MauroSouzaTonelliNeto Final

Campus de Ilha Solteira
PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

Formulao do Controle Preventivo em Sistemas de
Distribuio de Energia Eltrica Baseada na Lgica Fuzzy e
Redes Neurais

MAURO DE SOUZA TONELLI NETO

Orientador: Prof. Dr. Carlos Roberto Minussi

Dissertao apresentada Faculdade de
Engenharia - UNESP Campus de Ilha
Solteira, para obteno do ttulo de
Mestre em Engenharia Eltrica.
rea de Conhecimento: Automao.

Ilha Solteira SP
Maro/2012

FICHA CATALOGRFICA

Elaborada pela Seo Tcnica de Aquisio e Tratamento da Informao
Servio Tcnico de Biblioteca e Documentao da UNESP - Ilha Solteira.

Tonelli Neto, Mauro de Souza.
T664f Formulao do controle preventivo em sistemas de distribuio de energia eltrica
baseada na lgica fuzzy e redes neurais / Mauro de Souza Tonelli Neto. -- Ilha Solteira :
[s.n.], 2012
137 f. : il.

Dissertao (mestrado) - Universidade Estadual Paulista. Faculdade de Engenharia de
Ilha Solteira. rea de conhecimento: Automao, 2012

Orientador: Carlos Roberto Minussi
Inclui bibliografia

1. Transformada Wavelet. 2. Lgica Fuzzy. 3. Redes neurais (Computao).
4. Rede neural Fuzzy ARTMAP. 5. Diagnstico de distrbios. 6. Subestaes eltricas -
Automao. 7. Sistemas de energia eltrica - Distribuio.

AGRADECIMENTOS
Primeiramente, agradeo a Deus por ter me concedido o dom da vida, pela fora, luz e
oportunidades dadas a mim para que conseguisse alcanar meus objetivos.
Ao meu orientador Prof. Dr. Carlos Roberto Minussi, por depositar em mim a confiana
de realizao desta pesquisa, pela ateno, dedicao, empenho e por contribuir para o meu
aprendizado desde o 2 ano de graduao. Pelo amigo e pai que se mostrou, sempre com
palavras incentivadoras a cada vitria, e palavras consoladoras em cada tropeo.
Aos meus pais, Mauro Jnior e Maria Abadia, que sempre estiveram ao meu lado dando
total apoio e incentivo em minha busca pela realizao de meus sonhos. s minhas irms,
Jackeline e Karolinne, pelo carinho e apoio. minha namorada Virgnia Utida, pelo amor,
incentivo, pacincia e compreenso.
A todos os meus amigos que sempre estiveram ao meu lado. Em especial, Jos
Guilherme Decanini, Thiago Dolacio, Vander Prado, e Ana Cludia Barros, pela fora, apoio
e amizade verdadeira.
A Fapesp pelo auxlio financeiro concedido, atravs de uma bolsa de estudos e reserva
tcnica, que permitiu que eu pudesse me dedicar exclusivamente ao desenvolvimento desta
pesquisa.
RESUMO
Esta pesquisa tem por objetivo o desenvolvimento de um sistema inteligente que realize
o controle preventivo em sistemas de distribuio de energia eltrica. Trata-se de um
procedimento para diagnosticar distrbios possam provocar danos em componentes do
sistema e, principalmente, a interrupo do fornecimento de energia aos consumidores. Este
sistema inteligente ser desenvolvido baseando-se no emprego da transformada wavelet,
lgica fuzzy e redes neurais artificiais, em especial uma arquitetura da famlia ART (Adaptive
Resonance Theory), a rede neural Fuzzy ARTMAP. Por ser uma arquitetura estvel e plstica,
esta permite a incluso do mdulo do treinamento continuado, o qual possibilita a extrao do
conhecimento sem a necessidade de reiniciar o processo de treinamento com a incluso de
novos padres, diferentemente do que ocorre com a maioria das redes neurais. Este recurso
possibilita usar um conjunto reduzido de padres na fase de treinamento e, na medida em que
forem realizadas as anlises (aplicao), a extrao do conhecimento continuada, ou seja,
trata-se de um sistema que busca o aperfeioamento com o passar o tempo. O sistema ir
contemplar as principais anormalidades caracterizadas por distrbios de tenso, curtos-
circuitos e faltas de alta impedncia. Por conseguinte, o objetivo refere-se ao desenvolvimento
de um modelo embrionrio capaz de incorporar permanentemente inovaes com o propsito
de torn-lo um sistema de inferncia mais eficiente.

Palavras-chave: Transformada wavelet. Lgica fuzzy. Rede neural Fuzzy ARTMAP.
Diagnstico de distrbios. Automao de subestaes. Sistema de distribuio.
ABSTRACT
This project aims to develop an intelligent system that performs the preventive control
in electric power distribution systems. It is a procedure to disturbances diagnosis that can
potentially cause damage to systems components and, particularly, the interruption of electric
power supply to consumers. This intelligent system is based on wavelet transform, fuzzy logic
and artificial neural networks, in special the ART (Adaptive resonance Theory) family
architecture, i.e., the Fuzzy ARTMAP. Due to the stability and plasticity characteristics, this
architecture enables the introduction of the continuous training module, which allows the
knowledge extraction without the need to restart the training process when a new training
pattern is included, unlike what happens in most neural networks. Thus, it is possible to use a
reduced set of patterns on the training phase and, as the analyses are performed, the extraction
of the knowledge is continuous, i.e., a system that seeks to improve over time. The system
will introduce the main disorders characterized by voltage disturbances, short-circuit faults
and high impedance faults. Therefore, it deals with a methodology that can permanently
incorporate new information to become an efficient inference system.

Keywords: Wavelet transform. Fuzzy logic. Fuzzy ARTMAP neural network. Disturbances
diagnosis. Substations automation. Power distribution system.
Sumrio
1 INTRODUO 17
1.1 Objetivo da Pesquisa 18
1.2 Justificativa 19
1.3 Estrutura do Texto 20
2 ESTADO DA ARTE 21
2.1 Comentrios 24
3 SUBESTAES DE ENERGIA ELTRICA 25
3.1 Configuraes de Subestaes 26
3.2 Automao do Sistema de Distribuio de Energia Eltrica 27
3.3 Distrbios em Sistemas de Distribuio de Energia Eltrica 28
3.3.1 Distrbios de Tenso 28
3.3.2 Curtos-Circuitos 30
3.3.3 Faltas de Alta Impedncia 33
3.4 Simulaes de Distrbios 34
3.4.1 Distrbios de tenso 35
3.4.2 Curtos-Circuitos 36
3.4.3 Faltas de Alta Impedncia 38
3.5 Comentrios 39
4 MTODO PROPOSTO 41
4.1 Formulao do Controle Preventivo 41
4.2 Mtodo Para a Formulao do Controle Preventivo 42
4.3 Comentrios 44
5 TRANSFORMADA WAVELET 45
5.1 Transformada de Fourier com Janelamento 45
5.2 Transformada Wavelet Contnua 46
5.3 Transformada Wavelet Discreta 47
5.4 Anlise Multirresoluo 48
5.5 Famlias de Wavelets 50
5.5.1 Famlia Haar 51
5.5.2 Famlia Daubechies 52
5.5.3 Famlia Symlet 53
5.5.4 Famlia Coiflet 54
5.6 Entropia 54
5.7 Energia 55
5.8 Comentrios 55
6 LGICA FUZZY 57
6.1 Teoria de Conjuntos Clssica 57
6.2 Teoria de Conjutos Fuzzy 58
6.2.1 Unio (Fuzzy OR) 59
6.2.2 Interseo (Fuzzy AND) 60
6.2.3 Complemento (Fuzzy NOT) 60
6.3 Funes de Pertinncia 61
6.3.1 Triangular 62
6.3.2 Trapezoidal 62
6.3.3 Gaussiana 63
6.4 Sistema Fuzzy 64
6.4.1 Fuzzyficao 65
6.4.2 Base de Regras 65
6.4.3 Inferncia Fuzzy 65
6.4.4 Defuzzyficao 66
6.5 Comentrios 67
7 REDES NEURAIS ARTIFICIAIS 69
7.1 Rede Neural Fuzzy ART 71
7.1.1 Dados de Entrada 72
7.1.2 Parmetros 73
7.1.3 Inicializao dos Pesos 73
7.1.4 Escolha da Categoria 73
7.1.5 Ressonncia ou Reset 74
7.1.6 Aprendizado 75
7.2 Rede Neural Fuzzy ARTMAP 75
7.2.1 Dados de Entrada 76
7.2.2 Parmetros 77
7.2.3 Inicializao dos Pesos 77
7.2.4 Escolha da Categoria 78
7.2.5 Ressonncia ou Reset 79
7.2.6 Aprendizado 79
7.2.7 Algoritmo de Treinamento da Rede Neural Fuzzy ARTMAP 80
7.2.8 Algoritmo de Teste da Rede Neural Fuzzy ARTMAP 83
7.3 Comentrios 83
8 METODOLOGIA 85
8.1 Introduo 85
8.2 Sistema de Deteco e de Deciso 86
8.2.1 Mdulo de Deteco de Distrbios 86
8.2.2 Mdulo de Extrao das Caractersticas de Tenso e de Corrente 88
8.2.3 Mdulo Avaliador de Faltas de Alta Impedncia 88
8.2.4 Mdulo de Deciso do Tipo de Distrbios 90
8.3 Sistema de Diagnstico de Distrbios de Tenso 92
8.3.1 Mdulo de Extrao das Caractersticas de Tenso 93
8.3.2 Mdulo de Classificao de Distrbios de Tenso 94
8.4 Sistema de Diagnstico de Curtos-Circuitos 96
8.4.1 Mdulo de Extrao das Caractersticas de Corrente 96
8.4.2 Mdulo de Classificao de Curtos-Circuitos 97
8.4.3 Mdulo de Avaliao da Presena da Terra 99
8.5 Comentrios 100
9 APLICAES E RESULTADOS 101
9.1 Introduo 101
9.2 Padres de Treinamento e Teste 101
9.3 Sistema de Deteco e de Deciso 102
9.3.1 Mdulo de Deteco de Distrbios 102
9.3.2 Mdulo de Extrao das Caractersticas de Tenso e de Corrente 102
9.3.3 Mdulo Avaliador de Faltas de Alta Impedncia 102
9.3.4 Mdulo de Deciso do Tipo de Distrbio 107
9.4 Sistema de Diagnstico de distrbios de Tenso 108
9.4.1 Mdulo de Extrao das Caractersticas de Tenso 109
9.4.2 Mdulo de Classificao de Distrbios de Tenso 109
9.5 Sistema de Diagnstico de Curtos-Circuitos 112
9.5.1 Mdulo de Extrao das Caractersticas de Corrente 112
9.5.2 Mdulo de Classificao de Curtos-Circuitos 113
9.5.3 Mdulo de Avaliao da Presena da Terra 114
9.6 Comentrios 115
10 CONCLUSES 117
10.1 Sugestes Para Trabalhos Futuros 119
REFERNCIAS 121
ANEXO A - DADOS DO SISTEMA TESTE 129
APNDICE A - PUBLICAES 137
A.1 Peridicos Internacionais 137
A.2 Congressos 137

17

1 INTRODUO
Atualmente, grandes investimentos tm sido aplicados visando modernizar os sistemas
eltricos de potncia, em especial os sistemas de distribuio, no que concerne automao
de suas operaes. Neste contexto, duas modalidades de tecnologias se destacam: tecnologia
digital e tecnologia da informao. A primeira refere-se ao uso de componentes
semicondutores de alta velocidade, em sistema de comunicao, controle, proteo, entre
outras importantes funes (ALAG et al., 2001; KEZUNOVIC; ABUR, 2005). A segunda
compreende um grande conjunto de procedimentos de processamento e de anlise de sinais
(oscilografias e outros dados).
Um sistema de distribuio de energia eltrica moderno (FAN; BORLASE, 2009;
McDONALD, 2003) ter de satisfazer mltiplos objetivos, incluindo a melhoria da
confiabilidade, eficincia e segurana do sistema. Dentro desta perspectiva, faz-se necessrio,
ento, desenvolver um sistema integrado, combinando aquisio, processamento e anlise de
dados com o propsito de proporcionar a assistncia necessria para realizar a automao, o
controle e a tomada de deciso no ambiente de subestaes de distribuio de energia eltrica
(DECANINI, 2009; NORTHCOTE-GREEN; TONELLI-NETO, 2009, 2011; WILSON,
2007).
O diagnstico automtico de distrbios, e.g., curtos-circuitos (KEZUNOVIC;
VASILIC, 2005; MAHANTY; DUTTA GUPTA, 2007; TONELLI-NETO et al., 2011b) e
distrbios de tenso (DECANINI et al., 2011a; MEHER; PRADHAN, 2010; SANTOSO et
al., 2000), uma das prticas a qual se deve dar uma maior ateno. A prtica de diagnstico,
a qual engloba deteco, classificao e localizao de falhas, deve ser baseada em tcnicas e
tecnologias que permitam sua adaptao s mudanas advindas da constante evoluo do
sistema eltrico. Normalmente, as tradicionais prticas de diagnstico de defeitos so
realizadas baseando-se no julgamento dos operadores, levando em conta sua experincia em
anlise e no planejamento de aes corretivas. Estas prticas, por serem dependentes de
operadores humanos, so passveis de erros que podem causar o indevido funcionamento do
sistema de distribuio, e.g., interrupo no fornecimento de energia, e consequentemente
prejuzos s concessionrias. Neste sentido, as metodologias baseadas na inteligncia artificial
(BENDER, 1996) sistemas especialistas, lgica fuzzy (CHEN; PHAM, 2006;
18

KARTALOPOULOS, 1996; ZADEH, 1965), redes neurais artificiais (AMIS; CARPENTER,
2010; CARPENTER et al., 1992; KARTALOPOULOS, 1996; MARCHIORI et al., 2011),
etc.) so procedimentos disponveis que extraem o conhecimento de processos complexos.
Estas tcnicas buscam combinar a experincia dos operadores humanos e a capacidade de
realizar rotinas de forma segura e com alta rapidez de resposta. Trata-se de mecanismos que,
se postos disposio da operao, podem produzir grandes saltos qualitativos, por meio de
procedimento de diagnstico dos defeitos e de auxlio ao planejamento de aes corretivas,
possibilitando, assim, a automao de subestaes de forma plena e eficiente.
Tais procedimentos inteligentes buscam contribuir nos seguintes aspectos:
- estabelecer relaes de funes de segurana nas subestaes, considerando eventos que
no so bem definidos;
- habilidade de aprender a partir de exemplos (experincia);
- capacidade de generalizao em casos em que as informaes encontram-se incompletas
ou corrompidas;
- acumular novos conhecimentos;
- realizar tais tarefas de modo rpido e eficiente.
1.1 Objetivo da Pesquisa
O objetivo desta pesquisa o desenvolvimento de estratgias de diagnstico de
distrbios, ou seja, investigar e identificar falhas no sistema de distribuio, e.g., distrbios de
tenso, curtos-circuitos e faltas de alta impedncia. Trata-se de um sistema destinado ao
reconhecimento, a partir dos sinais provenientes do sistema de aquisio de dados, de
defeitos, e posteriormente classificao destes, contribuindo para a reduo do tempo
necessrio para restabelecer as condies normais de operao (DECANINI, 2009;
TONELLI-NETO, 2009, 2011).
Neste sentido, buscar-se- a concepo de algoritmos que facilmente podem ser
modificados para atender essa nova demanda, atravs de esquemas inteligentes modulares.
Havendo necessidade de melhorar o desempenho do sistema, para atender determinada
especificidade, basta substituir um ou mais mdulos por outros com concepo mais eficiente.
A metodologia proposta, que visa auxiliar a automao das subestaes de energia
eltrica robusta, rpida e eficiente, pois utiliza de tcnicas baseadas na inteligncia artificial,
19

e.g., rede neural Fuzzy ARTMAP e lgica fuzzy, em seu sistema de diagnstico. A motivao
pela escolha da rede neural Fuzzy ARTMAP, alm desta apresentar caractersticas de
estabilidade e plasticidade, em consequncia da possibilidade da incluso do treinamento
continuado, o qual fornece a rede um constante aprendizado, acompanhando assim a
constante evoluo do setor eltrico.
1.2 Justificativa
Os consumidores de energia eltrica, acompanhando a constante evoluo do setor
eltrico, tornaram-se mais conscientes em relao qualidade da energia eltrica entregue
pelas concessionrias. Com isso, falhas nas redes de distribuio, que venham a interromper o
fornecimento de energia ou causem variaes na tenso de fornecimento, representam
prejuzo tanto para as concessionrias como para os consumidores.
Quando ocorre um curto-circuito em um sistema de distribuio, a proteo presente
deve atuar isolando o trecho em falta, fazendo com que o fornecimento de energia para os
consumidores naquela regio seja interrompido por um determinado intervalo de tempo. Os
distrbios de tenso, mais frequentes em sistemas de distribuio, no causam a interrupo
do fornecimento de energia, porm afetam a qualidade da energia entregue aos consumidores,
acarretando o mau funcionamento dos equipamentos ligados rede.
Assim, as concessionrias de energia eltrica necessitam desenvolver tcnicas que
objetivem automatizar as subestaes de energia eltrica, de modo que as falhas nas redes de
distribuio no ocorram com tanta frequncia e, caso ocorram, sua durao seja a menor
possvel at que seja restabelecida a condio de operao normal do sistema. Estas tcnicas
visam o auxlio aos operadores na identificao e classificao destas falhas, j que
normalmente o processo de diagnstico, na maioria das vezes, realizado atravs da inspeo
visual dos sinais de corrente e tenso por parte dos operadores, e assim sendo, fortemente
baseado na experincia dos mesmos.
Atravs do uso destas tcnicas, o controle preventivo do sistema de distribuio torna-se
uma importante ferramenta para o auxlio tomada deciso no ambiente de subestaes de
energia eltrica, auxiliando assim os operadores na tomada de deciso.
20

1.3 Estrutura do Texto
O texto est organizado da seguinte forma: estado da arte, subestaes de energia
eltrica, mtodo proposto, transformada wavelet, lgica fuzzy, redes neurais artificiais,
metodologia, aplicaes e resultados, e concluses.
A reviso bibliogrfica apresentada na Seo 2. Neste ser apresentado o processo de
estudo para a realizao da pesquisa, sendo destacados os principais livros e artigos utilizados
como embasamento terico. Tambm, os resultados presentes na literatura especializada
serviro como base comparativa para os resultados obtidos nesta pesquisa.
As principais configuraes das subestaes de energia eltrica, a automao do sistema
de distribuio e os tipos de distrbios que podem ocorrer nos alimentadores de energia
eltrica, bem como as simulaes utilizadas na validao da metodologia so descritas na
Seo 3.
Na Seo 4, abordam-se os principais componentes do sistema de diagnstico de
distrbios, alm da descrio das principais tcnicas empregadas em cada uma das etapas.
Os principais conceitos das tcnicas empregadas no desenvolvimento do sistema para
formulao do controle preventivo, i.e., transformada wavelet, lgica fuzzy e redes neurais
artificiais, so apresentados nas Sees 5, 6 e 7, respectivamente.
A metodologia utilizada no desenvolvimento do sistema de diagnstico de distrbios
abordada na Seo 8. Em seguida, a Seo 9 apresenta os principais resultados obtidos por
esta metodologia. Finalmente, a Seo 10 traz as principais concluses desta pesquisa e
sugestes para trabalhos futuros.
21

2 ESTADO DA ARTE
Para a realizao desta pesquisa, foram utilizadas algumas referncias de modo que
pudessem introduzir os conceitos bsicos das teorias a serem utilizadas na concepo do
sistema para efetuar o controle preventivo.
Com o objetivo de adquirir conhecimento de subestaes de distribuio de energia
eltrica, foi realizado um estudo abrangendo a estrutura e as configuraes das subestaes
atuais, as tcnicas de integrao e automao de subestaes de energia eltrica, e os
equipamentos empregados (FAN; BORLASE, 2009; McDONALD, 2003; NORTHCOTE-
GREEN; WILSON, 2007).
Na literatura especializada encontram-se trabalhos que propem tcnicas de diagnstico
de distrbios em sistemas de distribuio de energia eltrica. O desenvolvimento destas
tcnicas tem como principal objetivo a automao das subestaes de energia eltrica.
Para o diagnstico de distrbios de tenso, destacam-se os trabalhos descritos a seguir.
Santoso et al. (2000) propem um sistema para classificao de distrbios de tenso, no
domnio wavelet, o qual utiliza um conjunto de mltiplas redes neurais, sendo as sadas destas
redes integradas com o auxlio da teoria da evidncia de Dempster-Shafer (BARNET, 2008).
Reaz et al. (2007) utilizam dos conceitos da transformada wavelet, de redes neurais
artificiais e da lgica fuzzy na identificao de diferentes tipos de distrbios de tenso.
Uyar et al. (2008) obtm os coeficientes de detalhe e de aproximao atravs da
aplicao da transformada wavelet, os quais so agregados via norma entropia. Assim, a rede
neural multi-layer perceptron, com algoritmo de treinamento back-propagation Levenberg-
Marquardt, utilizada para classificao dos distrbios.
Oleskovicz et al. (2009) propem um sistema hbrido para realizar, de maneira
automtica, a deteco, localizao e classificao de distrbios que afetam a qualidade de
energia eltrica proposto. Este sistema utiliza da transformada wavelet discreta no processo
de deteco e de um conjunto de redes neurais artificiais para classificao destes eventos.
22

Panigrahi e Pandi (2009) classificam diferentes distrbios de tenso por meio do uso
combinado da transformada wavelet packet e de tcnicas baseadas na lgica fuzzy.
Eristi et al. (2010) desenvolvem um algoritmo baseado na transformada wavelet e na
mquina de suporte vetorial para identificao dos distrbios de tenso.
Masoum et al. (2010) utilizam dos conceitos da transformada wavelet discreta e redes
neurais wavelet na classificao dos distrbios de tenso.
Meher e Pradhan (2010) aplicam a teoria dos conjuntos fuzzy na classificao de
distrbios de tenso. As caractersticas utilizadas no processo de classificao so obtidas a
partir da transformada wavelet.
Decanini et al. (2011a) utilizam da transformada wavelet para a extrao das
caratersticas das oscilografias de tenso. Estas caractersticas so agregadas via conceito
entropia e utilizadas como entrada de uma rede neural Fuzzy ARTMAP, que ser responsvel
por classificar os distrbios de tenso.
No diagnstico de curtos-circuitos podem ser destacados alguns trabalhos, que so
descritos a seguir.
Mohamed e Rao (1995) realizam o diagnstico de curtos-circuitos atravs de uma
cascata de redes neurais artificiais multi-layer perceptron utilizando o algoritmo de
treinamento back-propagation.
Chen et al. (2000) apresentam uma metodologia para o diagnstico de curtos-circuitos
em subestaes de distribuio de energia eltrica utilizando uma rede hbrida de causa-efeito
e uma base de regras fuzzy.
Das (2006), utiliza dos conceitos da lgica fuzzy na identificao do tipo de curto-
circuito em sistemas de distribuio. Este mtodo necessita somente das oscilografias de
corrente disponveis na subestao.
Salim et al. (2008) apresentam um esquema hbrido de diagnstico de curtos-circuitos
para a automao do sistema de distribuio de energia eltrica, empregando transformada
wavelet estacionria e redes neurais feed forward com o algoritmo de treinamento Levenberg-
Marquardt.
23

Kezunovic (2011) realiza uma discusso a respeito da melhoria na eficincia dos
mtodos de diagnstico de curtos-circuitos em Smart Grid quando se utiliza um elevado
nmero de dados provenientes de IEDs (Intelligent Electronic Devices).
El-Zonkoly (2011) prope um novo esquema de diagnstico de curtos-circuitos. O
algoritmo utiliza o clculo da norma entropia juntamente com a transformada wavelet dos
sinais de corrente para classificar e localizar curtos-circuitos em redes de distribuio.
A respeito do diagnstico de faltas de alta impedncia, destacam-se os seguintes
trabalhos:
Buchholz et al. (1996) descreve o princpio de funcionamento de um equipamento
utilizado na deteco de faltas de alta impedncia utilizando dados pr-gravados. Alm disso,
o mtodo avalia a dependncia e a segurana do equipamento de deteco de faltas de alta
impedncia contra falsos alarmes.
Etemadi e Sanaye-Pasand (2008) apresentam um mtodo para deteco de faltas de alta
impedncia, o qual utiliza a decomposio wavelet para extrao das caractersticas do estado
operativo do sistema e um sistema de inferncia neuro-fuzzy (ANFIS (JANG, 1993)) para
classificao do distrbio.
Samantaray et al. (2008) propem uma tcnica hbrida de reconhecimento de padro
utilizando transformada S, transformada TT e uma rede neural probabilstica para detectar e
classificar faltas de alta impedncia.
Samantaray et al. (2009) empregam o filtro de Kalman adaptativo juntamente com uma
rede neural probabilstica na deteco e classificao de faltas de alta impedncia.
Baqui et al. (2011) apresentam uma nova tcnica baseada no uso combinado da
transformada wavelet e uma rede neural multi-layer perceptron na deteco de faltas de alta
impedncia em alimentadores de distribuio.
Sarlak e Shahrtash (2011) apresentam um algoritmo baseado no reconhecimento de
padres para a deteco de faltas de alta impedncia. Este algoritmo emprega o gradiente
morfolgico de multirresoluo na extrao de caractersticas no domnio do tempo, que
posteriormente so utilizadas como entrada de um conjunto de redes multi-layer perceptron.
24

2.1 Comentrios
Nest seo foi apresentada uma breve reviso bibliogrfica. Os trabalhos citados desta
seo correspondem aos mais relevantes encontrados na literatura especializada, sendo, ento,
utilizados como base terica para o desenvolvimento da metodologia de diagnstico de
distrbios em sistemas de distribuio de energia eltrica.
25

3 SUBESTAES DE ENERGIA ELTRICA
As subestaes de energia eltrica correspondem a um conjunto de equipamentos e
obras civis indispensveis para a medio, superviso, proteo, controle e comando do
sistema, regulao e transformao dos nveis de tenso.
Nas concessionrias, os projetos mais comuns so a construo de novas subestaes e
a ampliao das j existentes. No entanto, devido complexidade desta tarefa, somente uma
minoria dos funcionrios esto familiarizados com todo o processo que permite que esses
projetos a serem concludos com xito (McDONALD, 2010).
Para a criao de novas subestaes de energia eltrica, necessita-se de um processo de
planejamento ativo. Dentre as pessoas envolvidas no planejamento podem-se destacar:
operadores de planejamento e manuteno, gestores, e engenheiros de projeto. So estes
profissionais que avaliaro a necessidade real da criao de uma nova subestao analisando
os fatores influentes neste processo, e.g., crescimento da carga, estabilidade, confiablidade e
capacidade do sistema. Alm disso, a instalao de novos clientes, e.g., uma nova fbrica,
deve ser considerada (McDONALD, 2010; NORTHCOTE-GREEN; WILSON, 2007).
As subestaes de energia eltrica podem ser dividas em (McDONALD, 2010):
- Subestao de gerao: estas instalaes conectam os geradores concessionria e tambm
fornecem energia fora do local da planta geradora.
- Subestao de transmisso: responsvel pela transferncia de enegia e referida como uma
estao de comutao. Estas subestaes geralmente so os pontos finais de linhas de
transmisso, provenientes de subestaes de gerao, sendo estas tambm responsveis por
fornecer a energia eltrica para os circuitos que alimentam as subestaes de distribuio;
- Subestaes de distribuio: esta a subestao mais comun em sistemas de energia
eltrica, e fornecem os circuitos terminais que abastecem diretamente a maioria dos
consumidores de energia.
- Subestaes de utilizao: utilizada como fonte de fornecimento de energia eltrica para
determinados cliente. O requisito tcnico para este tipo de instalao depende mais da
necessidades dos clientes, do que das concessionrias.
26

3.1 Configuraes de Subestaes
O arranjo de uma subestao de distribuio a combinao adequada do chaveamento
de alta tenso, dos transformadores abaixadores e chaveamento de tenso primria (chaves,
disjuntores e religadores) de modo a obter um desempenho preestabelecido, levando em
considerao o aspecto funcional e o econmico.
Quando se analisa os diagramas unifilares de subestaes, procura-se obter uma
avaliao considerando, dentre muitos, os seguintes aspectos:
- confiabilidade do sistema;
- segurana do sistema;
- flexibilidade de operao;
- habilidade na reduo de correntes de curto-circuito;
- simplicidade dos dispositivos de proteo;
- facilidade de manuteno e seu efeito na segurana;
- facilidade de expanso;
- rea total;
- custo.
Vrios fatores podem afetar a confiabilidade do fornecimento de energia de uma
subestao, sendo o arranjo dos barramentos e dos dispositivos de chaveamento um dos mais
importantes. Alm de confiabilidade, o arranjo dos barramentos/dispositivos de comutao
ter impacto sobre a manuteno, proteo, desenvolvimento da subestao inicial, e custo
(NORTHCOTE-GREEN; WILSON, 2007).
As configuraes mais utilizadas em subestaes so (McDONALD, 2010):
- Barramento Simples;
- Duplo Barramento Simples;
- Barramento Simples Seccionado;
- Barramento Principal e de Transferncia;
- Barramento Duplo com um Disjuntor;
- Barramento Duplo com Disjuntor Duplo;
- Barramento em Anel.
27

3.2 Automao do Sistema de Distribuio de Energia Eltrica
O conceito Smart Grid, e suas tecnologias, tm como principal objetivo oferecer uma
energia mais confivel, segura e sustentvel. Aplicando este conceito no sistema de
distribuio, surge, ento, a necessidade da automao das operaes, i.e., construo da
funcionalidade de autorregenerao do sistema, capaz de diagnosticar, de maneira
automtica, as falhas. As iniciativas de automao envolvem decises crticas a respeito de
como integrar as antigas tecnologias com as novas. Decises crticas tambm compreendem
escolher, dentro de uma imensa gama de variaes, sistemas computacionais, comunicaes,
proteo da rede e sistemas de aquisio de dados (NORTHCOTE-GREEN; WILSON, 2007).
A automao do sistema de distribuio depende da capacidade de comunicao das
subestaes com seus equipamentos, i.e., disponibilidade e transferncia de dados fornecidos
em tempo real para o monitoramento e operao dos equipamentos. Esta comunicao deve
ser capaz de fornecer e manter o alto nvel de confiabilidade exigido para a operao do
sistema de energia. Neste contexto, utiliza-se de um abrangente conjunto de funes de
proteo e de tecnologias da informao. Logo, unindo a automao local, o controle remoto
de dispositivos de chaveamento, e a tomada de deciso, cria-se uma ferramenta, flexvel e
rentvel, para a operao dos sistemas de distribuio de energia eltrica (NORTHCOTE-
GREEN; WILSON, 2007).
O termo automao sugere que o processo autocontrolado. No entanto, o termo
automao est mais relacionado com a coordenao do sistema. Assim, todos os
equipamentos de proteo devem estar coordenados de modo a realizarem, automaticamente,
a funo de proteo, isolando o trecho em falta, restabelecendo, posteriormente, a condio
normal de operao (NORTHCOTE-GREEN; WILSON, 2007).
Por conseguinte, esta implantao favorece as concessionrias e os consumidores,
resultando nos seguintes benefcios (NORTHCOTE-GREEN; WILSON, 2007):
- benefcios financeiros diretos;
- benefcios de confiabilidade e qualidade de energia;
- benefcios de segurana e proteo;
- benefcios de eficincia energtica;
- benefcios de controle da rede;
- benefcios ao meio ambiente e de conservao de energia.
28

3.3 Distrbios em Sistemas de Distribuio de Energia Eltrica
Os sistemas de distribuio de energia eltrica esto susceptveis a falhas decorrentes do
mau funcionamento de equipamentos, contatos de animais s partes energizadas, queimadas,
fenmenos naturais, entre outros. Estes distrbios podem causar a interrupo do
fornecimento de energia ou afetar diretamente na qualidade da energia, e.g., introduzindo
harmnicos na rede, degradando os ndices de qualidade de fornecimento de energia eltrica
das concessionrias e elevando seus custos operacionais.
Desta forma, a seguir, sero apresentados os distrbios que mais podem ocorrer em
sistemas de distribuio de energia eltrica.
3.3.1 Distrbios de Tenso
Na questo da qualidade de energia, os distrbios de tenso correspondem a um dos
conjuntos de distrbios mais graves, em consequncia do seu efeito prejudicial sobre
equipamentos ligados rede.
Os distrbios de tenso so caracterizados por apresentarem variaes de curta durao
no valor da tenso a partir do valor nominal. Dependendo da magnitude da variao, podem
ser classificados como elevaes/afundamentos, interrupes, e dependendo de sua durao
que pode ser instantnea, momentnea ou temporria (PANIGRAHI; PANDI, 2009). A
difuso de equipamentos com caractersticas no-lineares, que esto conectados ao sistema
eltrico, contribuiu para a degradao da qualidade de energia, exigindo maior ateno dos
agentes do setor eltrico (IEEE, 2011). Estes distrbios podem causar interferncias nos
sistemas de comunicao, medies imprecisas, superaquecimento de condutores e atuao
indevida de rels, comprometendo assim os consumidores e as empresas de distribuio de
energia (DECANINI et al., 2011a).
O comportamento do sinal de tenso para alguns distrbios de tenso so apresentados
nas Figura 1, Figura 2 e
Figura 3. Estas formas de onda foram obtidas por meio de simulaes realizadas em um
alimentador real, o qual foi modelado no software ATP.

29

Figura 1 Comportamento das oscilografias de tenso em um afundamento na fase a.

Fonte: Elaborao do prprio autor.

Figura 2 Comportamento das oscilografias de tenso em uma elevao na fase a.


Figura 3 Comportamento das oscilografias de tenso na presena de harmnicos na fase a.
30

3.3.2 Curtos-Circuitos
Para o dimensionamento e a escolha de equipamentos e sistemas eltricos, e de acordo
com o que prescrevem as principais normas existentes, e.g., ABNT e IEC, precisam ser
levados em considerao, alm de efeitos de ao prolongada consequentes da corrente e da
tenso de servio tambm os efeitos que so resultantes dos curtos-circuitos (ROEPER,
1991).
Curtos-circuitos que ocorrem nas redes tm como consequncia a modificao das
condies de operao. A passagem para a nova condio est associada a processos de
compensao de natureza eletromagntica e eletromecnica, dos quais vo depender a
grandeza e a variao ao longo do tempo da corrente de curto-circuito (ANDERSON, 1995;
ROEPER, 1991).
Os processos de compensao so influenciados, alm do tipo de curto-circuito, pelo
instante da manifestao, das fontes das quais provm a corrente de curto-circuito, do estado
anterior da carga, da localizao da falta, do tipo de estrutura da rede, bem como dos valores
caractersticos e do comportamento dos componentes do circuito (ANDERSON, 1995;
ROEPER, 1991).
Os valores das correntes dos curtos-circuitos apresentam, geralmente, valores algumas
vezes superiores s correntes nominais, condio na qual se manifestam elevados efeitos
dinmicos e trmicos. Alm disso, quando a corrente de curto-circuito se descarrega para a
terra, podem aparecer tenses de contato e influncias inadmissveis, que podem levar
destruio ou danificao dos equipamentos, alm do risco oferecido s pessoas
(ANDERSON, 1995; ROEPER, 1991).
31

Em sistemas trifsicos, existem basicamente quatro tipos de curtos-circuitos,
apresentados na Figura 4.

Figura 4 Tipos de curtos-circuitos (continua).

a) Monofsica

b) Bifsica sem conexo com a terra
32

c) Bifsica com conexo com a terra

Figura 4 - Tipos de curtos-circuitos (concluso).

d) Trifsica
Fonte: Adaptado de Roeper (1991).
No caso de faltas trifsicas, os trs condutores apresentam correntes alternadas
simtricas defasadas em 120, tanto quando o local do curto-circuito est ligado, como quando
no est ligado com a terra (ANDERSON, 1995; ROEPER, 1991). Perante tais eventos, nem
todas as tenses de curto-circuito no local da falta so iguais a zero. Por causa das condies
assimtricas, originam-se acoplamentos tanto entre os condutores de fase quanto entre
condutores de fase e a terra ou o condutor terra (ANDERSON, 1995; ROEPER, 1991).
O comportamento das oscilografias de corrente para um curto-circuito monofsico,
bifsico e trifsico, apresentado nas Figura 5,
33

Figura 6 e
Figura 7, respectivamente. Estas formas de onda foram obtidas por meio de simulaes
realizadas em um alimentador real, o qual foi modelado no software ATP.
Figura 5 Oscilografias de corrente para um curto-circuito monofsico (fase a).


Figura 6 Oscilografias de corrente para um curto-circuito bifsico (fases b e c).


Figura 7 Oscilografias de corrente para um curto-circuito trifsico (fases a, b e c).
34

3.3.3 Faltas de Alta Impedncia
Estes eventos so oriundos do contato do condutor energizado com superfcies de alta
impedncia, e.g., asfalto, caladas e areias, ou objetos de alta impedncia, e.g., galhos de
rvores, os quais limitam os nveis de corrente de falta a valores inferiores aos detectveis
pelos equipamentos de proteo (ETEMADI; SANAYE-PASAND, 2008). Por conseguinte, o
objetivo primordial do diagnstico de faltas de alta impedncia preservar a integridade fsica
das pessoas (TONELLI-NETO et al., 2011a).
Os sinais de corrente e tenso consequentes das faltas de alta impedncia so
caracterizadas por serem randmicos, i.e., no apresentam comportamento bem definido,
causados pela no-linearidade destes eventos e pelo possvel surgimento do arco eltrico. Dois
tipos de faltas de alta impedncia so definidos: ativas e passivas. As faltas ativas so
seguidas do arco eltrico e apresentam valores de corrente de curto-circuito inferiores ao
limite preestabelecido para atuao do rel de proteo. Nas faltas passivas no h ocorrncia
do arco eltrico, propiciando maiores riscos populao, pois no h indicao que o
condutor est energizado (SAMANTARAY et al., 2009). Na Figura 8 apresentado o
comportamento das oscilografias de corrente na presena de uma falta de alta impedncia.
Estas formas de onda foram obtidas por meio de simulaes realizadas em um alimentador
real, o qual foi modelado no software ATP.
Figura 8 Comportamento das oscilografias de corrente na presena de uma falta de alta
impedncia na fase a.
35

3.4 Simulaes de Distrbios
Normalmente, as concessionrias e os centros de pesquisa no possuem um conjunto de
dados slidos, representativo do sistema de distribuio de energia eltrica sob a influncia de
perturbaes. Por causa da escassez de registros, torna-se necessrio a modelagem de sistemas
teste nos quais possam ser simulados determinados eventos (distrbios de tenso, curtos-
circuitos, entre outros), fornecendo dados a serem utilizados na avaliao das metodologias,
contribuindo para a automao das subestaes de energia eltrica.
Neste contexto, utilizando o software ATP (Alternative Transients Program) (ATP,
2007), modelou-se um alimentador de distribuio de energia eltrica real. Os dados deste
alimentador so apresentados no Anexo A. Assim, foram feitas simulaes de distrbios de
tenso e curtos-circuitos, descritas a seguir. A frequncia de amostragem utilizada nas
simulaes foi de 15,36 kHz, a qual corresponde a 256 amostras por ciclo.
3.4.1 Distrbios de tenso
Para as simulaes de distrbios de tenso foi utilizado o modelo terico proposto por
ABDEL-GALIL et al. (2004), apresentado no Quadro 1.
Quadro 1 Modelo terico utilizado na modelagem de distrbios de tenso (continua)
Distrbio Equaes Parmetros
Swell ( ) ( ) ( ) ( ) ( ) ( )
1 2
1 v t A u t t u t t sen t o e = + 0 1 0 8 , , o s s
36

1 2
t t < , ( )
0 0
1 0
, t
u t
, t
<
=
>

1 2
12 T t t T s s
Sag
( ) ( ) ( ) ( ) ( ) ( )
1 2
1 v t A u t t u t t sen t o e =
1 2
t t < , ( )
0 0
1 0
, t
u t
, t
<
=

>

0,1 0,9 o s s

1 2
T t t 12T s s

Outage
( ) ( ) ( ) ( ) ( ) ( )
1 2
1 v t A u t t u t t sen t o e =
1 2
t t < , ( )
0 0
1 0
, t
u t
, t
<
=

>

0 9 1 , o s s
1 2
12 T t t T s s
Harmnico ( )
( ) ( )
( ) ( )
1 3
5 7
3
5 7
sen t sen t
v t A
sen t sen t
o e o e
o e o e
+ | |
= |
|
+ +
\ .

1
1 o =
3 5 7
0 05 0 15
, ,
, , o s s
Swell com
Harmnico
( )
( )
( )
( )
( )
( )
1
1
3
2
5
1 3
5
sen t
u t t
v t A sen t
u t t
sen t
o e
o o e
o e
| |
| | | | |
= + | + |
|
| |

| \ . \ .
+
\ .

1 2
t t < , ( )
0 0
1 0
, t
u t
, t
<
=
>

1
1 o =
3 5
0 05 0 15
,
, , o s s
0 1 0 8 , , o s s
1 2
12 T t t T s s
Sag com
Harmnico
( )
( )
( )
( )
( )
( )
1
1
3
2
5
1 3
5
sen t
u t t
v t A sen t
u t t
sen t
o e
o o e
o e
| |
| | | | |
= | + |
|
| |

| \ . \ .
+
\ .

1 2
t t < , ( )
0 0
1 0
, t
u t
, t
<
=
>

1
1 o =
3 5
0 05 0 15
,
, , o s s
0 1 0 9 , , o s s
1 2
12 T t t T s s

Quadro 1 Modelo terico utilizado na modelagem de distrbios de tenso (concluso)
Distrbio Equaes Parmetros
Transitrio
Oscilatrio
( ) ( )
( )
( ) ( ) ( )
1
1
t t
tr
v t A sen t be sen t t
e e

= +
2 2 b s s
50 100 s s
500 Hz 1500 Hz
tr
f s s
Com o auxlio da rotina models do software ATP (DUB, 1996), foram modeladas
fontes para cada um dos tipos de distrbios de tenso do Quadro 1, sendo estas fontes as
responsveis por fornecer tenso ao alimentador modelado. No total, foram feitas 624
37

simulaes, considerando a fase na qual o distrbio ocorria e os parmetros, conforme Quadro
1. O Quadro 2 apresenta o nmero de simulaes para cada tipo de distrbio de tenso.
Quadro 2 Simulaes de distrbios de tenso realizados no software ATP
Distrbio de Tenso Nmero de Simulaes
Swell 72
Sag 72
Outage 48
Harmnico 144
Swell com Harmnico 96
Sag com Harmnico 96
Transitrio Oscilatrio 96
Total 624
3.4.2 Curtos-Circuitos
Diversos curtos-circuitos (monofsico, bifsico e trifsico) foram simulados no
alimentador de distribuio de energia eltrica modelado no software ATP. Estas simulaes
tiveram como variveis (TONELLI-NETO et al., 2011b): carregamento do sistema,
localizao, ngulo de insero e resistncia de falta, totalizando 1440 simulaes. O Quadro
3 apresenta os valores dos parmetros utilizados na composio do conjunto de simulaes de
curtos-circuitos e o Quadro 4 detalha o nmero de simulaes por tipo de curto-circuito.

Quadro 3 Valores das variveis utilizadas nas simulaes dos curtos-circuitos
Carregamento do Sistema
(%)
Localizao
(Barra)
ngulo de Insero
()
Resistncia de Falta
( )
50 7 0 0,1
60 23 45 2
70 60 90 10
80 71 - 40
90 115 - 80
100 119 - 100
38

110 - - -
120 - - -

Quadro 4 Simulaes de curtos-circuitos realizadas no software ATP (continua)
Curto-Circuito Resistncia de Falta Nmero de Simulaes
a-g
Baixa 96
Alta 48
b-g
Baixa 96
Alta 48
c-g
Baixa 96
Alta 48
ab
Baixa 96
Alta 48
ac
Baixa 96
Alta 48
bc
Baixa 96
Alta 48
ab-g
Baixa 96
Alta 48
bc-g
Baixa 96
Alta 48
ca-g
Baixa 96
Alta 48
Quadro 4 Simulaes de curtos-circuitos realizadas no software ATP (concluso)
Curto-Circuito Resistncia de Falta Nmero de Simulaes
ca-g
Baixa 96
Alta 48
abc(g)
Baixa 96
Alta 48
Total 1440
39

3.4.3 Faltas de Alta Impedncia
Alm de no possurem um modelo preciso para a representao de faltas de alta
impedncia, estas no so to fceis de serem modeladas. Se fosse possvel obter tal modelo,
a deteco deste tipo de falta no seria um problema (BUCHHOLZ et al., 1996).
Assim, para a simulao deste tipo de falta, utilizou-se um modelo aproximado de falta
impedncia proposto por EMANUEL et al. (1990), apresentado na Figura 9.
Figura 9 Modelo de falta de alta impedncia.

Fonte: Adaptado de Emanuel et al. (1990).
Este modelo possui duas fontes de tenso contnua,
p
V e
n
V , conectadas de maneira
antiparalela por meio de dois diodos. A impedncia srie ( R e X ) controla a magnitude do
arco de corrente. Desta forma, foram realizadas 25 simulaes de faltas de alta impedncia,
variando os valores de
p
V ,
n
V e da impedncia srie.
3.5 Comentrios
Nesta seo foi feita uma breve introduo a respeito das subestaes de energia. Foram
apresentados os tipos de subestaes de energia eltrica existentes e as configuraes mais
comuns de subestaes de distribuio de energia eltrica.
Alm disso, foram descritos os principais fatores que levam necessidade da automao
dos sistemas de distribuio, bem como os distrbios mais comuns que ocorrem nestes
sistemas. Finalmente, decreveram-se as variveis e o nmero total de simulaes realizadas
no alimentador para validao da metodologia.
41

4 MTODO PROPOSTO
Utilizando ferramentas de processamento de sinais e de inteligncia artificial, proposto
um sistema que seja capaz de realizar, de maneira automtica, o diagnstico de distrbios em
sistemas de distribuio de energia eltrica. O uso combinado destas tcnicas possibilita a
extrao do conhecimento de processos complexos, e.g., automao de subestaes de energia
eltrica, tornando a tomada de deciso no ambiente de subestaes de energia eltrica uma
prtica rpida e eficiente.
Trata-se de um sistema destinado ao reconhecimento, a partir dos sinais (de tenso e de
corrente) provenientes do sistema de aquisio de dados, de falhas em sistemas de
distribuio de energia eltrica de maneira a simplificar a proposio de medidas preventivas,
ou seja, o controle preventivo.
4.1 Formulao do Controle Preventivo
O controle preventivo entendido, nesta pesquisa, como toda a ao possvel de ser
implementada no sistema com o objetivo de evitar, ou pelo menos, minimizar a interrupo
do fornecimento de energia aos consumidores.
Para propor medidas preventivas, necessrio, primeiramente, a formulao do controle
preventivo, i.e., desenvolver formas eficientes de deteco e classificao de possveis falhas
que frequentemente ocorrem no sistema. Neste sentido, contemplado o desenvolvimento de
mtodos de diagnstico para cada tipo de falha.
Na execuo do controle preventivo, os eventos mais importantes so as faltas de alta
impedncia e distrbios de tensos. Os curtos-circuitos so detectveis e classificveis, porm
no so previsveis. Se no so previsveis, no h como propor medidas preventivas no
sentido aqui abordado. As faltas de alta impedncia, assim como os distrbios de tenso, via
de regra, proporcionam baixo impacto, ou seja, a sua ocorrncia compromete a qualidade da
energia fornecida e so de difcil deteco pelo sistema de proteo (baixssima
sensibilidade). Porm, se persistirem, estes distrbios podem comprometer, tambm, a
42

operao do sistema evoluindo para uma situao mais crtica que a interrupo parcial ou
total do fornecimento de energia.
Neste contexto, esta pesquisa refere-se ao desenvolvimento de mtodos de deteco e de
classificao destas falhas, inclusive curtos-circuitos, e, na sequncia, indicar um possvel
encaminhamento de solues para implementao das medidas preventivas, auxiliando a
operao na tomada de decises (TONELLI-NETO, 2009, 2011). Dentre as possveis medidas
preventivas que podem ser adotadas, tm-se:
- localizao do distrbio;
- mobilizao da equipe de manuteno para efetuar os reparos na rede de distribuio;
- eliminao, parcial ou completamente, da fonte causadora do distrbio;
- inspeo dos equipamentos da rede de distribuio, buscando indcios de danos;
- reparo ou substituio dos equipamentos de proteo danificados, que futuramente possam
ser a causa da interrupo do fornecimento de energia.
4.2 Mtodo Para a Formulao do Controle Preventivo
O mtodo para a formulao do controle preventivo composto por trs distintos
sistemas, i.e., sistema de deteco e deciso, sistema de diagnstico de distrbios de tenso e
sistema de diagnstico de curtos-circuitos. Estes fornecem, por sua vez, diagnsticos a
respeito do estado operativo do alimentador, indicando a presena ou no de distrbios.
Determinada qualquer tipo de anormalidade, o operador, ento, tem como funo, informar
qual medida preventiva deve ser adotada para que a condio normal de operao seja
restabelecida. Na Figura 10 apresentado o diagrama completo do sistema proposto. Alm
disso, esta figura mostra as tcnicas empregadas nos mdulos de cada um dos sistemas.

43

Figura 10 Sistema completo de diagnstico de distrbios para realizao do controle
preventivo.

44

4.3 Comentrios
Nesta seo, apresentou-se a composio do sistema para realizao do controle
preventivo. Por empregar ferramentas baseadas na inteligncia artificial, sua principal
caracterstica a robustez e, a possibilidade de se adaptar constante evoluo do setor
eltrico.
45

5 TRANSFORMADA WAVELET
A transformada Wavelet uma moderna tcnica de processamento de sinais, a qual
relaciona escala e tempo, superando as limitaes encontradas nos mtodos baseados na
transformada de Fourier. Alm disso, tem como principal vantagem o fato de no utilizar uma
escala fixa na anlise dos sinais, evitando, assim, o comprometimento com uma determinada
escala. Neste sentido, possvel utilizar escalas maiores para analisar sinais de baixa
frequncia e escalas menores para analisar sinais de alta frequncia, tornando-se a ferramenta
mais apropriada para avaliao de transitrios em sistemas de distribuio de energia eltrica
(DECANINI et al., 2011a).
5.1 Transformada de Fourier com Janelamento
Em diversas aplicaes, para um dado sinal
( ) f t (assumindo t uma varivel contnua),
tem-se o interesse de anlise em seu contedo de frequncia localizado no tempo. Uma
maneira de obter tal informao atravs da aplicao da Transformada de Fourier (TF),
definida na equao (1), a qual fornece uma representao do contedo de frequncia de f .
No entanto, informaes a respeito da localizao no tempo no podem ser facilmente obtidas
atravs da transformada de Fourier do sinal
( ) f t , isto , f (MALLAT, 2009):
( )( ) ( )
1

2
j t
f t e d f t
e
t
e
+

=
}
(1)
Esta localizao no tempo pode ser alcanada atravs de um primeiro janelamento
executado no sinal
( ) f t , de forma a cortar uma parcela bem localizada de
( ) f t , e ento
aplicar a TF:
( )( ) ( ) ( )
janelame j nto s
f ,t f s g s t e ds
e
e
+

=
}
(2)
A equao (2) representa a Transformada de Fourier com Janelamento (TFJ), a qual
uma tcnica utilizada para localizao no tempo-frequncia. Sua limitao est no fato da
mesma utilizar uma escala fixa. Desta forma, caractersticas do sinal de tamanho inferior ao
tamanho da janela adotada sero perdidas.
46

Na rea de processamento de sinais, a mesma mais comumente encontrada em sua
forma discreta, onde para t e e so atribudos valores regularmente espaados, i.e.,
0
t nt = e
0
m e e = , sendo m,ne , e
0 0
0 ,t e > . Desta maneira, a equao (2) pode ser reescrita:
( ) ( ) ( )
0
0
janelame jm s nto
m,n
f f s g s nt e ds
e
+
=
}
(3)
5.2 Transformada Wavelet Contnua
A Transformada Wavelet Contnua (TWC) prov, de maneira similar TFJ, uma
descrio no domnio tempo-frequncia para um determinado sinal
( ) f t . Esta transformada
utiliza uma funo ( ) e
2
L , i.e., funo wavelet, a qual uma funo oscilatria com valor
mdio nulo para decompor o sinal em anlise (DAUBECHIES, 1992; MALLAT, 2009):
( ) 0 t dt
+
=
}
(4)
A partir da funo wavelet, define-se um conjunto de funes ortogonais ( )
a,b
t que
sero utilizadas como base ortogonal para a representao dos sinais. Este conjunto de
funes obtido atravs de dilataes e translaes da funo wavelet , conforme descrito
pela equao (5):
( )
1
a,b
t b
t
a
a

| |
=
|
\ .
, be e a
+
e , com 0 a =
(5)
sendo:
a : parmetro de escala;
b : parmetro de translao.
A normalizao escolhida de modo que
a,b
= para todo a,b , i.e., 1 = . A
TWC contnua de um sinal ( ) f t em relao s wavelets criadas, i.e., verses dilatadas e
transladadas da funo , definida a seguir:
47

( )( ) ( )
1
*
a,b
t b
TWC f a,b f , f t dt
a
a

+
| |
= =
|
\ .
}

(6)
sendo
*
o conjugado complexo de .
A integral definida acima quantifica a variao de ( ) f t em torno de b e proporcional
a . Assim, a anlise wavelet resulta em um conjunto de coeficientes que indicam o grau de
semelhana entre o sinal original e as funes wavelets utilizadas no processo de
decomposio. De maneira semelhante TFJ, a TWC fornece a evoluo temporal dos
transitrios de frequncia.
5.3 Transformada Wavelet Discreta
A Transformada Wavelet Discreta (TWD) o resultado da amostragem da TWC, que
tem como objetivo permitir sua implementao em sistemas digitais.
De modo a facilitar o processo de discretizao da funo wavelet, faz-se
0
m
a a = ,
0 0
m
b nb a = , onde m,ne , e
0
1 a > ,
0
0 b > . A escolha de
0
a e
0
b depende, claro, da funo
wavelet . Desta forma, a funo wavelet reescrita, conforme equao (7) (DAUBECHIES,
1992; MALLAT, 2009):
( )
0 0
0
0
1
m
m,n m
m
t nb a
t
a
a

| |
=
|
\ .
, m,ne
(7)
sendo:
0
m
a a = : parmetro de escala;
0 0
m
b nb a = : parmetro de translao.
Assim, discretizando a equao (7), define-se a funo wavelet discreta:
| |
0 0
0
0
1
m
m,n m
m
k nb a
k
a
a

(
=
(

(8)
Por fim, a TWD de um sinal amostrado | |
f k definida por:
48

( )( ) | | | |
*
m,n m.n
k
TWD f m,n f , f k k = =

(9)
sendo:
| |
0 0
0
0
1
m
* *
m,n m
m
k nb a
k
a
a

(
=
(

.
5.4 Anlise Multirresoluo
Para a aplicao da Anlise Multirresoluo (AMR) (MALLAT, 2009), primeiramente,
necessria a determinao de um conjunto de funes de modo que estas formem uma base
ortonormal para os adequados espaos
m
V e
m
W . Uma base de
m
V definida por um conjunto
de funes
{ }
m,n
n
|
e
, enquanto que para uma base de
m
W utiliza-se umo conjunto de funes
{ }
m,n
n
e
(MALLAT, 2009).
A funo
m,n
| , definida na equao (10), denominada funo escala. Sua forma
discreta apresentada na equao (11). Considerando um sinal | |
f k , a projeo deste no
espao
m
V definida pela equao (12):
( )
1 2
2
2
m
m,n m
m
t n
t | |
| |
=
|
\ .
(10)
| |
1 2
2
2
m
m,n m
m
k n
k | |
(
=
(

(11)
| |
m m,n
a n f ,| = (12)
A funo
m,n
denominada funo wavelet, sendo j definida na equao (7), com
0
2 a = e
0
1 b = . Assim, a equao (7) pode ser reescrita conforme equao (13) e sua forma
discreta pela equao (14). A projeo do sinal | |
f k no espao
m
W definida pela equao
(15):
( )
1 2
2
2
m
m,n m
m
t n
t
| |
=
|
\ .

(13)
49

| |
1 2
2
2
m
m,n m
m
k n
k
(
=
(

(14)
| |
m m,n
d n f , = (15)
Por conseguinte, a AMR consiste no clculo dos coeficientes
1 m
a
+
e
1 m
d
+
, determinados
conforme as equaes (16) e (17), respectivamente. Para este clculo, realiza-se a convoluo
discreta do sinal
m
a com um filtro passa-baixa ( h ), i.e., funo escala discreta, e um passa-
alta ( g ), i.e., funo wavelet discreta, sendo as sadas destes filtros subamostrados com um
fator de 2 (MALLAT, 2009):
| | | | | |
1
2
m m
n
a p h n p a n
+
=

(16)
| | | | | |
1
2
m m
n
d p g n p a n
+
=

(17)
Os coeficientes obtidos na sada do filtro passa-baixa (
1 m
d
+
) so caracterizados por
serem os componentes de alta escala e baixa frequncia do sinal, denominados coeficientes de
aproximao. J os coeficientes obtidos na sada do filtro passa-alta
1 m
a
+
so os componentes
de baixa escala e alta frequncia, os coeficientes de detalhe.
A execuo deste processo corresponde decomposio do sinal em 1 nvel de
resoluo. Para realizar a decomposio do sinal em mais um nvel deve-se executar a
convoluo discreta dos coeficientes de aproximao do nvel anterior com os filtros passa-
baixa e passa-alta, obtendo os coeficientes de detalhe e de aproximao para o nvel desejado.
A

Figura 11 apresenta a AMR com 3 nveis de resoluo para o sinal
0
a .
50

Figura 11 Anlise multirresoluo com 3 nveis de decomposio para o sinal a
0
.

5.5 Famlias de Wavelets
Para que a decomposio seja realizada de forma rpida e eficiente, necessria a
escolha de uma famlia adequada, i.e., uma wavelet me (mother wavelet). No h um
consenso a respeito da metodologia empregada para a escolha da famlia de wavelets em
relao sua aplicao, de modo que cabe ao usurio escolher de maneira emprica a famlia
mais adequada para a soluo do seu problema. O processo de escolha da famlia pode ser
bastante custoso, haja vista o grande nmero de variaes de cada uma das wavelets mes. Em
51

geral, as famlias Daubechies e Symlet so as mais utilizadas, o que no quer dizer que outras
famlias no apresentem bons resultados (DECANINI et al., 2011a).
Para que uma determinada funo possa ser utilizada como wavelet me, esta deve
apresentar as seguintes propriedades (MALLAT, 2009):
- deve ser uma funo oscilatria;
- deve possuir uma rpido decaimento para zero;
- deve possuir energia finita;
- deve possuir valor mdio nulo.
Alm disso, o design desta deve ser timo, i.e., sua aplicao na decomposio de um
sinal f , deve produzir um elevado nmero de coeficientes prximos de zero. Isto
depende, ento, da regularidade da funo , do nmero de vanishing moments (ordem da
wavelet me ou momentos nulos) e do support size (tamanho do suporte).
O nmero de vanishing moments est associado ordem polinomial dos sinais que
podem ser representados por uma determinada wavelet me, o support size o intervalo para
o qual esta definida (fora deste intervalo a funo nula) e a regularidade est relacionada
ao erro introduzido no sinal reconstrudo pelos coeficientes wavelets.
A seguir, sero apresentadas as principais famlias de wavelets.
5.5.1 Famlia Haar
A wavelet de Haar constitui a primeira famlia de wavelets. Foi desenvolvida por Alfred
Haar em 1910. Trata-se de uma wavelet discontnua, que se assemelha a uma funo degrau
unitrio. Suas funes escala e wavelet so definidas pelas equaes (18) e (19),
respectivamente (DAUBECHIES, 1992):
( )
1 se 0 1
0 caso contrrio
, t
t
,
|
s <
=
(18)
( )
1 se 0 0 5
1 se 0 5 1
0 caso contrrio
, t ,
t , , t
,
s <
= s <
(19)
O esboo da funo escala e da funo wavelet so apresentados na Figura 12.
52

Figura 12 Wavelet me de Haar.

a) Funo escala ( ) t | b) Funo wavelet ( ) t
Fonte: Adaptado de Daubechies (1992).
As funes da wavelet me de Haar no so continuamente diferenciveis, gerando
alguma descontinuidade durante o processo de decomposio de sinais. Neste sentido, a
reconstruo do sinal original a partir das decomposies pode no ser perfeita, limitando, de
certa forma, suas aplicaes. No entanto, tal propriedade bastante explorada na anlise de
sinais que apresentam transitrios sbitos.
5.5.2 Famlia Daubechies
Esta famlia de wavelets foi desenvolvida por Ingrid Daubechies, constituindo uma
famlia de wavelets ortonormais de support size compacto. A expresso support size
compacto refere-se ao fato da funo estar definida apenas num intervalo fechado, de modo
que os valores fora desse intervalo sejam nulos (MALLAT, 2009).
As wavelets de Daubechies so divididas em subgrupos, comumente expressos por dbN,
onde N faz meno ao nmero de vanishing moments. Como mencionado anteriormente, os
vanishing moments esto relacionados capacidade da wavelet me de representar sinais
polinomiais. Assim, para uma wavelet me dbN (Daubechies de ordem N ), esta capaz de
representar sinais cuja ordem polinomial no seja superior 1 N , e.g., a wavelet me db6
consegue representar sinais de ordem polinomial no superior a 5. Sendo assim, teoricamente,
o aumento do nmero de vanishing moments permite famlia de wavelets representar sinais
mais complicados (DAUBECHIES, 1992).
O ndice N tambm utilizado para expressar o support size da funo, i.e., o intervalo
para o qual a funo est definida. Para o caso da famlia Daubechies, tanto a funo escala
( ) t | quanto a funo wavelet ( ) t apresenta support size de 2 1 N . Esta afirmao
53

exemplificada atravs da Figura 13, onde possvel verificar graficamente que a famlia db6
est definida no intervalo | |
0 11 , .

Figura 13 Wavelet me Daubechies db6.

Um detalhe importante da famlia Daubechies que a wavelet me db1 equivalente
famlia de wavelets de Haar, que tem como support size | |
0 1 , e possui apenas 1 vanishing
moment.
5.5.3 Famlia Symlet
A famlia Symlet foi desenvolvida por Daubechies. Esta famlia possui maiores
caractersticas de simetria do que a famlia Daubechies, por isso o nome Symlet (symmetric
wavelet) (DAUBECHIES, 1992). A Figura 14 apresenta a funo escala e a funo wavelet da
wavelet me sym5.
Figura 14 Wavelet me Symlet sym5.
54

Semelhante famlia Daubechies, esta famlia possui support size compacto. Em geral,
identificada pela expresso symN (Symlet de ordem N ), onde N indica o nmero de
vanishing moments apresentados pela funo. O support size dessa famlia tambm definido
pela relao 2 1 N , conforme pode ser verificado na Figura 14.
5.5.4 Famlia Coiflet
A famlia Coiflet tambm foi desenvolvida por Daubechies a pedido de Ronald
Coifman. usualmente identificada pela notao coifN (Coiflet de ordem N )
(DAUBECHIES, 1992). A Figura 15 apresenta o comportamento da funo escala e da
funo wavelet da wavelet me coif3.
Figura 15 Wavelet me Coiflet coif3.

Uma das caractersticas da famlia Coiflet o fato da funo escala e da funo wavelet
apresentar distintos nmeros de vanishing moments, i.e., 2 1 N e 2N vanishing moments,
55

respectivamente. Tambm, o grau de simetria desta famlia maior do que o encontrado na
famlia Daubechies, sendo seu support size definido pela relao 6 1 N .
5.6 Entropia
A entropia um conceito utilizado para quantificar o grau de irregularidades de estados.
Neste contexto, ela se torna uma ferramenta ideal para quantificar a ordenao de sinais no-
estacionrios (ZHANG et al., 2004). A norma entropia definida de acordo com a equao
(20):
| |
1
Z
P
n
EN x n
=
=

(20)
sendo:
Z : nmero de amostras do sinal x ;
P : nvel de energia.
Em sinais analisados atravs da AMR, este conceito aplicado com o propsito de
agregar a informao presente nos coeficientes de detalhe e de aproximao de cada
decomposio.
5.7 Energia
A energia uma particularidade da norma entropia, i.e., quando o nvel de energia P
igual a 2. Tambm utilizada para caracterizar o comportamento de sinais no-estacionrios,
e.g., agregar informaes presentes nos coeficientes de detalhe e de aproximao gerados a
partir da aplicao da AMR. De acordo com o Teorema de Parseval, existe uma conservao
de energia entre o sinal original e o sinal transformado (OPPENHEIM; SCHAFER, 1975).
O clculo da energia definido pela equao (21):
| |
2
1
Z
n
EG x n
=
=

(21)
sendo:
Z : nmero de amostras do sinal x .
56

5.8 Comentrios
Nesta seo foram apresentados os principais conceitos da Transformada Wavelet. Esta
aplicada em sinais contnuos e discretos, visando a extrao de caractersticas dos mesmos.
Alm disso, a aplicao da anlise multirresoluo tem como principal objetivo filtrar o sinal.
A aplicao desta filtragem gera componentes de baixa e alta frequncia, i.e., os coeficientes
de aproximao e de detalhe, os quais podem ser agregados utilizando a entropia ou energia,
sendo possvel a representao do sinal de maneira qualitativa.
Por fim, as tcnicas baseadas na Teoria Wavelet provam ser mais eficientes do que os
mtodos baseados na transformada de Fourier por conservarem a informao dos transitrios
de frequncia no domnio do tempo.
57

6 LGICA FUZZY
Lgica refere-se ao estudo dos mtodos e princpios do raciocnio humano. Na lgica
clssica as proposies so tratadas, sempre, como sentenas verdadeiras ou falsas, mas nunca
entre uma destas sentenas ou as duas simultaneamente (CHEN; PHAM, 2006).
Neste sentido, Lotfi Zadeh, em 1965, props uma nova teoria de conjuntos, denominada
teoria dos conjuntos fuzzy (ZADEH, 1965). Esta teoria importante no sentido de que o
mundo no constitudo por fatos absolutamente verdadeiros ou falsos, sendo possvel
representar valores de pertinncia intermedirios entre os valores verdadeiros e falsos da
lgica clssica.
A teoria clssica de conjuntos aplicada s informaes consideradas completamente
verdadeiras, cujo valor de verdade igual a 1, ou informaes completamente falsas, cujo
valor de verdade igual a 0. A vantagem da lgica fuzzy consiste na capacidade da mesma
poder ser aplicada s informaes que no so completamente verdadeiras ou falsas,
possuindo um valor entre 0 e 1, sendo mais compatvel com o raciocnio lgico humano.
6.1 Teoria de Conjuntos Clssica
Considere S um conjunto no-vazio, denominado conjunto universo, que consiste de
todos os possveis elementos de interesse de contexto particular. Cada elemento de interesse
chamado de membro ou elemento de S . A unio de uma quantidade (finita ou infinita) de
elementos de S definido como um subconjunto de S , denotado por A.
Um determinado elemento x de S pode pertencer ou no a um subconjunto A de S .
Neste sentido, so utilizadas as seguintes notaes para estas representaes, respectivamente
(CHEN; PHAM, 2006):
x A e (22)
x A e (23)
A indicao de que A um subconjunto de S apresentada na equao (24):
58

Ac S (24)
Para qualquer conjunto A, a funo caracterstica de A definida por:
( )
1, se
0 se
A
x A
x
, x A
e
=
(25)
6.2 Teoria de Conjutos Fuzzy
Nos conjuntos fuzzy um determinado elemento pode pertencer a um conjunto
parcialmente. O grau de pertinncia definido atravs da funo caracterstica generalizada,
denominada funo de pertinncia. A funo de pertinncia de um conjunto fuzzy definida
pela equao (26) (COX, 1994; ZADEH, 1965):
( ) | |
: 0 1
A
x , U (26)
Nesta equao, a cada elemento x de U , associa-se o grau ( )
A
x , i.e., o valor com o
qual x pertence a A.
Os valores da funo de pertinncia so valores reais definidos no intervalo | |
0 1 , . Com
isso, definem-se trs possveis nveis de compatibilidade do elemento x de U com o
conjunto A.
- ( ) 0
A
x = : x no pertence ao conjunto A;
- ( ) 0 1
A
x < < : x pertence parcialmente ao conjunto A, com grau ( )
A
x ;
- ( ) 1
A
x = : x pertence completamente ao conjunto A.
As principais operaes fuzzy entre dois conjuntos fuzzy A e B , apresentados na Figura
16, para um determinado elemento x , so definidas a seguir (CHEN; PHAM, 2006).

59

Figura 16 Conjuntos fuzzy.

a) Conjunto fuzzy A b) Conjunto fuzzy B
6.2.1 Unio (Fuzzy OR)
A unio entre conjuntos fuzzy definida pela equao (27):
( ) ( ) ( ) ( ) ( ) { }
:
A B A B A B
x x x mx x , x
= v = (27)
sendo:
v: operador fuzzy OR.
A unio entre dois conjuntos fuzzy (representada pela linha vermelha) mostrada na
Figura 17.
Figura 17 Unio entre dois conjuntos fuzzy.

60

6.2.2 Interseo (Fuzzy AND)
A interseo entre conjuntos fuzzy definida pela equao (28):
( ) ( ) ( ) ( ) ( ) { }
:
A B A B A B
x x x min x , x
= . = (28)
sendo:
.: operador fuzzy AND.
A interseo entre dois conjuntos fuzzy (representada pela linha vermelha) mostrada
na Figura 18.
Figura 18 Interseo entre dois conjuntos fuzzy.

6.2.3 Complemento (Fuzzy NOT)
O complemento de um conjunto fuzzy definido pela equao (29):
( ) ( ) 1
A
A
x x = (29)
O complemento de um conjunto fuzzy (representado pela linha vermelha) mostrado na
Figura 19.

61

Figura 19 Complemento de um conjunto fuzzy.

6.3 Funes de Pertinncia
As funes de pertinncia so funes contnuas e limitadas no intervalo | |
0 1 , que
caracterizam os conjuntos fuzzy, i.e., variveis lingusticas. Estas funes caracterizam de
forma gradual a pertinncia nos conjuntos fuzzy, ao contrrio do que ocorre com a pertinncia
em conjuntos da teoria de conjuntos clssica, denominados crisp, para os quais a pertinncia
do tipo pertence ou no pertence (CHEN; PHAM, 2006). A Figura 20, como exemplo,
descreve o conceito quente atravs de um conjunto crisp e atravs de um conjunto fuzzy.
Figura 20 Exemplo de utilizao de funes de pertinncia na representao das variveis
lingusticas do conceito quente.

a) Conjunto crisp b) Conjunto fuzzy
Fonte: Adaptado de Lopes (2005).
Em geral, as funes de pertinncia podem ter diferentes formas, as quais so escolhidas
baseando-se na natureza da aplicao. Dentre as funes existentes, podem ser destacadas as
62

funes triangulares, trapezoidais, gaussianas e exponenciais. O usurio tem a liberdade de
escolher, de forma arbitrria, uma destas funes ou, ento, definir uma funo distinta, de
modo que esta produza melhores resultados (KASABOV, 1998; MENDEL, 1995).
A seguir, so apresentas algumas funes de pertinncia.
6.3.1 Triangular
A funo de pertinncia triangular apresenta trs vrtices, i.e.,
1
v ,
2
v e
3
v , utilizados na
composio da funo de pertinncia. So estes vrtices que definem o desempenho da
inferncia fuzzy.
Figura 21 Funo de pertinncia triangular.

A funo de pertinncia triangular definida pelo conjunto de equaes a seguir:
( )
1
1 2
2 1
3
2 3
2 3

0 nos demais intervalos
x v
, v x v
v v
x v
x , v x v
v v
,

s s

= s s
(30)
6.3.2 Trapezoidal
A funo de pertinncia trapezoidal apresenta quatro vrtices, i.e.,
1
v ,
2
v ,
3
v e
4
v ,
utilizados na composio da funo de pertinncia.
63

Figura 22 Funo de pertinncia trapezoidal.

A funo de pertinncia trapezoidal definida pelo conjunto de equaes a seguir:
( )
1
1 2
2 1
2 3
4
3 4
3 4

1

0 nos demais intervalos
x v
, v x v
v v
,v x v
x
x v
, v x v
v v
,

s s
s s
=
s s
(31)
6.3.3 Gaussiana
A funo de pertinncia gaussiana apresenta dois parmetros que determinam o
comportamento da mesma.
Figura 23 Funo de pertinncia gaussiana.

64

A funo de pertinncia gaussiana definida pela equao (32):
( )
( )
2
0
2
2
x x
x e
o

=
(32)
sendo:
0
x : posio do mximo, i.e., centro da gaussiana;
o : mede a meia largura a uma altura de
1
e
.
6.4 Sistema Fuzzy
O sistema fuzzy considerado nico devido a sua capacidade de trabalhar
simultaneamente com dados numricos e conhecimentos lingusticos (conjuntos fuzzy). Este
sistema realiza o mapeamento de um vetor de entrada crisp em uma sada crisp, i.e., mapeia
nmeros em nmeros. Seu funcionamento baseado na capacidade humana de tomar
decises, atravs do raciocnio, em situaes onde a incerteza e a impreciso so dominantes
(MENDEL, 1995).
Como mencionado anteriormente, um sistema fuzzy mapeia entradas crisp em sadas
crisp. Este composto por quatro componentes: fuzzyficao, base de regras, inferncia fuzzy
e defuzzyficao, que so mostrados na Figura 24.
Figura 24 Sistema fuzzy.

Fonte: Adaptado de Mendel (1995).
A presena do fuzzyficador e do defuzzyficador permite que o usurio trabalhe com
variveis de entrada de valor real e obtenha variveis de sada de valor real, sendo que todo o
processo realizado com variveis lingusticas.
65

A explicao de cada bloco componente do sistema fuzzy apresentada a seguir.
6.4.1 Fuzzyficao
Este bloco responsvel por decompor uma determinada entrada e/ou sada em um ou
mais conjuntos fuzzy. Cada conjunto fuzzy cobre uma regio particular de valores (entrada ou
sada) e, atravs da funo de pertinncia, produz um grau de pertinncia com valores
compreendidos entre 0 e 1. O resultado dos conjuntos fuzzy representa o grau para o qual um
valor de entrada ou um valor de sada um membro daquele conjunto fuzzy particular
(KANDEL, 1993). Na fase de fuzzyficao observada uma superposio entre os limites dos
conjuntos fuzzy, que necessria para prover uma operao suave do sistema. O processo de
fuzzyficao permite que as entradas e sadas do sistema sejam expressas em termos
lingusticos de maneira que as regras possam ser aplicadas de uma maneira simples para
expressar um sistema complexo.
6.4.2 Base de Regras
A base de regras um dos principais componentes dos sistemas fuzzy. constituda por
uma srie de sentenas SE-ENTO (IF-THEN rules), que consistem de uma condio e uma
ao, definidas como sendo uma funo da entrada e uma funo da sada dos conjuntos fuzzy,
respectivamente. Estas regras so do tipo (CHEN; PHAM, 2006):
Se premissa ento concluso x A y B ( ) ( )
(33)
Normalmente, um sistema fuzzy exige mais de uma regra para descrever completamente
toda a ao necessria. Estas regras podem ser geradas a partir da experincia ou atravs de
dados numricos.
6.4.3 Inferncia Fuzzy
A inferncia fuzzy consiste na manipulao da base de regras atravs da aplicao das
operaes fuzzy, descritas pelas equaes (27)-(29). Estes operadores so utilizados para
combinar as regras SE-ENTO, de maneira que os conjuntos fuzzy de entrada sejam
mapeados nos conjuntos fuzzy de sada. Cada regra utilizada interpretada como uma
implicao (MENDEL, 1995).
66

6.4.4 Defuzzyficao
O processo de defuzzyficao tem como principal objetivo transformar a sada fornecida
pelo processo de inferncia, que neste caso um dado fuzzy, em um valor real (crisp). Nesta
etapa podem ser utilizados diferentes mtodos de defuzzyficao, dos quais se destacam:
critrio do mximo, mdia do mximo e o centro de rea (MENDEL, 1995).
- Critrio do mximo: neste processo escolhido o valor ( y ) do conjunto fuzzy para o qual
a funo de pertinncia ( ( ) y ) mxima.
- Mdia do mximo: neste processo so escolhidos os valores ( y ) do conjunto fuzzy de
sada para o qual a funo de pertinncia ( ( ) y ) mxima. Assim,
a sada corresponde mdia aritmtica destes valores.
- Centro de rea: este mtodo determina o centro de gravidade ( y ), i.e., centro de
rea, do conjunto fuzzy de sada, sendo este valor utilizado como
resultado final.
Dentre estes, o mtodo mais empregado na defuzzyficao o mtodo do centro de rea,
tambm conhecido como centroide, definido na equao (34):
1
1
n
i i
i
n
i
i
u
y
=
=
=

(34)
sendo:
n : nmero de regras;
i
: grau de pertinncia da regra i ;
i
u : ao de controle recomendada referente regra i .
Normalmente, o valor de
i
u considerado como sendo o valor da projeo sobre a
abscissa, correspondente ao valor mximo do conjunto fuzzy ( 1 = ).
67

6.5 Comentrios
Nesta seo foram apresentados os principais conceitos da lgica fuzzy. Tambm foram
definidos os operadores lgicos fuzzy empregados nas operaes entre os conjuntos fuzzy.
Para a representao destes conjuntos fuzzy existem diferentes tipos de funes de pertinncia,
ficando a critrio do usurio a escolha pela melhor delas.
Por fim, abordou-se o funcionamento e os componentes de um sistema fuzzy, o qual
baseado na capacidade humana de tomar decises em ambientes incertos e imprecisos.
69

7 REDES NEURAIS ARTIFICIAIS
Uma das caractersticas mais interessantes da memria humana a capacidade de
continuamente aprender com a incluso de novas informaes, sem perder o conhecimento
previamente adquirido. A maioria das redes neurais artificiais (RNAs) est sujeita a perder o
conhecimento previamente adquirido caso novas informaes sejam adicionadas para seu
aprendizado.
Assim, Grossberg apresentou, em 1976, as redes neurais da famlia ART (Adaptive
Ressonance Theory) (GROSSBERG, 1976a, 1976b), as quais consistem de um sistema de
aprendizado no-supervisionado (LOPES, 2005). A topologia destas redes baseada na teoria
da ressonncia adaptativa, possuindo duas importantes caractersticas: estabilidade e
plasticidade. A estabilidade corresponde capacidade de aprender atravs do ajuste dos pesos
e a plasticidade capacidade de continuar a aprender com a incluso de novos padres sem
perder a memria previamente adquirida. Nas redes neurais feedforward supervisionadas,
exemplificando a importncia da estabilidade e da plasticidade, novas informaes
adicionadas gradualmente destroem as informaes adquiridas anteriormente, no podendo
atingir a estabilidade com uma mudana de ambiente (WEENINK, 1997).
As redes neurais da famlia ART so capazes de realizar, de maneira estvel e atravs
da auto-organizao, o reconhecimento de categorias em resposta a sequncias arbitrrias de
padres de entrada (CARPENTER; GROSSBERG, 1992; LOPES, 2005; WEENINK, 1997).
Das redes neurais pertencentes famlia ART, podem ser destacadas:
1. Rede neural ART1: esta rede possui treinamento no-supervisionado. capaz de
reconhecer padres de entrada binrios de forma arbitrria. Nesta rede so utilizados os
operadores lgicos binrios AND/OR (CARPENTER; GROSSBERG, 1987a).
2. Rede neural ART2: esta rede possui treinamento no-supervisionado. capaz de
reconhecer tanto padres de entrada binrios como padres de entrada analgicos
(CARPENTER; GROSSBERG, 1987b).
3. Rede neural Fuzzy ART: esta rede possui treinamento no-supervisionado. capaz de
reconhecer tanto padres de entrada binrios como padres de entrada analgicos. Nesta
rede so utilizados os operadores lgicos fuzzy AND/OR (CARPENTER et al., 1991b).
70

4. Rede neural ARTMAP: esta rede possui treinamento supervisionado. composta por um
par de mdulos ART, interconectados por um mdulo de memria associativa Inter-ART,
sendo capaz de reconhecer tanto padres de entrada binrios como padres de entrada
analgicos (CARPENTER et al., 1991a).
5. Rede neural Fuzzy ARTMAP: esta rede possui treinamento supervisionado. composta
por um par de mdulos Fuzzy ART, interconectados por um mdulo de memria
associativa Inter-ART, sendo capaz de reconhecer tanto padres de entrada binrios como
padres de entrada analgicos. Nesta rede so utilizados os operadores lgicos fuzzy
AND/OR (CARPENTER et al., 1992).
O sistema ART dividido em dois subsistemas: um de ateno e outro de orientao
(CARPENTER et al., 1991b; WEENINK, 1997), como apresentado na Figura 25.
Figura 25 Diagrama de blocos da rede neural ART.

Fonte: Adaptado de Weenink (1997).
O subsistema de ateno consiste de duas camadas de neurnios interconectados: campo
1
F e campo
2
F , responsveis pela comparao e pelo reconhecimento, respectivamente. O
campo
0
F representa a entrada atual do sistema a . A memria de curto prazo (STM Short
Term Memory) est associada atividade desenvolvida nos dois campos,
1
F e
2
F , no estado de
ressonncia. durante o estado de ressonncia que ocorre o aprendizado do sistema
(DJUKANOVIC et al., 1995; GEORGIOPOULOS et al., 1996; GOPAL et al., 1999;
SIMPSON, 1989).
71

Os campos
1
F e
2
F esto conectados por conexes no-recorrentes ou diretas
(feedforward) (de
1
F para
2
F ), e por conexes recorrentes (feedback) (de
2
F para
1
F ). Os
pesos associados s conexes de baixo para cima (bottom-up) e de cima para baixo (top-
down) entre os campos
1
F e
2
F so denominados de memria de longo prazo (LTM Long
Term Memory) (GOPAL et al., 1999; KEYVAN, 1999). O subsistema de orientao
necessrio para estabilizar o processo de STM e aprendizagem em LTM, permitindo que a
rede aprenda com a entrada de novos padres sem perder o conhecimento previamente
adquirido. Este subsistema responsvel por verificar se ocorreu ou no ressonncia, e
consequentemente pelo sinal de reset. O parmetro ( possui valor compreendido entre 0
e 1) o responsvel pelo controle da ressonncia e do reset, determinando a deciso do
processo de classificao das categorias (GOPAL et al., 1999; KEYVAN, 1999).
Ento, tem-se que o subsistema de ateno responsvel pela indicao de uma
categoria vencedora e o subsistema de orientao em aceitar a categoria sugerida ou reorientar
para a busca por um nova categoria (GRANGER et al., 1997).
Nos sistemas ART, os vetores so representados como linhas e no como colunas,
diferindo da representao adotada na literatura. Esta representao visa a simplificao na
formulao das equaes.
Como nesta pesquisa emprega-se a rede neural Fuzzy ARTMAP no desenvolvimento da
metodologia, sero apresentados a seguir os principais conceitos da rede neural Fuzzy ART e,
por conseguinte, abordar-se- o funcionamento da rede neural Fuzzy ARTMAP.
7.1 Rede Neural Fuzzy ART
A rede neural Fuzzy ART, apresentada na Figura 26, incorpora clculos da teoria dos
conjuntos fuzzy (ZADEH, 1965) em sistemas ART. A mesma possui capacidade de
reconhecimento estvel atravs da auto-organizao em resposta a padres de entrada binrios
ou analgicos (CARPENTER; GROSSBERG, 1992; GEORGIOPOULOS et al., 1996;
LOPES et al., 2005). A diferena entre as redes neurais ART e Fuzzy ART se baseia no
operador adotado na realizao das operaes. Na rede neural ART, as operaes so
realizadas utilizando o operador interseco, definido por . J na rede Fuzzy ART, adota-se
o operador fuzzy AND, definido por ..
72

Figura 26 Rede neural Fuzzy ART.

7.1.1 Dados de Entrada
Na rede neural Fuzzy ART os dados de entrada so denotados pelo vetor a ,
| |
1 M
a ... a = a , M-dimensional. As entradas so normalizadas para evitar a proliferao de
categorias na rede neural Fuzzy ART de acordo com a equao (35) (CARPENTER;
GROSSBERG, 1992; GEORGIOPOULOS et al., 1996):
=
a
a
a

(35)
sendo:
a : vetor de entrada normalizado;
1
M
i
i
a
=
=
a .
Posteriormente efetuada a codificao do complemento, preservando a amplitude da
informao. A codificao do complemento representada pela equao (36) (CARPENTER;
GROSSBERG, 1992; GEORGIOPOULOS et al., 1996):
1
c
i i a a =
(36)
73

sendo:
c
i a : complemento do vetor normalizado.
Ento, o vetor de entrada no campo
0
F ser um vetor 2M-dimensional, denotado pela
equao (37) (CARPENTER; GROSSBERG, 1992; GEORGIOPOULOS et al., 1996):
1 1
c c c
M M a ... a a ... a
( (
= =
( (

I a a (37)
7.1.2 Parmetros
Existem trs parmetros fundamentais que devem ser especificados antes de iniciar o
processo de treinamento da rede neural Fuzzy ART. So eles (CARPENTER; GROSSBERG,
1992; GEORGIOPOULOS et al., 1996):
- Parmetro de escolha ( 0 o > ): atua na seleo de categorias;
- Taxa de treinamento ( | |
0 1 , | e ): controla a velocidade de adaptao da rede;
- Parmetro de vigilncia ( | |
0 1 , e ): controla a ressonncia da rede. responsvel pelo
nmero de categorias criadas. Se grande, muitas categorias so criadas, fazendo com
que a rede possua baixa capacidade de generalizao. Porm, se pequeno, poucas
categorias so criadas, fazendo com que a rede possua alta capacidade de generalizao.
7.1.3 Inicializao dos Pesos
Inicialmente, todos os pesos da rede neural Fuzzy ART (
( ) 2 Nx M
W ) possuem o valor
igual a um, indicando que no existe nenhuma categoria ativa (CARPENTER; GROSSBERG,
1992):
( ) ( )
1 2
0 0 1
j , j , M
W ... W = = =
(38)
7.1.4 Escolha da Categoria
Com o vetor de entrada I em
1
F , para cada n j em
2
F , i.e., para cada categoria criada,
a funo de escolha
j
T determinada pela equao (39) (CARPENTER; GROSSBERG,
1992):
74

j
j
j
T
o
.
=
+
I W
W
(39)
sendo . o operador fuzzy AND definido pela equao (40):
( )
i i
min p ,q . p q (40)
A escolha da categoria ocorre quando no mnimo um dos ns de
2
F se torna ativo. A
categoria escolhida como o n ativo jv , de acordo com (CARPENTER et al., 1991b; HE et
al., 2002):
{ }

j
jv arg max T = , para 1 2 j , , ... , N =
(41)
sendo jv a categoria ativa (vencedora).
Se existir mais de uma categoria ativa, a categoria escolhida ser aquela que tiver o
menor ndice.
Assim, com a determinao da categoria ativa possvel calcular o vetor de atividade
em
1
F , indicado por | |
1 2

M
X ... X = X , de acordo com a equao (42) descrita a seguir:

jv
I
X
I W

2
2
se F inativo
se o n de F ativo jv
(42)
J o vetor de atividade em
2
F representado por | |
1

N
Y ... Y = Y , sendo N o nmero de
categorias criadas em
2
F . Ento, de acordo com (VERZI et al., 2003):
1
j
Y = , para j jv =

0
j
Y = , para j jv =
(43)
7.1.5 Ressonncia ou Reset
A ressonncia ocorre se o critrio de vigilncia, definido pela equao (44), for
satisfeito (CARPENTER; GROSSBERG, 1992):
75

jv
.
>
I W
I
(44)
Se a equao (44) no for satisfeita, ento ocorre o reset. No reset, o n jv de
2
F
excludo do processo de busca da categoria ativa dada pela equao (41), isto ,
jv
T assume o
valor igual a zero e, ento, escolhida uma nova categoria pela equao (41) para realizar
novamente o processo de ressonncia. Este processo executado at que a rede encontre uma
categoria ativa jv que satisfaa a equao (44).
7.1.6 Aprendizado
O aprendizado ocorre aps o vetor I completar o processo de ressonncia. Nesta etapa
que ocorre a atualizao dos pesos da rede, de acordo com a equao (45) (CARPENTER;
GROSSBERG, 1992; VERZI et al., 2003):
( ) ( )
( )
( )
( )
1
novo velho velho
jv jv jv
| | = . + W I W W (45)
Dependendo do valor de | , so possveis dois tipo de treinamento (adaptao dos
pesos da rede). So eles:
1. Treinamento lento ( 0 1 | < < ): os pesos da rede so adaptados lentamente. Neste tipo de
treinamento, os padres de entrada so apresentados rede diversas vezes.
2. Treinamento rpido ( 1 | = ): os pesos da rede so adaptados rapidamente. Na execuo do
treinamento rpido, os padres de entrada so apresentados rede somente uma vez.
7.2 Rede Neural Fuzzy ARTMAP
A arquitetura neural Fuzzy ARTMAP um sistema de aprendizado auto-organizvel.
Esta rede possui treinamento supervisionado e pertence famlia ART, i.e., sua estrutura
baseada na teoria da ressonncia adaptativa e similar rede Fuzzy ART, empregando,
tambm, clculos baseados na lgica fuzzy (CARPENTER et al., 1992).
Esta rede composta por um par de mdulos Fuzzy ART (ART
a
e ART
b
), que so
conectados por um mdulo de memria associativa denominado Inter-ART, como mostrado
na Figura 27.
76

Figura 27 Rede neural Fuzzy ARTMAP.

O mdulo Inter-ART possui um mecanismo auto-regulador interno chamado match-
tracking, o qual objetiva maximizar a generalizao e minimizar o erro da rede. Sempre que a
rede faz um prognstico errado, atravs de uma conexo associativa instruda, o parmetro de
vigilncia
a
do mdulo Fuzzy ART
a
ser incrementado em uma quantidade mnima
necessria para corrigir o erro no mdulo Fuzzy ART
b
(CARPENTER et al., 1992; LIM;
HARRISON, 1997; LOPES et al., 2005).
O mdulo Fuzzy ART
a
inicializar, ento a busca de uma nova categoria para a entrada
atual at que se encontre um prognstico correto ou crie uma nova categoria no mdulo Fuzzy
ART
a
e a sua conexo associativa correspondente categoria no mdulo Fuzzy ART
b

(CARPENTER et al., 1992; LIM; HARRISON, 1997; LOPES et al., 2005).
7.2.1 Dados de Entrada
A rede neural Fuzzy ARTMAP possui duas entradas, uma referente ao mdulo Fuzzy
ART
a
e outra referente ao mdulo Fuzzy ART
b
. A entrada referente ao mdulo Fuzzy ART
a

representada pelo vetor a ,
1

a
M
a ... a ( =

a , M
a
-dimensional. J a sada do mdulo Fuzzy
ART
b
, que corresponde sada desejada referente ao padro de entrada da rede Fuzzy ART
a
,
representada pelo vetor b ,
1

a
M
b ... b ( =

b , M
b
-dimensional (CARPENTER et al., 1992).
77

Assim, como na rede Fuzzy ART, os vetores de entrada so normalizados e
complementados de maneira a compor as entradas da rede,
a
I e
b
I , definidas de acordo com
as equaes (46) e (47):
1 1
a a
c c c
a
M M a ... a a ... a
( (
= =
( (

I a a (46)
1 1
b b
c c c
b
M M b ... b b ... b
( (
= =
( (

I b b (47)
7.2.2 Parmetros
Os parmetros utilizados na rede neural Fuzzy ARTMAP so os mesmos utilizados na
rede Fuzzy ART, recebendo um parmetro de vigilncia para cada mdulo Fuzzy ART. A
nica diferena o parmetro de vigilncia do mdulo Inter-ART,
ab
(CARPENTER et al.,
1992). A seguir, so apresentados todos estes parmetros.
- Parmetro de escolha ( 0 o > ): atua na seleo de categorias;
- Taxa de treinamento ( | |
0 1 , | e ): controla a velocidade de adaptao da rede;
- Parmetro de vigilncia do mdulo Fuzzy ART
a
( | |
0 1
a
, e ): controla a ressonncia do
mdulo Fuzzy ART
a
.
- Parmetro de vigilncia do mdulo Fuzzy ART
b
( | |
0 1
b
mdulo Fuzzy ART
b
.
- Parmetro de vigilncia do mdulo Inter-ART ( | |
0 1
ab
mdulo Inter-ART.
7.2.3 Inicializao dos Pesos
Inicialmente, todos os pesos da rede Fuzzy ARTMAP (
( ) 2
a
a
Nx M
W ,
( ) 2
b
b
Nx M
W e
( )
ab
NxN
W )
possuem o valor igual a um, indicando que no existe nenhuma categoria ativa
(CARPENTER et al., 1992):
( ) ( )
1 2
0 ... 0 1
a
a a
j , j , M
W W = = =

(48)
( ) ( )
1 2
0 ... 0 1
b
b b
k , k , M
W W = = =

(48)
( ) ( )
1
0 ... 0 1
ab ab
j , j ,N
W W = = =

(50)
78

sendo:
M
a
: nmero de componentes do vetor a (entrada);
M
b
: nmero de componentes do vetor b (sada desejada);
N : nmero de padres de treinamento (pares de vetores { } , a b ).
7.2.4 Escolha da Categoria
A rede neural Fuzzy ARTMAP realiza o processamento de duas redes Fuzzy ART
(ART
a
e ART
b
). Assim, para cada mdulo ART calculam-se as funes de escolha
a
j
T e
b
k
T ,
para as entradas
a
I e
b
I , respectivamente (CARPENTER et al., 1992):
a a
j
a
j
a
j
T
o
.
=
+
I W
W

(51)
b b
k
b
k
b
k
T
o
.
=
+
I W
W

(52)
Assim, escolhida uma categoria ativa para a rede Fuzzy ART
a
e uma para a rede Fuzzy
ART
b
, como apresentado pelas equaes (53) e (54) (CARPENTER et al., 1992):
{ }

a
j
jv arg max T = , para 1 2 j , , ... , N =
(53)
{ }

b
k
kv arg max T = , para 1 2 k , , ... , N =

(54)
sendo:
jv : categoria ativa (vencedora) para a rede Fuzzy ART
a
;
kv : categoria ativa (vencedora) para a rede Fuzzy ART
b
;
Se existir mais de uma categoria ativa, a categoria escolhida ser aquela que tiver o
menor ndice.
O vetor de atividade Fuzzy ART
b
representado por
1

b b b
N
Y ... Y ( =

Y e calculado
conforme a equao (55) (VERZI et al., 2003):
79

1
b
k
Y = , para k kv =

0
b
k
Y = , para k kv =
(55)
7.2.5 Ressonncia ou Reset
A ressonncia ocorre se os critrios de vigilncia, definidos pelas equaes (56) e (57),
forem satisfeito (CARPENTER et al., 1992):
a a
jv
a
a
.
>
I W
I

(56)
b b
kv
b
b
.
>
I W
I

(57)
Se a equao (56) no for satisfeita, ento ocorre o reset, ou seja, o n jv excludo do
processo de busca da categoria ativa dada pela equao (53), isto ,
a
jv
T assume o valor igual a
zero e ento escolhida uma nova categoria pela equao (53) para realizar novamente o
processo de ressonncia. Este processo executado at que a rede encontre uma categoria
ativa jv que satisfaa a equao (56). Caso a equao (57) no seja satisfeita, ento o mesmo
processo descrito acima repetido para o mdulo Fuzzy ART
b
, ou seja, exclui-se o n kv do
processo de busca da categoria ativa (
b
kv
T 0 = ), escolhendo uma nova categoria atravs da
equao (54).
Aps a identificao das categorias ativas em cada um dos mdulos Fuzzy ART, utiliza-
se o match-tracking com o objetivo de verificar se a categoria ativa em Fuzzy ART
a

corresponde sada desejada apresentada em Fuzzy ART
b
. Assim, aplica-se o critrio de
vigilncia apresentado na equao (58):
b ab
jv
ab
b
.
>
Y W
Y

(58)
7.2.6 Aprendizado
Aps ocorrer o critrio de vigilncia dado pela equao (58), feita a adaptao dos
pesos da rede neural Fuzzy ARTMAP. A adaptao dos pesos dos mdulos Fuzzy ART
a
e
Fuzzy ART
b
realizada conforme apresentado pelas equaes (59) e (60), respectivamente.
80

Os pesos do mdulo Inter-ART so adaptados conforme a equao (61) (CARPENTER et al.,
1992).
( ) ( )
( )
( )
( )
1
a novo a velho a velho a
jv jv jv
| | = . + W I W W (59)
( ) ( )
( )
( )
( )
1
b novo b velho b velho b
kv kv kv
| | = . + W I W W

(60)
1
ab
jv,k
W = , para k kv =

0
ab
jv,k
W = , para k kv =

(61)
7.2.7 Algoritmo de Treinamento da Rede Neural Fuzzy ARTMAP
Com o propsito de facilitar a compreenso das etapas a serem realizadas no
treinamento da rede Fuzzy ARTMAP, Lopes (2005) elaborou um fluxograma explicativo
destas etapas por. Ento, a seguir, sero apresentados todos os passos necessrios para
realizao do treinamento da rede neural Fuzzy ARTMAP:
Passo 1) Leem-se todos os parmetros da rede neural (o , | ,
a
,
b
,
ab
, e c ).
Passo 2) Inicializao das matrizes de pesos da rede neural Fuzzy ARTMAP (os valores
dos pesos das matrizes
a
W ,
b
W e
ab
W so iguais a 1).
Passo 3) Realiza-se o complemento do vetor de entrada (a),
a c
( =

I a a , e do vetor de
sada (b),
b c
( =

I b b .
Passo 4) Verifica-se se a lista de padres de treinamento foi concluda.
Se sim, o processo de treinamento concludo;
Seno, v ao Passo 5).
Passo 5) Faz-se
a
a
= .
Passo 6) Calcula-se a funo de escolha
b
k
T :

b b
k
b
k
b
k
T
o
.
=
+
I W
W
, para 1 2 k , , ... , N = .
81

Passo 7) Escolha da categoria da Fuzzy ART
b
:

{ }

b
k
kv arg max T = , para 1 2 k , , ... , N = .
Passo 8) Verificao do critrio de vigilncia da Fuzzy ART
b
:

b b
k
b
b
.
>
I W
I
.
Se sim, v ao Passo 9);
Seno, ocorre o reset: faz-se 0
b
kv
T = e retorna ao Passo 7).
Passo 9) Calcula-se
1 2

b b b b
N
Y Y ... Y ( =

Y :
1
b
k
Y = , para k kv =
0
b
k
Y = , para 1 2 k , , ... , N = ; k kv = .
Passo 10) Atualizao dos pesos da Fuzzy ART
b
:

( ) ( )
( )
( )
( )
1
b novo b velho b velho b
kv kv kv
| | = . + W I W W .
Passo 11) Calcula-se a funo de escolha
a
j
T :

a a
j
a
j
a
j
T
o
.
=
+
I W
W
, para 1 2 j , , ... , N = .
Passo 12) Escolha da categoria da Fuzzy ART
a
:

{ }
a
j
jv arg max T = , para 1 2 j , , ... , N = .
Passo 13) Verificao do critrio de vigilncia da Fuzzy ART
a
:

a a
j
a
a

.
>
I W
I
.
82

Seno, ocorre o reset: faz-se 0
a
jv
T = e retorna ao Passo 12).
Passo 14) Verificao do critrio de vigilncia do mdulo Inter-ART:

b ab
jv
ab
b
.
>
Y W
Y
.
Seno, incrementa-se o parmetro de vigilncia
a
,
a a
jv
a
a
c
.
= +
I W
I
, e faz-se
0
a
jv
T = , retornando Passo 12).
Passo 15) Atualizao dos pesos da Fuzzy ART
a
:

( ) ( )
( )
( )
( )
1
a novo a velho a velho a
jv jv jv
| | = . + W I W W .
Passo 16) Atualizao dos pesos do mdulo Inter-ART,
1 2

ab ab ab ab
jv jv, jv, jv,N
W W ... W ( =

W :
1
ab
jv,k
W = , para k kv =
0
ab
jv,k
W = , para 1 2 k , , ... , N = ; k kv = .
Passo 17) Retorna-se ao Passo 4).
sendo:
.
: operador fuzzy AND;
i
W : i-sima linha da matriz W ;
i , j
W : componente da posio ( ) i, j da matriz W ;
{ }
j
arg mx T : obteno do ndice correspondente do mximo valor entre os coeficientes
j
T (
1 2 j , , ... , N = );
j
T : j-simo coeficiente de escolha;
83

jv : nmero do neurnio vencedor na rede Fuzzy ART
a
;
kv : nmero do neurnio vencedor na rede Fuzzy ART
b
;
a
: valor inicial do parmetro de vigilncia da rede Fuzzy ART

a
;
c : valor do parmetro (positivo e pequeno) para incremento do parmetro
a
;
7.2.8 Algoritmo de Teste da Rede Neural Fuzzy ARTMAP
A etapa de teste realizada utilizando o procedimento descrito a seguir.
Passo 1) Compem-se os vetores de teste a e
a
I , detonados a e
a
I , respectivamente.
Passo 2) Identifica-se o neurnio vencedor na rede neural Fuzzy ART
a
( jv ), sem realizar a
adaptao dos pesos.
Passo 3) Calcula-se
b
I e consequentemente b (DECANINI et al., 2011a):

1 2 1 2

b b
b c c c ab b
M M jv
b b ... b b b ... b
(
=

I W W

1 2

b
M
b b ... b ( =

b
: sada codificada.

7.3 Comentrios
Nesta seo foram apresentados os principais conceitos das redes neurais da famlia
ART, i.e., Fuzzy ART e Fuzzy ARTMAP, que tm como principal caractersticas a
estabilidade e plasticidade.
Tambm foram descritos os principais parmetros utilizados nestas duas redes e seus
respectivos processos de treinamento. Alm disso, para a rede Fuzzy ARTMAP,
apresentaram-se os procedimentos da etapa de teste.
85

8 METODOLOGIA
8.1 Introduo
A metodologia desenvolvida utiliza-se dos conceitos da transformada wavelet, lgica
fuzzy e redes neurais artificiais para realizar o diagnstico de distrbios, e.g., distrbios de
tenso, curtos-circuitos e faltas de alta impedncia, em sistemas de distribuio de energia
eltrica.
executada permanentemente a aquisio dos sinais de tenso e de corrente obtidos na
sada do alimentador da subestao. Aplicando-se a AMR, estes sinais so decompostos e,
atravs de uma anlise estatstica e comparao direta dos coeficientes de detalhe, determina-
se o estado operativo do sistema, ou seja, se h ou no a presena de distrbios. Caso seja
determinada a presena de qualquer tipo de distrbio, aplicam-se os conceitos da TW para
decomposio das oscilografias de tenso e de corrente.
A partir das informaes extradas dos sinais de corrente, emprega-se o conceito
entropia de modo a agregar tais informaes. Assim, utilizando um sistema fuzzy, avaliado
se o distrbio detectado corresponde a uma falta de alta impedncia.
Caso este distrbio no seja classificado como uma falta de alta impedncia, ento, as
informaes de tenso e de corrente, obtidas pela TW, so agregadas via conceito energia.
Estes ndices de tenso e de corrente compem o vetor de entrada da rede neural Fuzzy
ARTMAP, aps os mesmos serem pr-processados. A rede Fuzzy ARTMAP fornece em sua
sada o tipo de distrbio presente no sistema, ou seja, distrbio de tenso ou curto-circuito.
Constatada a presena de um distrbio de tenso, so extrados dos sinais de tenso
coeficientes comportamentais (assinatura) a AMR e o conceito entropia. Novamente, aps
serem normalizados e codificados, estes coeficientes compem o vetor de entrada de uma
segunda rede neural Fuzzy ARTMAP, a qual determina o tipo de distrbio de tenso presente
no sistema.
No entanto, se detectada a presena de um curto-circuito, so extrados trs ndices, i.e.,
1
s ,
2
s e
3
s , dos sinais de corrente. Estes ndices so transladados de modo a compor o vetor
86

de entrada de uma terceira rede neural Fuzzy ARTMAP, a qual fornece em sua sada as fases
envolvidas no curto-circuito. Para duas fases envolvidas, o ndice Z calculado, avaliando a
presena da terra na mesma.
8.2 Sistema de Deteco e de Deciso
Um sistema de deteco e de deciso concebido levando em considerao a
permanente evoluo das tecnologias empregadas nas subestaes e o dinamismo inerente aos
sistemas de energia eltrica, e.g., distintos carregamentos, localizao, e a presena de rudos
nas oscilografias, a fim de obter maior robustez e flexibilidade. Este sistema composto pelos
seguintes mdulos: (1) mdulo de deteco de distrbios; (2) mdulo de extrao das
caractersticas de tenso e de corrente; (3) mdulo avaliador de faltas de alta impedncia; e (4)
mdulo de deciso do tipo de distrbio.
8.2.1 Mdulo de Deteco de Distrbios
O processo de deteco de distrbios baseia-se nos sinais de tenso e de corrente
advindos do sistema de medio presente na sada do alimentador da subestao. Nesta etapa
definido o janelamento do sinal, e.g., trs ciclos, e o passo de anlise, e.g., um ciclo.
Utilizando a AMR, as oscilografias de tenso e de corrente de cada uma das fases so
decompostas em dois nveis. Assim, calcula-se a mdia aritmtica do valor absoluto dos
coeficientes de detalhe para cada nvel de decomposio da oscilografia em anlise
(DECANINI et al., 2011b):
1
j
N
k
ij
k
ij
j
d
d
N
=
=

(62)
sendo:
i : oscilografia em anlise, i.e., Va, Vb, Vc, Ia, Ib e Ic;
j : nvel de decomposio, i.e., 1 e 2;
j
N : nmero de coeficientes de detalhe do nvel j ;
k : k-simo coeficiente de detalhe do nvel j referente oscilografia i ;
87

ij d : mdia aritmtica dos coeficientes de detalhe do nvel j referente oscilografia i .
Para cada valor absoluto do coeficiente de detalhe, calcula-se a sua variao em relao
mdia aritmtica obtida (DECANINI et al., 2011b):
k
k k
ij
ij ij
var d d =

(63)
sendo:
k
ij
var : variao do k-simo coeficiente de detalhe em relao mdia aritmtica destes
coeficientes para o nvel j referente oscilografia i .
Posteriormente, obtm-se o desvio padro do valor absoluto dos coeficientes de detalhe
sob avaliao (DECANINI et al., 2011b):
( )
2
1
1
j
N
k
ij
ij
k
ij
j
d d
N
o
=

(64)
sendo:
ij
o : desvio padro dos coeficientes de detalhe do nvel j referente oscilografia i .
A deteco de distrbios baseia-se no conjunto de regras apresentados nas Equaes
(65) e (66). Estes dois conjuntos de equaes correspondem a: (A) macroanlise, e (B)
microanlise. Por meio de (A) busca-se conhecer o comportamento geral do sinal comparando
a mxima variao dos coeficientes de detalhe a um percentual do desvio padro, fixado pelo
engenheiro de proteo, propiciando maior imunidade presena de rudos nas oscilografias.
Em (B) realiza-se uma anlise ponto-a-ponto, confrontando o maior coeficiente de detalhe
com o limite preestabelecido pelo engenheiro de proteo (DECANINI et al., 2011b):
- se 1 25
ij ij
mx , o ( >

var e
ij ij
mx
(
>

d , ento 1
ij
q = (65)
indica a existncia de anormalidade no sistema;
- se 1 25
ij ij
mx , o ( s

var ou
ij ij
mx
(
s

d , ento 0
ij
q = (66)
indica operao normal do sistema.
88

sendo:
ij
: parmetro a ser especificado baseando-se na experincia do engenheiro de proteo e na
filosfica de proteo do sistema;
ij
q : ndice indicativo do estado de operao do sistema.
Caso seja detectada qualquer anormalidade no sistema, o instante da ocorrncia do
distrbio identificado.
8.2.2 Mdulo de Extrao das Caractersticas de Tenso e de Corrente
Nesta etapa, depois de detectada a presena de qualquer tipo de anormalidade no
sistema, selecionam-se dois ciclos pr-distrbio a partir do instante de ocorrncia do distrbio
para as oscilografias de tenso e de corrente de cada uma das fases. Em seguida, aplica-se a
AMR para a decomposio em dois nveis destes sinais. Tambm, a partir do instante de
ocorrncia do distrbio, dois ciclos em distrbio para cada oscilografia so selecionados,
aplicando os mesmos procedimentos para os ciclos pr-distrbio.
8.2.3 Mdulo Avaliador de Faltas de Alta Impedncia
As informaes extradas a partir dos sinais de corrente, i.e., coeficientes de detalhe e de
aproximao dos ciclos pr e em distrbio, so agregadas via entropia (DECANINI et al.,
2011a; MALANGE, 2010; UYAR et al., 2008). Desta forma, para cada uma das fases,
calculam-se os seguintes vetores:
1 2 2

k ,p k ,p k , p k , p
d d a
ET ET ET ( =

ET
(67)
1 2 2

k ,e k ,e k ,e k ,e
d d a
ET ET ET ( =

ET
(68)
sendo:
k : oscilografia em anlise, i.e., Ia, Ib e Ic;
1
k , p
d
ET ,
1
k ,e
d
ET : entropia dos coeficientes de detalhe do nvel 1 da oscilografia k para os
ciclos pr e em distrbio, respectivamente;
89

2
k , p
d
ET ,
2
k ,e
d
ET

: entropia dos coeficientes de detalhe do nvel 2 da oscilografia k para os
2
k , p
a
ET ,
2
k ,e
a
ET

: energia dos coeficientes de aproximao do nvel 2 a oscilografia k para os
k , p
ET

: vetor entropia pr-distrbio da oscilografia k ;
k ,e
ET

: vetor entropia em distrbio da oscilografia k .
Em seguida, a entropia em distrbio subtrada da entropia pr-distrbio para adotar
como referncia a operao normal do sistema, i.e., os ciclos pr-distrbio, alm de incorporar
na metodologia a variao do carregamento, como apresentado na equao (69) (DECANINI
et al., 2011a; MALANGE, 2010; UYAR et al., 2008):
1 2 2

k ,ref k ,e k ,p k ,ref k ,ref k ,ref
d d a
ET ET ET ( = =

ET T T (69)
sendo:
k ,ref
ET : vetor entropia da oscilografia k , tendo como referncia a operao normal sistema.
Por conseguinte, avalia-se a presena das faltas de alta impedncia no alimentador
atravs de um sistema fuzzy, o qual possui trs entradas. As entradas utilizadas nesta anlise
so calculadas atravs das equaes (70), (71) e (72):
1 1 1
1
3
Ia,ref Ib,ref Ic,ref
d d d
d
ET ET ET
ET
+ +
=
(70)
2 2 2
2
3
d d d
d
ET ET ET
ET
+ +
=
(71)
2 2 2
2
3
a a a
a
ET ET ET
ET
+ +
=
(72)
sendo:
1
d ET : entropia mdia do detalhe do nvel 1;
2
d ET : entropia mdia do detalhe do nvel 2;
90

2
a ET : entropia mdia da aproximao do nvel 2;
Analisando os valores destes trs ndices, os vrtices dos conjuntos fuzzy so
determinado de maneira que este mdulo seja capaz de distinguir as faltas de alta impedncia
dos demais distrbios.
8.2.4 Mdulo de Deciso do Tipo de Distrbios
Utilizando o conceito energia, os coeficientes de detalhe e de aproximao dos ciclos
pr e em distrbio, obtidos no mdulo de extrao das caractersticas de tenso e de corrente,
so agregados via conceito energia (DECANINI et al., 2011a; MALANGE, 2010; UYAR et
al., 2008). Desta forma, obtm-se os vetores apresentados nas equaes (73) e (74):
1 2 2

k , p k , p k , p k , p
d d a
EG EG EG ( =

EG
(73)
1 2 2

k ,e k ,e k ,e k ,e
d d a
EG EG EG ( =

EG
(74)
sendo:
k : oscilografia em anlise, i.e., Va, Vb, Vc, Ia, Ib e Ic;
1
k , p
d
EG ,
1
k ,e
d
EG

: energia dos coeficientes de detalhe do nvel 1 da oscilografia k para os
2
k , p
d
EG ,
2
k ,e
d
EG

: energia dos coeficientes de detalhe do nvel 2 da oscilografia k para os
2
k , p
a
EG ,
2
k ,e
a
EG

: energia dos coeficientes de aproximao do nvel 2 da oscilografia k para
os ciclos pr e em distrbio, respectivamente;
k , p
EG

: vetor energia pr-distrbio da oscilografia k ;
k ,e
EG

: vetor energia em distrbio da oscilografia k .
Com o propsito de obter uma anlise completa e detalhada do tipo de distrbio, as
energias obtidas para os ciclos pr-distrbio so utilizadas como referncia da operao
normal do sistema. Assim, de cada energia obtida a partir dos coeficientes em distrbio
91

subtrada a energia pr-distrbio, como apresentado pela equao (75) (DECANINI et al.,
2011a; MALANGE, 2010; UYAR et al., 2008):
1 2 2

k ,ref k ,e k , p k ,ref k ,ref k ,ref
d d a
EG EG EG ( = =

EG G G (75)
sendo:
k ,ref
EG : vetor energia da oscilografia k , tendo como referncia a operao normal sistema.
Utilizando as energias obtidas, tanto para os sinais de tenso como para os sinais de
corrente, possvel compor o vetor caracterstico do tipo de distrbio, descrito pela equao
(76):

Va,ref Vb,ref Vc,ref Ia,ref Ib,ref Ic,ref
( =

EG EG EG EG EG EG
(76)
sendo:
: vetor caracterstico do tipo de distrbio.
Analisando as Equaes (73)-(75), observa-se que cada vetor energia (
k ,ref
EG ) possui
dimenso igual a trs. Para compor o vetor caracterstico do tipo de distrbio ( ) so
utilizados seis vetores
k ,ref
EG , cada um referente a uma oscilografia, i.e., Va, Vb, Vc, Ia, Ib e
Ic. Assim, tem-se que a dimenso do vetor igual a dezoito.
A deciso do tipo de distrbio presente no sistema feita por uma rede neural Fuzzy
ARTMAP. Os vetores de entrada desta rede devem estar compreendidos no intervalo | |
0 1 , .
Portanto, o vetor caracterstico do tipo de distrbio normalizado e codificado, permitindo
uma maior generalizao de projeto e a manuteno da informao do sinal (positivo e
negativo) (DECANINI et al., 2011a). O vetor de entrada da rede neural Fuzzy ARTMAP do
mdulo de classificao ( a ) descrito pela equao (77):
| | = a

(77)
sendo:
| |
1 2 18
... = (78)
com:
92

i
i
mx
I
I
= (79)
{ }
mx i
mx I I = , para 1 2 18 i , , ... , = .
As componentes do vetor so definidas a seguir:
se 0
i
I > , ento 1
i
O =
(80)
se 0
i
I s , ento 0
i
O =
para 1 2 6 i , , ... , = .
Esta codificao necessria para distinguir os valores negativos dos positivos de cada
um dos
i
I .
Como mencionado anteriormente, este mdulo emprega uma rede neural Fuzzy
ARTMAP, a qual realiza seu treinamento de maneira supervisionada. A entrada da rede
neural ( a ) corresponde aos vetores comportamentais e . O vetor representa as
caractersticas normalizadas (corrente e tenso) do tipo de distrbio, e o vetor o sinal de
cada caracterstica normalizada. O estmulo de sada ( b ) codificado para representar o tipo
de distrbio presente no sistema. Nesta etapa, os tipos de distrbios que podem estar presentes
no sistema so: distrbios de tenso ou curtos-circuitos. A Tabela 1 apresenta a codificao
para os possveis tipos de distrbios que podem estar presentes no sistema utilizando 2 bits.
Tabela 1 Codificao do tipo de distrbio
Tipo de Distrbio Codificao de Sada ( b )
Distrbio de Tenso [0 1]
Curto-Circuito [1 0]
8.3 Sistema de Diagnstico de Distrbios de Tenso
O sistema de diagnstico de distrbios de tenso desenvolvido de maneira que possa
ser facilmente modificado para atender a constante evoluo do setor eltrico. Para isso, o
mesmo integra tcnicas de processamento de dados e sistemas inteligentes. Este sistema
93

subdividido em: (1) mdulo de extrao das caractersticas de tenso; e (2) mdulo de
classificao de distrbios de tenso.
8.3.1 Mdulo de Extrao das Caractersticas de Tenso
Aps o sistema de deteco e de deciso classificar o tipo de distrbio como um
distrbio de tenso (sada do mdulo de deciso do tipo de distrbio igual a [0 1]) os ciclos
pr e em distrbio para os sinais de tenso so decompostos em quatro nveis pela AMR. Em
cada nvel de resoluo, aplica-se o conceito de entropia de maneira a agregar os coeficientes
de detalhe e de aproximao. Assim, so compostos os vetores descritos pelas equaes (81) e
(82):
1 2 3 4 4

k , p k ,p k ,p k , p k ,p k ,p
d d d d a
ET ET ET ET ET ( =

ET
(81)
1 2 3 4 4

k ,e k ,e k ,e k ,e k ,e k ,e
d d d d a
ET ET ET ET ET ( =

ET
(82)
sendo:
k : oscilografia de tenso em anlise, i.e., Va, Vb e Vc;
1
k , p
d
ET ,
1
k ,e
d
ET

: entropia dos coeficientes de detalhe do nvel 1 da oscilografia k para os
ciclos pr-distrbio e em distrbio, respectivamente;
2
k , p
d
ET ,
2
k ,e
d
3
k , p
d
ET ,
3
k ,e
d
4
k , p
d
ET ,
4
k ,e
d
4
k , p
a
ET ,
4
k ,e
a
ET : entropia dos coeficientes de aproximao do nvel 4 da oscilografia k para os
k , p
ET

: vetor entropia pr-distrbio da oscilografia k ;
k ,e
ET : vetor entropia em distrbio da oscilografia k .
94

Similar ao sistema anterior, a entropia obtida para os ciclos pr-distrbio so utilizadas
como referncia do estado normal de operao. Para cada entropia em distrbio (
k ,e
ET )
subtrai-se o valor da entropia pr-distrbio (
k ,p
ET ), compondo o vetor apresentado na
equao (83) (DECANINI et al., 2011a; MALANGE, 2010; UYAR et al., 2008):
1 2 3 4 4

k ,ref k ,durante k ,pr k ,ref k ,ref k ,ref k ,ref k ,ref
d d d d a
ET ET ET ET ET ( = =

ET ET ET (83)
sendo:
k ,ref
ET : vetor entropia da oscilografia k , tendo como referncia a operao normal do
sistema.
O vetor caracterstico de distrbio de tenso composto utilizando somente os dois
ltimos componentes do vetor
k ,ref
ET , para cada oscilografia de tenso (Va, Vb e Vc), ou
seja, utilizam-se somente as caractersticas agregadas de detalhe e de aproximao do quarto
nvel. Estes componentes so selecionados aps a realizao de um processo exaustivo para
determinar a combinao de coeficientes que fornece o melhor ndice de acerto. Com isso, o
vetor caracterstico do distrbio de tenso representado por:
4 5 4 5 4 5

Va,ref Va,ref Vb,ref Vb,ref Vc,ref Vc,ref
d d d d d d
ET ET ET ET ET ET ( =

DT
(84)
sendo:
DT : vetor caracterstico do distrbio de tenso.
Analisando as equaes (81)-(83), observa-se que os vetores
k ,p
ET e
k ,e
ET possuem,
cada um deles, dimenso igual a cinco. Consequentemente, o vetor
k ,ref
ET tambm possui
dimenso igual a cinco. Ao compor o vetor caracterstico do distrbio de tenso, utiliza-se
somente o quarto e o quinto componente do vetor
k ,ref
ET , para cada oscilografia de tenso.
Com isso, a dimenso do vetor caracterstico do distrbio de tenso ( DT ) igual a seis.
8.3.2 Mdulo de Classificao de Distrbios de Tenso
Este mdulo tambm emprega uma rede neural Fuzzy ARTMAP. Como o vetor de
entrada da mesma deve estar compreendido no intervalo | |
0 1 , , o vetor caracterstico de
distrbio de tenso ( DT ) normalizado e codificado, satisfazendo o intervalo exigido para a
95

entrada da rede neural e mantendo a informao do sinal de cada componente do vetor DT

(DECANINI et al., 2011a).
O vetor de entrada da rede ( a ) definido da seguinte forma:
| | = a
(85)
sendo:
| |
1 2 6
... =
(86)
com:
i
i
mx
AT
AT
= (87)
{ }
mx i
AT mx AT = , para 1 2 6 i , , ... , = .
Os componentes do vetor so definidos por:
se 0
i
+ > , ento 1
i
u =
(88)
se 0
i
+ s , ento 0
i
u =
para 1 2 6 i , , ... , = .
Assim, o vetor de entrada, definido pelo vetor a , composto pelos vetores e . O
vetor representa as caractersticas normalizadas (tenso) do tipo de distrbio de tenso, e o
vetor o sinal de cada caracterstica normalizada. A sada da rede neural, definida pelo
vetor b , codificada para fornecer como sada o tipo de distrbio de tenso presente no
sistema. A Tabela 2 apresenta a codificao de sada para os possveis distrbios de tenso
utilizando 4 bits.

96

Tabela 2 Codificao do tipo de distrbio de tenso
Distrbio de Tenso Codificao de Sada ( b )
Swell (Elevao) [0 0 0 1]
Sag (Afundamento) [0 0 1 0]
Outage (Interrupo) [0 0 1 1]
Harmnico [0 1 0 0]
Swell com Harmnico [0 1 0 1]
Sag com Harmnico [0 1 1 0]
Transitrio Oscilatrio [0 1 1 1]
8.4 Sistema de Diagnstico de Curtos-Circuitos
Um sistema para execuo do diagnstico de curtos-circuitos robusto e eficiente
concebido levando em considerao as diversas variveis influentes no processo de
diagnstico. Este sistema possui os seguintes mdulos: mdulo de extrao das caractersticas
de corrente, mdulo de classificao de curtos-circuitos e mdulo de avaliao da presena da
terra.
8.4.1 Mdulo de Extrao das Caractersticas de Corrente
Aps a identificao da presena de um curto-circuito no sistema (sada do mdulo de
classificao do tipo de distrbio igual a [1 0]), este mdulo extrai dos sinais de corrente (Ia,
Ib e Ic). Assim, estas informaes so utilizadas na classificao dos curtos-circuitos.
A partir dos ciclos em distrbio , identifica-se o valor mximo da corrente eltrica em
cada fase (terna {a, b, c}). Por conseguinte, so calculadas as seguintes grandezas
(DECANINI, 2008; MAHANTY; DUTTA GUPTA, 2007; TONELLI-NETO et al., 2011b):
MIa
sa
MIb
=

MIb
sb
MIc
=

MIc
sc
MIa
=

(89)
sendo:
MIa: valor mximo absoluto da corrente eltrica na fase a;
MIb: valor mximo absoluto da corrente eltrica na fase b;
97

MIc: valor mximo absoluto da corrente eltrica na fase c;
As grandezas sa, sb e sc so normalizadas e representadas de forma relativa, pois se
buscam ndices caractersticos do estado operativo do sistema eltrico sob a influncia de um
curto-circuito (DECANINI, 2008; MAHANTY; DUTTA GUPTA, 2007; TONELLI-NETO et
al., 2011b):
{ }
mx
s mx sa,sb,sc =

(90)
mx
sa
na
s
=
mx
sb
nb
s
=
mx
sc
nc
s
=
(91)
1
s na nb =
2
s nb nc =
3
s nc na = (92)
Os ndices
1
s ,
2
s e
3
s estabelecem padres caractersticos do estado operativo do
sistema sob a influncia de um curto-circuito. Analisando a equao (92), tem-se que:
1 2 3
0 s s s + + = (93)
Consequentemente, pode-se expressar
3
s por:
( )
3 1 2
s s s = + (94)
A dependncia do ndice
3
s em relao aos ndices
1
s e
2
s facilita o processo de
classificao de curtos-circuitos.
Os valores destes ndices esto compreendidos no intervalo | |
1 1 , + . Sua variao
depende do tipo de curto-circuito (monofsico, bifsico ou trifsico), do carregamento do
sistema, do ngulo de insero, da resistncia de falta, entre outros.
8.4.2 Mdulo de Classificao de Curtos-Circuitos
A classificao dos curtos-circuitos executada por outra rede neural Fuzzy ARTMAP.
Como os ndices
1
s ,
2
s e
3
s pertencem ao intervalo | |
1 1 , + , necessita-se realizar uma
translao de eixos para que os mesmos estejam compreendidos no intervalo | |
0 1 ,+
(TONELLI-NETO et al., 2011b). Esta translao de eixos executada como mostrado pela
equao (95):
98

1
2
t i
i
s
s
+
= , para 1 3 i , ... , = (95)
sendo:
i
s : ndice caracterstico do estado operativo do sistema;
t
i
s

: ndice caracterstico do estado operativo do sistema transladado.
Assim, os ndices
1
t
s ,
2
t
s e
3
t
s compem o vetor de entrada da rede neural Fuzzy
ARTMAP. A sada da rede codificada de maneira que possa fornecer o tipo de curto-
circuito presente no sistema, ou seja, quais fases esto envolvidas no curto-circuito, e tambm
o nvel da resistncia de falta (baixa ou alta). A codificao para cada tipo de curto-circuito
apresentada na Quadro 5.
Quadro 5 Codificao dos tipos de curto-circuito
Diagnstico
Fase Envolvida
Resistncia de Falta
Fase a Fase b Fase c
a 1 0 0
0
1
b 0 1 0
0
1
c 0 0 1
0
1
ab 1 1 0
0
1
ac 1 0 1
0
1
bc 0 1 1
0
1
abc 1 1 1
0
1
sendo:
99

Fase a, b ou c: 0 fase no est envolvida no curto-circuito;
1 fase est envolvida no curto-circuito.
Resistncia de Falta: 0 resistncia de falta baixa ( 0 50
f
R s < );
1 resistncia de falta alta ( 50 100
f
R s s ).
8.4.3 Mdulo de Avaliao da Presena da Terra
Caso o mdulo de classificao de curtos-circuitos fornea em sua sada a codificao
de uma falta bifsica, este no consegue diferenciar se esta possui ou no conexo com a
terra. No caso de curtos-circuitos monofsicos e trifsicos, esta avaliao desnecessria. Em
faltas monofsicas, estas j possuem a ligao com a terra (a-g, b-g e c-g). Por ser tratarem de
faltas simtricas, no h como determinar se existe ou no a presena da terra em faltas
trifsicas. Neste sentido, existe a necessidade do clculo de um novo ndice para executar esta
avaliao.
Utilizando os dois ciclos em distrbios dos sinais de corrente, calcula-se o valor do
ndice definido pela equao (96) (DECANINI, 2008; TONELLI-NETO et al., 2011b):
{ }
3
mx Ia Ib Ic
Z
+ +
= (96)
O parmetro Z baseado nos conceitos da corrente de sequncia zero. Havendo curtos-
circuitos que possuem ligao com a terra, este ndice apresentara valores muito superiores ao
dos curtos-circuitos sem ligao com a terra. Ento, o seguinte critrio utilizado:
- se
mx
Z Z > , ento
0
1 s = (97)
indica a presena da terra no curto-circuito;
- se
mx
Z Z < , ento
0
0 s = (98)
indica a ausncia da terra no curto-circuito.
sendo:
Z
mx
: valor limite especificado baseado na experincia do engenheiro de proteo.
100

8.5 Comentrios
Apresentou-se a metodologia utilizada na formulao do controle preventivo em
sistemas de distribuio de energia eltrica, o qual utiliza das oscilografias de tenso e de
corrente para realizao do diagnstico.
O sistema proposto utiliza-se da transformada wavelet, lgica fuzzy e redes neurais
artificais para deteco e classificao de distrbios de tenso, curtos-circuitos e faltas de alta
impedncia. Alm disso, o emprego da lgica fuzzy e de redes neurais artificiais possibilita a
obteno de um sistema robusto em relao s seguintes variveis: variao do carregamento
do sistema, localizao e ngulo de insero do distrbio.
Atravs da aplicao desta metodologia em um conjunto de dados de distrbios,
extraem-se alguns resultados, que sero apresentados na prxima seo.
101

9 APLICAES E RESULTADOS
9.1 Introduo
Atravs da aplicao da metodologia proposta nas simulaes presentadas na Seo 3,
foram obtidos resultados, os quais sero abordados nesta seo. A partir destes resultados,
discutir-se- como cada um foi obtido. Tais resultados estaro dispostos em tabelas e figuras,
de modo a facilitar a compreenso.
9.2 Padres de Treinamento e Teste
Para realizar o treinamento, teste e a validao da metodologia proposta para todos os
sistemas, foram selecionados distrbios de maneira pseudoaleatria. A seleo destes para a
realizao do treinamento resultado do emprego de trs redes neurais Fuzzy ARTMAP em
todo o processo, as quais necessitam de um treinamento adequado para que assim possam
realizar o diagnstico de maneira eficiente. O Quadro 6 apresenta o total de distrbios
selecionados para compor o conjunto de treinamento e teste.
Quadro 6 Total de distrbios selecionados para treinamento e teste
Distrbio Treinamento Teste
Distrbio de Tenso 500 124
Curto-Circuito 1000 440
Falta de Alta Impedncia * 25
Total 1500 589
* Para a realizao do diagnstico de faltas de alta impedncia no foi necessrio a seleo de
nenhum padro de treinamento, pois o mdulo para determinao desta no utiliza nenhum
tipo de rede neural.
102

9.3 Sistema de Deteco e de Deciso
9.3.1 Mdulo de Deteco de Distrbios
A partir do total de distrbios de teste do Quadro 6, realizou-se o procedimento
contnuo de deteco de distrbios. Nesta etapa, empregou-se a wavelet me Daubechies com
um filtro de quarta (db4) para realizar a AMR. Os valores dos parmetros limite utilizados
pelo engenheiro de proteo para averiguao do estado operativo do sistema so
apresentados na Tabela 3.
Tabela 3 Valores dos parmetros limite para deteco de distrbios
Parmetro
Nvel de Decomposio
Primeiro Segundo
V

0,005 0,07
I

0,00013 0,00095
Este mdulo apresentou 100% de acerto no diagnstico dos distrbios de tenso, dos
curtos-circuitos e das faltas de alta impedncia, i.e., identificao de todos os 589 distrbios,
com alto desempenho computacional.
9.3.2 Mdulo de Extrao das Caractersticas de Tenso e de Corrente
Detectada qualquer tipo de anormalidade, a partir do instante da ocorrncia do distrbio,
so extradas caractersticas pr e em distrbio de todas as oscilografias (Va, Vb, Vc, Ia, Ib e
Ic) atravs da aplicao da AMR. Nesta etapa tambm foi empregada a wavelet me db4.
9.3.3 Mdulo Avaliador de Faltas de Alta Impedncia
Neste mdulo, as caractersticas extradas dos sinais de corrente, i.e., coeficientes de
detalhe e de aproximao, so agregadas utilizando os conceitos da entropia com nvel de
energia igual a 1,0. Assim, aps serem calculados os parmetros das equaes (70)-(72), os
mesmos so analisados via sistema fuzzy, apresentado na Figura 28, de modo a avaliar a
presena de faltas de alta impedncia no alimentador.

103

Figura 28 Sistema fuzzy utilizado na avaliao da presena de faltas de alta impedncia no
alimentador.

O sistema fuzzy apresentado acima possui trs entradas e uma sada. Para a primeira
entrada, Mdia das Entropias de Corrente Detalhe Nvel 1, utiliza-se trs conjuntos fuzzy,
apresentados na Figura 29, sendo os vrtices de cada um dos conjuntos definidos na Tabela 4.
Figura 29 Conjuntos fuzzy da entrada "Mdia das Entropias de Corrente - Detalhe Nvel 1".

Tabela 4 Vrtices dos conjuntos fuzzy da entrada "Mdias das Entropias de Corrente -
Detalhe Nvel 1 (continua)
Conjunto Vrtice 1 Vrtice 2 Vrtice 3
P 0 137,5 275,0
104

Tabela 4 - Vrtices dos conjuntos fuzzy da entrada "Mdias das Entropias de Corrente -
Detalhe Nvel 1 (concluso)
M 225,0 500,0 775,0
G 725,0 862,5 1000,0
sendo:
P : pequeno;
M : mdio;
G : grande.
A segunda entrada, Mdia das Entropias de Corrente Detalhe Nvel 2, tambm
utiliza trs conjuntos fuzzy, apresentados na Figura 30, sendo os vrtices de cada um dos
conjuntos definidos na
Figura 30 Conjuntos fuzzy da entrada Mdia das Entropias de Corrente - Detalhe Nvel 2.

Tabela 5 - Vrtices dos conjuntos fuzzy da entrada Mdias das Entropias de Corrente
Detalhe Nvel 2
P 0 137,5 275,0
M 225,0 500,0 775,0
G 725,0 862,5 1000,0
105

sendo:
P : pequeno;
M : mdio;
G : grande.
A ltima entrada, Mdia das Entropias de Corrente Aproximao Nvel 2, possui
seis conjuntos fuzzy, como mostra a Figura 31, sendo cada um de seus vrtices apresentados
na Tabela 6.
Figura 31 Conjuntos fuzzy da entrada Mdia das Entropias de Corrente - Aproximao
Nvel 2.

Tabela 6 Vrtices dos conjuntos fuzzy da entrada "Mdia das Entropias de Corrente -
Aproximao Nvel 2"
NG -1000000,0 -862500,0 -725000,0
NM -775000,0 -500000,0 -225000,0
NP -275000,0 -137500,0 0
PP 0 137500,0 275000,0
PM 225000,0 500000,0 775000,0
PG 725000,0 862500,0 1000000,0
Fonte: Elaborao do prprio autor
sendo:
106

NG : negativo grande;
NM : negativo mdio;
NP : negativo pequeno;
PP : positivo pequeno;
PM : positivo mdio;
PG : positivo grande.
A nica sada deste sistema fuzzy, Falta de Alta Impedncia Presente?, indicar se o
distrbio, presente no sistema de distribuio, ou no uma falta de alta impedncia. Os
conjuntos desta sada so apresentados na Figura 32, e os vrtices dos mesmos na Tabela 7.
Figura 32 Conjuntos fuzzy da sada "Falta de Alta Impedncia Presente?".

Tabela 7 Vrtices dos conjuntos fuzzy da sada "Falta de Alta Impedncia Presente?"
NO 0 25,0 50,0
SIM 50,0 75,0 100,0
sendo:
NO : falta de alta impedncia no presente no sistema;
SIM : falta de alta impedncia presente no sistema.
107

A presena de faltas de alta impedncia no alimentador foram realizadas por meio de 9
regras fuzzy, descritas na Tabela 8.
Tabela 8 Regras fuzzy utilizadas na avaliao de faltas de alta impedncia
1
d ET

2
d ET

2
a ET

Falta de Alta Impedncia Presente?
P P PP NO
P P NP NO
P M PP NO
P M NP NO
P P PM NO
P P PG NO
M P PP SIM
M M PP SIM
G M PP SIM
A interpretao da Tabela 8 segue o seguinte padro. Tomando a primeira e a ltima
linha como exemplos, tm-se:
- se
1
d ET P e
2
d ET P e
2
a ET PP, ento Falta de Alta Impedncia Presente? NO.
- se
1
d ET G e
2
d ET M e
2
a ET PP, ento Falta de Alta Impedncia Presente? SIM.
As demais linhas da Tabela 8 seguem a mesma interpretao.
O acerto deste mdulo foi de 100%, i.e., dos 589 distrbios detectados pelo mdulo de
deteco de distrbios, este foi capaz de determinar que 25 eram faltas de alta impedncia e os
outros 564 no eram faltas de alta impedncia.
9.3.4 Mdulo de Deciso do Tipo de Distrbio
Este mdulo ativado quando o distrbio detectado no alimentador no for classificado
como uma falta de alta impedncia. Nesta etapa, ser feita a deciso por quais outros tipos de
distrbios podem estar presentes no alimentador, i.e., distrbio de tenso ou curto-circuito.
Para isso, emprega-se uma rede neural Fuzzy ARTMAP, a qual prov maior desempenho
computacional do que as tcnicas tradicionais utilizadas na literatura, e.g., algoritmo
backpropagation. Esta rede foi treinada com um total de 1500 distrbios, i.e., somente
108

distrbios de tenso e curtos-circuitos, como apresentado no Quadro 6. A realizao do
diagnstico foi executada utilizando os 564 padres que no foram classificados como faltas
de alta impedncia. Alm disso, a eficincia da rede neural Fuzzy ARTMAP est diretamente
relacionada realizao de um treinamento adequado e correta especificao de seus
parmetros. Neste contexto, foram avaliadas diferentes topologias, sendo os valores dos
parmetros, o tempo de treinamento e o percentual de acerto de cada topologia apresentados
no Quadro 7.
Quadro 7 Resultados referentes variao dos parmetros da rede neural Fuzzy ARTMAP
utilizada na deciso do tipo de distrbio
Parmetros
Topologia
1 2 3 4 5 6
o

0,1 0,1 0,1 0,1 0,1 0,1
|

1,0 1,0 1,0 1,0 1,0 1,0
a

0,10 0,60 0,70 0,80 0,90 0,95
b

1,0 1,0 1,0 1,0 1,0 1,0
ab

0,95 0,95 0,95 0,95 0,95 0,95
c

0,001 0,001 0,001 0,001 0,001 0,001
Tempo de Treinamento (s) 7,81 7,80 7,81 7,82 7,87 24,80
Acerto (%) 88,83 88,83 96,99 99,82 100,00 84,75
A melhor especificao dos parmetros para o mdulo de deciso do tipo de distrbio
corresponde descrita na topologia 5, a qual obteve uma taxa de acerto de 100%.
9.4 Sistema de Diagnstico de distrbios de Tenso
Caso seja determinada, pelo mdulo de deciso do tipo de distrbio, que h a presena
de um distrbio de tenso no alimentador, ativa-se a etapa na qual ser realizado o diagnstico
desta. Para processo de diagnstico de distrbios de tenso, foram utilizados 500 distrbios
para o treinamento do sistema de classificao do tipo de distrbio de tenso, conforme
Quadro 6. A execuo do teste, e consequentemente validao da metodologia, contou com
todos os distrbios caracterizados como distrbios de tenso (124, de acordo com o Quadro
109

6), uma vez que mdulo de deciso do tipo de distrbios distinguiu os distrbios de tenso
dos curtos-circuitos.
9.4.1 Mdulo de Extrao das Caractersticas de Tenso
So extradas as caractersticas das oscilografias de tenso de cada uma das fases
atravs da aplicao da AMR com quatro nveis de decomposio, utilizando novamente a
wavelet me db4. Os coeficientes de detalhe e de aproximao referentes ao quarto nvel so
agregados atravs do conceito entropia.
9.4.2 Mdulo de Classificao de Distrbios de Tenso
A utilizao da entropia como tcnica de fuso de dados (data fusion) pode influenciar
no resultado final do diagnstico de distrbios de tenso, devido esta necessitar da
especificao de um nvel de energia. Por conseguinte, a eficincia da rede neural Fuzzy
ARTMAP est diretamente relacionada realizao de um treinamento adequado e correta
especificao de seus parmetros. Neste contexto, para trs diferentes nveis de energia, foram
avaliadas diferentes topologias de rede, as quais so apresentadas no Quadro 8, juntamente
com o tempo de treinamento e o percentual de acerto do sistema de diagnstico de distrbios
de tenso.
Quadro 8 Percentual de acerto e tempo de treinamento do sistema de diagnstico de
distrbios de tenso para diferentes topologias e distintos nveis de energia (continua)
Topologia
Parmetros
N.E.
T.T.
(s)
Acerto
(%) o
|
a

ab

c

1 0,1 1,0 0,80 1,0 0,95 0,00001
1,0 0,58 96,77
2,0 1,03 86,29
3,0 0,83 76,61
2 0,1 1,0 0,85 1,0 0,95 0,00001
1,0 0,59 95,97
2,0 1,04 84,68
3,0 0,84 76,61
3 0,1 1,0 0,90 1,0 0,95 0,00001
1,0 0,61 95,97
2,0 1,04 84,68
3,0 0,85 76,61

110

Quadro 8 - Percentual de acerto e tempo de treinamento do sistema de diagnstico de
distrbios de tenso para diferentes topologias e distintos nveis de energia (concluso)
Topologia
Parmetros
N.E.
T.T.
(s)
Acerto
(%) o |
a

ab

c

4 0,1 1,0 0,98 1,0 0,95 0,00001
1,0 0,68 95,16
2,0 1,16 84,68
3,0 0,90 75,81
5 0,1 1,0 0,80 1,0 0,95 0,001
1,0 1,29 91,94
2,0 1,97 75,81
3,0 2,32 75,00
6 0,1 1,0 0,85 1,0 0,95 0,001
1,0 1,27 91,13
2,0 1,99 75,00
3,0 2,30 75,00
7 0,1 1,0 0,90 1,0 0,95 0,001
1,0 1,29 91,13
2,0 1,97 75,00
3,0 2,31 75,00
8 0,1 1,0 0,98 1,0 0,95 0,001
1,0 1,31 88,71
2,0 2,19 79,84
3,0 2,63 76,61
sendo:
N.E.: nvel de energia;
T.T.: tempo de treinamento.
A melhor especificao dos parmetros da rede para o mdulo de diagnstico de
distrbios de tenso corresponde descrita na topologia 1, a qual obteve uma taxa de acerto
de 96,77%, para um nvel de energia de 1,0. Uma completa descrio da eficincia desta
topologia apresentada no Quadro 9, a qual fornece o nmero de padres de treinamento e
teste, e o ndice de acerto obtido para cada diagnstico.

111

Quadro 9 Descrio detalhada da eficincia do sistema de classificao de distrbios de
tenso para a melhor topologia
Diagnstico Padres de Treinamento Padres de Teste Acerto (%)
Swell 52 20 100,00
Sag 57 15 80,00
Outage 42 6 100,00
Harmnico 119 25 100,00
Swell com Harmnico 74 22 100,00
Sag com Harmnico 76 20 95,00
Transitrio Oscilatrio 80 16 100,00
Total 500 124 96,77
Analisando o Quadro 9, tem-se que os distrbios sag e sag com harmnico no
apresentaram 100% de acerto. Os distrbios de tenso so representadas pelas entropias dos
coeficientes de detalhe e de aproximao do quarto nvel, considerando cada uma das fases,
aps sofrerem normalizao e codificao. A Figura 33 apresenta o comportamento da
entropia, com um nvel de energia igual a 1,0, dos coeficientes de detalhe e aproximao para
cada distrbio de tenso.
Figura 33 Principais caractersticas de cada distrbio de tenso.

112

Devido semelhana dos valores dos ndices caractersticos dos distrbios sag, outage e
sag com harmnico, i.e., diferenciam apenas no valor da amplitude, a rede neural, na etapa de
teste, pode ento estar classificando um destes trs distrbios erroneamente, e.g., classificar
um distrbio sag como um sag com harmnico ou outage.
9.5 Sistema de Diagnstico de Curtos-Circuitos
O diagnstico de curtos-circuitos ativado se o mdulo de deciso do tipo de distrbio
determinar que exista a ocorrncia de um curto-circuito no sistema de distribuio de energia.
De acordo com o Quadro 6, no processo de diagnstico de curtos-circuitos, 1000 distrbios
foram empregados no treinamento do sistema de classificao do tipo de curto-circuito. Para a
anlise da eficincia da metodologia proposta, foram utilizados os 440 distrbios detectados e
classificados como curtos-circuitos no sistema de deteco e de deciso.
9.5.1 Mdulo de Extrao das Caractersticas de Corrente
A partir das oscilografias de corrente, so extrados trs ndices (
1
s ,
2
s e
3
s ). Os ndices
1
s ,
2
s e
3
s definem com exatido as fases envolvidas no curto-circuito. Neste sentido, a
Figura 34 mostra a distribuio espacial destes ndices para os possveis tipos de curto-
circuito.
Figura 34 Distribuio espacial dos ndices representativos das fases envolvidas.

113

9.5.2 Mdulo de Classificao de Curtos-Circuitos
Utilizando como entrada os ndices comportamentais de corrente, o mdulo de
classificao de curtos-circuitos determinar as fases envolvidas no curto-circuito e o nvel da
resistncia de falta, i.e., resistncia baixa ( 0 50
f
R s < ) ou alta ( 50 100
f
R s s ). Se a
rede neural fornecer em sua sada duas fases envolvidas, i.e., um curto-circuito bifsico, o
ndice s
4
calculado, com o propsito de determinar a presena ou no da terra.
A eficincia na classificao de curtos-circuitos est diretamente relacionada
realizao de um treinamento adequado e correta especificao dos parmetros da rede
neural Fuzzy ARTMAP empregada nesta estapa. Desta forma, foram analisadas diferentes
topologias. Os parmetros utilizados em cada topologia, o tempo de treinamento e o
percentual de acerto so apresentados no Quadro 10.
Quadro 10 Tempo de treinamento e percentual de acerto do sistema de diagnstico de
curtos-circuitos para diferentes topologias
Topologia
Parmetros
T.T (s) Acerto (%)
o |
a

b

ab
c
1 0,10 1,0 0,85 1,0 0,95 0,001 2,93 97,95
2 0,10 1,0 0,90 1,0 0,95 0,001 2,96 97,73
3 0,10 1,0 0,98 1,0 0,95 0,001 3,38 93,41
4 0,10 1,0 0,85 1,0 0,95 0,0001 2,23 98,18
5 0,10 1,0 0,90 1,0 0,95 0,0001 2,24 97,95
6 0,10 1,0 0,98 1,0 0,95 0,0001 2,76 93,64
7 0,50 1,0 0,85 1,0 0,95 0,001 2,77 99,32
8 0,50 1,0 0,90 1,0 0,95 0,001 2,83 98,86
9 0,50 1,0 0,98 1,0 0,95 0,001 3,20 94,77
10 0,50 1,0 0,85 1,0 0,95 0,0001 2,36 99,54
11 0,50 1,0 0,90 1,0 0,95 0,0001 2,33 99,09
12 0,50 1,0 0,98 1,0 0,95 0,0001 2,68 95,00
A melhor especificao dos parmetros da rede para o mdulo de diagnstico de curtos-
circuitos corresponde descrita na topologia 10, a qual obteve uma taxa de acerto de 99,54%.
A descrio completa da eficincia desta topologia apresentada no Quadro 11, a qual
114

fornece o nmero de padres de treinamento e teste, e o ndice de acerto obtido no diagnstico
de curtos-circuitos.
Quadro 11 Descrio detalhada da eficincia do sistema de classificao de curtos-circuitos
para a melhor topologia
Diagnstico Resistncia de Falta
Padres de
Treinamento
Padres
de Teste
Acerto (%)
a
Baixa 63 33 100,00
Alta 34 14 100,00
b
Baixa 70 26 100,00
Alta 29 19 100,00
c
Baixa 67 29 100,00
Alta 33 15 100,00
ab
Baixa 134 58 100,00
Alta 67 29 100,00
bc
Baixa 130 62 100,00
Alta 71 25 100,00
ca
Baixa 134 58 100,00
Alta 65 31 100,00
abc
Baixa 69 27 96,30
Alta 34 14 92,86
Total 1000 440 99,54
9.5.3 Mdulo de Avaliao da Presena da Terra
A distino de curtos-circuitos bifsicos sem conexo terra, i.e., ab, bc e ca, de curtos-
circuitos bifsicos com conexo terra, i.e., ab-g, bc-g e ca-g, realizada atravs da anlise
do parmetro Z . Este parmetro somente calculado quando o mdulo de classificao de
curtos-circuitos apresenta em sua sada duas fases ativas, obtendo melhora na eficincia e no
tempo total de diagnstico, i.e., o clculo do parmetro Z no necessrio para curtos-
circuitos monofsicos e trifsicos, reduzindo a dimenso do vetor de entrada da rede neural
em um componente. O valor limite especificado para avaliar a conexo com a terra foi
115

10
mx
Z = . Assim, obteve-se 100% de distino de curtos-circuitos bifsicos sem conexo
terra de curtos-circuitos bifsicos com conexo terra.
9.6 Comentrios
Nesta seo foram apresentados os principais resultados obtidos pela metodologia
proposta, a qual foi simulada em um PC Intel Core i7-2600, 3,4 GHz com 8-Gb de memria
RAM.
A aplicao da transformada wavelet mostrou ser uma ferramenta bastante eficiente
quando empregada na extrao das caractersticas, uma vez que foi possvel distinguir a
operao normal da operao com distrbio no processo de deteco.
Alm disso, os ndices utilizados como entradas das redes neurais, gerados a partir da
AMR, foram capazes de representar de modo eficiente o comportamento dos distrbios
analisados nesta pesquisa.
Por fim, os resultados obtidos pelos mdulos de classificao, os quais empregaram
lgica fuzzy ou redes neurais, forneceram resultados satisfatrios, prximos ou iguais a 100%
de acerto, comprovando a eficincia da metodologia proposta no diagnstico de distrbios em
alimentadores de distribuio de energia eltrica.
117

10 CONCLUSES
A automao de subestaes de distribuio de energia eltrica um processo complexo
em consequncia da constante evoluo e expanso do sistema de distribuio de energia
eltrica. Assim, para que este processo seja alcanado pode-se estar empregando ferramentas
baseadas na inteligncia artificial, de modo que as metodologias empregadas sejam capazes
de se adaptarem s mudanas, estruturais e filosficas, advindas da constante evoluo do
setor.
Esta pesquisa teve como objetivo a formulao do controle preventivo, capaz de realizar
o diagnstico de diversos distrbios em sistemas de distribuio de energia eltrica. Com as
ferramentas desenvolvidas nesta pesquisa, a tomada de deciso, por parte dos operadores,
torna-se um processo simples. Assim, fica somente como responsabilidade do operador
definir a medida preventiva a ser adotada para restabelecer a operao normal do sistema de
distribuio de energia eltrica.
Normalmente, na literatura especializada, so encontrados trabalhos que realizam o
diagnstico de somente um tipo de distrbio, i.e., ou de distrbios de tenso, ou de curtos-
circuitos, ou de faltas de alta impedncia, nunca de todos estes ao mesmo tempo. Neste
sentido, baseando-se no uso combinado de modernas tcnicas de processamento de sinais e
sistemas inteligentes, o sistema desenvolvido capaz de realizar o diagnstico de diferentes
distrbios. Esta ferramenta de suporte tomada de deciso visa acelerar o processo de
restaurao do sistema, fornecendo maior segurana e lucratividade para as concessionrias.
A metodologia foi desenvolvida baseando-se no compromisso entre as necessidades das
empresas de energia eltrica e suas condies tcnicas e econmicas.
Inicialmente, o sistema proposto realiza a deteco de distrbios atravs de micro e
macroanlises dos coeficientes de detalhe, extrados utilizando a AMR, das oscilografias de
tenso e de corrente. Este mdulo obteve 100% de acerto no diagnstico de anormalidade,
sendo ento capaz de distinguir a operao normal da operao anormal do sistema.
Detectado qualquer anormalidade no alimentador, identifica-se o instante de ocorrncia
da falha e avalia-se, atravs do uso do conceito entropia e de um sistema fuzzy, se esta
118

anormalidade uma falta de alta impedncia. Empregando um nmero de regras reduzido,
este mdulo foi capaz de diferenciar todas as faltas de alta impedncia dos demais distrbios,
alcanando assim 100% de acerto.
Caso o disbrbio detectado no se caracterize por ser uma falta de alta impedncia,
utilizando os conceito energia e uma rede neural Fuzzy ARTMAP, verifica-se se esta
anormalidade um distrbio de tenso ou um curto-circuito. Nesta etapa, obteve-se 100% de
acerto nos diagnsticos.
O diagnstico de distrbios de tenso ativado se o distrbio for classificado como um
distrbio de tenso. Assim, utilizando somente as oscilografias de tenso, extraem-se
caractersticas que posteriormente so agregadas via conceito entropia. Por conseguinte, uma
segunda rede neural Fuzzy ARTMAP classifica o tipo de distrbio de tenso. O ndice de
acerto obtido por este sistema, 96,77%, foi menor, quando comparado com o dos outros
mdulos, devido alguns distrbios apresentarem comportamento semelhante para as
caractersticas selecionadas. No entanto, a taxa de acerto satisfatria quando comparado
com alguns resultados encontrados na literatura.
Ademais, o sistema de diagnstico de curtos-circuitos extrai ndices das oscilografias de
corrente, utilizados como entrada de uma terceira rede neural Fuzzy ARTMAP. Esta rede
fornece como diagnstico as fases envolvidas no curto-circuito. Caso duas fases sejam
ativadas, determina-se a presena da terra. Este sistema apresentou uma taxa de acerto de
99,54%, sendo capaz de diferenciar curtos-circuitos bifsicos sem conexo com a terra de
curtos-circuitos bifsicos com conexo com a terra.
Todos os sistemas desenvolvidos, i.e., deteco e deciso, diagnstico de distrbios de
tenso e diagnstico de curtos-circuitos, tiveram como principal caracterstica a robustez, j
que mesmo com a variao do carregamento, localizao dos distrbios, fase na qual ocorria o
distrbio, entre outros fatores, o ndice de acerto destes foram elevados, comprovando assim a
eficincia da metodologia.
A escolha pelo uso de redes neurais da famlia ART, Fuzzy ARTMAP, devido esta
famlia de rede apresentar um reduzido tempo de treinamento. Deve-se ressaltar que cada
mdulo que emprega uma rede neural Fuzzy ARTMAP necessitou de apenas uma poca, i.e.,
um ciclo de treino sobre todo o conjunto de padres de entrada, para alcanar tais resultados.
Portanto, esta arquitetura de rede possui alto desempenho computacional quando comparado
119

com tcnicas existentes na literatura especializada, e.g., o algoritmo backpropagation requer
mais pocas para obter resultados similares.
Alm disso, por possuir caractersticas de estabilidade e plasticidade, esta rede
possibilita a incluso do treinamento continuado. O mdulo de treinamento continuado
representa uma vantagem em relao s tradicionais tcnicas presentes na literatura. Nestas
redes neurais, a incluso de um novo padro de treinamento requer a reinicializao do
processo, destruindo o conhecimento previamente adquirido. Este reforo, na rede Fuzzy
ARTMAP, pode ser realizado continuamente sem destruir o conhecimento previamente
adquirido. Redes neurais com esta concepo melhoram continuamente a qualidade dos
resultados e permitem a adaptao automtica do sistema de diagnstico.
Por fim, o uso combinado de tcnicas de processamento de sinais e sistemas inteligentes
possibilitou uma alta capacidade de generalizao, adaptabilidade, eficincia e rapidez de
resposta, caractersticas essenciais para o auxilio tomada de deciso.
10.1 Sugestes Para Trabalhos Futuros
A metodologia desenvolvida, mesmo apresentando excelentes resultados (ndices de
acerto superiores a 95%), pode ser melhorada e complementada. Assim, ficam como
sugestes os seguintes trabalhos:
- Aplicao da metodologia em alimentadores com cargas no-lineares e gerao distribuda
no alimentador
- Desenvolvimento de um sistema de localizao de distrbios, i.e., faltas de alta
impedncia, curtos-circuitos e distrbios de tenso;
- Desenvolvimento de um sistema antecipador de distrbios, sendo capaz de prever a
ocorrncia de anormalidades;
- Incluso do mdulo de treinamento continuado nos sistemas que utilizam a rede neural
Fuzzy ARTMAP como ferramenta de classificao e, consequentemente, a incluso de
novos tipos de distrbios.
121

REFERNCIAS
ABDEL-GALIL, T. K. et al. Power quality disturbance classification using inductive
inference approach. IEEE Transactions on Power Delivery, Piscataway, v. 19, n. 4, p.
18121818, 2004.

ALAG, S. et al. A methodology for intelligent sensor measurement, validation, fusion, and
fault detection for equipment monitoring and diagnosis. Artificial Intelligence for
Engineering Design, Analysis and Manufacturing, Cambridge, v.15, n. 4, p. 307320,
2001.

AMIS, G. P.; CARPENTER, G.A. Self-supervised ARTMAP. Neural Networks, Oxford, v.
23, n. 2, p. 265282, 2010.

ANDERSON, P. M. Analysis of faulted power systems. NewYork: Wiley-IEEE Press,
1995.

ALTERNATIVE TRANSIENTS PROGRAM ATP. RuleBook. Oslo: EMTP-ATP Users
Group/SINTEF Energy Research, 2007.

BAQUI, I. et al. High impedance fault detection methodology using wavelet transform and
artificial neural networks. Electric Power Systems Research, Lausanne, v. 81, n. 7, p. 1325
1333, 2011.

BARNETT, J. A. Computational methods for a mathematical theory of evidence. In:
YAGER, R. R.; LIU, L. (Eds.). Classic works of the Dempster-Shafer Theory of belief
functions. Berlin: Springer, 2008. p. 197216.

BENDER, E. A. Mathematical methods in artificial intelligence. Pistacaway: IEEE Press,
1996.

BUCHHOLZ, V. L. et al. High impedance fault detection device tester. IEEE Transactions
on Power Delivery, Pistacaway, v. 11, n. 1, p. 71-77, 1996.

CARPENTER, G. A.; GROSSBERG, S. A massively parallel architecture for a self-
organizing neural pattern recognition machine. Computer Vision, Graphics, and Image
Processing, Maryland, Heights, v. 37, n. 1, p. 54115, 1987a.

CARPENTER, G. A.; GROSSBERG, S. ART2: stable self-organization of pattern
recognition codes for analog input patterns. Applied Optics, Washington, DC, v. 26, n. 23, p.
49194930, 1987b.

CARPENTER, G. A.; GROSSBERG, S. A self-organizing neural network for supervised
learning, recognition and prediction. IEEE Communications Magazine, Piscataway, v. 30,
n. 9, p. 3849, 1992.

122

CARPENTER, G. A. et al. ARTMAP: supervised real-time learning and classification of non-
stationary data by a self-organizing neural network. Neural Network, Oxford, v. 4, o. 5, p.
565588, 1991a.

CARPENTER, G. A. et al. Fuzzy ART: fast stable learning and categorization of analog
patterns by an adaptive resonance system. Neural Network, Oxford, v. 4, n. 1, p. 759771,
1991b.

CARPENTER, G. A. et al. Fuzzy ARTMAP: a neural network architecture for incremental
supervised learning of analog multidimensional maps. IEEE Transactions on Neural
Networks, vol. 3, no. 5, pp. 698713, 1992.

CHEN, G.; PHAM, T. T. Introduction to fuzzy systems. Boca Raton: Chapman & Hall/CRC
Press, 2006.

CHEN, W.-H. et al. On-line fault diagnosis of distribution substations using hybrid cause-
effect network and fuzzy rule-based method. IEEE Transactions on Power Delivery,
Piscataway, v. 15, n. 2, p. 710717, 2000.

COX, E. The fuzzy systems handbook: a practioners guide to building, using, and
maintaining fuzzy systems. Boston: Academic Press, 1994.

DAS, B. Fuzzy logic-based fault-type identification in unbalanced radial power distribution
system. IEEE Transactions on Power Delivery, Piscataway, v. 21, n. 1, p. 278285, 2006.

DAUBECHIES, I. Ten lectures on wavelets. Philadelphia: Society for Industrial and Applied
Mathematics, 1992.

DECANINI, J. G. M. S. Deteco e classificao de faltas de curto-circuito em sistemas de
distribuio de energia eltrica usando lgica nebulosa. 110 f. Dissertao (Mestrado em
Engenharia Eltrica) Faculdade de Engenharia, Universidade Estadual Paulista, Ilha
Solteira, 2008.

DECANINI, J. G. M. S. Deteco, classificao e localizao de faltas de curto-circuito
em sistemas de distribuio de energia eltrica usando sistemas inteligentes. Projeto
(Doutorado em Engenharia Eltrica), Faculdade de Engenharia, Universidade Estadual
Paulista, Ilha Solteira, 2009. Processo FAPESP No. 2009/10029-0.

DECANINI, J. G. M. S. et al. Detection and classification of voltage disturbances using a
fuzzy-ARTMAP-wavelet network. Electric Power Systems Research, Lausanne, v. 81, n.
12, p. 20572065, 2011a.

DECANINI, J. G. M. S. et al. Deteco e classificao de faltas de curto-circuito em sistemas
de distribuio de energia eltrica usando sistemas inteligentes. In: CONGRESSO
BRASILEIRO DE INTELIGNCIA COMPUTACIONAL, 10., 2011, Fortaleza. Anais... Rio
de Janeiro: SBIC, 2011b. p. 14.

DJUKANOVIC, M. et al. A neural-net based short term load forecasting using moving
window procedure. Electrical Power and Energy Systems, Oxford, v. 17, n. 6, p. 391397,
1995.
123

DUB, L. How to use MODELS-based user-defined network components in ATP. In:
EUROPEAN EMTP USERS GROUP MEETING, 1996, Budapest. Proceedings Siegen:
EEUG, 1996. p. 1012, 1996.

EL-ZONKOLY, A. M. Fault diagnosis in distribution networks with distributed generation.
Electric Power System Research, Lausanne, v. 81, n. 7, p. 14821490, 2011.

EMANUEL, A. E.; GULACHENSKI, E. M. High impedance fault arcing on sandy soil in
15kV distribution feeders: contributions to the evaluation of the low frequency spectrum.
IEEE Transactions on Power Delivery, Piscataway, v. 5, n. 2, p. 676686, 1990.

ERISTI, H. et al. Wavelet-based feature extraction and selection for classification of power
system disturbances using support vector machines. Electric Power System Research,
Lausanne, v. 80, n. 7, p. 743752, 2010.

ETEMADI, A. H.; SANAYE-PASAND, M. High-impedance fault detection using multi-
resolution signal decomposition and adaptive neural fuzzy inference system. IET
Generation, Transmission and Distribution, Stevenage, v. 2, n. 1, p. 110118, 2008.

FAN, J.; BORLASE, S. The evolution of distribution. IEEE Power and Energy Magazine,
Piscataway, v. 7, n. 2, p. 6368, 2009.

GEORGIOPOULOS, M. et al. Order of search in fuzzy ART and fuzzy ARTMAP: effect of
the choice parameter. Neural Networks, Oxford, v. 9, n. 9, p. 15411559, 1996.

GOPAL, S. et al. Fuzzy neural network classification of global land cover from a 1-degree
AVHRR data set. Remote Sensing of Environment, New York, v. 67, n. 2, p. 230243,
1999.

GRANGER, E. et al. A VLSI architecture for fast clustering with fuzzy ART neural
networks. International Journal of Microelectronics System Integration, New York, v. 5,
n. 1, p. 318, 1997.

GROSSBERG, S. Adaptive pattern classification and universal recoding, I: parallel
development and coding of neural feature detectors. Biological Cybernetics, Heidelberg, v.
23, n. 3, p. 121134, 1976a.

GROSSBERG, S. Adaptive pattern classification and universal recoding, II: feedback,
expectation, olfaction, and illusions. Biological Cybernetics, Heidelberg, v. 23, n. 4, p. 187
202, 1976b.

HE, J. et al. ART-C: a neural architecture for self-organization under constraints. In:
INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, 2002, Honolulu.
Proceedings Piscataway: IEEE, 2002. p. 25502555.

INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS IEEE. Guide for
identifying and improving voltage quality in power systems - IEEE Std P1250.
Piscataway: IEEE, 2011. 68 p.

124

JANG, J.-S. R. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions
on Systems, Man, and Cybernetics, Piscataway, v. 23, n. 3, p. 665685, 1993.

KANDEL, A. Fuzzy control systems. Boca Raton: CRC Press, 1993.

KARTALOPOULOS, S. V. Understanding neural networks and fuzzy logic: basic
concepts and applications. Piscataway: IEEE Press, 1996.

KASABOV, N. K. Foundations of neural networks, fuzzy systems, and knowledge
engineering. Cambridge: MIT, 1998.

KEYVAN, S. et al. Nuclear fuel pellet inspection using artificial neural networks. Journal of
Nuclear Materials, Amsterdam, v. 264, n. 12, p. 141154, 1999.

KEZUNOVIC, M. Smart fault location for smart grids. IEEE Transactions on Smart Grid,
Piscataway, v. 2, n. 1, p. 1122, 2011.

KEZUNOVIC, M.; VASILIC, S. Fuzzy ART neural network algorithm for classifying the
power system faults. IEEE Transactions on Power Delivery, Piscataway, v. 20, n. 2, p.
13061314, 2005.

KEZUNOVIC, M.; ABUR, A. Merging the temporal and spatial aspects of data and
information for improved power system monitoring applications. Proceedings of the IEEE,
Piscataway, v. 93, n. 11, p. 19091119, 2005.

LABORATRIO DE PLANEJAMENTO DE SISTEMAS DE ENERGIA ELTRICA
LaPSEE. Practical 134 bus feeder data. Ilha Solteira, 2011. Disponvel em:
<http://www.dee.feis.unesp.br/lapsee/arquivos/down_sistemastestes/135_bus_feeder.pdf>.
Acesso em: 16 mar. 2012.

LIM, C. P.; HARRISON, R. F. Modified fuzzy ARTMAP approaches bayes optimal
classification rates: an empirical demonstration. Neural Networks, Oxford, v. 10, n. 4, p.
755774, 1997.

LOPES, M. L. M. Desenvolvimento de redes neurais para previso de cargas eltricas de
sistema de energia eltrica. 149 f. Tese (Doutorado em Engenharia Eltrica) Faculdade de
Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2005.

LOPES, M. L. M. et al. Electric load forecasting using a fuzzy ART&ARTMAP neural
network. Applied Soft Computing, Amsterdam, v. 5, n. 2, p. 235244, 2005.

MAHANTY, R. N.; DUTTA GUPTA, P. B. A fuzzy logic based fault classification approach
using current samples only. Electric Power Systems Research, Lausanne, v. 77, n. 67, p.
501507, 2007.

MALANGE, F. C. V. Rede neuro-fuzzy-wavelet para deteco e classificao de
anomalias de tenso em sistemas eltricos de potncia. 128 f. Tese (Doutorado em
Solteira, 2010.

125

MALLAT, S. A wavelet tour of signal processing: the sparse way. 3. ed. Burlington:
Academic Press, 2009.

MARCHIORI, S. C. et al. Neural network based on adaptive resonance theory with
continuous training for multiconfiguration transient stability analysis of electric power
systems. Applied Soft Computing, Amsterdam, v. 11, n. 1, p. 706715, 2011.

MASOUM, M. A. S. et al. Detection and classification of power quality disturbances using
discrete wavelet transform and wavelet networks. IET Science Measurement and
Technology, Atevenage, v. 4, n. 4, p. 193205, 2010.

McDONALD, J. D. Eletric power substations engineering. Boca Raton: CRC Press, 2003.

MEHER, S. K.; PRADHAN, A. K. Fuzzy classifiers for power quality events analysis.
Electric Power Systems Research, Lausanne, v. 80, n. 1, p. 7176, 2010.

MENDEL, J. M. Fuzzy logic systems for engineering: a tutorial. Proceedings of the IEEE,
Piscataway, v. 83, n. 3, p. 345-377, 1995.

MOHAMED, E. A.; RAO, N. D. Artificial neural network based fault diagnostic system for
electric power distribution feeders. Electric Power System Research, Lausanne, v. 35, n. 1,
p. 110, 1995.

NORTHCOTE-GREEN, J.; WILSON, R. Control and automation of electrical power
distribution systems. Boca Raton: CRC/Taylor & Francis, 2007.

OLESKOVICZ, M. et al. Power quality applying a hybrid methodology with wavelet
transform and neural networks. International Journal of Electrical Power & Energy
Systems, Oxford, v. 31, n. 5, p. 206212, 2009.

OPPENHEIM, A. V.; SCHAFER, R. W. Digital signal processing. Englewood Cliffs:
Prentice Hall, 1975.

PANIGRAHI, B. K.; PANDI, V. R. Optimal feature selection for classification of power
quality disturbances using wavelet packet-based fuzzy k-nearest neighbour algorithm. IET
Generation, Transmission and Distribution, Stevenage, v. 3, n. 3, p. 296306, 2009.

REAZ, M. B. I. et al. Expert system for power quality disturbance classifier. IEEE
Transaction on Power Delivery, Piscataway, v. 22, n. 3, p. 19791988, 2007.

ROEPER, R. Correntes de curto-circuito em redes trifsicas. So Paulo: Nobel, 1991.

SALIM, R. H. et al. Hybrid fault diagnosis scheme implementation for power distribution
systems automation. IEEE Transactions on Power Delivery, Piscataway, v. 23, n. 4, p.
18461856, 2008.

SAMANTARAY, S. R. et al. Adaptive Kalman filter and neural network based high
impedance fault detection in power distribution networks. International Journal of
Electrical Power & Energy Systems, Oxford, v. 31, n. 4, p. 167172, 2009.

126

SAMANTARAY, S. R. et al. High impedance fault detection in power distribution networks
using time-frequency transform and probabilistic neural network. IET Generation,
Transmission and Distribution, Stevenage, v. 2, n. 2, p. 261270, 2008.

SANTOSO, S. et al. Power quality waveform recognition using wavelet-based neural
classifier - part 1: theoretical foundation. IEEE Transactions on Power Delivery,
Piscataway, v. 15, n. 1, p. 222228, 2000.

SARLAK, M.; SHAHRTASH, S. M. High impedance fault detection using combination of
multi-layer perceptron neural networks based on multi-resolution morphological gradient
features of current waveform. IET Generation, Transmission and Distribution, Stevenage,
v. 5, n. 5, p. 588595, 2011.

SIMPSON, P. K. Artificial neural systems: foundations, paradigms, applications, and
implementations. New York: Pergamon Press, 1989.

TONELLI-NETO, M. S. Formulao do controle preventivo em sistemas de distribuio
de energia eltrica baseada na lgica fuzzy e redes neurais. Projeto (Mestrado em
Solteira, 2009. Processo FAPESP No. 2009/12284-8.

TONELLI-NETO, M. S. Desenvolvimento de um sistema inteligente para o controle
preventivo (proatividade) de sistemas de distribuio de energia eltrica. Projeto
(Doutorado em Engenharia Eltrica) Faculdade de Engenharia, Universidade Estadual
Paulista, Ilha Solteira, 2011. Processo FAPESP No. 2011/20903-0.

TONELLI-NETO, M. S. et al. Deteco de faltas de alta impedncia em alimentadores de
distribuio de energia eltrica usando transformada wavelet e uma rede neural ARTMAP
fuzzy. In: CONFERNCIA BRASILEIRA DE DINMICA, CONTROLE E APLICAES,
10., 2011, guas de Lindia. Resumos... Ilha Solteira: Unesp/Feis, 2011a. p. 1-4.

TONELLI-NETO, M. S. et al. Deteco e classificao de faltas de curto-circuito em sistemas
de distribuio de energia eltrica usando uma rede neural ARTMAP fuzzy. In: SIMPSIO
BRASILEIRO DE AUTOMAO INTELIGENTE, 10., 2011, So Joo Del Rei. Anais...
So Joo Del Rei: [s.n.], 2011b. p. 1-6.

UYAR, M. et al. An effective wavelet-based feature extraction method classification of power
quality disturbance signals. Electric Power System Research, Lausanne, v. 78, n. 10, p.
17471755, 2008.

VERZI, S. I. et al. Universal approximations with fuzzy ART and fuzzy ARTMAP. In:
INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, 2003, Portland.
Proceedings Piscataway: IEEE, 2003. v. 3, p. 19871992.

WEENINK, D. Category ART: a variation on adaptive resonance theory neural networks.
Proceedings of the Institute of Phonetic Sciences, Amsterdam, v. 21, p. 117129, 1997.

ZADEH, L. A. Fuzzy sets. Information and Control, Maryland Heights, v. 8, n. 3, p. 338
353, 1965.

127

ZHANG, G. et al. Entropy feature extraction approach for radar emitter signals. In:
INTERNATIONAL CONFERENCE ON INTELLIGENT MECHATRONICS AND
AUTOMATION, 2004, Chengdu. Proceedings Piscataway: IEEE, 2004. p. 621625.
129

ANEXO A - DADOS DO SISTEMA TESTE
O alimentador modelado no software ATP para simulaes dos distrbios apresentado
na Figura 35. Este um alimentador de distribuio real, com as seguintes caractersticas:
areo, trifsico, ramificado, composto por 134 barras, 13,8 kV, 7,065 MVA, mutuamente
acoplado e com fator de potncia das cargas igual a 0,92 (LaPSEE, 2011).
Figura 35 Alimentador de distribuio utilizados para simulao dos distrbios.

Fonte: Adaptado de LaPSEE (2011).
A Tabela 9 fornece a barra inicial e final de cada trecho, o comprimento destes trechos,
a bitola do condutor e a carga conectada barra final de cada trecho do alimentador.
Tabela 9 Dados do alimentador de distribuio de energia eltrica (continua)
Barra Linha Carga Conectada Barra Final
Inicial Final Comprimento (m) Bitola Potncia Aparente (kVA)
1 2 900 #4/0 0,00
2 3 50 #2 45,00
2 4 100 #4/0 0,00

130

Tabela 9 Dados do alimentador de distribuio de energia eltrica (continuao)
4 5 40 #4/0 75,00
5 6 200 #4/0 75,00
6 7 200 #4/0 112,50
7 8 200 #4/0 75,00
8 9 10 #4/0 75,00
9 10 50 #4/0 0,00
10 11 100 #4 0,00
11 12 60 #4 8,60
12 13 30 #4 75,00
13 14 160 #4 75,00
11 15 30 #4 112,50
15 16 10 #4 45,00
16 17 20 #4 112,50
17 18 40 #4 0,00
18 19 40 #2 75,00
19 20 50 #2 112,50
18 21 150 #2 112,50
10 22 30 #4/0 112,50
22 23 70 #4/0 0,00
23 24 50 #4 3,00
24 25 20 #4 45,00
25 26 30 #4 0,00
26 27 60 #2 112,50
27 28 40 #2 0,00
28 29 20 #2 75,00
29 30 120 #2 112,50
28 31 20 #2 112,50
26 32 20 #4 112,50
32 33 5 #4 112,50
33 34 25 #4 112,50

131

23 35 10 #4/0 0,00
35 36 70 #4/0 12,40
36 37 10 #4/0 112,50
37 38 10 #4/0 0,00
38 39 70 #4/0 3,00
38 40 100 #4/0 0,00
40 41 60 #4 75,00
40 42 50 #4 75,00
42 43 10 #4 75,00
40 44 30 #4/0 112,50
44 45 40 #4/0 45
38 46 60 #4/0 1,00
46 47 20 #4/0 112,50
47 48 120 #4/0 0,00
48 49 50 #4/0 112,50
49 50 20 #4/0 75,00
50 51 170 #4/0 112,50
48 52 100 #4/0 0,00
52 53 60 #4 1,20
53 54 30 #4 112,50
54 55 130 #4 75,00
52 56 20 #4 75,00
56 57 80 #4 0,00
57 58 50 #2 10,00
57 59 60 #2 112,50
59 60 20 #2 3,80
48 61 40 #4/0 3,00
61 62 10 #4/0 5,50
62 63 50 #4/0 0,00
63 64 30 #1/0 75,00

132

64 65 20 #1/0 75,00
65 66 30 #1/0 3,50
66 67 20 #1/0 0,00
67 68 30 #4 112,50
67 69 20 #4 7,00
69 70 20 #4 112,50
67 71 50 #1/0 75,00
71 72 40 #1/0 8,50
72 73 40 #1/0 1,90
73 74 20 #1/0 112,50
74 75 110 #1/0 112,50
63 76 20 #4/0 112,50
76 77 30 #4/0 5,90
77 78 50 #4/0 0,00
78 79 70 #4/0 75,00
79 80 70 #4/0 112,50
80 81 30 #4/0 112,50
81 82 30 #4/0 0,00
82 83 50 #4 75,00
82 84 50 #4/0 75,00
84 85 30 #4/0 112,50
85 128 20 #4/0 0,00
128 86 30 #4/0 15,50
86 87 20 #4/0 75,00
78 88 130 #2 75,00
78 89 50 #4/0 75,00
89 90 50 #4/0 0,00
90 91 180 #4/0 45,00
91 92 20 #4/0 0,00
92 93 30 #2 112,50

133

92 94 70 #2 23,50
92 95 100 #4/0 0,00
95 96 40 #2 75,00
95 97 50 #2 6,00
97 98 60 #2 0,00
98 99 110 #4 23,50
98 100 40 #2 75,00
100 101 110 #2 112,50
95 102 60 #4/0 112,50
102 103 40 #4/0 0,00
103 104 30 #1/0 75,00
103 105 150 #1/0 75,00
105 106 210 #1/0 108,50
106 107 30 #1/0 0,00
107 108 100 #1/0 0,00
108 109 100 #4 108,50
109 110 30 #4 112,50
110 111 20 #4 112,50
107 112 170 #4/0 75,00
112 113 110 #4/0 0,00
113 114 110 #4 0,00
113 115 200 #4 30,00
115 116 200 #4 30,00
116 117 200 #4 30,00
117 118 200 #4 30,00
90 119 110 #2 0,00
119 120 70 #4 0,00
120 121 70 #4/0 30,00
119 122 70 #2 55,00
122 123 130 #4 0,00

134

Tabela 9 Dados do alimentador de distribuio de energia eltrica (concluso)
123 124 20 #4 15,50
123 125 20 #4 15,50
125 126 40 #4 45,00
126 127 40 #4 112,50
128 129 60 #2 45,00
104 130 70 #1/0 0,00
130 131 20 #4/0 112,50
130 132 100 #1/0 0,00
132 133 40 #1/0 112,50
133 134 40 #1/0 112,50

A seguir so apresentadas as matrizes de impedncias de cada um dos trechos.
Trecho inicial (da Barra 0 para a Barra 1): a matriz de impedncia deste trecho corresponde
s impedncias equivalentes de gerao, transmisso e do transformador da subestao:
0 1
0 2900 1 9200 0 1960 0 5300 0 1960 0 5300
0 1960 0 5300 0 2900 1 9200 0 1960 0 5300
0 1960 0 5300 0 1960 0 5300 0 2900 1 9200
-
, j , , j , , j ,
, j , , j , , j ,
, j , , j , , j ,
+ + + (
(
= + + +
(
( + + +

Z
(99)
Trecho com condutor de bitola #2:
2
1 0840 0 9980 0 0600 0 4780 0 0600 0 4500
0 0600 0 4780 1 0840 0 9980 0 0600 0 5360
0 0600 0 4500 0 0600 0 5360 1 0840 0 9980
#
, j , , j , , j ,
, j , , j , , j ,
, j , , j , , j ,
+ + + (
(
= + + +
(
( + + +

Z
(100)
Trecho com condutor de bitola #4:
4
1 6440 1 0060 0 0600 0 4780 0 0600 0 4500
0 0600 0 4780 1 6440 1 0060 0 0600 0 5360
0 0600 0 4500 0 0600 0 5360 1 6440 1 0060
#
, j , , j , , j ,
, j , , j , , j ,
, j , , j , , j ,
+ + + (
(
= + + +
(
( + + +

Z
(101)
Trecho com condutor de bitola #1/0:
135

1 0
0 7567 1 0067 0 0600 0 4780 0 0600 0 4500
0 0600 0 4780 0 7567 1 0067 0 0600 0 5360
0 0600 0 4500 0 0600 0 5360 0 7567 1 0067
# /
, j , , j , , j ,
, j , , j , , j ,
, j , , j , , j ,
+ + + (
(
= + + +
(
( + + +

Z
(102)
Trecho com condutor de bitola #4/0:
4 0
0 4272 0 9609 0 0600 0 4780 0 0600 0 4500
0 0600 0 4780 0 4272 0 9609 0 0600 0 5360
0 0600 0 4500 0 0600 0 5360 0 4272 0 9609
# /
, j , , j , , j ,
, j , , j , , j ,
, j , , j , , j ,
+ + + (
(
= + + +
(
( + + +

Z
(103)

137

APNDICE A - PUBLICAES
Neste apndice apresentam-se os artigos publicados, os quais so resultantes da
pesquisa desenvolvida at o momento. Os artigos ilustram o desenvolvimento da metodologia
proposta na Seo 8, sendo aplicada no diagnstico de distrbios em sistemas de distribuio
de energia eltrica.
A.1 Peridicos Internacionais
DECANINI, J. G. M. S. et al. Detection and classification of voltage disturbances using a
fuzzy-ARTMAP-wavelet network. Electric Power Systems Research, Lausanne, v. 81, n.
12, p. 20572065, 2011a.
A.2 Congressos
DECANINI, J. G. M. S. et al. Deteco e classificao de faltas de curto-circuito em sistemas
de distribuio de energia eltrica usando sistemas inteligentes. In: CONGRESSO
BRASILEIRO DE INTELIGNCIA COMPUTACIONAL, 10., 2011, Fortaleza. Anais... Rio
de Janeiro: SBIC, 2011. p. 1-4.

TONELLI-NETO, M. S. et al. Deteco de faltas de alta impedncia em alimentadores de
distribuio de energia eltrica usando transformada wavelet e uma rede neural ARTMAP
fuzzy. In: CONFERNCIA BRASILEIRA DE DINMICA, CONTROLE E APLICAES,
10., 2011, guas de Lindia. Resumos... Ilha Solteira: Unesp/Feis, 2011. p. 1-4.

TONELLI-NETO, M. S. et al. Deteco e classificao de faltas de curto-circuito em sistemas
de distribuio de energia eltrica usando uma rede neural ARTMAP fuzzy. In: SIMPSIO
BRASILEIRO DE AUTOMAO INTELIGENTE, 10., 2011, So Joo Del Rei. Anais...
So Joo Del Rei: [s.n.], 2011. p.1-6.

MauroSouzaTonelliNeto Final

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

MauroSouzaTonelliNeto Final

Transféré par

Droits d'auteur :

Formats disponibles

Campus de Ilha Solteira

PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

: valor inicial do parmetro de vigilncia da rede Fuzzy ART

Vous aimerez peut-être aussi