Você está na página 1de 12

Diagnóstico de Distúrbios de Tensão em Sistemas de Distribuição de Energia Elétrica Usando Sistemas Imunológicos Artificiais

Fernando P. A. Lima 1 , Carlos R. Minussi 1

1 Departamento de Engenharia Elétrica Faculdade de Engenharia de Ilha Solteira (FEIS), Universidade Estadual Paulista “Júlio de Mesquita Filho” ( UNESP), Caixa Postal 31, 15385-000 Ilha Solteira SP Brasil

fernandoparra@aluno.feis.unesp.br, minussi@dee.feis.unesp.br

Abstract. This article describes a computational tool for the diagnostics of voltage disturbances in distribution systems of electric power, aerial and radials. This tool uses voltage measurements in three phases, obtained from the substation to perform the monitoring system. An artificial immune system drawing on the negative selection algorithm was used. The main application of the tool is to assist the operation of the system during faults as well as overseeing the protection system. Tree distribution systems are used to evaluate the proposed methodology, two test systems of 5 and 33 bars and the other a real system of 134 bars.

Resumo. Este artigo descreve uma ferramenta computacional para diagnóstico de distúrbios de tensão em sistemas de distribuição de energia elétrica, aéreos e radiais. Essa ferramenta utiliza as medições de tensão nas três fases, obtidas na subestação, para realizar o monitoramento do sistema. Um sistema imunológico artificial, tomando como base o algoritmo de seleção negativa, foi utilizado. A principal aplicação da ferramenta é auxiliar a operação do sistema durante falhas, bem como supervisionar o sistema de proteção. Três sistemas de distribuição são utilizados para avaliar a metodologia proposta, sendo dois sistemas teste de 5 e 33 barras e outro um sistema real de 134 barras.

1. Introdução

Os sistemas de distribuição de energia elétrica veem sofrendo modernizações, através da automatização de seus processos, neste contexto, duas categorias de tecnologias vêm se destacando, a tecnologia digital e a tecnologia da informação. A tecnologia digital se refere ao uso de componentes semicondutores de alta velocidade, em sistemas de comunicação, controle, proteção, entre outras funções (Kezunovic e Abur, 2005). A tecnologia da informação se baseia em um grande conjunto de procedimentos de análise e processamento de sinais (oscilografias, e informações como a configuração do sistema, etc.).

Considerando um sistema de distribuição de energia moderno, o objetivo é satisfazer requisitos como a melhoria da confiabilidade, segurança do sistema e eficiência. Tendo como base esta perspectiva, é necessário que se desenvolva sistemas

integrados que tenham a capacidade de combinação de várias técnicas como: aquisição de sinais, análise e processamento de dados, com o objetivo de proporcionar o auxilio necessário para realizar a automação, controle e tomada de decisão no ambiente de distribuição de energia elétrica. (Northcote-Green e Wilson, 2007; Decanini, 2008; Barros, 2009).

Estas melhorias nos sistemas de distribuição estão diretamente relacionadas ao produto energia, que diferente de outros, não pode ser armazenado. A produção assim como o consumo acontece ao mesmo tempo. Dessa forma, o comercio de energia elétrica se torna cada vez mais exigente quanto à continuidade e qualidade deste produto, pois a energia é um fator fundamental para os consumidores. Com estes fatores levantados, torna-se essencial o uso de ferramentas de auxilio e apoio à operação do sistema. Neste contexto realizando-se uma busca na literatura especializada encontram- se trabalhos que têm sido publicados ao longo dos anos, que merecem mérito e destaque pela contribuição para este assunto. Nos trabalhos de (Stringfield et al., 1957; Srinivasan e St-Jacques, 1989) são apresentados ferramentas desenvolvidas para uso na operação com a finalidade de dar apoio ao diagnóstico de falhas. Outros trabalhos como em (Fukui e Kawakami, 1986; Monsef et al., 1997) apresentam ferramentas que são concebidas com base em Sistemas Especialistas (SES). Esses sistemas são baseados na experiência dos profissionais da área de operação e no estado dos alarmes e sinalizações ligados à proteção do sistema elétrico. Embora essas ferramentas baseadas em SES produzam bons resultados, elas enfrentam alguns problemas tais como tempo de execução, muitas vezes não apropriado para aplicação em tempo real, e dificuldades tanto na obtenção do conhecimento especialista, como na sua implementação. Na literatura também se observa a utilização de sistemas inteligentes na tarefa de detecção de falhas em sistemas de distribuição de energia elétrica, onde as técnicas de inteligência artificial (IA), adequam-se bem ao diagnóstico de falhas devido à ausência de uma formulação analítica eficaz, capaz de solucionar o problema. Muitas ferramentas foram desenvolvidas baseadas em diversas técnicas de IA. Entre estas destacam-se as redes neurais artificiais (Vale et al., 2006; Amis e Carpenter, 2010; Carpenter et al., 1992; Kartalopoulos, 1996; Tonelli-Neto, 2012), a lógica fuzzy (Chen et al., 2000; Chen e Pham, 2006; Kartalopoulos, 1996; Zadeh, 1965; Decanini et al., 2008), a busca tabu (Chang e Wen, 1998) e o algoritmo genéticos (Wen e Chang, 1997). Existe também a aplicação de métodos, tais como redes de Petri (Lo et al., 1997), e os Sistemas Imunológicos Artificiais (SIA), como em (Carvalho et al., 2009).

O SIA é um promissor campo da Inteligência Artificial inspirado nos Sistemas Imunológicos Biológicos para reproduzir computacionalmente suas principais características, propriedades e habilidades (de Castro, 2001; Dasgupta, 1998). O SIA se mostra uma ferramenta adequada para ser aplicada no diagnóstico de falhas em sistemas elétricos, devido a sua característica de detecção de anomalias no comportamento do sistema. (de Castro, 2001).

Neste artigo apresenta-se uma ferramenta para diagnóstico de distúrbios de tensão em redes aéreas de distribuição radiais, utilizando os SIA, em específico o algoritmo de seleção negativa (ASN). Para comprovar a eficácia da metodologia foram testados dois sistemas de distribuição, sendo um de 33 e o outro de 134 barras.

Este artigo esta organizado como a seguir. Na seção 2 apresenta-se o algoritmo

de seleção negativa (ANS). A descrição para os distúrbios de tensão está na seção 3. Na

seção 4 apresenta-se a metodologia proposta. Os resultados estão apresentados na seção 5 e na seção 6 está a conclusão para este trabalho.

2. Algoritmo de Seleção Negativa (ANS)

O ANS proposto por Forrest et al. (1994) para detecção de mudanças em sistemas é

baseado na seleção negativa de linfócitos T dentro do timo. Este processo trabalha com

a discriminação de células próprias e não-próprias. O algoritmo é executado em duas fases, como a seguir (de Castro, 2001):

1. Censoriamento

a) Defina o conjunto de cadeias próprias (S) que se deseja proteger;

b) Gere cadeias aleatórias e avalie a afinidade (Match) entre cada uma delas e as

cadeias próprias. Caso a afinidade seja superior a um limiar estipulado, rejeite a cadeia.

Caso contrário, armazene-a em um conjunto de detectores (R).

2. Monitoramento

a) Dado o conjunto de cadeias que se deseja proteger (cadeias protegidas), avalie a

afinidade entre cada uma delas e o conjunto de detectores. Se a afinidade for superior a um limiar preestabelecido, então um elemento não-próprio é identificado.

Nas figuras 1 e 2 apresentam-se os fluxogramas das fases do ASN.

Cadeias Próprias (S) Gere Cadeias Casou ? Conjunto de NÃO aleatoriamente (Match) Detectores (R) SI
Cadeias
Próprias (S)
Gere Cadeias
Casou ?
Conjunto de
NÃO
aleatoriamente
(Match)
Detectores (R)
SI
M
Rejeita
Figura 1. Fluxograma da fase de Censoriamento do ASN. Conjunto de Detectores (R) NÃO Cadeias
Figura 1. Fluxograma da fase de Censoriamento do ASN.
Conjunto de
Detectores (R)
NÃO
Cadeias
Casou ?
Protegidas (S)
(Match)
SI
M
Não-próprio
detectado

Figura 2. Fluxograma da fase de Monitoramento do ASN.

O ASN consiste-se basicamente em gerar um conjunto de detectores, a partir de candidatos escolhidos aleatoriamente e descartar aqueles que reconhecem dados

próprios ao sistema monitorado. Os detectores são análogos às células tipo T maturadas capazes de reconhecer agentes patogênicos e são, assim, utilizados para detectar praticamente qualquer elemento não-próprio, isto é, uma modificação ou erro do sistema que se quer monitorar. Vale salientar que a fase de censoriamento ocorre de modo off- line enquanto que a fase de monitoramento ocorre em tempo real. (de Castro e Timmis,

2002).

3. Distúrbios de Tensão

Todos os sistemas de distribuição de energia elétrica estão susceptíveis a problemas e falhas em sua operação. Sendo estas falhas provocadas por mau funcionamento de equipamentos, queimadas, contatos de animais às partes energizadas, fenômenos naturais, entre outros. Estes eventos podem causar a interrupção do fornecimento de energia, ou afetar a qualidade da energia, introduzindo harmônicos e degradando os índices de qualidade de energia elétrica das concessionárias, e então elevar os custos operacionais.

Em relação à qualidade de energia, a categoria de distúrbios de tensão

corresponde ao conjunto de distúrbios mais graves, devido às consequências prejudiciais

Os distúrbios de tensão tem a

característica de apresentar variações de curta duração na magnitude da tensão a partir

de um valor nominal. Dependendo da magnitude da variação, os distúrbios são classificados como interrupções, elevações e afundamentos, dependendo de sua duração que pode ser instantânea, momentânea ou temporária. (Decanini et al., 2011).

Os distúrbios de tensão podem causar interferências nos sistemas de comunicação, superaquecimento de condutores, medições imprecisas e atuação indevida de relés, comprometendo a qualidade da energia para os consumidores e as empresas de distribuição de energia (Decanini, 2008).

do seu efeito sobre equipamentos ligados à rede.

3.1. Simulações dos Distúrbios

A maior dificuldade em realizar pesquisas nesta área é a falta de um conjunto de dados

sólidos dos sistemas de distribuição de energia elétrica sob o efeito das perturbações, portanto, é necessária a modelagem de sistemas testes, nos quais se podem realizar simulações destes eventos (distúrbios de tensão, curtos-circuitos, entre outros), fornecendo dados a serem utilizados na avaliação das metodologias contribuindo para as pesquisas e a automação das subestações de energia elétrica.

Neste contexto, utilizando o software EMTP, foram modelados dois sistemas de distribuição de energia elétrica. A frequência de amostragem utilizada nas simulações foi de 15,36 kHz, a qual corresponde a 256 amostras por ciclo e o tempo de simulação foi de 200 ms.

Para as simulações de distúrbios de tensão foi utilizado um modelo teórico

proposto por Abdel-Galil et al. (2004), o qual é apresentado na Tabelas 1, onde tem-se

as equações e os parâmetros utilizados para simulação de cada distúrbio.

No software EMTP (EMTP-RV, 2011) utilizou a rotina models apresentada por (Dubé, 1996), para modelar fontes geradoras para cada um dos tipos de distúrbios de tensão apresentados na Tabela 1, sendo estas fontes responsáveis por fornecer tensão aos

sistemas elétricos modelados. No total foram feitas 1584 simulações, sendo realizadas 336 simulações para o sistema de 5 barras e 624 simulações para cada um dos sistemas elétricos de 33 e 134 barras. As simulações foram realizadas considerando a fase na qual o distúrbio ocorria, os carregamentos do sistema, que variavam de 50% até 120% e os parâmetros, conforme a tabela 1. Na tabela 2 apresenta-se o número de simulações para cada tipo de distúrbio de tensão simulado para os sistemas simulados.

Tabela 1. Equações e parâmetros utilizados para modelagem dos distúrbios.

Distúrbio

 

Equações

   

Parâmetros

 

vtA1ut t1 ut t2 sent

 

u



t

  0

,

1

,

t t  

0 0

 

0,9 1

Outage

,

t

1

t

2

,

T

t t 12T

1

2

Harmônico

 

v

t



A   

1

sen

5

sen

5

t

t

3

sen

3

t

7

sen

7

t

  

1 1

0,05 3,5,7 0,15

Swell

vtA1ut t1 ut t2 sent

,

t

1

t

2

,

u



t

 0

,

1

,

t

t

 

0 0

T

0,10,8

t1 t2 12T

 

vtA1ut t1 ut t2 sent

 

u



t

  0

,

1

,

t

t

0 0

 

0,10,9

Sag

,

t

1

t

2

,

T t1 t2 12T

       

1

1

Swell com

Harmônico

v



t

A

1

    u

t

u

t

t

1

t

2

       

1

sen

t

sen

3

sen

5

3

5

t

t

  

,

t

1

t

2

, 

u

t

  0 , t 0

1 ,

t

0

0,05 3,5 0,15

0,10,8

T

t1 t2 12T

Sag com

Harmônico

v



t

A

1

    u

u

t

t

t

1

t

2

       

1

sen

3

5

sen

sen

3

5

t

t

t

 

,

t

1

t

2

, 

u

t

  0

,

1

,

t t  

0 0

1 1

0,05 3,5 0,15

0,10,9

T

t1 t2 12T

     

2 b 2

Transitório

Oscilatório

 

v



t

A sen

t

be

t

t

1

sen

 

tr

t

t

1

50100

500 Hz ftr 1500 Hz

Tabela 2. Quantidade de simulações realizadas para cada sistema.

Distúrbio de Tensão

 

Sistema

5 Barras

33 Barras

134 Barras

Outage

24

48

48

Harmônico

72

144

144

Swell

48

72

72

Sag

48

72

72

Swell com Harmônico

48

96

96

Sag com Harmônico

48

96

96

Transitório

     

Oscilatório

48

96

96

Total

336

624

624

4. Metodologia Proposta

A metodologia proposta para esta ferramenta de diagnóstico é dividida em duas fases, a

fase de censoriamento e a fase de monitoramento. Estas fases são descritas a seguir:

4.1. Censoriamento

Nesta fase, geram-se os detectores para o SIA, processo o qual é feito em modo off-line. Inicialmente definem-se quais são os sinais que devem ser protegidos, ou seja, os sinais próprios. Os sinais próprios têm as características de operação normal do sistema, então tudo que for diferente do estado operacional normal é uma anormalidade. Então a partir dos dados simulados os detectores são gerados aleatoriamente. Assim os dados simulados são testados para verificar se casam com algum sinal próprio, se um casamento é encontrado o vetor aleatório é rejeitado, caso contrário, é aceito como detector no conjunto de detectores para o distúrbio em questão. Esse processo é repetido até que um número desejado de detectores seja obtido para cada distúrbio. Este processo nada mais faz do que extrair as características de cada tipo de distúrbio e armazenar na memória para realizar as detecções e classificações. Utiliza-se o casamento parcial proposto por (Bradlay, 2002), onde se necessita que somente parte dos detectores sejam acionados para indicar a presença de uma anomalia.

4.2. Monitoramento dos dados

A fase de monitoramento é dividida em três módulos, os quais são responsáveis por

fazer a aquisição dos dados, a detecção próprio/não-próprio e a classificação dos distúrbios. A figura 3 ilustra o fluxograma da fase de monitoramento dos dados.

Inicio
Inicio

Não

Leitura dos Sinais

Detecção dos Distúrbios Encontrou sinal não-próprio ? Si m

Detecção dos Distúrbios

Encontrou sinal

não-próprio ?

Si

m

Distúrbios Encontrou sinal não-próprio ? Si m Classificação do distúrbio Impressão do Diagnóstico

Classificação do distúrbio

não-próprio ? Si m Classificação do distúrbio Impressão do Diagnóstico Módulo: Aquisição dos Dados

Impressão do Diagnóstico

Módulo: Aquisição dos Dados

Módulo: Detecção

Módulo: Classificação

Figura 3. Fluxograma da fase de Monitoramento

No módulo de aquisição de dados o algoritmo faz a leitura das oscilografias de tensão medidas na subestação (via sistema de aquisição de dados (SCADA)). Essa captura ocorre visando realizar o monitoramento do erro, e captura é feita em tempo real.

O módulo de detecção é o responsável por fazer o reconhecimento dos dados, classificando-os em próprios e não-próprios. Sendo os sinais próprios o estado normal de operação do sistema, e os sinais não-próprios a identificação de uma anomalia. A figura 4 ilustra o processo de detecção.

Detectores Fase A Módulo Detector Fase A SIA Fase A Detectores Fase B Saída Fase
Detectores
Fase A
Módulo Detector
Fase A
SIA Fase A
Detectores
Fase B
Saída
Fase B
SIA Fase B
Próprio/não-próprio
Detectores
Fase C
Fase C
SIA Fase C
Entrada de dados

Figura 4. Fluxograma da fase de Monitoramento

Como se observa na figura 4, para cada fase do sistema existe um sistema imunológico artificial com seus respectivos detectores, sendo assim caso seja identificado alguma anomalia naquela fase o sistema ira acusar na saída como próprio ou não-próprio. A tabela 3 a seguir apresenta a codificação para a saída na fase de detecção.

Tabela 3. Codificação da saída próprio/não-próprio.

Saída

Não-próprio na Fase A

Não-próprio na Fase B

Não-próprio na Fase C

Fase A

1

0

0

Fase B

0

1

0

Fase C

0

0

1

Sendo que “0” representa um sinal próprio, e “1” representa um sinal não- próprio.

No momento de monitoramento próprio/não-próprio se o sistema detecta alguma anomalia em alguma fase o módulo de classificação é acionado e executado somente na fase a qual foi identificada uma anomalia. O módulo de classificação é responsável por identificar a que tipo de distúrbio a anomalia se enquadra e classifica-la dentre os distúrbios de tensão.

A Execução do módulo é semelhante à detecção próprio/não-próprio, porém é executada somente na fase que foi acionado a detecção. Então na fase acionada um SIA

juntamente com seu conjunto de detectores para cada tipo de distúrbio, faz a análise do sinal e retorna uma saída codificada para os 7 tipos de distúrbios trabalhados neste artigo, a saída indica a qual distúrbio o sinal analisado representa. A tabela 4 apresenta a codificação para o diagnóstico encontrado pelo sistema.

Tabela 4. Codificação do diagnóstico encontrado.

 

Sag

Swell

Sag com

Swell com

Outage

Harmônico

Transitório

Harmônico

Harmônico

Oscilatório

 

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

Saída

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

5. Resultados

A metodologia proposta foi desenvolvida na linguagem MATLAB. Todas as simulações

foram realizadas utilizando um PC Intel Core 2 Duo 1.9 GHz, 2 GB de Memória RAM,

e sistema operacional Windows 7 Ultimate 32 bits. O algoritmo proposto foi aplicado

aos dados dos sistemas de distribuição de energia elétrica de 5, 33 e 134 barras. Os dados de linha e de carga dos sistemas de 33 e 134 são encontrados em (Baran e Wu, 1989; LaPSEE, 2011) e os dados do sistema de 5 barras estão apresentados no Apêndice deste artigo.

5.1. Características dos sistemas elétricos

O sistema de 5 barras é um sistema teste que possui 4 barras de carga, 1 subestação e 4

circuitos, tem como tensão base 11,5 kV, e as condições de carga total ativa e reativa

são de 15,3 kW e 8,8 kVAr.

O sistema de 33 barras é um sistema teste que possui 32 barras de carga, 1

subestação e 32 circuitos, tem como tensão base 12,66 kV, e as condições de carga total

ativa e reativa são de 3.715 kW e 2.315 kVAr. (Baran e Wu, 1989).

O sistema de 134 barras é um sistema de distribuição real, com as seguintes

características: aéreo, trifásico, ramificado, composto por 134 barras, 13,8 kV, 7,065 MVA, mutuamente acoplado e com fator de potência das cargas igual a 0,92. A tabela 4 apresenta os resultados obtidos na detecção e classificação dos distúrbios de tensão para o sistema de 134 barras (LaPSEE, 2011).

5.2. Resultados Obtidos

A Tabela 5 apresenta os resultados obtidos na detecção e classificação dos

distúrbios de tensão para os sistemas de 5, 33 e 134 barras.

Tabela 5. Resultados para os sistema testados.

 

Sistema de 5 Barras

Sistema de 33 Barras

Sistema de 134 Barras

 

Padrões

 

Padrões

 

Padrões

 

Diagnóstico

testados

Acerto (%)

testados

Acerto (%)

testados

Acerto (%)

Swell

48

100,00

72

100,00

72

100,00

Sag

48

97,22

72

98,61

72

94,44

Outage

24

100,00

48

100,00

48

100,00

Harmônico

72

100,00

144

100,00

144

100,00

Swell com

           

Harmônico

48

100,00

96

100,00

96

100,00

Sag com

48

97,91

96

97,91

96

97,91

Harmônico

Transitório

           

Oscilatório

48

100,00

96

100,00

96

100,00

Total

336

99,30

624

99,51

624

98,97

6. Conclusão

Neste artigo foi apresentado um método de detecção e classificação de distúrbios de tensão em sistemas de distribuição de energia elétrica baseado no SIA. Foram descritas as principais etapas e características do ASN e sua aplicação no problema proposto. Simulações para validação do algoritmo foram realizadas. Como dados de entrada do sistema, o algoritmo precisa apenas dos dados oscilográficos das tensões nas fases medidas na subestação. Por causa da indisponibilidade de se fazer medições em campo, foi utilizado o software EMTP, próprio para simulação de transitórios eletromagnéticos em sistemas elétricos. O algoritmo proposto apresentou excelentes resultados obtendo um ótimo índice de acerto, tendo uma média de 99,26% de acerto em todos os dados dos três sistemas simulados. A fase de geração de detectores é a que demanda maior tempo computacional, mas como é executada de forma off-line não acarretando prejuízo ao algoritmo. A fase de monitoramento do sistema, a partir da coleta dos dados, é realizada rapidamente (inferior a 100 milésimos de segundo), o que credencia o algoritmo a ser uma ferramenta utilizada em tempo real, já que as decisões precisam ser tomadas rapidamente.

Sendo assim, conclui-se que os sistemas imunológicos artificiais, com base no algoritmo de seleção negativa, tem um desempenho satisfatório nos testes realizados nos dois sistemas elétricos propostos, então a metodologia proposta é bastante confiável para a detecção e classificação de distúrbios de tensão. Na sequência desta pesquisa serão enfocadas outras estratégias de sistemas imunológicos visando tornar a aplicação mais competitiva (eficiência, confiabilidade e com tempo de processamento bastante reduzido, entre outros requisitos). Neste caso, será investigada a possibilidade de aplicação em ambiente de sistemas de distribuição em caráter antecipatório (Vachtsevanos et al., 2005). Ou seja, identificar e localizar situações críticas, em um estágio incipiente, de faltas ou percursores de faltas que potencialmente podem provocar danos em componentes do sistema e, principalmente, a interrupção do fornecimento de energia aos consumidores.

Agradecimentos

Agradecemos primeiramente a Deus, as nossas famílias, e por fim um especial agradecimento a CAPES pelo apoio (concessão de bolsa de Mestrado). Os autores agradecem à FAPESP (Fundação de Amparo à Pesquisa do Estado de São Paulo) pelo apoio financeiro de pesquisa (Proc. Nº 2011/06394-5).

Referências

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.

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

Baran, M. E. and Wu, F. F. (1989), Network reconfiguration in distribuition systems for loss reduction and load balancing. IEEE Transactions on Power Delivery, New York, v. 4, n. 2, p. 1401-1407.

Barros, A. C

elétricos de Potência usando lógica fuzzy. 94 f. Dissertação (Mestrado em Engenharia Elétrica) Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2009.

Bradley, D.W.; Tyrrell, A.M. Immunotronics - Novel Finite-State-Machine Architectures with Built-In Self-Test Using Self-Nonself Differentiation. IEEE Transactions on Evolutionary Computation.Vol. 6, pp. 227238, Jun 2002.

Carvalho, R. Alves, H. N. e Protásio, C. (2009). Algoritmo Baseado em Sistemas Imunológicos para Detecção de Faltas em Sistemas de Transmissão, IV Congresso de Pesquisa e Inovação da Rede Norte Nordeste de Educação Tecnológica, Belém- Pa.

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.

Chang, C. S. e Wen, F. S. (1998). Tabu search based approach to trouble call analysis. IEE Proc.-Gener. Transm. Distrib., Vol. 145, No. 6, p. 731-738.

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.

Dasgupta, D. (1998). “Artficial Immune Systems and Their Applications”. Springer- Verlag New York, Inc., Secaucus, NJ, USA.

de Castro, L. N. “Engenharia Imunológica: Desenvolvimento e Aplicação de Ferramentas Computacionais Inspiradas em Sistemas Imunológicos Artificiais”. Tese de Doutorado, Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, Brasil, 2001.

Detecção e classificação de faltas de alta impedância em sistemas

de

Castro,

L.

N.

and

Timmis,

J.

(2002).

“Artificial

Immune

Systems:

A

New

Computational Intelligence Approach”, Springer. 1st edition.

Decanini, J. G. M. S.; Tonelli-Neto, M.S.; Malange, F. C. V. and Minussi, C.R. “Detection and classification of voltage disturbances using a fuzzy-ARTMAP- wavelet network,” Elec. Power Syst. Research, v. 81, n. 12, pp. 20572065, 2011.

Decanini, J. G. M. S. Detecção e classificação de faltas de curto-circuito em sistemas de distribuição de energia elétrica usando lógica nebulosa. 110 f. Dissertação (Mestrado em Engenharia Elétrica) Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2008.

Dubé, 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.

EMTP-RV. Electromagnetic Transient Program, Powersys-Solutions, Le Puy-Sainte- Réparade, France, 2011.

Forrest, S., A. Perelson, Allen, L. & Cherukuri, R. (1994), “Self-Nonself Discrimination in a computer”, Proc. do IEEE Symposium on Research in Security and Privacy, pp.

202-212.

Fukui, C. e Kawakami, J. (1986). An expert system for fault section estimation using information from protective relays and circuit breakers,” IEEE Trans. On PWRD, vol. 1, no. 4, pp. 8390.

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

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.

LaPSEE,

http://www.dee.feis.unesp.br/lapsee/ Lines, Transactions of the AIEE, part III -

Disponível em:

2011.

Practical

134

bus

feeder

data.

Power Apparatus and Systems, v. 76 (Aug.), p. 518-539.

Lo, K. L.; Ng, H. S.; Trecat, J. (1997). Power system fault diagnosis using Petri nets. IEE Proc.- Gener. Transm. Distrib., Vol. 144, No. 3, p. 231-236.

MATLAB (2011). Software version 7.8 Mathworks company.

Monsef, H.; Ranjbar, A. M.; Jadid, S. (1997). Fuzzy rule-based expert system fault diagnosis. IEE Proc.-Gener. Transm. Distrib., Vol. 144, No. 2 (Mar.), p. 186-192.

power

Northcote-Green,

J.;

WILSON,

R.

Control

and

automation

of

electrical

distribution systems. Boca Raton: CRC/Taylor & Francis, 2007.

Stringfield, T. W., Marihart D. J. e Stevens R. F. (1957). Fault Location Methods for Overhead.

Tonelli-Neto, M. S. Formulação do controle preventivo em sistemas de distribuição de energia elétrica baseada na lógica fuzzy e redes neurais. 134 f. Dissertação (Mestrado em Engenharia Elétrica) Faculdade de Engenharia, Universidade Estadual Paulista, Ilha Solteira, 2012.

Vachtsevanos, G.V.; Lewis, F.; Roemer, M. Hess, A. and Wu, B. “Intelligent Fault Diagnosis And Prognosis For Engineering Systems”, John Wiley & Sons, 2005.

Vale, D. T.; Coser, J. e Rolim, J. G. (2006). F-LOC Ferramenta Inteligente para Diagnóstico de Faltas em Sistemas de Distribuição de Energia.

Wen, F. S. e Chang, C. S. (1997). Probabilistic approach for fault-section estimation in power systems based on a refined genetic algorithm. IEE Proc.-Gener. Transm. Distrib., Vol. 144, No. 2, p. 160-168.

Zadeh, L. A. Fuzzy sets. Information and Control, Maryland Heights, v. 8, n. 3, p. 338353, 1965.

Apêndice

Os dados de carga e linhas do sistema de 5 Barras estão apresentados nas tabelas 1 e 2 a seguir:

Tabela 1. Dados de Barra

Tabela 2. Dados de Linha

Barra

PD

QD

S

Linha

Barra

Barra

Resistência

Reatância

kW

kVar

Kva

De

Para

1

0

0

5000

1

1

2

0.2

0.25

2

10000

5000

-

2

1

3

0.3

0.5

3

3000

2000

-

3

1

4

0.1

0.15

4

1000

650

-

4

4

5

0.15

0.28

5

800

500

-

A Figura a seguir ilustra o sistema de 5 Barras simulado.

0.28 5 800 500 - A Figura a seguir ilustra o sistema de 5 Barras simulado.

Figura 1. Sistema de 5 Barras