Você está na página 1de 147

UNIVERSIDADE FEDERAL DO PARAN

WYRLLEN EVERSON DE SOUZA










SISTEMAS MULTIAGENTES INTELIGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES APLICADOS EM PROBLEMAS DE SISTEMAS
ELTRICOS DE POTNCIA
















CURITIBA
2012




WYRLLEN EVERSON DE SOUZA












SISTEMAS MULTIAGENTES INTELIGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES APLICADOS EM PROBLEMAS DE SISTEMAS
ELTRICOS DE POTNCIA
Tese apresentada ao curso de Ps-Graduao em
Mtodos Numricos em Engenharia, rea de
Concentrao em Programao Matemtica,
Departamento de Engenharia Civil, Departamento de
Matemtica dos setores de Tecnologia e de Cincias
Exatas da Universidade Federal do Paran, como
requisito parcial obteno do ttulo de Doutor em
Mtodos Numricos em Engenharia.


Orientador: Prof. Dr. Anselmo Chaves Neto
Co-Orientador: Prof. Dr. Alexandre Rasi Aoki









CURITIBA
2012




TERMO DE APROVAO



WYRLLEN EVERSON DE SOUZA





SISTEMAS MULTIAGENTES INTELIGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES APLICADOS EM PROBLEMAS DE SISTEMAS
ELTRICOS DE POTNCIA



Tese aprovada como requisito parcial para obteno do grau de Doutor no curso de Ps-Graduao em
Mtodos Numricos em Engenharia, setores de Tecnologia e Cincias Exatas da Universidade Federal
do Paran, pela seguinte banca examinadora:



__________________________________
Orientador: Prof. Dr. Anselmo Chaves Neto
Departamento de Estatstica, UFPR



__________________________________
Co-Orientador: Prof. Dr. Alexandre Rasi Aoki
PPGEE UFPR/ Lactec



__________________________________
Prof. Dr. Thelma Solange Piazza Fernandes
PPGEE UFPR



__________________________________
Prof. Dr. Germano Lambert Torres
PPGEE - UNIFEI



__________________________________
Prof. Dr. Reinaldo Castro Souza
PPGEE PUC-RIO


Curitiba, 12 de novembro de 2012





DEDICATRIA






















A Deus.
A minha Esposa
A minha Famlia.
Aos meus Amigos.
Dedico esse trabalho a minha querida
esposa Elisngela, ao meu pai Orlando, a
minha me Cleide e meu irmo
Woryk por estarem ao meu lado e por terem
me apoiado nessa etapa da minha vida.





AGRADECIMENTO




Agradeo a Deus pelo seu imenso amor e misericrdia revelado nas
oportunidades que a vida me trouxe. Quero tambm agradecer:

A minha esposa Elisngela pelo carinho, compreenso e pacincia
durante essa etapa da minha vida

A minha famlia pelo incentivo, confiana e carinho.

Ao meu orientador o Prof. Dr. Anselmo Chaves Neto, pela orientao,
incentivo e amizade desde o inicio do trabalho.

Ao meu co-orientador Dr. Alexandre Rasi Aoki, pela orientao e amizade
que muito influenciou nesse trabalho.

A todos os professores do programa de Ps-Graduao em Mtodos
Numricos em Engenharia, que ajudaram diretamente na realizao desse trabalho.

Aos pesquisadores do LACTEC pela pacincia e informao que foram
fundamentais nesse trabalho em especial.

Aos amigos que sempre estiveram ao meu lado e que foram fundamentais
para a realizao desse trabalho com seu apoio e incentivo.

A COPEL Distribuio pela cesso de dados e ao LACTEC pelo suporte
financeiro.

Por fim a todos que, de alguma forma, contriburam com a realizao
dessa dissertao.




EPGRAFE
























O tempo se foi, a cano terminou.
Pensei que tivesse algo mais a dizer...
Pink Floyd




RESUMO

O presente trabalho tem por finalidade apresentar a proposta de uma arquitetura de
Sistema Multiagentes (SMA) para o Reconhecimento e Classificao de Padres
aplicados em problemas de Engenharia de Potncia. A arquitetura proposta est
centrada na integrao de agentes inteligentes capaz de gerenciar mtodos de
Reconhecimento e Classificao de Padres. Para criao do Sistema Multiagentes
para Reconhecimento e Classificao de Padres foram definidos dois agentes
independentes, capazes de melhorar o Reconhecimento e Classificao de Padres
individualmente, sendo que a interao destes dois agentes ao sistema possibilite
uma melhora no processo global. O Agente Minerador de dados foi responsvel pela
filtragem dos dados e aplicao da Anlise Fatorial como uma tcnica de pr-
processamento de informao. O Agente Decisor utiliza uma Lgica Nebulosa com o
intuito de ponderar a classificao feita pelos Agentes Especialistas. Cada Agente
Especialista responsvel por gerenciar uma tcnica de Reconhecimento e
Classificao de Padres, obtendo assim as regras de classificao de uma nova
informao, bem como a Taxa Real de Acerto que obtida pelo mtodo de
Lachenbruch (leave-one-out). Para validar a eficcia de cada Agente Inteligente e do
Sistema Multiagentes de Reconhecimento e Classificao de Padres, foram
utilizados dois bancos de dados que contemplam problemas de Reconhecimento e
Classificao de Padres na Engenharia de Sistemas de Potncia. O primeiro banco
de dados contempla os dados de uma campanha de medio realizada no estado do
Paran que contm informaes sobre as caractersticas de demanda de
transformadores, informaes essas que so utilizadas na identificao e
classificao dos transformadores que apresentam problemas de Distores
Harmnicas de Tenso. O segundo banco de dados contempla caractersticas sobre
as estruturas metlicas de linhas de transmisso dentro do estado do Paran, essas
caractersticas so utilizadas como base de dados para analisar o risco de queda
destas estruturas.

Palavras-chave: Reconhecimento e Classificao de Padres, Estruturas Metlicas,
Distores Harmnicas de Tenso, Sistemas Multiagentes.





ABSTRACT

This work presents the development of Multi Agents System (MAS) architecture for
Recognition and Classification Patterns applied in problems on Power System. The
architecture proposed is centered on integrating intelligent agents able to manage
the methods of Recognition and Classification Patterns. For creating Multi Agent
System for Recognition and Classification Patterns defined two independent agents,
capable to improving the Recognition and Classification Patterns and that the
interaction of these two agents to the system allows an improvement in the global
process. The agent Data Mining was responsible for filtering the data and applying
the Factor Analysis as a technique for pre-processing of information. The Decisor
Agent uses a Fuzzy Logic in order to consider the classification made by the Agents
Specialists. Each Agent Specialist is responsible for managing a technical
Recognition and Classification Patterns, thus obtaining classification rules of the new
information and the Real Rate of Correct which is obtained by the method of
Lachenbruch (leave-one-out). To validate the effectiveness of each Intelligent Agent
and Multi Agent System for Recognition and Classification Patterns, was used two
databases that include problems Recognition and Classification Patterns in Power
System. The first database includes data from a measurement campaign conducted
in the state of Parana, which contains information on the characteristics of demand of
transformers, which then are used in the identification and classification of
transformers that have problems of Voltage Harmonic Distortions. The second
database includes characteristics on the metallic structures of transmission lines in
the state of Paran, these characteristics are used as a database to analyze the risk
of falling of these structures.

Key-words: Pattern Recognition and Classification, Metallic Structures, Voltage
Harmonic Distortion, Multi Agents System.









LISTA DE FIGURAS

FIGURA 2.1 DESIGN DA METODOLOGIA DO AGENTE DO SISTEMA PEDA ..... 26
FIGURA 2.2 MODELO DE UM NEURNIO ARTIFICIAL ....................................... 54
FIGURA 2.3 FUNES DE ATIVAO DE UMA RNA .......................................... 55
FIGURA 2.4 REDE NEURAL ARTIFICIAL .............................................................. 57
FIGURA 2.5 MODELO DE REDE NEURAL COM UMA CAMADA ......................... 57
FIGURA 2.6 MODELO DE REDE NEURAL COM DUAS CAMADAS ..................... 58
FIGURA 2.7 MODELO DE REDE NEURAL RECORRENTE .................................. 58
FIGURA 2.10 CONJUNTO NEBULOSO DA VARIVEL TEMPERATURA .......... 77
FIGURA 2.11 CONFIGURAO BSICA DE UM CONTROLADOR NEBULOSO. 78
FIGURA 2.12 DIAGRAMA TPICO DE UM MODELO DE INFERNCIA MAMDANI79
FIGURA 3.1 PERODO DE MONITORAO E PERODO DE ANLISE .............. 85
FIGURA 3.2 EXEMPLO DE DHTV ABAIXO DE 6% ............................................ 85
FIGURA 3.3 EXEMPLO DE DHTV ACIMA DE 6% .............................................. 86
FIGURA 3.4 ESPECTRO DA TENSO NO PERODO DE MAIOR DISTORO
ABAIXO DE 6% .......................................................................................................... 87
FIGURA 3.5 ESPECTRO DA TENSO NO PERODO DE MAIOR DISTORO
ACIMA DE 6% ............................................................................................................ 87
FIGURA 3.6 QUEDA DA ESTRUTURA 93 DA LT IRATI SABAR ...................... 90
FIGURA 3.7 QUEDA DA ESTRUTURA 34 DA LT MEDIANEIRA CU AZUL ..... 91
FIGURA 3.8 IDENTIFICAO DAS LINHAS ONDE OCORRERAM QUEDAS ...... 91
FIGURA 3.9 IDENTIFICAO DAS LINHAS SELECIONADAS PARA ESTUDO ... 92
FIGURA 3.10 PROPOSTA DE ARQUITETURA DO SISTEMA MULTIAGENTES .. 97
FIGURA 3.12 DIAGRAMA DE INTERAO ENTRE OS AGENTES .................... 102
FIGURA 3.13 PROCESSO DO AGENTE DECISOR ............................................ 103
FIGURA 3.14 FUNO DE PERTINNCIA PARA TAXA REAL DE ACERTO ..... 104
FIGURA 3.15 FUNO DE PERTINNCIA PARA VARIVEL DE SADA ........... 105
FIGURA 3.16 PROCESSO DOS AGENTES ESPECIALISTAS ............................ 107
FIGURA 4.1 SELEO DO NMERO DE FATORES DOS DADOS DE TESTE . 113
FIGURA 4.2 MTODO DE VALIDAO DA ARQUITETURA MULTIAGENTES . 117
FIGURA 4.3 SELEO DO NMERO DE FATORES DOS DADOS DAS DHTV 122






LISTA DE QUADROS

QUADRO 4.1 CLASSIFICAO DOS DADOS ORIGINAIS PELO MTODO DA
REGRESSO LOGSTICA COM TAXA DE ACERTO REAL ................................... 111
QUADRO 4.2 CLASSIFICAO DOS DADOS DAS ORIGINAIS PELO MTODO
DO ESCORE QUADRTICO COM TAXA DE ACERTO REAL ............................... 111
QUADRO 4.3 CLASSIFICAO DOS DADOS ORIGINAIS PELO MTODO DE
REDES NEURAIS COM TAXA DE ACERTO REAL ................................................ 112
QUADRO 4.4 CLASSIFICAO DOS DADOS GERADOS PELA ANLISE
FATORIAL PELO MTODO DA REGRESSO LOGSTICA COM TAXA DE ACERTO
REAL ........................................................................................................................ 114
QUADRO 4.5 CLASSIFICAO DOS DADOS GERADOS PELA ANLISE
FATORIAL PELO MTODO DO ESCORE QUADRTICO COM TAXA DE ACERTO
REAL ........................................................................................................................ 115
QUADRO 4.6 CLASSIFICAO DOS DADOS GERADOS PELA ANLISE
FATORIAL PELO MTODO DE REDES NEURAIS COM TAXA DE ACERTO REAL115
QUADRO 4.7 COMPARAO DOS MTODOS DE RECONHECIMENTO E
CLASSIFICAO DE PADRES DOS DADOS DE TESTE ................................... 115
QUADRO 4.8 CLASSIFICAO DOS DADOS DE TESTE PELO AGENTE
DECISOR COM TAXA DE ACERTO REAL ............................................................. 118
QUADRO 4.9 COMPARAO DOS MTODOS DE RECONHECIMENTO E
CLASSIFICAO DE PADRES DOS DADOS DE TESTE ................................... 118
QUADRO 4.10 CLASSIFICAO DOS DADOS DAS DISTORES
HARMONICAS DE TENSO PELO MTODO DA REGRESSO LOGSTICA COM
TAXA DE ACERTO REAL ........................................................................................ 120
QUADRO 4.11 CLASSIFICAO DOS DADOS DAS DISTORES
HARMONICAS DE TENSO PELO MTODO DO ESCORE QUADRTICO COM
TAXA DE ACERTO REAL ........................................................................................ 120
QUADRO 4.12 CLASSIFICAO DOS DADOS DAS DISTORES
HARMNICAS DE TENSO PELO MTODO DE REDES NEURAIS COM TAXA DE
ACERTO REAL ........................................................................................................ 120
QUADRO 4.13 CLASSIFICAO DOS DADOS DAS DISTORES
HARMNICAS DE TENSO APS A APLICAO DA ANLISE FATORIAL PELO
MTODO DA REGRESSO LOGSTICA COM TAXA DE ACERTO REAL ............ 124
QUADRO 4.14 CLASSIFICAO DOS DADOS DAS DISTORES
HARMNICAS DE TENSO APS A APLICAO DA ANLISE FATORIAL PELO
MTODO DO ESCORE QUADRTICO COM TAXA DE ACERTO REAL............... 124
QUADRO 4.15 CLASSIFICAO DOS DADOS DAS DISTORES
HARMNICAS DE TENSO APS A APLICAO DA ANLISE FATORIAL PELO
MTODO DE REDES NEURAIS COM TAXA DE ACERTO REAL .......................... 125




QUADRO 4.16 COMPARAO DOS MTODOS DE RECONHECIMENTO E
CLASSIFICAO DE PADRES DOS DADOS DAS DISTORES HARMNICAS
DE TENSO ............................................................................................................. 125
QUADRO 4.17 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
PELO MTODO DA REGRESSO LOGSTICA COM TAXA DE ACERTO REAL .. 126
QUADRO 4.18 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
PELO MTODO DO ESCORE QUADRTICO COM TAXA DE ACERTO REAL .... 126
QUADRO 4.19 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
PELO MTODO DE REDES NEURAIS COM TAXA DE ACERTO REAL ............... 126
QUADRO 4.20 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DA REGRESSO
LOGSTICA COM TAXA DE ACERTO REAL .......................................................... 129
QUADRO 4.21 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DO ESCORE
QUADRTICO COM TAXA DE ACERTO REAL ...................................................... 129
QUADRO 4.22 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DE REDES
NEURAIS COM TAXA DE ACERTO REAL .............................................................. 130
QUADRO 4.23 COMPARAO DOS MTODOS DE RECONHECIMENTO E
CLASSIFICAO DE PADRES DOS DADOS DAS QUEDAS DE ESTRUTURAS130
QUADRO 4.24 RESUMO DA APLICAO DA ANLISE FATORIAL COMO
AGENTE MINERADOR DE DADOS ........................................................................ 130
QUADRO 4.25 CLASSIFICAO DOS DADOS DAS DISTORES
HARMNICAS DE TENSO APS A APLICAO DA LGIA NEBULOSA ......... 132
QUADRO 4.26 COMPARAO DOS MTODOS DE RECONHECIMENTO E
CLASSIFICAO DE PADRES DOS DADOS DE DISTORES HARMNICAS
DE TENSO ............................................................................................................. 132
QUADRO 4.27 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DE REDES
NEURAIS COM TAXA DE ACERTO REAL .............................................................. 133
QUADRO 4.28 COMPARAO DOS MTODOS DE RECONHECIMENTO E
CLASSIFICAO DE PADRES DOS DADOS DAS QUEDAS DE ESTRUTURAS133
QUADRO 4.29 RESUMO DA APLICAO DA LGICA NEBULOSA COMO
AGENTE DECISOR ................................................................................................. 134
QUADRO 4.30 COMPARAO DOS RESULTADOS DOS DADOS DAS
DISTORES HARMNICAS DE TENSO ........................................................... 135
QUADRO 4.31 COMPARAO DOS RESULTADOS DOS DADOS DAS QUEDAS
DE ESTRUTURAS ................................................................................................... 135







LISTA DE TABELAS

TABELA 2.1 TABELA DE CLASSIFICAO .......................................................... 62
TABELA 3.1 CARACTERSTICAS DA COPEL PARA A ATUAO NO PARAN . 81
TABELA 3.2 CARACTERSTICAS DA COPEL DADOS DA DISTRIBUIO ....... 82
TABELA 3.3 DISTRIBUIO DOS PONTOS DE MONITORAO ....................... 83
TABELA 3.4 DISTRIBUIO DAS AMOSTRAS ENTRE REAS URBANAS E
RURAIS ...................................................................................................................... 84
TABELA 3.5 VALORES MXIMOS, MNIMOS E P95% DA DHTV - DENTRO DO
LIMITE (6%) ............................................................................................................... 86
TABELA 3.6 VALORES MXIMOS, MNIMOS E P95% DA DHTV - FORA DO
LIMITE (6%) ............................................................................................................... 86
TABELA 3.7 NMERO DE TRANSFORMADORES URBANOS MEDIDOS ........... 88
TABELA 3.8 VARIVEIS ASSOCIADAS CARACTERSTICA DO
TRANSFORMADOR .................................................................................................. 89
TABELA 3.9 VARIVEIS ASSOCIADAS CARACTERSTICA DO CONSUMO. .. 89
TABELA 3.10 RELAO DE CARACTERSTICAS NO-NUMRICAS PARA
NUMRICAS .............................................................................................................. 93
TABELA 4.1 BANCO DE DADOS PARA TESTE DA ARQUITETURA ................. 110
TABELA 4.2 ANLISE FATORIAL DOS DADOS DE TESTE ............................... 112
TABELA 4.3 CARREGAMENTOS FATORIAIS ROTACIONADAOS DO BANCO DE
DADOS DE TESTE .................................................................................................. 113
TABELA 4.4 ANLISE FATORIAL DOS DADOS DAS DISTORES
HARMONICAS DE TENSO ................................................................................... 121
TABELA 4.5 CARREGAMENTOS FATORIAIS ROTACIONADAOS DAS
DISTORES HARMONICAS DE TENSO ........................................................... 122
TABELA 4.6 ANLISE FATORIAL DOS DADOS DAS QUEDAS DE
ESTRUTURAS ......................................................................................................... 127
TABELA 4.7 CARREGAMENTOS FATORIAIS ROTACIONADAOS DAS QUEDAS
DE ESTRUTURAS ................................................................................................... 128




SUMRIO

1 INTRODUO ...................................................................................................................... 16
1.1 CASO I DISTORES HARMNICAS DE TENSO ........................................... 17
1.2 CASO II QUEDAS DE ESTRUTURAS METLICAS DE LINHAS DE
TRANSMIO ......................................................................................................................... 18
1.3 OBJETIVOS ....................................................................................................................... 19
1.3.1 Objetivos Especficos .................................................................................................... 19
1.3 ESTRUTURA DA TESE ................................................................................................... 19
2 REVISO DE LITERATURA ............................................................................................. 21
2.1 SISTEMAS MULTIAGENTES ......................................................................................... 21
2.1.1 Conceitos: Terminologia e Definies ........................................................................ 21
2.1.2 Agente Inteligente .......................................................................................................... 23
2.1.3 Definio dos Sistemas Multiagentes ......................................................................... 24
2.1.4 Implementao de Sistemas Multiagentes ................................................................ 24
2.1.5 Projetando Sistemas Multiagente ............................................................................... 26
2.1.6 Estado da Arte Sobre Aplicaes de Sistemas Multiagentes em Engenharia de
Potncia ..................................................................................................................................... 27
2.2 RECONHECIMENTO DE PADRES ............................................................................ 36
2.2.1 Anlise Discriminante Mtodo de Fisher ................................................................ 36
2.2.1.1 Problema Geral da Classificao com Vrias Populaes ................................. 37
2.2.1.3 Anlise Discriminante para Duas Populaes Mtodo de Fischer ................. 39
2.2.1.4 Discriminao Entre Diversas Populaes ............................................................ 43
2.2.1.5 Escore Discriminante Quadrtico de Classificao .............................................. 46
2.2.2 Regresso Logstica ...................................................................................................... 48
2.2.2.1 Modelo de Regresso Logstica ............................................................................... 48
2.2.2.2 Modelo de Regresso Logstica Simples ............................................................... 49
2.2.2.3 Modelo de Regresso Logstico Mltiplo ................................................................ 52
2.2.3 Redes Neurais Artificiais (RNAs) ................................................................................ 53
2.2.3.2 Neurnio Artificial ....................................................................................................... 54
2.2.3.3 Funes de Ativao de uma RNA ......................................................................... 55
2.2.3.4 Caractersticas Gerais das RNAs ............................................................................ 55
2.2.3.5 Treinamento de uma RNA de Mltiplas Camadas ................................................ 59
2.2.3.6 Algoritmo Back- Propagation .................................................................................... 59




2.3 AVALIAO DA FUNO DE CLASSIFICAO ...................................................... 60
2.3.1 Critrio TPM (Total Probability of Misclassification) ................................................. 60
2.3.2 Abordagem de Lachenbruch ........................................................................................ 63
2.4 ANLISE FATORIAL ........................................................................................................ 64
2.4.1 Modelo Fatorial Ortogonal ............................................................................................ 65
2.4.2 Mtodo das componentes principais via matriz de covarincia ............................. 68
2.4.3 Mtodo das componentes principais via matriz de correlao amostral .............. 69
2.4.4 Rotao ortogonal de fatores ....................................................................................... 71
2.4.4.1 Critrio Varimax .......................................................................................................... 71
2.4.4.2 Critrio Quartimax ...................................................................................................... 72
2.4.4.3 Critrio orthomax ........................................................................................................ 73
2.4.5 Determinao dos escores fatoriais ........................................................................... 73
2.4.5.1 Mtodo dos mnimos quadrados ponderados ....................................................... 74
2.5 LGICA NEBULOSA ....................................................................................................... 75
2.5.1 Teoria dos conjuntos nebulosos .................................................................................. 75
2.5.2 Variveis lingusticas ..................................................................................................... 76
2.5.3 Controle nebuloso .......................................................................................................... 77
2.5.4 Modelo Lingustico do Tipo Mamdani ......................................................................... 78
3 MATERIAL E MTODO ...................................................................................................... 81
3.1 MATERIAL ......................................................................................................................... 81
3.1.1 Caso I Campanha de Medio de Distores Harmnicas de Tenso ............. 81
3.1.1.1 Medies ...................................................................................................................... 82
3.1.1.2 Variveis Utilizadas .................................................................................................... 88
3.1.2 Caso II Histrico de Quedas de Estruturas de LTs no Estado do Paran ........ 90
3.1.2.1 Estruturas Metlicas em Operao na COPEL ..................................................... 92
3.1.2.2 Variveis Utilizadas .................................................................................................... 92
3.2 MTODO ............................................................................................................................ 94
3.2.1 Introduo ....................................................................................................................... 94
3.2.2 Sistema Multiagentes .................................................................................................... 95
3.2.2.1 Arquitetura do Sistema Multiagentes Proposta ..................................................... 95
3.2.3 Agentes de Suporte ....................................................................................................... 97
3.2.3.1 Agente Minerador de Dados ..................................................................................... 97
3.2.3.2 Agente de Comunicao ......................................................................................... 101
3.2.3.3 Agente Decisor ......................................................................................................... 102




3.2.4 Agentes de Especialistas ........................................................................................... 107
3.2.4.1 Agente Especialista 1 Regresso Logstica ..................................................... 108
3.2.4.2 Agente Especialista 2 Escore Quadrtica ......................................................... 108
3.2.4.3 Agente Especialista Redes Neurais ................................................................... 109
4 RESULTADOS E DISCUSSES .................................................................................... 110
4.1 TESTE DO SISTEMA MULTIAGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES ....................................................................................... 111
4.2 VALIDAO DO SISTEMA MULTIAGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES ....................................................................................... 119
4.2.1 Validao do Agente Minerador de Dados .............................................................. 119
4.2.1.1 Caso I Distores Harmnicas de Tenso ....................................................... 120
4.2.1.2 Caso II Quedas de Estruturas Metlicas de Linhas de Transio ................ 125
4.2.1 Validao do Decisor .................................................................................................. 131
4.2.1.1 Caso I: Distores Harmnicas de Tenso ...................................................... 131
4.2.1.2 - Caso II - Quedas de Estruturas Metlicas de Linhas de Transio ............... 133
4.3 RESULTADOS DA VALIDAO DO SISTEMA MULTIAGENTES PARA
RECONHECIMENTO E CLASSIFICAO DE PADRES ........................................... 134
5 CONCLUSES ................................................................................................................... 137
6 REFERNCIAS BIBLIOGRFICAS ............................................................................... 141


1 INTRODUO

Durante as ltimas dcadas houve um considervel crescimento do
interesse em problemas de Reconhecimento e Classificao de Padres, com
consequente aumento da necessidade de mtodos para uso na elaborao de
sistemas nesta rea.
O Reconhecimento de Padres o processo de inverter a relao entre
categoria geradora de padro e o prprio padro, ou seja, dado um vetor de
medidas de dimenso p pergunta-se: qual a categoria entre vrias possveis gerou
esse vetor? De forma que conhecendo a relao pode-se fazer a classificao de
pessoas doentes, imagens, objetos, entre outros. O crebro humano realiza esse
processo instantaneamente, mas computacionalmente, esse processo no to
rpido, nem to preciso. Em virtude disso, muitas pesquisas foram e continuam
sendo realizadas nessa rea. O primeiro algoritmo de reconhecimento e
classificao de padres foi elaborado por Fisher, em 1936, e foi denominado de
Funo Discriminante de Fisher, o qual utiliza conceitos estatsticos.
Um mtodo de reconhecimento de padres deve se basear no conhecimento
extrado dos itens pertencentes a uma base de dados classificados a priori e na
classificao de um novo item, desconhecido at ento. Dessa forma tem-se o
desenvolvimento de mtodos poderosos de reconhecimento de padres,
principalmente para tarefas como o reconhecimento de dgitos, reconhecimento de
faces, falhas em equipamentos, tendncias financeiras, entre outros.
Visto que em muitos problemas reais, apenas a utilizao de um mtodo de
Reconhecimento e Classificao de Padres, ou at mesmo comparao de vrios
mtodos, no so suficientes para uma boa classificao torna-se importante o
desenvolvimento de um sistema capaz de aplicar e gerenciar vrios mtodos de
Reconhecimento e Classificao de Padres. O presente trabalho tem como
propsito principal apresentar e testar uma arquitetura de Sistema Multiagentes que
permita combinar tcnicas de Reconhecimento e Classificao de Padres e
Minerao de Dados, capaz de identificar as variveis importantes para os modelos
e sintetizar os resultados apresentados por cada tcnica de Reconhecimento e
Classificao de Padres separadamente. Foram utilizados dados de dois
problemas de Reconhecimento e Classificao de Padres de Sistemas de Potencia
que so apresentados a seguir.


17

1.1 CASO I DISTORES HARMNICAS DE TENSO

Nos ltimos anos, a Qualidade da Energia Eltrica (QEE) tem despertado o
interesse dos rgos reguladores do setor eltrico. Isso se deve pela forte e
contnua degradao dos ndices de conformidade e continuidade preconizados
pelas normas vigentes. O desenvolvimento de equipamentos cada vez mais
sensveis s variaes no fornecimento da energia eltrica, a crescente
conscientizao da populao sobre seus direitos enquanto consumidores, aliados
escassez de documentos normativos que estabeleam penalidades sobre violaes
de limites, so alguns dos fatores que contribuem para a mencionada preocupao.
Igualmente, os reparos ou substituies de equipamentos eltricos, em face dos
elevados nveis dos distrbios, tm provocado custos financeiros indesejveis. Os
valores desses custos poderiam ser revertidos em investimentos para a melhoria do
sistema eltrico da concessionria.
Dos fenmenos associados Qualidade da Energia Eltrica, as distores
harmnicas de tenso merecem especial ateno, em virtude da crescente presena
de cargas com caractersticas no-lineares nas redes eltricas de distribuio. Esta
forte disseminao de cargas poluidoras, ou seja, cargas no-lineares expem
consumidores e concessionrias a nveis elevados de distoro harmnica, podendo
provocar efeitos indesejveis sobre o sistema, como o aumento das perdas eltricas,
funcionamento inadequado de equipamentos, sobretenses harmnicas, dentre
outros.
Diante do exposto, a quantificao e qualificao do contedo harmnico
nas redes eltricas de distribuio tornam-se extremamente importantes para
direcionar os esforos, na tentativa de mitigar ou reduzir o fenmeno, bem como,
subsidiar os rgos reguladores na especificao de limites aceitveis. No entanto,
para o cmputo dos patamares de distoro harmnica nas redes e instalaes
eltricas, via de regra, so realizadas sries de medies, intentando direcionar as
aes para especificar solues mitigadoras. Esta alternativa, contudo, nem sempre
se mostra eficaz, dado a quantidade de pontos possveis de monitoraes em
detrimento ao nmero de equipamentos disponveis, sendo ento importante a
utilizao de tcnicas para a quantificao das distores dentro do sistema.




18

1.2 CASO II - QUEDAS DE ESTRUTURAS METLICAS DE LINHAS DE
TRANSMIO

Um sistema de transmisso de energia eltrica compreende toda rede que
interliga as usinas geradoras s subestaes da rede de distribuio, sendo
necessrios milhares de quilmetros de linhas de transmisso (LT) que se interligam
com diferentes nveis de tenso.
Os tipos de linhas de transmisso mais comuns so: linha area, em
corrente alternada ou em corrente contnua com condutores separados pelo ar (meio
dieltrico), e linha subterrnea, com um fio central condutor isolado de um condutor
externo coaxial de retorno (FUCHS, 1977).
O sistema eltrico brasileiro interligado atravs de linhas de transmisso
areas por praticamente todo seu territrio. O estado do Paran, por exemplo,
possui mais de 7.500 km de linhas areas que se interligam por todo o estado
transmitindo energia nas tenses de 69 kV, 138 kV, 230 kV, 345 kV e 525 kV.
Para que os cabos areos que transportam a energia sejam sustentados de
forma eficaz e segura, so necessrias estruturas especficas para cada nvel de
tenso, para cada volume de carga a transportar e para diferentes tipos de relevos a
serem transpostos. Assim, de acordo com as especificidades de cada projeto, as
estruturas adotadas podem ser metlicas, de concreto ou mesmo de madeira, sendo
definido de acordo com a vegetao regional e sua densidade demogrfica.
Em um sistema de transmisso areo, existe uma srie de riscos associados
ao transporte da energia das fontes geradoras s fontes consumidoras finais. Dentre
estes riscos, os principais so: desgastes em cabos e ferragens, colises, descargas
por aproximao excessiva de objetos aos condutores e quedas das torres areas
devido a fatores climticos, as quais acarretam descontinuidades de abastecimento
e prejuzos de toda natureza. (WAZEN, 2008)
Normalmente as quedas de estruturas so identificadas aps a ocorrncia
de fortes chuvas e vendavais. A queda das estruturas traz por consequncia o
rompimento dos cabos de energia ou, quando no h rompimento de cabos, faz com
que ocorra um curto circuito fase-terra pelo contato de pelo menos um dos cabos
com o corpo da estrutura ou mesmo com o solo.
Assim, tendo em conta o uso intensivo de linhas areas cujos riscos
associados ao transporte podem levar ao desabastecimento de energia, uma anlise


19

quantitativa dos mesmos com o intuito de identific-los e mitig-los tem muito a
contribuir para o planejamento, operao e manuteno das linhas areas de
transmisso de energia eltrica.


1.3 OBJETIVOS

O principal objetivo deste trabalho apresentar uma arquitetura de um
Sistema Multiagentes (SMA), que seja capaz de gerenciar mtodos de
Reconhecimento e Classificao de Padres e Minerao de Dados das variveis de
entrada dos modelos bem como gerenciar a sntese dos resultados dos mtodos
aplicados.


1.3.1 Objetivos Especficos

A fim de alcanar o objetivo geral estabeleceram-se os seguintes objetivos
especficos:
1. Avaliar tcnicas de Reconhecimento e Classificao de Padres nos
problemas de testes e validao;
2. Testar o modelo de Anlise Fatorial para Minerao de Dados, bem como
interpretar os resultados dos fatores explicativos do modelo;
3. Apresentar a arquitetura do Sistema Multiagentes para o Reconhecimento
e Classificao de Padres;
4. Testar a tcnica de Lgica Nebulosa na sntese de classificao dos
modelos de Reconhecimento e Classificao de Padres.


1.3 ESTRUTURA DA TESE

Os prximos captulos esto estruturados da seguinte forma. O captulo 2
apresenta a reviso de literatura que:
Revisa os aspectos centrais dos Sistemas Multiagentes, bem como suas
propriedades e seus conceitos. Neste captulo tambm apresentado um


20

estudo do atual estado da arte sobre as aplicaes dos Sistemas
Multiagentes na soluo de problemas de Sistemas de Potncia.
Apresenta um estudo sobre os mtodos de Reconhecimento e Classificao
de Padres aplicados no trabalho, bem como suas definies e
propriedades.
Apresenta um estudo sobre Anlise Fatorial, metodologia aplicada como
Minerao de Dados dos problemas de teste e validao.
Apresenta um estudo sobre os conceitos fundamentais sobre Lgica
Nebulosa, que constitui da tcnica empregada na deciso do Sistema
Multiagentes para Reconhecimento e Classificao de Padres.
O captulo 3 descreve a sistemtica utilizada para a obteno dos dados
utilizados que sero utilizados para testes e validao da arquitetura do Sistema
Multiagentes (SMA) de reconhecimento e classificao de padres. Dois problemas
reais foram considerados neste trabalho com o objetivo de testar e validar o sistema
de reconhecimento e classificao de padres apresentada.
Nesse captulo tambm abordada a construo da arquitetura do Sistema
Multiagentes (SMA), bem como a funo de cada agente do modelo.
O captulo 4 apresenta os resultados da aplicao da tcnica de Anlise
Fatorial como minerao de dados, os resultados dos mtodos de Reconhecimento
e Classificao de Padres e os resultados do Sistema Multiagentes de
Reconhecimento e Classificao de Padres.
Finalmente no captulo 5 so apresentadas as concluses e finalmente as
referncias.



21

2 REVISO DE LITERATURA


2.1 SISTEMAS MULTIAGENTES

Por mais de uma dcada, a proposta de utilizao dos Sistemas
Multiagentes (SMA) na aplicao de problemas de engenharia de potncia vem sido
relatada em artigos (Institute of Electrical and Electronics Engineers IEEE). Essa
tecnologia foi implementada em uma gama de aplicaes, tais como: diagnstico
preliminar, condio de monitorao, restaurao de sistemas de potncia,
simulaes de mercado, controle de redes, automao, entre outros.
McArthur, et al (2007) apresentaram um trabalho com o intuito de investigar
todas as questes acerca da aplicao de Sistemas Multiagentes em problemas de
sistemas eltricos de potncia. Esse trabalho contm trs partes importantes para a
compreenso dos Sistemas Multiagentes, as quais sero utilizadas para delinear
esse tpico da reviso de literatura. So elas:

Definio dos Sistemas Multiagentes e dos benefcios obtidos atravs da
sua aplicao na engenharia de potncia;
Devido SMA ser uma tcnica relativamente nova, apresenta uma
investigao dos desafios tcnicos que devem ser superados, com intuito
da sua utilizao de forma eficaz;
A terceira parte apresenta recomendaes e orientaes sobre o uso
adequado das normas, mtodos de concepo e implementao dos
Sistemas Multiagentes.


2.1.1 Conceitos: Terminologia e Definies

Para se explorar os benefcios dos Sistemas Multiagentes na aplicao em
engenharia de potncia deve-se entender claramente os conceitos bsicos sobre o
sistema.


22

O fato de existir vrias definies sobre o que seria um agente demonstra a
dificuldade de definio. Mesmo existindo vrias definies, todas elas compartilham
de um conjunto bsico de conceitos:
Noo de um agente;
Seu meio ambiente;
Propriedade de autonomia.
Uma definio bsica definida por Wooldridge e Weiss (1999) baseado nos
trabalhos de Russell e Norvig (1995) e Maes (1995) revela que um agente
meramente um software (ou hardware), entidade que est situado em algum
ambiente e autonomamente capaz de reagir s mudanas nesse ambiente.
O ambiente simplesmente tudo externo ao agente, ou seja, a fim de estar
situado em um ambiente ou em pelo menos parte do ambiente a ser observvel, ou
de certo modo modificvel. Esse ambiente pode ser fsico (por exemplo, o sistema
eltrico) e, portanto, observveis atravs de sensores. Ou pode ser o ambiente
interno como, por exemplo, fontes de dados, recursos computacionais e de outros
agentes. Isso pode ser denominado de programa observvel atravs de chamadas
de sistema e mensagens.
Um agente pode alterar o ambiente, executando alguma ao: fisicamente,
como fechar um ponto normalmente aberto de reconfigurao de uma rede, ou
virtualmente como, o armazenamento de diagnstico, informaes em um banco de
dados. O agente deve ter a capacidade de interagir com diferentes ambientes sem
afetar a sua capacidade de raciocnio, nem os objetivos que foram projetados para
alcanar. Isto significa que um agente pode operar em qualquer ambiente que
suporta tarefas que ele tenha a inteno de executar.
Na definio de Wooldridge e Weiss (1999), uma entidade situada em um
ambiente apenas um agente que pode agir de forma autnoma, em resposta s
mudanas ambientais. A autonomia um termo um pouco evasivo, utilizado em
todas as definies de agentes, mas raramente definido. Franklin e Graesser (1996)
definem a autonomia de um agente como exerccios de controle sobre suas
prprias aes, o que significa iniciar aes em horrio determinado para a
execuo. Russell e Norvig (1995) vo mais longe, exigindo que a autonomia seja a
resposta as aes de alguma mudana no ambiente e no apenas o resultado de
algum conhecimento construdo. Autonomia , portanto, a capacidade de ao com
base nas observaes ambientais.


23

De uma perspectiva da engenharia, essa definio problemtica, pois no
distingue claramente os agentes de software e sistemas de hardware j existentes.
Indiscutivelmente, no mbito da definio acima, alguns sistemas j existentes
poderiam ser classificados como agentes, como, por exemplo, um rel de proteo
pode ser considerado um agente, pois ele est situado no seu ambiente, ou seja, em
um sistema de potncia ele reage s mudanas no ambiente como alteraes de
tenso. Tambm apresenta um grau de autonomia. Argumentos semelhantes podem
ser feitos por sistemas de software, tais como Unix e sistemas antivrus. Com isso h
uma necessidade de saber como agentes e Sistemas Multiagentes diferem dos
sistemas existentes, alm disso, preciso estudar quais as vantagens da aplicao
da tcnica em problemas na engenharia de potncia.


2.1.2 Agente Inteligente

Com intuito de diferenciar os Sistemas Multiagentes com os j existentes,
adota-se uma definio de agente inteligente proposta por Wooldridge e Weiss
(1999), que estende o conceito de um agente definido acima para de um agente
inteligente, alargando a definio de autonomia para autonomia flexvel. Um agente
inteligente, ou um agente que exibe autonomia flexvel, composto pelas trs
caractersticas a seguir:
Reatividade: um agente inteligente capaz de reagir s mudanas no
seu ambiente em tempo hbil e toma alguma ao com base nessas mudanas e da
funo a que se destina alcanar;
Pr-atividade: um agente inteligente apresenta um objetivo direto de
comportamento. O objetivo direto denota o comportamento de um agente que
dinamicamente muda seu comportamento a fim de atingir os seus objetivos. Por
exemplo, se um agente perde a comunicao com outro agente, cujos seus servios
sejam necessrios para cumprir seus objetivos, ele ir procurar outro agente que
fornece o mesmo servio. Wooldridge e Weiss (1999) descrevem a pr-atividade
como a capacidade do agente de tomar a iniciativa.
Habilidade social: agentes inteligentes so capazes de interagir com
outros agentes inteligentes. Capacidade social conota a simples passagem de dados
entre diferentes softwares e entidades de hardware. Ela denota a capacidade de


24

negociar e interagir em uma maneira cooperativa. Essa capacidade normalmente
apoiada por uma linguagem de comunicao do agente, que permite que eles
conversem entre si e no simplesmente transmitam dados.
No s as caractersticas de reatividade, pr-atividade e habilidade social
ajudam a distinguir os agentes dos sistemas tradicionais de hardware e software,
como tambm a partir delas discuti-se nas sees a seguir que muitos de seus
benefcios so derivados dessas qualidades.


2.1.3 Definio dos Sistemas Multiagentes

Os Sistemas Multiagentes compreendem de dois ou mais agentes ou
agentes inteligentes. importante reconhecer que no existe uma meta global do
sistema, simplesmente as metas locais de cada agente separado. As intenes do
projetista do sistema para o sistema s pode ser realizado atravs da incluso de
vrios agentes inteligentes, com metas locais correspondentes a pedaos.
Dependendo da definio especfica de cada agente, os agentes em um Sistema
Multiagentes podem ou no ter a capacidade de comunicar diretamente entre si.
Porm, nas definies de agentes inteligentes proposta por Wooldridge e Weiss
(1999), estes devem ter capacidade social e, portanto, devem ser capazes de se
comunicar uns com os outros. Essa capacidade de interao entre agentes o que
diferencia claramente os Sistemas Multiagentes de outros tipos j existentes.


2.1.4 Implementao de Sistemas Multiagentes

Quando se trata de implementao dos Sistemas Multiagentes existem duas
questes fundamentais a serem consideradas:
Como deve ser construdo um agente inteligente autnomo para
aplicaes na engenharia de potncia?
Como deve ser construda uma sociedade de agentes para aplicaes na
engenharia de potncia?
Os agentes vm sendo atualmente investigados por uma gama de
aplicaes dentro da comunidade de monitoramento e diagnstico para o controle


25

de rede. A justificativa para a sua utilizao muitas vezes encontra-se nas
propriedades supostamente inerente autonomia flexvel, reatividade, pr-atividade,
capacidade social, na natureza da distribuio de agentes, na possibilidade de
comportamento emergente e na tolerncia a falhas.
Porm, a escolha de um design especfico para a aplicao da tcnica pode
restringir ao ponto de que essas propriedades no sejam exibidas. Por esta razo,
essencial que as melhores prticas atuais sejam seguidas ao desenvolver um
Sistema Multiagentes. Assim, se faz necessria uma discusso sobre o atual estado
da arte, abordando padres de sistemas j existentes como o Common Information
Model CIM (2005), averiguando a melhor forma de permitir interoperabilidade entre
agentes de diferentes designers e finalmente analisando a anatomia de um agente,
que identificado como uma rea que requer mais pesquisas.
O uso de padres se torna importante para o desenvolvimento dos Sistemas
Multiagentes nas aplicaes em engenharia de potncia. Utilitrios esto se
esforando para uma maior integrao entre sistemas anteriormente separados.
Normas recentes, como os sistemas de energia CIM (2005), promovem interfaces
abertas entre sistemas de gesto de energia de diferentes fornecedores, e IEC
61850 (2005), promovem a interoperabilidade entre dispositivos dentro de
subestaes. Como a aplicao da tecnologia dos Sistemas Multiagentes est
sendo amplamente difundida dentro da engenharia de potncia, a adoo de normas
que promovam a interoperabilidade entre os sistemas no futuro seria vantajoso, ou
uma necessidade.
Nos ltimos anos, a (FIPA) prope normas para o desenvolvimento dos
Sistemas Multiagentes diante da comunidade da cincia da computao. Em 2005, a
FIPA foi formalmente aceita como comit normativo da IEEE Computer Society.
A FIPA tem como objetivo definir as especificaes e normas que podem ser
utilizadas para apoiar a interoperabilidade entre os sistemas baseados em agente
desenvolvido por diferentes empresas e organizaes. Estas normas tm um grande
impacto no somente sobre os mtodos da comunicao entre agentes, mas
tambm sobre como a arquitetura bsica de um Sistema Multiagentes deve ser
implementada.





26

2.1.5 Projetando Sistemas Multiagente

Desde meados de 1990, inmeras metodologias surgiram para a
especificao e design dos Sistemas Multiagentes. Metodologias de projeto dos
Sistemas Multiagentes tendem a compartilhar algumas caractersticas comuns: uma
fase de conceituao, onde o problema a ser resolvido especificado; uma fase de
anlise; e uma fase de projeto que usa os resultados da fase de anlise para a
produo de detalhes de desenhos de diferentes agentes.
Na figura 2.1, a seguir temos a ilustrao das diferentes fases da
metodologia do projeto que McArthur, McDonald e Hossack,(2003) usou para
especificar e projetar o sistema PEDA. Cada etapa da metodologia produz material
que usado nas fases posteriores do processo de criao. A metodologia se inicia
com um conhecimento estruturado de engenharia, especificando os requisitos do
sistema e capturando o conhecimento necessrio para cumprir estes requisitos.


FIGURA 2.1 DESIGN DA METODOLOGIA DO AGENTE DO SISTEMA PEDA
FONTE: MCARTHUR, MCDONALD E HOSSACK,(2003)



27

Durante o estgio de decomposio de tarefas, a especificao de requisitos
e conhecimento adquirido na fase anterior so transformados em uma hierarquia de
tarefas e subtarefas. Estas tarefas podem incluir as funes desempenhadas pelos
sistemas legados. No caso do sistema PEDA, o legado de sistemas inteligentes foi
utilizado para fornecer dados de funes de anlise. Aps a decomposio de
tarefas, a ontologia pode ser projetada.
A fase de modelagem do agente utiliza a hierarquia de tarefas e projeto de
ontologia para identificar um grupo de agentes autnomos com as habilidades para
executar as tarefas na hierarquia. Um agente pode encapsular uma ou mais tarefas
e cada uma das tarefas na hierarquia deve ser atribuda a pelo menos um agente. O
resultado um conjunto de modelos de agentes que especifique as atribuies que
os mesmos devem ser capazes de realizar. A metodologia tambm identifica as
tarefas que podem ser atribudas aos sistemas legados e para que os novos cdigos
precisem ser gerados.
Uma vez que os agentes tenham sido identificados, as interaes dos
agentes de apoio precisam ser definidas. A fase final do processo a especificao
da funcionalidade de interao do agente e da funcionalidade de controle do agente,
isso equivale especificao do comportamento que um agente deve exibir.


2.1.6 Estado da Arte Sobre Aplicaes de Sistemas Multiagentes em Engenharia de
Potncia

Para a investigao do atual estado da arte dos Sistemas Multiagentes nas
aplicaes na engenharia de potncia foi realizado uma pesquisa utilizando como
principais os anais da Conferences Proceedings of the Intelligent Systems
Application to Power Systems (ISAP), que a principal conferncia sobre Sistemas
Multiagentes. E utilizados artigos das revistas IEEE Transaction on Power Systems,
IEEE Transactions on Power Delivery, IEEE Transaction on Energy Conversion e
IEEE Transactions Evolutionary Computing.
A partir dessa investigao foram detectadas quatro categorias de
aplicaes dos Sistemas Multiagentes na engenharia de potncia. As quatro
categorias so descritas a seguir:



28


- Monitorao e Diagnstico

A principal rea de aplicao dos Sistemas Multiagentes a gesto e
interpretao de dados nos problemas da engenharia de potncia. A tecnologia dos
Sistemas Multiagentes uma excelente ferramenta para a coleta e a manipulao
de informaes e conhecimento.
O monitoramento de equipamentos do sistema nos oferece uma srie de
desafios, como por exemplo:
Coleta de dados de uma variedade de sensores;
Interpretao dos dados para extrair informaes significativas.
Combinar as informaes de diferentes sensores para criar um diagnstico
geral;
Fornecer as informaes de diagnstico em um formato correto e
pertinente;
Alterar automaticamente o sistema de energia.

Se considerarmos transformadores do sistema, existem vrios sensores que
podem ser utilizados para monitor-los, como por exemplo: monitorao UHF de
descargas parciais, monitoramento de descargas parciais, e gs dissolvido na
medio de leo. Alm disso, informaes operacionais sobre o carregamento do
circuito e falhas tambm podem ser usados para informar o processo de diagnstico.
A tecnologia dos agentes permite a combinao de dados de todas estas fontes de
forma flexvel, ou seja, as informaes so utilizadas quando a mesma estiver
disponvel e relevante, delegando a tarefa de acompanhar cada fonte um agente
autnomo.
Como exemplo, um agente responsvel pelo acompanhamento da sada dos
sensores UHF informa o engenheiro ou ao algoritmo de diagnstico quando uma
atividade de descarga parcial significativa foi detectada. A autonomia do agente
permite determinar quando tal informao deve ser comunicada, e para quem. A
propriedade de flexibilidade permite a integrao das informaes de diagnstico, e
como essas informaes podem ser utilizadas. Novos sensores e algoritmos de
interpretao tambm podem ser introduzidos de modo homogneo em todo o
sistema, desde a arquitetura aberta permite extensibilidade.


29

Usando estes princpios, McArthur, Strachan e Jahn,(2004) desenvolveram
um Sistema Multiagentes para monitorao de condies de transformador. Como
uma idia nova, os agentes de monitoramento de condio tambm podem ser
capazes de modificar sua medida de tempo de processo, por exemplo, alterando a
taxa de aquisio de dados. Enquanto a conexo fsica dos instrumento raramente
podem ser modificados, num quadro de instrumentao virtual, o agente de
monitoramento pode controlar a execuo de instrumentos especficos. Isso traria
muitas vantagens como, por exemplo, a otimizao de recursos como bateria e
sistemas de computao.
Lim, et al. (2007) prope um Sistema Multiagentes para a coordenao de
dispositivos de proteo de um sistema de distribuio de energia. Os agentes so
incorporados em um dispositivo de proteo com o intuito de detectarem falhas ou
de se adaptar na rede de uma forma autnoma, a fim de promover mudanas nos
seus parmetros de funcionamento para as novas condies de operao atravs
da colaborao com outros agentes. Por exemplo, um agente associado a um rel
de sobrecorrente, calcula a carga mxima de corrente quando uma mudana
acontece na rede, e corrige os seus parmetros.
Simulaes de casos foram feitas para analisar os agentes e suas
operaes em um sistema de distribuio.
Hger, et al. (2009) apresenta uma aplicao dos Sistemas Multiagentes na
coordenao de controladores de fluxos de potncia. Cada agente associado a
dispositivos ao longo da rede que enviam mensagem contendo informaes sobre o
estado da topologia do sistema. Um agente de controle instalado em cada rede
avalia as informaes atravs de uma funo de ponderao, a fim de apresentar
uma anlise sobre a topologia do sistema, que permite efetuar aes de controle em
cada dispositivo da rede. A arquitetura utilizada combina as vantagens de uma
resposta rpida ao sistema e um design totalmente distribudo, que julgado como
essencial para o controle do fluxo de potncia, evitando assim aes errneas aps
eventos graves ou situaes inesperadas no sistema.
Baker, Catterson e McArthur, (2009) descrevem uma proposta de integrao
dos Sistemas Multiagentes na utilizao de sensores sem fio para monitoramento.
Este trabalho descreve os passos necessrios para integrar uma arquitetura de rede
sem fio com um sistema de monitoramento j existente.


30

Dois estudos de caso so apresentados para demonstrar diferentes cenrios
em que este sistema pode ser aplicado. O primeiro um experimento de laboratrio
baseados periodicamente captura temperatura e os dados de vibrao. O segundo
estudo de caso apresenta uma proposta para uma rede de sensores sem fio que
pode ser adicionada a uma j existente em uma subestao de transmisso no
Reino Unido. Estes estudos de caso demonstram que uma abordagem dos Sistemas
Multiagentes combinada com a rede de sensores sem fio pode ser usados para uma
srie de aplicaes de monitoramento.
Catterson, et al. (2009) detalha um projeto de operao baseado em agentes
para o acompanhamento de dois transformadores 275/132 Kv 180MVA situados no
Reino Unido. A tecnologia do Sistema Multiagentes foi utilizada como suporte para
integrar diferentes diagnsticos e mdulos de deteco de anomalias, com cerca de
50 sensores de captura de dados a cada 5 minutos. Para apoiar o diagnstico e a
deteco de anomalias, um grupo de agentes responsvel pelo tratamento de dados
e deteco de anomalias foram integrados ao sistema.
O sistema foi implementado em uma subestao para obteno de dados,
interpretao de medidas on-line a cada 5 minutos.
Momoh, Alfred e Xia, (2009) apresentam o desenvolvimento de uma
estrutura de um Sistema Multiagentes para deteco e diagnstico de Arcos falhas
nos sistema de potncia a bordo de navios. Tambm fornecido um gerenciamento
de falhas atravs de agendamento, que mantm a operao do sistema de potncia
a bordo. Os regimes de controle do Sistema Multiagentes so baseados em tcnicas
de otimizao baseada em regras.
O cenrio para a implementao do prottipo foi desenvolvido e testado em
um Sistema Integrado de Potncia (Power Integrated System - IPS). O resultado,
apresenta um aumento na eficincia da rede e a possibilidade minimizada de falhas
no detectadas.

- Ps-diagnstico de falhas do sistema de potncia

A investigao sobre as causas e o impacto das falhas nos sistemas de
potncia apresentam um grande nmero de fontes de dados. Estas fontes de dados
incluem a superviso, controle e aquisio de dados, dados de gravador digital de
falhas entre outros. De forma semelhante ao problema de monitoramento de


31

condies discutidas anteriormente, a automao da anlise desses dados de apoio
deciso se torna essencial para o sistema. Davidson, et. al. (2006) apresenta um
trabalho de um sistema do Reino Unido, que registrou um afluxo de 15 000 alarmes
de superviso e aquisio de dados e 1695 registros de falhas digital durante uma
nica tempestade. Os engenheiros requerem ferramentas de anlise de apoio eficaz
para combater tais situaes.
A investigao sobre a aplicao de sistemas inteligentes para a anlise dos
dados de sistemas de potncia est em curso por mais de duas dcadas e tem
produzido uma variedade de ferramentas e tcnicas para analisar as fontes de
dados individuais. A tecnologia do Sistema Multiagentes pode ser usada para
integrar ferramentas de anlise de dados, a fim de reforar o apoio a diagnstico,
dando uma viso holstica do desempenho de sistemas de energia com base em
uma variedade de fontes de dados.

- Controle Distribudo

Com a introduo da gerao de energia distribuda, controle de carga e
operaes de mercado a complexidade na distribuio de redes se torna cada vez
maior. Os Sistemas Multiagentes fornece uma tecnologia flexvel para o controle do
sistema de potncia moderno. A atual abordagem atravs de um sistema central
SCADA e vrios pequenos sistemas distribudos j no so suficientes para o
controle de determinadas operaes. Com isso uma abordagem que proporciona um
controle local adaptvel, inteligente e rpido se torna necessria. As aplicaes dos
Sistemas Multiagentes aplicados no controle distribudo incluem:
Restaurao do sistema de alimentao;
Operao de redes de distribuio de ativos;
Microgrid e;
Controle de sistemas eltricos de bordo.

Dimeas e Hatziargyriou, (2005) e Korbik, et al. (2005) apresentam uma
abordagem baseada em agentes, como uma alternativa para a gesto centralizada
de energia do sistema e controle. Com a gesto da distribuio e funcionalidade de
controle utilizando agentes inteligentes, a tomada de deciso sobre restaurao da


32

rede, reconfigurao, expedio de gerao e gesto de cargas podem ser
localmente gerenciados.
As tomadas de decises locais exigem que os agentes sejam capazes de
efetuar um conjunto de aes, tais como monitorao de condies locais, controle
de aparelhos do sistema em coordenao com outras regies da rede.
Davison e McArthur, (2007) descrevem a proposta de uma aplicao da
tecnologia dos Sistemas Multiagentes em um sistema de gesto de uma rede
regional autnoma AuRA-NMS. Esse sistema de gesto atualmente desenvolvido
numa parceria entre operadoras de distribuio, fabricantes de equipamentos e
diversas universidades do Reino Unido. O uso da tecnologia dos Sistemas
Multiagentes teve como objetivo fornecer um software flexvel e extensvel com o
intuito de integrar os softwares de gerenciamento da rede AuRA-NMS.
Huang, et al. (2007) propem uma arquitetura para os Sistemas
Multiagentes aplicado na reconfigurao de um sistema baseado em malha
estruturada do sistema de potncia. Uma das caractersticas importantes da
arquitetura proposta que cada agente interage com um componente do sistema de
potncia e eles trabalham de uma forma completamente descentralizada, ou seja,
no existe nenhum controle central do sistema. Nesta arquitetura se dois
componentes tem ligao fsica entre si, ento os agentes correspondentes so
definidos como agentes vizinhos. Cada agente tem comunicao restrita com o seu
agente vizinho.
Para testar a metodologia proposta uma plataforma de simulao de
hardware foi desenvolvido. A plataforma de simulao baseia-se em simuladores
digital em tempo real.
Dimeas e Hatziargyriou, (2007) apresentam uma proposta de utilizao de
um Sistema Multiagentes no controle de uma Usina Virtual (Virtual Power Plant).
Esta Usina Virtual formada por Micro-Grids e outras unidades de produo e
consumo e tem como objetivo fazer com que varias unidades de produo que no
esto conectadas cooperem como uma nica unidade do sistema. O objetivo
principal do trabalho apresenta as vantagens da utilizao de agentes de controle da
Usina Virtual. E apresenta atravs de exemplos e estudos de caso como a
inteligncia local e a capacidade social dos agentes podem fornecer solues para o
controle timo e eficaz da Usina Virtual.


33

Rosa, et al. (2009) apresentam uma proposta de construo de um ambiente
baseado em um Sistema Multiagentes, a fim de melhorar e clarificar as discusses
sobre o agendamento de manuteno, preveno no sistema de potncia. As
decises de manutenes do sistema em geral apresentam conflitos entre a
empresa de gerao e o Operador do Sistema de Transmisso. A empresa de
gerao, por exemplo, responsvel pela sua manuteno, mas tarefa do
Operador do Sistema de Transmisso agendar o perodo mais adequado para a
manuteno. Esta relao por vezes conflitante e pode ser visto como um
obstculo maximizao dos lucros das empresas de gerao, bem como ao
Operador do Sistema de Transmisso, que responsvel por manter a
confiabilidade do sistema global.
A fim de propor uma maneira de melhorar esse relacionamento, o trabalho
prope a criao de um ambiente baseado em um Sistema Multiagentes, onde as
Empresas Geradoras e o Operador do Sistema de Transmisso podem interagir afim
de atingir um cronograma mais adequado para manutenes.
Lim, et. al. (2009) apresentam um mtodo para melhorar a eficincia da
restaurao distribuda inteligente de um Sistema de Distribuio Automatizado
(DAS) com base num Sistema Multiagentes. Restaurao distribuda inteligente
um novo mtodo de restaurao que utilizam mtuas troca de informaes, seo
de separao automtica de falhas, com o objetivo de apresentar uma restaurao
mais rpida e confivel.
Lo, Wang e Lu, (2009) apresentam um Sistema Multiagentes aplicado na
restaurao de falha com e sem a assistncia de gerao distribuda e compara seu
desempenho com um sistema de processamento centralizado. Os resultados de
simulao indicam que, para deteco de falhas, isolamento e recuperao de
servio um Sistema Multiagentes pode superar o processamento centralizado do
sistema.
Os resultados da simulao mostram que o Sistema Multiagentes foi mais
eficiente que o sistema de processamento centralizado. Este estudo mostra que,
quando equipado com equipamentos de sincronizao adequada, a gerao
distribuda pode ser ativada para a operao de ilhamento intencional e/ou
coordenado com o apoio de alimentadores para reduzir a carga (um-served) durante
as falhas.


34

Du, et al. (2009) apresentam os resultados do estudo da viabilidade de um
novo conceito de colaborao on-line para controle de estabilidade de tenso no
sistema de potncia. Nesse estudo os autores prope a implementao dos
Sistemas Multiagentes usando a teoria de grafos para a execuo de controle do
sistema de potncia e a sua comunicao em tempo real. Os resultados dos testes
on-line colaborativa proposta de controle de estabilidade de tenso no caso das 10
mquinas do sistema de alimentao de 39 ns da Nova Inglaterra so
apresentados. Resultados de um estudo de viabilidade por meio de uma simulao
so apresentados que levam em considerao as falhas em cascata de baixa
probabilidade de o sistema de energia.

- Modelagem e Simulao

Dentro dos sistemas de potncia atuais a modelagem e a simulao de
situaes reais se torna muito complexa com a utilizao de mtodos tradicionais.
Por esta razo, o uso dos Sistemas Multiagentes na modelagem e nas simulaes
se torna um grande benfico para modelagem e simulaes de sistemas de
potncia. Estas aplicaes tm uma propriedade comum: o comportamento global
do sistema muito complexo, mas gerada pela interao de entidades mais
simples.
Widergren, et al. (2004) apresenta uma abordagem para modelagem
aplicada em simulaes no mercado de energia, onde os agentes so vistos como
fornecedores, corretores, geradores e os cliente.
Recentemente, a tecnologia dos Sistemas Multiagentes tem sido sugerida
por Hopkinson, et al. (2006), Vlachogiannis, Hatziargyiou e Lee, (2005), Koritarov,
(2004) e McArthur, et al. (2003) para a integrao e coordenao de diferentes
modelos e modelagem de software.
Gehrke e Bindner, (2007) apresentam uma arquitetura de um Sistema
Multiagentes em uma instalao experimental projetada para pesquisa sobre a
tecnologia de controle de sistemas distribudos de potncia (SYSLAB). A instalao
do SYSLAB construda em torno de uma plataforma de controle descentralizado, a
fim de permitir a anlise de arquiteturas de controle diferentes, e usa a tecnologia
dos agentes no papel de um corretor de servio.


35

Van Sickel e Lee, (2009) apresentam o desenvolvimento de varias
arquitetura de um Sistema Multiagentes baseados em Distributed Real-time Agent
Framework with Time Warp -DRAFT . O sistema baseado em abordagens de
design comum tomadas no desenvolvimento de complexos sistemas distribudos em
tempo real. A simulao de eventos discretos permite uma rpida e simulao e
sincronizao, garantindo simultaneamente que todas as tarefas sejam cumpridas.
Os agentes DRAFT podem passar da operao padro e operar em tempo pseudo-
real ou em tempo real para desenvolver todos os aspectos de um Sistema Multi-
agentes em tempo real. Os agentes DRAFT tambm apresentam a capacidade de
simulao de agentes independentes que poderiam ser usados para melhorar a
funcionalidade global do Sistema.
O uso de agentes DRAFT mostrou ser uma via eficaz para combinar a
simulao contnua de uma usina com a natureza discreta de um Sistema
Multiagentes.

- Proteo

A interao entre os Sistemas Multiagentes e dispositivos para proteo dos
sistemas de potncia explorada nos documentos de Park e Lim (2006), Sheng et
al. (2006), Coury at al. (2002), Fukui, at al. (1998) e Giovanini, at al. (2006).Em todos
os documentos citados acima, rels de proteo e equipamentos associados so
tratados como agentes e sua funcionalidade adicionadas de acordo com suas
necessidades. Nesses estudos est sendo investigando a tecnologia de Sistemas
Multiagentes como uma ferramenta para desenvolver esquemas de proteo
tolerantes a falhas e auto-coordenados.
Edwards, et al. (2007), descrevem uma arquitetura para um software de
segurana multiniveis baseado em agentes. O objetivo dessa arquitetura evitar
ataques conhecido e reduzir ou eliminar conseqncia de ataques bem sucedidos, a
fim de tornar a infra-estrutura eltrica mais segura sem comprometer as vantagens
da sua produtividade. Para validao do modelo de segurana um protocolo
experimental apresentado para validar a arquitetura do modelo de segurana. Os
resultados do teste mostram a eficcia da arquitetura desenvolvida.




36

2.2 RECONHECIMENTO DE PADRES


Para MULLER (1997), o reconhecimento de padres a rea de pesquisa
que tem por alvo identificar e discriminar objetos (padres) em certo nmero de
categorias ou classes. Algumas das aplicaes so:
- Reconhecimento de padres em imagens digitais;
- Anlise do desempenho empresarial;
- Concesso de crdito;
- Diagnstico mdico preliminar;
- Elaborao de perfis de consumidores;
- Processamento de sinais;
- Reconhecimento de fala e de rosto;
- Inspeo visual para automao industrial.
Em geral, deseja-se que um problema de reconhecimento de padres bem
definido e restrito possua pequenas variaes dentro da mesma categoria e grandes
variaes entre as diferentes categorias.
Segundo Chaves Neto (1997), estatisticamente, a construo de regras de
reconhecimento e classificao de padres para duas populaes podem ser
baseadas em quatro mtodos principais: Anlise Discriminante Mtodo de Fischer,
Escore Discriminante Quadrtico, Regresso Logstica e Mtodo das k-mdias.
Podem ser citadas tambm as tcnicas de Inteligncia Artificial para reconhecimento
e classificao de padres como, Redes Neurais, Conjuntos Aproximados (Rough
Sets), entre outras.


2.2.1 Anlise Discriminante Mtodo de Fisher

Segundo Johnson e Wichern (1998), a Anlise Discriminante uma tcnica
multivariada que tem por objetivo tratar dos problemas relacionados em separar
conjuntos distintos de objetos (itens ou observaes) e alocar novos objetos em
conjuntos previamente definidos. Quando empregada como procedimento de
classificao no uma tcnica exploratria, uma vez que ela conduz a regras bem
definidas, as quais podem ser utilizadas para classificao de outros objetos.


37

Tem como objetivos imediatos, quando usada para discriminao e
classificao, os seguintes:
1. Descrever algbrica ou graficamente as caractersticas diferenciais dos
objetos (observaes) de vrias populaes conhecidas a fim de achar
discriminantes cujos valores numricos sejam tais que as populaes possam ser
separadas tanto quanto possvel.
2. Agrupar os objetos (observaes) dentro de duas ou mais classes
determinadas. Tenta-se encontrar uma regra que possa ser usada na alocao
tima de um novo objeto (observao) nas classes consideradas. Uma funo que
separa pode servir para alocar um objeto e, da mesma forma, uma regra alocadora
pode sugerir um procedimento discriminatrio.
Na prtica, os objetivos 1 e 2, freqentemente, sobrepem-se e a distino
entre separao e alocao torna-se confusa.
A Anlise Discriminante foi originalmente desenvolvida na Botnica tendo
por objetivo fazer a distino de grupos de plantas com base no tamanho e no tipo
de folha o que tornaria possvel, posteriormente, classificarem as novas espcies
encontradas.


2.2.1.1 Problema Geral da Classificao com Vrias Populaes

Considere:
) ( X f
i
a funo densidade de probabilidade associada populao
i
H
com i= 1, ..., g;

i
p a probabilidade a priori da observao pertencer populao
i
H ;

k
R o conjunto dos X classificados em
k
H ;
) | ( i k c o custo de classificao de uma observao em
k
H quando na
verdade pertence a
i
H , com i= 1,...,g e ) | ( i i c =0 e
) | ( i k P a probabilidade de se classificar uma observao de
i
H em
k
H
sendo:
}
= =
k
R
i
g i dx X f i k P ,..., 1 ) ( ) | (
(2.1)


38

O Custo Esperado de Reconhecimento Errado (ECM) ao se classificar X de
i
H em
k
H , com k = 1, ..., g dado por:

=
= + + =
g
2 k
) 1 | k ( c ) 1 | k ( P ) 1 | g ( c ) 1 | g ( P ... ) 1 | 2 ( c ) 1 | 2 ( P ) 1 ( ECM (2.2)

De maneira anloga, obtem-se o ECM(2), ECM(3),..., ECM(g). Considerando
que ECM (k) ocorre com probabilidade
k
p com k = 1, 2,...,g ento:

) ( ... ) ( ) ( g ECM p ECM p ECM p ECM
g
+ + + = 2 1
2 1

(2.3)

logo,
}
= =
k
R
i
g i dx X f i k P ,..., 1 ) ( ) | (
(2.4)

) ) | ( ) | ( ... ) ) | ( ) | ( ) ) | ( ) | ( (


=
=
= =
+ + + =
1
1
2
1 2
1
2 2 1 1
g
k
g
k
k
g
k
g k c g k P k c k P k c k P p ECM
(2.5)

A regra de classificao consiste em se determinar
k
R (com k = 1, 2,...,g)
que tornem o ECM mnimo tanto quanto possvel, isto significa alocar
~
X na
populao
k
H de forma que:
) | ( ) (
2
1
i k c X f P
g
k
k
i
=
=

(2.6)

menor e, num caso de empate, X pode ser classificado em qualquer uma das
duas populaes para as quais o empate ocorre.
No caso de todos os custos serem iguais, suficiente alocar X na
populao
k
H em que:

=
=
g
k i
i
i
X f P
1
) (
(2.7)



39

menor. Mas essa quantidade ser menor quando o termo excludo ) ( X f P
k i
for
maior. Assim, a regra de classificao do ECM mnimo com custos iguais por falhas
de classificao alocar
~
X em
k
H se:
k i todo para X f P X f P
i i k k
= > ) ( ) (
(2.8)

ou, alternativamente, alocar X em
k
H se:
k i todo para X f P X f P
i i k k
= > ) ( ln ) ( ln
(2.9)


2.2.1.3 Anlise Discriminante para Duas Populaes Mtodo de Fischer

A idia de Fischer foi transformar observaes multivariadas s X' em
observaes univariadas s Y' tais que os s Y' das populaes
1
H e
2
H sejam
separadas tanto quanto possvel. Fischer tomou combinaes lineares de X para
criar os s Y' , dado que as combinaes lineares so funes de X e por outro lado
so de fcil clculo. Assim sendo
y 1
a mdia dos s Y' obtidos dos s x' pertencentes a
1
H (populao 1) e
y 2
a mdia dos s Y' obtidos dos s x' pertencentes a
2
H
(populao 2), Fischer selecionou a combinao linear que maximiza a distncia
quadrtica entre
y 1
e
y 2
relativamente variabilidade dos s Y' . Assim, seja:

) (
1 1
H = X E = valor esperado em uma observao multivariada em
1
H .
(2.10)

) (
2 2
H = X E = valor esperado de uma observao multivariada em
2
H .
(2.11)

e supondo a matriz de covarincia | | )' )( (
i i
X X E = E i = 1, 2 como sendo a
mesma para as duas populaes, e ainda considerando a combinao linear:
1 1 1 1
'
px xp x
X c Y =
(2.12)

tem-se :


40

1
1 1 1 1
' ) ( ' ) ' ( ) ( c X E c X c E Y E
y
= H = H = H =
(2.13)

2
2 2 2 2
' ) ( ' ) ' ( ) ( c X E c X c E Y E
y
= H = H = H =
(2.14)

e
c c c X V c X c V Y V
y
E = = = = ' ) ( ' ) ' ( ) (
2
o
(2.15)

que supostamente a mesma para ambas as populaes. Ento, segundo Fischer,
a melhor combinao linear a derivada da razo entre o quadrado da distncia
entre as mdias e a varincia de Y.
c c
c
c c
c c
c c
c c
y
y y
E
=
E

=
E

'
) ' (
'
)' )( ( '
'
) ' ' ( ) (
2
2 1 2 1
2
2 1
2
2
2 1
o

o

(2.16)

onde:

2 1
o = .
Assim, como
2 1
o = e X c Y ' = tem-se que
c c
c
E '
) ' (
2
o
maximizada por:
) (
2 1
1 1
o E = E =

k k c
para qualquer k 0.
(2.17)

Logo por multiplicidade com k = 1 tem-se:
X X c Y e c
1
22 1 2 1
1
)' ( ' ) (

E = = E =
,
(2.18)

que conhecida como Funo Discriminante Linear de Fisher. Ela transforma as
populaes multivariadas
1
H e
2
H em populaes univariadas, tais que as mdias
destas populaes so separadas tanto quanto possvel relativamente varincia
populacional, considerada comum. E, para classificar a observao multivariada
0
x
usa-se o modelo:
0
1
2 1
0
)' ( x y

E =
(2.19)



41

onde
0
y o valor da Funo Discriminante de Fisher para a nova observao
0
x , e
considerando-se o ponto mdio entre as mdias das duas populaes univariadas,
), (
2
1
2 1 y y
m + = (2.20)

como
), (
2
1
2
'
2
1
'
1
c c m + = (2.21)

| |
2
1
2 1 1
1
2 1
)' ( )' (
2
1


E + E = m (2.22)

| | ) ( )' (
2
1
2 1
1
2 1
+ E =

m (2.23)

tem-se que:
0 ) (
1 0
> H m y E
(2.24)

e
0 ) (
2 0
< H m y E
(2.25)

ou seja, se
0
x pertence a
1
H espera-se que
0
y seja igual ou maior do que o ponto
mdio m. Por outro lado se
0
x pertence a
2
H , o valor esperado de
0
y ser menor
que o ponto mdio. Portanto, a regra de classificao :
alocar
0
x em
1
H

se 0
0
> m y ;
alocar
0
x em
2
H se 0
0
< m y .
Os parmetros
1
,
2
e E geralmente so desconhecidos. Ento, supondo
que se tem
1
n observaes da varivel aleatria multivariada
1
x de dimenso p , ou
seja, tem-se uma amostra aleatria da populao
1
H e
2
n observaes da varivel
aleatria multivariada
2
x de dimenso p que corresponde a uma amostra aleatria
de populao
2
H , os resultados amostrais correspondentes so:


42

=
=
1
1
1
1
1
1
n
i
i
x
n
x ;

=
1
1
1 1 1 1
1
1
)' )( (
1
1
n
i
i i
x x x x
n
S
(2.26)

=
=
2
1
2
2
2
1
n
i
i
x
n
x ;

=
2
1
2 2 2 2
2
2
)' )( (
1
1
n
i
i i
x x x x
n
S
(2.27)

Assumindo que as populaes sejam assemelhadas, natural considerar a
varincia como a mesma, da estima-se a matriz de covarincia comum E pela
matriz de covarincia amostral calculada com as amostras conjuntas,
) 2 (
) 1 ( ) 1 (
2 1
2 2 1 1
+
+
=
n n
S n S n
S
p

(2.28)

que um estimador no viciado daquele parmetro E .
Consequentemente, a Funo Discriminante Linear de Fischer Amostral
dada por:
x S x x X c Y
p
1
2 1
)' (


= = (2.29)

e a estimativa do ponto mdio entre as duas mdias amostrais univariadas,
1 1
x c y = (2.30)

e
2 2
x c y = (2.31)

dada por:
| |
2
1
2 1 1
1
2 1 2 1
)' ( )' (
2
1
) (
2
1
x S x x x S x x y y m
p p

+ = + =
) ( )' (
2
1

2 1
1
2 1
x x S x x m
p
+ =


(2.32)

Finalizando, a regra de classificao do item caracterizado pelo vetor
0
x :
Se 0
0
> m y ento
0
x alocado em
1
H
ou
Se 0
0
< m y ento
0
x alocado em
2
H


43

A combinao linear particular x S x x x c Y
p
1
2 1
)' ( '

= = maximiza a razo:
c S c
d c
c S c
x c x c
S
y y
p p y
'
) ' (
'
) ( ) (
2
2 2 1 1
2
2
2 1
=


(2.33)
onde:
2 1
x x d = (2.34)
e
2
) ( ) (
2 1
1
2
2 2
1
2
1 1
2
2 1

+
=

= =
n n
y y y y
S
n
i
i
n
i
i
y

(2.35)


2.2.1.4 Discriminao Entre Diversas Populaes

O mtodo anterior que vlido para duas populaes g=2, pode ser
estendido para diversas populaes g>2. O primeiro objetivo de Fischer com o
mtodo foi o de separar populaes, podendo ser usado tambm para classificar
novos itens em uma das populaes. Esse mtodo no necessita da suposio de
que as diversas populaes sejam normais multivariadas, porm necessrio
assumir que as matrizes de covarincia populacionais sejam iguais, ou seja,
E = E = = E = E
g
...
2 1
.
Assim preciso testar a hiptese de igualdade das matrizes de covarincia,
ou seja E = E = = E = E
g
H ... :
2 1 0
. Ento tem-se o seguinte teste:
Hiptese nula: E = E = = E = E
g
H ... :
2 1 0

Hiptese alternativa: Pelo menos uma das matrizes diferente das demais.

A estatstica de teste :

Estatstica de Teste
( )
2
1
|
|
.
|

\
|
=
i
n
p
i
S
S
M





44

onde:

i
S a estimativa da matriz de covarincia do grupo i;

p
S a estimativa da matriz de covarincia conjunta;

i
n o nmero de observaes do grupo i. (tamanho da amostra)

A transformao logartmica de M conduz a estatstica abaixo que de
tratamento matemtico mais adequado:
| |
2
1 1
2
1
1 1
1 1 1
) )( (
~ ln ) ( ln ) ( ) (
+ +
= =
)
`

=

g p p
g
i
i i p
g
i
i
S n S n c B _
(2.36)
com
(

+
+
(
(
(
(

=
=
) 1 )( 1 ( 6
1 3 2
) 1 (
1
1
1
2
1
1
g p
p p
n
n
c
g
i
g
i
i
i

(2.37)
onde:
p a dimenso do vetor x (nmero de variveis);

i
n o tamanho do grupo i;
g o nmero de grupos.

Ento uma vez aceita a hiptese nula
0
H de igualdade entre as matrizes de
covarincia, seja o vetor mdio dos diversos grupos (populaes), representado
por:

=
=
g
i
i
g
1
1

(2.38)

e
0
B a matriz Soma de produtos cruzados entre grupos populacionais tal que:

=
=
g
i
i i
B
1
0
)' )( (
(2.39)

a combinao linear x c Y ' = tem por esperana:
i
i
c x E c Y E ' ) ( ' ) ( = H =
(2.40)



45

para populao
1
H e varincia:
c c c X V c Y V
y
E = = = ' ) ( ' ) (
2
o (2.41)

para todas as populaes. Desta forma, o valor esperado
i
iy
c ' = muda quando a
populao da qual
~
X selecionado outra. Tem-se ento uma mdia global:

=
= =
g
i
iy y
c
g
1
'
1

(2.42)

e a razo entre a Soma dos quadrados das distncias das populaes para a mdia
global e a varincia de Y
c c
c B c
E '
'
0
, que uma generalizao multigrupal do caso de
duas populaes. Medindo a variabilidade entre grupos de valores (escores) Y
relativamente variabilidade comum dentro dos grupos, da mesma forma do que no
caso de duas populaes, pode-se selecionar c que maximiza esta razo.
conveniente normalizar c tal que 1 ' = Ec c .
Sejam 0 ...
2 1
> > > >
s
os ) , 1 min( p g s s autovalores no-nulos de
0
1
B

E
e
s
e e e ,..., ,
2 1
os correspondentes autovetores (escalonados tais que 1 ' = Ec c ). Ento,
fcil provar que o vetor de coeficientes c que maximiza
c c
c B c
E '
'
0
dado por
1 1
e c = .
A combinao linear X c '
1
chamada de primeira discriminante e de forma idntica,
pode-se generalizar para o k-simo discriminante com
k k
e c = , com k = 1, 2,..., s.
Como geralmente E e
i
no so conhecidas, tomam-se amostras aleatrias de
tamanho
i
n das populaes g i
i
,..., 2 , 1 , = H e denotamos o conjunto de dados da
populao , ,..., 2 , 1 , g i
i
= H por
p n
Y
i
tem-se os estimadores dos parmetros
i
e
dados por:

=
=
i
n
j
ij
i
i
x
n
x
1
1

(2.43)

=
= =
=
=
= =
g
i
i
g
i
n
j
ij
g
i
i
g
i
i i
n
x
n
x n
x
i
1
1 1
1
1
(2.44)


46

A Matriz Soma de produtos cruzados entre grupos
0
B estimada por:

=
=
g
i
i i
x x x x B
1
0
)' )( (


(2.45)

e um estimador para E pode ser obtido com base na matriz W.

= = =
= =
g
i
g
i
i i
n
j
ij ij
S n x x x x W
i
1 1 1
) 1 ( )' )( (
(2.46)

Consequentemente,
p
g
g g
g
S
g n n n
S n S n S n
g n n n
W
=
+ + +
+ + +
=
+ + + ...
) 1 ( ... ) 1 ( ) 1 (
...
2 1
2 2 1 1
2 1

(2.47)

Assim, o mesmo c que maximiza a razo
c S c
c B c
p
'
'
0
tambm maximiza
c W c
c B c
'
'
0
.
Logo, apresentar-se- otimizante c na forma mais usual, que o autovalor
i
e da
matriz
0
1
B W

, porque se e e B W

0
1
=

ento e g n n n e B S
g o p
) ... (

2 1
1
+ + + =

,
portanto, concluindo que sejam 0 ...
2 1
> > > >
g
os autovalores no nulos de
0
1
B W

e
s
e e e ,..., ,
2 1
os correspondentes autovalores, sendo ) , 1 min( p g s s e
~

i
e normalizado tal que 1 =
i p i
e S e ; ento o vetor de coeficientes que maximiza a razo
citada acima
1 1
e c = e a combinao linear x e '
1
chamada primeira discriminante
amostral. Generalizando, tem-se no passo k o k-simo discriminante amostral
s k x e
k
s , ' .


2.2.1.5 Escore Discriminante Quadrtico de Classificao

Quando a hiptese nula,
0
H , enunciada no item anterior no aceita, uma
das alternativas optar-se pela tcnica do escore discriminante quadrtico de
classificao. Considere o vetor de variveis aleatrias X de populaes com
distribuio normal multivariada com mdia
i
e matriz de covarincia
i
E , ou seja,


47

g i X X X f
i
i
i
i
p i
,..., 2 , 1 , ) ( )' (
2
1
exp
) 2 (
1
) (
2 /
=
(

E
E
=
t

(2.48)

em que ) | (
i
i
x E H = o vetor de mdias e
i i
x V E = H ) | ( a matriz de covarincia.
Tem-se ainda que os custos 0 ) | ( = i i c e g k i k i k c ,..., 2 , 1 , , 1 ) | ( = = = e da
equao (2.7), a regra de classificar fica:
alocar X em
k
H se
( ) ( ) g i X X
p
p X f p
i
i
i
i i i i
,..., 2 , 1 , '
2
1
ln
2
1
) 2 ln(
2
ln ) ( ln
1
= E E
|
.
|

\
|
=

t
(2.49)

Na equao anterior pode-se ignorar a constante ) 2 ln(
2
t |
.
|

\
| p
j que a
mesma para todas as populaes. Define-se, ento, o escore discriminante
quadrtico de classificao
Q
i
d para a populao
i
H como:
( ) ( ) g i p X X X d
i
i
i
i
i
Q
i
,..., 2 , 1 , ln '
2
1
ln
2
1
) (
1
= + E E =

(2.50)

Com vrias populaes normais, a regra de classificao consiste em
classificar X em
k
H se:
g i X d X d
Q
i
i
Q
i
,..., 2 , 1 ), ( max ) ( = =
(2.51)

Considerando que os parmetros populacionais em geral no so
conhecidos, as equaes com os estimadores sero:
g i p X X S X X S D
i i i i i i
,..., 2 , 1 , ln ) ( )' (
2
1
ln
2
1
1
= + =

(2.52)

onde:

i
X o vetor mdio do grupo i,

i
S a matriz de covarincia do grupo i.

i
P a probabilidade a priori de um individuo ser classificado no grupo i.




48

2.2.2 Regresso Logstica


A funo Logstica surgiu em 1845, ligada a problemas de crescimento
demogrfico. Em tais aspectos esta funo desempenha um papel importante. A
partir da dcada de 30 esta metodologia passou a ser aplicada no mbito da biologia
Lima (2002).
Este mtodo, assim como a regresso linear e mltipla, estuda a relao
entre uma varivel resposta e uma ou mais variveis independentes. A diferena
entre estas tcnicas de regresso se deve ao fato de que na regresso logstica as
variveis dependentes esto dispostas em categorias discriminatrias enquanto na
regresso linear estas variveis so dados contnuos. Outra diferena que na
regresso logstica a resposta pode ser entendida como uma probabilidade de
ocorrncia ] 1 , 0 [ e p , enquanto na regresso linear obtm-se um valor numrico
9 e p .


2.2.2.1 Modelo de Regresso Logstica

Seja uma varivel aleatria Y (dicotmica) e ] ,..., , [ '
2 1 p
X X X X = um vetor de
dimenso p, composto de variveis aleatrias independentes e ainda tomando-se n
observaes independentes de Y e
i
X com i=1, 2, ..., p, pode-se escrever o modelo
de Regresso Logstica, na forma:
X X
e e
e
X P
X
' '
1
1
1
) (
'
~
| |
|

+
=
+
= (2.53)
onde: ] ,..., , [ '
1 0 p
| | | | = e ] ,..., , 1 [ '
1 p
X X X =
Segundo Johson & Wichern, (1998), esse modelo o mais apropriado no
caso da varivel dependente ser dicotmica, pois a Regresso Logstica estima
diretamente a probabilidade de ocorrncia de um evento. Estes autores, tambm
salientam que a estimao dos parmetros deve ser feita pelo mtodo da mxima
verossimilhana, sendo o mais recomendado quando dispe-se de observaes
individuais da ocorrncia ou no de determinado evento.



49

2.2.2.2 Modelo de Regresso Logstica Simples

Seja a amostra aleatria composta de n pares de observaes ) , (
i i
Y X com i
= 1, 2,...,n, onde os s Y' representam os valores observados de uma varivel
dicotmica, e os s X' representam os valores observados de uma nica varivel
independente.
Assim o modelo
X
X
e
e
X P
'
1
) (
|
|
+
= , torna-se:
) (
1 0 1 0
1 0
1
1
1
) ( ) | 1 (
X X
X
e e
e
X P X Y P
| | | |
| |
+ +
+
+
=
+
= = = (2.54)

Essa expresso fornece a probabilidade condicional de que Y seja igual a 1,
dado o valor de X, ou seja, ) 1 ( X Y P = . Neste caso necessrio estimar os valores
dos parmetros s ' | . Ento com isso determinando o modelo de Regresso
Logstica a probabilidade condicional de que Y ser igual a 0, :
) | 1 ( 1 ) 0 ( X Y P X Y P = = =
(2.55)

Portanto para as n observaes tm-se:
) ( ) 1 (
i i i
X P X Y P = =
e
) ( 1 ) 0 (
i i i
X P X Y P = =

(2.56)

O mtodo da Mxima Verossimilhana melhor mtodo para se estimar os
parmetros do modelo de Regresso Logstica, ou seja, fornece estimativas para os
parmetros que maximizam a probabilidade de obter o conjunto observado de
dados.
Uma forma conveniente para expressar a contribuio da funo de
verossimilhana para os pares ) , (
i i
Y X atravs da formula:
i i
Y
i
Y
i i
X P X P X F

=
1
)] ( 1 [ ) ( ) ( (2.57)

Desde que assumindo que as observaes so independentes, a funo de
verossimilhana obtida como o produto dos termos dados na equao (2.54) como
segue:


50

[ [
= =

= =
n
i
n
i
Y
i
Y
i i
i i
X P X P X F l
1 1
1
)] ( 1 ][ ) ( [ ) ( ) (|
(2.58)

Os estimadores de Mxima Verossimilhana destes parmetros so
escolhidos de forma a maximizar essa funo, ou seja, deseja-se determinar o
estimador para | que maximize a expresso anterior. Analisando essa funo do
ponto de vista matemtico mais fcil trabalhar com o logaritmo da mesma. Assim,
tem-se a funo de log-verossimilhana dada por:
(

=
(

= =
[ [
=

=
n
i
Y
i
Y
i
n
i
i
i i
X P X P X F l L
1
1
1
)] ( 1 ][ ) ( [ ln ) ( ln )) ( ln( ) ( | |
(2.59)

Assim:

=
+ =
n
i
i i i i
X P Y X P Y L
1
)] ( 1 ln[ ) 1 ( ))] ( ln( [ ) (|
(2.60)

Ento:

=
(
(

|
|
.
|

\
|
+
+
+
=
n
i
X
X
i
X
X
i
e
e
Y
e
e
Y L
1
'
'
'
'
1
1 ln ) 1 (
1
ln ) (
|
|
|
|
|
(2.61)

Temos:

=
(
(

|
|
.
|

\
|
+
+
+
=
n
i
X
i
X
X
i
e
Y
e
e
Y L
1
' '
'
1
1
ln ) 1 (
1
ln ) (
| |
|
|
(2.62)

Mas
) 1 ln( ) 1 ln( ln
1
ln
' ' ' '
'
'
X X X X
X
X
e e e e
e
e | | | |
|
|
+ = + =
|
|
.
|

\
|
+

(2.63)

e
) 1 ln( ) 1 ln( 1 ln
1
1
ln
' '
'
X X
X
e e
e
| |
|
+ = + =
|
|
.
|

\
|
+

(2.64)




51

Substituindo (2.63) e (2.64) em (2.62) temos:

=
+ + + =
n
i
X
i
X
i
e Y e X Y L
1
' '
))] 1 ln( )( 1 ( )) 1 ln( ' ( [ ) (
| |
| |
(2.65)

Assim:

=
+ + + + =
n
i
X
i
X X
i i
e Y e e Y X Y L
1
' ' '
)] 1 ln( ) 1 ln( ) 1 ln( ' [ ) (
| | |
| |
(2.66)

Concluindo:

=
+ =
n
i
X
i
e X Y L
1
'
)] 1 ln( ' [ ) (
|
| |
(2.67)

possvel demonstrar a concavidade global da funo de log-
verossimilhana sendo, portanto, apenas necessrio anular o vetor das primeiras
derivadas desta funo em relao a | para obter os estimadores de mxima
verossimilhana. Assim para determinar o valor de | que maximiza ) (| L deve-se
derivar ) (| L em relao
0
| e
1
| e igualar o conjunto de resultados a zero. Desta
forma tem-se a seguir as chamadas equaes de verossimilhana, que so
derivadas da expresso anterior em relao | .

0 )] ( [
1
) (
1 1
'
'
0
= =
|
|
.
|

\
|
+
=
c
c

= =
n
i
i i
n
i
X
X
i
X P Y
e
e
Y
L
|
|
|
|

(2.68)

0 )] ( [
1
.
) (
1 1
'
'
1
= =
|
|
.
|

\
|
+
=
c
c

= =
n
i
i i i
n
i
X
X
i i i
X P Y X
e
e
X Y X
L
|
|
|
|

(2.69)

Temos que:

= = =
=
+
=
n
i
n
i
i
X
X
n
i
i
X P
e
e
Y
1 1
'
'
1
) (
1
|
|
(2.70)


52

O que reflete no fato da soma dos valores observados de Y ser igual a soma
dos valores esperados (preditos), mediante a aplicao do modelo obtido. Esta
propriedade importante, pois ajuda avaliar o ajuste do modelo.
O valor de | dado pela soluo das equaes anteriores chamado de
estimador de mxima verossimilhana, denotado por |

. ) (
i
X P , e representa uma
estimativa da probabilidade condicional que Y igual a 1, so que X igual a
i
X .


2.2.2.3 Modelo de Regresso Logstico Mltiplo

Considerando-se uma amostra de n pares de observaes independentes
p i Y X
i i
,..., 2 , 1 ), , ( = , da mesma forma como ocorreu no caso univariado, item
anterior, o ajuste do modelo requer que se obtenha uma estimativa do vetor
] ,..., , [ '
1 0 p
| | | | = . O mtodo de estimao usado no caso multivariado ser o
mesmo no univariado, ou seja, o da mxima verossimilhana. A funo de mxima
verossimilhana aproximadamente idntica a dada na equao com uma
mudana, sendo que ) ( X P definido por:
X
X
i
e
e
X P X Y P
'
'
1
) ( ) | 1 (
|
|
+
= = = (2.71)

Estimar-se- (p+1) equaes de verossimilhana as quais so obtidas por
derivadas da funo log-verossimilhana com respeito (p+1) parmetros. As
equaes de verossimilhana resultantes podem ser representadas como:
| | 0 ) (
1
=

=
n
i
i i
X P Y
(2.72)
e
| | 0 ) (
1
=

=
n
i
i i ij
X P Y X
(2.73)
para j = 1, 2,..., p
Da mesma forma como ocorreu com o modelo univariado, as solues das
equaes de verossimilhana requer a utilizao de um mtodo iterativo na busca
dos parmetros estimados '

| .


53

2.2.3 Redes Neurais Artificiais (RNAs)


2.2.3.1 Definio de RNAs

Muitas definies foram elaboradas desde que as RNAs comearam a surgir
como uma nova perspectiva Inteligncia Artificial. Em todas elas prevaleceram s
semelhanas ao sistema nervoso humano. A maioria das pesquisas sobre RNAs
foram motivadas pela idia de que o crebro humano um computador com
processamento de informaes bastante complexas.
Haykin (2002) define as redes neurais como sendo: Uma rede neural um
processador maciamente paralelamente distribudo constitudo de unidades de
processamento simples, que tem a propenso natural para armazenar conhecimento
experimental e torn-lo disponvel para uso. Ela se assemelha ao crebro em dois
aspectos:
1. O de que o conhecimento adquirido pela rede a partir de seu
ambiente atravs de um processo de aprendizagem.
2. Foras de conexo entre neurnios, conhecidas como pesos
sinpticos, so utilizadas para armazenar o conhecimento adquirido.
Dessa forma, uma RNA pode ser definida como uma estrutura
computacional que tem como objetivo permitir a implementao de modelos
matemticos que representem a forma como o crebro humano processa as
informaes que adquire.
Apesar de muitas definies darem a impresso de simplicidade, de
fundamental importncia ressaltar que na prtica, essa idia no acontece de forma
to simples. Durante a implementao da RNA vrios fatores podem ocorrer
impossibilitando a aplicao em certos casos. Percebe-se tambm que as solues
no so precisas quando as RNAs so aplicadas isoladamente.
Tambm no se pode deixar de mencionar que ainda existe uma longa e
rdua trajetria a ser percorrida no sentido das pesquisas para chegar a uma
arquitetura computacional que reproduza fielmente a capacidade do crebro
humano.




54

2.2.3.2 Neurnio Artificial

O neurnio artificial a estrutura bsica de processamento de uma RNA. Os
neurnios artificiais so estruturas lgicas matemticas que tm o objetivo de
simular o funcionamento de um neurnio biolgico, fazendo com que a RNA atue de
forma indutiva. A figura 2.8 mostra um modelo de neurnio artificial, com suas
entradas ) ,..., , (
2 1 n
X X X , pesos sinpticos ) ,..., , (
2 1 nk k k
W W W , bias ) (
k
b , funo soma
) (E , funo de transferncia ) ( e sada ) (
k
a .

FIGURA 2.2 MODELO DE UM NEURNIO ARTIFICIAL
FONTE: O AUTOR

O neurnio funciona basicamente como integrador de sinais. Tem a funo
de coletar sinais provenientes de outros neurnios, ou sinais da entrada da rede,
ponderar os dados atravs de pesos especficos e repassar esses dados para outros
neurnios ou para sada da rede. De acordo com a figura 2. pode-se entender a
estrutura bsica de um neurnio artificial.
Para se calcular o sinal de sada ) (
k
a , efetuada por um neurnio desse tipo,
pode-se utilizar a equao a seguir:
|
|
.
|

\
|
+ =

=
k
i
ik i k
b
n
w x a
1

(2.74)
onde :
n = o nmero total de sinais de entrada que chegam at o neurnio que est
sendo calculado;

i
x = valor de entrada para esse neurnio;

ik
w

= peso associado a essa conexo;

k
b = tm a funo de aumentar ou diminuir a entrada da funo de ativao.


55

O resultado da somatria das componentes do produto interno entre o vetor
de entrada (X) e o vetor de pesos (W) do neurnio, mapeado atravs da funo de
ativao ) ( , produzindo o valor da sada ) (
k
a do neurnio ) (k .


2.2.3.3 Funes de Ativao de uma RNA

O objetivo de uma funo de ativao restringir a amplitude da sada do
neurnio, ou seja, limitar sua sada em um intervalo de valor finito.
A funo de ativao que define a sada do neurnio artificial, ou seja, o
caminho onde a informao ser conduzida, tornando-se muito importante para o
comportamento da RNA.
Os tipos de funo de ativao mais usados para mapear uma RNA so
basicamente trs: Limiar ou Degrau, Linear por partes e Sigmoidal. As
representaes grficas dessas funes de ativao so mostradas na figura 2.9, a
seguir.


FIGURA 2.3 FUNES DE ATIVAO DE UMA RNA
FONTE: O AUTOR


2.2.3.4 Caractersticas Gerais das RNAs

Uma das principais vantagens e importncia das RNAs a sua capacidade
de aprender sozinha atravs do seu prprio uso, e de melhorar seu desempenho
baseado nessa aprendizagem.
A capacidade de uma rede aprender vem dos neurnios artificiais, que tm
funcionamento baseado no neurnio biolgico. Embora parea simples, o


56

aprendizado um processo altamente complexo. Alm de envolver diversos nveis
de abstrao, tambm rene habilidades e conceitos advindos de vrias reas do
conhecimento e no h em relao a ele uma definio nica e plena.
Apesar da complexidade, a analogia com os elementos do crebro humano
essencial para entender-se de maneira satisfatria a estrutura e o funcionamento
de uma RNA.
Segundo Pandya e Macy (1996), o sistema nervoso de um ser humano,
assim como o de qualquer primata, consiste de trs estgios bsicos: o estgio
inicial, no qual os estmulos de entrada externos so captados pelas unidades
"sensoras" (os olhos, por exemplo, captam sinais visuais); o estgio de
processamento destes sinais pelo sistema nervoso central (o crebro) e o estgio no
qual as respostas aos estmulos de entrada so obtidas (a voz pode ser ativada em
reposta a determinada entrada, bem como aes motoras ou orgnicas).
De acordo com esta definio, o crebro humano recebe informaes do
meio exterior, processa, avalia e compara as outras informaes que tem
armazenado na memria, tornando-se apto a tomar decises apropriadas. As RNAs
so baseadas no funcionamento no crebro humano. Assim, ela estruturada de
maneira a simular todas as etapas de processamento das informaes. Segundo a
definio de Pandya e Macy (1996), uma RNA pode apresentar-se da seguinte
forma:
uma camada inicial de unidades sensoras aos estmulos de entrada, que no
composta por neurnios;
uma ou mais camadas intermedirias de neurnios interligados (formando a
estrutura central de processamento da rede neural);
uma camada de neurnios de sada, conectada aos neurnios da(s) camada(s)
escondida(s), gerando a resposta final da RNA.
A figura 2.4, a seguir, mostra a estrutura de uma RNA. As entradas da rede
representam a informao existente. Elas alimentam a primeira camada de
neurnios que atravs do clculo executado pela aplicao da funo de
transferncia, geram repostas que alimentam a camada seguinte, e assim atingem a
camada de sada.


57


FIGURA 2.4 REDE NEURAL ARTIFICIAL
FONTE: O AUTOR

A forma com que os neurnios se agrupam em camadas e o conjunto de
suas conexes define a arquitetura da RNA. As arquiteturas neurais so
organizadas em camadas, com os neurnios de uma determinada camada,
conectados aos neurnios da camada posterior. Os dispositivos processadores so
agrupados por pelo menos duas camadas: uma camada para apresentao dos
dados e outra para obteno dos resultados. As redes, em geral, possuem uma ou
mais camadas intermedirias, tambm conhecidas como camadas escondidas.
Segundo Haykin (2002) existem trs tipos de arquitetura de rede:
Redes alimentadas adiante com camada nica (feedforward): o termo
camada nica se refere a camada de sada, ou seja, o processamento ocorre
somente na camada de sada. A figura a seguir mostra um modelo de uma
rede feedforward com uma nica camada.


FIGURA 2.5 MODELO DE REDE NEURAL COM UMA CAMADA
FONTE: O AUTOR


58

redes alimentadas adiante com mltiplas camadas (feedforward): esta possui
uma ou mais camadas ocultas. A figura a seguir ilustra uma rede feedforward
com duas camadas uma oculta e uma de sada.

FIGURA 2.6 MODELO DE REDE NEURAL COM DUAS CAMADAS
FONTE: O AUTOR

redes recorrentes: possui pelo menos um lao de realimentao. A figura a
seguir ilustra esse tipo de arquitetura.


FIGURA 2.7 MODELO DE REDE NEURAL RECORRENTE
FONTE: O AUTOR





59

Geralmente as redes feedforward de mltiplas camadas apresentam a
seguinte estrutura:
Camada de entrada: onde os padres so apresentados rede; nesta
camada no ocorre o processamento de informaes;
Camadas intermedirias ou escondidas (no obrigatrias): recebem
informao da camada anterior, processam os dados e enviam a resposta
para a camada seguinte;
Camada de sada: local onde se obtm o resultado final atravs do
processamento das informaes vindas da camada anterior.


2.2.3.5 Treinamento de uma RNA de Mltiplas Camadas

Em geral o treinamento um processo gradual e lento, onde os pesos so
modificados vrias vezes, seguindo-se um algoritmo de treinamento que estabelece
a forma como estes pesos so alterados. O treinamento de uma RNA pode ser
efetuado de uma das seguintes maneiras:
Treinamento supervisionado: utilizado quando so conhecidos os valores
das sadas para um determinado grupo de padres. Para cada padro apresentado,
a RNA calcula a sada (valor obtido) e o compara com o valor desejado (real) e
atualiza os pesos das conexes entre todos os neurnios buscando reduzir o erro.
Redes de Retropropagao, GRNN (General Regression Neural Networks), PNN
(Probabilistic Neural Networks), e GMDH (Group Method Data Handling) so
exemplos de redes supervisionadas.
Treinamento no supervisionado: neste caso, como no se conhecem as
sadas, os pesos so modificados em funo de critrios internos.


2.2.3.6 Algoritmo Back- Propagation

Segundo Haykin (2002) e Fausett (1994), o algoritmo back-propagation o
algoritmo de aprendizado supervisionado mais conhecido. Este algoritmo de fcil
compreenso, o que favorece a sua utilizao.


60

Durante o treinamento com este algoritmo, a rede opera em dois estgios
fundamentais. No primeiro, forward (para frente), deve-se apresentar um padro
camada de entrada. Todo o processo realizado, camada por camada, at que se
obtenha uma resposta na camada de sada. Neste momento a sada obtida
comparada sada desejada e calcula-se o erro. No estgio seguinte, backward
(para trs), a propagao ocorre da camada de sada para a camada de entrada,
onde os pesos das conexes das camadas internas vo sendo modificados
conforme o erro retro propagado.
O ajuste corretivo nos pesos das conexes entre os neurnios, para se obter
uma boa aproximao da sada encontrada resposta desejada, ser realizado
passo a passo, at que se atinja uma situao estvel, ou seja, quando os pesos
no precisam mais ser ajustados.


2.3 AVALIAO DA FUNO DE CLASSIFICAO


2.3.1 Critrio TPM (Total Probability of Misclassification)

Uma das formas de avaliar o desempenho de um procedimento de
reconhecimento de padres consiste no clculo da taxa de erro de classificao
(Total Probability of Misclassifications - TPM) dado por:
X d X f p X d X f p TPM
R R
} }
+ =
1 2
) ( ) (
2 2 1 1

(2.75)

onde
1
p e
2
p so as probabilidades de uma observao pertencente a
1
H ou a
2
H ,
respectivamente.
O valor mnimo dessa quantidade, obtido pela escolha adequada das
regies
1
R e
2
R , chamado de taxa tima de erro (Optimum Error Rate - OER). A
OER dada por:
X d X f p X d X f p OER
R R
} }
+ =
1 2
) ( ) (
2 2 1 1

(2.76)



61

onde as regies so determinadas por:
1
2
2
1
1
) (
) (
p
p
X f
X f
R > = e
1
2
2
1
2
) (
) (
p
p
X f
X f
R < =
(2.77)

Assim a OER a taxa de erro mnima para a regra de classificao TPM. O
desempenho da funo de classificao da amostra pode, a princpio, ser avaliada
pelo clculo da taxa real de erro (Actual Error Rate - AER)

X d X f p X d X f p AER
R R
} }
+ =
1 2

2 2

1 1
) ( ) (
(2.78)

onde:
1

R e
2

R representam as regies de classificao determinadas pelos


tamanhos das amostras
1
n e
2
n , respectivamente.

A AER indica o desempenho da funo de classificao da amostra em
amostras futuras. Da mesma forma que a taxa OER, no pode, em geral, ser
calculada porque depende das f.d.ps ) (
1
X f e ) (
2
X f que so desconhecidas.
Entretanto uma estimativa da quantidade ligada taxa de erro real pode ser
calculada, e sua estimativa ser discutida na seqncia.
H medidas de desempenho que no dependem das f.d.ps e podem ser
calculadas por qualquer procedimento de classificao. Por exemplo, a medida,
chamada de taxa de erro aparente (Apparent Error Rate - APER), definida como a
frao das observaes usadas no treinamento das amostras que so
incorretamente classificadas pela funo de classificao amostral.
A APER pode ser facilmente calculada pela matriz de confuso, a qual
mostra a classificao real versus a classificao prevista. Para
1
n observaes de
1
H e
2
n observaes de
2
H , a matriz de confuso tem a forma dada na tabela 2.1.








62


TABELA 2.1 TABELA DE CLASSIFICAO
Classificao Prevista
Classificao
Real
1
H
2
H
1
H
1 / 1
n
2 / 1
n
2
H
1 / 2
n
2 / 2
n
FONTE:APPLIED MULTIVARIATE STATISTICAL ANALYSYS


onde:

j i
n
/
= nmeros de observaes de
i
H classificadas em
j
H e consideradas
corretas se i = j ou incorreta se i = j;

1 / 1
n = numero de itens de
1
H classificadas corretamente como item de
1
H ;

2 / 1
n = nmero de itens de
1
H classificados incorretamente como item de
2
H ;

2 / 2
n = nmero de itens de
2
H classificados corretamente como item de
2
H ;

1 / 2
n = nmero de itens de
2
H classificados incorretamente como item de
1
H .

A taxa aparente de erro (Apparent Error Date APER) dada por:
2 1
1 / 2 2 / 1
n n
n n
APER
+
+
=
(2.79)

Essa taxa deve ser interpretada como a proporo de observaes
incorretamente classificadas.
A APER intuitivamente atraente e de clculo fcil. Infelizmente,
tendenciosa para subestimar a AER, e o problema no desaparece a menos que os
tamanhos das amostras
1
n e
2
n sejam grandes. Essencialmente, uma avaliao
tima ocorre porque os dados usados para construir a funo de classificao so
tambm usados para sua avaliao.
A taxa de erro estimada pode ser contida, pois so melhores que a taxa de
erro aparente, mantendo-se relativa facilidade de clculo, e no requer a funo de
distribuio de probabilidade. Um procedimento dividir a amostra total em uma
parte da amostra para treinamento e outra parte para validao. A parte da amostra


63

para um treinamento usada para construir a funo de classificao, e a parte para
validao usada para sua avaliao.
A taxa de erro determinada pela proporo de classificao errada dentro
da amostra considerada. Embora este mtodo supere o problema da
tendenciosidade por no usar os mesmos dados para construir e julgar a funo de
classificao, ele sofre de dois defeitos principais:
necessrio uma grande amostra;
A funo de avaliao no a funo de interesse. E ainda, quase todos os
dados devem ser usados para a construo da funo de classificao, pois o valor
da informao pode ser perdido.
Uma segunda abordagem que funciona muito bem o procedimento
proposto por Lachenbruch (1975).


2.3.2 Abordagem de Lachenbruch

O mtodo de Lachenbruch, segundo Johnson & Wichern (1998), uma
abordagem estatstica empregada para avaliar o desempenho da regra de
reconhecimento de padro e estimar a probabilidade de classificao correta e
incorreta em cada grupo, ou seja, uma forma de avaliar a eficincia da regra de
classificao.
O algoritmo do referido procedimento :

1. Inicie com as observaes do grupo
1
H , omita uma observao desse
grupo, e construa uma funo de classificao usando as ) 1 (
1
n e
2
n
observaes.
2. Classifique a observao retirada, usando a funo construda no
passo1.
3. Repita o passo 1 e 2 at que todas as observaes de
1
H sejam
classificadas.




64

Seja
2 / 1
n o nmero de observaes reconhecidas erroneamente nesse
grupo. Repita os passos de 1 a 3 para as
2
n observaes do grupo
2
H .
Seja
1 / 2
n o nmero de observaes reconhecidas erroneamente nesse
grupo. Assim as estimativas das probabilidades de classificao incorreta so:

1
1 / 2
1
2
) ( ) 1 / 2 (
n
n
X d X f P
R
= =
}

(2.80)
classificar em
2
H , quando a observao pertence a
1
H ,

2
2 / 1
2
1
) ( ) 2 / 1 (
n
n
X d X f P
R
= =
}

(2.81)
classificar em
1
H , quando a observao pertence a
2
H ,

Desta forma a proporo esperada de erro (probabilidade estimada) dada
por:
2 1
1 / 2 2 / 1
) (

n n
n n
AER E
+
+
=
(2.82)


2.4 ANLISE FATORIAL

A Anlise Fatorial foi introduzida por Spearman (1904). Foi inicialmente
usada nas reas de psicologia e cincias sociais, na tentativa de identificar os
fatores relacionados com a inteligncia humana e lig-los, de algum modo, etnia.
Devido a subjetividade e falta de unicidade de suas solues, tem sido alvo de
crticas ao longo dos anos (HILLS; KACHIGAN, 1977, 1991 apud MINGOTI, 2005).
Porm, uma das tcnicas multivariadas mais conhecidas e tem sido muito utilizada
na qumica (OZERENKO; GYULMALIEV; GAGARIN, 2007), na educao
(MARQUES, 2010a), na geologia (QUEIROZ et al., 2008), na economia
(ESQUARCINI, 2005), na agricultura (CHIGUTI, 2005), na engenharia de produo
(MLLER; CHAVES NETO, 2007), entre outras.


65

Segundo Hair et al. (2009), a Anlise Fatorial um mtodo estatstico
multivariado cujo propsito principal definir a estrutura subjacente em uma matriz
de dados. Em termos gerais, a Anlise Fatorial aborda o problema de analisar a
estrutura das interrelaes (correlaes) entre um grande nmero de variveis,
definindo um conjunto de dimenses latentes comuns, chamadas de fatores. O
objetivo principal da Anlise Fatorial resumir os dados, obtendo dimenses
latentes, que quando interpretadas e compreendidas, descrevem os dados em um
nmero muito menor de conceitos do que as variveis originais individuais.
Em linhas gerais Mingoti (2005) afirma que, o que se espera que as
variveis originais estejam agrupadas em subconjuntos de novas variveis
mutuamente no correlacionadas. Deste modo, em casos no qual se tem um grande
nmero de variveis medidas e correlacionadas entre si, seria possvel, a partir da
Anlise Fatorial, identificar um nmero menor de novas variveis alternativas, no
correlacionadas e que de algum modo sumarizassem as informaes principais das
variveis originais. A
Anlise Fatorial pode ser trabalhada de forma exploratria ou confirmatria.
No primeiro caso, busca-se encontrar os fatores subjacentes s variveis originais
amostradas, sem ter noo de quantos fatores sero obtidos e de que maneira as
variveis estaro agrupadas. Na Anlise Fatorial confirmatria, tem-se um modelo
inicial pr-estabelecido, onde se deseja verificar se este modelo proposto
consistente com os dados amostrais disponveis.


2.4.1 Modelo Fatorial Ortogonal

De acordo com Johnson e Wichern (2007), o vetor aleatrio X , com p
variveis aleatrias observveis, tem vetor de mdias e matriz de covarincia E .
O modelo fatorial linearmente dependente sobre variveis aleatrias no
observveis ) p m ( F ,..., F , F
m 2 1
s chamados fatores comuns e p fontes de variaes
ativas
p 2 1
,..., , c c c , chamadas de erros ou fatores especficos. O modelo fatorial


66

p m pm 2 2 p 1 1 p p p
2 m m 2 2 22 1 21 2 2
1 m m 1 2 12 1 11 1 1
F F F X
F F F X
F F F X
c + + + + =
c + + + + =
c + + + + =





(2.83)

ou em notao matricial


) 1 p ( ) 1 m (
) m p (
) 1 p (
F . L X

c + =


(2.84)
onde L a matriz de ordem m p contendo os pesos
ij
denominados
tambm como carregamento. Assim,
ij
o peso da i-sima varivel no j-simo
fator, ento a matriz L chamada de matriz de cargas fatoriais. O i-simo fator
especfico
i
c associado somente com a varivel resposta
i
X . Os p desvios
p p 2 2 1 1
X ,..., X , X so representados pelas p+m variveis aleatrias
p 2 1 m 2 1
,..., , , F ,..., F , F c c c , as quais no so observveis.
Com tantas quantidades no observveis e para tornar til o modelo fatorial,
algumas pressuposies sobre os vetores F e c devem ser feitas, tais como

m m 1 m
I ) ' F F ( E ) F ( Cov , 0 ) F ( E

= = =
(2.85)


(
(
(
(
(

= + = c c = c = c

p
2
1
p p 1 p
0 0
0 0
0 0
) ' ( E ) ( Cov , 0 ) ( E


(2.86)

e ainda F e c so independentes, ento

m p
0 ) ' F ( E ) F ( Cov

= c = c
(2.87)

Essa suposio e a relao em (2.86) constituem o modelo fatorial
ortogonal. A estrutura de covarincia para o modelo fatorial ortogonal, pode ser
obtida da seguinte forma:



67

| | )' X )( X ( E ) X ( V = = E
(2.88)

porm de (2.86) obtm-se
| |
| |
) ' ( E ) ' F ( LE ' L ) ' F ( E ' L ) ' F F ( LE
' ' F L ' L ' F ' L ' F F L E
)' F L )( F L ( E
c c + c + c + = E
c c + c + c + = E
c + c + = E
(2.89)

logo
+ + = E ' LL (2.90)

Desta forma, a covarincia entre as variveis e os fatores calculado por:
| |
| |
| |
) ' F ( E ) ' FF ( LE ) F , X ( Cov
' F ' FF L E ) F , X ( Cov
' F ) F L ( E ) F , X ( Cov
)' F ( E F )( X ( E ) F , X ( Cov
c + =
c + =
c + =
=

(2.91)

ou seja,
L ) L , X ( Cov = (2.92)

Sendo assim, por + + = E ' LL obtm-se
i
2
im
2
1 i i
... ) X ( V + + + = (2.93)

km im 1 k 1 i k i
... ) X , X ( Cov + + = (2.94)

e de (2.92) resulta que a covarincia entre a i-sima varivel e o j-simo fator :
ij j i
) F , X ( Cov =
(2.95)

A parte da varincia que a i-sima varivel contribui para os m fatores
comuns chamada de comunalidade, que dada por:
2
im
2
1 i
2
i
... h + + = (2.96)
e
i
so as varincias especficas.




68

2.4.2 Mtodo das componentes principais via matriz de covarincia

Usando a decomposio espectral pode-se fatorar a matriz de covarincia
E . Sejam ) e , (
i i
pares de autovalores autovetores da matriz E , com
0
p 2 1
> > > > . Ento:
p p p 2 2 2 1 1 1
' e e ... ' e e ' e e + + + = E
(2.97)

| |
(
(
(
(
(

= E
p p
2 2
1 1
p p 2 2 1 1
e .
e .
e .
e . e . e .


(2.98)

o qual ajusta a estrutura de covarincia prescrita para a anlise do modelo fatorial,
tendo m fatores (m=p) e a varincia especfica 0
i
= para todo p ,..., 2 , 1 i = . A matriz
de carga tem a j-sima coluna dada por
j j
e . . Desta maneira pode-se escrever,


' LL 0 ' L . L
) p p ( ) p p ( ) p p ( ) p p (
= + = E


(2.99)

entretanto nesse caso a representao de E exata, isto , o nmero de fatores
comuns igual ao nmero de variveis. Na prtica deve-se optar por modelos que
expliquem a estrutura da covarincia usando poucos fatores comuns. Para isso,
eliminam-se os ltimos (p-m) autovelores, que pouco contribuem para E .
Negligenciando esta contribuio, obtm a aproximao
| |

p m m p
m m
2 2
1 1
m m 2 2 1 1
' L L
e .
e .
e .
e . e . e .

=
(
(
(
(
(

= E


(2.100)

A representao anterior considera que os fatores especficos c definidos no
modelo fatorial ortogonal so de menor importncia e podem ser ignorados na
fatorao de E . Se os fatores especficos forem includos no modelo, a contribuio


69

deles pode ser estimada tomando-se os elementos da diagonal de ' LL E , onde ' LL
dado em (2.100).
Considerando-se os fatores especficos, encontramos a aproximao

+ + = E ' LL (2.101)

| |
(
(
(
(
(

+
(
(
(
(
(

= E
p
2
1
m m
2 2
1 1
m m 2 2 1 1
0 0
0 0
0 0
e .
e .
e .
e . e . e .


(2.102)
onde

=
o =
m
1 j
2
ij
2
i i
, com p ,..., 2 , 1 i =
A representao (2.102) quando aplicada a matriz de covarincia amostral S
ou a matriz de correlao amostral R conhecida como a soluo por componentes
principais do modelo fatorial.


2.4.3 Mtodo das componentes principais via matriz de correlao amostral

Realizando a decomposio espectral da matriz de correlao R, obtm os
pares de autovalores autovetores ) e , (
i i
, onde
p 2 1
> > > . Sejam p m< o
nmero de fatores comuns. Ento a matriz estimada das cargas fatoriais
ij

dada
por:
| |
m m 2 2 1 1
e . e . e . L

= (2.103)

As varincias especificas estimadas so os elementos da matriz diagonal
' L

S = , ento
(
(
(
(
(

= +
p
2
1
0 0
0 0
0 0

, com

=
=
m
1 j
2
ij
2
ii i

s

(2.104)



70

e as comunalidades so estimadas por:
2
im
2
1 i
2
i

...

+ + = (2.105)

A matriz residual pode ser obtida pela aproximao de S pela soluo por
componentes principais, sendo calculada por:
)

' L

( S + + (2.106)

onde os elementos da diagonal principal so zero, e os outros elementos tambm
so pequenos, quando escolhe-se o nmero de fatores m apropriado.
Analiticamente, tem-se a soma dos quadrados das entradas de
2
p
2
1 m

...

' L

( S + + s + +
+
(2.107)

Consequentemente, um pequeno valor para o somatrio dos quadrados dos
autovalores pode ser negligenciado, implicando um pequeno valor para a soma dos
quadrados dos erros da aproximao.
Geralmente a contribuio dos primeiros fatores comuns para a varincia
amostral das variveis pode ser grandes. A contribuio para a varincia amostral
ii
s
do primeiro fator comum p ,..., 2 , 1 i ,
1 i
= . Para o primeiro fator, a soma dos
quadrados das cargas fatoriais :

1 1 1
'
1 1
2
1 p
2
21
2
11

e

e

...

= |
.
|

\
|
|
.
|

\
|
= + + + (2.108)

Desde que
1
e tenha tamanho unitrio. Em geral a proporo da varincia
total amostral no j-simo fator dada por:

+ + +

R de fatorial anlise para
p

S de fatorial anlise para


s ... s s

j
pp 22 11
j

(2.109)



71

O critrio dado (anterior) geralmente usado para determinar o nmero de
fatores comuns apropriado. Quanto maior o nmero de fatores, maior a proporo
da varincia amostral explicada pelo modelo. Existem algumas maneiras de
determinar o nmero de fatores adequados, pode-se destacar o critrio de Kaiser e
o Scree-plot.


2.4.4 Rotao ortogonal de fatores

Geralmente a interpretao dos fatores obtidos na Anlise Fatorial pode no
ser uma tarefa fcil, devido a ocorrncia de coeficientes
ij
l

de grandeza numrica
similar e no desprezvel em fatores distintos. Quando isto ocorre, utiliza-se uma
transformao ortogonal dos fatores originais, na tentativa de encontrar uma
estrutura mais simples para ser interpretada. Para isso, utiliza-se uma matriz
ortogonal T que pode ser obtida por diferentes critrios, sendo que aps a rotao
dos fatores, a estrutura de varincia preservada (Rencher, 2002). Segue adiante
trs critrios de rotao: varimax, orthomax e quartimax. Neste trabalho foram
testados os trs critrios, porm o critrio varimax produziu melhores resultados, e
o nico utilizado nas interpretaes de cada Anlise Fatorial aplicada ao conjunto de
dados.


2.4.4.1 Critrio Varimax

De acordo com Mingoti (2005) o critrio de rotao varimax um mtodo
proposto por Kaiser (1958), cujo objetivo principal a busca da matriz T, tendo como
base encontrar para um determinado fator fixo, um grupo de variveis
i
Z altamente
correlacionadas com o fator e outro grupo que tenha correlao desprezvel ou
moderada com o fator. Para cada fator fixo, a soluo obtida atravs da
maximizao da variao dos quadrados das cargas fatoriais originais das colunas
da matriz L

.




72

Seja


= = = (
(

|
|
.
|

\
|
=
m
1 j
p
1 i
2
p
1 i
2
ij
4
ij
l
~
p
1
l
~
p
1
V
(2.110)

onde
i
ij
ij
h

l
~
= , sendo
i
h

a raiz quadrada da comunalidade da varivel p ,..., 2 , 1 i , Z


i
= .
O critrio varimax seleciona os coeficientes
ij
l
~
que maximizam V. Os coeficientes
finais da matriz transformada so obtidos por: T L

*
= . O critrio varimax um dos
mais utilizados na prtica e, em geral, produz resultados mais simples que outros
mtodos.


2.4.4.2 Critrio Quartimax

Esse mtodo busca a simplificao das linhas de uma matriz de cargas
fatoriais. Segundo Hair et al. (2009) o critrio quartimax de rotao deixa muitas
variveis com cargas fatoriais altas em um nico fator, no sendo bem sucedido na
produo de estruturas mais simples.
Seja
Q
V a quantidade definida por:

(
(

|
|
.
|

\
|
=

= = = =
m
1 j
p
1 i
2
m
1 j
p
1 i
2
*
ij
4
*
ij Q
l

pm
1
l

pm
1
V
(2.111)

onde
*
ij
l

o coeficiente da i-sima varivel no j-simo fator aps a rotao. O critrio


quartimax seleciona os coeficientes
*
ij
l

que maximizam a quantidade


Q
V (MINGOTI,
2005).






73

2.4.4.3 Critrio orthomax

considerado uma mdia ponderada dos mtodos varimax e quartimax
(MINGOTI, 2005). Considere

= = = (
(

|
.
|

\
|
=
m
1 j
p
1 i
2
m
1 i
2
*
ij
4
*
ij M
l

p
l

V
(2.112)
onde
*
ij
l

o coeficiente da i-sima varivel no j-simo fator aps a rotao, 1 0 s s .


O critrio orthomax seleciona os coeficientes
*
ij
l

que maximizam a quantidade


M
V .
Para 1 = , este critrio reproduz o critrio varimax sem o escalonamento das cargas
fatoriais pelas comunalidades e, para 0 = , ele se reduz ao mtodo quartimax.

2.4.5 Determinao dos escores fatoriais

Aps a identificao e interpretao dos fatores m ,..., 2 , 1 j , L
j
= relacionados
com as variveis p ,..., 2 , 1 i , Z
i
= (i-sima varivel padronizada pela mdia e desvio
padro), necessrio calcular os escores para cada elemento amostral, de modo a
utilizar esses valores para outras anlises de interesse. Para cada elemento
amostral k, n ,..., 2 , 1 k = , o seu escore no fator
j
L calculado por:
pk jp k 2 2 j k 1 1 j jk
Z w ... Z w Z w F

+ + + = (2.113)

onde
ik
Z , so valores observados das variveis padronizadas
i
Z para o k-simo
elemento amostral e p ,..., 2 , 1 i , w
ji
= , so os pesos de ponderao de cada varivel
i
Z no fator
j
L . De acordo com Mingoti (2005), existem trs mtodos para a
determinao dos coeficientes
ji
w :
mtodo dos mnimos quadrados ponderados;
mtodo de regresso;
mtodo ad hoc.
Neste trabalho foram testados os trs mtodos, porem foi implementado
apenas o mtodo dos mnimos quadrados ponderados, uma vez que este
apresentou um melhor resultados.


74

2.4.5.1 Mtodo dos mnimos quadrados ponderados

O modelo fatorial em (2.83) assemelha-se a um modelo de regresso linear
mltipla. Desta maneira pode-se estimar o vetor F atravs do mtodo dos mnimos
quadrados ponderados usando-se as matrizes L

e +

estimadas pelo mtodo da


mxima verossimilhana. Sendo assim,
j
F

pode ser obtido por:



( )
k k
1
1
1
jk
WZ Z

' L

L

' L

= + + =

(2.114)
onde )' Z Z Z ( Z
pk k 2 k 1 k
= o vetor de observaes do k-simo
elemento amostral padronizado e
p m
W

a matriz de ponderao que gera os
coeficientes
ji
w .
Neste trabalho, as matrizes L

e +

foram estimadas pelo mtodo das


componentes principais. Neste caso, Johnson e Wichern (2007) sugere que a
estimao dos escores seja feita usando o mtodo dos mnimos quadrados
ordinrios, desde que os resduos c tenham a mesma varincia, o que nem sempre
ocorre (MINGOTI, 2005).
Desta forma,
j
F

estimado por:
( )
k k
1
jk
WZ Z ' L

' L

= =

(2.115)

Os escores fatoriais finais ponderados servem para criar um indicador a
partir de todos os escores fatoriais obtidos na Anlise Fatorial. De acordo com
Furtado et al. (2003) os escores fatoriais finais ponderados podem ser calculados da
seguinte maneira:

=
=

=
m
1 i
i
m
1 i
i i


(2.116)
onde
i
F

so os escores fatoriais do i-simo e m o nmero de fatores extrados.







75

2.5 LGICA NEBULOSA

A teoria dos sistemas nebulosos constitui uma metodologia particularmente
adequada ao controle de sistemas, principalmente em situaes com grau de
complexidade elevada, onde a presena de no linearidades e de fatores de
incerteza seja significativa. De fato, os problemas enunciados enquadram-se no
conjunto das limitaes marcantes das tcnicas clssicas de controle e modelagem,
pelo que os sistemas nebulosos se apresentam como um complemento importante
das metodologias convencionais.


2.5.1 Teoria dos conjuntos nebulosos

Na natureza parte das propriedades so vagas, incertas ou imprecisas e,
portanto, no so possveis de serem caracterizadas por predicados da lgica
clssica bivalente. A teoria dos conjuntos nebulosos pode ser vista como uma
extenso da teoria clssica de conjuntos, e foi criada por Zadeh (1965) para tratar
graus de pertinncia intermedirios entre a pertinncia total e a no pertinncia de
elementos de um universo de discurso com relao a um dado conjunto. Assim, um
conjunto nebuloso uma generalizao da noo clssica de um conjunto deste
universo.
A definio de funo de pertinncia de um conjunto nebuloso depende do
significado lingstico definido para este conjunto e de sua interpretao no contexto
do universo de discurso utilizado. Assim, na lgica nebulosa, o grau de pertinncia
de um elemento em relao a um conjunto definido por uma funo caracterstica
real, que assume como valor qualquer nmero pertencente ao intervalo real fechado
[0,1]. Algebricamente, mapeada por ( ) | | 1 , 0 : U x
y
.

Ento, um conjunto nebuloso F de um universo de discurso U
caracterizado por uma funo caracterstica real, comumente denominada funo de
pertinncia, mapeada por ( ) | | 1 , 0 : U x
F
, que associa a cada U x e um nmero real
( ) x
F
no intervalo [0,1], representando o grau de pertinncia de x em F. O suporte de
F o subconjunto de pontos de U para o qual ( ) x
F
positivo.


76

A representao de conjuntos nebulosos depende basicamente da natureza
e da dimenso do universo de discurso definido. Quando o universo discreto e
composto de um nmero pequeno de elementos, a maneira mais usual adotada a
representao analtica.
Porm, quando o universo de discurso contnuo ou possui uma quantidade
grande de elementos discretos, uma forma simples de representao o grfico de
sua funo de pertinncia, chamado de diagrama de Hassi-Euler (H-E).

Zadeh (1965) definiu o conceito de conjunto nebuloso como forma de
superar a classificao dicotmica presente na teoria clssica dos conjuntos.
Consequentemente, como resultado da aplicao dos conjuntos nebulosos aos
mecanismos de inferncia, o mesmo autor props vrios algoritmos de
processamento nebuloso para problemas especficos (ZADEH, 1973).
Do mesmo modo que os termos lingusticos presentes num algoritmo
nebuloso devem ser quantificados por meio de conjuntos nebulosos, outras
operaes, tais como a interseo, unio e implicao nebulosas so definidas por
Zadeh (1973). A partir do momento em que os conjuntos nebulosos e os operadores
esto determinados, as relaes expressas qualitativamente pelas regras de
controle comuns deixam de ser vagas, passando a constituir uma funo no linear
determinstica. Obtm-se deste modo aquilo que se designa por sistema nebuloso:
uma implementao especfica, dependente do contexto de utilizao, de um
conjunto de regras qualitativas expressas por meio de um algoritmo nebuloso.


2.5.2 Variveis lingusticas

Segundo Zadeh (1973), quanto mais a complexidade de um sistema
aumenta, mais difcil de se produzir inferncias precisas e ainda significantes sobre
o seu comportamento. Sendo assim, deve-se utilizar outra maneira de se analisar o
sistema. O raciocnio humano utiliza elementos no processo de tomada de deciso
que no so nmeros, mas sim, variveis lingsticas, cujo comportamento
nebuloso.


77

Uma varivel lingustica definida como uma palavra x em uma linguagem
natural L, a qual pode ser vista como uma descrio sumria de um subconjunto
nebuloso M(x) em um universo de discurso U. Onde M(x) o significado de x.
Por exemplo, supondo que x uma varivel como Temperatura, portanto
podem-se definir os seguintes termos para essa varivel:
( ) { } quente boa fria x M , , = (2.117)
onde | | 60 , 20 ) ( = x U .
Portanto, uma possvel funo de pertinncia dessa varivel apresentada
na Figura 2.10.

FIGURA 2.10 CONJUNTO NEBULOSO DA VARIVEL TEMPERATURA
FONTE: O AUTOR


2.5.3 Controle nebuloso

LEE (1990) apresenta uma reviso sobre os desenvolvimentos pertinentes a
controladores nebulosos, os quais compreendem quatro principais componentes
apresentados na Figura 2.11, tal que:
A interface de nebulizao recebe os valores das variveis de entrada e
desenvolve uma converso para uma varivel lingstica em conjunto com um
grau de pertinncia;
A base de conhecimento contempla as regras de controle em termos de variveis
lingsticas;
A lgica de tomada de deciso, a qual capaz de emular o processo de tomada
de deciso humano e inferir aes de controle nebulosas;
20 60 Temperatura [C]
Temp(x)
Fria Boa Quente
1


78

A interface de desnebulizao recebe as aes de controle nebulosas, em
termos de uma varivel lingstica em conjunto com um grau de pertinncia e
converte para valores das variveis de sada.


FIGURA 2.11 CONFIGURAO BSICA DE UM CONTROLADOR NEBULOSO.
FONTE: O AUTOR


2.5.4 Modelo Lingustico do Tipo Mamdani

Mamdani (1977) apresenta um mtodo de inferncia nebulosa que foi por
muitos anos um padro para a utilizao dos conceitos da lgica nebulosa em
processamento de conhecimento. As regras de produo em um modelo de
Mamdani possuem relaes nebulosas tanto em seus antecedentes como em seus
conseqentes, conforme apresentado em (2.118).

Se <antecedente> ento <consequente> (2.118)

O modelo de Mamdani inclui mdulos de interface que transformam as
variveis de entrada em conjuntos nebulosos e, posteriormente, os conjuntos
nebulosos gerados na sada em grandezas numricas proporcionais. A Figura 2.12
mostra um diagrama tpico de um sistema de processamento de conhecimento
nebuloso que utiliza o modelo de inferncia Mamdani.

Interface de
Nebulizao
Base de
Conhecimento
Lgica de
Tomada de
Deciso
Interface de
Desnebulizao Nebuloso Nebuloso

Sistema
Controlado
Aes de Controle

No-nebuloso
Sadas e estados do sistema

No-nebuloso


79

Grandezas
de entrada
Converso
Escalar Nebuloso
Mquina de
Inferncia
Converso
Nebuloso Escalar
Grandezas
de sada
Base de Regras

FIGURA 2.12 DIAGRAMA TPICO DE UM MODELO DE INFERNCIA MAMDANI
FONTE: AOKI, 2005.

A regra semntica tradicionalmente utilizada para o processamento de
inferncias com o modelo de Mamdani chamada de inferncia Mx-Mn. Esta regra
utiliza as operaes de unio e interseo entre conjuntos da mesma forma que
Zadeh (1973), por meio dos operadores de mximo e mnimo, respectivamente.
Considerando uma regra de produo nebulosa genrica mostrada em (2.119), o
mtodo de inferncia Mx-Mn proposto por Mamdani ser mostrado em seguida.
Se x
1
= A
i
e x
2
= A
j
e ... e x
p
= A
k
ento y
1
= B
i
e y
2
= B
m
(2.119)
onde:
x
i
so as entradas do sistema;
A
i
so os termos primrios definidos nos conjuntos nebulosos;
y
i
so as sadas do sistema;
B
i
so os termos primrios definidos nos conjuntos nebulosos.

Durante o processo de converso escalar para nebuloso (nebulizao), os
antecedentes de cada regra so processados por meio de interseco nebulosa
(minimizao) entre os graus de pertinncia das entradas atuais nos termos
primrios definidos em cada uma. Este processo gera um grau de pertinncia de
disparo para cada regra de produo. Em outras palavras, calculado para a k-
sima regra da base de conhecimento um coeficiente de disparo D(k) segundo
(2.120), onde os ndices k nos conjuntos nebulosos denotam os termos primrios
que compem a regra k na base de conhecimento. Este processamento transforma
informaes quantitativas em informaes qualitativas e considerado um processo
de generalizao, tal que:



80

| | | | ) ( ),..., ( ), ( min ) ( ),..., ( ), (
2 1 2 1
2 1 2 1
p
A A A
p
A A A
k
x x x x x x T D
k
P
k k k
P
k k
= =
(2.120)

As regras para as quais o coeficiente de disparo for maior que zero so ditas
regras que dispararam para as entradas atuais. Isto quer dizer que elas vo
contribuir para o clculo de sada correspondente do sistema de inferncia. Os
coeficientes de disparo, por sua vez, vo limitar os valores mximos dos conjuntos
nebulosos de sada gerados por estas regras.
Finalmente, uma operao global de unio vai compor um conjunto nebuloso
para cada varivel de sada, contendo informaes sobre todas as regras
disparadas para as entradas atuais. Em (2.121) mostrada a composio deste
conjunto para o caso da sada y
2
da regra, mostrada em (2.119). O universo de
discurso desta varivel de sada composto pelos elementos
2 y
U y e , tal que
| | | |
2
) (
... 1
) (
... 1
, )) ( , min( max )) ( , ( ) (

y B
k
n k
B
k
n k
B
U y y D y D T S y
i i
i
e = =
= =

(2.121)

O processo de inferncia acima descrito transforma uma informao
qualitativa em outra informao qualitativa, por meio de uma converso. O conjunto
nebuloso gerado durante o processo de inferncia pode ento ser utilizado
diretamente em um diagnstico qualitativo de tomada de deciso, ou ser convertido
em um valor escalar proporcional para atuao externa por meio de atuadores
convencionais, no caso de um sistema de controle.
A converso nebulosa para escalar (desnebulizao) transforma
informaes qualitativas em uma informao quantitativa, sendo um processo de
especificao. Para a regra de produo definida em (2.119), parte-se de um
conjunto nebuloso de sada ) (

y
i
B
obtido pelo processo de inferncia e chega-se a
um valor escalar
2
y correspondente. Os mtodos mais utilizados para a converso
nebulosa para escalar so o mtodo do centro de massa e o mtodo da mdia dos
mximos.







81

3 MATERIAL E MTODO


3.1 MATERIAL

No desenvolvimento deste trabalho foram utilizados dois bancos de dados. O
primeiro banco de dados contempla as medies de qualidade da energia eltrica
feitas no secundrio de 359 transformadores da rede de distribuio da Companhia
Paranaense de Energia (COPEL). O segundo banco de dados composto de
caractersticas fsicas e eltricas de 181 estruturas metlicas de linhas de
transmisso (LTs) da Companhia Paranaense de Energia (COPEL). As descries
de todos os conjuntos de dados so detalhadas a seguir:


3.1.1 Caso I Campanha de Medio de Distores Harmnicas de Tenso

A Copel atende cerca de 100% das residncias urbanas no Paran e 90 %
das rurais, possuindo no total cerca de 3,39 milhes de consumidores ligados sua
rede (COPEL, 2007).
Do total de consumidores, 2,6 milhes so residncias, 57 mil indstrias, 283
mil estabelecimentos comerciais e 332 mil propriedades rurais e a cada ano, em
mdia, so realizadas 70 mil novas ligaes.
As Tabelas 3.1 e 3.2 descrevem algumas caractersticas adicionais
referentes Copel:

TABELA 3.1 CARACTERSTICAS DA COPEL PARA A ATUAO NO PARAN
Indicadores Valores
reas de concesso (km
2
) 194854
Municpios atendidos 393
Localidades atendidas 1111
Populao atendida PR (Mil Habitantes) 9822
Taxa de atendimento urbano (%) 99
Consumo mdio residencial (kWh/ms) 159,6
FONTE: (COPEL, 2007)




82


TABELA 3.2 CARACTERSTICAS DA COPEL DADOS DA DISTRIBUIO
Dados de Distribuio Valores
Nmero de subestaes 34,5 kV 238
Potncia instalada (MVA) 1576
Redes de distribuio (km) 167535
Total de postes 2.296301
Nmero de transformadores de distribuio 315587
Potncia instalada em transformadores (MVA) 8009
FONTE: (COPEL, 2007)

A estrutura da Copel no estado do Paran est dividida em cinco
superintendncias sendo que cada uma delas atua em uma regio do estado e so
assim denominadas:

Superintendncia de Distribuio Leste SDL, com sede em Curitiba;
Superintendncia de Distribuio Oeste SDO, com sede em Cascavel;
Superintendncia de Distribuio Centro-Sul SDC, com sede em Ponta Grossa;
Superintendncia de Distribuio Noroeste SDN, com sede em Maring;
Superintendncia de Distribuio Norte SDT, com sede em Londrina.

A regio que possui o maior consumo no estado a regio leste (SDL-
35,6%), seguida da regio centro sul (SDC-18,6%), noroeste (SDN-17,3%), norte
(SDT-14,8%) e regio oeste (SDO-13,7%).


3.1.1.1 Medies

Devido ao fato de que existem muitos transformadores na rede de
distribuio da Copel no estado do Paran, a medio de todos eles se torna uma
prtica invivel. Para solucionar este problema buscou-se obter uma amostragem
que preservasse as informaes do universo estudado, uma das aes seguidas foi
a tomada de amostra aleatria dos transformadores que seriam medidos.
Outra ao foi a obteno do nmero de amostras que preservariam as
informaes do universo estudado, para isso, foi consultada a portaria 163/93 do


83

Departamento Nacional de guas e Energia Eltrica (DNAEE) e obteve-se uma
frmula especfica para este fim, conforme equao 6, tal que:

) . (
4
). 1 (
. .
2
S S
E N
S S N
C
a
+

=
(3. 1)


onde
C
a
- tamanho da amostra;
N - tamanho do universo considerado = 315587;
S - proporo da populao com caractersticas consideradas semelhantes,
considerado como 0,5 (pior caso);
- proporo da populao com caractersticas no semelhantes quelas de
S, considerado como 0,5 (1-S);
E - erro amostral = 5%.

Portanto, aplicando-se a (equao 3.1), de um universo total de 315.587
registros, chegou-se a um tamanho de amostra de 399 transformadores a serem
monitorados na campanha de medio. Contudo, prevendo-se as dificuldades que
poderiam ser encontradas durante as medies, tais como deslocamento,
impossibilidade de medio, qualidade das medidas a serem registradas, perda de
dados, entre outras foi estipulada uma margem de segurana de 10%, com isso, o
nmero definitivo de registros a serem observados foi de 440 transformadores.

TABELA 3.3 DISTRIBUIO DOS PONTOS DE MONITORAO
Regional Localizao Regio Amostras (%) Amostras
SDC Centro Ponta Grossa 11% 49
SDL Leste Curitiba 33% 146
SDN Noroeste Maring 18% 77
SDO Oeste Cascavel 19% 84
SDT Norte Londrina 19% 84
Total 100% 440
FONTE: (LACTEC, 2007)





84

TABELA 3.4 DISTRIBUIO DAS AMOSTRAS ENTRE REAS URBANAS E RURAIS
Regional Amostras Urbanas Amostras Rurais
SDC 38 11
SDL 136 10
SDN 68 9
SDO 69 15
SDT 76 8
Total 387 53
FONTE: (LACTEC, 2007)

Na tabela 3.3 possvel visualizar a distribuio dos pontos entre as cinco
superintendncias e na tabela 3.4, a distribuio dos pontos entre transformadores
rurais e urbanos.
O tempo utilizado para a realizao das medies foi de 14 meses, no
perodo de agosto de 2005 a julho de 2007. Foram utilizados 12 aparelhos
analisadores de energia, registrador MARH 21, descrito a seguir.
- Fabricante: RMS Sistemas Eletrnicos Brasil;
- 128 amostras por ciclo;
- Perodo de integralizao de 10 minutos;
- Memria de 4MB;
- Tenso alimentao: CA 70 a 600 V, frequncia: 50Hz ou 60Hz;
- CC 11 a 600 V;
- Exatido: classe 0,5 para tenses e correntes e classe 1 para potncias.

As medies foram realizadas com os medidores instalados por um perodo
de oito dias em mdia para cada transformador, porm, para a anlise e composio
do banco de dados utilizado neste trabalho foram considerados os dados obtidos em
um perodo de sete dias, devido ao disposto no Submdulo 2.2 do ONS e da
Resoluo n. 505 da ANEEL, que se referem aos intervalos para anlise. Na figura
3.1, a seguir, est ilustrado como exemplo o perodo de monitorao e o perodo de
anlise utilizado em uma amostra (transformador).
Os valores obtidos nas medies de DHTV foram dispostos conforme as
figuras 3.2 e 3.3, onde possvel, no eixo vertical, obter o valor da distoro em
relao fundamental, em cada fase. Estas medies foram realizadas no
barramento de 127/220V.



85








FIGURA 3.1 PERODO DE MONITORAO E PERODO DE ANLISE
FONTE: (LACTEC, 2007)

Nas figuras 3.2 e 3.3 tem-se que:

DHTVa - nveis de distoro harmnica total de tenso na fase A;
DHTVb - nveis de distoro harmnica total de tenso na fase B;
DHTVc - nveis de distoro harmnica total de tenso na fase C.

0
1
2
3
4
5
6
7
8
9
10
1/8 2/8 3/8 4/8 5/8 6/8 7/8
Perodo de Monitorao
D
i
s
t
o
r

o

H
a
r
m

n
i
c
a

T
o
t
a
l

d
e

T
e
n
s

o

[
%
]
DHTVa DHTVb DHTVc Limite ONS

FIGURA 3.2 EXEMPLO DE DHTV ABAIXO DE 6%
FONTE: (LACTEC, 2007)

Perodo de Monitorao

11:10h

01/08/05
11:10h

11/08/05
Perodo de Anlise

11:10h

01/08/05
11:10h

08/08/05


86

0
1
2
3
4
5
6
7
8
9
10
1/8 2/8 3/8 4/8 5/8 6/8 7/8
Perodo de Monitorao
D
i
s
t
o
r

o

H
a
r
m

n
i
c
a

T
o
t
a
l

d
e

T
e
n
s

o

[
%
]
DHTVa DHTVb DHTVc Limite ONS

FIGURA 3.3 EXEMPLO DE DHTV ACIMA DE 6%
FONTE: (LACTEC, 2007)

Algumas informaes importantes podem ser extradas das medies da
distoro Harmnica Total de Tenso, tais como valores mximos e mnimos obtidos
durante o monitoramento. As tabelas 3.5 e 3.6 a seguir demonstram exemplos
retirados destas informaes extradas das figuras 3.2 e 3.3.

TABELA 3.5 VALORES MXIMOS, MNIMOS E P95% DA DHTV - DENTRO DO LIMITE (6%)
DHV
T
DHTV
A
[%] DHTV
B
[%] DHTV
C
[%]
Mximo 4,70 4,90 4,60
Mnimo 2,30 2,20 2,40
P
95%
4,53 4,66 4,35
FONTE: (LACTEC, 2007)

TABELA 3.6 VALORES MXIMOS, MNIMOS E P95% DA DHTV - FORA DO LIMITE (6%)
DHV
T
DHTV
A
[%] DHTV
B
[%] DHTV
C
[%]
Mximo 4,60 7,00 7,50
Mnimo 1,80 4,00 3,90
P
95%
4,09 6,70 7,30
FONTE: (LACTEC, 2007)

Durante o monitoramento foi possvel obter tambm o espectro harmnico,
ou seja, o valor em porcentagem de cada frequncia harmnica de tenso. Nas
figuras 3.4 e 3.5 so ilustradas estas medies para o perodo de maior distoro
conforme exemplos citados nas figuras 3.2 e 3.3 respectivamente.


87


0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
DHT 3 5 7 9
Ordens Harmnicas
A
m
p
l
i
t
u
d
e

[
%
]
Fase a Fase b Fase c

FIGURA 3.4 ESPECTRO DA TENSO NO PERODO DE MAIOR DISTORO ABAIXO DE 6%
FONTE: (LACTEC, 2007)

0
1
2
3
4
5
6
7
8
9
DHT 3 5 7 9 11 13 15 17 19
Ordens Harmnicas
A
m
p
l
i
t
u
d
e

[
%
]
Fase a Fase b Fase c

FIGURA 3.5 ESPECTRO DA TENSO NO PERODO DE MAIOR DISTORO ACIMA DE 6%
FONTE: (LACTEC, 2007)

Durante o monitoramento dos transformadores, foram encontradas diversas
dificuldades j previstas, tais como: dificuldade de deslocamento, impossibilidade de
medio devido alguma impossibilidade fsica, etc. Com isso, ao final da


88

campanha de medies, foram medidos no total 359 transformadores urbanos
distribudos em 186 cidades do estado do Paran, conforme exposto na tabela 3.7.

TABELA 3.7 NMERO DE TRANSFORMADORES URBANOS MEDIDOS
Superintendncia SDL SDT SDO SDC SDN TOTAL
Nmero de cidades
visitadas
29 42 55 23 37 186
Quantidade de
transformadores
128 74 62 32 63 359
FONTE: (LACTEC, 2007)


3.1.1.2 Variveis Utilizadas

O estudo obedeceu aos requisitos do Submdulo 2.2 do ONS (2002), que
estabelece como recomendao quanto aos ndices sobre distores harmnicas
totais e individuais de tenso que o mximo permitido para a distoro harmnica
total de tenso em qualquer fase seja o percentil 95%, ou seja, (P
95%
). A varivel
dependente considerada no estudo foi o P
95%
de distoro harmnica total acima de
6% e abaixo de 6%, ou seja, os grupos foram separados tendo s seguintes
caractersticas:

Grupo 0 tendo como varivel dependente o P95% da distoro harmnica
total de tenso menor que 6% em todas as fases do transformador;

Grupo 1 tendo como varivel dependente o P95% da distoro harmnica
total de tenso maior que 6% em qualquer uma das fases do transformador;

As variveis independentes ou explicativas foram separadas em
caractersticas do transformador e caractersticas de consumo. As variveis
correspondentes as caractersticas dos transformadores esto apresentadas na
tabela 3.8 e as variveis correspondentes as caractersticas de consumo dos
transformadores esto apresentadas na tabela 3.9.




89

TABELA 3.8 VARIVEIS ASSOCIADAS CARACTERSTICA DO TRANSFORMADOR
Caractersticas do Transformador Classes
Superintendncia Regional
- SDL
- SDN
- SDO
- SDC
- SDT
Tenso Primria
(Nvel de Tenso do Alimentador)
- 13.800V
- 34.500V
Fases
(Quantidade de Fases no Transformador)
- 1 Fase
- 2 Fases
- 3 Fases
Potncia
(Potncia Nominal do Transformador (kVA))
- 112,5 kVA
- 75 kVA
- 45 kVA
- 30 kVA
- 15 kVA
- 10 kVA
- 5 kVA
FONTE: COPEL 2007



TABELA 3.9 VARIVEIS ASSOCIADAS CARACTERSTICA DO CONSUMO.
Caractersticas do Consumo
Nmero de Consumidores
Consumo Mdio Mensal
Residencial 0/50 kWh
Residencial 50/100 kWh
Residencial 100/150 kWh
Residencial 150/200 kWh
Residencial 200/300 kWh
Residencial 300/500 kWh
Residencial 500/1000 kWh
Residencial >1000 kWh
Comrcio e Poder Pblico
Industrial
Rural
Iluminao Pblica
FONTE: COPEL 2007


90

3.1.2 Caso II Histrico de Quedas de Estruturas de LTs no Estado do Paran

Para realizar as anlises com das quedas de Estruturas, foi necessrio fazer
uma pesquisa de informaes em relao s estruturas que caram, a partir dos
dados histricos de quedas de estruturas metlicas.
Estes dados foram obtidos da COPEL, que alm dos dados tabelados,
possui relatrios impressos e manuscritos sobre as ocorrncias registrados e
arquivados para sua consulta, quando necessrio.
Partindo dos atributos necessrios, foi feita uma pesquisa sobre os relatrios
antigos para este levantamento de dados. Alm disto, foi feito um rastreamento para
identificar as condies em que as estruturas estavam quando caram. As
informaes tcnicas das estruturas foram identificadas nos relatrios, enquanto os
atributos de ordem climtica ou relacionada sua posio geogrfica foram
levantadas pelo posicionamento aproximado em relao s estruturas que foram
implantadas em substituio das danificadas.
At 2010, a rede eltrica do estado do Paran registrou 61 quedas de
estruturas ao longo dos ltimos 50 anos de operao e manuteno de linhas de
transmisso, sejam de 69 at 525 kV. Destas, mais de 40 linhas de transmisso
diferentes foram afetadas e aproximadamente 150 torres foram reconstrudas.

FIGURA 3.6 QUEDA DA ESTRUTURA 93 DA LT IRATI SABAR
FONTE: WAZEN 2011


91


FIGURA 3.7 QUEDA DA ESTRUTURA 34 DA LT MEDIANEIRA CU AZUL
FONTE: WAZEN 2011

A figura 3.6 ilustra a queda da estrutura 93 ocorrida na linha de 138 kV que
interliga a Subestao Irati Sabar (em Ponta Grossa), enquanto que a figura 3.7
apresenta a queda da estrutura 34 da linha de transmisso 138 kV que interliga a
subestao Medianeira Cu Azul.
A Figura 3.8 apresenta todas as linhas de transmisso que possuem pelo
menos uma estrutura que sofreu queda e teve a mesma reconstruda no estado do
Paran.

FIGURA 3.8 IDENTIFICAO DAS LINHAS ONDE OCORRERAM QUEDAS
FONTE: COPEL


92

3.1.2.1 Estruturas Metlicas em Operao na COPEL

A COPEL possui mais de 18 mil estruturas metlicas em operao. Estas
estruturas esto aplicadas em nveis de tenso de 69 a 525 kV, sendo tanto
preparadas para linhas de circuito simples como de circuito duplo. As estruturas
esto dispersas dentro de mais de 250 linhas de transmisso diferentes, com
comprimentos e caractersticas bem variadas.
possvel identificar estruturas em praticamente todo o estado do Paran,
por isso so utilizadas aproximadamente 2 mil estruturas para a anlise deste
trabalho j que a avaliao de todas necessitaria maior tempo aplicado. As
estruturas foram selecionadas de forma aleatria, desde que apresentassem as
mais diversas caractersticas ao longo do estado. A figura 3.9 representa as linhas
de transmisso selecionadas para a anlise das classificaes deste trabalho.


FIGURA 3.9 IDENTIFICAO DAS LINHAS SELECIONADAS PARA ESTUDO
FONTE: COPEL


3.1.2.2 Variveis Utilizadas

Em cada uma das quedas de estruturas ocorridas no estado do Paran foi
realizado um relatrio pelas equipes de manuteno constando as possveis causas,
os tipos de estruturas, as condies do terreno e a regio onde foram as


93

ocorrncias. A partir destas informaes e buscando informaes que tenham ficado
ocultas em um primeiro instante, foram definidos quais atributos podem interferir na
queda de uma estrutura metlica.
Portanto, os atributos selecionados para a aplicao so: tenso de
operao, vento na regio, relevo do local, massas de ar, temperatura da regio, tipo
de terreno, capacidade mecnica da estrutura, funo e tipo de fundao da
estrutura. A tabela 3.10 apresenta os atributos selecionados bem como a varivel
numrica associada a cada atributo. Os grupos foram separados tendo s seguintes
caractersticas:

Grupo 0 sendo o grupo de estruturas que no apresentou queda;
Grupo 1 sendo o grupo de estruturas que apresentou queda.


TABELA 3.10 RELAO DE CARACTERSTICAS NO-NUMRICAS PARA NUMRICAS
Car act er st i ca Var i vel No- numr i ca Var i vel Numr i ca
Rel evo
Pl anal t o 1
Pl an ci e 2
Ser r a 3
Val e 4
Massa de Ar
Par al el a 1
Per pendi cul ar 2
Tr ansver sal 3
Ter r eno
A 1
B 2
C 3
D 4
Capaci dade
Al t a 1
Bai xa 2
Funo
Ancor agem 1
Suspenso 2
Fundao
Gr el ha 1
St ub 2
Resul t ado
Nenhum 1
Queda 0
FONTE: WAZEN 2011


94

3.2 MTODO


3.2.1 Introduo

Durante as ltimas dcadas houve um considervel crescimento do
interesse em problemas de Reconhecimento e Classificao de Padres, com
consequente aumento da necessidade de mtodos para uso na elaborao de
sistemas nesta rea.
Na engenharia de potncia existem diversos trabalhos que contemplam
mtodos de Reconhecimento e Classificao de Padres, em muitos trabalhos so
feitos comparaes de mtodos com o intuito de encontrar um melhor mtodo para o
problema estudado.
Souza (2008) desenvolvimento de um modelo estatstico computacional para
a estimao das distores harmnicas de tenso a partir das caractersticas dos
transformadores de distribuio e dos consumidores utilizando-se de tcnicas de
Anlise Multivariada.
Martins (2010) utilizou o mesmo banco de dados utilizados por Souza
(2008). O objetivo final do trabalho foi o mesmo, porm foi utilizada a tcnica de
rough sets. Os resultados obtidos foram comparados ao trabalho apresentado por
Souza (2008).
Wazen (2011) avaliou os mtodos de Reconhecimento e Classificao de
Padres de Teoria de Conjuntos Aproximados (Rough Sets) e Regresso Logstica
em um conjunto de dados que contempla quedas de estruturas metlicas na rede de
distribuio.
Com base no cenrio descrito, observamos que uma arquitetura
Multiagentes que integre as vantagens e desempenho de diversos mtodos de
reconhecimento e classificao de padres em um nico sistema se torna atraente.
A arquitetura Multiagentes foi desenvolvida com o objetivo de gerenciar mtodos de
Reconhecimento e Classificao de Padres e Minerao de Dados das variveis de
entrada dos modelos bem como gerenciar a combinao dos resultados dos
mtodos aplicados.




95

3.2.2 Sistema Multiagentes

Segundo Aoki (2003), um Sistema Multiagente (SMA) tem como premissa
bsica prover mecanismos para a criao de sistemas inteligentes a partir de
entidades de software autnomas, chamadas de agentes. Esses agentes interagem
atravs de um ambiente, compartilhado por todos os membros do SMA, e sobre o
qual eles atuam alterando o seu estado.
Uma vez que cada Agente Inteligente possui certa habilidade e objetivos
prprios, o Sistema Multiagentes tem que ser capaz de prover mecanismos para
interao e coordenao dessas entidades. Dessa forma, o Sistema Multiagentes
consegue resolver problemas maiores que os domnios de conhecimento de seus
integrantes.
Os Sistemas Multiagentes podem ser classificados como reativos e
cognitivos. Os sistemas reativos so compostos por um grande nmero de agentes
muito simples que interagem entre si, sem possuir uma representao explcita do
estado do ambiente e dos outros agentes, nem de suas aes passadas (FERBER,
1999).
J os sistemas cognitivos em geral possuem poucos agentes, dado que
cada agente comporta-se de maneira racional, possui uma concepo lgica
simblica do mundo e planeja suas estratgias de ao de acordo com um forte
mecanismo de inferncia lgica. Esse tipo de agente, alm de utilizar tcnicas de
deduo e aprendizado, considera tambm aspectos caractersticos da vontade
humana, como crena, desejo e inteno (WOOLDRIDGE & JENNINGS,1998).
Segundo Gasser e Bond (1988) para se obter um comportamento coerente
em um Sistema Multiagentes, os agentes deveriam no somente compartilhar
conhecimento sobre o problema e as solues, mas tambm raciocinar sobre o
processo de coordenao entre os agentes.


3.2.2.1 Arquitetura do Sistema Multiagentes Proposta

No desenvolvimento da Arquitetura do Sistema Multiagentes foi utilizado o
software desenvolvido pela Java Agent Development Framework - JADE, que um
framework de software totalmente implementado em linguagem Java, que tem por


96

objetivos simplifica a implementao de Sistemas Multiagentes atravs de um
middle-ware que est em conformidade com as especificaes Foundation for
Intelligent Physical Agents - FIPA e atravs de um conjunto de ferramentas grficas
que suporta a depurao e fases de implantao.
Esta plataforma de agentes pode ser distribuda atravs de mquinas e a
configurao pode ser controlada atravs de uma interface grfica remota. A
configurao pode ser alterada, mesmo em tempo de execuo, movendo agentes
de uma mquina para outra, como e quando necessrio.
Todas as operaes entre os agentes so feitas dentro da arquitetura
desenvolvida no JADE, porm toda operao feita dentro de cada agente
processada em MATLAB R2010b.
Para o desenvolvimento de um Sistema Multiagentes necessrio observar
que o sistema composto por vrias entidades que iro interagir entre si para
alcanar um objetivo global, o primeiro passo identificar o objetivo de cada agente
individualmente, bem como o servio por ele oferecido. Com isso deve-se identificar
e classificar cada agente em categorias
A abordagem empregada na arquitetura proposta prev duas categorias de
agentes que so:

Agentes Especializados: so detentores do conhecimento especfico
empregado na anlise e soluo dos problemas encontrados no domnio de
aplicao.
Agentes de Suporte: so os responsveis por prestar servios que auxiliem
o processo de tomada de decises, como: estabelecer e coordenar a
comunicao entre os agentes, acessar banco de dados, interface com o
mundo real, entre outros.

A arquitetura do Sistema Multiagentes proposta neste trabalho, apresentada
na figura 3.10 composta por 4 tipos de agentes: O Agente Minerados de Dados, o
Agente de Classificao, o Agente de Comunicao e o Agente Decisor.




97


FIGURA 3.10 PROPOSTA DE ARQUITETURA DO SISTEMA MULTIAGENTES
FONTE: O AUTOR


3.2.3 Agentes de Suporte

Os agentes de suporte, considerando que o sistema deve interagir com
usurio e as informaes utilizadas estaro contidas em algum tipo de base de
dados num certo formato de apresentao prev a necessidade de trs agentes que
so:


3.2.3.1 Agente Minerador de Dados

O Agente Minerador de Dados responsvel por acessar a base de dados
automatizada e realizar o pr-processamento da informao. Neste agente
descrita a metodologia de interpretao dos dados e filtragem de dados.
Segundo Fayyad, Piatetsky-Shapiro, & Smith (1996) a Minerao de Dados
definida como a extrao de conhecimento da base de dados e o processo de


98

identificao de padres vlidos, novos, potencialmente teis e compreensveis
embutidos nos dados.
A Minerao de Dados uma tecnologia usada para revelar informao
estratgica escondida em grandes massas de dados. usada em diversas reas,
como anlise de riscos, marketing direcionado, controle de qualidade, anlise de
dados cientficos, etc. Minerao de Dados define o processo automatizado de
captura e anlise de enormes conjuntos de dados, para ento extrair um significado.
O processo de extrao de conhecimento pode ser dividido em vrias
etapas, que so:

Conhecimento e identificao do domnio do problema;
A identificao do problema contempla o estudo do domnio da aplicao e a
definio de objetivos e metas a serem alcanadas no processo de Minerao de
Dados.

Pr-processamento da informao;
Normalmente, os dados disponveis para anlise no esto em um formato
adequado para a extrao de conhecimento. Alm disso, em razo de limitaes de
memria ou tempo de processamento, muitas vezes no possvel a aplicao
direta dos algoritmos de extrao de padres aos dados.
Dessa maneira, torna-se necessria a aplicao de mtodos para
tratamento, limpeza e reduo do volume de dados antes de iniciar a etapa de
extrao de padres. importante observar que a execuo de transformaes na
base de dados deve ser guiada pelos objetivos do processo de extrao a fim de
que o conjunto de dados gerados apresente as caractersticas necessrias para que
os objetivos sejam alcanados.

Extrao de padres;
A etapa de extrao de padres direcionada ao cumprimento dos objetivos
definidos na identificao do problema. Nessa etapa so realizadas a escolha, a
configurao e a execuo de um ou mais algoritmos para extrao do
conhecimento.




99


Ps-processamento da informao;
Os algoritmos de extrao de padres podem gerar uma quantidade enorme
de padres. Porm, muitos dos quais podem no ser importantes, relevantes ou
interessantes para o usurio. Portanto, de vital importncia desenvolver algumas
tcnicas de apoio no sentido de fornecer aos usurios apenas os padres mais
interessantes (Silberschatz & Tuzhilin 1995).

Um problema bastante comum que surge quando se utilizam tcnicas de
Minerao de Dados na etapa de pr-processamento a necessidade de reduzir a
dimensionalidade do problema estudado. O processo de reduo utilizado quando
o nmero de variveis estudadas muito grande. Para reduzir a dimenso do vetor
original pode-se criar um novo vetor cujas componentes so combinaes lineares
das variveis originais. A reduo da dimensionalidade do vetor de variveis
originais pode ser feita segundo dois critrios.

Conhecimento informal do especialista utilizando a prpria vivncia em torno do
problema, ou seja, conhecimento emprico.
Conhecimento Cientfico atravs de critrios estatsticos, conhecidos como
tcnicas de seleo de variveis.

A criao de um novo vetor de variveis de menor dimenso, cujos
componentes so combinaes lineares das variveis originais, pode ser conduzida
via uma tcnica de anlise multivariada, conhecida como Anlise de Componentes
Principais .
Outro critrio interessante e muito utilizado para reduzir a dimensionalidade
dos problemas a aplicao da Anlise Fatorial, que utiliza a tcnica de
componentes principais para estimar os pesos fatoriais e possibilita a visualizao
de grupos que agregam variveis originais que tm uma determinada associao e
esto nas direes de maior variabilidade. Essas combinaes lineares das
variveis originais so chamadas de fatores. A Anlise Fatorial possibilita a
avaliao da importncia de cada varivel original por meio do conceito de
comunalidade.


100

Desta forma o Agente Minerador de Dados tem seu objetivo dividido em trs
partes principais.
I. Ao acessar o banco de dados o Agente Minerador de Dados executa um pr-
processamento dos dados, fazendo assim uma limpeza dos dados, retirando
todas as redundncias, seguidamente aplicado os testes de Bartlett e KMO
para verificar a validade da Anlise Fatorial.
II. A seguir o Agente Minerador de Dados utiliza a Anlise Fatorial para extrair
os fatores que explica a correlao existente entre as variveis originais do
banco de dados. Esses fatores agrupam as variveis iniciais que contenham
forte correlao, desta forma, as variveis originais agrupadas num mesmo
fator possuem, portanto alta correlao, enquanto que variveis de fatores
distintos possuem baixa correlao.
III. Em posse dos autovalores calculados o Agente Minerador de Dados, utiliza o
critrio de Kaiser para a seleo dos fatores. A seguir com base na rotao
Varimax e calculadas as comunalidades para cada varivel, so calculados
os escores fatoriais das observaes que sero utilizados como a nova base
de dados para os modelos de Reconhecimento e Classificao de Padres.

A figura 3.11 apresenta o processo realizado pelo Agente Minerador de
Dados.

FIGURA 3.11 PROCESSO DO AGENTE MINERADOR DE DADOS
FONTE: O AUTOR


101

3.2.3.2 Agente de Comunicao

Na arquitetura proposta utilizado um sistema de comunicao
confederado, ou seja, os Agentes Inteligentes se comunicam atravs de um
facilitador (Agente de Comunicao). Esse Agente de Comunicao responsvel
pela interconexo dos agentes, ele funciona como um centro de comunicao onde
todas as mensagens enviadas por qualquer agente passam por ele e so
direcionadas para o respectivo destinatrio.
A conversao entre os agentes est sempre relacionada com um plano
para atingir um objetivo, portanto deve-se especificar qual informao deve ser
trocada e com quem, pois um fluxo de informao muito grande pode deteriorar a
capacidade de comunicao do meio empregado, o que resultaria numa perda de
reatividade do Sistema Multiagentes. Deve lembrar-se que nessas conversaes
so trocadas informaes parciais do processo de tomada de deciso, logo
conversaes desnecessrias podem prejudicar o processo de tomada de decises.
A comunicao entre agentes fundamental para a execuo de um
Sistema Multiagentes. Ela determina o comportamento em uma sociedade,
permitindo que um agente no seja apenas um programa que executa seus
comportamentos, mas tambm um programa que recebe e envia pedidos aos
demais agentes.
A troca de mensagens na plataforma JADE realiza-se mediante mensagens
FIPA-ACL. JADE disponibiliza um mecanismo assncrono de mensagens: cada
agente possui uma fila de mensagens (caixa de entrada), onde este agente decide o
momento de ler estas mensagens. No momento desejado pelo agente este pode ler
apenas a primeira mensagem, ou ler as mensagens que satisfazem algum critrio.
Para a comunicao entre os agentes se faz necessrio a criao de um
diagrama de interao entre agentes, o qual explicita a sequncia de aes dentro
do Sistema Multiagentes, bem como a colaborao entre eles. Na figura 3.12
apresenta o diagrama de interao da arquitetura do Sistema Multiagentes.


102


FIGURA 3.12 DIAGRAMA DE INTERAO ENTRE OS AGENTES
FONTE: O AUTOR


3.2.3.3 Agente Decisor

O Agente Decisor responsvel pela interface entre o Usurio com o
sistema, sendo assim responsvel pelo gerenciamento de todo o sistema. As
funes deste agente podem ser divididas em duas funes principais:

I. Interface do Sistema com o Usurio
O Agente Decisor faz toda a comunicao do Sistema Multiagentes com o
Usurio, desta forma este agente inicia o processo de Reconhecimento de Padres
ou de Reconhecimento de Padres e Classificao de uma Nova Observao de
acordo com a necessidade do usurio.
Quando o processo de Reconhecimento de Padres solicitado ao Agente
Decisor, o mesmo tem como funo iniciar todo o processo Reconhecimento de
Padro, de acordo com a base de dados informada pelo usurio e apresentar ao
Usurio os modelos gerados e a Taxa Real de Acerto processada pelos Agentes
Especialistas, bem como os fatores gerados pelo Agente Minerados de Dados, bem
como suas comunalidades.


103

Quando o processo de Reconhecimento de Padres e Classificao de uma
Nova Observao solicitado, o Agente Decisor repete o processo de
Reconhecimento de Padres, porm neste caso o Agente Decisor tem um papel
fundamental de ponderar a classificao da nova amostra apresentada pelos
Agentes Especialistas com base na Taxa Real de Acerto. Essa ponderao
executada pelo Agente Decisor feita por uma Lgica Nebulosa.

II. Ponderao de Classificao

Para executar a ponderao de classificao o Agente Decisor utiliza uma
Lgica Nebulosa de modelo Mandani, apresentada na figura 3.13

FIGURA 3.13 PROCESSO DO AGENTE DECISOR
FONTE: O AUTOR



104

Para o modelo desenvolvido so utilizadas trs variveis numricas de
entrada contendo os valores das Taxas de Acerto Reais de cada Agente
Especialista.

Taxa Real de Acerto 1: Regresso Logstica
Taxa Real de Acerto 2: Escore Quadrtico
Taxa Real de Acerto 3: Redes Neurais

Foram utilizadas trs variveis de sada contendo os pesos para cada
Classificao da Nova Observao obtida pelos Agentes Especialistas.

Peso 1 (W
1
): Regresso Logstica
Peso 2 (W
2
): Escore Quadrtico
Peso 3 (W
3
): Redes Neurais

As funes de pertinncia desenvolvida para as variveis de entrada, e para
as variveis de sada so apresentadas na figura 3.14 e figura 3.15


FIGURA 3.14 FUNO DE PERTINNCIA PARA TAXA REAL DE ACERTO
FONTE: O AUTOR

As variveis de entrada foram divididas em quatro subconjuntos nebulosos
considerando uma faixa de valores possveis no intervalo de [0,1]. Esses
subconjuntos foram definidos, conforme descrito a seguir:





105

Ruim: escolheu-se uma funo trapezoidal com as seguintes parametrizaes
[0, 0, 0.50, 0.60];
Bom: escolheu-se uma funo trapezoidal com as seguintes parametrizaes
[0.55, 0.60, 0.70, 0.75];
Muito Bom: escolheu-se uma funo trapezoidal com as seguintes
parametrizaes [0.70, 0.75, 0.85, 0.90];
Excelente: escolheu-se uma funo trapezoidal com as seguintes
parametrizaes [0.85, 0.90, 1, 1];


FIGURA 3.15 FUNO DE PERTINNCIA PARA VARIVEL DE SADA
FONTE: O AUTOR

As variveis de sada foram divididas em cinco subconjuntos nebulosos
considerando uma faixa de valores possveis no intervalo de [0,1]. Esses
subconjuntos foram definidos, conforme descrito a seguir:

Taxa de Acerto Muito Baixa: escolheu-se uma funo trapezoidal com as
seguintes parametrizaes [0, 0, 0.10, 0.15];
Taxa de Acerto Baixa: escolheu-se uma funo trapezoidal com as seguintes
parametrizaes [0.10, 0.15, 0.35, 0.45];
Taxa de Acerto Mdio: escolheu-se uma funo triangular com as seguintes
parametrizaes [0.40, 0.50, 0.60];
Taxa de Acerto Alto: escolheu-se uma funo trapezoidal com as seguintes
parametrizaes [0.55, 0.60, 0.80, 0.85];
Taxa de Acerto Multo Alto: escolheu-se uma funo trapezoidal com as
seguintes parametrizaes [0.80, 0.85, 1, 1];



106

Foram desenvolvidas 64 regras para a base de conhecimento, a seguir
apresentado um exemplo dessas regras:

<Se Taxa Real de Acerto 1 for Bom e Taxa Real de Acerto 2 for
Muito Bom e Taxa Real de Acerto 3 for Ruim> ento < Peso 1 Mdio e
Peso 2 Alto e Peso 3. Muito Baixa.>
Com base nos pesos apresentados das variveis de sada e na
Classificao da Nova Observao dada por cada Agente Especialista possvel
calcular o valor da Resposta Final de Classificao (R.F.C.) dado na equao 3.1.

1 1 2 2 3 3
. . . . . R F C W RA W RA W RA = + + (3.1)
onde:

=
i
i
i
W
W
W

1
RA a classificao da nova observao pelo Agente Especialista 1
Regresso Logstica;

2
RA a classificao da nova observao pelo Agente Especialista 2
Escore Quadrtica;

3
RA a classificao da nova observao pelo Agente Especialista 1
Redes Neurais.

E a Regra de Classificao dada por:

e <
e >
0 _ Grupo Observao Nova c . C . F . R
1 _ Grupo Observao Nova c . C . F . R
SE
(3.1)
onde c o valor da faixa de corte do sistema (valor adotado para classificao igual
a 0,5).






107

3.2.4 Agentes de Especialistas

Os Agentes Especialistas so detentores do conhecimento especfico
empregado na anlise e soluo dos problemas encontrados no domnio de
aplicao. Na arquitetura proposta, existem trs agentes especialistas responsveis
pelos Mtodos de Reconhecimento e Classificao de Padres.
Os Agentes Especialistas recebem a nova base de dados processada pelo
Agente Minerador de Dados, em posse dessa nova base de dados cada Agente
Especialista necessita de um pr-processamento de informaes a fim de que essa
base de dados esteja em um formato necessrio para a aplicao das respectivas
tcnicas de Reconhecimento e Classificao de Padres. Todos os agentes
especialistas utilizam o mtodo de Lachenbruch (leave-one-out), para obter as
Taxas de Acertos Reais. O fluxograma da figura 3.16 apresenta o processo dos
Agentes Especialistas.

FIGURA 3.16 PROCESSO DOS AGENTES ESPECIALISTAS
FONTE: O AUTOR



108

As tcnicas e metodologias de cada Agente Especialista so descritas a
seguir.


3.2.4.1 Agente Especialista 1 Regresso Logstica

O Agente Especialista Regresso Logstica, primeiramente aplica uma
separao do banco de dados em uma matriz contendo as variveis independentes
do modelo e um vetor resposta que contem as variveis independentes do modelo.
Desta forma estima-se o vetor de parmetros ] ,..., , [ '
1 0 p
| | | | = pelo mtodo da
mxima verossimilhana, num contexto de mnimos quadrados no-lineares,
aplicando o Algoritmo de Quase-Newton.
Foram gerados n modelos com (n-1 observaes), para teste e validao da
tcnica. Esse processo conhecido como mtodo de Lachenbruch (leave-one-out).
Ao final do processo ajustado um modelo com as n observaes e que passar a
ser considerado como definitivo para o Reconhecimento e Classificao de Padres.
No modelo de Regresso Logstica necessria a utilizao de uma faixa de
corte com valores no intervalo [0,1], que serve para determinar a classificao de
uma nova observao. Foram testadas, neste trabalho, vrias faixas de corte
contidas no intervalo [0,1], porm no sistema adotou-se como valor da faixa de corte
a proporo entre os dois grupos.


3.2.4.2 Agente Especialista 2 Escore Quadrtica

O Agente Especialista Escore Quadrtica, necessita primeiramente de
uma separao do banco de dados em uma matriz contendo as variveis
independentes e um vetor contendo as variveis dependentes do modelo.
Posteriormente, a matriz das variveis independentes dividida em dois conjuntos,
cada um deles contendo as variveis referentes a cada grupo. O vetor com as
variveis dependentes do modelo no so necessrias para a criao das funes
de classificao.


109

A essas matrizes dos grupos aplicado o mtodo de Lachenbruch (leave-
one-out) e so criados n funes de classificaes com (com n-1 amostras), dessa
forma obtido a taxa de acerto real dentro de cada grupo e ao final a funo de
classificao criada com as n amostras.


3.2.4.3 Agente Especialista Redes Neurais

De posse do novo banco de dados o Agente Especialista Redes Neurais
processa as informaes do banco de dados.
A implementao da tcnica de Redes Neurais foi feita utilizando o algoritmo
desenvolvido no software MATLAB e, tambm, utilizando rotinas oriundas do prprio
pacote do MATLAB. O algoritmo aplica o mtodo de Lachenbruch (leave-one-out),
no treinamento e no teste da rede, que consiste na classificao de uma amostra
retirada do banco de dados (com n-1 observaes) que originou as regras
(LACHENBRUCH, 1975). Esse procedimento repetido n vezes.
Para a criao da Rede Neural optou-se por uma rede com treinamento
backpropagation com correo de erro pelo algoritmo de Levenberg-Marquadt que
faz parte do default da funo utilizada no MATLAB.
Assim foi necessrio fixar como nmero de neurnios na camada de entrada
que o mesmo que o nmero de variveis da base de dados fornecidas pelo Agente
Minerador de Dados. O nmero de variveis tambm define o nmero de camadas
ocultas utilizadas, ou seja, numero de camadas ocultas +1. Na camada de sada foi
fixado um neurnio. Nas camadas ocultas se optou por utilizar uma funo de
ativao sigmoidal, ou seja, do tipo tangente hiperblica.
O modelo de Rede Neural implementado sorteia os valores iniciais dos
sinpticos e das baias. Assim faz-se necessrio apenas fixar os valores das pocas
de treinamento e a magnitude do gradiente. Aps vrios testes optou-se por utilizar
1000 pocas de treinamento e uma magnitude de 0,0001.
Cada modelo de Rede Neural treinado teve um tempo computacional mdio
de 8 segundos.




110


4 RESULTADOS E DISCUSSES

Nos testes da arquitetura do sistema desenvolvido foi utilizado
primeiramente um banco de dados terico contendo oito (8) variveis dependentes e
uma (1) varivel independente. Este banco contm 40 observaes dessas variveis
sendo que dez (10) fazem parte do grupo 0 e 30 fazem parte do grupo 1. A tabela
4.1 apresenta o banco de dados utilizado para a validao da Arquitetura.

TABELA 4.1 BANCO DE DADOS PARA TESTE DA ARQUITETURA
Varivel
1
Varivel
2
Varivel
3
Varivel
4
Varivel
5
Varivel
6
Varivel
7
Varivel
8
Varivel
Resposta
1,60 1,67 152,17 0,56 0,94 0,69 12,54 26,42 1
8,65 0,13 21,24 4,17 7,02 7,02 13,35 21,11 1
3,17 0,46 84,57 1,00 1,60 1,33 5,59 7,75 1
1,63 1,58 90,15 1,02 1,25 1,06 -0,45 -3,43 1
2,15 0,87 56,5 1,16 1,40 1,5 7,46 7,83 1
1,94 1,06 61,38 0,98 1,50 1,36 0,82 3,49 1
1,97 1,03 84,46 0,40 0,95 1,14 0,45 2,08 1
1,68 1,47 104,91 0,79 1,00 0,97 -0,02 0,24 1
2,89 0,53 59,13 3,86 3,86 1,76 7,75 23,21 1
6,66 0,18 90,02 1,11 1,55 1,68 9,03 6,05 1
1,43 2,32 51,67 0,53 1,06 1,20 0,29 1,42 1
3,60 0,38 91,81 1,59 3,22 1,21 15,53 20,52 1
1,67 1,49 144,64 0,71 1,76 0,70 19,18 84,12 1
1,71 1,40 35,57 1,91 2,13 1,45 3,78 11,15 1
13,44 0,09 95,61 2,39 3,57 2,51 17,49 17,98 1
3,05 0,49 115,49 0,70 0,79 0,68 2,23 2,64 1
21,29 0,05 98,44 1,79 2,07 2,07 21,94 12,84 1
2,24 0,81 87,25 1,11 1,49 1,16 -0,06 0,98 1
3,18 0,46 76,34 2,17 2,18 1,51 10,03 7,30 1
5,71 0,28 125,00 1,29 1,29 1,29 26,06 56,67 1
1,37 2,67 229,32 0,42 0,55 0,52 -0,99 -11,28 1
1,60 1,68 78,97 1,21 1,28 1,12 6,69 29,24 1
3,54 0,39 35,21 2,27 2,65 2,65 15,00 32,73 1
1,47 2,14 87,65 0,60 1,03 1,03 -2,13 -23,46 1
4,37 0,30 84,45 1,59 1,59 1,52 3,79 7,59 1
1,64 1,55 25,26 0,16 1,48 1,48 9,01 77,34 1
1,23 4,31 187,46 0,31 0,36 0,76 0,52 7,67 1
1,25 4,05 86,62 0,36 1,03 1,03 2,07 17,35 1
5,30 0,23 94,38 0,54 1,03 1,24 -3,06 -9,83 1
1,67 1,59 216,77 0,33 0,39 0,29 -1,05 -10,85 0
1,21 4,72 387,18 0,21 0,40 0,39 -23,45 -147,63 0
1,25 4,04 102,84 -0,03 1,00 0,99 2,02 8,06 0
1,08 17,52 63,00 0,24 1,21 1,05 -7,76 -25,24 0
1,17 5,88 219,05 0,36 1,29 0,80 1,62 2,20 0
1,87 1,15 87,61 0,74 1,28 1,10 -40,36 -135,03 0
1,45 2,22 227,74 0,39 0,92 0,42 -50,67 -26,3 0
1,19 5,31 475,96 0,30 0,33 0,27 -0,61 -9,55 0
2,09 0,92 189,03 0,06 0,06 0,03 -0,08 5,61 0
1,31 15,81 154,59 0,75 1,35 1,21 4,72 34,67 0
1,72 1,39 97,87 2,61 2,61 0,61 9,70 32,58 0
1,60 1,67 152,17 0,56 0,94 0,69 12,54 26,42 1


111

Esse banco de dados reduzido foi utilizado para teste, devido ao tempo
computacional de treinamento de cada agente especialista, visto que para validao
do Sistema Multiagentes para Reconhecimento e Classificao de Padres, cada
Agente Especialista utiliza o mtodo de Lachenbruch (leave-one-out) para criao
dos seus modelos.


4.1 TESTE DO SISTEMA MULTIAGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES

Nos testes da Arquitetura proposta, primeiramente foi testada a eficcia do
Agente Minerador de Dados. Para testar a eficcia do Agente Minerador de Dados
foi comparado a Taxa de Acerto Real de cada mtodo de Reconhecimento e
Classificao de Padres no banco de dados original, com a Taxa de Acerto Real de
cada mtodo de Reconhecimento e Classificao de Padres no banco de dados
dos fatores gerados pela Anlise Fatorial. As Taxas de Acerto Real com o banco de
dados original so apresentadas nos quadros 4.1, 4.2 e 4.3

QUADRO 4.1 CLASSIFICAO DOS DADOS ORIGINAIS PELO MTODO DA REGRESSO
LOGSTICA COM TAXA DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
*7 3
70,00% 30,00%
Grupo 1
5 *25
16,66% 83,33%
Taxa de Acerto Real 80,00%
*Percentual de Acerto

QUADRO 4.2 CLASSIFICAO DOS DADOS DAS ORIGINAIS PELO MTODO DO ESCORE
QUADRTICO COM TAXA DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
*6 4
60,00% 40,00%
Grupo 1
2 *28
6,66% 93,33%
Taxa de Acerto Real 85,00%
*Percentual de Acerto



112

QUADRO 4.3 CLASSIFICAO DOS DADOS ORIGINAIS PELO MTODO DE REDES NEURAIS
COM TAXA DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
*8 2
80,00% 20,00%
Grupo 1
6 *24
20,00% 80,00%
Taxa de Acerto Real 80,00%
*Percentual de Acerto


Posteriormente foi aplicado o mtodo da Anlise Fatorial ao banco de dados
obtendo assim os seguintes resultados desta anlise.

TABELA 4.2 ANLISE FATORIAL DOS DADOS DE TESTE
Nmero de Fatores Autovalores Proporo da Varincia Varincia Cumulativa
1 3,86528 48,316 48,316
2 1,38006 17,251 65,567
3 1,00345 11,815 77,381
4 0,794289 9,929 87,310
5 0,540912 6,761 94,071
6 0,241361 3,017 97,088
7 0,184763 2,310 99,398
8 0,0481656 0,602 100,000
FONTE: O AUTOR

A tabela 4.2, apresenta um resumo das informaes da aplicao do Mtodo
da Anlise Fatorial para os dados de teste. O objetivo da anlise a obteno de um
nmero de fatores m com m<p sendo p a dimenso do vetor observado. Esses m
fatores so responsveis por explicar a maior parte da variabilidade das oito (8)
variveis. Neste caso, trs fatores foram extrados, ento m = 3. E para determinar o
nmero de fatores utilizou-se o mtodo de Kaiser, no qual o nmero de fatores a ser
extrado dado pelo nmero de autovalores da matriz de correlao que tinham
valores maiores que ou iguais a um (1), apresentado na figura 4.1. Juntos, eles
respondem por 77,381% da variabilidade dos dados originais.


113


FIGURA 4.1 SELEO DO NMERO DE FATORES DOS DADOS DE TESTE
FONTE O AUTOR

Na tabela 4.3 so apresentados os carregamentos (pesos) dos fatores
rotacionados pelo mtodo Varimax, as comunalidades e as porcentagens
explicativas.

TABELA 4.3 CARREGAMENTOS FATORIAIS ROTACIONADA OS DO BANCO DE DADOS DE
TESTE
Variveis Fator 1 Fator 2 Fator 3 Comunalidades
Varivel 1 0,4180 0,1120 0,6049 0,55328
Varivel 2 -0,0649 -0,0870 -0,8896 0,80334
Varivel 3 -0,5411 -0,4115 -0,0247 0,46283
Varivel 4 0,8477 0,1542 0,2848 0,82362
Varivel 5 0,9420 0,1515 0,1508 0,93326
Varivel 6 0,9150 0,0882 0,1369 0,86384
Varivel 7 0,2095 0,8648 0,2301 0,84476
Varivel 8 0,0987 0,9463 0,0087 0,90555
Total da Varincia
Explicada (%)
48,31% 17,25% 11,81%

Total da Varincia
Acumulada (%)
48,31% 65,56% 77,38%

FONTE: O AUTOR

Em relao aos dados de teste foram identificados apenas trs fatores que
representam 77,38% da variabilidade, porm esse trs fatores esto na direo de
maior variabilidade. Os fatores obtidos pela Anlise Fatorial so descritos a seguir:
Fator 1: (Varincia Explicada 48,31%)


114

- Varivel 3 (Comunalidade = 0,46283 ; Peso = -0,5411)
- Varivel 4 (Comunalidade = 0,82362; Peso = -0,8477)
- Varivel 5 (Comunalidade = 0,93326; Peso = 0,9420)
- Varivel 6 (Comunalidade = 0,86384; Peso = 0,9150)

Fator 2: (Varincia Explicada 17,25%)
- Varivel 7 (Comunalidade = 0,84476; Peso = 0,8648)
- Varivel 8 (Comunalidade = 0,90555; Peso = 0,9463)

Fator 3: (Varincia Explicada 11,81%)
- Varivel 1 (Comunalidade = 0,55328; Peso = 0,6049)
- Varivel 2 (Comunalidade = 0,80334; Peso = -0,8896)

Aps a rotao dos fatores foram calculados os escores fatoriais que so
utilizados como as variveis independentes para os mtodos de Reconhecimento e
Classificao de Padres. A partir da nova base de dados foram aplicados trs
mtodos de Reconhecimento e Classificao de Padres, todos eles utilizando o
mtodo de Lachenbruch (leave-one-out), para obter a Taxa Real de Acerto. Os
quadros 4.4, 4.5 e 4.6 apresentam as Classificaes e Taxa Real de Acerto dos
dados de teste:

QUADRO 4.4 CLASSIFICAO DOS DADOS GERADOS PELA ANLISE FATORIAL PELO
MTODO DA REGRESSO LOGSTICA COM TAXA DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
8 2
80,00% 20,00%
Grupo 1
4 26
13,33% 86,66%
Taxa de Acerto Real 85,00%
*Percentual de Acerto








115

QUADRO 4.5 CLASSIFICAO DOS DADOS GERADOS PELA ANLISE FATORIAL PELO
MTODO DO ESCORE QUADRTICO COM TAXA DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
8 2
80,00% 20,00%
Grupo 1
3 27
10,00% 90,00%
Taxa de Acerto Real 87,50%
*Percentual de Acerto


QUADRO 4.6 CLASSIFICAO DOS DADOS GERADOS PELA ANLISE FATORIAL PELO
MTODO DE REDES NEURAIS COM TAXA DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
6 4
60,00% 40,00%
Grupo 1
0 30
0,00% 100,00%
Taxa de Acerto Real 90,00%
*Percentual de Acerto

Em todos os casos com a aplicao da Anlise Fatorial apresentou uma
melhora nos mtodos de Reconhecimento e Classificao de Padres, a
comparao destes resultados apresentada no quadro 4.7

QUADRO 4.7 COMPARAO DOS MTODOS DE RECONHECIMENTO E CLASSIFICAO DE
PADRES DOS DADOS DE TESTE
Taxa Real de Acerto

Regresso
Logstica
Escore
Quadrtico
Redes
Neurais
Banco de Dados
Sem Agente de
Minerao
80,00% 85,00% 80,00%
Com Agente de
Minerao
85,00% 87,50% 90,00%

Aps a aplicao do Agente Minerador testou-se a eficcia do Agente
Decisor no gerenciamento da sntese dos resultados dos Agentes Especialistas,
desta forma foi criado uma Lgica Nebulosa a fim de ponderar a classificao feita
pelos Agentes Especialistas com suas respectivas Taxa de Acerto Real. Assim para
testar a eficcia do todo o sistema foi Sistema Multiagentes para Reconhecimento e


116

Classificao de Padres, primeiramente foi aplicado a um banco de dados tericos,
posteriormente foi utilizado o mtodo de Lachenbruch (leave-one-out) em todo o
sistema como visto na figura 4.2.
Para utilizar o mtodo de Lachenbruch (leave-one-out), foi utilizado a
seguinte sequncia:

1. Na base de dados contendo n observaes e omite-se uma
observao;
2. Com (n-1) observaes aplica-se a Anlise Fatorial, com o intuito de
gerar os p fatores que sero usados pelos Agentes Especialistas;
3. Com p fatores os Agentes Especialistas geram os modelos de
Reconhecimento e Classificao de Padres e a Taxa Real de Acerto;
4. Aplica-se os modelos gerados pelos Agentes Especialistas a
observao que foi omitida;
5. Com base nas classificaes da observao omitida e na Taxa Real
de Acerto, o Agente Decisor pondera a classificao da nova
observao, obtendo assim uma classificao final;
6. A classificao final comparada com a classificao real da
observao omitida;
7. Repete-se os passos 1 at 6, at que todas as observaes tenham
sido classificadas;
8. Seja
1
n o nmero de observaes do grupo 1, e
2
n o nmero de
observaes do grupo 0, ento a Taxa Real de Acerto do Sistemas
ser dado por:
Taxa Real de Acerto =
2 1
n n
Sistema do Acerto
+



117


FIGURA 4.2 MTODO DE VALIDAO DA ARQUITETURA MULTIAGENTES
FONTE: O AUTOR

O processo de teste da eficcia da arquitetura do Sistema Multiagentes de
Reconhecimento e Classificao de Padres apresentada no quadro 4.8.





118

QUADRO 4.8 CLASSIFICAO DOS DADOS DE TESTE PELO AGENTE DECISOR COM TAXA
DE ACERTO REAL
Classificao Prevista
Grupo 0 Grupo 1
Classificao Real
Grupo 0
8 2
80,00% 40,00%
Grupo 1
0 30
0,00% 100,00%
Taxa de Acerto Real 95,00%

Sistema de ps-processamento nebuloso melhorou o desempenho global do
Sistema Multiagentes, tendo uma Taxa Real de Acerto de 95,00%, a comparao
dos mtodos de Reconhecimento e Classificao de Padres apresentada no
quadro 4.9.

QUADRO 4.9 COMPARAO DOS MTODOS DE RECONHECIMENTO E CLASSIFICAO DE
PADRES DOS DADOS DE TESTE
Taxa Real de Acerto

Regresso
Logstica
Escore
Quadrtico
Redes
Neurais
Banco de Dados
Sem Agente de
Minerao
80,00% 85,00% 80,00%
Com Agente de
Minerao
85,00% 87,50% 90,00%
Agente Decisor 95,00%

Com base no quadro 4.9, observa-se que com a insero da tcnica de
Anlise Fatorial como pr-processamento de dados, obteve-se um melhor
desempenho dos mtodos de Reconhecimento e Classificao de Padres.
O mesmo pode-se observar com a insero da deciso nebulosa que
incrementou o desempenho final das tcnicas de Reconhecimento e Classificao
de Padres isoladas. Desta forma aps os testes do Sistema Multiagentes de
Reconhecimento e Classificao de Padres sem executados, optou-se por validar a
eficcia do sistema em duas bases de dados reais de problemas de Engenharia de
Potncia.


119

4.2 VALIDAO DO SISTEMA MULTIAGENTES PARA RECONHECIMENTO E
CLASSIFICAO DE PADRES

A arquitetura do Sistema Multiagentes de Reconhecimento e Classificao
de Padres foi aplicada na identificao e classificao de transformadores da rede
eltrica de acordo com o nvel de distoro harmnica total de tenso e na
identificao das quedas de estruturas metlicas, e comparado com resultados dos
trabalhos de Souza (2008), Martins (2010) e Wazen (2011), com o intuito de validar
a eficcia do sistema.


4.2.1 Validao do Agente Minerador de Dados

O Agente Minerador de Dados permite a automao do pr-processamento
de dados sem a necessidade da expertise do especialista. Esse pr-processamento
de dados tem como objetivo:
- Reduzir o volume de dados;
- Reduzir o tempo computacional dos mtodos de Reconhecimento e
Classificao de Padres;
- Agrupar as variveis originais que tm uma determinada associao e
esto nas direes de maior variabilidade;
Todos esses objetivos citados devem ser alcanados sem reduzir
significativamente no desempenho dos mtodos de Reconhecimento e Classificao
de Padres.
Desta forma a medida para avaliar a eficcia do Agente Minerador de Dados
foi a Taxa Real de Acerto dos mtodos de Reconhecimento e Classificao de
Padres antes e depois da aplicao da Anlise Fatorial.
O Agente Minerador de Dados foi aplicado aos dois conjuntos de dados para
validao do Sistema Multiagentes, os resultados sero apresentados dentro de
cada conjunto de dados.






120

4.2.1.1 Caso I Distores Harmnicas de Tenso

Primeiramente foram aplicados os mtodos de Reconhecimento e
Classificao de Padres ao conjunto de dados sem nenhum tratamento, todos os
mtodos aplicados utilizam o mtodo de Lachenbruch (leave-one-out), para obter a
Taxa Real de Acerto, desta forma os resultados obtidos so apresentados nos
Quadros 4.10, 4.11 e 4.12.

QUADRO 4.10 CLASSIFICAO DOS DADOS DAS DISTORES HARMONICAS DE TENSO
PELO MTODO DA REGRESSO LOGSTICA COM TAXA DE ACERTO REAL
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
237 44
*84,34% 15,65%
Problemtico
56 22
71,79% *28,20%
Taxa de Acerto Real 72,14%
*Percentual de Acerto

QUADRO 4.11 CLASSIFICAO DOS DADOS DAS DISTORES HARMONICAS DE TENSO
PELO MTODO DO ESCORE QUADRTICO COM TAXA DE ACERTO REAL
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
180 101
*64,05% 35,94%
Problemtico
26 52
33,33% *66,67%
Taxa de Erro Real 64,63%
*Percentual de Acerto


QUADRO 4.12 CLASSIFICAO DOS DADOS DAS DISTORES HARMNICAS DE TENSO
PELO MTODO DE REDES NEURAIS COM TAXA DE ACERTO REAL
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
273 8
*97,15% 2,85%
Problemtico
53 25
67,94% *32,05%
Taxa de Erro Real 83,01%
*Percentual de Acerto




121

Posteriormente foi aplicado o mtodo da Anlise Fatorial ao banco de dados
referente s variveis independentes das distores harmnicas de tenso obtendo
assim os seguintes resultados desta anlise.

TABELA 4.4 ANLISE FATORIAL DOS DADOS DAS DISTORES HARMONICAS DE TENSO
Nmero de Fatores Autovalores Proporo da Varincia Varincia Cumulativa
1 4,74934 27,93% 27,93%
2 2,30975 13,58% 41,52%
3 1,58098 9,30% 50,82%
4 1,31581 7,74% 58,56%
5 1,13126 6,65% 65,21%
6 1,02187 6,01% 71,22%
7 0,926229 5,44% 76,67%
8 0,807517 4,75% 81,42%
9 0,779209 4,58% 86,01%
10 0,602181 3,54% 89,55%
11 0,551315 3,24% 92,79%
12 0,445736 2,62% 95,41%
13 0,305962 1,80% 97,21%
14 0,215793 1,26% 98,48%
15 0,122075 0,71% 99,20%
16 0,090702 0,53% 99,74%
17 0,044276 0,26% 100,00%
FONTE: O AUTOR

A tabela 4.4, apresenta um resumo das informaes da aplicao do Mtodo
da Anlise Fatorial para os dados das Distores Harmnicas de Tenso. O objetivo
da anlise a obteno de um nmero de fatores m com m < p, sendo p a dimenso
do vetor observado. Esses m fatores so responsveis por explicar a maior parte da
variabilidade das 17 variveis. Neste caso, seis (6) fatores foram extrados, para
determinar o nmero de fatores utilizou-se o mtodo de Kaiser, no qual o nmero de
fatores a ser extrado dado pelo nmero de autovalores da matriz de correlao
que tinham valores maiores que ou iguais a 1, apresentado na figura 4.3. Juntos,
eles respondem por 71,22% da variabilidade dos dados originais.


122


FIGURA 4.3 SELEO DO NMERO DE FATORES DOS DADOS DAS DHTV
FONTE O AUTOR

Na tabela 4.5 so apresentados os carregamentos (pesos) dos fatores
rotacionados pelo mtodo Varimax, as comunalidades e as porcentagens
explicativas.

TABELA 4.5 CARREGAMENTOS FATORIAIS ROTACIONADAOS DAS DISTORES
HARMONICAS DE TENSO
Variveis Fator 1 Fator 2 Fator 3 Fator 4 Fator 5 Fator 6
Superintendncia Regional
0,0419 -0,2127 0,5643 0,0395 -0,1511 0,3304
Tenso Primria
-0,0495 -0,0662 0,8395 0,0407 0,0171 -0,0276
Fases
0,1720 0,2522 0,6763 -0,3494 0,0923 0,0449
Potncia
0,1854 0,0088 -0,7072 0,3451 0,0123 0,1382
Nmero de Consumidores
0,8237 0,4923 -0,0591 0,1626 0,0157 0,0282
Residencial 0/50 kWh
0,8079 -0,0813 -0,0651 -0,0131 0,0075 -0,0097
Residencial 50/100 kWh
0,9466 0,0243 -0,0250 -0,0177 -0,0590 -0,0021
Residencial 100/150 kWh
0,8788 0,2855 -0,0751 -0,0161 -0,0779 -0,0260
Residencial 150/200 kWh
0,6289 0,6568 -0,0934 0,0281 -0,0462 0,0310
Residencial 200/300 kWh
0,2597 0,9010 -0,1007 0,0663 0,0643 -0,0085
Residencial 300/500 kWh
-0,0061 0,8771 -0,0972 0,0611 0,1752 0,0232
Residencial 500/1000 kWh
-0,0902 0,3028 0,0031 0,1522 0,7652 -0,0262
Residencial >1000 kWh
-0,0081 -0,0390 -0,0841 -0,0316 0,8785 -0,0330
Comrcio e Poder Pblico
-0,0658 0,0159 0,0726 0,7465 0,0195 0,1867
Industrial
-0,2306 0,0063 0,1911 -0,2471 -0,1524 -0,0163
Rural
-0,0591 0,0376 -0,0019 0,1836 -0,0456 0,8092
Iluminao Pblica
-0,1113 -0,0246 -0,0051 0,5846 -0,0337 -0,5323
Total da Varincia Explicada (%)
27,93 13,58 9,30 7,74 6,65 6,01
Total da Varincia Acumulada (%)
27,93 41,52 50,82 58,56 65,21 71,22
FONTE: O AUTOR


123

Em relao aos dados referentes as Distores Harmnicas de Tenso
foram identificados seis fatores que representam 71,22% da variabilidade, porm
esse seis fatores esto na direo de maior variabilidade, os fatores obtidos pela
Anlise Fatorial so descritos a seguir:

Fator 1: Consumo Baixo (Varincia Explicada 27,93%)
- Nmero de Consumidores (Comunalidade = 0,9520 ; Peso = 0,8237)
- Residencial 0/50 kWh (Comunalidade = 0,6639; Peso = 0,8079)
- Residencial 50/100 kWh (Comunalidade = 0,9011; Peso = 0,9466)
- Residencial 100/150 kWh (Comunalidade = 0,8666; Peso = 0,8788)
- Residencial 150/200 kWh (Comunalidade = 0,8396; Peso = 0,6289)
- Residencial 200/300 kWh (Comunalidade = 0,8991; Peso = 0,2597)

Fator 2: Fator Consumo Mdio (Varincia Explicada 13,58%)
- Residencial 200/300 kWh (Comunalidade = 0,8138; Peso = 0,9010)
- Residencial 300/500 kWh (Comunalidade = 70,92; Peso = 0,8771)

Fator 3: Fator Operacional (Varincia Explicada 9,30%)
- Superintendncia Regional (Comunalidade = 0,5123; Peso = 0,5643)
- Tenso Primria (Comunalidade = 0,7144; Peso = 0,8395)
- Fases(Comunalidade = 0,6833, Peso = 0,6763)
- Potencia (Comunalidade = 0,6729, Peso = -0,7072)

Fator 4: Fator Comrcio/Poder Pblico/Iluminao Pblica( Varincia Explicada
7,74%)
- Comrcio e Poder Pblico (Comunalidade = 0,6025; Peso = 0,0726)
- Iluminao Pblica (Comunalidade = 0,6393; Peso = 0,5846)

Fator 5: Fator Consumo Alto(Varincia Explicada 6,65%)
- Residencial 500/1000 kWh (Comunalidade = 0,7825; Peso = 0,7652)
- Residencial >1000 kWh (Comunalidade = 0,6025; Peso = 0,8785)




124

Fator 6: Fator Rural(Varincia Explicada 6,01%)
- Rural(Comunalidade = 0,6956; Peso = 0,8092)

A varivel Industrial apresenta uma comunalidade de 0,1743, isso indica que
essa varivel pode ser descartada na anlise visto que no tem varincia explicativa,
significativa para o modelo. Lembrando-se que as medies deste banco de dados
foram realizadas no secundrio de transformadores de distribuio, focando-se na
rede de baixa tenso, onde no se verificam cargas significativas do tipo Industrial.
Com base nos fatores obtidos aps a rotao dos fatores foram calculado os
escores fatoriais e estes so utilizados como as variveis independentes para os
mtodos de Reconhecimento e Classificao de Padres. A partir da nova base de
dados foram aplicados trs mtodos de Reconhecimento e Classificao de
Padres, todos eles utilizando o mtodo de Lachenbruch (leave-one-out), para obter
a Taxa Real de Acerto. Os quadros com as Classificaes e Taxa Real de Acerto
so apresentadas a seguir:

QUADRO 4.13 CLASSIFICAO DOS DADOS DAS DISTORES HARMNICAS DE TENSO
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DA REGRESSO LOGSTICA COM
TAXA DE ACERTO REAL
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
*241 40
85,76% 14,23%
Problemtico
53 25
67,94% *32,05%
Taxa de Acerto Real 74,09%
*Percentual de Acerto

QUADRO 4.14 CLASSIFICAO DOS DADOS DAS DISTORES HARMNICAS DE TENSO
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DO ESCORE QUADRTICO COM
TAXA DE ACERTO REAL
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
*177 104
62,98% 37,02%
Problemtico
13 65
16,67% *83,33%
Taxa de Acerto Real 67,41%
*Percentual de Acerto



125

QUADRO 4.15 CLASSIFICAO DOS DADOS DAS DISTORES HARMNICAS DE TENSO
APS A APLICAO DA ANLISE FATORIAL PELO MTODO DE REDES NEURAIS COM TAXA
DE ACERTO REAL
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
*273 8
97,15% 2,85%
Problemtico
53 25
67,94% *32,05%
Taxa de Acerto Real 83,01%
*Percentual de Acerto

Em todos os casos com a aplicao da Anlise Fatorial apresentou uma
melhora no desempenho dos mtodos de Reconhecimento e Classificao de
Padres, a comparao destes resultados apresentada no quadro 4.16

QUADRO 4.16 COMPARAO DOS MTODOS DE RECONHECIMENTO E CLASSIFICAO DE
PADRES DOS DADOS DAS DISTORES HARMNICAS DE TENSO
Taxa Real de Acerto

Regresso
Logstica
Escore
Quadrtico
Redes
Neurais
Distores
Harmnicas de
Tenso
Sem Agente de
Minerao
72,15% 64,63% 83,01%
Com Agente de
Minerao
74,09% 67,41% 83,01%

Com base no quadro 4.17, pode-se observar que a aplicao da Anlise
Fatorial como pr-processamento da informao teve uma melhora de 1,94% no
mtodo de Regresso Logstica, 2,78% no mtodo de Escore Quadrtico, e no teve
melhora no mtodo de Redes Neurais.


4.2.1.2 Caso II Quedas de Estruturas Metlicas de Linhas de Transio

Primeiramente foram aplicados os mtodos de Reconhecimento e
Classificao de Padres ao conjunto de dados das Quedas de Estruturas sem
nenhum tratamento, todos os mtodos aplicados utilizam o mtodo de Lachenbruch
(leave-one-out), para obter a Taxa Real de Acerto, desta forma os resultados obtidos
so apresentados nos quadros a 4.17, 4.18 e 4.19.


126

QUADRO 4.17 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS PELO MTODO
DA REGRESSO LOGSTICA COM TAXA DE ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
*23 21
*52,27% 47,73%
No Queda
16 *121
11,67% *88,32%
Taxa de Acerto Real 79,56%
*Percentual de Acerto

QUADRO 4.18 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS PELO MTODO
DO ESCORE QUADRTICO COM TAXA DE ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
*33 11
*75,00% 25,00%
No Queda
13 *124
9,49% *90,51%
Taxa de Erro Real 86,74%
*Percentual de Acerto


QUADRO 4.19 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS PELO MTODO
DE REDES NEURAIS COM TAXA DE ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
*23 21
*52,27% 47,72%
No Queda
12 *125
13,20% *86,80%
Taxa de Erro Real 81,76%
*Percentual de Acerto


Posteriormente foi aplicado o mtodo da Anlise Fatorial obtendo assim os
seguintes resultados:








127

TABELA 4.6 ANLISE FATORIAL DOS DADOS DAS QUEDAS DE ESTRUTURAS
Nmero de Fatores Autovalores Proporo da Varincia Varincia Cumulativa
1 1,99686 19,96% 19,96%
2 1,64037 16,40% 36,37%
3 1,44306 14,43% 50,80%
4 1,10751 11,07% 61,87%
5 0,907899 9,07% 70,95%
6 0,829768 8,29% 79,25%
7 0,708422 7,08% 86,33%
8 0,609269 6,09% 92,43%
9 0,384674 3,84% 96,27%
10 0,372167 3,72% 100,00%
FONTE: O AUTOR

A tabela 4.6, apresenta um resumo das informaes da aplicao do Mtodo
da Anlise Fatorial para os dados de Quedas de Estruturas. O objetivo da anlise
a obteno de um nmero de fatores m com m < p, sendo p a dimenso do vetor
observado . Esses m fatores que so responsveis por explicar a maior parte da
variabilidade das 10 variveis. Neste caso, quatro fatores foram extrados, para
determinar o nmero de fatores utilizou-se o mtodo de Kaiser, no qual o nmero de
fatores a ser extrado dado pelo nmero de autovalores da matriz de correlao
que tinham valores maiores que ou iguais a 1, apresentado na figura 4.4. Juntos,
eles respondem por 61,878% da variabilidade dos dados originais.

FIGURA 4.4 SELEO DO NMERO DE FATORES DAS QUEDAS DE ESTRUTURAS
FONTE O AUTOR



128

Na tabela 4.7 so apresentados os carregamentos (pesos) dos fatores
rotacionados pelo mtodo Varimax, as comunalidades e as porcentagens
explicativas.

TABELA 4.7 CARREGAMENTOS FATORIAIS ROTACIONADAOS DAS QUEDAS DE
ESTRUTURAS
Variveis Fator 1 Fator 2 Fator 3 Fator 4 Comunalidades
Tenso 0,1010 0,8056 -0,0351 -0,1184 0,6745
Vento -0,0056 0,6884 -0,3440 0,1907 0,6287
Relevo 0,2159 -0,0419 0,7402 -0,0403 0,5979
Massa de Ar Fria 0,7385 0,0863 0,3223 0,1324 0,6743
Massa de Ar Quente -0,8353 0,0187 0,0158 0,1082 0,7096
Temperatura 0,6598 -0,2628 -0,3092 -0,0555 0,6032
Terreno -0,1927 -0,0689 0,7221 -0,0667 0,5677
Capacidade -0,1958 -0,1844 -0,0243 0,7573 0,6465
Funo 0,1329 0,1106 -0,0758 0,7572 0,6091
Fundao -0,2834 0,6091 0,1385 -0,0729 0,4759
Total da Varincia
Explicada (%)
19,96% 16,40% 14,43% 11,07%

Total da Varincia
Acumulada (%)
19,96% 36,37% 50,80% 61,87%

FONTE: O AUTOR

Em relao aos dados referentes as Quedas de Estruturas foram
identificados apenas quatro fatores que representam 61,87% da variabilidade, porm
esse quatro fatores esto na direo de maior variabilidade, os fatores obtidos pela
Anlise Fatorial so descritos a seguir:

Fator 1: Fator Climtico (Varincia Explicada 19,96%)
- Massa de Ar Fria (Comunalidade = 0,6745; Peso = 0,7385)
- Massa de Ar Quente (Comunalidade = 0,7096; Peso = -0,8353)
- Temperatura (Comunalidade = 0,6032, Peso = 0,6598)

Fator 2: Fator Determinao da Estrutura (Varincia Explicada 16,40%)
- Tenso (Comunalidade =0,6745 ; Peso = 0,8056)
- Vento (Comunalidade = 0,6287; Peso = 0,6884)
- Fundao (Comunalidade = 0,4759; Peso = 0,6091)


129

Fator 3: Fator Geogrfico (Varincia Explicada 14,43%)
- Revelo (Comunalidade = 0,5979; Peso = 0,7402)
- Terreno (Comunalidade = 0,5677; Peso = 0,7221)

Fator 4: Fator Caractersticas da LT (Varincia Explicada 11,07%)
- Capacidade (Comunalidade = 0,6465; Peso = 0,7573)
- Funo (Comunalidade = 0,6091; Peso = 0,7572)

Com base nos fatores obtidos aps a rotao dos fatores foi calculado os
escores fatoriais e estes so utilizados como as variveis independentes para os
mtodos de Reconhecimento e Classificao de Padres. A partir da nova base de
dados foram aplicados trs mtodos de Reconhecimento e Classificao de
Padres, todos eles utilizando o mtodo de Lachenbruch (leave-one-out), para obter
a Taxa Real de Acerto. Os quadros com as Classificaes e Taxa Real de Acerto
so apresentadas nos quadros 4.20, 4.21 e 4.22.

QUADRO 4.20 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS APS A
APLICAO DA ANLISE FATORIAL PELO MTODO DA REGRESSO LOGSTICA COM TAXA
DE ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
*36 8
81,81% 18,19%
No Queda
28 *109
21,89% 78,11%
Taxa Real de Acerto 80,11%
*Percentual de Acerto


QUADRO 4.21 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS APS A
APLICAO DA ANLISE FATORIAL PELO MTODO DO ESCORE QUADRTICO COM TAXA DE
ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
*39 5
88,63% 11,37%
No Queda
17 *120
14,60% 85,40%
Taxa Real de Acerto 87,84%
*Percentual de Acerto


130

QUADRO 4.22 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS APS A
APLICAO DA ANLISE FATORIAL PELO MTODO DE REDES NEURAIS COM TAXA DE
ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
*23 21
52,27% 47,72%
No Queda
12 *125
8,75% 91,24%
Taxa Real de Acerto 81,76%
*Percentual de Acerto

Em todos os casos com a aplicao da Anlise Fatorial apresentou uma
melhora no desempenho dos mtodos de Reconhecimento e Classificao de
Padres, a comparao destes resultados apresentada no quadro 4.23.

QUADRO 4.23 COMPARAO DOS MTODOS DE RECONHECIMENTO E CLASSIFICAO DE
PADRES DOS DADOS DAS QUEDAS DE ESTRUTURAS
Taxa Real de Acerto
Queda de Estruturas
Sem Agente de
Minerao
79,56% 86,74% 81,76%
Com Agente de
Minerao
80,11% 87,84% 81,76%

Com base no quadro 4.23, pode-se observar que a aplicao da Anlise
Fatorial como pr-processamento da informao teve uma melhora de 0,55% no
mtodo de Regresso Logstica, 1,10% no mtodo de Escore Quadrtico, e no teve
melhora no mtodo de Redes Neurais. No quadro, 4.24 apresentado um resumo
da aplicao da tcnica de Anlise Fatorial nos dados de validao.

QUADRO 4.24 RESUMO DA APLICAO DA ANLISE FATORIAL COMO AGENTE MINERADOR
DE DADOS
Taxa Real de Acerto
Queda de Estruturas
Sem Agente de
Minerao
79,56% 86,74% 81,76%
Com Agente de
Minerao
80,11% 87,84% 81,76%

Distores
Harmnicas de
Tenso
Sem Agente de
Minerao
72,15% 64,63% 83,01%
Com Agente de
Minerao
74,09% 67,41% 83,01%


131

Com base no quadro 4.24, pode-se observar que em todos os casos a
aplicao da Anlise Fatorial representou uma melhora ns mtodos de
Reconhecimento e Classificao de Padres. No banco de dados referente s
Quedas de Estruturas, foi reduzido o nmero de variveis de entrada de dez para
quatro. No banco de dados referente s Distores Harmnicas de Tenso, houve
uma reduo de 17 variveis para seis fatores. Em ambos os casos houve uma no
desempenho dos mtodos de Reconhecimento e Classificao de Padres. Desta
forma o Agente Minerador de Dados mostrou-se eficaz visto que houve:
- Reduo do volume de dados
- Agrupamento das variveis originais em fatores
- Melhor desempenho computacional devido reduo do volume de dados;
- Melhor performance dos mtodos de Reconhecimento e Classificao de
Padres
- Uma anlise da correlao entre as variveis e sua importncia na
variabilidade dos conjuntos de dados.


4.2.1 Validao do Decisor

O Agente Decisor responsvel pela comunicao do Sistema Multiagentes
com o Usurio, porm tem um papel fundamental no gerenciamento da sntese dos
resultados apresentados pelos Agentes Especialistas. Para a validao do Agente
Decisor foi utilizado o mtodo de Lachenbruch (leave-one-out) em todo o Sistema
Multiagentes. Os resultados para cada conjunto de dados sero apresentados a
seguir.

4.2.1.1 Caso I: Distores Harmnicas de Tenso

Aps a aplicao do Agente Minerador utilizou-se os resultados dos Agentes
Especialistas, para a criao de uma Lgica Nebulosa a fim de ponderar a
classificao feita pelos Agentes Especialistas com suas respectivas Taxa de Acerto
Real. No banco de dados das Distores Harmnicas de Tenso foi utilizado o
mtodo de Lachenbruch (leave-one-out) em todo o sistema e comparado com o


132

valor da classificao real dos dados, a classificao e a Taxa Real de Acerto do
Agente Decisor apresentado no quadro 4.25.

QUADRO 4.25 CLASSIFICAO DOS DADOS DAS DISTORES HARMNICAS DE TENSO
APS A APLICAO DA LGIA NEBULOSA
Classificao Prevista
Bom Problemtico
Classificao Real
Bom
*277 4
98,57% 1,42%
Problemtico
22 *52
32,46% 67,53%
Taxa Real de Acerto 91,64%

Com base no quadro 4.25, o Agente Decisor apresentou uma Taxa Real de
Acerto de 91,64%, essa Taxa Real de Acerto foi comparada com os resultados das
tcnicas de Reconhecimento e Classificao de Padres isoladamente, com e sem a
aplicao da Anlise Fatorial. Esta comparao apresentada no quadro 4.26



QUADRO 4.26 COMPARAO DOS MTODOS DE RECONHECIMENTO E CLASSIFICAO DE
PADRES DOS DADOS DE DISTORES HARMNICAS DE TENSO
Taxa Real de Acerto
Banco de Dados
Regresso
Logstica
Escore
Quadrtico
Redes
Neurais
Distores
Harmnicas de
Tenso
Sem Agente de
Minerao
79,56% 86,74% 81,76%
Com Agente de
Minerao
80,11% 87,84% 81,76%

Agente Decisor

91,64%

No quadro 4.26, pode-se observar que a aplicao do Agente Decisor no
gerenciamento da sntese dos modelos de Reconhecimento e Classificao de
Padres obteve-se uma melhora mdia de 8,40% em relao as tcnicas Isoladas.





133

4.2.1.2 - Caso II - Quedas de Estruturas Metlicas de Linhas de Transio

No banco de dados das Quedas de Estruturas foi utilizado o mtodo de
Lachenbruch (leave-one-out) em todo o sistema utilizando os resultados dos
Agentes Especialistas e suas respectivas Taxas Real de Acerto para a criao de
uma Lgica Nebulosa e comparado com o valor da classificao real dos dados, a
classificao e a Taxa Real de Acerto do Agente Decisor apresentado no quadro
4.27.

QUADRO 4.27 CLASSIFICAO DOS DADOS DAS QUEDAS DE ESTRUTURAS APS A
APLICAO DA ANLISE FATORIAL PELO MTODO DE REDES NEURAIS COM TAXA DE
ACERTO REAL
Classificao Prevista
Queda No Queda
Classificao Real
Queda
37 7
84,09% 15,90%
No Queda
10 *127
7,29% 92,70%
Taxa Real de Acerto 90,60%
*Percentual de Acerto

Com base no quadro 4.27, o Agente Decisor apresentou uma Taxa Real de
Acerto de 90,60%, essa Taxa Real de Acerto foi comparada com os resultados das
tcnicas de Reconhecimento e Classificao de Padres isoladamente, com e sem a
aplicao da Anlise Fatorial. Esta comparao apresentada no quadro 4.28.


QUADRO 4.28 COMPARAO DOS MTODOS DE RECONHECIMENTO E CLASSIFICAO DE
PADRES DOS DADOS DAS QUEDAS DE ESTRUTURAS
Taxa Real de Acerto
Banco de Dados
Regresso
Logstica
Escore
Quadrtico
Redes
Neurais
Distores
Harmnicas de
Tenso
Sem Agente de
Minerao
72,15% 64,63% 83,01%
Com Agente de
Minerao
74,09% 67,41% 83,01%

Agente Decisor

90,60%



134

No quadro 4.28, pode-se observar que a aplicao do Agente Decisor no
gerenciamento da sntese dos modelos de Reconhecimento e Classificao de
Padres obteve-se uma melhora mdia de 15,76% em relao as tcnicas Isoladas.
Um resumo da aplicao da Lgica Nebulosa no ps-processamento da informao
apresentado no quadro 4.29.

QUADRO 4.29 RESUMO DA APLICAO DA LGICA NEBULOSA COMO AGENTE DECISOR


Taxa Real de Acerto
Queda de Estruturas
Sem Agente de
Minerao
79,56% 86,74% 81,76%
Com Agente de
Minerao
80,11% 87,84% 81,76%

Agente Decisor
90,60%

Distores
Harmnicas de
Tenso
Sem Agente de
Minerao
72,15% 64,63% 83,01%
Com Agente de
Minerao
74,09% 67,41% 83,01%

Agente Decisor
91,64%

Com base no quadro 4.29 pode-se observar que o Agente Decisor consegue
sintetizar e integrar os desempenhos das trs Tcnicas de Reconhecimento e
Classificao de Padres testadas, melhorando assim o desempenho global do
sistema.
Dessa forma, o sistema de deciso nebuloso desenhado consegue inferir
uma classificao final aproveitando as vantagens individuais de cada tcnica para
suprir as deficincias pontuais de alguma classificao errada obtida por uma
determinada tcnica.


4.3 RESULTADOS DA VALIDAO DO SISTEMA MULTIAGENTES PARA
RECONHECIMENTO E CLASSIFICAO DE PADRES

A arquitetura proposta foi aplicada em dois bancos de dados reais de
problemas na Engenharia de Potncia. Souza (2008) e Martins (2010) que utilizam


135

separadamente tcnicas de Reconhecimento e Classificao de Padres no banco
de dados das Distores Harmnicas de Tenso, porm nos dois trabalhos os
bancos de dados foram separados previamente em cinco superintendncias
regionais. A comparao entre a classificao apresentada nos dois trabalhos e do
Sistema Multiagentes para Reconhecimento e Classificao de Padres
apresentado no quadro 4.30.

QUADRO 4.30 COMPARAO DOS RESULTADOS DOS DADOS DAS DISTORES
HARMNICAS DE TENSO
Regional Rough sets
Regresso
Logstica
Escore Quadrtico
Sistema
Multiagentes
Indefinies
Taxa Real
de Acerto
Taxa Real de
Acerto
Taxa Real de
Acerto
Taxa Real de
Acerto
SDC 9,4% 37,90% 56,62% 56,25%
91,64%
SDO 27,4% 62,20% 72,58% 53,96%
SDN 44,4% 65,70% 61,90% 64,51%
SDT 24,3% 71,40% 70,27% 67,56%
SDL 19,5% 79,60% 85,15% 75,00%

Com base no quadro 4.30, tem-se que o Sistema Multiagentes para
Reconhecimento e Classificao de Padres apresentou um resultado superior as
tcnicas aplicadas separadamente. Vale ressaltar que o Sistema Multiagentes
efetuou o Reconhecimento e Classificao de Padres em toda a base de dados,
descartando assim expertise do especialista.
No banco de dados de Quedas de Estruturas o resultado do Sistema
Multiagentes para Reconhecimento e Classificao de Padres foi comparado aos
resultados apresentando por Wazen (2011), que utilizou duas tcnicas de
Reconhecimento e Classificao de Padres. Os resultados das comparaes so
apresentados no quadro 4.31.

QUADRO 4.31 COMPARAO DOS RESULTADOS DOS DADOS DAS QUEDAS DE
ESTRUTURAS
Rough sets
Regresso
Logstica
Sistema Multiagentes
Indefinies
Taxa Real de
Acerto
Taxa Real de
Acerto
Taxa Real de Acerto
Quedas de
Estruturas
76,24% 69,76% 80,11% 90,60%



136

Neste banco de dados o Sistema Multiagentes obteve um resultado melhor
do que das tcnicas aplicadas separadamente por Wazen (2011), o que comprova a
eficcia do Sistema Multiagentes no processo de Minerao de Dados e no
Gerenciamento dos mtodos de Reconhecimento e Classificao de Padres.









137

5 CONCLUSES


Neste trabalho buscou-se apresentar uma viso geral sobre a importncia
dos mtodos de Reconhecimento e Classificao de Padres em problemas reais.
Desta forma destacados a necessidade de mtodos cada vez mais eficientes para
suprir problemas reais de Reconhecimento e Classificao de Padres. Visto que
em muitos casos a aplicao de apenas um mtodo de Reconhecimento e
Classificao de Padres no supre essa necessidade, ento um sistema que
integre vrios mtodos se torna cada vez mais importante.
Com o intuito de utilizar a arquitetura de Sistema Multiagentes para integrar
e gerenciar os mtodos de Reconhecimento e Classificao de Padres foi feito um
estudo sobre as definies e a fundamentao terica dos Sistemas Multiagentes,
bem como as principais vantagens. Foram tambm investigados os principais
desafios enfrentados pela comunidade cientfica na concepo e execuo dos
Sistemas Multiagentes. Podemos destacar que os principais desafios enfrentados
esto relacionados a escolha de design especficos para a criao dos agentes,
problemas relacionados a interoperabilidade e a ontologia, bem como a escolha de
design para a concepo de agentes autnomos. Desta forma foi apresentado o
atual estado da arte sobre as aplicaes dos Sistemas Multiagentes na Engenharia
de Potncia.
A fim de validar a arquitetura proposta foram utilizados dois bancos de dados
contemplando problemas reais de Reconhecimento e Classificao de Padres na
Engenharia de Potncia.
Para uma anlise do banco de dados referente as Distores Harmnicas de
Tenso foi apresentado uma viso geral da questo da qualidade de energia eltrica
bem como seus principais distrbios, sua definies, caractersticas e as principais
normas tcnicas sobre limites para os distrbios da Qualidade de Energia Eltrica.
Para o banco de dados foram utilizadas informaes histricas de medies de
harmnicos de tenso, realizadas nos transformadores do sistema de distribuio da
COPEL. Adicionalmente, foram consideradas na elaborao do modelo, algumas
caractersticas tcnicas e operacionais dos transformadores monitorados. Estas
informaes associaram-se aos dados de consumo, tipo e quantidade de


138

consumidores, tenso de operao e potncia nominal do transformador, tipo de
ligao, dentre outras informaes julgadas importantes.
Para a anlise do banco de das Quedas de Estruturas foram descritas as
informaes gerais sobre linhas de transmisso, considerando as partes que as
compem bem como as principais caractersticas destes componentes. Estas
informaes foram necessrias para identificao da relao das caractersticas com
o problema, levantado e apresentando quais dados foram relevantes para os
estudos relacionados aos esforos adicionais s quais as estruturas esto sujeitas.
No processo de construo da Arquitetura de um Sistema Multiagentes para
Reconhecimento e Classificao de Padres foi necessrio definir a funo de cada
agente inteligente afim de que o Sistema Multiagentes integrasse no somente
mtodos de Reconhecimento e Classificao de Padres, mas que gerenciasse
desde o pr-processamento do banco de dados at ponderao da classificao de
cada mtodo de Reconhecimento e Classificao de Padres, desta forma foram
definidos trs agentes fundamentais na arquitetura: Agente Minerador de Dados,
Agentes Especialistas e Agente Decisor.
Num primeiro momento foi utilizado um Agente Minerados de dados
responsvel pela filtragem dos dados e aplicao da Anlise Fatorial como uma
tcnica de pr-processamento de informao com o intuito de que o Sistema
Multiagentes tivesse a possibilidade de acessar o banco de dados de forma
autnoma, realizando assim uma limpeza de dados, reduo do volume de dados,
porm sem interferir negativamente na performance dos mtodos de
Reconhecimento e Classificao de Padres. Com base nos escores fatoriais
rotacionados pode-se observar que a Anlise Fatorial agrupou as variveis com
mais correlao em fatores com direes de maior variabilidade e tambm
descartando as variveis no so significativas para a variabilidade do modelo.
Os resultados com a aplicao da Anlise Fatorial no pr-processamento
dos dados foi comparado com a aplicao das tcnicas de Reconhecimento e
Classificao de Padres no banco de dados originais, desta forma podendo
comprovar a eficcia da do Agente Minerador de Dados nos dois bancos de dados
em estudo.
Os mtodos de Reconhecimento e Classificao de Padres foram testados
e avaliados antes de serem implementados como Agentes Especialistas. Esses
mtodos foram selecionados por terem apresentados melhores resultados nos


139

bancos de dados de teste e tambm por j terem sidos aplicados nos mesmos
bancos de dados utilizados para validao.
Como a Arquitetura proposta tem como intuito no apenas integrasse os
mtodos de Reconhecimento e Classificao de Padres, mas que gerenciasse a
sntese dos resultados dos Agentes Especialistas. Assim o Agente Decisor teve
como principal objetivo o ps-processamento dos resultados apresentados pelos
Agentes Especialistas.
O Agente Decisor utiliza uma Lgica Nebulosa do modelo Mandani para
ponderar as Taxas Reais de Acerto com a classificao de uma nova observao,
obtendo assim um resultado final que contempla as principais vantagens de cada
mtodo de Reconhecimento e Classificao de Padres, suprindo assim as
deficincias pontuais de cada mtodo.
A aplicao da Lgica Nebulosa foi comparada com os mtodos de
Reconhecimento e Classificao de Padres aplicados separadamente nos bancos
de dados podendo assim comprovar sua eficcia.
De forma individual cada Agente Inteligente apresentou um resultado
satisfatrio, visto assim que o Sistema Multiagentes integrando o Agente Minerador
de Dados os Agentes Especialistas e o Agente Decisor agrega tanto as vantagens
do pr-processamento, do Reconhecimento e Classificao de Padres e do ps-
processamento dos resultados, tendo assim um resultado global melhor do que o
resultado de cada Agente Inteligente agindo separadamente.
Por fim as principais contribuies cientificas deste trabalho so:

Utilizao da Anlise Fatorial como pr-processamento de dados para
os mtodos de Reconhecimento e Classificao de Padres;
Criao de uma Lgica Nebulosa no ps-processamento dos
resultados dos mtodos de Reconhecimento e Classificao de
Padres;
Estruturao da Minerao de dados em um Sistema Multiagentes
para Reconhecimento e Classificao de Padres.

Fica ento como sugestes para trabalhos futuros:



140

Testar a Arquitetura do Sistema Multiagentes de Reconhecimento e
Classificao de Padres em outros problemas de Reconhecimento e
Classificao de Padres.
Utilizar outros mtodos de Reconhecimento e Classificao de Padres como
Agentes Especialistas.
Combinar outras regras dentro do Agente Decisor.




141

6 REFERNCIAS BIBLIOGRFICAS

AGNCIA NACIONAL DE ENERGIA ELTRICA ANEEL. Procedimentos de
Distribuio de Energia Eltrica no Sistema Eltrico Nacional. PRODIST,
mdulo 8, ago. 2007.

AOKI, A.R. Uma Proposta de Arquitetura Multiagentes para Operao de
Sistemas Eltricos. Itajub, 2003. Tese de Doutorado - Programa de Ps-
Graduao em Engenharia Eltrica, Universidade Federal do de Itajub.

AOKI, A.R. Notas de Aula da Disciplina Inteligncia Artificial, Universidade
Federal do Paran, Curitiba, PR, Curso Inteligncia Artificial Aplicada, 2005.

BAKER, P. C.; CATTERSON, V. M.; MCARTHUR, S. D. J.; Integrating an Agent-
based Wireless Sensor Network within an Existing Multi-Agent Condition
Monitoring System. 15th International Conference on Intelligent System
Applications to Power Systems, ISAP 2009 November 8 - 12, 2009, Curitiba, Brazil

CATTERSON, V. M.; RUDD, S. E.; MCARTHUR, S. D. J.; MOSS, G.; On-line
Transformer Condition Monitoring through Diagnostics and Anomaly
Detection. 15th International Conference on Intelligent System Applications to Power
Systems, ISAP 2009 November 8 - 12, 2009, Curitiba, Brazil

CHAVES NETO, A.; Anlise Multivariada Aplicada a Pesquisa: Notas de aula.
Departamento de Estatstica, Universidade Federal do Paran, Curitiba, 1997.

CHIGUTI. Aplicao da Anlise Multivariada na Caracterizao dos Municpios
Paranaenses Segundo suas Produes Agrcolas. Dissertao (Mestrado)
UFPR, 2005.

COPEL Companhia Paranaense de Energia. Disponvel em
http://www.copel.com/pagcopel.nsf

COURY, D. V.; THORP, J. S.; HOPKINSON, K. M.; BIRMAN, K. P.; An agent-based
current differential relay for use with a utility intranet. IEEE Transaction on
Power Delivery, vol. 17, no. 1, pp. 4753, Jan. 2002.

DAVIDSON, E, M,; MCARTHUR, S, D, J,; MCDONALD, J, R,; CUMMING, T,;
WATT, I,; Applying multi-agent system technology in practice: Automated
management and analysis of SCADA and digital fault recorder data. IEEE
Transaction on Power System. vol. 21, no. 2, pp. 559567, May 2006.

DAVIDSON, E. M.; MCARTHUR, S. D. J.; Exploiting Multi-agent System
Technology within an Autonomous Regional Active Network Management
System. 14th International Conference on Intelligent System Applications to Power
Systems, ISAP 2007 November 4 - 8, 2007, Kaohsiung, Taiwan.



142

DIMEAS, A. L.; HATZIARGYRIOU, N. D.; Operation of a multi-agent system for
microgrid control. IEEE Transaction on Power System, vol. 20, no. 3,pp. 1447
1455, Aug. 2005.

DIMEAS, A. L.; HATZIARGYRIOU, N. D.; Agent based control of Virtual Power
Plants. 14th International Conference on Intelligent System Applications to Power
Systems, ISAP 2007 November 4 - 8, 2007, Kaohsiung, Taiwan.

DU, W.; CHEN, Z.; WANG, H. F.; DUNN, R.; Feasibility of online collaborative
voltage stability control of power systems. IET Gener. Transm. Distrib., 2009,
Vol. 3, Iss. 2, pp. 216224.

EDWARDS, D.; SRIVASTAVA, S. K.; CARTES, D. A.; SIMMONS, S.; WILDE, N.;
Implementation and Validation of a Multi-Level Security Model Architecture.
14th International Conference on Intelligent System Applications to Power Systems,
ISAP 2007 November 4 - 8, 2007, Kaohsiung, Taiwan.

ESQUARCINI, R. Classificao e Ranqueamento dos Municpios Paranaenses
Segundo suas Polticas Setoriais Atravs da Anlise Multivariada. Dissertao
(Mestrado) UFPR, 2005.

FERBER, J. Multi-Agent Systems: An Introduction to Distributed Artificial
Intelligence. Addison-Wesley, 1999. 509 p.

FAUSETT, L. V. Fundamentals of Neural Networks - Architectures, Algorithms,
and Applications. Prentice Hall International Editions. USA, New Jersey, 1994.

FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P. From data mining to
knowledge discovery: an overview. Advances in Knowledge Discovery & Data
Mining, 1996 pp. 1-34.

Foundation for Intelligent Physical Agents (FIPA). Disponvel em http://www.fipa.org/.

FRANKLIN, S.; GRAESSER, A.; Is it an agent or just a program?, Proc. 3rd
Int.Workshop Agent Theories, Architectures, and Languages 1996, New York:
Springer-Verlag.

FUCHS, R. D. Transmisso de Energia Eltrica: Linhas Areas Volume 1. Rio
de Janeiro: Livros Tcnicos e Cientficos Editora, 1977.

FUKUI, C.; KUDO, H.; KODA, J.; YABE, K.; TOMITA, Y.; A cooperative protection
system with an agent model. IEEE Transaction on Power Delivery, vol. 13, no. 4,
pp. 10601066, Oct. 1998.

FURTADO, M. E. et al. Ranqueamento de faxinais do estado do paran atravs
da anlise fatorial. Revista Cincias Exatas e Naturais, v. 5, p. 8599, 2003.

GASSER, L.; BOND, A. H. Readings in Distributed Artificial Intelligence. San
Mateo: Morgan Kaufmann, 1988.


143

GEHRKE, O.; BINDNER, H.; Building a test platform for agents in power system
control: Experience from SYSLAB. 14th International Conference on Intelligent
System Applications to Power Systems, ISAP 2007 November 4 - 8, 2007,
Kaohsiung, Taiwan.

GIOVANINI, R.; HOPKINSON, K.; COURY, D. V.; THORP, J. S.; A primary and
backup cooperative protection system based on wide area agents. IEEE
Transaction on Power Delivery, vol. 21, no. 3, pp. 12221230, Jul. 2006.

HGER, U.; LEHNHOFF, S.; REHTANZ, C.; WEDDE, H. F.; Multi-Agent System
for Coordinated Control of FACTS devices. 15th International Conference on
Intelligent System Applications to Power Systems, ISAP 2009 November 8 - 12,
2009, Curitiba, Brazil

HAIR, J. F. et al. Applied Multivariate Statistical Analysis. New York: Prentice
Hall,2009.

HAYKIN, S. Redes Neurais: Princpios e Prtica. 2 Edio, Porto Alegre:
Bookman, 2002.

HILLS, M. Applied Statistics. [S.l.]: Book Review, 1977.

HOPKINSON, K.; WANG, X.; GIOVANINI, R.; THORP, J.; BIRMAN, K.; COURY,
D.; EPOCHS: A platform for agent-based electric power and communication
simulation built from commercial off-the-shelf components, IEEE Transaction on
Power System, vol. 21, no. 2, pp. 548558,May 2006.

HUANG, K.; SRIVASTAVA, S. K.; CARTES, D. A.; SLODERBECK, M.; Intelligent
Agents Applied to Reconfiguration of Mesh Structured Power Systems. 14th
International Conference on Intelligent System Applications to Power Systems, ISAP
2007 November 4 - 8, 2007, Kaohsiung, Taiwan.

IEC Communications Networks and Systems in Substations. 2005, Document
IEC 61850.

IEC Energy Management System Application Program Interface (EMS-API) -
Part 301: Common Information Model (CIM) Base, 2005, document IEC 61970-301.

Java Agent Development Framework (JADE). Disponvel em http://jade.cselt.it/.

JOHSON, R. A.; WICHERN, D. W.; Applied Multivariate Statistical Analysis. 4.
ed. New Jersey: Prentice-Hall, inc., 1998.

KACHIGAN, S. K. Multivariate statistical analysis. New York: Radius Press, 1991.

KAISER, H. F. The varimax criterion for analytic rotation in factor analysis.
Psychometrika, v. 23, p. 187200, 1958.





144

KORBIK, A.; MCARTHUR, S. D. J.; AULT, G. W.; BURT, G. M.; MC-DONALD, J.
R.; Enabling active distribution networks through decentralized autonomous
network management. in Proc. 18th Int. Conf. Electricity Distribution (CIRED), Turin,
June 2005.

KORITAROV, V. S.; Real-world market representation with agents. IEEE Power
and Energy Magazine, vol. 2, no. 4, pp. 3946, Jul. 2004.

LACHENBRUCH, P. A. Discriminant Analysis. New York, Halfner: 1975.

LEE, C.C. Fuzzy Logic in Control Systems: Fuzzy Logic Controller Part I. IEEE
Transactions on Systems, Man, and Cybernetics, Vol. 20, No. 2, 1990a. p. 404-418.

LEE, C.C. Fuzzy Logic in Control Systems: Fuzzy Logic Controller Part II.
IEEE Transactions on Systems, Man, and Cybernetics, Vol. 20, No. 2, 1990b. p. 419-
435.

LIM, I-H.; LEE, S-J.; CHOI, M-S.; CROSSLEY, P.; Multi-Agent System-based
Protection Coordination of Distribution Feeders. 14th International Conference on
Intelligent System Applications to Power Systems, ISAP 2007 November 4 - 8, 2007,
Kaohsiung, Taiwan.

LIM, I-H.; CHOI, M-S.; LEE, S-J.; KIM, T. W.; Intelligent Distributed Restoration by
Multi-Agent System Concept in DAS. 15th International Conference on Intelligent
System Applications to Power Systems, ISAP 2009 November 8 - 12, 2009, Curitiba,
Brazil

LIMA, J. D. A anlise Econmico-financeira de Empresas Sob a tica da
Estatstica Multivariada. Dissertao (Mestrado em Mtodos Numricos em
Engenharia) Setores de Tecnologia e de Cincias Exatas, Universidade Federal do
Paran, Curitiba, 2002.

LO, Y. L.; WANG, C. H.; LU, C. N.; A Multi-agent Based Service Restoration in
Distribution Network with Distributed Generations. 15th International Conference
on Intelligent System Applications to Power Systems, ISAP 2009 November 8 - 12,
2009, Curitiba, Brazil

MAES, P.; Artificial life meets entertainment: Life-like autonomous agents.
Commun. ACM, vol. 38, no. 11, pp. 108114, 1995.

MAMDANI, E.H. Application of Fuzzy Logic to Approximate Reasoning Using
Linguistic Synthesis. IEEE Transactions on Computers, Vol. c-26, No. 12, 1977. p.
1182-1191.

MARQUES, A. F. Aplicao da anlise multivariada na infraestrutura e no
desempenhodas escolas pblicas do ensino fundamental e mdio
pertencentes ao ncleo regionalde educao de paranava. Acta Scientiarum, v.
32, p. 7581, 2010.



145

MARTINS, R.; Classificao de Transformadores de Distribuio de Energia
Eltrica quanto DHTV Usando Rough Sets. Curitiba, 2009. Dissertao de
Mestrado - Programa de Ps-Graduao em Engenharia Eltrica, Universidade
Federal do Paran.

MCARTHUR, S. D. J.; MCDONALD, J. R.; HOSSACK, J. A.; A multi-agent
approach to power system disturbance diagnosis. Autonomous Systems and
Intelligent Agents in Power System Control and Operation (Power Systems), C.
Rehtanz, Ed. New York: Springer-Verlag, Jul. 2003, pp. 7599.

MCARTHUR, S. D. J.; DAVIDSON, E. M.; DUDGEON, G. J. W.; MC-DONALD, J.
R.; Toward a model integration methodology for advanced applications in
power engineering, IEEE Transaction on Power System, vol. 18, no. 3, pp. 1205
1206, Aug. 2003.

MCARTHUR, S, D, J,; STRACHAN, S, M,; JAHN, G,; The design of a multiagent
transformer condition monitoring system. IEEE Transaction on Power System.
vol. 19, no. 4, pp. 18451852, Nov. 2004.

MCARTHUR, S.D.J.; DAVIDSON, E. M.; CATTERSON, V. M.; DIMEAS, A. L.;
HATZIARGYRIOU, N. D.; PONCI, F.; FUNABASHI, T.; Multi-Agent Systems for
Power Engineering ApplicationsPart I: Concepts, Approaches, and Technical
Challenges: IEEE Transactions on Power Systems, vol. 22, n. 4, nov. 2007.

MINGOTI, S. A. Anlise de Dados Atravs de Mtodos de Estatstica
Multivariada: Uma Abordagem Aplicada. Belo Horizonte: Editora UFMG, 2005.

MOMOH, J. A.; ALFRED, K.; XIA, Y.; Framework for Multi-Agent System (MAS)
Detection and Control of Arcing of Shipboard Electric Power Systems. 15th
International Conference on Intelligent System Applications to Power Systems, ISAP
2009 November 8 - 12, 2009, Curitiba, Brazil

MULLER, S. I. M. G. Comparao entre os mtodos de mxima
verossimilhana, distncia mnima e o mtodo de Fisher para o
reconhecimento de padres em imagens coloridas. Curitiba, 1997. 116 f.
Dissertao (Mestrado em Geodsica) Setor de Cincias Geodsicas,
Universidade Federal do Paran.

MLLER, S. I. M. G.; CHAVES NETO, A. Programa de tcnicas integradas para
anlise e avaliao de fornecedores. RNTI - Revista Negcios e Tecnologia da
Informao, v. 2, p. 95104, 2007.

OPERADOR NACIONAL DO SISTEMA ELTRICO ONS. Padres de
Desempenho da Rede Bsica, submdulo 2.2, ago. 2002.

OZERENKO, A.; GYULMALIEV, A.; GAGARIN, S. Factorial analysis in selecting
the zeolite catalyst for 2,6-dimethylnaphthalene synthesis. Coke and
Chemistry, v. 50, p. 200206, 2007.



146

PANDYA, A.S. & MACY, R. B. Pattern Recognition with Neural Networks in C++.
CRC Press, Inc. Florida Atlantic University, USA, Boca Raton, Florida, 1996.

PARK, S.J.; LIM, J.T.; Modelling and control of agent-based power protection
system using supervisors. Proc. Inst. Elect. Eng., Control Theory Appl., vol. 153,
no. 1, pp. 9298, Jan. 2006.

QUEIROZ, J. et al. Geochemical characterization of heavy metal contaminated
area using multivariate factorial kriging. Environmental Geology, v. 55, p. 95105,
008.

RENCHER, A. C. Methods of Multivariate Analysis. New York: Wiley-Interscience,
2002.

ROSA, M.A.; MIRANDA, V.; MATOS, M.; SHEBL, G.; LEITE DA SILVA, A.M.;
Intelligent Agent-based Environment to Coordinate Maintenance Schedule
Discussions. 15th International Conference on Intelligent System Applications to
Power Systems, ISAP 2009 November 8 - 12, 2009, Curitiba, Brazil

RUSSELL, S.; NORVIG, P.; Artificial Intelligence: A Modern Approach.
Englewood Cliffs, NJ: Prentice-Hall, 1995.

SHENG, S.; LI, K. K.; CHAN, W. L.; XIANGJUN, Z.; XIANZHONG, D.; Agent-based
self-healing protection system. IEEE Transaction on Power Delivery, vol. 21, no. 2,
pp. 610618, Apr. 2006.

SILBERSCHATZ, A.; TUZHILIN, A.: On subjective measures of interestingness in
knowledge discovery. Proceedings of the First International Conference on
Knowledge Discovery and Data Mining 1, 1995, p. 275-281.

SOUZA, W. E.; Anlise das Distores Harmnicas de Tenso a partir de
Caractersticas dos Transformadores e de Dados de Consumo. Curitiba, 2008.
Dissertao de Mestrado - Programa de Ps-Graduao em Mtodos Numricos em
Engenharia, Universidade Federal do Paran.

SPEARMAN, C. General intelligence objectively determined and measured.
American Journal of Psychology, v. 15, p. 201293, 1904.

VAN SICKEL, J. H.; LEE, K Y. Distributed Discrete Event and Psuedo Real-time
Combined Simulation for Multi-agent Controlled Power Plants. 15th International
Conference on Intelligent System Applications to Power Systems, ISAP 2009
November 8 - 12, 2009, Curitiba, Brazil

VLACHOGIANNIS, J. G.; HATZIARGYIOU, N. D.; LEE, K. Y.; Ant colony system-
based algorithm for constrained load flow problem. IEEE Transaction on Power
System, vol. 20, no. 3, pp. 12411249, Aug. 2005.

WAZEN, R. N. Proposta de Aplicao da Manuteno Baseada em
Confiabilidade para Linhas de Transmisso da COPEL. Monografia de
Especializao da Universidade Tecnolgica Federal do Paran, 2008.


147


WAZEN, R. N. Avaliao da Suscetibilidade de falhas em Estruturas Metlicas
de Linhas de Transmisso, Curitiba, 2011. Dissertao de Mestrado - Programa de
Ps-Graduao em Engenharia Eltrica, Universidade Federal do Paran.

WIDERGREN, S. E.; ROOP, J. M.; GUTTROMSON, R. T.; HUANG, Z.; Simulating
the dynamic coupling of market and physical system operations. in Proceedings
of the IEEE Power Engineering Society General Meeting, Jun. 2004, pp. 748753.

WOOLDRIDGE, M.; JENNINGS, N. R.; Pitfalls of agent oriented development. in
Proc. 2nd International Conference Autonomous Agents, 1998, pp. 385391.

WOOLDRIDGE, M.; WEISS, G.; Intelligent Agents. Multi-agent Systems,
Cambridge, MA: The MIT Press, Apr. 1999, pp. 351.

ZADEH, L.A. Fuzzy Sets. Information and Control, Vol. 8, 1965. p. 338-353.

ZADEH, L.A. Outline of a New Approach to the Analysis of Complex Systems
and Decision Processes. IEEE Transactions on Systems, Man, and Cybernetics,
Vol. SMC-3, No. 1, 1973. p. 28-44.