O EMPREGO DE REDES NEURAIS ARTIFICIAIS NA DETECCAO, CLASSIFICA AO E LOCALIZA AO DE FALTAS EM LINHAS DE C C TRANSMISSAO

M. Oleskovicz
olesk@sel.eesc.sc.usp.br

D. V. Coury
coury@sel.eesc.sc.usp.br

R. K. Aggarwal

R.K.Aggarwal@bath.ac.uk Departamento de Engenharia Eltrica, Universidade de So Paulo, Av. Dr. Carlos de Botelho, 1465 e a So Carlos SP, Brasil. a

School of Electronic and Electrical Engineering, University of Bath, Bath BA2 7AY, UK.

ABSTRACT
This study has as objective the application of Articial Neural Networks (ANNs) theory as pattern classiers. The implemented neural networks acquire knowledge for the detection, classication and localization of the fault facing dierent network conditions. The neural networks were implemented using NeuralWorks software. In this approach the three-phase voltage and current pre and post-fault values were utilized as inputs, for training and test purposes. The Alternative Transients Program (ATP) software was used to generate data for the transmission line (440 kV) in a faulted condition, both for the purposes of training and tests. The results obtained showed that the global performance of the ANN architectures is highly satisfactory for fault detection, classication and localization purposes. Considering all the studied cases, the ANN outputs converged to the correct levels very rapidly after fault occurrence.
KEYWORDS: Electric power systems, fault detection,

RESUMO
Este estudo traz como objetivo a implementao de um ca sistema de proteo aplicando-se a teoria de Redes Neuca rais Articiais (RNAs) como um classicador de padres. As redes neurais adquirem o conhecimento para a o deteco, classicao e localizao da falta frente `s dica ca ca a ferentes situaes apresentadas sobre o sistema e foram co implementadas atravs da aplicao do software Neue ca ralWorks. As arquiteturas de RNAs empregam os valores amostrados das tenses e correntes trifsicas de o a pr e de ps-falta tanto para o processo de treinamento e o como para o de testes. O software ATP (ATERNATIVE Transients Program, 1987) utilizado para gerar e os dados referentes ` linha de transmisso (440 kV) em a a condies de falta para ambos os processos (treinamento co e teste). Os resultados obtidos mostram que o desempenho global das arquiteturas de RNAs implementadas so altamente satisfatrios para a deteco, classicaa o ca ca o e localizao de situaes faltosas em um sistema ca co de transmisso. De todos os casos considerados na fase a de teste, as sa das apresentadas pelas arquiteturas mostram uma convergncia rpida para os n e a veis requeridos aps a ocorrncia da falta. o e
PALAVRAS-CHAVE: Sistemas eltricos de potncia, dee e teco, classicao e localizao de faltas, redes neurais ca ca ca

classication and localization, articial neural networks (ANNs).

Artigo submetido em 20/12/00 1a. Reviso em 22/11/01; 2a. Reviso em 30/08/02 a a Aceito sob recomendao do Ed. Assoc. Prof. Jos L. R. Pereira ca e 138

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

articiais (RNAs).

INTRODUCAO

A funo de um sistema de proteo promover a remoca ca e ca o imediata de qualquer seo com falta em sua zona de ca proteo pela atuao apropriada dos seus disjuntores, ca ca minimizando a interrupo do servio de fornecimento ca c de energia e limitando os danos aos equipamentos. Dentre os componentes de um sistema eltrico de potne e cia, a linha de transmisso o elemento mais suscept a e vel a faltas, especialmente se considerarmos as suas dimenses f o sicas. A prtica demonstra que entre 70% e 80% a das faltas nas linhas de transmisso ocorrem entre um s a o condutor e a terra. Um menor n mero de faltas refereu se as que envolvem todas as trs fases, em torno de 5% e (Stevenson, 1986). Para a proteo de linhas de transmisso, diferentes ca a tipos de rels convencionais so utilizados. Os mais e a freq entemente empregados referem-se aos rels eletrou e mecnicos, de estado slido e mais recentemente os dia o gitais. Estes respondem baseados na impedncia oba servada entre a localizao do rel e a falta, determica e nando se a falta interna ou externa a uma determinada e zona de proteo. No caso das linhas de transmisso, ca a utilizam-se convencionalmente os valores das tenses e o correntes trifsicas registrados para detectar, classicar a e localizar determinada falta e ento enviar um sinal a para os circuitos de interrupo que iro desconectar a ca a linha faltosa. Em um sistema interconectado, o sistema de transmisso restante poder ento operar normala a a mente ou pelo menos trabalhar o mais prximo poss o vel das condies normais. co Frente as consideraes apresentadas, para a implemen` co tao de um modelo completo de proteo de distncia ca ca a para linhas de transmisso necessria, como primeiro a e a passo, a deteco do defeito, ou seja, da situao de ca ca falta. Seguindo a esta, a conrmao e discriminao ca ca das fases envolvidas na falta (classicao) e nalca mente a localizao da mesma no que diz respeito ` ca a vericao das zonas de proteo deve ser efetuada. Asca ca sim, aps esta seqncia de operaes, haver ou no a o ue co a a atuao dos disjuntores, quando conveniente. ca Com os recentes avanos relacionados `s tcnicas de Inc a e teligncia Articial, especicamente a teoria de RNAs, e encontram-se na literatura diferentes modelos desta natureza designados a soluo de problemas espec ` ca cos. A teoria de RNAs prov uma alternativa, usando tcnie e cas inteligentes, aos algoritmos tradicionais empregando mtodos determin e sticos. Dillon & Niebur (1996) apre-

sentam uma avaliao geral da aplicao de RNAs em ca ca sistemas de potncia. Relativo a aplicao em proteo e ` ca ca de sistemas, alguns estudos, empregando-se o reconhecimento de padres ` proteo de distncia, so encono a ca a a trados em Khaparde et alii (1991), Chakravarthy et alii (1992), Dalstein et alii (1996), Coury & Jorge (1998) e Coury & Oleskovicz (1998). Referentes ` deteco a ca de uma situao de falta encontramos as pesquisas deca senvolvidas por Kandil et alii (1992), Al-Hasawi et alii (1997) e Su et alii (1997), bem como para a discriminaca o direcional, os resultados apresentados por Sidhu et alii (1995). Para a localizao de faltas podemos refeca renciar Kanoh et alii (1991) e Yang et alii (1994) e para a classicao de faltas para linhas de transmisso deca a vem nalmente ser citados os trabalhos defendidos por Ghosh & Lubkeman (1995), Dalstein & Kuliche (1995), Kezunovic & Rikalo (1996), Aggarwal et alii (1999) e Keerthipala et alii (1997). Atravs da aplicao de RNAs, apresenta-se, no que see ca gue, um mtodo alternativo para a proteo de linhas de e ca transmisso, baseado em modelos que realizem as suas a funes em um tempo menor, quando comparados aos co dispositivos convencionais e que sejam imunes a mudanc as operacionais do sistema. O incentivo para a aplicaca o de tal ferramenta vem da possibilidade de classicarmos a atuao de um sistema de proteo, como um ca ca problema de reconhecimento de padres. Trabalhando o com a identicao e classicao da informao em caca ca ca tegorias, acredita-se que seja poss vel detectar, classicar e localizar uma situao de falta utilizando-se ca da capacidade de generalizao, abstrao e tolerncia ca ca a a falhas, caracter sticas estas inerentes a um sistema de redes neurais. O software NeuralWorks (NeuralWorks Professional II/PLUS, 1998) empregado neste estudo para implee mentar as topologias de RNAs, treinando-as com o objetivo de se obter as matrizes de pesos xas, as quais contm todas as informaes sobre as operaes presene co co tes no sistema de transmisso. Estas matrizes so mana a tidas constantes aps a concluso do treinamento, ou o a seja, durante a execuo da etapa de testes. O software ca prov um ambiente ex para a pesquisa, bem como e vel para a aplicao das tcnicas que envolvem a teoria de ca e RNAs. Com relao ao sistema eltrico em condio faltosa, ca e ca dispe-se de simulaes utilizando o software ATP para o co obteno do conjunto de dados. ca Destaca-se de que o objetivo de treinar os mdulos de o redes neurais o de se obter as matrizes de pesos e xas (treinamento das RNAs, rotina o-line). Mantendo

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

139

estas matrizes constantes, pode-se consider-las atravs a e de um algoritmo computacional e obter as respostas desejadas sobre todas as provveis condies de operao a co ca do sistema de transmisso. a Como ser evidenciado nos prximos itens, a o considerando-se a freqncia de amostragem empregada ue (1 kHz), estima-se um tempo mdio computacional de e todo o processo (deteco, classicao e localizaca ca ca o) de 13 ms. Esta rapidez nas respostas esperadas sobre o sistema de proteo vem aliada a um consideca rvel a ndice de acertos por parte das arquiteturas de RNAs implementadas. No que segue, sero apresentadas algumas consideraa co es adotadas para o treinamento e teste das arquiteturas destinadas ao mdulos de deteco, classicao o ca ca e de localizao. Alm destes apontamentos, a lgica ca e o seq encial de um algoritmo computacional ser apreu a sentada. Este algoritmo computacional, implementado em linguagem de programao C, tem como objetivo ca de aplicao a conexo de todos os mdulos de redes ca a o neurais implementados e tambm ser convenientemente e a abordado.

para tal, usa o mtodo do gradiente descendente. Os ere ros determinados para as unidades da camada de sa e da camadas intermedirias so ento usados para reajustar a a a os valores dos pesos e bias de cada unidade, respeitando a topologia da rede em anlise. a Para a aplicao de RNAs ao problema de reconhecica mento de padres, relacionado ` deteco, classicao o a ca ca e localizao de faltas em linhas de transmisso, indisca a e pensvel a elaborao de um conjunto de padres que a ca o represente as situaes de falta do sistema eltrico analico e sado, neste caso designado por conjunto de dados. Este conjunto de padres pode ser utilizado para o treinao mento supervisionado de RNAs. Salienta-se que a formao deste conjunto deve, da melhor maneira poss ca vel, apresentar a rede neural as poss ` veis situaes que co a mesma possa encontrar, ou seja, situaes represenco tativas que denam claramente os tipos de falta que o sistema em questo est sujeito. a a Outro aspecto importante para a anlise das principais a caracter sticas inerentes a RNAs a elaborao de um e ca segundo conjunto de padres, caracterizando um cono junto de testes a ser aplicado sobre a arquitetura de RNA aps a fase de treinamento. Sendo estas situaes o co de faltas pertencentes ao conjunto de testes diferentes das situaes utilizadas na fase de treinamento, ser posco a s vericar a capacidade de generalizao e adaptao vel ca ca da RNA `s operaes do sistema eltrico. a co e Uma vez completo o treinamento, a rede neural dever a ser capaz de fornecer as sa das desejadas no somente a para entradas conhecidas, mas tambm a resposta mais e plaus para qualquer entrada relacionada aos padres vel o treinados. Como destacado, o software NeuralWorks foi empregado com o objetivo de se obter as matrizes de pesos xas que caracterizem as condies de operaes sobre o sistema co co de transmisso. Utilizou-se do algoritmo supervisionado a Norm-Cum-Delta Learning Rule, uma variao do alca goritmo De retropropagao, o qual imune `s alteraca e a co es do tamanho da poca (n mero de padres aleatrios e u o o pertencentes ao conjunto de treinamento apresentados a ` arquitetura a cada iterao). ca Como uma alternativa para a funo de transferncia ca e sigmoidal, a funo de transferncia tangente hiperca e blica foi utilizada. Durante a fase de treinamento, o utilizaram-se valores de taxas de aprendizagem distintas para as unidades da camada intermediria e de sa a da compreendidas entre 0,4 a 0,01, com valores de momento situados entre 0,2 e 0,001. Todo o trabalho foi executado sobre um Pentium II 333 MHz.

O USO DE RNAS

Dentre as poss veis aplicaes de RNAs, destacamos o co seu emprego como reconhecimento de padres que, em o termos gerais, a cincia que compreende a identicao e e ca e classicao da informao em categorias. ca ca Uma RNA compreende um conjunto de elementos de processamento conectados e organizados em camadas. Um dos modelos de RNAs (feedforward ) disposto em e camadas, onde as unidades so ordenadas e classicadas a pela sua topologia e a propagao natural da informao ca ca da camada de entrada para a de sa e da, sem realimentao para as unidades anteriores. ca A mudana de valores das conexes entre os elemenc o tos de processamento, pesos e bias, envolve o processo de aprendizagem onde se utiliza de algoritmos de treinamentos que podem ser supervisionados, noa supervisionados ou uma combinao destes. O algoca ritmo supervisionado apresenta como principal caracter stica o prvio conhecimento da informao sobre as e ca classes a que pertence cada um dos padres na fase de o treinamento. Um dos algoritmos de treinamento supervisionado mais utilizado conhecido como backpropae gation, ou de retropropagao, e pode ser aplicado a ca redes neurais feedforward com no m nimo uma camada intermediria. O algoritmo busca minimizar o erro ena tre uma sa obtida pela rede e uma sa desejada e, da da

140

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

UMA VISAO GERAL DO ESQUEMA

Devido `s in meras situaes aleatrias de faltas no sisa u co o tema eltrico, o desempenho das redes neurais implee mentadas depende muito da escolha de um conjunto representativo de treinamento e teste. Por meio de simulaco es busca-se uma aproximao as situaes e caracter ca ` co sticas encontradas na prtica. Com o uso de ferramentas a destinadas as simulaes, viabiliza-se ento, a obteno ` co a ca de dados prximos aos reais, j que estes, por condies o a co tcnicas ou nanceiras, no so dispon e a a veis de imediato. A topologia do sistema eltrico analisado em todo o trae balho a representada na Figura 1. Nas simulaes, e co consideram-se tambm as caracter e sticas dos condutores e suas respectivas disposies geomtricas nas torres co e de transmisso. A estrutura da linha de transmisso de a a 440 kV corresponde a uma linha t pica da CESP (Companhia Energtica de So Paulo), empregada entre as e a cidades de Araraquara Bauru e Jupi Ilha Solteira. a

A obteno e aplicao dos dados segue conforme apreca ca sentado na Figura 2. Nesta seqncia de operaes, a ue co incluso do ltro anti-aliasing no sistema ilustrado, tem a como objetivo reduzir os componentes harmnicos de o alta freqncia do sinal amostrado com freqncias suue ue periores a 300 Hz, evitando-se a sobreposio de especca tros (efeito aliasing), conforme apresentado por Phadke & Thorp (1988). Conforme ilustra a Figura 2, faz parte do processamento dos dados uma converso dos valores a de tenses e correntes analgicos para os seus respeco o tivos valores digitais. Neste estudo, empregou-se uma aproximao ao Conversor Analgico/Digital de 12 Bits, ca o incluindo aos valores analisados de tenses e correntes o os erros ou ru dos provenientes do processo. O processo de treinamento e testes das redes, bem como o algoritmo computacional nal de proteo baseado em RNAs so ca a tambm ilustrados na referida gura. e Como apresentado anteriormente, o desenvolvimento do trabalho est dividido em mdulos, que dizem respeito a o a ` implementao das arquiteturas de redes neurais para ca a deteco, classicao e localizao da falta com ca ca ca a conseq ente atuao do sistema de proteo, se necesu ca ca sria. a Na Figura 3, apresenta-se um modelo alternativo para a proteo no que diz respeito ` aplicao de RNAs, ca a ca o qual o objetivo do trabalho. Para a Rede Neural e Articial 1 (RNA1), referente a deteco da falta, os ` ca valores trifsicos das tenses e correntes amostrados a a o uma freqncia de 1 kHz, considerando-se amostras de ue pr e ps-falta foram utilizados para treinar e testar a e o arquitetura. Observa-se pelos resultados encontrados que, para a grande maioria das situaes, com no mximo at trs co a e e amostras ps-falta (3 ms), a rede capaz de distinguir o e entre uma situao de falta ` frente ou reversa a um ca a determinado ponto do sistema, ou ainda, se for o caso, acusar uma condio normal de operao. Com a conca ca rmao de uma situao de falta em sentido reverso ou ca ca a ` frente do ponto escolhido, o mdulo de classicao o ca (RNA2) atua distinguindo as fases envolvidas entre os dez (10) tipos de faltas (dispondo-se de 4 a 9 ms aps a o ocorrncia do surto). Resta agora determinar as zonas e de atuao dos rels de distncias (a partir de 9 ms aps ca e a o a ocorrncia da falta), para a conseq ente operao do e u ca sistema de proteo, as quais so indicadas pelas redes ca a RNA3, RNA4 e RNA5.

~
1.050o 10 GVA

LT1 rel

LT2

LT3

~
0.95-10o 9,0 GVA

80 Km

150 Km

100 Km

LT = 440 kV

Figura 1: Sistema de energia analisado Todas as simulaes foram realizadas sobre o sistema de co transmisso tendo como variveis: a a a distncia em quilmetros de aplicao da falta, a o ca em relao ao barramento E; ca a resistncia de falta entre fases e fase a terra; e o ngulo de incidncia da falta; a e o tipo de falta considerada e a condio de operao do sistema eltrico. ca ca e Deve ser mencionado que, embora a tcnica descrita e e baseada em simulaes computacionais, consideraes co co prticas como o transformador de potencial capacitivo, a amostragem do sinal (freqncia de 1 kHz), ltro antiue aliasing (freqncia de corte de 300 Hz) e erros de quanue tizao da converso analgica/digital, tambm foram ca a o e inclu dos. A tcnica tambm considera o arranjo f e e sico e caracter sticas dos condutores, acoplamento mtuo e u linhas transpostas.

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

141

4 4.1

O PROCESSO DE TREINAMENTO A deteco da falta ca

O objetivo deste mdulo de deteco reconhecer eno ca e tre situaes de faltas ocorrendo em sentido reverso a co determinado ponto do sistema eltrico (barramento E) e ou faltas ocorrendo ` frente deste mesmo ponto, bem a como reconhecer ainda as situaes normais de operaco ca o, como descrito anteriormente. Para formar um conjunto de dados representativo, 37 posies sobre o sistema foram escolhidas como pontos co de aplicao das situaes de faltas. Pela combinao ca co ca destas posies com as variaes dos trs ngulos de inco co e a e e cidncia da falta (0o , 45o e 90o ) e as trs resistncias de e faltas entre fase-terra (0, 50 e 100 ) ou com as trs e resistncias de faltas entre fase-fase (0, 0,5 e 1,0 ) utie lizadas, resultou um n mero de 333 situaes para cada u co tipo de falta. Para caracterizar as condies normais co de operao, foram inclu ca dos no conjunto de dados 2016 padres descrevendo as caracter o sticas normais do sistema. Trs janelas de dados com quatro amostras cada uma e foram consideradas, dispondo-se de at 3ms aps a ocore o rncia da situao de falta. e ca Sendo assim, o conjunto de dados formado por 12006 e padres (37 localizaes da falta x 3 resistncias de falta o co e x 3 angulos de incidncia da falta x 3 janelas de dados e = 999 situaes por tipo de falta, 999 situaes x 10 co co tipos de faltas = 9990 padres, 9990 + 2016 padres reo o presentando as condies normais de operao = 12006 co ca padres). o Para cada mdulo (deteco, classicao e localizao), o ca ca ca o conjunto de dados subdividido em um conjunto de e treinamento e em um conjunto de validao. Este ulca timo usado para avaliar a RNA durante a fase de treie namento. Este procedimento necessrio para se evitar e a o sobre treinamento da RNA. Nesta situao, o proca cesso de treinamento deve ser interrompido quando se alcanar o menor erro quadrtico mdio, ou RMS (do c a e ingls Root Mean Square Error ), para o conjunto de vae lidao ainda na fase de treinamento. O tamanho do ca conjunto de treinamento e de validao corresponde a ca 80% e 20% de todos os exemplos do conjunto de dados respectivamente. Nos conjuntos de treinamento e validao utilizados, as condies de faltas apresentadas `s ca co a RNAs foram dispostas no arquivo de maneira aleatria. o Cabe agora exemplicar a utilizao das trs janelas de ca e dados empregadas. Designando F como sendo o instante de aplicao da falta, a primeira janela de dados contm ca e
142

os quatro valores amostrados das tenses nas fases A, o B e C (VAF 2 , VAF 1 , VAF , VAF +1 , VBF 2 , VBF 1 , VBF , VBF +1 , VCF 2 , VCF 1 , VCF , e VCF +1 ), os quatro valores amostrados das correntes (IAF 2 , IAF 1 , IAF , IAF +1 , IBF 2 , IBF 1 , IBF , IBF +1 , ICF 2 , ICF 1 , ICF , e ICF +1 ), adicionando-se ainda a mesma janela, as duas respostas esperadas da RNA para a situao de ca a falta apresentada (D1 e D2 ) que sero explicadas ainda neste item. Para a segunda janela de dados, deslocando-se 1 ms nas formas de ondas dos sinais avaliados, a mesma apresentar dois valores amostrados de pr e dois valores amosa e trados de ps-falta dos sinais de tenses e correntes, bem o o como as respostas esperadas para tal situao. ca J para a terceira janela de dados, a mesma conter 1 a a valor amostrado de pr e trs valores amostrados dos e e sinais de ps-falta, somando-se ainda as duas respostas o esperadas. Na Tabela 1 ilustram-se as duas respostas esperadas por parte da RNA1. Nesta, se os padres apresentados a o RNA1, seja na fase de treinamento ou durante a fase de teste, descreverem uma situao normal do sistema, a ca resposta dever ser um valor prximo ou igual a 0 (zero) a o e para as duas sa das (D1 e D2 ). Encontram-se tambm ilustradas na tabela, as respostas esperadas se situaes co de faltas reversas ou ` frente forem observadas. a Para todos os mdulos representados por RNAs, o convencionou-se que as sa das (Si ) observadas no intervalo de 0 a 0,3 (0Si 0,3) indicariam uma resposta igual a 0 (zero) e que valores situados entre o intervalo de 0,7 a 1,0 (0,7Si 1,0), respostas iguais a 1 (um). Os demais valores indicariam uma indeciso por parte a das arquiteturas de RNAs. No algoritmo computacional implementado, se uma indeciso for apontada, espera-se a as prximas respostas por parte das RNAs at se obter o e uma resposta estvel, que venha a caracterizar a situaa ca o apresentada. Neste mdulo de deteco, vrias arquiteturas de RNAs o ca a do tipo perceptron multi-camadas, ou MLP (do ingls e Multi Layer Perceptron), foram avaliadas, variando-se, como por exemplo, o n mero de elementos de processau mentos (neurnios) na camada intermediria, taxas de o a aprendizagem e de momento, n mero de ciclos de treiu namento, n mero de padres pertencentes ao conjunto u o de dados, n mero de janelas empregadas e demais pau rmetros quando convenientes. a Indices aceitveis foram observados com uma ara quitetura que apresenta 24 unidades de processamento na sua camada de entrada, 9 unidades de processamen-

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

~
Sinais analgicos de V e I

TC

chave

TP

Filtragem dos sinais

Treinamento e testes das arquiteturas de RNAs: mdulos de deteco, classificao e de localizao da falta

Amostragem dos sinais

Conversor A/D

Algoritmo computacional apresentando as funes de deteco, classificao e localizao de uma situao de falta

Sadas digitais 0/1

Figura 2: Obteno e anlise dos dados ca a to na camada intermediria e 2 elementos na camada a de sa (arquitetura 24-9-2). da Dos apontamentos anteriores, relembra-se que a RNA1 foi treinada testando-se a mesma atravs de um conjunto e de validao, cujo principal objetivo era de se evitar o ca sobre- treinamento. Assim, a arquitetura 24-9-2 alcanc ou um erro RMS m nimo para o conjunto de validao ca de 0,0569 para todas as unidades na camada de sa da. Conforme apresentado na Tabela 2, verica-se que a arquitetura 24-9-2 foi capaz de reconhecer todos os padres ( o ndice de acerto de 100%), classicando-os como condies normais de operao e situaes de faltas reco ca co versas e ou ` frente de determinada ponto. Tais resula tados, bem como o conjunto de teste aplicado sobre a congurao, sero apresentados e discutidos posteriorca a mente. atravs de 6900 situaes (1380 situaes de faltas x 5 e co co janelas de dados). Fixaram-se as segundas amostras de tenses e coro rentes ps-faltas como sendo os valores iniciais a seo rem considerados na primeira janela de dados. A janela 1 contm quatro amostras das tenses ps-falta e o o (VAF +2 , VAF +3 , VAF +4 , VAF +5 , VBF +2 , VBF +3 , VBF +4 , VBF +5 , VCF +2 , VCF +3 , VCF +4 e VCF +5 ,). Tambm esto inclusas nesta janela as quatro amostras e a relativas as correntes ps-falta (IAF +2 , IAF +3 , IAF +4 , ` o IAF +5 , IBF +2 , IBF +3 , IBF +4 , IBF +5 , ICF +2 , ICF +3 , ICF +4 e ICF +5 ,) com a respectiva resposta esperada por parte da rede neural para uma situao de falta ca ao longo da linha transmisso (C1 , C2 , C3 e C4 ). Para a uma situao que caracterize uma falta fase A terra, ca relacionam-se as respostas C1 = 1, C4 = 1 com C2 e C3 = 0 conforme pode ser observado na Tabela 1. A Tabela 1 mostra as respostas esperadas por parte da arquitetura de RNA2 relacionadas as fases A (C1 ), B ` (C2 ) e C (C3 ) e a conexo ` terra (C4 ) para todas a a a condies de faltas consideradas. Como resposta, a arco quitetura de RNA2 implementada deve apresentar valores iguais ou prximos a um (1) ou zero (0), mostrando o se a falta envolveu as fases A (C1 ), B (C2 ) e C (C3 ) ou no. A sa (C4 ) foi designada para indicar se a falta a da envolveu uma conexo ` terra. a a Diferentes topologias de redes neurais MLP foram avaliadas, buscando-se de maneira emp rica a que melhor representasse o problema de classicao ca em questo. a A arquitetura escolhida apresenta
143

4.2

A classicao da situao ca ca

Para este mdulo, as informaes referentes `s condio co a co es de operao do sistema so representadas atravs ca a e de 138 diferentes situaes (localizaes) para cada tipo co co de falta, combinando-as com as resistncias (para faltas e fase-terra: 1, 50 e 100; para faltas fase-fase : 0,1, 0,5 e 1,0 ) e com os ngulos de faltas aplicados (0 e 90o ). Um a total de 1380 diferentes situaes de faltas sobre sistema co foram consideradas para formar o conjunto de dados. Cinco janelas de dados com quatro amostras cada foram empregadas. Assim, o conjunto de dados formado e

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

 MODULO DE DETECCAO Situao ca D1 Normal 0 Falta reversa 1 Falta a frente ` 0

D2 0 0 1

RNA1(24-9-2)

Tabela 1: Respostas esperadas por parte das RNAs MODULO DE CLASSIFICACAO MODULO DE RNA2 (24-16-4) LOCALIZACAO Tipo de falta C1 C2 C3 C4 Localizao da falta L1 L2 ca A-E 1 0 0 1 Zona 1 1 0 B-E 0 1 0 1 Zona 2 0 1 C-E 0 0 1 1 Zona 3 0 0 AB 1 1 0 0 AC 1 0 1 0 BC 0 1 1 0 RNA3 (24-48-44-3) AB-E 1 1 0 1 RNA4 (24-42-40-3) AC-E 1 0 1 1 RNA5 (24-24-20-3) BC-E 0 1 1 1 ABC 1 1 1 0

L3 0 0 1

INCIO MDULO DE DETECO

Sinais amostrados de tenso e corrente

24 unidades de processamento na camada de entrada, 16 unidades na camada escondida e uma camada de sa com apenas 4 unidades de processamento (arquida tetura 24-16-4). O processo de treinamento alcanou um erro m c nimo (RMS) de validao na ordem de 0,10 para todas as ca unidades na camada de sa da. A Tabela 2 mostra a percentagem de respostas corretas da arquitetura empregada sujeita ao conjunto de teste formado. Como pode ser observado, os resultados obtidos so altamente satisfatrios e sero comentados no a o a item 5.

RNA1

D1

D2 No

falta detectada?

MDULO DE CLASSIFICAO

Sim

ltimos valores amostrados de tenso/corrente apresentados ao mdulo de deteco

4.3

A localizao do defeito ca

RNA2

C1

C2

C3

C4

ltimos valores amostrados de tenso/corrente apresentados ao mdulo de classificao

MDULO DE LOCALIZAO

Faltas monofsicas - terra

Faltas bifsicas e bifsicas-terra

Faltas trifsicas

Com a crescente disponibilidade dos circuitos integrados e uso de microprocessadores, observou-se a possibilidade da aplicao do processador digital para desempenhar ca as funes atribu co das ao modelo convencional do rel e de distncia. Contudo, a proteo digital de distncia a ca a usualmente denida sobre uma caracter e stica xa de atuao do rel. As incertezas do alcance de sua zona de ca e proteo so de 5%, sendo usual a denio de sua zona ca a ca de proteo primria como sendo 80-90% do comprica a mento da linha de transmisso a ser protegida (Stanley a & Phadke, 1992). Neste estudo em espec co, tomando-se como referncia e o sistema eltrico apresentado na Figura 1, as zonas de e proteo foram designadas com as seguintes propores: ca co a) Zona de proteo primria: at 142,5 km a partir do ca a e barramento E, o que corresponde a 95% da LT2 de 150 km; b) Primeira zona de transio: 142,5 2,85 km a partir ca

L1

L2 RNA3

L3

L1

L2 RNA4

L3

L1

L2 RNA5

L3

Figura 3: Modelo alternativo para a proteo aplicandoca se redes neurais articiais

144

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

do barramento E o que corresponde a um ndice de incerteza de 2% sobre os 142,5 km considerados para a zona de proteo primria; ca a c) Zona de proteo secundria: at 195 km a partir do ca a e barramento E, o que corresponde a 130% da LT2 de 150 km; d) Segunda zona de transio: 195 3,9 km a partir ca do barramento E ( 2% de 195 km) e e) Zona de proteo terciria: at 240 km a partir do ca a e barramento E o que corresponde a 150% da LT2 de 150 km. As duas zonas de transio mencionadas (primeira e seca gunda) resultam do fato da alterao dos valores prxica o mos ou iguais a 0 (zero) para valores prximos ou iguais o a 1 (um), ou vice-versa, que devem ser apresentados pela RNA quando da mudana entre as zonas de proteo. O c ca que caracteriza esta transio a rede a passagem pelo ca ` e ponto (distncia) de 142,5 km para a zona de proteo a ca primria e o ponto (distncia) de 195 km para a zona a a de proteo secundria, ambas tomadas com relao ao ca a ca barramento E. Assim sendo, como h a alterao entre a ca os valores esperados como respostas, h uma pequena a a rea de transio para a rede onde valores ou localizaca co es errneas so esperadas. Esta area para a zona de o a proteo primria est denida como 2% de 142,5 km ca a a (variando de 139,65 km a 145,35 km) e para a zona de proteo secundria variando de 191,1 a 198,9 km ( ca a 2% de 195 km). Para a implementao do mdulo de localizao, trs ca o ca e RNAs foram treinadas e implementadas (Figura 3). As trs RNAs referem-se aos trs agrupamentos a que foram e e alocados os diversos tipos de falta. A RNA3 designa-se a localizar as faltas do tipo fase-terra (A-terra, B-terra e C-terra) sobre o sistema eltrico em questo. O segundo e a grupo refere-se `s faltas do tipo fase-fase (AB, AC e a BC) e fase-fase-terra (AB-terra, AC-terra e BC-terra), sendo a RNA4 elaborada para tal objetivo. O terceiro grupo refere-se `s faltas trifsicas (fases ABC) e est a a a representado pela RNA5. 4.3.1 Faltas fase-terra

e L3 as zonas de protees secundria e terciria respecco a a tivamente. Esta mesma associao `s zonas de proteo ca a ca tambm ser mantida para as demais redes que come a pem este mdulo (RNA4 e RNA5). Neste mdulo, sa o o o das com valores prximos ou iguais a 0 (zero) indicam o o no envolvimento da area de proteo e sa a ca das com valores iguais ou prximos a 1 (um) o envolvimento, ou o seja, a ocorrncia de uma situao de falta na zona de e ca proteo indicada. Os valores intermedirios a 0,3 e 0,7 ca a indicam a indeciso da rede em localizar a situao de a ca falta apresentada. As respostas esperadas por parte da rede neural esto ilustradas na Tabela 1. Para as dea mais redes que compreendem o mdulo de localizao o ca (para faltas fase-fase, fase-fase-terra e faltas trifsicas) a esta tabela tambm ser vlida, conforme evidenciado. e a a e Para formular o conjunto de dados utilizados para o treinamento da arquitetura, fez-se a combinao dos parca a metros j mencionados. Estes parmetros referem-se `s a a a localizaes (km) das situaes de faltas simuladas (49 co co posies) com relao ao barramento E, os cinco valoco ca res de resistncias de faltas fase - terra empregados (1, e 25, 50 e 100) bem como, os cinco valores de angulos de incidncia da falta adotados para este tpico (0, 30, e o ca a 45, 60 e 90o ). Da combinao destas variveis resultam 1225 diferentes situaes para cada tipo de falta consico derada. O conjunto de treinamento corresponde a 80% dos 14700 padres que compem o conjunto de dados o o (80% de 1225 situaes x 3 tipos de faltas x 4 janelas de co dados) e o conjunto de validao a 20% do mesmo (20% ca de 14700 padres). o Ao total foram avaliadas (treinadas) 63 arquiteturas MLP, variando-se todos os poss veis parmetros da rede, a desde n mero de camadas intermedirias, n mero de u a u elementos em cada camada, taxas de aprendizagem, conjunto de dados e ordem da apresentao dos valores ca amostrados na camada de entrada. A arquitetura de RNA escolhida, apresenta duas camadas 24 unidades na camada de entrada, intermedirias com 48 e 44 unidades cada e uma caa mada de sa com 3 unidades. A arquitetura 24-48da 44-3 encontrada atende aos trs poss e veis tipos de faltas fase-terra (fase A-terra, B-terra e C-terra). No entanto, tanto para o processo de treinamento quanto para o de teste, os valores amostrados das fases foram invertidos quando da apresentao para a rede conforme ca apresentado no que segue. Para as faltas entre a fase e A com conexo a terra os dados apresentados a RNA3 a ` ` foram dispostos respeitando a ordem natural das fases (A, B e C) tanto para os valores amostrados de tenso a como para os de corrente. Para as faltas entre a fase B com conexo ` terra a ordem respeitada foi B, A e C a a

Como apontado anteriormente, para esta rede (RNA3) designa-se a localizao de situaes de faltas envolca co vendo uma fase a terra sobre o sistema. Sendo assim, a rede neural associada apresenta trs unidades de proe cessamento em sua camada de sa da, cada uma sendo responsvel por uma area de localizao. A sa L1 a ca da relaciona-se ` zona de proteo primria e as sa a ca a das L2

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

145

Tabela 2: Respostas corretas e tempo de processamento para os mdulos de deteco, classicao e localizao o ca ca ca integrados. Percentagem (%) de Respostas Corretas (R.C.) e o Tempo de Processamento (T.P.) para cada mdulo o MODULO T.P. Faltas Faltas Faltas Faltas (ms) fase - terra fase - fase fase - fase - terra trifsicas a R.C. 100 100 100 100 2 71,94 76,46 82,14 84,44 Deteco 4050 padres testados ca o 3 23,29 22,63 16,79 15,56 4-5 4,77 0,91 1,07 R.C. 99,92 100 99,26 99,52 4 24,20 5 37,94 4,44 6,18 6 31,36 21,89 12,92 Classicao 4050 padres testados ca o 7 5,60 17,12 31,28 30,37 8 0,58 31,93 35,48 26,91 9 0,24 13,58 10,54 24,70 10 - 17 11,04 2,86 17,54 R.C. 94,65 88,78 95,97 92,84 8 0,61 0,31 9 4,12 2,06 6,50 10 14,10 6,38 15,53 5,03 11 19,60 22,02 27,01 17,61 Localizao 3240 padres testados ca o 12 21,13 18,11 23,46 21,07 13 17,39 20,06 13,89 28,63 14 12,34 8,54 5,02 13,59 15 4,42 7,41 2,76 3,72 16 - 18 0,94 4,20 1,49 3,19 para todas as amostras consideradas. J para as faltas a entre a fase C com conexo a terra os valores foram a ` dispostos respeitando a seqncia C, B e A. ue Sendo que estas inverses entre as fases no acarretam o a um considervel atraso no processamento do sinal, aps a o a classicao do tipo de falta ocorrido, os sinais poca dem ser direcionados para os mdulos de localizao o ca fazendo-se as adaptaes necessrias. Esta mesma orco a dem de apresentao dos dados mantida quando da ca e implementao do algoritmo computacional. ca Seguindo a ordem descrita de apresentao dos valoca res amostrados, a arquitetura 24-48-44-3 apresentou um erro m nimo (RMS) aproximado de 0,08 para o conjunto de validao. ca 4.3.2 Faltas entre duas fases com e sem conexo ` a a terra termedirias com 42 e 40 unidades de processamento e a a sua camada de sa com 3 unidades de processamento da (arquitetura 24-42-40-3). O conjunto de treinamento foi formulado pela combinao das variveis anteriormente ca a citadas. O processo de treinamento seguiu como para as demais redes j apresentadas. As situaes de faltas a co entre duas fases sem conexo ` terra foram representaa a das por 9225 padres (41 localizaes sobre o sistema x o co 5 valores de resistncias de faltas entre fases x 3 ngue a los de incidncia de falta x 3 tipos de faltas x 5 janelas e de dados). J as situaes de faltas que envolvem duas a co fases com conexo ` terra, 22575 padres foram emprea a o gados (43 localizaes sobre o sistema x 5 valores de reco sistncias de faltas fase-terra x 5 ngulos de incidncia de e a e falta x 3 tipos de faltas x 7 janelas de dados) totalizando um conjunto de dados de 31800 padres. Relembra-se o que deste n mero, 80% foram empregados para formar o u conjunto de treinamento (25440) e o restante para compor o conjunto de validao. ca O erro m nimo (RMS) para todas as unidades na camada de sa referentes ao conjunto de validao foi da da ca ordem de 0,15 para os 6360 padres apresentados (1845 o

A arquitetura treinada e escolhida dentre vrias tentatia vas apresenta as suas 24 unidades de processamento da camada de entrada conectadas as suas duas camadas in-

146

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

padres referentes as situaes entre duas fases com coo co nexo ` terra e 4515 referentes as outras situaes). a a co Para as faltas entre as fases A e B com e sem conexo a a ` terra os dados apresentados a RNA4 foram dispostos ` respeitando a ordem natural das fases (A, B e C) tanto para os valores amostrados de tenso como para os de a corrente. Para as faltas entre a fases A e C com e sem conexo ` terra a ordem respeitada foi A, C e B para a a todas as amostras consideradas. J para as faltas entre a as fases B e C com e sem conexo a terra os valores a ` foram dispostos respeitando a seqncia B, C e A. ue 4.3.3 Faltas trifsicas a

(primeira camada 24 unidades de processamento intermediria) a e 20 unidades de processamento para a segunda camada intermediria (arquitetura a 24-24-20-3). Quando da apresentao a rede do ca ` conjunto de validao, a arquitetura apresentou um ca erro m nimo total (RMS) de 0,04 para todas as unidades na camada de sa da. Cabe ressaltar que o processo de treinamento para as arquiteturas utilizadas ns vrios mdulos apresentados o a o um dos principais pontos a ser analisado e discutido, e visando uma aplicao prtica. Apenas ilustrando, para ca a as redes neurais empregadas para o mdulo de localizao ca o, sem considerar o conjunto de validao aplicado, ca o tempo disposto para o processo varia entre 12 a 14 h, executado em um microcomputador Pentium II, 333 MHz. O tempo despendido para o processo de treinamento , em grande parte, dependente do mtodo do e e gradiente descendente que apresenta por si s, uma cono vergncia lenta e merece especial ateno na denio e ca ca dos seu principais parmetros. a

Com respeito ` localizao de faltas trifsicas, poucas a ca a alteraes foram efetuadas comparando-se aos itens anco teriores (4.3.1 e 4.3.2). Para alcanar a arquitetura de c RNA desejada, basicamente a disposio dos sinais de ca entrada a rede diverge das anteriores, pois neste caso, ` no houve a necessidade da inverso entre as fases. As a a 24 unidades de processamento da camada de entrada recebem os trs valores trifsicos amostrados dos sinais e a de tenso (fases A, B e C) e os trs valores trifsicos a e a amostrados de corrente nas respectivas fases. Quatro janelas de dados contendo 4 amostras de cada sinal analisado (tenses e correntes trifsicas) foram emo a pregadas no processo de treinamento. O conjunto de dados foi formado por 1525 situaes de faltas decorrenco tes da combinao entre a localizao de aplicao da ca ca ca falta (61 posies), as resistncias de falta (5 valores) co e e os ngulos de incepo da falta (5 valores). Assim, a ca considerando-se as 4 janelas de dados, o conjunto nal apresenta 6100 padres. Destes padres, 80% foram emo o pregados para formar o conjunto de treinamento (4880 padres) e 20% designados para compor o conjunto de o validao (1220 padres). Como em todos os conjuntos ca o empregados no trabalho, os padres foram dispostos de o maneira aleatria quando do processo de treinamento o da RNA. Na busca de uma arquitetura, vrias topologias de redes a neurais MLPs tambm foram avaliadas, com o intuito de e se encontrar uma que melhor atendesse em resposta ` loa calizao das situaes de faltas apresentadas. Ao total, ca co 25 arquiteturas foram analisadas variando-se parmea tros como: n meros de elementos de processamento nas u diversas camadas, conjuntos de treinamento, taxas de aprendizagem, etc. A arquitetura escolhida apresenta 24 unidades de processamento na camada de entrada e 3 unidades de processamento na camada de sa da (como em todas as demais j apresentadas). Para a as duas camadas intermedirias, foram alocadas a

TESTES REALIZADOS

Pelo que foi apresentado e observado nas implementaco es dos mdulos anteriores deteco, classicao e o ca ca localizao, nota-se que as redes neurais empregadas ca convergiram rapidamente para uma resposta esperada. No entanto, tomando-se como exemplo um conjunto de cinco respostas do mdulo de classicao, muitas das o ca vezes estas respostas divergem em um n mero de classiu caes corretas e errneas. Tendo este fato em anlise, co o a procurou-se ento melhorar a tomada de deciso frente a a aos mdulos implementados, optando-se em no analio a sar unicamente uma resposta da rede neural e sim, o conjunto das respostas pertinentes a cada mdulo de o deteco, classicao e de localizao. ca ca ca Para o mdulo de deteco, verica-se que so neceso ca a srios 3 ms ps-falta para a tomada de deciso e, cona o a sequentemente, as respostas das trs janelas de dados e sero analisadas. J para o mdulo de classicao o a a o ca n mero de janelas de dados necessrias varia de trs a u a e cinco, o mesmo ocorrendo para o mdulo de localizao. o ca Claro que este n mero de respostas/janelas considerau das em cada mdulo vem e muito a inuenciar no deo sempenho do sistema como um todo. Sendo assim, no que segue, ser apresentada a lgica do algoritmo coma o putacional implementado, tomando-se como base para a anlise, o n mero de respostas corretas ou no, aprea u a sentadas por cada mdulo. o Como anteriormente evidenciado, o algoritmo computacional implementado em linguagem de programao C, ca
147

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

obedece a uma forma seq encial de ativao dos mduu ca o los considerados. Sendo assim, para uma fase de teste do mesmo, 4050 novos casos de provveis situaes que a co possam a vir ocorrer sobre o sistema de transmisso em a anlise foram simulados e apresentados, caso a caso, ao a algoritmo em fase de experimento. O conjunto de teste formulado compreende 405 diferentes casos para cada tipo de falta considerada. As situaco es de faltas analisadas so compostas pela combinao a ca das seguintes variveis: a Localizao da falta (km) - 6, 10, 15, 30, 45, 60, 65, ca 70, 74, 88, 105, 115, 125, 135, 145, 155, 165, 175, 185, 195, 202, 208, 212, 218, 222, 223, 225, 238, 243, 248, 253, 258, 263, 268, 273, 278, 282, 288, 293, 298, 302, 308, 313, 318, e 320; Resistncia de falta () - fase - terra: 30, 60, 90 e e fase - fase: 0,3, 0,6, e 0,9; Angulo de incidncia da falta (o ) - 20, 50, e 80. e Como no processo de treinamento, quatro amostras dos valores de tenses e correntes trifsicos (valores de pr o a e e de ps-falta), amostrados a uma freqncia de 1 kHz, o ue foram dispostos como valores de entrada. Apresentando-se as situaes simuladas caso a caso, as co respostas por parte do algoritmo computacional foram registradas a medida que cada mdulo implementado o era ativado e desativado, passando os sinais amostrados em anlise para o mdulo seguinte. a o A Tabela 2 apresenta em s ntese todos os resultados registrados, onde o Tempo de Processamento (T.P.), em destaque, provm basicamente da soma dos intervalos e de tempo entre cada valor amostrado do sinal considerado (1 ms) A percentagem de Respostas Corretas (R.C.) tambm est evidenciada, sendo que, para os me a o dulos de deteco e de classicao, observam-se ca ca ndices muito prximos a 100%. Apenas esclarecendo como eso tes ndices foram registrados, dos casos representativos de situaes de faltas que envolvam uma fase com coneco xo a terra (A terra, B terra e C terra), 71,94% dos a ` casos foram detectados dispondo-se de 2 ms ps-falta. o 23,29% foram corretamente detectados considerando-se at 3 ms e 4,77% tomando-se um tempo de 4 a 5 ms e ps-falta. Destaca-se que, mesmo para as situaes deo co tectadas em um tempo maior do que 3 ms os demais mdulos, ainda assim, apresentaram respostas corretas o a `s suas funes. co Relembrando da losoa adotada para as zonas de proteo, temos denido sobre o sistema de transmisso ca a
148

duas areas de transio onde valores incorretos na loca ca lizao da falta so esperados. Conforme apresentado, ca a estas reas de incertezas correspondem a um a ndice de 2% sobre o comprimento considerado e j foram dea nidas anteriormente. Este fato contudo vem e muito a esclarecer os ndices apresentados pelo mdulo de locao lizao, j que, a grande maioria das respostas incorreca a tas deste mdulo recaem sobre estas supostas reas de o a transio. Como exemplo, armamos que aproximadaca mente 5% dos erros ocorridos na localizao de situaes ca co de faltas que envolvam duas fases sem conexo ` terra a a recaem nas duas areas de transio anteriormente de ca nidas. Com isto, o ndice geral de acertos para estas situaes passa de 88,78% para 93,78%. Este ultimo co ndice encontrado considerando-se somente o nmero de e u respostas corretas apresentadas pelo mdulo referentes o a `s zonas de proteo primria, secundria e terciria. ca a a a Vale ressaltar que este modelo proposto est atuando a como um identicador direcional de faltas, um classicador de faltas (sejam as situaes de faltas em sentido co reverso ou ` frente de um determinado ponto) e ainda a como um localizador da mesma.

CONCLUSOES

O uso de arquiteturas de RNAs como modelos alternativos para a deteco, classicao e localizao de falca ca ca tas em linhas de transmisso foram investigadas nesta a pesquisa. Os modelos utilizam os valores de pr e de e ps-falta das tenses e correntes trifsicas apresentados o o a atravs de janelas de dados. Para este estudo so consie a deradas faltas fase-terra, fase-fase, fase-fase-terra e faltas trifsicas. a Os resultados obtidos mostram que o desempenho global das arquiteturas de redes neurais implementadas alcanc ou um ndice altamente satisfatrio no que diz respeito o a ` preciso e velocidade das respostas para todos os ma o dulos descritos. Referindo-se aos casos testados para o mdulo de deo teco, as sa ca das da rede neural designadas a esta funca o convergiram rapidamente, para a grande maioria dos casos, a n veis corretos dispondo-se de at 3 ms aps a e o ocorrncia da falta. Alm de monitorar as condies nore e co mais de operao do sistema, este mdulo tambm traca o e balha como um discriminador direcional, reconhecendo entre situaes de faltas ` frente ou em sentido reverso co a de um determinado ponto sobre o sistema. Com respeito ao mdulo de classicao, este foi capaz o ca de corretamente discriminar as fases envolvidas nas situaes de faltas apresentadas, em um tempo situado co

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

entre 4 e 9 ms aps a ocorrncia da falta. o e Finalmente, considerando as trs zonas de proteo e toe ca dos os tipos de faltas citados, os resultados claramente mostram que esta aproximao conduz a n ca veis aceita veis para a funo de localizar a situao de falta sobre ca ca o sistema, com tempo situado entre 8 a 15 ms aps a o ocorrncia da mesma. e Deve ser destacado que para o modelo de rel de dise tncia implementado pelo emprego de RNAs, o mesmo a estimou corretamente 98 % das respostas esperadas por parte de um sistema de proteo. ca Indice este, alcanado c considerando-se 4050 novos casos que descrevem algumas das condies operacionais que o sistema venha a co encontrar. O n mero total de erros observados corresu ponde a 2% e est, em sua maioria, situado sobre as a zonas de transies denidas para o modelo. co Deve ser enfatizado que uma extenso da zona de proa teo primria foi alcanada para um valor de 95% do ca a c comprimento da linha analisada. Tal acrscimo desta e zona de proteo vem a melhorar a conabilidade e o ca desempenho do sistema de proteo como um todo. ca O esquema proposto se mostra altamente preciso com alta velocidade de atuao, apresentando caracter ca sticas bastante desejveis em um sistema de proteo moa ca derno.

tection and classication. IPST97 - International Conference on Power Systems Transients, Seattle, pp.412-417. ALTERNATIVE Transients Program (1987). Rule Book, Leuven EMTP Center (LEC). Chakravarthy, S. K.; Nayar, C. V. and Achuthan, N. R. (1992). Applying pattern recognition in distance relaying. Part 1: Concept. and Part 2: Feasibility. IEE Proceedings-C, Vol.139, No.4, pp.301-314. Coury, D. V. and Jorge, D. C. (1998). Articial neural network approach to distance protection. IEEE Transactions on Power Delivery (Jan.), Vol.13, No.1, pp.102-108. Coury, D. V. and Oleskovicz, M. (1998). Multi-layer neural networks applied to distance relaying. International Journal of Electrical Power and Energy Systems, Elsevier Science, England, Vol.20, No. 8, pp. 539-542. Dalstein T. and Kuliche, B. (1995). Neural network approach to fault classication for high speed protective relaying. IEEE Transmission on Power Delivery, Vol.10, No.2, pp.1002-1011. Dalstein, T.; Friedrich, T.; Kuliche, B. and Sobajic, D. (1996). Multi neural network based fault area estimation for high speed protective relaying. IEEE Transactions on Power Delivery, Vol.11, No.2, pp.740-747. Dillon, T. S. and Niebur, D. (1996). Neural networks applications in power systems. CRL Publishing, London, England. Ghosh, A. K. and Lubkeman, D. L. (1995). The classication of power systems disturbance waveforms using a neural network approach. IEEE Transactions on Power Delivery, Vol.10, No.1, pp.109-115. Kandil, N.; Sood, V. K.; Khorasani, K. and Patel, R. V. (1992). Fault identication in AC-DC transmission system using neural networks. Transactions on Power Systems, Vol.7, No.2, pp.812-819. Kanoh, H.; Kaneta, M. and Kanemaru, K. (1991). Fault location for transmission lines using inference model neural network. Electrical Engineering in Japan, Vol.111, No. 7, pp.84-92. Keerthipala, W. W. L.; Wai, C. T. and Huisheng, W. (1997). Neural network based classier for power system protection. Electric Power Systems Research, Vol.42, pp.109-114.
149

AGRADECIMENTOS

Os autores gostariam de agradecer aos Departamentos de Engenharia Eltrica e Eletrnica da Universie o dade de Bath (Inglaterra) e da Escola de Engenharia de So Carlos/USP (Brasil) pelas facilidades proporcioa nadas quando do desenvolvimento deste trabalho, bem como ao apoio nanceiro recebido por parte da FAPESP - Fundao de Amparo ` Pesquisa do Estado de So ca a a Paulo. Alm destes, os nossos agradecimentos ` eme a presa NeuralWare - Aspen Technology da qual provm e o software NeuralWorks empregado neste trabalho.

REFERENCIAS
Aggarwal R. K., Xuan Q. Y., Johns A. T. and Bennett A. (1999). Fault classication technique for double-circuit lines based on a combined unsupervised/supervised neural network. IEEE Transactions on Power Delivery, Vol. 14, No. 4, pp. 12501256. Al-Hasawi, W. M.; Abbasy, N. H. and Mansour, M. (1997). Using fault induced transients and neural networks for T. L. ultra high-speed fault de-

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca

Kezunovic, M. and Rikalo, I. (1996). Detect and classify faults using neural nets. IEEE Computer Applications in Power, pp.42-47. Khaparde, S. A.; Kale, P. B. and Agarwal, S. H. (1991). Application of articial neural network in protective relaying of transmission lines. First International Forum on Application of Neural Networks to Power Systems, Seattle, WA, pp.139-143. NeuralWorks Professional II/PLUS (1998). Version 5.23, NEURALWARE, a subsidiary of Aspen Technology, Inc. Phadke, A. G. and Thorp, J. S. (1988). Computer relaying for power systems. England, Research Studies Press Ltd. Sidhu, T. S.; Singh, H. and Sachdev, M. S. (1995). Design, implementation and testing of an articial neural network based fault direction discriminator for protecting transmission lines. IEEE Transactions on Power Delivery, Vol.10, No.2, pp.697-706. Stanley, H. H. e Phadke, A. G., Power system relaying. England, Research Studies Press Ltd., 1992. Stevenson Jr., W. D. (1986). Elementos de anlise a de sistemas de potncia. 2a ed. Rio de Janeiro, e McGraw-Hill do Brasil. Su, W. B.; Mao, P. L.; Bo, Z. Q.; Aggarwal, R. K. and Johns, A. T. (1997). A fault detection technique for compositive transmission circuits using articial neural networks. UPEC97 - 32 nd Universities Power Engineering Conference, Vol.1, pp.291294. Yang, H.; Chang, W. and Huang, C. (1994). A new neural networks approach to on-line fault section estimation using information of protective relays and circuit breakers. IEEE Transactions on Power Delivery, Vol.9, No.1, pp.220-229.

150

Revista Controle & Automao/Vol.14 no.2/Abril, Maio, Junho 2003 ca