AB-G
AC
AC-G
A-G
ANFIS
AP
BC
BC-G
B-G
CA
CAD
CC
C-G
CWT
db4
DLG
DTFS
DTFT
DWT
EMTC
FFT
FIR
FIRANN
FIS
FS
FT
HIF
LG
LL
LLG
LLL
LLO
LO
MLP
QMF
R-L
RMS
RNA
SEP
SLG
STFT
TC

Algoritmo de Agrupamento Participativo


Falta fases AB
Falta fases ABC
Falta fases AB - terra
Falta fases AC
Falta fases AC - terra
Falta fase A - terra
Adaptive Network based Fuzzy Inference System
Aprendizado Participativo
Falta fases BC
Falta fases BC - terra
Falta fase B - terra
Corrente alternada
Computer Aided Design
Corrente Alternada
Falta fase B - terra
Continuos Wavelet Transform
Wavelet me Daubechies 4
Double line ground
Discrete Time Fourier Series
Discrete Time Fourier Transform
Discrete Wavelet Transform
Eletromagnetic Transient with DC Analysis
Fast Fourier Transform
Finite Impulse Response
Finite Impulse Response Artificial Neural Network
Fuzzy Inference System
Fourier Series
Fourier Transform
High Impedance Fault
Line-ground
Line-line
Line-line-ground
Line-line-line
Line-line-open
Line-open
Multilayer Perceptron
Quadrature Mirror Filter
Resistncia-indutncia
Root mean Square
Rede Neural Artificial
Sistema Eltrico de Potncia
Single line ground
Short Time Fourier Transform
Transformador de corrente

ix

Captulo 1
1 Introduo
Nos ltimos anos tm ocorrido no pas blackouts, ou apages na linguagem popular,
que atingem um grande nmero de estados, deixando milhes de consumidores sem o
fornecimento de energia eltrica e causando grandes prejuzos econmicos. Esses
acontecimentos tornam evidente a importncia que o Sistema de Energia Eltrica ou Sistema
Eltrico de Potncia (SEP) tem para a sociedade moderna. Para minimizar os impactos
causados pela falta no sistema, adotam-se mecanismos de diagnstico da falta que, se
detectada, classificada e localizada com rapidez e preciso, permite o restabelecimento do
funcionamento do sistema eltrico no menor tempo possvel.
O SEP responsvel pelo fornecimento da energia eltrica consumida em todo o pas.
Esse sistema composto por diversos componentes: usinas geradoras de energia eltrica,
subestaes, transformadores elevadores e abaixadores, linhas de transmisso e linhas de
distribuio. Cada componente do sistema possui uma funo especfica e definida. Os
geradores de energia transformam uma determinada forma de energia (mecnica, trmica,
elica ou solar) em energia eltrica e injetam a potncia gerada nas linhas de transmisso. As
linhas de transmisso por sua vez realizam a transferncia da energia, de um centro gerador
at um centro consumidor. Como a transmisso da energia efetuada em tenses elevadas,
so necessrios transformadores. Normalmente so classificadas como linhas de transmisso
aquelas com tenso igual ou superior a 230 kV e como linhas de distribuio aquelas com
tenses entre 69 e 138 kV (Coury, 2002).
desejvel que um SEP funcione correta e interruptamente, fornecendo energia com
determinado padro de qualidade aos consumidores, sejam eles residenciais, comerciais ou
industriais. Entretanto, devido a faltas na operao, isto nem sempre conseguido. Por falta
em um SEP, entende-se como a falha total ou parcial no fornecimento da energia eltrica. A
causa de uma falta pode ser devido a um fenmeno interno (exemplo: sobrecarga dos
equipamentos) ou externo ao sistema (exemplo: sobretenses devido a descargas
atmosfricas). Na ocorrncia da falta podem surgir os mais diversos problemas, tais como
danos aos equipamentos, desligamento de reas que no esto sob falta, exploses, dentre
outras. As faltas podem ser permanentes ou transitrias, sendo as faltas permanentes
irreversveis, o que significa que aps a abertura dos dispositivos de proteo, o fornecimento
de energia no poder ser restabelecido. J as faltas transitrias so as que ocorrem sem
provocar danos fsicos ao sistema, sendo que aps a atuao da proteo, o fornecimento de
energia poder ser restabelecido sem maiores problemas.
Em um SEP, a linha de transmisso o elemento mais vulnervel a faltas, uma vez que,
devido a sua dimenso fsica, ela fica exposta a vrios fatores, tais como curtos-circuitos
causados por rvores, isoladores danificados, descargas atmosfricas, dentre outros. A ttulo
1

de exemplificao, a tabela 1.1 apresenta um cenrio de ocorrncia de faltas em um SEP.


Como pode ser observado, cerca de 80% das faltas so originadas nas linhas de transmisso
ou provocadas por elas.
Tabela 1. 1: Ocorrncia de faltas no SEP em um sistema de 500 kV, num perodo de 10 anos.
Setor do sistema eltrico
Nmero de Faltas
Linhas de Transmisso
82
Circuitos disjuntores
4
Autotransformadores
6
Barramentos
1
Geradores
1
Falha humana
5
Fonte: (Coury, 2002).

Para proteo das linhas de transmisso, o SEP conta com um sistema de proteo, cuja
funo proteger o sistema como um todo de faltas que possam ocorrer internamente ou
externamente a esse. O sistema de proteo composto de disjuntores, transdutores e rels.
O rel um dispositivo analgico ou digital que fica permanentemente conectado ao
sistema eltrico, monitorando sinais de tenso e corrente proveniente dos transdutores, sendo
responsvel pela deteco de condies intolerveis ou indesejveis ao sistema eltrico. O rel
corresponde a parte lgica do sistema de proteo, cabendo a ele tomar a deciso de abertura
ou no dos disjuntores adequados, de forma que a parte defeituosa da linha seja retirada de
operao. Esse processo permite manter a continuidade do fornecimento da energia eltrica e
limitar os danos aos equipamentos existentes no sistema.
Atualmente, os rels do sistema de proteo so totalmente digitais, baseados em
microprocessadores e tem sua funcionalidade controlada por software, onde os dados de
entrada so digitais. Os rels digitais efetuam vrias funes, tais como: proteo, superviso,
transmisso de sinais, dentre outras. Conforme o fluxograma mostrado na figura 1.1, o
procedimento de proteo realizado pelo rel digital normalmente dividido em tarefas
distintas: deteco da falta, classificao da falta e localizao (clculo da distncia) da falta.
Em cada etapa, diferentes algoritmos podem ser utilizados (Vsquez, Altuve e Chacn, 1996).

V
I

Deteco
da falta

Classificao
da falta

Localizao
da falta

Figura 1. 1: Etapas do procedimento de proteo de um rel digital.

Sinal
de trip

1.1Motivao
O diagnstico de faltas em linhas de transmisso uma importante tarefa nos sistemas de
proteo dos SEPs. A operao segura de sistemas eltricos de altas tenses requer
metodologias de proteo para detectar, classificar e localizar faltas com elevada preciso e
to rpido quanto possvel, permitindo que as consequncias da falta sejam minimizadas.
O desenvolvimento de sistemas de proteo dos SEP teve incio a mais de 100 anos,
quando se utilizou os primeiros rels eletromecnicos de sobrecorrente, com base nos
princpios de proteo que foram desenvolvidos nas trs primeiras dcadas do sculo. Com o
avano da tecnologia eletroeletrnica, os rels de proteo evoluram dos dispositivos
eletromecnicos para dispositivos de estado slido, construdos com componentes
semicondutores, inicialmente transistores, em seguida circuitos integrados e, mais
recentemente, microprocessadores. Apesar da grande evoluo alcanada pela tecnologia dos
rels de proteo, muitos dos princpios bsicos de proteo no mudaram e permanecem em
uso nos dias atuais (Bo, Redfern e Weller, 2000). A figura 1.2 ilustra o histrico do
desenvolvimento dos rels de proteo
proteo baseada
em transitrios
proteo baseada
em IA
proteo
adaptativa
proteo
ultra rpida

piloto (1927)
distncia (1923)
diferencial (1908)
sobrecorrente (1901)

Desenvolvimento do princpio dos rels


microprocessador
computador digital
estado slido
eletromecnico

Desenvolvimento da tecnologia dos rels

1900

10

20

30

40

50
Ano

60

70

80

90

2000

Figura 1. 2: Histrico do desenvolvimento dos rels de proteo (Bo, Redfern e Weller,


2000).
Rels digitais tiveram sua origem no final dos anos 60 e incio dos anos 70, com
trabalhos pioneiros sobre a aplicao desses dispositivos na rea de proteo de SEP (Thorp,
2007). Os rels digitais executam um algoritmo que processa os dados de entrada (amostras
3

da tenso e corrente) para produzir uma sada digital. O algoritmo o elemento central do rel
digital, e um grande nmero de algoritmos tem sido desenvolvidos e publicados na literatura
(Horowitz e Phadke, 2008).
No estgio inicial do seu desenvolvimento, os rels digitais empregavam algoritmos
desenvolvidos a partir dos mesmos mtodos de diagnstico de faltas dos rels convencionais,
que se baseiam em parmetros da linha (tenso, corrente, impedncia. etc.). Nos ltimos anos,
as pesquisas sobre algoritmos utilizados em rels digitais para diagnstico de faltas em linhas
de transmisso se concentraram no uso de ferramentas matemticas de anlise de sinais, tais
como Transformada de Fourier e Transformada Wavelet, e em sistemas inteligentes, tais
como Redes Neurais Artificiais (RNA), Lgica Fuzzy e Redes Neurofuzzy.
O diagnstico de faltas empregando a Transformada de Fourier e a Transformada
Wavelet denominada de proteo baseada em transitrio, que utiliza as componentes de
alta frequncia do sinal de falta para anlise, ao invs da frequncia fundamental. Nesse
esquema de proteo necessrio que o sinal da falta seja analisado com preciso. Os
trabalhos na rea de proteo de SEP tm demonstrado que a anlise de transitrios baseada
na Transformada de Fourier, como em Bo et al. (1997), s vezes no suficientemente
precisa em alguns tipos de faltas, como apontado por Das, Singh e Sinha (2006) e Gayathri e
Kumarappan (2008). Mais recentemente, verificou-se que a Transformada Wavelet capaz de
permitir a investigao de transitrios gerados em sistemas de potncia de forma mais
eficiente. Em alguns trabalhos a Transformada Wavelet utiliza apenas para deteco da
falta, como em Kim et al. (2002), e Osman e Malik (2004) ou apenas para classificao da
falta, como em Silveira, Seara e Zurn (1999); Chanda, Kishore e Sinha (2003), e Reddy e
Mohanta (2007). J em outros trabalhos, a Transformada Wavelet utilizada no somente
para deteco, mas tambm para classificao da falta, como em Liang, Elangovan e Devotta
(1998); Zhao, Song e Min (2000). E h ainda trabalhos em que Transformada Wavelet
utilizada na deteco, classificao e localizao da falta, como em Makming et al., (2002).
Apesar de a Transformada Wavelet ser muito eficaz em diagnstico de faltas, ela pode no ser
suficiente para uma caracterizao mais completa.
O diagnstico de faltas empregando RNA, Lgica Fuzzy e Redes Neurofuzzy uma
tentativa de superar os problemas encontrados nos esquemas de proteo baseados em
clculos determinsticos a partir do modelo do sistema a ser protegido. Em tais esquemas, as
dificuldades esto relacionadas a diversos fatores, tais como: complexidade do sistema, falta
de conhecimento exato dos seus parmetros, grande quantidade de informaes a ser
processada, e sinais que contm incertezas. Muitos trabalhos tm demonstrado que os
esquemas de proteo baseados nos sistemas inteligentes so capazes de superar a maioria
das dificuldades citadas anteriormente. Nos trabalhos com RNAs, o diagnstico de faltas
tratado como um problema de classificao de padres sendo que, normalmente, os padres
de entrada consistem em amostras da tenso e/ou corrente da linha, como em Vsquez, Altuve
e Chacn (1996); Fernandez e Ghonaim (2002); Oleskovicz, Coury e Aggarwal (2001), e
Mahanty e Gupta (2004). J em outros trabalhos, os padres de entrada para a RNA so
componentes dos sinais extrados atravs da Transformada de Fourier, como em Gayathri e
Kumarappan (2008), ou atravs da Transformada Wavelet, como em Chiradeja e
Ngaopitakkul (2009). Nos trabalhos com Lgica Fuzzy, o diagnstico de faltas realizado por
4

um Sistema de Inferncia Fuzzy baseado em regras do tipo SE-ENTO, a partir de dados


calculados com as amostras de tenso e/ou corrente da linha, como em Das e Reddy (2005), e
Mahanty e Gupta (2007) ou a partir de dados calculados com componentes dos sinais
extrados atravs da Transformada Wavelet, como em Youssef (2004). H ainda trabalhos que
empregam as Redes Neurofuzzy, que integram as melhores caractersticas das RNAs e dos
Sistemas de Inferncia Fuzzy para o diagnstico de faltas, como em Wang e Keerthipala
(1998), e Dash, Pradhan e Panda (2000).
Apesar de todo o desenvolvimento alcanado, o diagnstico de faltas em linhas de
transmisso est longe de ser uma tarefa trivial, dados os inmeros fatores que afetam a
eficcia dos diversos mtodos existentes, tais como: resistncia de falta, local da falta, ngulo
de incidncia da falta, rudos nos sinais, dentre outros.
As tcnicas baseadas em inteligncia computacional para diagnstico de faltas em linhas
de transmisso tem se mostrado as mais eficientes, devido a sua capacidade de aprendizado,
generalizao e robustez, o que contribui para superar as deficincias dos outros mtodos de
proteo de linhas de transmisso. A adio de mtodos de anlise de sinais mais precisos,
como a Transformada Wavelet, com sistemas inteligentes como as Redes Lgicas Neurofuzzy,
torna possvel a implementao de algoritmos de diagnstico de faltas em linhas de
transmisso que, aliado a outros algoritmos, tornam a proteo ainda mais eficiente.

1.2 Objetivo
O trabalho apresentado nesta dissertao tem como objetivo o desenvolvimento de uma
metodologia de deteco e classificao de faltas do tipo curto-circuito e tipo circuito aberto
em linhas de transmisso, baseada em anlise de sinais e em tcnicas de inteligncia
computacional. A deteco da falta realizada com extrao de informaes dos sinais da
falta por Transformada Wavelet e a classificao realizada por uma Rede Lgica
Neurofuzzy, modificada com a incluso do Aprendizado Participativo. Esta metodologia
consiste em algoritmos que podem ser implementados computacionalmente.

1.3 Proposta
A metodologia proposta utiliza a Transformada Wavelet para deteco da falta a partir da
extrao de informaes dos sinais de tenso e corrente da linha de transmisso. A
Transformada Wavelet uma ferramenta matemtica muito utilizada em anlise de sinais e
apresenta vantagens em relao a outras, como a Transformada de Fourier, pois permite obter
informaes do sinal analisado tanto no domnio do tempo, quanto no domnio da frequncia,
com preciso (Makming et al., 2002).

A classificao da falta utiliza a Rede Lgica Neurofuzzy, onde as entradas da rede so os


sinais de tenso e corrente durante a ocorrncia da falta. Esta rede constituda por neurnios
lgicos tipo and e or que so modelados por normas s (s-norms) e t (t-norms). Sua estrutura
permite a insero e extrao de conhecimento na forma de regras nebulosas do tipo se-ento,
estabelecendo um mapeamento entre regras nebulosas e o conhecimento presente em sua
arquitetura. O algoritmo de treinamento da rede do tipo supervisionado, mas sem a
utilizao de derivadas (Caminhas, Tavares e Gomide, 1996).
O algoritmo de treinamento original da Rede Lgica Neurofuzzy foi modificado com a
incluso de Aprendizado Participativo (Yagger, 1990) na etapa de gerao das funes de
pertinncia dos subconjuntos fuzzy, o que permite reduzir o nmero de regras. O Aprendizado
Participativo um modelo de aprendizado que tenta captar muitas das caractersticas
relevantes do aprendizado humano. Representa um paradigma importante com diversas
aplicaes, dentre elas o treinamento de redes neurais (Hell, Costa e Gomide, 2007),
algoritmos de agrupamento (Silva, Gomide e Yagger, 2005) e diagnstico de falhas em
sistemas dinmicos (Incio et al., 2009).
Utilizando somente os sinais de tenso e corrente da linha de transmisso, o esquema
proposto capaz de detectar e classificar corretamente faltas tipo curto-circuito fase-terra,
fase-fase-terra, fase-fase e trifsico, alm de fase aberta. Para avaliao da eficincia do
algoritmo, as rotinas foram implementadas no software MATLAB (MATLAB, 2008) e
realizadas simulaes de faltas em uma linha de transmisso, empregando o software PSCAD
(PSCAD, 2005), levando em conta todas as caractersticas da linha e com diversos cenrios de
falta diferentes.

1.4 Estrutura do trabalho


Na sequncia desta introduo, no Captulo 2, so apresentados os aspectos tericos sobre
linhas de transmisso, as faltas que envolvem esta parte dos SEPs, modelos e simulaes
empregados nos estudos de sistemas de proteo. No Captulo 3 so apresentados os mtodos
de diagnstico de faltas, divididos em mtodos baseados em parmetros, mtodos baseados
em anlise de sinais e mtodos inteligentes. No Captulo 4 exposta em detalhes a
metodologia proposta para deteco e classificao de faltas. No Captulo 5 so apresentados
os resultados obtidos a partir das simulaes e implementaes realizadas. Finalmente, no
Captulo 6 so feitas as consideraes gerais sobre o trabalho e sugestes de trabalhos futuros.

Captulo 2
2 Linhas de Transmisso

As linhas de transmisso so componentes dos SEPs responsveis por transportar a


energia eltrica dos centros geradores aos centros consumidores. As linhas de transmisso
tambm interligam centros geradores, constituindo o chamado sistema de transmisso, o que
permite a otimizao na distribuio da energia produzida no pas ou mesmo entre pases
vizinhos. As linhas de transmisso podem ter de dezenas a centenas de quilmetros de
extenso, sendo que, essa caracterstica favorece a ocorrncia de faltas no sistema eltrico.
Isso tambm traz a necessidade de se adotar sistemas de proteo eficientes, de forma que as
faltas possam ser isoladas rapidamente garantindo a continuidade de funcionamento do
sistema. Podem ser utilizados modelos de linhas de transmisso e de faltas para estudo e
desenvolvimento de metodologias de diagnstico de faltas, o que viabiliza a simulao destas
por meio de programas de computador.

2.1 Descrio
Linhas de transmisso podem ser divididas basicamente em dois grupos: linhas areas de
cabos nus ou linhas subterrneas de cabos isolados. O grupo das linhas areas se divide ainda
em linhas de circuito simples ou circuito duplo, sendo qua a transmisso da energia eltrica
pode ser em corrente alternada (CA) ou em corrente contnua (CC). Em sua quase totalidade,
quando em corrente alternada, as linhas de transmisso so trifsicas.
As linhas de transmisso areas de circuito simples em CA, que constituem objeto de
estudo deste trabalho, so constitudas por um conjunto de fases formado por condutores
suspensos em uma torre e isolados entre si por meio de isoladores, cujo nmero determinado
pela tenso da linha. Dois braos curtos acima dos condutores das fases suportam cabos
usualmente feitos de ao. Esses cabos so de dimetro muito menor que os condutores das
fases e so eletricamente conectados torre e ao potencial de terra. Esses cabos so
denominados de cabo guarda ou cabo terra e protegem os condutores das fases contra
descargas atmosfricas (Grainger e Stevenson, 1994). A figura 2.1 exibe uma tpica torre de
linha de transmisso area.

Figura 2. 1: Torre de linha de transmisso area.

2.2 Representao
Segundo Grainger e Stevenson (1994), dependendo do comprimento da linha de
transmisso, a linha pode ser classificada como linha curta, linha mdia ou linha longa,
conforme mostra a tabela 2.1, para operao em frequncia de 60Hz.
Tabela 2. 1: Classificao das linhas de transmisso em funo do comprimento.
Classe
Curta
Mdia
Longa

Comprimento (L)
L 80 km
80 km L 240 km
L 240 km

O modelo a ser utilizado na representao da linha de acordo com esta caracterstica,


pois conforme a extenso da linha, alguns dos seus parmetros podem ser desprezados para
anlise, sem perda de preciso.
Nos modelos apresentados a seguir, sero adotados os seguintes smbolos:

l = comprimento da linha.
z = impedncia srie por unidade de comprimento de fase.
8

y = admitncia shunt por unidade de comprimento de fase-neutro.


Z = zl = impedncia srie nominal por fase.
Y = yl = admitncia nominal por fase-neutro.

O modelo para linhas de transmisso curtas apresentado na figura 2.2. Nesse modelo so
considerados apenas os parmetros da linha resistncia srie e impedncia srie, sendo que a
capacitncia da linha desprezada por ser muito pequena. No circuito equivalente, as relaes
entre as correntes e tenses da linha so dadas pelas equaes 2.1 e 2.2, respectivamente
(Grainger e Stevenson, 1994).

Figura 2. 2: Circuito equivalente de uma linha de transmisso curta.

IS IR

(2.1)

V S VR I R Z

(2.2)

Onde:
IS

Corrente do transmissor;

IR

Corrente do receptor;

VS

Tenso no transmissor;

VR

Tenso no receptor;

Impedncia total da linha.

O modelo para linhas de transmisso mdias apresentado na figura 2.3. Nesse modelo
includa a admitncia shunt, usualmente capacitiva pura. Se a admitncia shunt total da linha
dividida em duas partes iguais, metade no lado do transmissor e metade no lado do receptor, o
circuito equivalente chamado de circuito PI. As relaes entre as correntes e tenses da
linha para esse circuito so dadas pelas equaes 2.3 e 2.4, respectivamente (Grainger e
Stevenson, 1994).

Figura 2. 3: Circuito equivalente de uma linha de transmisso mdia.

I S V RY 1

ZY ZY

1I R

4 2

ZY

VS
1V R ZI R
2

(2.3)

(2.4)

Onde:
IS

Corrente do transmissor;

IR

Corrente do receptor;

VS

Tenso no transmissor;

VR

Tenso no receptor;

Impedncia total da linha.

Admitncia shunt total da linha.

O modelo para linhas de transmisso longas apresentado na figura 2.4. Nesse modelo
considerado o fato de que os parmetros da linha no so concentrados, mas, em vez disso,
so distribudos uniformemente ao longo do comprimento da linha. No circuito equivalente,
considerado um elemento diferencial dx na linha, a uma distncia x do lado do receptor. Dessa
forma, zdx e ydx so, respectivamente, a impedncia srie e a admitncia shunt da seo. Os
fasores V e I so fasores que variam com a distncia x. A soluo para esse circuito dada por
equaes diferenciais (equaes 2.5 e 2.6), cuja deduo resulta nas equaes 2.7 e 2.8
(Grainger e Stevenson, 1994).

10

Figura 2. 4: Circuito equivalente de uma linha de transmisso longa.

dI
yV
dx

(2.5)

dV
zI
dx

(2.6)

VR I R Z C

VR / Z C I R

2
2

e x
e x

VR I R Z C

e x

2
V / Z C I R x
R
e
2

(2.7)
(2.8)

Onde:
IS

Corrente do transmissor;

IR

Corrente do receptor;

VS

Tenso no transmissor;

VR

Tenso no receptor;

Zc

Impedncia caracterstica da linha ( Z C z / y ).

Constante de propagao ( zy m-1).

2.3 Faltas envolvidas


Uma falta em um SEP uma condio anormal que envolve uma falha eltrica em um
elemento do sistema, operando em uma das tenses primria dentro do sistema. Geralmente,
dois tipos de faltas podem ocorrer: curto-circuito (assimetria shunt) e circuito aberto
(assimetria srie). A falta tipo curto-circuito ocorre por uma falha de isolao, como por
11

exemplo, resultado de estresse e degradao de um isolador ao longo do tempo ou devido a


uma condio de sobretenso sbita. A falta tipo circuito aberto ocorre por uma interrupo
no fluxo de corrente (Tleis, 2008).
Em linhas de transmisso, as faltas tipo curto-circuito podem ocorrer entre fases, entre
fases e terra ou ambos os casos. Dessa forma, os casos de curto-circuito podem ser
classificados como:

fase-terra (line-ground LG);


fase-fase (line-line LL);
fase-fase-terra (line-line-ground LLG).
trifsico (line-line-line LLL);

Os diagramas simplificados nas figuras 2.5 a 2.8 ilustram cada tipo de falta de curtocircuito, onde Zf representa a impedncia da falta.

Figura 2. 5: Diagrama simplificado de uma falta tipo LL.

Figura 2. 6: Diagrama simplificado de uma falta tipo LLL.

12

Figura 2. 7: Diagrama simplificado de uma falta tipo LG.

Figura 2. 8: Diagrama simplificado de uma falta tipo curto-circuito LLG.


A falta tipo trifsica que afeta simetricamente as trs fases do circuito trifsico dita
balanceada, enquanto todos os tipos de falta so no-balanceadas. Podem ocorrer faltas que
so uma combinao de dois ou mais tipos de falta ao mesmo tempo. E faltas iguais ou
diferentes tambm podem ocorrer no mesmo local ou em locais diferentes. Por exemplo, um
condutor de fase que cai ao solo , simultaneamente, uma falta tipo curto-circuito e tipo
circuito-aberto. Faltas em uma fase afeta as outras fases que esto normais, causando
perturbaes. A maioria das faltas no muda de tipo durante o perodo de ocorrncia da faltas,
mas algumas faltas podem evoluir de uma falta tipo fase-terra para uma fase tipo fase-faseterra, por exemplo. Isso pode ocorrer em linhas de transmisso areas onde o arco eltrico do
curto-circuito propaga para as outras fases normais.
Faltas tipo curto-circuito podem ser causadas por fatores meteorolgicos, tais como:
descargas atmosfricas, chuva torrenciais, ventos fortes, ou ainda por outros fatores como
poluio depositada em isoladores, inundaes e incndios debaixo de linhas de transmisso e
contato com rvores. Vandalismos, acidentes com veculos, pessoas e animais tambm podem
ser a causa de curto-circuito.
As faltas tipo circuito aberto podem ocorrer em uma fase ou duas fases simultaneamente.
Apesar de ser possvel ocorrer, o caso de trs fases abertas normalmente no uma falta, mas
uma operao de comutao normal do sistema, tal como a abertura das trs fases de um
disjuntor. Assim, os casos de circuito aberto podem ser classificados como:
13

fase aberta (line-open LO);


fase-fase aberta (line-line-open LLO).

Os diagramas simplificados nas figuras 2.9 e 2.10 ilustram cada tipo de falta de circuito
aberto, onde Zf representa a impedncia da falta.

Figura 2. 9: Diagrama simplificado de uma falta tipo LO.

Figura 2. 10: Diagrama simplificado de uma falta tipo LLO.


Faltas tipo circuito aberto podem ser causadas por falhas em junes de cabos ou falha
em um dispositivo de proteo instalado ao longo da linha, como por exemplo, um disjuntor.

2.4 Modelo
Em anlises de faltas em linhas de transmisso, muitas vezes assume-se que a falta em
questo um curto-circuito ideal, ou seja, de resistncia zero. Na realidade, para faltas entre
fases, a falta ser devido a um arco eltrico entre dois condutores de alta-tenso, enquanto que
para faltas entre fases e terra, a falta ser devido a um arco eltrico entre o condutor de altatenso e um objeto aterrado, como o cabo terra ou a prpria torre em si.

14

Em qualquer caso, a falta ter uma resistncia, que pode consistir na resistncia do arco ou
na resistncia do arco em srie com a resistncia terra da base da torre, no caso de faltas
envolvendo a terra. A resistncia da base da torre praticamente constante durante a falta
(com valores entre 5 e 50), enquanto a resistncia do arco varia no tempo, conforme flui a
corrente da falta. Durante o perodo inicial do arco, a resistncia insignificante e como o
canal do arco vai alongando, a resistncia aumenta. Para fins de anlise de faltas, geralmente
assume-se que a resistncia do arco constante, dada pela seguinte frmula emprica
(Horowitz e Phadke, 2008):

R arc

76V

S sc

(2.9)

Onde:
V

Tenso do sistema em kV.

Ssc

Potncia do curto-circuito em kVA no ponto da falta.

Por exemplo, a resistncia do arco eltrico em uma linha de transmisso de 345kV no


ponto de um curto-circuito com potncia de 1500MVA ser:

R arc

76 3452

6
1500 103

Outra formla emprica para determinar resistncia do arco eltrico, segundo Warrington
(1978), a seguinte:

R arc

8750L

I sc

1, 4

(2.10)

Onde:
L

Comprimento do arco em ps.

Isc

Corrente do curto-circuito em valor eficaz.

A resistncia da falta introduz uma dificuldade no diagnstico da falta, especialmente na


estimativa da distncia da falta. Conforme mostra a figura 2.11, em uma linha de transmisso
com falta fase-terra em um determinado ponto F, a corrente na resistncia de falta ter a
contribuio da corrente do terminal remoto da linha, de forma que a corrente de falta ser:

If I Ir

15

(2.11)

Figura 2. 11: Linha de transmisso com uma falta fase-terra.


A tenso na barra A dada pela equao 2.11 e a impedncia aparente vista a partir de A
dada pela equao 2.12.

V a Z f I Rf I I r
Ir

1
I

Z a Va / I Z f Rf

(2.12)
(2.13)

Onde:
I

Corrente da linha.

Ir

Corrente remota.

Zf

Impedncia da linha at o ponto da falta.

Rf

Resistncia da falta.

Como as correntes I e Ir podem no estar em fase, isso provocar uma alterao tanto na
resistncia quanto na reatncia do segmento da linha de transmisso antes do ponto da falta,
dificultando o diagnstico da falta (Horowitz e Phadke, 2008).

2.5 Simulao
A utilizao de dados reais de tenso e corrente de linhas de transmisso em estudos de
diagnstico de faltas nem sempre possvel, visto que normalmente tais dados ficam
disponveis apenas para os sistemas de proteo das empresas concessionrias de energia
eltrica. Dessa forma, os trabalhos relacionados com diagnstico de faltas em linhas de
transmisso normalmente utilizam programas computacionais para simular faltas em linhas, a
fim de resolver o problema de escassez de dados.
A simulao de faltas requer a utilizao de modelos adequados dos componentes do SEP,
tais como geradores, linhas de transmisso e cargas. Com esses modelos, possvel

16

implementar um dado sistema e inserir nele as faltas desejadas. As tenses e correntes da


linha podem ser monitoradas e os dados armazenados para utilizao posterior.
As figuras 2.12 e 2.13 apresentam, a ttulo de exemplo, as formas de onda de tenso e
corrente em uma linha de transmisso de 230 kV resultantes de simulaes de falta tipo curtocircuito fase-terra e falta tipo fase aberta, respectivamente. As faltas foram inseridas entre os
instantes de tempo 0,2s e 0,3s. Nas formas de ondas pode-se observar as distores
provocadas pela insero das faltas.
Va
Vb
Vc

200

V (kA)

100

-100

-200
0.15

0.2

0.25
t (s)

0.3

0.35

Ia
Ib
Ic

4
3

I (kA)

2
1
0
-1
-2
-3
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 2. 12: Resultados de simulao de falta tipo curto-circuito fase-terra.


Va
Vb
Vc

200

V (kV)

100

-100

-200
0.15

0.2

0.25
t (s)

0.3

0.4

0.35

Ia
Ib
Ic

0.3
0.2

I (kA)

0.1
0
-0.1
-0.2
-0.3
-0.4
0.15

0.2

0.25
t (s)

0.3

Figura 2. 13: Resultados de simulao de falta tipo fase aberta.


17

0.35

Captulo 3
3 Diagnstico de faltas em linhas de transmisso

Ao longo do desenvolvimento das tecnologias de proteo de SEP, foram criados vrios


mtodos para diagnstico de faltas em linhas de transmisso. Atualmente, os mtodos podem
ser divididos em mtodos convencionais, mtodos baseados em anlise de sinais e mtodos
baseados em sistemas inteligentes. Os mtodos convencionais utilizam uma variedade de
parmetros para tomada de deciso sobre a ocorrncia da falta, sendo que os parmetros mais
comuns so a tenso e a corrente da linha. Os mtodos baseados em anlise de sinais utilizam
os transitrios de alta frequncia gerados pela falta na linha para sua deteco, onde os
transitrios so extrados dos sinais de tenso ou corrente empregando ferramentas
matemticas, tais como a Transformada de Fourier ou a Transformada Wavelet. E os mtodos
baseados em sistemas inteligentes utilizam dados extrados da linha como padres de entrada
para o sistema inteligente, tais como RNAs, Lgica Fuzzy ou Redes Neurofuzzy.

3.1 Mtodos convencionais


Em geral, quando ocorre faltas tipo curto-circuito em linhas de transmisso, a magnitude
das correntes aumenta e das tenses diminui. Alm das mudanas de magnitudes nessas
grandezas, outras mudanas podem ocorrer em um ou mais dos seguintes parmetros: ngulos
de fase entre tenso e corrente, componentes harmnicas, potncias ativa e reativa,
frequncia, etc. O princpio de funcionamento dos rels de proteo pode ser baseado na
deteco dessas mudanas (Horowitz e Phadke, 2008).
Ao longo da evoluo dos rels digitais de proteo, muitos algoritmos de diagnstico de
faltas foram desenvolvidos a partir dos mtodos convencionais de proteo de SEP, que se
baseiam na mudana das grandezas da linha, principalmente tenso, corrente e impedncia
vista. Desses mtodos, os mais empregados para diagnstico de faltas em linhas de
transmisso so (Phadke e Thorp, 2009):

Proteo de sobrecorrente: o mtodo de proteo mais simples, que utiliza a


magnitude da corrente como um indicador da falta. Nesse mtodo, o rel de proteo
ir operar quando a mxima corrente de carga for maior que a mnima corrente de falta
ajustada previamente (conhecida como corrente de pickup do rel), ou seja:

I L I P : falta
I L I P : operao normal

18

(3.1)

onde IL a corrente da carga e IP a corrente de pickup. A atuao pode ser


instantnea ou temporizada, onde o tempo de atuao inversamente proporcional ao
valor da corrente de falta.

Proteo direcional: quando o circuito na qual a linha de transmisso est inserida


formado por mltiplas fontes necessria uma proteo de sobrecorrente direcional,
para limitar a operao do rel para faltas em apenas uma direo. Os chamados rels
de sobrecorrente direcionais utilizam o ngulo de fase entre a corrente de falta e uma
grandeza de referncia (a tenso correspondente, por exemplo) para determinar a
direo da falta. Considerando que o circuito da falta consiste na maior parte de linhas
de transmisso quase puramente indutivas, o atraso da corrente de falta em relao a
tenso quase 90. Se o ngulo entre o fasor de referncia (tenso) e a corrente de
falta , a operao do rel descrita por:

0 : operao
0 : bloqueio

(3.2)

Proteo de distncia: em redes de extra-alta tenso, os valores da mxima corrente de


carga e mnima corrente de falta nem sempre so bem definidos, nem so
suficientemente afastados para permitir uma escolha segura da corrente de pickup.
Para esses casos os chamados rels de distncia fornecem uma proteo mais eficiente.
Considerando uma linha de transmisso com uma falta tipo curto-circuito fase-fase a
uma distncia k da posio do rel, tem-se a seguinte relao:

Ex Ey
kZ 1
Ix Iy

(3.3)

onde Ex, Ey, Ix, e Iy so as tenses e correntes nas fases x e y, respectivamente. Z1 a


impedncia de sequncia positiva da linha inteira. De forma similar, para uma falta
tipo curto-circuito fase-terra, tem-se a seguinte relao:

Ex
kZ 1
I x mI 0

(3.4)

onde m = (Z0-Z1)/Z1 e Z0 a impedncia de sequncia zero da linha. As relaes dadas


nas equaes 3.3 e 3.4 representam a frao da impedncia da linha na qual a falta
ocorre. Se essa frao for menor que a impedncia total da linha, o rel ir operar.

Proteo piloto: a proteo piloto utilizada quando se deseja que a linha inteira (e
no apenas uma parte dela) seja provida de uma proteo de alta velocidade. Nesse
tipo de proteo, os rels de proteo remotos transmitem a informao da localizao
da falta um para outro, permitindo a isolao da zona sob a falta no menor tempo
possvel. Um canal de comunicao deve ser usado, podendo ser uma portadora de alta
frequncia na linha, um canal de microondas, um cabo de fibra tica ou ainda um fio
ao longo da linha, o chamado fio piloto.

19

Os algoritmos baseados nos mtodos convencionais utilizam as componentes de


frequncia fundamental da tenso e corrente obtidas a partir das amostras extradas da linha.
O desempenho desses algoritmos depende da estimativa precisa das componentes de
frequncia fundamental de um sinal composto por algumas amostras (Phadke e Thorp, 2009).
Vrias tcnicas de estimao de parmetros podem ser utilizadas, sendo as mais citadas na
literatura:

Mnimos quadrados;
Transformada Discreta de Fourier;
Funes Walsh;
Equao diferencial do modelo R-L;
Filtro de Kalman.

Outros mtodos convencionais tambm so utilizados em algoritmos para diagnstico de


faltas em linhas de transmisso. No mtodo das componentes simtricas, aplicando uma
matriz de transformao adequada na tenso e corrente de cada fase, obtm-se as
componentes de sequncia positiva, sequncia negativa e sequncia zero. Calculando as
relaes entre as componentes simtricas obtm-se a frao da impedncia da linha em que
ocorre a falta e, por comparao com a impedncia da linha, possvel detectar a falta. J no
mtodo das componentes de Clarke, tambm aplicando uma matriz de transformao
adequada na tenso e corrente de cada fase, obtm-se as chamadas componentes zero, alfa e
beta. Atravs de comparaes dos valores calculados a partir das componentes de Clarke,
possvel classificar corretamente o tipo de falta (Phadke e Thorp, 2009).
Os mtodos convencionais baseados em parmetros so amplamente empregados em
sistemas de proteo de linhas de transmisso, mas vrios fatores afetam a preciso desses
mtodos, tais como: resistncia de falta, distncia da falta, influncia de efeitos mtuos nas
componentes de sequncia zero em linhas paralelas, efeitos de reatncia, impreciso do
modelo da linha, dentre outros. (Silveira, Seara e Zurn, 1999).

3.2 Mtodos baseados em anlise de sinais


As mudanas nos sinais de tenso e corrente da linha de transmisso devido ocorrncia
de uma falta, quando analisadas no domnio da frequncia, permitem observar que as
mudanas ocorrem tanto na componente de frequncia fundamental, quanto nas componentes
de alta frequncia dos sinais. E nota-se ainda que a mudana nas componentes de alta
frequncia ocorre mais rapidamente do que na componente de frequncia fundamental, e tal
mudana tambm depende das caractersticas da falta. Dessa forma, se o espectro dos sinais
de falta for extrado, o diagnstico da falta pode ser realizado (Makming et al., 2002).
Sabe-se que as componentes de alta frequncia dos sinais gerados pela falta contm uma
riqueza de informaes sobre a mesma, tais como o tipo da falta, sua localizao, direo e
durao. O uso desses sinais transitrios de alta frequncia permite a criao de novos
20

princpios de proteo que no podem ser implementados usando somente com sinais na
frequncia fundamental do sistema. Isto levou ao desenvolvimento das tecnologias
denominadas proteo baseada em transitrio e identificao de transitrio (Bo; Redfern;
Weller, 2000).
Os esquemas de proteo baseada em transitrio operam extraindo os sinais transitrios de
alta frequncia gerados pela falta, atravs de dispositivos de deteco especialmente
projetados e seus algoritmos associados. Os sinais de corrente de altas frequncias so
extrados diretamente de transformadores de corrente (TC). Apesar do TCs convencionais
atenuarem sinais de altas frequncias, suas caractersticas so tais que um sinal suficiente
pode ser detectado e medido, e vrios pesquisadores tem estudado o uso de sinais de altas
frequncias em mtodos de proteo. Aps os sinais extrados passarem por uma filtragem
analgica, so utilizados algoritmos rpidos de processamento de sinais para permitir a
realizao da identificao da falta (Bo, Redfern e Weller, 2000). Desses algoritmos, dentre
os mais utilizados esto a Transformada de Fourier e a Transformada Wavelet.

3.2.1 Transformada de Fourier


A anlise de sinais e sistemas usando representaes senoidais denominada anlise de
Fourier e pode ser dividida em quatro representaes distintas, uma para cada classe de sinais
(Haykin e Venn, 2001):

Srie de Fourier (Fourier Series FS): se aplica a sinais peridicos de tempo


contnuo;
Srie de Fourier de Tempo Discreto (Discrete Time Fourier Series DTFS): se aplica
a sinais peridicos de tempo discreto;
Transformada de Fourier (Fourier Transform FT): se aplica a sinais no-peridicos
de tempo contnuo;
Transformada de Fourier de Tempo Discreto (Discrete Time Fourier Transform
DTFT): se aplica a sinais no-peridicos de tempo discreto.

Como nos esquemas de proteo de linhas de transmisso com rels digitais a informao
tratada na forma discreta (amostras da tenso e corrente da linha), a representao utilizada
na anlise dos sinais a DTFS. Considerando um sinal discreto x(n), a DTFS desse sinal
expressa como:

X k

N 1

x n e
n

E a DTFS inversa expressa como:

21

jko n

(3.5)

x n

N 1

X k e jk

0n

(3.6)

Onde:
N

perodo fundamental.

frequncia angular fundamental ( o = 2/N).

A representao pelos coeficientes da DTFS tambm conhecida como representao de


domnio de frequncia, porque cada coeficiente da DTFS associado com uma senide
complexa de frequncia diferente. A equao 3.5 a DTFS de x(n), uma vez que ela converte
o sinal no domnio do tempo para sua representao no domnio da frequncia. J a equao
3.6 a DTFS inversa, uma vez que ela converte a representao no domnio da frequncia de
volta ao domnio de tempo.
A DTFS mais frequentemente citada na literatura como transformada discreta de Fourier
ou Discrete Fourier Transform DFT, apesar de que a terminologia DTFS mais descritiva e
tem menos probabilidade de acarretar confuso com a DTFT (Haykin e Venn, 2001). A figura
3.1 ilustra a aplicao da Transformada de Fourier em um sinal.

Figura 3. 1: Aplicao da Transformada de Fourier.


O uso da DTFS em sistemas computacionais viabilizado pela disponibilidade de
algoritmos eficientes, chamados genericamente de Transformadas Rpidas de Fourier (Fast
Fourier Transform FFT). Esses algoritmos rpidos operam de acordo com o princpio
dividir para conquistar, dividindo a DTFS numa srie DTFS de ordem mais e explorando as
propriedades de simetria e periodicidade da senide complexa ejk2n. necessria uma menor
quantidade de operaes para calcular a DTFS de ordem mais baixa do que para calcular a
DTFS original (Haykin e Venn, 2001).

3.2.2 Exemplo empregando Transformada de Fourier


Normalmente, a FFT empregada nos algoritmos de diagnstico de falta em linhas de
transmisso na etapa de extrao de caractersticas dos sinais da linha, onde os sinais de altas

22

frequncias so convertidos para o domnio da frequncia e suas componente so empregados


nas etapas seguintes do diagnstico da falta.
Como apresentado no trabalho de Bo, et al. (1997), o problema de diagnstico de faltas
tratado como um problema de classificao de padres, ou seja, um padro de dados extrado
da linha de transmisso pode ser classificado como um padro normal (sem falta) ou um
padro anormal (com falta). Como classificador os autores prope o uso de uma RNA, que
deve ser previamente treinada com padres de dados correspondentes aos diversos tipos de
faltas. A utilizao da Transformada de Fourier ocorre na gerao dos padres de dados.
A gerao dos padres de dados inicia-se na extrao de amostras das tenses de cada fase
da linha de transmisso. Os trs sinais de tenso (Va, Vb, Vc) passam por um filtro antialiasing, que elimina as frequncias no desejadas, e so amostrados a uma taxa de 200 kHz.
Em seguida, so obtidas as amplitudes das componentes de altas frequncias dos sinais
empregando um algoritmo FFT. Os sinais no domnio da frequncia so ento divididos em 6
faixas de frequncia, resultando em um vetor de entrada para a RNA com 18 caractersticas
associadas com as trs fases. Assim, partir dos dados de entrada, a RNA produz em cada uma
das suas trs sadas um valor 0 para indicar fase em operao normal ou 1 para indicar fase
com ocorrncia da falta. A figura 3.2 apresenta a configurao bsica do mtodo de
diagnstico de faltas proposto.

Figura 3. 2: Mtodo baseado em FFT para diagnstico de faltas (Bo, et al., 1997).
Nos trabalhos que empregam a Transformada de Fourier para diagnstico de faltas em
linhas de transmisso, os resultados obtidos demonstram que os mtodos propostos so
eficientes e precisos para a maioria dos tipos de faltas. Mas, segundo Das, Singh e Sinha
(2006), e Gayathri e Kumarappan (2008), para alguns tipos de faltas (especificamente, curtocircuitos fase-fase e fase-fase-terra) os mtodos falharam na identificao das mesmas. Alm
disso, os autores apontam uma desvantagem da Transformada de Fourier para fins de
deteco de faltas, que a falta da informao temporal, uma vez que a transformada apenas
fornece informao sobre a frequncia. Ou seja, atravs da Transformada de Fourier no
possvel determinar o instante de tempo em que cada componente de frequncia do sinal
ocorre, o que fundamental para um diagnstico de faltas mais eficiente e preciso.

23

3.2.3 Transformada Wavelet


Wavelets so funes que satisfazem certos requisitos matemticos e so usadas na
representao de dados ou outras funes. A idia de aproximao com superposio de
funes no nova, pois desde 1800 Josep Fourier j havia descoberto que era possvel
sobrepor senos e cossenos para representar outras funes. Mas, na chamada anlise de
wavelet, a escala que se usa para examinar os dados desempenha um papel especial. Os
algoritmos que empregam wavelets processam dados em diferentes escalas ou resolues. Se
o sinal for examinado com uma janela grande, pode-se observar caractersticas grossas.
Da mesma forma, se o sinal for examinado com uma janela pequena, pode-se observar
caractersticas finas. Atualmente as wavelets so empregadas em uma vasta gama de
aplicaes e em diversas reas, tais como, matemtica, fsica, engenharia e computao
(Graps, 1995).
Uma wavelet uma forma de onda com durao limitada e que tem valor mdio zero.
Comparando com as ondas senoidais, que so a base da anlise de Fourier, enquanto as
senides no tm durao limitada (vo de menos infinito a mais infinito), so suaves e
previsveis, as wavelets tendem a ser irregulares e assimtricas (Misiti et al., 2007). A Figura
3.3 ilustra estas diferenas.

Figura 3. 3: Diferenas entre uma onda senoidal e uma wavelet.


A anlise de Fourier consiste em dividir um sinal em ondas senoidais de diferentes
frequncias. Da mesma forma, a anlise de wavelet a diviso de um sinal em verses
deslocadas e escalonadas da wavelet original, comumente chamada de wavelet me.
Para muitos sinais, a anlise de Fourier muito til porque o contedo de frequncia do
sinal de grande importncia. Mas, a anlise de Fourier tem um srio inconveniente. Na
transformao para o domnio da frequncia, a informao tempo perdida. Observando-se
uma Transformada de Fourier de um sinal, impossvel dizer quando um evento ocorreu. A
fim de corrigir esta deficincia, a Transformada de Fourier foi adaptada para analisar somente
uma pequena parcela do sinal de cada vez, uma tcnica chamada de janelamento do sinal.
Essa adaptao, denominada de Transformada de Fourier de Janela ou Short Time Fourier
Transform STFT, mapeia um sinal em uma funo de duas dimenses: tempo e
frequncia. No entanto, essa informao somente poder ser obtida com preciso limitada,
sendo que a preciso determinada pelo tamanho da janela. A desvantagem que quando se
escolhe um determinado tamanho para a janela de tempo, essa janela a mesma para todas as
frequncias (Misiti et al., 2007).
24

A anlise de wavelet representa o prximo passo em mtodos de anlise de sinais: uma


tcnica de janelamento com regies de tamanho varivel. A anlise de wavelet permite o
uso de intervalos de tempo longos onde se deseja informao de baixas frequncias mais
precisa, e intervalo de tempos curtos onde se deseja informao de altas frequncias mais
precisa. A figura 3.4 ilustra a aplicao da Transformada Wavelet em um sinal.

Figura 3. 4: Aplicao da Transformada Wavelet.


Matematicamente, a Transformada Wavelet Contnua (Continuous Wavelet Transform
CWT) de um sinal contnuo x(t) com relao a uma wavelet me g(t) genericamente definida
como (Kim e Aggarwal, 2000):

CWT a , b

t b
dt
a

x t g

(3.7)

Onde:
a

dilatao ou fator de escala.

fator de translao.

tempo.

Na equao 3.7 as variveis a e b so contnuas. Essa equao mostra que a CWT mapeia
o sinal original de uma dimenso no domnio do tempo para uma nova funo de duas
dimenses atravs do fator da escala a e do fator de translao b. Um coeficiente wavelet
CWT(a,b) a uma determinada escala e translao representa o quo semelhante so o sinal
original x(t) e a wavelet me g(t) escalonada e transladada. Assim, o conjunto de todos os
coeficientes wavelet CWT(a,b) associados com um sinal em particular so a representao
wavelet do sinal original x(t) com relao wavelet me g(t). A wavelet me pode ser vista
como uma funo de janelamento, onde o fator de escala a representa a largura da janela.
Dessa forma, possvel analisar os componentes de frequncia de banda estreita de um sinal
com um pequeno fator de escala, e componentes de frequncia de banda larga com um grande
fator de escala. Isto permite capturar todas as caractersticas de um determinado sinal.
Uma grande famlia de wavelets, tambm conhecidas como wavelets filhas, pode ser
gerada a partir de uma wavelet me variando-se os fatores de escala e translao. O nmero de
coeficientes e o nvel de iterao para gerar uma wavelet filha dentro de uma famlia usado
25

para distinguir de outra wavelet da famlia. Existem muitos tipos de wavelets me que podem
ser empregadas na prtica. A figura 3.5 apresenta algumas das wavelets me comumente
utilizadas: as wavelets de Haar, Symmlet, Daubechies e Morlet. Dessas, as de Haar e de
Morlet so classificadas como ortogonais, enquanto as de Symmlet e de Daubechies so noortogonais (Kim e Aggarwal, 2000). A referncia Misiti et al. (2007) apresenta as
caractersticas das principais famlias de wavelets utilizadas em processamentos de sinais.

Figura 3. 5: Exemplos de wavelets me.


Assim como existem as Transformadas de Fourier Contnua e Transformada de Fourier
Discreta, a Transformada Wavelet Contnua possui sua verso discreta implementvel
digitalmente, chamada de Transformada Wavelet discreta (Discrete Wavelet Transform
DWT), e definida como (Kim e Aggarwal, 2000):

DWT m , k

ao

k nbo a o m
x n g

ao
n

(3.8)

Onde:
x(n)

sinal discreto.

passo na escala discreta.

passo na translao discreta.

amostra.

Na DWT, os parmetros de escala e translao so funes dos parmetros inteiros m e n,


isto , a = aom e b = nboaom, originando uma famlia de wavelets dilatadas, ou seja, as
wavelets filhas. O resultado um escalonamento geomtrico, isto , 1, 1/a, 1/a2... e translao
por 0, n, 2n, ... Esse escalonamento proporciona DWT uma anlise espectral logartmica, em
contraste com a anlise espectral uniforme da STFT.
26

Trocando as variveis n, k e rearranjando a DWT da equao 3.8, obtm-se (Kim e


Aggarwal, 2000):

DWT m , n

x k g ao

ao

n bo k

(3.9)

Observando a equao 3.9 nota-se uma h uma semelhana com a equao do Filtro de
Resposta Finita (Finite Impulse Response FIR), a saber:

y n

x k h n k

(3.10)

Onde:
h(n-k) resposta ao impulso do filtro FIR
Comparando as equaes 3.9 e 3.10 fica evidente que a resposta ao impulso da DWT
dada por:

g ao n bo k

(3.11)

Escolhendo ao = 2, ou ao-m = 1, 1/2, 1/4, 1/8, ..., e bo = 1, a DWT pode ser implementada
usando um filtro multi-estgio, com a wavelet me como o filtro passa-baixa l(n) e sua
complementar como o filtro passa-alta h(n). Essa implementao est ilustrada na figura 3.6.
Como mostra essa figura, a sub-amostragem (downsampling) realizada nas sadas dos filtros
passa-baixa por um fator de 2 (2) equivale a escalonar a wavelet por um fator de 2 para o
prximo estgio, simplificando o processo de dilatao. Os filtros passa-alta e passa-baixa
esto relacionados por:

h L 1 n 1 l n
n

Onde:
L

comprimento do filtro

Figura 3. 6: Filtro multi-estgio para implementao da DWT.


27

(3.12)

Os dois filtros so verses invertidas e alternadas um do outro, sendo que a converso de


passa-baixa para passa-alta fornecida pelo termo (-1)n, condio satisfeita em filtros
comumente usados em processamento de sinais e conhecidos como filtros espelho em
quadratura (Quadrature Mirror Filters QMF). A implementao da DWT com um banco de
filtros eficiente do ponto de vista da computao necessria para tal. As sadas de cada filtro
passa-alta da figura 3.8 fornece a verso detalhada da componente de alta frequncia do sinal.
E as sadas de cada filtro passa-baixa novamente dividida para se obter as outras verses
detalhadas do sinal de entrada. Assim como a tcnica STFT, a DWT pode ser representada em
um grfico de duas dimenses, mas com uma diviso de tempo e frequncia diferente. Por
exemplo, para um sinal amostrado numa frequncia Fs, a frequncia mais alta do sinal
amostrado que pode ser representada fielmente Fs/2, de acordo com o teorema de Nyquist.
Isto seria visto na sada do primeiro filtro passa-alta do banco de filtros da figura 3.6, isto , o
primeiro detalhe (D1) captura a banda de frequncias entre Fs/2 e Fs/4. De forma semelhante,
o segundo detalhe (D2) captura a banda de frequncias entre Fs/4 e Fs/8, e assim por diante
(Kim e Aggarwal, 2000).
A decomposio consiste num procedimento comumente denominado de anlise
multiresoluo (Multiresolution Analysis MRA), onde empregado o algoritmo da DWT
para se obter os coeficientes de aproximao (Aj) e os coeficientes de detalhe (Dj) do sinal em
diferentes nveis de resoluo. O procedimento definido como (Kim e Aggarwal, 2001):

A j n

l k A j n k

(3.13)

D j n h k A j 1 n k

(3.14)

Onde:
h(k)

filtro discreto passa-alta.

l(k)

filtro discreto passa-baixa.

resoluo.

comprimento do filtro (k = 1,2,3,...,K).

Um coeficiente de aproximao uma representao de baixa resoluo do sinal original e


contm uma tendncia geral do sinal, enquanto um coeficiente de detalhe a diferena entre
duas representaes de baixa resoluo sucessivas do sinal original e incorpora o contedo de
alta frequncia do sinal. O nmero mximo de nveis determinado por vrios fatores, tais
como o comprimento do sinal original, a wavelet me selecionada e o nvel de detalhe
requerido. Os filtros passa-baixa e passa-alta so determinados pela funo de escalonamento
e funo wavelet, respectivamente. A figura 3.7 apresenta, a ttulo de exemplo, a
decomposio de um tpico sinal de corrente de falta em linha de transmisso nos coeficientes
de aproximao (A3) e de detalhe (D1 a D3), utilizando a wavelet me db4 (Daubechies 4).

28

Observando a figura, pode-se notar nos instantes de incio e fim da falta a presena de
componentes de alta frequncia indicados pelos coeficientes de detalhe D1 a D3.

I (kA)

-5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

A3

-5

D1

0.05
0
-0.05

D2

0.2
0
-0.2

D3

0.5
0
-0.5

Figura 3. 7: Decomposio de um sinal de falta utilizando wavelet me db4.

3.2.4 Exemplos empregando Transformada Wavelet


O diagnstico de faltas baseada na Transformada Wavelet emprega a decomposio dos
sinais de tenso ou corrente da linha de transmisso nos chamados coeficientes wavelet, onde
cada um desses coeficientes representa uma parte dos sinais localizados tanto no tempo
quanto na frequncia. Os coeficientes so ento utilizados como dados de entrada nos
algoritmos.
O trabalho de Kim et al. (2002) apresenta um mtodo para deteco de faltas de alta
impedncia (High Impedance Fault HIF) em linhas de transmisso baseada na
Transformada Wavelet. Nesse artigo abordado inicialmente um estudo realizado para
selecionar a wavelet me mais adequada para deteco de HIF. Os autores empregam a DWT
para determinar o valor mximo do somatrio dos coeficientes de detalhe D1 dos sinais de
correntes extrados da linha de transmisso utilizado diferentes famlias de wavelets.
escolhida ento a wavelet me que apresentou maiores amplitudes nos somatrios da fase sob
falta e maior diferena entre os somatrios da fase sob falta e das fases normais, nesse caso a
db4. A seguir, os autores apresentam o algoritmo proposto para deteco de faltas, que inicia
determinando atravs da DWT os coeficientes D1 dos sinais de correntes de fase durante um
ciclo (a frequncia de amostragem de 3.840 Hz, o que equivalente a 64 amostras/perodo em
60Hz). Com base nesses coeficientes, calculado o somatrio do valor absoluto dos
coeficientes da trs fases, nomeado de SUM_d1. O valor do somatrio comparado com um
29

valor de limiar predefinido, nomeado de FC. Caso o somatrio supere o limiar, uma varivel
tipo contador, nomeada de FI, incrementada, caso contrrio, ela zerada. A varivel FI
comparada com um nmero de amostras predefinido, nomeado de D, de forma que a falta
detectada somente quando o valor de FI superar D amostras. Com essa lgica de deciso, a
falta deve persistir durante um determinado tempo, de forma que o algoritmo evita a deteco
de falsas faltas, como transitrios provocados por comutao de cargas, por exemplo.
Segundo os autores, para o sistema estudado, os valores timos de FC e D so 0,085 e 128,
respectivamente. O algoritmo de deteco de faltas proposto apresentado na figura 3.8.
No trabalho de Reddy e Mohanta (2007) apresentado um mtodo para classificao de
faltas em linha de transmisso baseado na Transformada Wavelet semelhante ao mtodo
apresentado no trabalho de Chanda, Kishore e Sinha (2003). Em ambos os artigos, o
coeficiente de detalhe D3 da DWT utilizado como parmetro de classificao. A partir dos
sinais de correntes extrados da linha de transmisso durante um ciclo (com uma frequncia
de amostragem de 12,5kHz), a DWT empregada para determinar o valor do somatrio dos
coeficientes de detalhe D3 (detalhe trs). Os somatrios so nomeados de Sa, Sb e Sc, em
relao as fases a, b, e c, respectivamente. Comparando as magnitudes dos trs somatrios, o
algoritmo proposto realiza a classificao das faltas tipo curto-circuito fase-fase (LL), trifsica
(LLL), fase-terra (LG) ou fase-fase-terra (LLG). Segundo os autores, a escolha do coeficiente
de detalhe D3 entre os diversos nveis de decomposio obtidos pela DWT justificada pelo
fato de que, os valores absolutos do somatrio dos coeficientes D3 para todos os ngulos de
incidncia da falta considerados so mais altos, quando comparados com os obtidos com os
outros nveis. Outra razo para a escolha dos coeficientes D3 como parmetro de classificao
de faltas que o somatrio dos coeficientes de nvel 3 satisfaz
as relaes caractersticas para todos os tipos de faltas para fins de classificao. O algoritmo
de classificao de faltas baseado na Transformada Wavelet proposto em Reddy e Mohanta
(2007) apresentado na figura 3.9.

Figura 3. 8: Algoritmo de deteco de faltas utilizando DWT (Kim et al., 2002).


30

No trabalho de Zhao, Song e Min (2000) apresentado um mtodo para deteco e


classificao de faltas em linha de transmisso baseado na Transformada Wavelet semelhante
ao mtodo apresentado no trabalho de Liang, Elangovan e Devotta (1998). Em ambos os
artigos, a deteco de faltas baseada na deteco de mudanas abruptas em determinados
coeficientes da DWT, e a classificao de faltas baseada na comparao de diversos fatores
calculados a partir dos mesmos coeficientes com limiares pr-definidos. Na etapa de deteco,
a partir dos sinais de correntes extrados da linha de transmisso a cada intervalo de
amostragem (25s), a DWT empregada para determinar o valor dos coeficientes de detalhe
D4 e D9. O valor absoluto do coeficiente D4 de cada uma das trs fases comparado com um
limiar e, se durante trs intervalos consecutivos qualquer um dos coeficientes superar o limiar,
considerada a ocorrncia da falta. A seguir, na etapa de classificao, so calculados trs
fatores nomeados de ra, rb e rc a partir de outras variveis calculadas a partir dos coeficientes
D4. Esses trs fatores, juntamente com o valor mximo do somatrio dos coeficientes D9
nomeado de md9, so utilizados em um conjunto de regras para determinar o tipo da falta. Em
cada regra, relaes entre os fatores e somatrio so comparados com diferentes limiares e,
conforme o resultado, a falta classificada como falta tipo curto-circuito fase-fase (AB, BC,
AC), trifsica (ABC), fase-terra (A-G, B-G, C-G) ou fase-fase-terra (AB-G, BC-G, AC-G). O
algoritmo de deteco e classificao de faltas proposto em Zhao, Song e Min (2000)
apresentado na figura 3.10.

Figura 3. 9: Algoritmo de classificao de faltas utilizando DWT (Reddy e Mohanta, 2007).

31

No trabalho de Makming et at., (2002) apresentado um mtodo para diagnstico de


faltas em linhas de transmisso baseado na Transformada Wavelet. Nesse artigo, o mtodo
proposto emprega os coeficientes da DWT para realizar a deteco, classificao e localizao
da falta. O algoritmo proposto inicia determinando os coeficientes da DWT a partir dos sinais
das correntes de sequncia positiva extrados da linha. Como utilizada uma frequncia de
amostragem elevada (200 kHz), os coeficientes de detalhe no nvel 1 (D1) capturam a banda
de frequncia dos sinais entre 50 kHz e 100 kHz. A deteco da falta baseada na mudana
abrupta dos coeficientes do sinal de corrente, por comparao entre os coeficientes da
corrente de pr-falta e corrente de falta. Os coeficientes D1 de cada corrente de fase so
elevados ao quadrado de modo que uma mudana abrupta nesse sinal possa ser encontrada
mais facilmente.

Figura 3. 10: Algoritmo de deteco e classificao de faltas utilizando DWT (Zhao, Song e
Min, 2000).
32

A condio para determinar a ocorrncia da falta um aumento na amplitude dos


coeficientes de cerca de cinco vezes em relao amplitude antes da falta. A classificao da
falta baseada nos coeficientes da DWT obtidos para os sinais de corrente de sequncia zero e
corrente ps-falta extrados da linha. Os fatores nomeados de XLCOM, e PhLMAX so calculados
a partir dos coeficientes da DWT de cada fase e so empregados em uma regra. Nessa regra,
as relaes entre os fatores so comparadas com determinados limiares e, conforme o
resultado, a fase declarada com falta ou normal. E conforme o resultado da regra em cada
fase, a falta classificada como falta tipo curto-circuito fase-fase (L-L), trifsica (3P), faseterra (SLG) ou fase-fase-terra (DLG). A localizao da falta baseada no clculo da distncia
da falta em funo do tempo em que o sinal da falta gasta para alcanar o final da linha de
transmisso. Esse clculo emprega a teoria das ondas viajantes, onde so utilizados como
parmetros os instantes de tempo obtidos na deteco da falta tanto no lado transmissor
quanto no lado receptor da linha de transmisso, e a velocidade da onda viajante. O
fluxograma do mtodo para diagnstico de faltas proposto apresentado na Figura 3.11.

Figura 3. 11: Fluxograma do mtodo de diagnstico de faltas utilizando DWT (Makming et


at., 2002).
Nos trabalhos citados que empregam a Transformada Wavelet para diagnstico de faltas
em linhas de transmisso, os resultados obtidos demonstram que os mtodos propostos
atingiram o desempenho igual ou superior aos outros mtodos. Os autores destacam a
principal vantagem da Transformada Wavelet em relao a outras tcnicas de anlise de
sinais, em especial a Transformada de Fourier, que a sua capacidade de fornecer
informaes de tempo e frequncia dos sinais extrados da linha. Alm disso, os autores ainda
destacam que o uso da Transformada Wavelet, com suas excelentes caractersticas para
anlise de sinais, confere aos algoritmos de deteco de faltas diversas qualidades, tais como
preciso, robustez, confiabilidade e velocidade. Essas qualidades so importantes para a
33

aplicao prtica dos mtodos, visto que a deteco de faltas est sujeita a vrios fatores que
afetam a eficincia dos algoritmos, tais como mudanas dos parmetros da linha, alteraes
nas condies da falta, transitrios causados por outros eventos, dentre outros.

3.3 Mtodos inteligentes


Muitos mtodos de diagnstico de falhas em linhas de transmisso so baseados em
clculos determinsticos ou em modelo do sistema, o que traz algumas dificuldades para tais
mtodos, devido a fatores como complexidade do modelo do sistema, falta de conhecimento
de seus parmetros, grande quantidade de informaes a serem processadas e incapacidade de
adaptao dinmica s variaes de operao do sistema (Youssef, 2004).
Com o desenvolvimento dos algoritmos para diagnstico de falhas baseado em anlise de
transitrios, verificou-se que a Transformada Wavelet permite a investigao dos sinais
transitrios gerados no SEP, onde a decomposio dos sinais de falta em vrias escalas da
Transformada Wavelet permite que o diagnstico seja alcanado. Apesar da Transformada
Wavelet ser muito eficaz em detectar sinais transitrios gerados pelas faltas, ela pode no ser
suficiente para uma caracterizao completa (Chiradeja e Ngaopitakkul, 2009).
Para superar tais dificuldades, nos ltimos anos tm sido propostos mtodos inteligentes
baseados em RNA e Lgica Fuzzy, e Redes Neurofuzzy, sendo que, as Redes Neurofuzzy
aproveitam a capacidade de aprendizado das RNAs e a capacidade de tratamento da incerteza
da Lgica Fuzzy na construo de mtodos de diagnstico de falhas mais eficientes.

3.3.1 Redes Neurais Artificiais


As Redes Neurais Artificiais (RNAs) ou simplesmente Redes Neurais, representam uma
tecnologia que est presente em muitas reas, tais como neurocincias, matemtica,
estatstica, fsica, cincia da computao e engenharia. As RNAs so aplicadas em diversos
campos, como por exemplo: modelagem, anlise de sries temporais, reconhecimento de
padres, processamento de sinais e controle de processos. Isto se deve a uma importante
propriedade das RNAs: a capacidade de aprender a partir de dados de entrada com ou sem
professor (Haykin, 1999).

3.3.2 Exemplos empregando redes neurais artificiais


Normalmente, o uso das RNAs para diagnstico de faltas em linhas de transmisso
tratado como um problema de reconhecimento de padres, ou seja, a rede treinada para
reconhecer sinais senoidais puros como um indicador de condio normal do sistema e
34

mudanas de amplitude, fase, ou presena de transitrios como indicador de ocorrncia da


falta. Sinais de tenso ou corrente podem ser utilizados para deteco da falta, mas geralmente
o sinal de corrente mais sensvel ocorrncia da falta do que o sinal de tenso (Vsquez;
Altuve; Chacn, 1996).
No trabalho de Vsquez, Altuve e Chacn (1996) apresentado um mtodo para deteco
de faltas em linhas de transmisso baseado em redes neurais. Nesse artigo proposto o uso de
uma RNA tipo Multilayer Perceptron (MLP), com uma camada de entrada de 5 ou 10 ns
fonte (depende do tamanho da janela de dados empregada), uma camada oculta com 20
neurnios e uma camada de sada de apenas um neurnio. Os padres de entrada da rede
consistem em sinais de corrente extrados da linha, que passam por um filtro anti-aliasing e
depois so amostrados a uma frequncia de 960Hz. Diferentes redes foram treinadas e
avaliadas quanto a sua capacidade de identificar transies entre os estados de pr-falta e falta
da linha. Com rede treinada, a mesma classifica os padres de entrada em duas classes, ou
seja, a sada igual a 1 para indicar a linha com falta e sada igual a 0 para indicar a linha sem
falta. A figura 3.12 apresenta a estrutura do mtodo de deteco de faltas baseado em RNA
proposto.

Figura 3. 12: Estrutura do mtodo de deteco de faltas baseado em RNA (Vsquez, Altuve, e
Chacn, 1996).
No trabalho de Fernandez e Ghonaim (2002) apresentado um mtodo para deteco e
classificao de faltas em linhas de transmisso baseado em redes neurais. Nesse artigo
proposto o uso de uma RNA tipo Finite Impulse Response Artificial Neural Network
(FIRANN). A rede FIRANN consiste de neurnios tipo FIR, que difere do neurnio normal
por possuir um filtro FIR de ordem m em cada entrada. A figura 3.13 mostra o diagrama de
uma rede FIRANN com duas camadas ocultas. Esse tipo de RNA possui bom desempenho em
tarefas como previso de sries temporais e utiliza um algoritmo de treinamento denominado
back-propagation temporal. Os autores utilizaram uma rede FIRANN com uma camada de
entrada de 8 ns fonte, duas camadas ocultas com 45 e 35 neurnios, respectivamente, e uma
camada de sada com 5 neurnios. Os padres de entrada consistem em sinais de tenso e
corrente extrados da linha, amostrados a uma frequncia de 2 kHz. Mais especificamente, so
utilizadas 3 entradas para tenso (Va, Vb, Vc), 3 entradas para corrente (Ia, Ib, Ic), uma
35

entrada para o somatrio das tenses (Va+Vb+Vc) e uma entrada para o somatrio das
correntes (Ia+Ib+Ic). Das cinco sadas da rede utilizada, trs indicam a fase com falta (A, B,
C), uma indica a deteco da falta (DET) e outra indica a direo da falta (DIR). H ainda
uma sada derivada da sada DET que indica a ocorrncia de subtenso ou subcorrente na
linha (ST). Durante o processo de treinamento, foi empregada uma estratgia para determinar
a configurao tima para a rede FIRANN, isto , nmero de neurnios em cada camada,
nmero de unidades de atraso e parmetros da funo de ativao. O mtodo proposto pelos
autores utiliza alm da rede FIRANN, alguns outros elementos para auxiliar no
processamento dos sinais, tais como comparadores lgicos. A FIRANN mais os outros
elementos constituem um sistema para deteco e classificao de faltas em linhas de
transmisso. O diagrama completo do sistema proposto apresentado na figura 3.14.

Figura 3. 13: Diagrama de uma rede FIRANN com duas camadas ocultas (Fernandez e
Ghonaim, 2002).

Figura 3. 14: Diagrama do sistema para deteco e classificao de faltas baseado em RNA
(Fernandez e Ghonaim, 2002).
36

No trabalho de Oleskovicz, Coury e Aggarwal (2001) apresentado um mtodo para


diagnstico de faltas em linha de transmisso. Nesse artigo, proposto um mtodo baseado
em associao de vrias RNAs tipo MLP com diferentes topologias, onde uma ou mais RNA
realiza cada etapa do processo de diagnstico de faltas: deteco, classificao e localizao.
Os padres de entrada consistem em janelas de dados com 4 amostras da tenso trifsica e 4
amostras da corrente trifsica cada (12 amostras de tenso e 12 amostras de corrente). No
chamado mdulo de deteco, a RNA utilizada possui 24 ns fonte na camada de entrada, 9
neurnios na camada oculta e 2 neurnios na camada de sada. As sadas do mdulo de
deteco, nomeadas de D1e D2, indicam a ocorrncia da falta e a sua direo. Quando uma
falta detectada, a ltima janela de dados transferida para o segundo mdulo, chamado
mdulo de classificao. Nesse mdulo utilizada uma RNA com 24 ns fonte na camada de
entrada, 16 neurnios na camada oculta e 4 neurnios na camada de sada. As sadas do
mdulo de classificao, nomeadas de C1, C2, C3 e C4 indicam o tipo da falta entre os 10
tipos considerados (faltas tipo curto-circuito fase-terra, fase-fase-terra, fase-fase e trifsica).
Aps a classificao da falta, conforme o seu tipo, as amostras de dados so direcionadas para
uma das quatro RNAs do terceiro mdulo, chamado mdulo de localizao. Nesse mdulo, a
RNA que localiza faltas tipo fase-terra possui 24 ns fonte na camada de entrada, 48
neurnios na primeira camada oculta, 44 neurnios na segunda camada oculta e 3 neurnios
na camada de sada; a RNA que localiza faltas tipo fase-fase e a RNA que localiza faltas tipo
fase-fase-terra possuem, ambas, 24 ns fonte na camada de entrada, 44 neurnios na primeira
camada oculta, 40 neurnios na segunda camada oculta e 4 neurnios na camada de sada; e a
RNA que localiza faltas tipo trifsica possui 24 ns fonte na camada de entrada, 24 neurnios
na primeira camada oculta, 20 neurnios na segunda camada oculta e 3 neurnios na camada
de sada. As sadas de todas as RNAs do mdulo de localizao, nomeadas de L1, L2 e L3,
so iguais e indicam a localizao da falta em termos de zonas de proteo (zona 1, zona 2 ou
zona 3) para os respectivos tipos de faltas. A figura 3.15 apresenta um esquema com o mtodo
para diagnstico de falta baseado em RNAs proposto.
Em outros trabalhos sobre mtodos de diagnstico de faltas baseados em RNAs
encontrados na literatura, os padres de entrada para as redes so constitudos de informaes
das componentes de frequncia dos sinais de tenso e correntes e no de amostras de
amplitude dos mesmos. No trabalho de Gayathri e Kumarappan (2008) utilizada a
Transformada de Fourier para extrair as componentes de frequncia fundamental dos sinais,
que so utilizados para deteco da falta pela RNA. No trabalho de Chiradeja e Ngaopitakkul
(2009) utilizada a Transformada Wavelet para decompor os sinais de forma a se obter as
componentes de altas frequncias, que so utilizadas para classificao da falta pela RNA.
Nos trabalhos citados que empregam RNAs para diagnstico de faltas em linhas de
transmisso, os resultados obtidos demonstram que os mtodos propostos alcanam ndices de
desempenho superior a outros mtodos de diagnstico de faltas. Os autores destacam que as
principais vantagens do uso de RNAs para diagnstico de faltas em relao a outros mtodos
so a alta preciso e a alta velocidade de resposta. Outros fatores que contribuem para a
eficincia dos mtodos propostos so a capacidade de aprendizado e generalizao das RNAs.
Com a capacidade de aprendizado, o diagnstico de faltas pode ser aplicado em qualquer
37

linha de transmisso, independente de suas caractersticas, desde que se disponha de dados de


treinamento. E com a capacidade de generalizao, mesmo as situaes de faltas no
apresentadas durante o treinamento so corretamente diagnosticadas. Dessa forma, as
caractersticas dos mtodos de diagnstico de faltas baseados em RNAs os tornam mais
indicados para serem aplicados em proteo de SEP do que os mtodos convencionais.

Figura 3. 15: Esquema do mtodo de diagnstico de faltas baseado em RNAs (Oleskovicz,


Coury e Aggarwal, 2001).

3.3.4 Lgica Fuzzy


A lgica fuzzy (ou lgica nebulosa) a lgica baseada na teoria dos conjuntos fuzzy (ou
conjuntos nebulosos) introduzida por Lotfi A. Zadeh em um artigo publicado em 1965.
Lgica fuzzy e conjuntos fuzzy se tornaram uma das reas consolidadas nas tecnologias de
processamento de informaes. Estudos recentes esto espalhados por vrias reas, tais como
controle de processos, reconhecimentos de padres, sistemas especialistas, viso
computacional e vida artificial. Um grande nmero de aplicaes para o mundo real foram
desenvolvidas e vo desde aplicaes domsticas at aplicaes industriais, envolvendo

38

apenas lgica fuzzy ou lgica fuzzy em conjunto com outras abordagens, como redes neurais.
(Pedrycz e Gomide, 1998).

3.3.5 Exemplos empregando Lgica Fuzzy


A abordagem utilizada no diagnstico de falhas em linhas de transmisso com uso da
lgica fuzzy geralmente o Sistema de Inferncia Fuzzy (Fuzzy Inference Systems - FIS)
padro, constitudo basicamente de trs componentes: fuzzyficao, mquina de inferncia e
defuzzyficao. Nesse sistema, as entradas so valores numricos (amostras de tenso e/ou
corrente) que so convertidos em variveis fuzzy. As entradas fuzzyficadas so aplicadas na
mquina de inferncia fuzzy, que produz a sada na forma fuzzy de acordo com a base de
regras fuzzy. A regra fuzzy selecionada conforme o tipo da falta. A sada da mquina de
inferncia defuzzyficada para se obter a sada numrica (informao sobre a falta)
(Mahanty; Gupta, 2006).
O trabalho de Das e Reddy (2005) apresenta um mtodo para classificao de faltas em
linhas de transmisso baseado em lgica fuzzy. Nesse artigo proposto um algoritmo de
classificao que emprega a diferena angular entre as componentes de sequncia das
correntes de falta, bem como as magnitudes relativas das mesmas, como informaes sobre a
falta. As diferenas angulares foram nomeadas de ang_A, ang_B e ang_C, e so calculadas a
partir das amostras das correntes de falta como a diferena entre as componentes de sequncia
positiva (Ia1f, Ib1f, Ic1f) e sequncia negativa (Ia2f, Ib2f, Ic2f) das fases A, B e C, respectivamente,
ou seja:

ang _ A Arg I a 1f Arg I a 2f


ang _ A
ang _ A

Arg I b 1f Arg I b 2f
Arg I c 1f Arg I c 2f

(3.15)

As magnitudes relativas foram nomeadas de R0f e R2f, e calculadas como a relao


entre componentes de sequncia zero (Ia0f, Ib0f, Ic0f) e sequncia negativa com as componentes
de sequncia positiva, para cada tipo de falta. Por exemplo, para uma falta A-terra, as relaes
so:

R 0f

I a 0f
I a 1f

e R 2f

I a 2f
I a 1f

(3.16)

No caso de faltas que envolvam duas fases, as relaes R0f e R2f so substitudas por dois
fatores, nomeados de K e K1, sendo estes calculados a partir da impedncia de sequncia zero
e impedncia de sequncia negativa da linha, e impedncia da falta.
Para realizar a classificao, os autores utilizaram um FIS padro, que recebe as
quantidades numricas de ang_A, ang_B e ang_C, R0f e R2f e realiza a fuzzyficao para
converter tais quantidades em variveis fuzzy. Em seguida, a mquina de inferncia fuzzy
39

utiliza a base de regras fuzzy para determinar a varivel fuzzy de sada, que representa o tipo
da falta. Por exemplo, a regra para classificar falta tipo A-terra descrita como:

Se ang_A aproximadamente 30 e ang_B aproximadamente 150 e ang_C


aproximadamente 90 e R0f alto e R2f alto, ento a falta tipo A-terra.

Neste caso, foram utilizados o operador mnimo para conectar mltiplos antecedentes nas
regras, o operador de implicao mnimo e o operador de agregao mximo. Na
representao de todas as variveis fuzzy (tanto na parte antecedente, quanto na parte
consequente das regras) foram utilizadas funes de pertinncia triangulares. Para determinar
a sada numrica relativa ao tipo de falta, foi utilizado o mtodo de defuzzyficao centride
de rea. O diagrama em bloco do FIS empregado pelos autores para classificao das faltas
apresentado na figura 3.16.

Figura 3. 16: Diagrama em bloco do FIS empregado para classificao de faltas proposto por
Das e Reddy (2005).
O trabalho de Mahanty e Gupta (2007) apresenta um mtodo para classificao de faltas
em linhas de transmisso baseado em lgica fuzzy. Nesse artigo proposta uma tcnica de
classificao que emprega apenas amplitude das correntes de falta como informao sobre a
falta. Nesse caso, a amplitude da corrente em cada fase utilizada na obteno de trs
variveis principais, denominadas 1, 2, 3, calculadas a partir de outras variveis.
Inicialmente, a partir das amostras da corrente ps-falta, as relaes entre elas, r1, r2, e r3 so
calculadas como:

r1

max abs Ia
,
max abs Ib

r2

max abs Ic
,
max abs Ia

r3

max abs Ib
max abs Ic

(3.17)

onde Ia, Ib, Ic so as correntes ps-falta das respectivas fases. Em seguida, os valores
normalizados r1n, r2n, e r3n so calculados como:

r1n

r1
r2
r3
, r 2n
, r 3n
max r 1, r 2, r 3
max r 1, r 2, r 3
max r 1, r 2, r 3

(3.18)

Ento, os valores de 1, 2, 3, so calculados como:

1 r1n r 2n ,

2 r 2n r3n ,

3 r3n r1n

(3.19)

Como mecanismo de classificao os autores utilizaram um FIS padro, que recebe como
entrada as variveis 1, 2, 3, que so convertidas nas suas variveis fuzzy correspondentes
40

na etapa de fuzzyficao. As entradas fuzzyficadas so aplicadas na mquina de inferncia,


que produz uma sada fuzzy (tipo da falta), de acordo com a base de regras fuzzy. A base
regras fuzzy foi dividida em duas partes, um conjunto de regras para faltas envolvendo terra e
outro conjunto de regras para faltas envolvendo apenas fases. A deciso de qual conjunto de
regras usar feita com base no valor mximo do somatrio das correntes de fase (Ia + Ib +
Ic). Segundo os autores, foi observado que valores altos desse somatrio (maior que 100)
indica faltas envolvendo terra e valores baixos (menor que 1) indica faltas sem envolvimento
de terra. Por exemplo, a regra que classifica faltas tipo A-terra e a regra que classifica faltas
tipo A-B, so descrita como:

Se 1 altog e 2 mdio g e 3 baixog, ento a falta A-terra.


Se 1 baixo ph e 2 altoph e 3 baixoph, ento a falta A-B.

onde altog, mdiog e baixo g so variveis fuzzy definidas para as faltas envolvendo terra e
altoph, mdioph e baixoph so variveis fuzzy definidas para as faltas envolvendo apenas fases.
Na representao de todas as variveis fuzzy (tanto na parte antecedente, quanto na parte
consequente das regras) foram utilizadas funes de pertinncia triangulares. A sada da
mquina de inferncia fuzzy defuzzyficada para extrair a sada na forma numrica. O
diagrama em bloco do FIS empregado pelos autores para classificao das faltas
apresentado na figura 3.17.

Figura 3. 17: Diagrama em bloco do FIS empregado para classificao de faltas proposto por
Mahanty e Gupta (2007).
O trabalho de Yosef (2004) apresenta um mtodo para classificao de faltas em linhas de
transmisso baseado em lgica fuzzy. Nesse artigo proposto um algoritmo de classificao
que emprega relaes entre amplitudes e relaes entre ngulos de fase das componentes
simtricas das correntes de falta como informao sobre a falta. Inicialmente, a partir de
amostras das correntes extradas da linha, utilizado o algoritmo da Transformada Wavelet
para remover as componentes de alta frequncia dos sinais. Os sinais de corrente filtrados so
utilizados para calcular as componentes simtricas e o ngulo de fase das correntes, nomeadas
de ia(k), ib(k) e ic(k). A seguir, trs variveis representando as diferenas entre os ngulos de
fase, nomeadas de Ciab(k), Cibc(k) e Cica(k) so calculadas como:

Ci ab (k ) ia (k ) ib (k )
Ci bc (k ) ib (k ) ic (k )

(3.20)

Ci ca (k ) ic (k ) ia (k )
onde ia(k), ib(k),ic(k) so os ngulos de fase das correntes das fases a, b e c, respectivamente.
Dessa forma, as relaes entre amplitudes e ngulos de fase, nomeadas de IP1, IP2, IP3,
IP4, so calculadas como:
41

IP1

Ci ab
,
Ci bc

IP 2

Ci bc
,
Ci ca

IP3

Ci ca
,
Ci ab

IP 4

I0
I1

(3.21)

onde Io e I1 so vetores das componentes de sequncia zero e sequncia positiva das correntes
de fase.
A abordagem utilizada pelos autores para realizar a classificao a utilizao de um FIS
dividido em blocos de fuzzyficao, inferncia, composio e defuzzyficao. As entradas do
sistema so as variveis IP1, IP2, IP3, IP4, que so transformadas em variveis fuzzy na etapa
de fuzzyficao. As entradas fuzzyficadas so utilizadas na etapa de inferncia para
determinar a varivel fuzzy de sada de cada regra fuzzy. Por exemplo, a regra que classifica
faltas tipo A-terra descrita como:

Se IP1 baixo e IP2 baixo e IP3 alto e IP4 alto, ento a falta A-terra.

As variveis de sada das regras so combinadas na etapa de composio para formar um


nica varivel fuzzy de sada (tipo da falta). Os conjuntos fuzzy definidos para as entradas e
sadas foram representados por funes de pertinncia trapezoidais e funes de pertinncia
triangulares, respectivamente. E finalmente, na etapa de defuzzyficao, a varivel de sada
fuzzy defuzzyficada para extrair a sada na forma numrica. O diagrama em bloco do FIS
empregado pelos autores para classificao das faltas apresentado na figura 3.18.

Figura 3. 18: Diagrama em bloco do FIS empregado para classificao de faltas proposto por
Youssef (2004).
Nos trabalhos citados que empregam lgica fuzzy para diagnstico de faltas em linhas de
transmisso, os resultados obtidos demonstram que os mtodos propostos alcanam ndices de
desempenho igual a outros mtodos de diagnstico de faltas. Porm, os autores destacam que
os mtodos propostos possuem vantagens em relao outros mtodos de diagnstico de
faltas, que so vantagens inerentes lgica fuzzy, como a capacidade de lidar com a incerteza
que surge devido variao dos parmetros da linha de transmisso, simplificao do mtodo
devido menor complexidade para se implementar um sistema fuzzy e, consequentemente,
reduo do custo computacional. Um aspecto comum nos mtodos propostos a utilizao de
apenas amostras da corrente da linha para extrao de informaes sobre a falta, o que
tambm contribui para a eficincia dos mtodos, por envolver o processamento de um menor
nmero de variveis. Dessa forma, tendo em vista as vantagens apresentadas, os mtodos de
diagnstico de faltas baseados em lgica fuzzy podem substituir outros mtodos menos
eficientes, principalmente nos casos onde desejada menor complexidade na soluo do
problema.
42

3.3.6 Redes Neurofuzzy


Tanto as RNAs quanto os sistemas baseados em lgica fuzzy apresentam alguns pontos
fracos. RNAs tem o problema da representao implcita do conhecimento, enquanto sistemas
fuzzy so subjetivos e heursticos. A determinao das regras fuzzy, fatores de escala para
entrada e sada e escolha das funes de pertinncia dependem do mtodo da tentativa e erro,
o que faz com que o projeto de sistemas fuzzy seja uma tarefa demorada. Estas desvantagens
das RNAs e sistemas fuzzy so superadas pela integrao da capacidade de aprendizado das
RNAs como a robustez dos sistemas fuzzy, de forma que os conceitos da lgica fuzzy so
embutidos na estrutura da rede, resultando num ambiente natural que combina a informao
numrica na forma de pares entrada/sada com a informao lingustica na forma de regras
SE-ENTO de maneira uniforme (Dash, Pradhan e Panda, 2000). De forma geral, todas as
combinao de RNAs e sistemas fuzzy so denominadas de sistemas neurofuzzy.
Muitas arquiteturas de redes neurofuzzy tm sido propostas na literatura. Uma das mais
populares a Rede Adaptativa Baseada em Sistema de Inferncia Fuzzy (Adaptive Network
based Fuzzy Inference System ANFIS), proposta por R. R. Jang (Jang, Sun e Mizutani,
1997). Essa rede consiste em um sistema neurofuzzy hbrido que funcionalmente equivalente
a um sistema fuzzy. As caractersticas apresentadas pelas redes neurofuzzy como a ANFIS
permitem que essas substituam RNAs e sistema fuzzy em diversas aplicaes e com
vantagens. A capacidade de adaptabilidade da ANFIS, sua no-linearidade e a representao
do conhecimento de forma estruturada, so as principais vantagens desse sistema em relao
abordagens clssicas (Jang, Sun e Mizutani, 1997). Em contrapartida, as redes neurofuzzy
apresentam uma limitao com relao ao nmero de entradas, pois, devido chamada
exploso combinatria do nmero de regras (o nmero de regras igual o nmero de funes
de pertinncia elevado ao nmero de entradas). Com um nmero de entradas grande, o
nmero de regras torna a rede impraticvel.

3.3.7 Exemplos empregando redes neurofuzzy


Assim como no caso das RNAs, as redes neurofuzzy so utilizadas no diagnstico de
falhas em linhas de transmisso sob a tica da classificao de padres, ou seja, a rede
treinada para reconhecer sinais de tenso e/ou corrente da linha como padres normais (sem
perturbaes) ou padres de falta (com perturbaes). As diferenas entre as abordagens
utilizando RNAs e redes neurofuzzy esto nas prprias caractersticas das redes, que
determinaro o desempenho das mesmas na tarefa de diagnstico de falhas.
No trabalho de Wang e Keerthipala (1998) apresentado um mtodo para deteco e
classificao de faltas em linhas de transmisso baseado em redes neurofuzzy. Nesse artigo
proposto o uso de uma tpica rede neurofuzzy de trs camadas: uma camada de fuzzyficao,
uma camada de inferncia e uma camada de defuzzyficao. Como padres de entrada da
43

rede, os autores utilizaram variveis que representam as relaes entre componentes de


sequncia e a taxa de variao das correntes extradas da linha, sendo essas variveis definidas
como:

Io/Ip = relao entre as componentes de sequncia zero e sequncia positiva;


Ip/Irated = relao entre a componente de sequncia positiva e taxa de variao;
In/Ip = relao entre as componentes de sequncia negativa e sequncia positiva;

A rede neurofuzzy treinada a partir de padres de entrada, de forma a atualizar a estrutura e


definir os parmetros da rede, utilizando o algoritmo de treinamento backpropagation. A
sada defuzzyficada da rede indica o tipo da falta, entre os tipos: falta entre fases (LL), falta
entre uma fase e terra (LG), falta entre duas fases e terra (LLG) e faltas trifsica e terra (TLG).
A figura 3.19 apresenta a estrutura da rede neurofuzzy para deteco e classificao de faltas
proposto.

Figura 3. 19: Estrutura da rede neurofuzzy para deteco e classificao de faltas proposta por
Wang e Keerthipala (1998).
No trabalho de Dash, Pradhan e Panda (2000) apresentado um mtodo para classificao
e localizao de faltas em linhas de transmisso baseado em redes neurofuzzy. Nesse artigo
proposto o uso de um esquema de redes neurofuzzy de quatro camadas (camada de entrada,
camada de fuzzyficao, camada de inferncia e camada de defuzzyficao), sendo uma rede
para classificao da falta e quatro redes para localizao da falta. A topologia das redes
definida durante o treinamento, uma vez que empregada uma tcnica de poda (pruning) da
rede. Nessa tcnica, regras e neurnios redundantes so eliminados, o que contribui para
reduo de complexidade e aumento da performance da rede. Os autores utilizaram como
padres de entrada valores de pico das correntes e tenses da linha na frequncia fundamental,
e ainda os valores das componentes CC. Esses valores foram estimados a partir das amostras
extradas da linha, com auxlio de um filtro de Kalman estendido. As redes neurofuzzy so
treinadas a partir dos padres de entrada, de forma a definir a estrutura das redes e seus
parmetros, utilizando o algoritmo backpropagation. Para classificao das faltas foi
empregada uma rede neurofuzzy que possui trs sadas, denominadas de a, b e c,
representando as respectivas fases da linha, onde cada sada por produzir 1 ou 0, indicando se
a fase em questo est envolvida na falta ou no (por exemplo, para uma falta envolvendo
apenas a fase B, as sadas abc teriam valores iguais a 010). Para localizao da falta
foram empregadas quatro redes neurofuzzy, uma rede para cada categoria de falta: falta faseterra (LG), falta fase-fase-terra (LLG), falta fase-fase (LL) e falta fase-fase-fase (LLL). A sada
44

de cada rede produz um valor que representa a distncia da falta em relao ao ponto de
medio. A figura 3.20 apresenta o esquema de redes neurofuzzy para classificao e
localizao de faltas proposto.

Figura 3. 20: Esquema de redes neurofuzzy para classificao e localizao de faltas proposto
por Dash, Pradhan e Panda (2000).
Nos trabalhos citados que empregam redes neurofuzzy para diagnstico de faltas em linhas
de transmisso, os resultados obtidos demonstram que os mtodos propostos alcanam ndices
de desempenho superiores a outros mtodos de diagnstico de faltas baseados apenas em
RNAs ou lgica fuzzy. Segundo os autores, o uso da rede neurofuzzy proporciona aos mtodos
propostos preciso, velocidade e robustez no diagnstico das faltas. Outro aspecto dos
mtodos destacado pelos autores a capacidade de adaptao da rede neurofuzzy s diversas
condies das faltas, considerando que o os mtodos provaram ser eficientes mesmos com a
variao dos parmetros das linhas de transmisso empregadas na avaliao, tais como ngulo
de incidncia da falta e condies de carga, e ainda variao dos parmetros da falta, tais
como distncia e resistncia de falta. Assim, as caractersticas apresentadas pelos mtodos de
diagnstico de faltas baseados em redes neurofuzzy indicam que tais mtodos podem ser
aplicados em linhas de transmisso mais complexas, onde a grande quantidade de fatores que
afetam a qualidade do diagnstico pode ser superada.

45

Captulo 4
4 Metodologia proposta

Neste captulo apresentada em detalhes a metodologia proposta para deteco e


classificao de faltas em linhas de transmisso. A metodologia dividida em um mtodo de
deteco e um mtodo de classificao. A deteco da falta baseada na deteco de
mudana abrupta dos coeficientes da Transformada Wavelet e a classificao da falta
baseada no reconhecimento de padres realizado pela Rede Lgica Neurofuzzy modificada
com o Aprendizado Participativo.

4.1 Viso geral


Conforme j mencionado neste trabalho, o diagnstico de faltas em linhas de transmisso
normalmente realizado como etapas distintas, sendo que a primeira etapa a deteco da
falta e a segunda etapa a classificao da falta
Para a primeira etapa, o mtodo de deteco proposto consiste em um algoritmo que
detecta faltas a partir de amostras digitalizadas dos sinais de tenso e corrente extrados da
linha de transmisso. O algoritmo recebe como entrada vetores contendo os dados registrados
em um intervalo de amostragem. O algoritmo realiza a extrao das caractersticas dos sinais
e conforme tais caractersticas considerada a ocorrncia da falta ou no. Caso seja detectada
a falta, o algoritmo fornece um vetor de sada contendo as amostras da tenso e corrente
apenas no intervalo de ocorrncia da falta, para que esse seja utilizado na classificao da
mesma. Na extrao das caractersticas da falta empregada a Transformada Wavelet, onde
as caractersticas extradas so os coeficientes de detalhe dos sinais de tenses e correntes. Na
deteco da falta empregada uma tcnica de deteco de mudana abrupta, que compara os
coeficientes obtidos pela Transformada Wavelet com um limiar calculado para obter os
instantes de incio e fim da falta.
Para a segunda etapa, o mtodo de classificao proposto consiste em um algoritmo que
classifica a falta utilizando como entrada os vetores com amostras da tenso e corrente
fornecidos pelo algoritmo de deteco. Os dados so tratados como um padro e, conforme
suas caractersticas, o algoritmo o classifica como um padro relacionado operao normal
da linha ou como um padro relacionado com algum tipo de falta conhecida. Nesse caso, os
padres de falta conhecidas so obtidos atravs de um processo de treinamento realizado a
priori. O algoritmo fornece um dado de sada cujo valor associado ao padro classificado,
sendo adotados os valores 1 (operao normal), 2 (curto-circuito entre fases), 3 (curto-circuito
entre fases e terra) e 4 (fase aberta). Na classificao dos padres empregada uma Rede
46

Lgica Neurofuzzy, que determina a classe ao qual o padro de entrada pertence a partir do
conhecimento adquirido durante o processo de treinamento. O processo de treinamento da
rede utiliza na etapa de gerao das funes de pertinncia dos subconjuntos fuzzy um
algoritmo de agrupamento baseado no Aprendizado Participativo, com o objetivo de reduzir
nmero de regras.
Os mtodos propostos podem ser implementados computacionalmente como um sistema
de deteco e classificao de faltas em linhas de transmisso, e para sua aplicao
necessrio apenas dispor de dados de treinamento, o que pode ser obtido atravs de medies
uma linha de transmisso real ou atravs de simulaes do modelo terico da mesma.

4.2 Deteco da falta


O algoritmo de deteco inicialmente realiza a decomposio das amostras dos sinais de
tenso e corrente extrados da linha de transmisso empregando a verso discreta da
Transformada Wavelet (DWT), apresentada na seo 3.2.3. A decomposio permite obter os
coeficientes de aproximao (Aj) e de detalhe (Dj) em diferentes nveis de resoluo, sendo
que os coeficientes de aproximao contm as componentes de baixa frequncia do sinal,
enquanto os coeficientes de detalhe contm as componentes de alta frequncia do sinal. Como
os transitrios provocados pela falta na linha de transmisso so sinais de altas frequncias,
so utilizados somente os coeficientes de detalhe para deteco da falta.
Considerando x(n) um sinal discreto de tenso ou corrente e utilizando a tcnica anlise
multiresoluo (MRA) definida nas equaes 3.13 e 3.14, a decomposio do sinal na forma
dos coeficientes wavelet no nvel 1 (A1 e D1) dada por:

A1 n

l k x n k

(4.1)

D1 n h k x n k

(4.2)

onde l(k) o filtro passa-baixa, h(k) o filtro passa-alta e k comprimento do filtro (k =


1,2,3,...,K). Os filtros passa-baixa e passa-alta so determinados pela funo de escalonamento
e funo wavelet, respectivamente. A figura 4.1 ilustra graficamente a decomposio de x(n)
nos coeficientes de aproximao e detalhe no nvel 1, seguida de um operao de subamostragem por um fator de 2 (2).
A wavelet me e o nvel da decomposio escolhidos so importantes para a eficincia do
mtodo de deteco da falta. Depois de realizados estudos na literatura e experimentos com
simulaes empregadas neste trabalho, verificou-se que os melhores resultados foram obtidos
utilizando a wavelet db4 e o nvel de decomposio 1 (D1) do sinal de tenso e do sinal
corrente.

47

Figura 4. 1: Decomposio de um sinal x(n) nos coeficientes wavelet A1 e D1.


Os coeficientes dos filtros passa-baixa e passa-alta associados wavelet db4 so
mostrados na tabela 4.1.
Tabela 4. 1: Coeficientes do filtros associados wavelet db4.
n
1
2
3
4
5
6
7
8

l(n)
-0.0106
0.0329
0.0308
-0.1870
-0.0280
0.6309
0.7148
0.2304
Fonte: Misiti et al., 2007.

h(n)
-0.2304
0.7148
-0.6309
-0.0280
0.1870
0.0308
-0.0329
-0.0106

As figuras 4.2 e 4.3 mostram como exemplo, o coeficiente D1 resultantes da


decomposio com a wavelet me db4 dos sinais de tenso e corrente de fase,
respectivamente. Esses sinais foram obtidos por simulao de uma falta tipo curto-circuito
fase-terra em uma linha de transmisso.
200

V (kV)

100
0
-100
-200
0

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

D1

50

-50

Figura 4. 2: Coeficiente D1 de um sinal de tenso em falta fase-terra utilizando wavelet db4.


48

I (kA)

4
2
0
-2
0

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

D1

0.05

-0.05

Figura 4. 3: Coeficiente D1 de um sinal de corrente em falta fase-terra utilizando wavelet db4.


Ambas as figuras mostram claramente que h uma mudana abrupta no nvel dos
coeficientes D1 nos instantes de incio e fim da falta, devido presena dos transitrios de
alta frequncia nesses instantes. Dessa forma, utilizando os coeficientes D1 dos sinais, o
algoritmo proposto determina os instantes de incio e fim da falta empregando uma tcnica de
deteco de mudana abrupta.
A tcnica de deteco de mudana abrupta consiste em verificar a cada instante se o valor
absoluto dos coeficientes D1 da tenso e da corrente excedem um determinado limiar,
calculado conforme proposto por Donoho e Johnstone (1994) para uma aproximao de
primeira ordem. O limiar T definido como (Ukil e Zivanovic, 2006):

T 2 loge n

(4.3)

onde o desvio mdio absoluto dos coeficientes wavelets dividido por 0,6725 e n o
nmero de amostras dos coeficientes wavelets. Em vez de utilizar o desvio mdio padro
usado o desvio mdio absoluto porque o primeiro muito influenciado por uma pequena
frao de valores extremos.
Assim, os instantes de incio (ki) e fim da falta (kf) so determinados da seguinte forma:

k i k , se abs (D1 ) T
k f k , se abs (D1 ) T e k i 1

(4.4)

onde k o nmero da amostra do vetor de entrada.


Aps determinar o instante de incio da falta, as amostras dos sinais so armazenadas no
vetor de sada pelo algoritmo at o instante de fim da falta. Dessa forma, o algoritmo fornece
na sada um vetor que contm as amostras dos sinais somente no intervalo de ocorrncia da

49

falta. O vetor de sada ser utilizado pelo mtodo de classificao da falta a ser apresentado na
seo 4.3.
A figura 4.4 apresenta o fluxograma do algoritmo para deteco de faltas em linhas de
transmisso proposto neste trabalho.

Figura 4. 4: Fluxograma do algoritmo proposto para deteco de faltas em linhas de


transmisso.
As figuras 4.5 e 4.6 mostram o resultado da aplicao do mtodo proposto para deteco
de faltas nos sinais de tenso e corrente dados como exemplo nas figuras 4.2 e 4.3, onde h a
ocorrncia de uma falta tipo curto-circuito fase-terra. Neste caso, a falta foi detectada
corretamente, sendo determinado o intervalo da falta entre 0.2s e 0.3s aproximadamente.
Observando o sinal de sada pode-se notar que foi isolado apenas o sinal da falta, sendo
eliminados os sinais de pr-falta e ps-falta.

50

Sinal de entrada

V (kV)

200
0
-200

abs(D1)

0.05

0.1

0.15

0.2

0.25
0.3
0.35
t (s)
Coeficiente Wavelet e limiar

0.4

0.45

0.5

Coefic.
Limiar

30
20
10
0

0.05

0.1

0.15

0.2

0.25
0.3
t (s)
Sinal de sada

0.05

0.1

0.15

0.2

0.35

0.4

0.45

0.5

0.35

0.4

0.45

0.5

V (kV)

200
0
-200
0.25
t (s)

0.3

Figura 4. 5: Resultado da aplicao do mtodo de deteco da falta em um sinal de tenso.

Sinal de entrada

I (kA)

4
2
0
-2
0

0.05

0.1

0.15

0.2

0.25
0.3
0.35
t (s)
Coeficiente Wavelet e limiar

0.4

abs(D1)

0.03

0.45

0.5

Coef.
Limiar

0.02
0.01
0

0.05

0.1

0.15

0.2

0.25
0.3
t (s)
Sinal de sada

0.05

0.1

0.15

0.2

0.35

0.4

0.45

0.5

0.35

0.4

0.45

0.5

I (kA)

4
2
0
-2
0.25
t (s)

0.3

Figura 4. 6: Resultado da aplicao do mtodo de deteco da falta em um sinal de corrente.

51

4.3 Classificao da falta


O algoritmo de classificao emprega a Rede Lgica Neurofuzzy para classificar as faltas a
partir das amostras dos sinais de tenso e corrente de fase extradas da linha, mas apenas no
intervalo de ocorrncia da falta determinado pelo mtodo de deteco de faltas apresentado na
seco 4.2.
A Rede Lgica Neurofuzzy um tipo de rede neurofuzzy para classificao de padres
baseada em neurnios lgicos AND e OR, que so modelados por S-normas e T-normas. Sua
estrutura permite a insero e extrao de conhecimento na forma de regras fuzzy do tipo SEENTO, estabelecendo um mapeamento entre regras fuzzy e o conhecimento presente em sua
arquitetura. O algoritmo de treinamento da rede do tipo supervisionado, mas sem a
utilizao de derivadas (Caminhas, Tavares e Gomide, 1996). A figura 4.7 apresenta a
estrutura da Rede Lgica Neurofuzzy generalizada, considerando n entradas e Nc classes de
sada.

Figura 4. 7: Estrutura da Rede Lgica Neurofuzzy proposta por Caminhas, Tavares e Gomide,
(1996).
A Rede Lgica Neurofuzzy capaz de implementar um conjunto de regras do tipo:

52

SE (xp1 F1k1 com peso da conexo = wj1) ... E (xpi Fiki com peso da conexo = wji)
... E (xpn Fnkn com peso da conexo = wjn) ENTO Xp pertence a classe l, com peso
da conexo = vj

onde xp1 a xpn so as n coordenadas de entrada da rede; xji o grau de pertinncia da varivel
xpi na regra j ao subconjunto fuzzy Fiki; wji o peso da conexo da entrada i para o neurnio
AND indexado por j; vj o peso da conexo de entrada j do neurnio OR indexado por l; Zl
a sada da classe l; Zq a sada mxima e Cq a classe correspondente a Zq e Npi o nmero
de subconjuntos fuzzy. Os neurnios AND e OR so definidos como:
n

y j Tw ji sx ji

(4.5)

i 1

nl

zl

Sv ty
j

j 1

(4.6)

onde S uma S-norma (por exemplo mximo, soma probabilstica, soma limitada, dentre
outras) e T uma T-norma (por exemplo mnimo, produto, produto limitado, dentre outras), e
nl o nmero de neurnios tipo AND conectados ao neurnio OR indexado por l. O ndice j
que indexa um neurnio tipo AND determinado a partir dos ndices dos subconjuntos fuzzy
das coordenadas de entrada, ki, da seguinte forma:
n

i 1

i 2

j 1

j f K k n k n i 1 Np n 1 j

(4.7)

onde K = (k1,...,ki,...,kn) o vetor que contm os ndices dos subconjuntos fuzzy.


O treinamento da Rede Lgica Neurofuzzy do tipo supervisionado, ou seja, dado um
padro de entrada Xp qualquer sabe-se a priori qual sua classificao. Alm disso, um
treinamento competitivo, no utilizando derivadas para ajuste dos pesos. Os passos do
algoritmo so:
1. Gerar as funes de pertinncia;
2. Gerar as conexes da rede e inicializar os pesos wji e vj;
3. Processo iterativo:
3.1 apresentar um padro p rede (normalmente escolhido de forma aleatria);
3.2 determinar os neurnios AND e OR ativos;
3.3 efetuar a fuzzyficao;
3.4 determinar a classe vencedora;
3.5 atualizar os pesos wji e vj;
3.6 testar a condio de parada (todos os padres de entrada classificados
corretamente ou nmero de iteraes alcanado);
se satisfeita v para o passo 4;
se no satisfeita volte ao passo 3.1;
4. Fim.
Cada passo do algoritmo de treinamento ser detalhado a seguir:
53

- Gerao das funes de pertinncia:


No algoritmo proposto por Caminhas, Tavares e Gomide (1996), a gerao das funes de
pertinncia baseia-se no uso de funes triangulares normais e uniformemente distribudas.
Mas, o uso desse tipo de funo de pertinncia pode no ser interessante em situaes onde h
concentrao de padres em determinadas regies e disperso em outras. Uma alternativa para
contornar este problema utilizar funes triangulares no uniformemente distribudas, como
mostra a figura 4.8. Dessa forma, nas regies de baixa concentrao de padres pode-se
trabalhar com um nmero de subconjuntos fuzzy menor. Neste trabalho proposta a gerao
automtica das funes de pertinncia utilizando o Algoritmo de Agrupamento Participativo
(AAP), onde os centros dos grupos formados pelos padres de entrada so encontrados pelo
algoritmo e adotados como centros das funes de pertinncia.

Figura 4. 8: Funes de pertinncia triangulares no uniformemente distribudas.


O AAP baseado no paradigma do Aprendizado Participativo (AP) proposto por Ronald
R. Yager (Yagger, 1990), como um novo modelo para implementao de aprendizado
computacional. um modelo de aprendizado que tenta captar muitas das caractersticas
relevantes do aprendizado humano. O termo aprendizado participativo enfatiza o fato de
que o conhecimento atual participa do processo de aprendizagem em si (por exemplo:
aprender uma teoria nova com base na teoria antiga). Representa um paradigma importante
com diversas aplicaes, dentre elas o algoritmo de agrupamento fuzzy (Silva; Gomide e
Yager 2005), treinamento de redes neurofuzzy (Hell; Costa e Gomide, 2007) e deteco de
falhas em sistemas dinmicos (Incio, et al. 2009).
Utilizando os conceitos do aprendizado participativo, o AAP consiste em um algoritmo de
agrupamento no supervisionado, ou seja, no necessrio conhecer o nmero de grupos a
priori. Nesse algoritmo, empregando o mecanismo de aprendizagem participativa, os centros
dos grupos so encontrados gradativamente, de acordo com a entrada de dados. O algoritmo
inclui ainda um mecanismo de excluso de centro de grupos redundantes, visto que a
redundncia no acrescenta informao do ponto de vista do aprendizado participativo. Os
procedimentos do AAP so detalhados no Apndice A.
O conjunto de padres de treinamento fornecido ao AAP que encontra os centros de
grupos formados por esses padres. Cada centro de grupo corresponde ao centro de uma
funo de pertinncia. Uma vez definido os centros das funes de pertinncia pelo AAP, o
nmero dos subconjuntos fuzzy ser igual o nmero de centros. O clculo das funes de
pertinncia triangulares pode ser realizado como:
54

x pi a ir
1, se a ir 1 x pi a ir

a
ir
ir

x a ir
Fi r x pi pi
1, se a ir x pi a ir 1
a

a
ir
ir

, caso contrrio
0

(4.8)

onde air centro da funo de pertinncia da entrada i indexada por r, que corresponde ao
ponto onde a funo possui o valor mximo.

- Gerao das conexes da rede e inicializao dos pesos wji e vj:


Nesse passo so estabelecidas as conexes entre os neurnios AND e OR, o que pode ser
visto como a gerao automtica das regras. Os procedimentos so os seguintes:
Para j=1 at (Npi)n faa:
a) Gerao das conexes
Calcule l para l=1,2,...,Nc:

i1 x ji

(4.9)

X p Classel

Determine a classe q tal que:

q max 1 ,...,1 ,...,Nc

(4.10)

Isto define a conexo do neurnio AND indexado por j ao neurnio OR indexado por
q. Se q = 0 ou existir mais de um mximo para q, ento o neurnio AND j no
conecta a nenhuma classe de sada.
b) Inicializao dos pesos:
Calcule:

w ji 0, i 1,2,...,n

vj

(4.11)

q l /Nc 1
l q

(4.12)

Os pesos vj poderiam ser inicializados com zero, porm, a utilizao da equao 4.12
implica em reduo de tempo de processamento do algoritmo, pois melhora a superfcie de
separao.

55

- Determinao dos neurnios AND e OR ativos:


Empregando funes de pertinncia como as mostradas na figura 4.8, para cada padro
apresentado rede, os respectivos graus de pertinncia so diferente de zero no mximo para
dois subconjuntos fuzzy. Estes sero definidos como subconjuntos ativos e,
consequentemente, os neurnios AND associados a esses subconjuntos sero definidos como
neurnios AND ativos. Com isso, dos (Npi)n neurnios AND, no mximo 2n sero ativos. Os
neurnios AND ativos so determinados da seguinte maneira:

Dado um padro de entrada XP = (xp1,..., xpi,...,xpn), sejam K1 = (k11 ... ki1 ... kn1) o vetor
que contm os ndices da primeira funo de pertinncia para cada coordenada do
padro, diferente de zero e K2 um vetor tal que:

2
i

k i 1, se k i1 x pi 1
1

caso contrrio
k i ,

(4.13)

O nmero de neurnios AND ativos, Na, igual a 2Pa, que no mximo igual a 2n,
onde Pa igual ao nmero de elementos tal que ki1 ki2, para i = 1,2,...,n. Estes neurnios
podem ser determinados a partir da combinao dos vetores K1 e K2.
Considerando L* o conjunto dos neurnios AND ativos, este conjunto e as conexes
estabelecidas no passo 2 determinam o conjunto Q* que indexa os neurnios OR ativos.

- Fuzzyficao
A fuzzyficao consiste em calcular os graus de pertinncia correspondentes s
coordenadas de entrada, mas somente para os subconjuntos ativos definidos em K1. Caso Ki1
Ki2, calcula-se tambm k 2 x pi . Como as funes de pertinncia so complementares, temi

se que:

ki x pi 1 ki x pi
2

(4.14)

- Determinao da classe vencedora:


a) Calcule Zl lQ* (somente para os neurnios OR ativos)
nl

zl

Sv ty
j 1

(4.15)

y j Tw ji sx ji

(4.16)

i 1

O valor de Zl normalizado fornece o grau de pertinncia do padro XP classe l.

56

b) Defuzzyficao para determinar a classe vencedora


O ndice da classe vencedora, q, determinado a partir da defuzzyficao utilizando o
operador max como critrio:

z q max z l

(4.17)

l Q *

- Atualizao dos pesos:


A atualizao dos pesos das conexes da rede feito de tal forma que, se a rede classificar
corretamente o padro, os pesos das conexes mais significativas so aumentados, caso
contrrio, os pesos so reduzidos. Dessa forma, a atualizao dos pesos wij e vj feita da
seguinte maneira:

Seja q o ndice da classe vencedora


Se q tambm o ndice da classe correta, ento:

v J k 1 v J k 1 1 v J k

(4.18)

w JI k 1 w JI k 2 1 w JI k

(4.19)

seno:

v J k 1 v J k 3 v J k

(4.20)

w JI k 1 w JI k 4 w JI k

(4.21)

onde I e J so indexadores das conexes mais significativas para a classificao,


sendo determinados da seguinte maneira:

J max v j Ty j , j L * e X p Cq
i

I min x ji Sw ji , i 1,2,...n e j J
i

(4.22)

(4.23)

Para as equaes de 4.18 a 4.21, os parmetros 1, 2, 3, 4, so tais que 0<1<<3<1 e


0<2<<4<1. Uma caracterstica deste algoritmo de aprendizado que o mesmo no utiliza
informaes de derivadas.
Aps o treinamento, a Rede Lgica Neurofuzzy recebe o vetor de dados fornecido pelo
mtodo de deteco como padro de entrada, contendo as amostras de corrente e tenso
apenas no intervalo da falta. A rede fornece um dado de sada cujo valor associado ao
padro classificado, sendo adotados os valores 1 (operao normal), 2 (curto-circuito entre
fases), 3 (curto-circuito entre fases e terra) e 4 (fase aberta). A figura 4.9 apresenta um
esquema simplificado do mtodo de classificao de faltas proposto.
57

Figura 4. 9: Esquema simplificado do mtodo de classificao proposto.


As figuras 4.10 a 4.12 apresentam, a ttulo de exemplo, os resultados da aplicao do
mtodo de classificao de faltas nos sinais de tenso e corrente da fase A de uma linha de
transmisso, obtidos por simulao. Foram gerados trs tipos de faltas diferentes em
sequncia, com um intervalo de operao normal entre elas. As faltas geradas so tipo: curtocircuito entre fases A-B, curto-circuito entre fase A-terra e fase A aberta. O conjunto de dados
extrados foi separado em um conjunto de treinamento e um conjunto de validao. Durante o
treinamento da rede, os centros de grupos encontrados pelo AAP determinaram as funes de
pertinncia utilizadas em cada entrada. Para a entrada 1 (XP(1) = tenso) foram utilizadas 4
funes de pertinncia e para a entrada 2 (XP(2) = corrente) 3 funes de pertinncia,
mostradas nas figuras 4.10 e 4.11, respectivamente.

Grau de pertinncia

0.5

20

40

60

80

100

120

140

Xp(1)

Figura 4. 10: Funes de pertinncia para a entrada 1.

Grau de pertinncia

0.5

0.5

1.5
Xp(2)

58

2.5

Figura 4. 11: Funes de pertinncia para a entrada 2.


Aps o treinamento, a resposta da Rede Lgica Neurofuzzy foi avaliada pela aplicao
dos padres de entrada do conjunto de validao. Conforme mostra a figura 4.12, a rede
classificou corretamente as faltas durante o intervalo de ocorrncia das mesmas, uma vez que
os valores de sada obtidos foram 2 (curto-circuito entre fases), 3 (curto-circuito entre fase e
terra) e 4 (fase aberta). Durante todos os intervalos compreendidos entre uma falta e outra, o
valor de sada obtido foi 1 (operao normal).

V (kV)

200

-200

0.5

1.5

2.5

3.5

2.5

3.5

2.5

3.5

t (s)

I (kA)

4
2
0
-2
0

0.5

1.5

Falta

t (s)
4
3
2
1
0

0.5

1.5
t (s)

Figura 4. 12: Sinais de entrada e sada da rede lgica neurofuzzy.

59

Captulo 5
5 Resultados

Neste captulo so apresentados os resultados obtidos com a implementao dos mtodos


de deteco e classificao de faltas em linhas de transmisso propostos neste trabalho.
Conforme visto no captulo anterior, os mtodos utilizam sinais de tenso e corrente de falta
extrados da linha para obteno de informaes sobre as mesmas, de forma que seja possvel
realizar o diagnstico. Normalmente, em uma linha de transmisso real, esses sinais seriam
obtidos atravs de equipamentos de aquisio de dados instalados ao longo da linha.
Entretanto, dada a grande quantidade de dados necessrios para o treinamento, o processo de
aquisio de dados reais para este trabalho seria invivel, devido aos tempo e custos
necessrios para tal. Dessa forma, para avaliao dos mtodos propostos, optou-se por realizar
simulaes em software de um modelo de SEP. Utilizando o modelo, foram realizadas
simulaes de diversos cenrios de falta, variando-se tanto os parmetros do sistema, quanto
as condies da falta. Para simulao do SEP foi utilizado o software PSCAD, onde os sinais
extrados da linha durante as simulaes eram exportados e armazenados em uma base de
dados para utilizao posterior. Os algoritmos dos mtodos de deteco e classificao de
faltas foram implementados utilizando o software MATLAB e, utilizando a base de dados das
faltas simuladas, o desempenho dos algoritmos foi avaliado a partir dos resultados obtidos.

5.1 Modelo utilizado


O modelo de SEP utilizado para realizar as simulaes de faltas em linhas de transmisso
mostrado na figura 5.1. O sistema consiste de duas fontes de 230 kV interligadas por uma
linha de transmisso de 200 km de comprimento e frequncia nominal do sistema de 60 Hz.
Considera-se que os sinais de tenso e corrente trifsicos da linha so medidos no barramento
1.

Figura 5. 1: Modelo de SEP utilizado para simulaes de faltas.


As faltas consideradas neste sistema so do tipo curto-circuito e tipo circuito aberto. As
faltas podem ocorrer em qualquer localizao da linha, entre os barramentos 1 e 2. Na
60

ocorrncia de uma falta tipo curto-circuito entre fases ou curto-circuito entre fase e terra, a
resistncia entre os pontos da falta baixa, geralmente menor que 100 . E na ocorrncia de
uma falta tipo circuito aberto em uma ou mais fases, ao contrrio, a resistncia entre os pontos
da falta alta, geralmente maior que de 1 M.

5.2 Simulaes no PSCAD


PSCAD (Power Systems CAD) uma interface grfica poderosa e flexvel para o
software de simulao EMTDC (Electromagnetic Transients with DC analysis), que permite
ao usurio construir um circuito esquematicamente, executar a simulao, analisar os
resultados e gerenciar os dados, em um ambiente grfico completamente integrado. Tambm
esto includas funes para visualizao de sinais, controles e medidores on-line, de modo
que o usurio pode alterar os parmetros do sistema durante uma simulao e ver os
resultados diretamente (PSCAD, 2005).
O modelo de SEP mostrado na figura 5.1 foi implementado no PSCAD utilizando os
modelos dos componentes existentes nas bibliotecas do mesmo. A figura 5.2 mostra a parte
principal do sistema como visto na janela do software.

Figura 5. 2: Modelo de SEP como implementado no PSCAD.


Para as fontes CA foi utilizado o componente Three-Phase Voltage Source Model 3, que
consiste em um modelo de fonte CA, onde o usurio pode especificar as componentes de
sequncia positiva e sequncia zero, ou ento selecionar fonte ideal (barramento infinito). A
impedncia da fonte modelada como uma impedncia RL srie. Este componente
controlado externamente por duas entradas, descritas como:

V: amplitude da tenso de linha em kV RMS.


Ph: ngulo de fase em .

Para a linha de transmisso (dividida em dois segmentos) foi utilizado o componente


Overhead Transmission Line (T-Line), que consiste em um modelo de linha de transmisso
area, onde o usurio pode especificar alm das caractersticas bsicas (frequncia,

61

comprimento e nmero de condutores), as caractersticas fsicas e eltricas da torre e dos


condutores.
Para permitir a simulao das faltas na linha de transmisso foram utilizados dois
componentes, o Three-Phase Fault e o Three-Phase Breaker. O primeiro componente permite
a gerao de faltas tipo curto-circuito entre fases e curto-circuito entre fases e terra, j o
segundo componente permite a gerao de faltas tipo circuito aberto em uma ou mais fases. O
componente Three-Phase Fault modela uma falta resistiva, onde podem ser configuradas as
resistncias do componente nos estados ON e OFF, ou seja, a resistncia apresentada pela
falta em si e a resistncia durante a operao sem falta. O controle da falta e o tipo da falta so
determinadas por duas entradas externas, definidas como:

Controle:
o 0 = aberto (normal);
o 1 = fechado (falta).
Tipo da falta:
o 0 = sem falta;
o 1 = falta A-G;
o 2 = falta B-G;
o 3 = falta C-G;
o 4 = falta AB-G;
o 5 = falta AC-G;
o 6 = falta BC-G;
o 7 = falta ABC-G;
o 8 = falta AB;
o 9 = falta AC;
o 10 = falta BC;
o 11 = falta ABC.

O componente Three-Phase Breaker modela um disjuntor trifsico, onde podem ser


configuradas as resistncias dos estados ON e OFF, ou seja, as resistncias dos contatos do
disjuntor fechado e aberto, respectivamente, e ainda o estado inicial dos mesmos. O
componente controlado por uma entrada externa, que determina o abertura ou fechamento
de cada fase, sendo definida como:

Controle:
o 0 = fechado (ON);
o 1 = aberto (OFF).

Os parmetros dos componentes utilizados na implementao do SEP no PSCAD esto


descritos no Apndice B.
Para permitir a simulao de faltas no sistema, foi implementado uma lgica adicional
para controlar os componentes do sistema. Essa lgica envia os sinais necessrios para os
componentes conforme a falta a ser simulada. Por exemplo, se a falta a ser simulada uma
falta tipo curto-circuito A-G, a lgica de controle envia sinais para que o Three-Phase Fault
ajuste somente a resistncia da fase A para o estado ON, permanecendo as resistncias da
62

outras fase no estado OFF. Alm disso, a lgica de controle envia os sinais para que a ThreePhase Breaker ajuste os contatos de todas as fases no estado ON. Na lgica de controle foi
adicionado tambm um componente que permite ajustar o instante de ocorrncia e a durao
da falta.
As faltas simuladas foram organizadas em vrios cenrios. Cada cenrio corresponde
simulao de todos os tipos de falta com valores especficos para as seguintes variveis:

distncia da falta;
resistncia de falta;
ngulo de incidncia da falta;
ngulo de carga.

A distncia da falta em relao ao barramento 1 foi variada de 10% a 90% do


comprimento total da linha, em intervalos de 10%. Para as faltas tipo curto-circuito entre fases
ou entre fases e terra, as resistncias de falta utilizadas foi variada de 0,01 a 100 . Para
faltas tipo circuito aberto foi utilizada apenas uma resistncia de falta no valor de 1 M. O
ngulo de incidncia da falta foi variado de 30 a 150, em passos de 30. O ngulo de carga
(ngulo de fase da fonte 2) foi variado de 10 a 30, em passos de 10. Foram simulados dez
tipos de falta tipo curto-circuito: seis entre fases e terra (A-G, B-G, C-G, AB-G, AC-G, BCG) e quatro entre fases (AB, AC, BC, ABC). E ainda foram simulados seis faltas tipo circuito
aberto (A-aberta, B-aberta, C-aberta, AB-aberta, AC-aberta, BC-aberta), resultando num total
de 16 tipos de faltas diferentes.
Em cada falta simulada, os sinais de tenso e corrente trifsicos da linha foram medidos
no barramento 1 atravs de um componente de medio, que automaticamente realiza a
amostragem e armazenamento dos dados em arquivo. A frequncia de amostragem escolhida
foi de 3.840Hz, o que corresponde a 64 amostras/ciclo na frequncia de operao da linha
(60Hz). As figuras de 5.3 a 5.18 mostram um exemplo de cada tipo de falta simulada no
sistema, onde podem ser visualizados os sinais de tenso e corrente medidos na linha de
transmisso. A durao da simulao foi ajustada para 0,5s e a ocorrncia das faltas foi
ajustada para o intervalo entre 0,2s e 0,3s.

63

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 3: Simulao de falta tipo curto-circuito fase A-G.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

Figura 5. 4: Simulao de falta tipo curto-circuito fase B-G.

64

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 5: Simulao de falta tipo curto-circuito fase C-G.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

Figura 5. 6: Simulao de falta tipo curto-circuito fases AB-G.

65

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 7: Simulao de falta tipo curto-circuito fases AC-G.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

Figura 5. 8: Simulao de falta tipo curto-circuito fases BC-G.

66

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 9: Simulao de falta tipo curto-circuito fases AB.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

Figura 5. 10: Simulao de falta tipo curto-circuito fases AC.

67

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 11: Simulao de falta tipo curto-circuito fases BC.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

Ia
Ib
Ic

2
I (kA)

0.35

-2
0.15

0.2

0.25
t (s)

0.3

Figura 5. 12: Simulao de falta tipo curto-circuito fases ABC.

68

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

0.35

1
Ia
Ib
Ic

I (kA)

0.5
0
-0.5
-1
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 13: Simulao de falta tipo fase A-aberta.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

0.35

1
Ia
Ib
Ic

I (kA)

0.5
0
-0.5
-1
0.15

0.2

0.25
t (s)

0.3

Figura 5. 14: Simulao de falta tipo fase B-aberta.

69

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

0.35

1
Ia
Ib
Ic

I (kA)

0.5
0
-0.5
-1
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 15: Simulao de falta tipo fase C-aberta.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

0.35

1
Ia
Ib
Ic

I (kA)

0.5
0
-0.5
-1
0.15

0.2

0.25
t (s)

0.3

Figura 5. 16: Simulao de falta tipo fases AB-aberta.

70

0.35

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

0.35

1
Ia
Ib
Ic

I (kA)

0.5
0
-0.5
-1
0.15

0.2

0.25
t (s)

0.3

0.35

Figura 5. 17: Simulao de falta tipo fases AC-aberta.

200

Va
Vb
Vc

V (kV)

100
0
-100
-200
0.15

0.2

0.25
t (s)

0.3

0.35

1
Ia
Ib
Ic

I (kA)

0.5
0
-0.5
-1
0.15

0.2

0.25
t (s)

0.3

Figura 5. 18: Simulao de falta tipo fases BC-aberta.

71

0.35

5.3 Implementaes no MATLAB


Para realizar a deteco e classificao de faltas no modelo de SEP utilizado, foi
implementado no MATLAB um sistema composto de trs mdulos de deteco e trs
mdulos de classificao, um para cada fase, utilizando os mtodos propostos neste trabalho.
A estrutura do sistema mostrada na figura 5.19.

Figura 5. 19: Estrutura do sistema para deteco e classificao de faltas implementado.


O mdulo de deteco foi implementado conforme o algoritmo apresentado na figura 4.4.
Na etapa de clculo da DWT foi empregada uma funo do Wavelet Toolbox do MATLAB. A
entrada de cada mdulo de deteco consiste nas amostras de tenso e corrente da fase em
questo, medidas no barramento 1. Cada mdulo de deteco fornece na sada um vetor
contendo somente as amostras de tenso e corrente no intervalo de ocorrncia da falta.
O mdulo de classificao foi implementado conforme o algoritmo descrito na seo 4.3.
Na etapa de gerao das funes de pertinncia foi implementado o AAP, descrito no
Apndice A. Os parmetros empregados no AAP foram: = 0,1; = 0,1; = 0,1 e = 0,9.
Os parmetros empregados na Rede Lgica Neurofuzzy foram: 1 = 2 = 0,001 e 3 = 4 =
0,1. A entrada do mdulo de classificao consiste no vetor fornecido pelo mdulo de
deteco correspondente. A sada de cada mdulo de classificao consiste no valor de sada
da Rede Lgica Neurofuzzy, que est associado a uma das quatro condies de operao da
linha de transmisso: 1 = operao normal; 2 = curto-circuito entre fases; 3 = curto-circuito
entre fase e terra; 4 = fase aberta.
Para permitir a interpretao do valor de sada dos mdulos de classificao foi
implementado um mdulo adicional, o mdulo da lgica de deciso. As sadas dos mdulos
de classificao so utilizadas como entrada para o mdulo da lgica de deciso, cuja sada

72

fornece o diagnstico da falta. A tabela 5.1 resume a lgica de deciso utilizada nesse ltimo
mdulo.
Tabela 5. 1: Lgica de deciso.
ndice
da falta
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Sada
Fase A
1
2
1
2
2
3
1
1
3
1
3
4
1
1
4
1
4

Sada
Fase B
1
2
2
1
2
1
3
1
3
3
1
1
4
1
4
4
1

Sada
Fase C
1
1
2
2
2
1
1
3
1
3
3
1
1
4
1
4
4

Diagnstico da Falta
Operao normal
Curto-circuito fases AB
Curto-circuito fases BC
Curto-circuito fases AC
Curto-circuito fases ABC
Curto-circuito fase A-G
Curto-circuito fase B-G
Curto-circuito fase C-G
Curto-circuito fases AB-G
Curto-circuito fases BC-G
Curto-circuito fases AC-G
Fase A-aberta
Fase B-aberta
Fase C-aberta
Fases AB-aberta
Fases BC-aberta
Fases AC-aberta

O sistema de deteco e classificao de faltas implementado em MATLAB possui dois


modos de operao: treinamento e diagnstico. No modo de treinamento, a partir de um
conjunto de dados de treinamento (amostras de tenso e corrente da linha de transmisso em
operao normal e sob falta), o sistema utiliza os mdulos de deteco para detectar as faltas e
fornecer os dados aos mdulos de classificao para que esses realizem o treinamento das
suas respectivas redes, sem fornecer valor de sada para o mdulo da lgica de deciso. No
modo de diagnstico, os mdulos de deteco recebem continuamente as amostras de tenso e
corrente da linha de transmisso, caso seja detectada uma falta, os mdulos deteco
fornecem os vetores com as amostras no intervalo da falta para os mdulos de classificao, e
esses por sua vez, fornecem os valores de sada para o mdulo de diagnstico. A sada desse
mdulo fornece o valor do ndice do tipo da falta em questo. A figura 5.20 mostra, como
exemplo, o diagnstico realizado pelo sistema de deteco e classificao de faltas em uma
sequncia de faltas diferentes, simuladas no modelo de SEP descrito anteriormente. A
sequncia inclui as seguintes faltas: curto-circuito fases AB-G, curto-circuito fases AC, fase
B-aberta, curto-circuito fase B-terra, fases AC-aberta. Observando a figura 5.20, pode-se
notar que todas as faltas foram detectadas e classificadas corretamente, conforme o ndice das
faltas obtidos. O tempo mdio entre o instante de ocorrncia de cada falta e o instante que a
sada do sistema fornece o diagnstico foi de aproximadamente 1,5 ms.

73

Diag. Fase A

4
3
2

Diag. Sistema

Diag. Fase C

Diag. Fase B

1
0
4

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0.05

0.1

0.15

0.2

0.25

0.3

0.35

0.4

0.45

0.5

0.1

0.15

0.2

0.25
t (s)

0.3

0.35

0.4

0.45

0.5

3
2
1
4
3
2
1

17
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1

real
sistema

0.05

Figura 5. 20: Diagnstico realizado pelo sistema de deteco e classificao de faltas em uma
sequncia de faltas.

5.4 Resultados obtidos


O sistema de deteco e classificao de faltas apresentado na seo 5.3 foi avaliado
utilizando os dados obtidos na simulao das faltas. Foram considerados 16 tipos de faltas
(dez tipos curto-circuito e seis tipos circuito-aberto) simuladas sob diversas condies de falta
(distancia da falta, resistncia de falta, ngulo de incidncia da falta e ngulo de carga). As
faltas foram organizadas em cenrios, onde cada cenrio contm uma simulao de todos os
tipos de falta em uma dada condio, resultado num total de 384 simulaes. O conjunto total
de dados foi dividido em um conjunto de dados para treinamento e um conjunto de dados para
validao, correspondendo a 80% e 20% do total, respectivamente.
Para permitir melhor anlise dos resultados obtidos, os resultados foram divididos em
grupos, onde cada grupo consiste dos resultados dos testes aplicados faltas de um mesmo
tipo. Os grupos so os seguintes:

Grupo 1: Faltas tipo curto-circuito fase-terra (A-G, B-G, C-G).


74

Grupo 2: Faltas tipo curto-circuito fase-fase-terra (AB-G, AC-G, BC-G).


Grupo 3: Faltas tipo curto-circuito fase-fase (AB, AC, BC).
Grupo 4: Falta tipo curto-circuito trifsico (ABC).
Grupo 5: Faltas tipo fase aberta (A-aberta, B-aberta, C-aberta).
Grupo 6: Faltas tipo fase-fase aberta (AB-aberta, AC-aberta, BC-aberta).

Nos testes com cada grupo, foi avaliado o desempenho do sistema de deteco e
classificao de falta, sendo medido o percentual de faltas no-detectadas, faltas detectadas,
mas no classificadas corretamente, faltas detectadas e classificadas corretamente, em relao
ao total de faltas simuladas. As tabelas a seguir apresentam os resultados obtidos.

Testes com variao da distncia da falta:


Tabela 5. 2: Resultados dos testes com variao da distncia para faltas do grupo 1.

Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D

0,1D

0,2D

0,0

0,0

0,0

0,0

0,0

0,0

2,2

3,3

3,3

2,2

2,3

97,8

96,7

96,7

97,8

97,7

Mdia

Un.

0,0

0,0

2,3

3,3

2,6

97,7

96,7

97,4

0,8D

0,9D

0,0

0,0

2,3

2,3

97,7

97,7

Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.

Tabela 5. 3: Resultados dos testes com variao da distncia para faltas do grupo 2.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D

0,1D

0,2D

0,0

0,0

0,0

0,0

0,0

0,0

2,0

2,1

2,6

2,6

2,8

98,0

97,9

97,4

97,4

97,2

Mdia

Un.

0,0

0,0

2,3

3,3

2,2

97,7

96,7

97,8

0,8D

0,9D

0,0

0,0

1,0

1,3

98,9

98,7

Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.

Tabela 5. 4: Resultados dos testes com variao da distncia para faltas do grupo 3.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D

0,1D

0,2D

0,0

0,0

0,0

0,0

0,0

0,0

1,2

1,0

1,1

1,2

1,1

98,8

99,0

98,9

98,8

98,9

Mdia

Un.

0,0

0,0

1,4

1,4

1,2

98,6

98,6

98,8

0,8D

0,9D

0,0

0,0

1,2

1,4

98,8

98,6

Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.
75

Tabela 5. 5: Resultados dos testes com variao da distncia para faltas do grupo 4.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D

0,1D

0,2D

0,0

0,0

0,0

2,3

0,8

1,0

3,9

3,9

4,2

4,1

4,9

96,1

96,1

95,8

93,6

94,3

Mdia

Un.

3,1

1,5

1,3

1,1

3,5

95,6

95,8

95,0

0,8D

0,9D

3,4

3,1

5,5

2,8

93,5

93,8

Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.

Tabela 5. 6: Resultados dos testes com variao da distncia para faltas do grupo 5.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

DISTNCIA DA FALTA
0,3D 0,4D 0,5D 0,6D 0,7D

0,1D

0,2D

0,0

0,0

0,0

0,0

0,0

0,0

0,3

0,3

0,5

2,3

1,3

99,7

99,7

99,5

97,7

98,7

Mdia

Un.

0,0

0,0

1,5

4,5

1,6

98,5

95,5

98,4

0,8D

0,9D

0,0

0,0

1,4

2,6

98,6

97,4

Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.

Tabela 5. 7: Resultados dos testes com variao da distncia para faltas do grupo 6.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

DISTNCIA DA FALTA
0,3L 0,4L 0,5L 0,6L 0,7L

0,1L

0,2L

0,0

0,0

1,0

0,0

0,0

0,0

1,5

1,6

1,7

2,7

1,7

98,5

98,4

97,3

97,3

98,3

Mdia

Un.

5,5

1,7

5,0

2,8

2,4

86,2

91,7

95,9

0,8L

0,9L

0,0

8,8

2,5

2,5

97,5

97,5

Condies de falta: Resistncia = 0,01; ngulo de incidncia = 30; ngulo de carga = 10.

As tabelas de 5.2 a 5.7 apresentam os resultados dos testes com variao da distncia da
falta. Nesses testes, a distncia foi variada de 10% a 90% do comprimento total da linha de
transmisso (L). Normalmente, as faltas ocorridas a uma maior distncia do ponto de medio
dos sinais na linha de transmisso apresentam maiores dificuldades para serem detectadas e
classificadas, pois quanto maior a distncia, menores sero as correntes envolvidas na falta.
Nos resultados obtidos, observa-se que o sistema de deteco e classificao de faltas
implementado neste trabalho obteve um bom desempenho sob a variao da distancia da falta,
especialmente para os grupos de faltas 1, 2, 3 e 5. Nos grupos de faltas 4 (curto-circuito
trifsico) e 6 (fase-fase-aberta) o desempenho foi um pouco menor que nos grupos anteriores.
De forma geral, pode-se considerar que o sistema avaliado robusto com relao variao
da distncia da falta.
76

Testes com variao da resistncia de falta:


Tabela 5. 8: Resultados dos testes com variao da resistncia para faltas do grupo 1.

Faltas
no detectadas

RESISTNCIA DE FALTA
0,01

0, 1

10

100

0,0

0,0

0,0

0,0

0,0

Mdia

Un.

0,0

detectadas / no
2,2
2,2
2,1
1,2
9,0
3,3
classificadas
detectadas /
97,8
97,8
97,9
98,8
91,0
96,7
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.

%
%

Tabela 5. 9: Resultados dos testes com variao da resistncia para faltas do grupo 2.
Faltas
no detectadas

RESISTNCIA DE FALTA
0,01

0, 1

10

100

0,0

0,0

0,0

0,0

0,0

Mdia

Un.

0,0

detectadas / no
2,7
2,7
2,9
1,5
1,2
2,2
classificadas
detectadas /
97,3
97,3
97,1
98,5
98,8
97,8
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.

%
%

Tabela 5. 10: Resultados dos testes com variao da resistncia para faltas do grupo 3.
Faltas
no detectadas

RESISTNCIA DE FALTA
0,01

0, 1

10

100

0,0

0,0

0,0

0,0

1,1

Mdia

Un.

0,2

detectadas / no
1,4
2,6
1,5
1,3
1,2
1,6
classificadas
detectadas /
98,6
97,4
98,5
98,7
97,7
98,2
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.

%
%

Tabela 5. 11: Resultados dos testes com variao da resistncia para faltas do grupo 4.
Faltas
no detectadas

RESISTNCIA DE FALTA
0,01

0, 1

10

100

0,0

0,0

0,0

3,1

0,0

Mdia

Un.

0,6

detectadas / no
4,6
4,6
4,7
3,4
5,5
4,6
classificadas
detectadas /
95,4
95,4
95,3
93,5
94,5
94,8
classificadas
Condies de falta: Distncia = 0,5L; ngulo de incidncia = 30; ngulo de carga = 10.
77

%
%

As tabelas de 5.8 a 5.11 apresentam os resultados dos testes com variao da resistncia
de falta. Nesses testes, a resistncia foi variada de 0,01 a 100. Nesse caso, os testes
aplicam apenas para os grupos de faltas tipo curto-circuito (grupos 1, 2, 3 e 4). A influncia
da resistncia de falta no diagnstico das faltas deveria ser, teoricamente, mais significativa
quanto maior for a resistncia, uma vez que o aumento da resistncia implica na diminuio
da corrente de falta. Com uma baixa corrente de falta, dependendo do mtodo adotado, pode
ser impossvel distinguir a corrente de falta da corrente de operao normal da linha de
transmisso. Nos resultados obtidos, observa-se um bom desempenho obtido pelo sistema de
deteco e classificao de faltas implementado neste trabalho, nos testes sob variao da
resistncia de falta, mesmo para os valores de resistncia de faltas maiores (10 e 100). Um
desempenho pouco menor foi obtido nos testes com grupo de faltas 4 (curto-circuito
trifsico). De forma geral, os resultados demonstram que o sistema avaliado possui pouca
sensibilidade variao deste fator de influncia no diagnstico das faltas.

Testes com variao do ngulo de incidncia da falta:

Tabela 5. 12: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 1.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

30

NGULO DE INCIDNCIA DA FALTA


60
90
120

150

Mdia

Un.

0,0

0,0

0,0

0,0

0,0

0,0

2,2

2,3

3,1

2,6

2,3

2,5

97,8

97,7

96,9

97,4

97,7

97,5

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de carga = 10.

Tabela 5. 13: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 2.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

30

NGULO DE INCIDNCIA DA FALTA


60
90
120

150

Mdia

Un.

0,0

0,0

0,0

0,0

0,0

0,0

2,7

2,4

2,8

3,2

3,0

2,8

97,3

97,6

97,2

96,8

97,0

97,2

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de carga = 10.

78

Tabela 5. 14: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 3.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

30

NGULO DE INCIDNCIA DA FALTA


60
90
120

150

Mdia

Un.

0,0

1,0

2,2

4,2

0,0

1,5

1,3

1,8

1,4

0,5

2,6

1,5

98,7

97,2

96,4

95,3

97,4

97,0

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de carga = 10.

Tabela 5. 15: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 4.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

30

NGULO DE INCIDNCIA DA FALTA


60
90
120

150

Mdia

Un.

0,0

0,0

0,0

0,0

3,1

0,6

4,6

5,5

3,9

4,7

4,7

4,7

95,3

94,5

96,1

95,3

92,2

94,7

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de carga = 10.

Tabela 5. 16: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 5.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

30

NGULO DE INCIDNCIA DA FALTA


60
90
120

150

Mdia

Un.

0,0

0,0

0,0

0,0

0,0

0,0

2,3

1,2

6,8

2,2

2,6

3,0

97,7

98,8

93,2

97,8

97,4

97,0

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de carga = 10.

Tabela 5. 17: Resultados dos testes com variao do ngulo de incidncia para faltas do grupo 6.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

30

NGULO DE INCIDNCIA DA FALTA


60
90
120

150

Mdia

Un.

0,0

1,1

0,0

0,0

0,0

0,2

1,6

3,2

3,2

8,8

5,2

4,4

98,3

95,7

96,8

91,2

94,8

95,4

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de carga = 10.

79

As tabelas de 5.12 a 5.17 apresentam os resultados dos testes com variao do ngulo de
incidncia da falta. Nesses testes, o ngulo de incidncia foi variado de 30 a 150. Em uma
linha de transmisso real, as faltas podem ocorrer em qualquer ponto da forma de onda da
tenso, o que significa que o ngulo de incidncia pode variar de 0 a 180 no semiciclo.
Dependendo do ngulo de incidncia da falta, h maior ou menor presena de harmnicos na
linha. Nos resultados obtidos, observa-se que o sistema de deteco e classificao de faltas
implementado neste trabalho obteve um bom desempenho sob a variao do ngulo de
incidncia da falta. Apenas nos grupos 4 (curto-circuito trifsico) e 6 (fase-fase-aberta) o
desempenho foi um pouco menor. De forma geral, os resultados demonstram uma baixa
influncia do ngulo de incidncia da falta no diagnstico realizado pelo sistema avaliado.

Testes com variao do ngulo de carga:

Tabela 5. 18: Resultados dos testes com variao do ngulo de carga para faltas do grupo 1.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

10

NGULO DE CARGA
15
20
25

30

0,0

0,0

0,0

0,0

2,3

2,3

2,2

97,7

97,7

97,8

Mdia

Un.

0,0

0,0

2,3

2,4

2,3

97,7

97,6

97,7

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de incidncia = 30.

Tabela 5. 19: Resultados dos testes com variao do ngulo de carga para faltas do grupo 2.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

10

NGULO DE CARGA
15
20
25

30

0,0

0,0

0,0

0,0

2,7

3,4

2,8

97,3

96,6

97,2

Mdia

Un.

0,0

0,0

2,9

2,8

2,9

97,1

97,2

97,1

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de incidncia = 30.

Tabela 5. 20: Resultados dos testes com variao do ngulo de carga para faltas do grupo 3.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

10

NGULO DE CARGA
15
20
25

30

0,0

0,0

0,0

1,0

1,4

1,1

1,3

98,6

98,9

98,7

Mdia

Un.

2,1

0,6

1,1

0,9

1,2

97,9

97,0

98,2

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de incidncia = 30.


80

Tabela 5. 21: Resultados dos testes com variao do ngulo de carga para faltas do grupo 4.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

10

NGULO DE CARGA
15
20
25

30

0,0

0,0

0,0

0,0

5,3

5,9

4,2

94,7

94,1

95,8

Mdia

Un.

0,0

0,0

4,9

4,4

4,9

95,1

95,6

95,1

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de incidncia = 30.

Tabela 5. 22: Resultados dos testes com variao do ngulo de carga para faltas do grupo 5.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

10

NGULO DE CARGA
15
20
25

30

0,0

0,0

0,0

0,0

0,3

0,3

0.3

99,7

99,7

99,7

Mdia

Un.

0,0

0,0

1,4

1,4

0,7

98,6

98,6

99,3

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de incidncia = 30.

Tabela 5. 23: Resultados dos testes com variao do ngulo de carga para faltas do grupo 6.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

10

NGULO DE CARGA
15
20
25

30

0,0

0,0

0,0

0,0

2,7

1,7

1,7

97,3

98,3

98,3

Mdia

Un.

0,0

0,0

1,7

1,8

1,9

98,3

98,2

98,1

Condies de falta: Distncia = 0,5L; resistncia = 0,01; ngulo de incidncia = 30.

As tabelas de 5.18 a 5.23 apresentam os resultados dos testes com variao do ngulo de
carga. Nesses testes, o ngulo de carga foi variado de 10 a 30. Num SEP o ngulo de carga
representa a diferena angular entre as tenses nos terminais transmissor e receptor do
sistema, e determina o fluxo de potncia na linha de transmisso. Dessa forma, o ngulo de
carga pode influenciar no diagnstico das faltas, uma vez que a variao do fluxo de potncia
na linha implica na variao da corrente na mesma, dificultando a distino entre a corrente
normal e corrente de falta. Nos resultados obtidos, observa-se que o sistema de deteco e
classificao de faltas implementado neste trabalho obteve bom desempenho nos testes sob
variao do ngulo de carga. Somente no grupo 4 (curto-circuito trifsico) o desempenho foi
um pouco menor. De forma geral, os resultados demonstram uma baixa influencia do ngulo
de carga no diagnstico realizado pelo sistema avaliado.
81

A partir dos resultados obtidos nos testes realizados com cada um dos grupos de faltas,
pode-se obter uma idia geral da eficincia do sistema de deteco e classificao de faltas
implementado neste trabalho nos resultados gerais apresentados na tabela 5.24.
Tabela 5. 24: Resultados gerais dos testes realizados.
Faltas
no detectadas
detectadas / no
classificadas
detectadas /
classificadas

Distncia

Resistncia

TESTE
ng. de incidncia

0,5

0,1

0,4

2,3

2,5

97,2

97,4

Mdia

Un.

0,1

0,3

3,1

2,3

2,6

96,5

97,6

97,1

ng. de carga

Os resultados obtidos demonstraram que o sistema apresentou um desempenho promissor


e motivador, pois detectou corretamente 99,7% das faltas e classificou corretamente 97,1%
das faltas. O percentual de faltas no detectadas foi muito baixo, da ordem de 0,3%. Esses
resultados podem ser considerados iguais aos melhores resultados obtidos pelos diversos
mtodos para diagnstico de faltas em linhas de transmisso encontrados na literatura.
Considerando ainda que esses resultados foram obtidos sob variao de diversos parmetros
que determinam a condio da falta, o sistema avaliado mostrou-se robusto todos os fatores
de influncia.

82

Captulo 6
6 Concluses

Os problemas decorrentes de faltas no sistema eltrico de potncia, em especial nas linhas


de transmisso, tm evidenciado a importncia do desenvolvimento de metodologias de
diagnstico de faltas eficientes. Consciente dessa importncia props-se nesta dissertao uma
metodologia de deteco e classificao de faltas em linhas de transmisso baseada em
tcnicas de anlise de sinais e inteligncia computacional.
Diferente de outras metodologias encontrada na literatura, a metodologia proposta utiliza
somente as informaes obtidas a partir dos sinais de tenso e corrente medidos na linha para
detectar e classificar corretamente faltas tipo curto-circuito fase-terra, fase-fase e trifsico,
alm de fase aberta. Este fato representa uma vantagem em relao s metodologias
convencionais que necessitam de informaes sobre vrios parmetros da linha, como
impedncia, por exemplo. Uma vez que os parmetros da linha de transmisso alteram-se em
funo de diversos fatores, uma metodologia que seja independente dos mesmos mais
vantajosa.
Ao longo do trabalho apresentou-se a metodologia para deteco e classificao de faltas
em linhas de transmisso dividida em dois mtodos: o mtodo de deteco da falta baseado na
Transformada Wavelet e o mtodo de classificao da falta baseado na Rede Lgica
Neurofuzzy modificada com a incluso do Aprendizado Participativo. Os algoritmos foram
implementados na forma de um sistema de deteco e diagnstico de faltas e o sistema foi
avaliado a partir de faltas simuladas em uma linha de transmisso.
Os resultados obtidos demonstraram que o sistema avaliado possui bom desempenho, pois
a eficincia na deteco das faltas foi acima de 99% e na classificao das faltas foi acima de
97%. O percentual de faltas no detectadas pelo sistema foi muito baixo, menor que 1%. Os
resultados foram obtidos sob variao dos fatores que influenciam no diagnstico das faltas, a
distncia da falta, a resistncia de falta, o ngulo de incidncia da falta e o ngulo de carga.
Entretanto, a influncia desses fatores foi pouco significativa no sistema avaliado,
evidenciando a sua robustez e capacidade de adaptao s variaes das condies da falta ou
de operao da linha.
A abordagem proposta que combina tcnicas de anlise de sinais e inteligncia
computacional se mostrou uma alternativa promissora, principalmente dada a sua capacidade
de identificao e aprendizado das caractersticas das faltas, com uma eficincia superior
outras metodologias que empregam uma ou outra tcnica separadamente. Entretanto, o
emprego dessa abordagem exige uma grande quantidade de dados para o seu treinamento, o
que normalmente s pode ser obtido atravs de simulaes, visto que a obteno de dados de
faltas reais pode no ser vivel.
83

Sendo assim, conclui-se que a metodologia apresentada neste trabalho eficiente e


promissora, podendo ser aperfeioada para viabilizar a sua aplicao em proteo de linhas de
transmisso, incorporada a sistemas de proteo atuais.

6.1 Trabalhos futuros


De forma a aperfeioar a metodologia proposta, aumentado a sua confiabilidade e
abrangncia de aplicao, prope-se algumas sugestes de trabalhos a serem realizados no
futuro:

Aperfeioamento da metodologia proposta para obter melhores resultados nos casos


onde o desempenho foi menor;
Validao da metodologia proposta a partir de estudos de casos baseados em dados
obtidos de linhas de transmisso reais;
Estudo de outros modelos de redes neurofuzzy e outros tipos de algoritmos de
treinamento que possibilitem a melhoria dos resultados obtidos;
Incorporao de tcnicas na metodologia proposta que possibilitem no somente a
deteco e classificao da falta, mas tambm a identificao de outras caractersticas
da falta (por exemplo, se a falta tipo curto-circuito decorrente do contato da linha de
transmisso com rvores ou com o solo).

6.2 Produo cientfica


O seguinte artigo foi produzido a partir dos estudos realizados nessa dissertao:

Incio, M. J., Maia, R. D., Lemos, A. P. e Caminhas, W. M. (2009). Aprendizado


Participativo Aplicado Deteco e Diagnstico On-Line da Falhas em Sistemas
Dinmicos. IX Congresso Brasileiro de Redes Neurais / Inteligncia Computacional
(CBRN 2009).

O seguinte artigo foi submetido com aceitao ainda pendente:

Incio, M. J., Maia, R. D., e Caminhas, W. M. (2010). Deteco e Classificao de


Faltas em Linhas de Transmisso baseadas em Transformada Wavelet e Rede Lgica
Neurofuzzy modificada com Aprendizado Participativo. XVII Congresso Brasileiro de
Automtica (CBA 2010).

84

Apndices
A. Algoritmo de Agrupamento Participativo
O Algoritmo de Agrupamento Participativo (AAP) baseado no paradigma do
Aprendizado Participativo (AP) proposto por Ronald R. Yager (Yagger, 1990). A idia central
do aprendizado participativo que observaes coerentes com o conhecimento atual devem
atualizar o sistema de aprendizado e observaes pouco coerentes devem ser subestimadas.
Um mecanismo de alerta empregado para indicar que o sistema de aprendizado precisa ser
revisado caso muitas observaes sejam rejeitadas. Esse esquema permite rpida
aprendizagem de novos conhecimentos. O aprendizado participativo pode ser visto como um
processo de aprendizado passo a passo e que pode ser implementado recursivamente. A figura
1 mostra a estrutura do sistema de aprendizado participativo, cujo procedimento de
aprendizagem descrito a seguir.

Figura 1: Estrutura do sistema de Aprendizado Participativo.


Considere a representao do conhecimento do sistema uma varivel vk[0,1]p, a qual se
deseja aprender os valores a partir de sequncia de observaes xk[0,1]p, onde xk uma
manifestao dos valores de v na k-sima observao. De acordo com o paradigma do
aprendizado participativo, a contribuio de xk no processo de aprendizagem depende da sua
aceitao por vk, ou seja, uma nova observao ser usada no processo de aprendizagem
dependendo da sua compatibilidade com o conhecimento atual. Dessa forma, a atualizao do
conhecimento ser:

v k 1 v k k x k v k

(1)

onde [0,1] a taxa de aprendizagem e k[0,1] o ndice de compatibilidade entre xk e vk


na observao k=1, 2,...

85

O ndice de compatibilidade expressa o quanto a observao compatvel com


conhecimento atual, sendo que, k=0 significa mnima compatibilidade e k=1 significa
mxima compatibilidade. Em outras palavras, caso a observao seja incompatvel com o
conhecimento atual, o sistema ir descart-la, pois com k=0:

v k 1 v k

(2)

No caso oposto, caso a observao seja totalmente compatvel com o conhecimento atual,
o sistema estar aberto a incorporar a nova informao, pois com k=1:

v k 1 v k x k v k

(3)

Sendo k uma medida de similaridade entre uma observao xk e o conhecimento atual vk,
uma possvel formulao para k :

k 1

d kj

(4)

onde dkj = | xkj - vkj | uma medida de distncia. Outra forma mais simples de calcular o grau
de compatibilidade :

k 1 d k

(5)

onde dk = || xk - vk || e |||| uma norma.


Uma caracterstica indesejvel desse procedimento de aprendizagem o fato de ignorar a
situao onde ocorre uma sequncia de baixos valores de k durante um perodo de tempo
mais longo. Essa situao indica que o conhecimento atual precisa ser revisto, porque as
novas observaes representam um novo conhecimento. Para contornar esse problema, o
mecanismo de alerta monitora os valores do ndice de compatibilidade das observaes com o
conhecimento atual, e gera um ndice de alerta, ak[0,1], que indicar quando o sistema de
aprendizagem necessita ser revisado. O ndice de alerta pode ser determinado da seguinte
forma:

a k 1 1 )a k 1 k 1
a k 1 a k 1 k 1 a k

(6)

onde [0,1] uma constante que controla a taxa de variao do ndice de alerta. Esse
parmetro pode ser visto como um tipo de sensibilidade do sistema ou ainda como um
complemento do grau de conservadorismo do sistema.
Com o ndice de alerta, a atualizao do conhecimento ser:

v k 1 v k k

1 ak

86

x k

v k

(7)

Dessa forma, quanto maior o ndice de alerta, menor dever ser a influncia do ndice de
compatibilidade na atualizao do sistema de aprendizado. Isso significa que o sistema de
aprendizado estar aberto a incorporar um novo conhecimento.
Conforme mostra a figura 1, a associao do mecanismo de alerta com o processo de
aprendizagem permite que o sistema de aprendizado no apenas atualize o conhecimento atual
com as novas observaes, mas tambm permite a incorporao de novos conhecimentos. Em
sntese, essas so as principais caractersticas do aprendizado participativo.
Utilizando os conceitos da aprendizagem participativa possvel construir um algoritmo
de agrupamento no supervisionado, como o AAP. Nesse algoritmo, empregando o
mecanismo de aprendizagem participativa, os centros dos grupos so encontrados
gradativamente, de acordo com a entrada de dados.
Relacionando a aprendizagem participativa com o agrupamento de dados, considere os
pontos xk e os centros dos grupos vi como as observaes e o conhecimento do sistema,
respectivamente. O ndice de compatibilidade ki entre a observao k com a i-simo
conhecimento visto como um grau de compatibilidade entre xk e o centro do grupo vi. O
ndice de alerta aki visto como um grau de incompatibilidade entre o conhecimento atual e as
observaes, ou seja, indica o quo longe os pontos xk, k = 1,2,..., esto dos centros de grupos
vi, i = 1,2,...,c. Um novo parmetro [0,1] ser utilizado como um limiar, cujo propsito
avisar quando uma observao incompatvel com o conhecimento atual e o sistema precisa
ser revisado para acrescentar o novo conhecimento. No agrupamento de dados isso significa
que se um ponto xk estiver muito longe de todos os centros de grupos, deve ser criado um
novo grupo e o ponto xk declarado como o novo centro de grupo.
No AAP, dado os valores iniciais de , , e , os dois primeiros pontos podem ser
utilizados para formar os centros de grupos iniciais. A partir disso, para a entrada k, so
calculados os ndices de compatibilidade ki e de alerta aki para todos os centros de grupo vi. O
limiar comparado com o ndice de alerta de todos os centros de grupos. Se o ndice de
alerta for maior que o limiar , ento xk declarado com o centro de um novo grupo, seno o
centro de grupo que tiver o maior ndice de compatibilidade com xk atualizado.
Com a atualizao de grupos ou a criao de novos grupos, necessrio verificar se
grupos redundantes esto sendo formados, ou seja, centros de grupos sendo colocados
prximos a outros centros de grupo. Para isso utilizado um mecanismo de excluso de
centro de grupos redundantes, visto que a redundncia no acrescenta informao do ponto de
vista do aprendizado participativo. O mecanismo de excluso de centros de grupos calcula um
ndice de compatibilidade entre centros de grupos usando a medida de distncia. Um centro
excludo quando o seu ndice de compatibilidade maior que um limiar de compatibilidade
entre grupos [0,1]. A seguir so apresentados os procedimentos do AAP:

87

Definir os parmetros [0,1], [0,1], [0,1], e [0,1].


Inicializar o nmero de centros de grupos ck, os centros de grupos vi e os ndices de
alerta aki.
Para xk [0,1] p, k = 1,2,...
Para i = 1,2,...,ck
Calcular ndice de compatibilidade: ik 1 d v i , x k ;

Calcular ndice de alerta: aik 1 aik 1 ik aik ;


Se ak+1i , i = 1,2,..., ck ento
ck = ck + 1;
novo centro de grupo: v c k x k ;
Seno

Obter grupo mais compatvel: s arg max ik ;


i 1, 2 ,...,c k

Atualizar grupo s: v sk 1 v sk sk

1a sk 1

v sk

fim se
fim para
Para i = 1,2,...,(ck 1) e j = (i + 1),...,ck
Calcular compatibilidade entre centros: ijk 1 d v ik ,v kj
Se kij para algum j ento
excluir grupo vi;
redefinir grupo vj ;
ck = ck 1;
fim se
fim para
ck+1 = ck;
fim para.

88

B. Parmetros dos componentes utilizados na implementao


do SEP no PSCAD

Fontes (Three-Phase Voltage Source Model 3)


- Tenso = 230 kV;
- Potncia = 100 MVA;
- Frequncia = 60 Hz;
- Impedncia de sequncia positiva = 1,0 + 0,1 ;
- Impedncia de sequncia zero = 1,0 + 0,1 .

Linha de Transmisso (T-Line)


- Comprimento = 200 km.
- Impedncia de sequncia positiva = 3,57 + 50,78 ;
- Impedncia de sequncia negativa = 3,57 + 50,78 ;
- Impedncia de sequncia zero = 36,32 + 132,65 .

Resistncia de falta (Three-Phase Fault)


- Resistncia ON = 0,01 ; 0,1 ; 1 ; 10; 100 ;
- Resistncia OFF = 1 M;

Disjuntor (Three-Phase Breaker)


- Resistncia ON = 0, 1 ;
- Resistncia OFF = 1 M.

89

Referncias Bibliogrficas
Bo, Z.Q.; Aggarwal, R. K.; Johns, A. T.; Song, Li, H. Y e Song, Y., H. (1997). A New
Approach to Phase Selection using Fault Generated High Frequency Noise and Neural
Networks. IEEE Transaction on Power Delivery, Vol. 12, No. 1, pp. 106 - 115.
Bo, Z.Q.; Redfern, M.A. e Weller, G.C. (2000). Positional protection of transmission line
using fault generated high frequency transient signals. IEEE Transaction on Power Delivery,
vol. 15, n. 3, p. 888 - 894.
Caminhas, W. M.; Tavares, H. M. F. e Gomide, F. A. C. (1996). A Neurofuzzy Approch for
Fault Diagnosis in Dynamic Systems. IEEE International Conference on Fuzzy Systems, vol.
3, p. 2032-2037.
Chanda, D.; Kishore, N. K. e Sinha, A. K. (2003). Application of Wavelet Mutiresolution
Analysis for Classification on Faults on Transmission Lines. TENCON 2003 - Conference on
Convergent Technologies for Asia-Pacific Region, vol. 4, p. 1464 - 1469.
Chiradeja, P. e Ngaopitakkul A. (2009). Identification of Fault Types for Single Circuit
Transmission Line using Discrete Wavelet Transform and Artificial Neural Networks.
Proceeding of the International MultiConference of Engineers and Computer Scientists, vol.
2, p. 1520 - 1525.
Coury, D. V. (2002). Introduo aos Sistemas Eltricos de Potncia. Disponvel em <
http://www.sel.eesc.sc.usp.br/protecao/apostilaprotecaosel183.pdf>. Acesso em 01 out. 2009.
Das, Biswarup e Reddy, J. Vittal (2005). Fuzzy-Logic-Based Fault Classification Scheme for
Digital Distance Protection. IEEE Transaction on Power Delivery, vol. 20, n. 2, p. 609 - 616.
Das, D.; Singh, N.K. e Sinha, A.K. (2006). A Comparison of Fourier Transform and Wavelet
Transform Methods for Detection and Classification of Faults on Transmission Lines. Proc.
IEEE Power India Conference, New Delhi, India.
Dash, P. K; Pradhan, A. K. e Panda, G. (2000). A Novel Fuzzy Neural Network Based
Distance Relaying Scheme. IEEE Transaction on Power Delivery, vol. 15, n. 3, p. 902 - 907.
Donoho, D.L. e Johnstone, I.M. (1994). Ideal spatial adaptation by wavelet shrinkage.
Biometrika, vol. 81, n. 3, p. 425 - 455.
Fernandez, ngel L.Orille e Ghonaim, Nabil Khalil (2002). A Novel Approach using a
FIRANN for Fault Detection and Direction Estimation for High-Voltage Transmission Lines.
IEEE Transaction on Power Delivery, vol. 17, n. 4, p. 894 - 900.
Gayathri, K. e Kumarappan, N. (2008). Comparative Study of Fault Identification and
Classification on EHV Lines using Discrete Wavelet Transform and Fourier Transform Based
ANN. International Journal of Electrical, Computer, and Systems Engineering, vol. 2, n. 2, p.
125 - 136.
90

Grainger, John J. e Stevenson, William D. (1994). Power System Analysis. McGraw-Hill


Books, New York, NY, USA.
Graps, Amara L. (1995). Introduction to Wavelets. IEEE Computational Sciences and
Engineering, vol. 2, n. 2, p. 50 - 61.
Haykin, Simon (1999). Neural Networks: a comprehensive foundation. 2 ed. Prentice Hall,
Upper Saddle River, New Jersey, USA.
Haykin, Simon; Veen, Barry Van (2001). Sinais e Sistemas. Bookman, Porto Alegre, RS,
Brasil.
Hell, M. B.; Costa, P. e Gomide, Fernando Antonio Campos (2007). New Neurofuzzy
Training Procedure Based on Participatory Learning Paradigm. IEEE International
Conference on Fuzzy Systems, p.1952 - 1957.
Horowitz , Stanley H. e Phadke, Arun G. (2008). Power System Relaying. 3 ed. John Wiley
& Sons Ltd, West Sussex, England.
Incio, M. J., Maia, R. D., Lemos, A. P. e Caminhas, W. M. (2009). Aprendizado
Participativo Aplicado Deteco e Diagnstico On-Line da Falhas em Sistemas Dinmicos.
In: IX Congresso Brasileiro de Redes Neurais / Inteligncia Computacional. Anais do IX
Congresso Brasileiro de Redes Neurais / Inteligncia Computacional.
Jang, Roger Jyh-Shing; Sun, Chuen-Tsai e Mizutani, Eiji (1997). Neuro-Fuzzy and Soft
Computing: A computational approach to learning and machine intelligence. Prentice Hall,
Upper Saddle River, New Jersey, USA.
Kim, Chul-Hwan e Aggarwal, Raj (2000). Wavelet Transform in Power Systems - Part 1:
General introduction to the wavelet transform. Power Engineering Journal, vol. 14, n. 2, pp.
81 - 87.
Kim, Chul-Hwan e Aggarwal, Raj (2001). Wavelet Transform in Power Systems - Part 2:
Examples of application to actual power system transients. Power Engineering Journal, vol.
15, n. 4, pp. 193 - 202.
Kim, Chul-Hwan et al. (2002). A Novel Fault-Detection Technique of High-Impedance
Arcing Faults in Transmission Lines using the Wavelet Transform. IEEE Transaction on
Power Delivery, vol. 17, n. 4, pp. 921 - 929.
Liang, J.; Elangovan, S. e Devotta, J. B. X. (1998). A Wavelet Multiresolution Analysis
Approach to Fault Detection and Classification in Transmission Lines. Electric Power &
Energy Systems, vol. 20, n. 5, pp. 327 - 332.
Mahanty, R. N. e Gupta, P. B. Dutta (2004). Application of RBF Neural Network to Fault
Classification and Location in Transmission Lines. IEE Proceedings Generation,
Transmission & Distribution, vol. 151, n. 2, pp. 201 - 212.

91

Mahanty, R. N. e Gupta, P. B. Dutta (2007). A Fuzzy Logic based Fault Classification


Approach using Current Samples only. Electric Power Systems Research, vol. 77, ed. 5-6, pp.
501-507.
Makming, P. et al. (2002). Fault Diagnosis in Transmission Lines using Wavelet Transform
Analysis. Transmission and Distribution Conference and Exhibition 2002: Asia Pacific.
IEEE/PES, vol. 3, pp. 2246 - 2250.
MATLAB (2008). User Guide. The MathWorks Inc., Natick, MA, USA.
Misiti, M.; Misiti, Y.; Oppenheim, G. e Poggi, J-M. (2007). Wavelet Toolbox Users Guide 4.
The MathWorks Inc., Natick, MA, USA.
Oleskovicz, M.; Coury, D. V. e Aggarwal, R. K. (2001). A Complete Scheme For Fault
Detection, Classification and Location In Transmission Lines Using Neural Networks. IEE
Seventh International Conference on Developments in Power System Protection, pp. 335 338.
Osman, A. H. e Malik, O. P. (2004). Protection of Parallel Transmission Lines using Wavelet
Transform. IEEE Transaction on Power Delivery, vol. 19, n. 1, pp. 49 - 55.
Pedrycz, Witold e Gomide, Fernando (1998). An Introduction to Fuzzy Sets: Analysis and
Design. MIT Press.
Phadke, Arun G. e Thorp, James S. (2009). Computer Relaying for Power Systems. 2 ed. John
Wiley & Sons Ltd, West Sussex, England.
PSCAD (2005). Users Guide. Manitoba HVDC Research Centre Inc. Manitoba, Canada.
Reddy, M. Jayabharata e Mohanta, D. K. (2007). A Wavelet-Fuzzy Combined Approach for
Classification and Location of Transmission Line Faults. International Journal of Electric
Power & Energy Systems, vol. 29, ed. 9, pp. 669 - 678.
Silva, L.; Gomide, F. e Yager, R. R. (2005). Participatory Learning in Fuzzy Clustering. Proc.
14th IEEE International Conference on Fuzzy Systems, pp. 857 - 861.
Silveira, P. M.; Seara, R. e Zurn, H. H. (1999). An Approach using Wavelet Transform for
Fault Type Identification in Digital Relaying. IEEE Power Engineering Society Summer
Meeting, vol. 2, pp. 937 - 942.
Thorp, James S. (2007). Digital Relaying. In: Grigsby, Leonard L. Power System Stability
and Control. CRC Press, Boca Raton, FL, USA.
Tleis, Nasser D. (2008). Power Systems Modelling and Fault Analysis - Theory and Practice.
Newnes, Oxford, OX, UK.
Ukil, Abhisek e Zivanovic, Rastko (2006). Abrupt change detection in power system fault
analysis using adaptive whitening filter and wavelet transform. Electric Power Systems
Research, vol. 76, ed. 9-10, pp. 815 823.

92

Vsquez, Ernesto; Altuve, Hctor J. e Chacn, Oscar L. (1996). Neural Network Approach To
Fault Detection In Electric Power Systems. IEEE International Conference on Neural
Networks, vol. 4, pp. 2090 - 2095.
Vieira, Jos; Dias, Fernando M. e Mota, Alexandre (2004). Neuro-Fuzzy Systems: A Survey.
5th WSEAS Transactions On Systems, vol. 3, n. 2, pp. 414 419.
Wang, Huisheng e Keerthipala, W. W. L. (1998). Fuzzy-Neuro Approach to Fault
Classification for Transmission Line Protection. IEEE Transaction on Power Delivery, vol.
13, n. 4, pp. 1093 - 1104.
Warrington, A. R. van C. (1978). Protective Relays Their Theory and Practice. vol. 2. 3rd ed.
Springer, London, UK.
Yager, R. R. (1990). A model of Participatory Learning. IEEE Transaction on System, Man
and Cybernetics, vol. 20, n. 5, pp. 1229 - 1234.
Youssef, Omar A. S. (2004). Combined Fuzzy-Logic Wavelet-Based Fault Classification
Technique for Power System Relaying. IEEE Transaction on Power Delivery, vol. 19, n. 2,
pp. 582 - 589.
Zhao, W.; Song, Y. H. e Min, Y. (2000). Wavelet Analysis based Scheme for Fault Detection
and Classification in Underground Power Cable Systems. Electric Power Systems Research,
vol. 53, ed. 1, pp. 23 30.

93