Você está na página 1de 6

X SBAI Simpsio Brasileiro de Automao Inteligente

18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

UM NOVO MTODO DE DETECO RPIDA DE FALTAS EM LINHAS DE TRANSMISSO


UTILIZANDO REDES NEURAIS ARTIFICIAIS E CUMULANTES

JANISON R. DE CARVALHO1,2, DENIS V. COURY2, DANIEL L. S. DE OLIVEIRA1, CARLOS A. DUQUE3

1. Centro Federal de Educao Tecnolgica de Minas Gerais


Rua Jos Peres 558, Centro, 36700-000 Leopoldina, MG
janison@leopoldina.cefetmg.br, dlspaiva@gmail.com

2. Departamento de Engenharia Eltrica, Universidade de So Paulo


Av. Trabalhor So Carlense, 400, Centro, 13566-590 So Carlos, SP
coury@sc.usp.br

3. Programa de Ps-Graduao em Eng. Eltrica PPEE, Universidade Federal de Juiz de Fora


Campus Universitrio CEP: 36036-330 Juiz de Fora, MG
carlos.duque@ufjf.edu.br

Abstract This paper presents the use of Higher Order Statistics (HOS) and Artificial Neural Networks (ANNs) for distance relaying purposes.
It is specifically investigated the detection step of distance relaying. In the current paper, the results of such fault detector are presented and com-
pared with traditional techniques. These results are very promising as the method combines a large number of samples of HOS with different fea-
tures and the capability of ANNs to discriminate different patterns. The use of small length data windows provides speed in the process. Besides,
the immunity to noise provides reliability.

Keywords Transmission Line Protection, Higher Order Statistics, Artificial Neural Networks.

Resumo Este artigo apresenta o uso de Estatsticas de Ordem Superior (EOS) e Redes Neurais Artificiais (RNAs) para propsitos de proteo
de distncia. especificamente investigada a etapa de deteco de faltas. Os resultados deste processo so apresentados e comparados com tcni-
cas tradicionais. Os resultados so muito promissores j o mtodo alia um grande nmero de estatsticas, com diferentes caractersticas, capaci-
dade das RNA na discriminao de padres de diferentes classes. O uso de janelas de pequenas janelas de dados impes velocidade ao mtodo.
Alm disso, a imunidade a rudo das EOS prov confiabilidade na operao.

Palavras-chave Proteo de Linhas de Transmisso, Estatsticas de Ordem Superior, Redes Neurais Artificiais.

1. Introduo hhorn, Ladniak & Lobos, 1993; Chen, Liu & Jiang, 2006;
Grcar, et al., 2007; Cho, et al., 2009). De fato, o desempenho
Os avanos no campo da inteligncia artificial e das tcnicas de mtodos baseados em impedncia aparente diretamente
de processamento digital de sinais tm permitido a investiga- relacionado exatido dos processos de estimao fasorial.
o e a aplicao de novas ferramentas para solucionar pro- Dentre os principais erros neste processo destacam-se os
blemas em diversas reas. Em problemas relacionados devido variao de freqncia, presena de rudo aditivo,
proteo de Sistemas Eltricos de Potncia (SEP), algumas presena de componente exponencial e tamanho de janela.
destas ferramentas computacionais tm sido utilizadas de O uso de Redes Neurais Artificiais (RNA) em aplicaes
forma a identificar um possvel estado de operao anormal de proteo em LT tem sido pesquisado desde o incio dos
do sistema. anos 1990, com a publicao de diversos trabalhos nessa rea
As Linhas de Transmisso (LT) de energia eltrica com- (Kharparde, Kale & Aggarwal, 1991; Chakravarthy, Nayar &
pem a maior parte, em extenso, do sistema de transmisso Achuthan, 1992; Jongepier & Sluis, 1997; Dalstein & Kuli-
de energia. Devido a este fato, a maioria das faltas que ocor- che, 1995; Coury & Jorge, 1998; Osman, Abdelazim & Ma-
rem no sistema eltrico de potncia envolve esta parte do lik, 2005; Zhang & Kezunovic, 2007; Dutta & Kadu, 2010).
sistema. Um esquema de proteo de linhas deve garantir que O interesse nessa ferramenta est relacionado com suas e-
todo defeito seja eliminado to rapidamente quanto possvel, normes potencialidades.
sendo tambm desligada uma nica seo, de mnima exten- Recentemente foi proposta a utilizao das Estatsticas
so possvel (Caminha, 1977). Um modelo completo de de Ordem Superior (EOS), os chamados cumulantes, aplica-
proteo das LT composto pelas seguintes etapas (Coury, das a janelas de sinais amostrados de tenso, visando extra-
Oleskovic & Giovanini, 2007): o de parmetros para detectar a ocorrncia de distrbios
1. a deteco, que consiste na determinao do instante relacionados qualidade de energia eltrica (Marques, 2007)
de tempo em que a falta ocorreu. e classificao dos mesmos (Gerek & Ece, 2006; Ferreira,
2. a classificao, que consiste na indicao de quais 2007). Pradhan, Routray & Biswal (2004) investigaram mui-
as fases envolvidas na falta. to superficialmente a aplicao destas estatsticas na classifi-
3. a localizao, que consiste na determinao do pon- cao de faltas em LT com compensao srie.
to da linha em que ocorreu a falta Neste trabalho, as EOS so empregadas especificamente
Atualmente, a maioria dos algoritmos digitais de prote- para etapa de deteco em linhas de transmisso. Os traba-
o de LT baseada na estimativa da impedncia aparente lhos anteriores, especialmente na rea de qualidade de ener-
(Coury, Oleskovic & Giovanni, 2007). Vrios mtodos tm gia, indicam que se trata de uma ferramenta com caractersti-
sido publicados na literatura para lidar com alguns aspectos cas interessantes e muito adequadas para o propsito da pro-
negativos ligados a esta estimativa. (S & Pedro, 1991; Eic- teo. Dentre elas destacam-se a imunidade a rudo e o alto

ISSN: 2175-8905 - Vol. X 545


X SBAI Simpsio Brasileiro de Automao Inteligente
18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

nmero de estatsticas disponveis. A primeira evita ou mi- (a)


nimiza os problemas de tcnicas convencionais de deteco,

Amplitude (pu)
1

as quais so sensveis a rudos. J a ltima possibilita a in- 0 x[n-1]


x[n]
vestigao de um vasto nmero de combinaes disponveis -1
x[n-N+1]

para a gerao de padres. A organizao do artigo est co- 0 100 200 300 400 500
(b)
600 700 800 900 1000

mo a seguir. Na Seo 2 so apresentadas duas tcnicas tra- 0.5

ndice sc
dicionalmente utilizadas em deteco de faltas. Na Seo 3
apresentada uma breve introduo s EOS e s RNA. A Se- 0
h

o 4 apresenta a estrutura de deteco proposta. Os resulta- 0 100 200 300 400 500
(c)
600 700 800 900 1000

dos alcanados so apresentados e discutidos na Seo 5.

ndice sa
Finalmente, na Seo 6 so estabelecidas as concluses. 0.1

0.05 h
0
0 100 200 300 400 500 600 700 800 900 1000
Amostra (n)

2. Tcnicas Convencionais de Deteco de Faltas Figura 1. Mtodos convencionais de deteco para o sinal de tenso
mostrado em (a): ndice da comparao ciclo-a-ciclo em (b) e;
ndice da comparao amostra-a-amostra em (c)
A deteco de faltas em linhas de transmisso baseada
na identificao das mudanas ocorridas nos sinais de tenso
e corrente quando da ocorrncia da mesma. Este processo 3. Estatsticas de Ordem Superior e
deve ocorrer com o mnimo de atraso possvel. Como men- Redes Neurais Artificiais
cionando anteriormente, vrias tcnicas existem para tal
propsito. Principalmente duas so empregadas na proteo: Nesta seo sero descritas brevemente as ferramentas utili-
o mtodo de comparao amostra a amostra e o mtodo de zadas neste trabalho: as estatsticas de ordem superior e as
comparao ciclo a ciclo, detalhados a seguir (Mohanty, redes neurais artificiais.
Pradhan & Routray, 2008). Para ambos os mtodos o ndice
resultante comparado com um limiar h, ou threshold. Se o 3.1 Estatsticas de Ordem Superior (Cumulantes)
ndice for maior que o limiar por um determinado nmero O interesse em EOS e em suas aplicaes veio no inicio da
consecutivo de amostras, ento a falta registrada. Conforme dcada de 1990. Estas estatsticas usam mais informaes do
destacado em Mohanty, Pradhan & Routray (2008), tanto que as disponveis simplesmente provindas da mdia e da
sinais de tenso quanto de corrente podem ser utilizadas na varincia de um processo, permitindo uma melhor forma de
deteco de faltas, com desempenhos de velocidade de de- discriminao em algumas aplicaes.
teco similares. Seja X um processo aleatrio constitudo pelo conjunto
de variveis aleatrias (x1,x2,...,xn). Para variveis aleatrias
2.1 Comparao ciclo a ciclo reais com mdia zero, os cumulantes de 2, 3 e 4 ordens so
Nesta tcnica, o ndice utilizado na deteco consiste no dados por (Mendel, 1991),
mdulo da diferena entre a amostra atual e a amostra equi- cum ( x1 , x2 ) = E ( x1 x2 )
valente do ciclo anterior. Considerando x[n] o sinal analisa- cum ( x1 , x2 , x3 ) = E ( x1 x2 x3 )
do, de tenso ou corrente, amostrado com N pontos por ciclo, (3)
cum ( x1 , x2 , x3 , x4 ) = E ( x1 x2 x3 x4 ) E ( x1 x2 ) E ( x3 x4 )
tem-se matematicamente,
E ( x1 x3 ) E ( x2 x4 ) E ( x1 x4 ) E ( x2 x3 )
sc [ n ] = x [ n ] x [ n N + 1] (1)
Supondo {x(t)} um processo aleatrio estacionrio de m-
Na Figura 1(b) apresentado um exemplo do emprego dia zero. Os cumulantes de ordem kth desse processo, denota-
de (1) na deteco de faltas. apresentado um sinal de ten- do por Ck,x(1, 2, ..., 3) , onde 1,,k so deslocamentos no
so na Figura 1(a), com representao explcita das duas tempo, definido em termos dos sinais x(t), x(t+1),,
amostras envolvidas no clculo de (1), e o valor do ndice sc x(t+k). Definindo 1=2=3=, a partir de (3), os cumulantes
com a evoluo temporal. fcil perceber que a ocorrncia
de 2, 3 e 4 ordens podem ser reescritos como,
da falta implica na mudana do perfil de sc, com a ultrapas-
sagem do threshold h. C 2,x ( ) = E { x (t ) x (t + )}
C3,x ( ) = E { x (t ) x 2 (t + )} (4)
2.1 Comparao amostra a amostra
Nesta tcnica, o ndice utilizado na deteco consiste no C 4,x ( ) = E { x (t ) x 3 (t + )} 3C 2,x ( ) C 2,x ( 0 )
mdulo da diferena entre a amostra atual e a amostra no Para um sinal discreto x[n] pode-se aproximar (4) por
instante anterior. Considerando novamente x[n] o sinal de (Marques, 2007),
tenso ou corrente amostrado, tem-se matematicamente,
1 N 1
sa [ n ] = x [ n ] x [ n 1] (2) C2,x ( ) = x[n]x[mod(n + , N )]
N n=0
Na Figura 1(c) apresentado um exemplo do emprego 1 N 1
C3,x ( ) = x[ n] x 2 [mod( n + , N )]
de (2) na deteco de faltas. Na Figura 1(a) so representadas N n=0 (5)
explicitamente as duas amostras consecutivas utilizadas em 1 N 1
C4,x ( ) = x[ n] x 3 [mod( n + , N )]
(2) e o valor do ndice sa com a evoluo temporal est na N n=0
Figura 1(c). Novamente, intuitivo e fcil perceber que a 1 N 1 N 1

ocorrncia da falta implica na mudana do perfil de sa, com a 2 x[ n ] x[mod( n + , N )] x 2 [ n ]


N n=0 n=0
ultrapassagem do threshold h.

ISSN: 2175-8905 - Vol. X 546


X SBAI Simpsio Brasileiro de Automao Inteligente
18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

3.2 Redes Neurais Artificiais Camada escondida


Entradas Camada de sada
1 j,i 2 j,i
As Redes Neurais Artificiais podem ser definidas como um 1
conjunto de unidades de processamento (neurnios) que so 1 y1
x1
interligados por um grande nmero de interconexes (sinap- 2
ses artificiais), as quais so responsveis pelo armazenamen- x2 y2
2
to da informao, ou seja, pelo aprendizado da rede. Algu- 3
mas das caractersticas mais relevantes das RNAs so: xN
1. Aprendem atravs de exemplos. N2 yN
2
2. Possuem capacidade de se adaptar. N1
3. Possuem capacidade de generalizar. Figura 3. Perceptron multicamadas (2 camadas).

4. So tolerantes a falhas. 1 Foreward: o padro aplicado nas entradas da rede e


5. So capazes de agrupar ou organizar dados. propagado para a sada, atravs da interao com os pesos
Dentre todas as aplicaes de redes neurais, a maioria se sinpticos.
encontra nas reas de reconhecimento de padres e de apro- 2 Backward: A partir das sadas yj(k), calcula-se o erro
ximaes de funes. Na primeira, a rede deve atribuir o que retro-propagado objetivando o ajuste das matrizes de
padro que lhe foi apresentado a uma das classes pr- pesos.
definida. Na segunda, ela deve encontrar uma estimativa da O processo de ajuste de pesos realizado atravs do Gra-
sada em funo, somente, das suas entradas. diente do erro quadrtico,
Um modelo da unidade bsica de processamento de uma
RNA, o neurnio perceptron, representado na Figura 2. As 1 N2

2
(k ) = d j ( k ) y j ( k ) (7)
entradas x1,..,xN so multiplicadas pelos pesos sinpticos 2 j =1
w1,..wN e somadas, incluindo o termo , o chamado limiar de Por causa do uso do gradiente, as funes de ativao
ativao neural. A sada do combinador linear, u, passa pela
devem ser diferenciveis. Uma equao geral para ajuste do
funo de ativao g(.), resultando na sada do neurnio, y.
peso que liga o neurnio jth da camada corrente entrada ith
Matematicamente, pode ser escrita como,
N
w ji (t + 1) = w ji (t ) + j yi
u = wi xi (6)
(8)
i =0
y = g (u ) onde a taxa de aprendizagem, j o gradiente local do

neurnio j, wji(t+1) o peso ajustado e wji(t) o peso no passo
Em (6) foi considerada uma entrada x0=1 para a repre- anterior. Mais informaes sobre os PMCs e os mtodos de
sentao do limiar de ativao atravs do peso w0. Na enge- treinamento podem ser encontrados em Haykin (1999) ou em
nharia, com a limitao de um nico perceptron na resoluo Silva, Spatti & Flauzino (2010).
de problemas, grande parte das aplicaes de RNA realiza-
da com a aplicao das redes Perceptron Multicamadas
4. O Mtodo Proposto
(PMC). Tratam-se de redes do tipo Feedforward(fluxo
nico de informao) constitudas por uma camada de entra- A Figura 4 apresenta a estrutura utilizada no processo de
da de informaes (x1,..,xN), pelo menos uma camada neural deteco com o emprego de cumulantes e redes neurais arti-
intermediria e uma camada neural de sada. Na Figura 3 ficiais. Deve-se ressaltar o esforo neste trabalho para buscar
essas terminologias so indicadas para um PMC de duas um mtodo que usa apenas sinais de tenso.
camadas neurais, com N1 neurnios na primeira e N2 neur-
nios na segunda. Cada crculo representa um neurnio bsico Filtro Notch C2 [,n]
da Figura 2. A camada neural intermediria a primeira eA[n]
v A[n]
camada neural e tambm denominada camada escondida. eB[n] Sada
O PMC pertence classe de RNAs que possuem treina- v B[n] HOS ANN
mento supervisionado. Isto significa que ele aplicado em v C [n] eC[n]
f0
problemas que dispem de um conjunto de entradas
x1(k),..,xN(k) com um conjunto de sadas d1(k),..,dN2(k) asso- C4 [,n]
ciado. A rede aprende, ou seja, treinada, ajustando suas Figura 4. Estrutura de deteco.
matrizes de pesos, de forma que, se apresentado um padro k
O processo se inicia com os filtros notch parametrizados
na entrada da rede, yj(k) seja igual a dj(k) (j=1,..,N2).
do tipo IIR (Infinite Impulse Response) (Mitra, 2006),
O processo de treinamento destas redes realizado apli-
cando o algoritmo Backpropagation (Haykin, 1999) ou al- 1+ 1 2 z 1 + z 2
H ( z) = (9)
guma de suas variaes. O procedimento consiste dos passos: 2 1 (1 + ) z 1 + z 2
Esse filtro projetado para remover a componente fun-
damental f0=60 Hz. O parmetro controla a posio da
x1 w1
freqncia central do filtro e o parmetro controla a largura
u y de banda de 3 dB.
x2 w2 g
A utilizao desse filtro baseada no fato de que varias
tcnicas de deteco so realizadas usando um sinal de erro.
xN wN Assim, a seguinte formulao introduzida para o problema
especfico deste trabalho. Esta formulao consiste de duas
Figura 2. Modelo de neurnio do perceptron. hipteses,

ISSN: 2175-8905 - Vol. X 547


X SBAI Simpsio Brasileiro de Automao Inteligente
18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

H0 : ev ,i [ n ] = rv ,i [ n ] TABELA I PARMETROS PARA SIMULAO DAS FALTAS


(10)
H1 : ev ,i [ n] = rv ,i [ n ] + tv ,i [ n ] Distncia ngulo Resistncia
Falta
(km) () ()
O sinal de rudo rv[n], uma componente de fundo gaus- Fase-Terra 5, 10, , 125 0, 30, , 330 Rt=0.1, 1.0, 10.0
siano e tv[n] uma componente de transitrios. A hiptese H0 Fase-Fase 5, 10, , 125 0, 30, , 330 Rf=0.01, 0.1, 1.0
a hiptese nula e associada condio de operao nor- Rt=0.1, 1.0, 10.0
Fase-Fase-Tera 5, 10, , 125 0, 30, , 330
mal da LT. A hiptese alternativa H1 est associada condi- Rf=0.01, 0.1, 1.0
o de falta. Essa formulao plausvel, considerando os Fase-Fase-Fase 5, 10, , 125 0, 30, , 330 Rf=0.1, 1.0
baixos nveis harmnicos na transmisso, e foi adotada pre-
viamente por Gerek e Ece 2006. A janela de dados utilizada no clculo dos cumulantes
possui tamanho de do perodo fundamental. A tcnica de
Aps o estgio de filtragem, segue o clculo da estatsti-
validao cruzada utilizada de forma a prevenir o over-
ca de ordem superior para os sinais de erro atravs de (5). Os
fitting.
cumulantes so calculados atravs de janelas deslizantes no
tempo para os sinais de evA, evB e evC. A utilizao de janelas
5.1 Resultados para operao com freqncia nominal
com tamanho fracionrio, com referncia ao perodo funda-
mental, um dos atrativos do trabalho. Esta caracterstica Neste experimento foram gerados dados considerando o
impe velocidade e confiabilidade no processo de deteco. sistema operando em sua freqncia nominal f0=60 Hz. Da
Levando em conta as consideraes de Mendel (1991) totalidade de parmetros apresentados na Tabela I, foram
sobre os cumulantes de 3 ordem para algumas distribui- utilizados os valores de d={5,25,...,125}, ={0,90,120,210},
es amostrais so nulos ou muito prximos de zero alm Rt={0.1;10} e Rf={0.01; 1.0}.
da no utilizao dos mesmos por Marques (2007), neste Uma janela deslizante com tamanho de de ciclo - ou
trabalho so considerados inicialmente apenas os cumulantes seja, 64 amostras - foi utilizada para o clculo dos cumulan-
de 2 e 4 ordens. Assim, no instante n, portanto, as sadas do tes. As 32 amostras que antecedem o instante de ocorrncia
segundo estgio sero, da falta foram utilizadas para compor a classe no-falta. A
T classe falta foi formada tambm por 32 amostras, a partir da
C2, v (0, n ) C2, v (1, n ) L C2, v ( N 1, n) e
(11) 64 amostra que sucede o instante de ocorrncia da falta.
T
C4, v (0, n ) C4, v (1, n ) L C4, v ( N 1, n) Desta forma, os padres ps-falta foram gerados sem a mis-
tura de amostras de tenso pr e ps-falta, uma estratgia que
De (11) pode ser notado que N cumulantes de 2 ordem e ajuda na discriminao das duas classes.
N cumulantes de 4 ordem esto disponveis para a prxima Considerando presena de rudo branco Gaussiano aditi-
etapa. vo, com relao sinal rudo SNR=35 dB, uma representao
O estgio que segue a etapa de clculo dos cumulantes no espao de cumulantes mostrada na Figura 6. Neste gr-
consiste na aplicao das redes neurais artificiais. Nesta fase fico pode-se perceber as classes no-falta e falta, respectiva-
uma combinao de cumulantes para as fases, A, B e C cons- mente representadas por padres pretos e cinzas. Vrias
titui a entrada para processamento. A RNA treinada com topologias de PMC foram treinadas para soluo do proble-
um vasto conjunto de dados obtidos atravs de simulaes ma de identificao de padres em questo. Um resultado
numricas de sistemas eltricos. Os dados so organizados de muito satisfatrio foi alcanado com um PMC de duas cama-
forma que os cumulantes no regime pr-falta sejam categori- das, com seis neurnios na camada escondida e um neurnio
zados em classe de mesmo nome. No regime ps-falta, os na camada de sada. Na Figura 7 apresentado um resultado
cumulantes so categorizados em classe de mesmo nome. de operao do sistema para uma falta A-B-T com d=70 km,
Em operao, a RNA recebe um conjunto de cumulantes a Rf=0.01 , Rt=0.1 e =90. Em (a) so apresentados os
cada instante de amostragem e fornece uma sada que indica sinais eltricos de tenso do SEP. Os cumulantes determina-
operao normal ou operao em regime de falta. dos a partir dos sinais de erro so apresentados em (b). No
instante de ocorrncia da falta (n=128), percebe-se a modifi-
5. Resultados da Simulao cao do comportamento dos cumulantes, assim como a
acusao da ocorrncia de falta na sada da RNA, mostrada
Os resultados obtidos so apresentados nesta seo. O siste- em (c). Em (d) so apresentados os ndices dos mtodos
ma eltrico apresentado na Figura 5 foi simulado no Simu- tradicionais de comparaes ciclo-a-ciclo e amostra-a-
link/MATLAB e utilizado para o emprego da tcnica de- amostra calculados considerando a tenso na fase A. Como o
senvolvida. A freqncia de amostragem utilizada ajuste da rede foi realizado atravs da apresentao de dados
fS=256f0, onde f0=60 Hz a freqncia fundamental. Mais que carregam consigo a informao do comportamento do
detalhes sobre este SEP podem ser encontrados em Coury, sistema, na tcnica proposta desnecessrio o ajuste de limi-
Oleskovicz & Giovanini (2007). ares, necessrios para a deteco atravs das tcnicas con-
vencionais.
80 km 150 km 100 km
G1 G2
Rel

d km 0.95 -10
1.0 0 faulta
10 GVA 440 kV 9 GVA
Figura 5. Sistema eltrico simulado.

A Tabela I resume os parmetros utilizados na simula-


o do SEP: distncia (d) em relao ao rel, ngulo de inci-
Figura 6. Combinao de cumulantes para distino de classe falta
dncia () e resistncias de falta (Rt a resistncia entre fase (padres cinza) e no-falta (padres pretos).
e terra e Rf a resistncia de falta entre fases).

ISSN: 2175-8905 - Vol. X 548


X SBAI Simpsio Brasileiro de Automao Inteligente
18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

(a)
(a)
1 Fase A 1

Amplitude (pu)

Amplitude (pu)
Fase B Fase B
0 0
Fase C Fase A
Fase C
-1 -1
0 50 100 150 200 250 0 50 100 150 200 250
(b) (b)
1
C4,va(128)
Amplitude

0.94

Amplitude
0.9 C4,vc (128)
C4,vb(128) 0.93
C4,vc (64) C4,va(128) 0.92
0.8
C4,vb(128)
0.91
0 50 100 150 200 250 0 50 100 150 200 250
(c) (c)
1 1
Amplitude

Amplitude
0.5 0.5

0 0
0 50 100 150 200 250 0 50 100 150 200 250
(d) (d)
1 sc sa 0.6 sa
Amplitude

sc

Amplitude
0.4
0.5
0.2
0 0
0 50 100 150 200 250
0 50 100 150 200 250
Amostra [n]
Amostra (n)

Figura 7. Resultado de operao do sistema proposto: (a) sinais de Figura 8. Resultado de operao do sistema proposto com rudo: (a)
tenso do SEP com ocorrncia da falta na amostra 128; (b) cumulantes sinais de tenso do SEP com ocorrncia da falta na amostra 128; (b)
calculados; (c) sada da RNA indicando a deteco da falta e; cumulantes calculados; (c) sada da RNA indicando a deteco
(d) ndices das tcnicas tradicionais . da falta e; (d) ndices das tcnicas tradicionais.

5.2 Resultados para operao com insero de rudo (a)


1
Considerando o sistema de deteco obtido no caso anterior,
Amplitude (pu)

Fase A
Fase B
esta subseo apresenta resultado de operao com a insero 0
Fase C
de rudo. Um rudo branco gaussiano com desvio padro de -1
2.2% foi adicionado ao sinal de erro. (representa uma 0 50 100 150 200 250

SNR=30 dB em relao s tenses senoidais normalizadas).


(b)
0.92

Considerando uma falta do tipo A-T com d=110 km,


Amplitude

Rt=1 e =60, na Figura 8 so apresentados os resultados


0.9
C4,vc (64) C4,va(128) C4,vb(128)
obtidos com emprego da tcnica proposta e das tcnicas 0.88
0 50 100 150 200 250
convencionais. A presena de rudo pouco afeta o clculo dos (c)
cumulantes e, conseqentemente, o desempenho do sistema 1

proposto na deteco da falta (observe em (c)). Verifique em


Amplitude

0.5
(d) que a presena de rudo impe dificuldades na definio
de valores de limiar para serem utilizados nas tcnicas tradi- 0
0 50 100 150 200 250
cionais. (d)

0.6
sc
5.3 Resultados para operao com desvio de freqncia
Amplitude

0.4
sa
0.2
Neste experimento, para operao do sistema com freqn- 0

cias diferentes da freqncia nominal, foram gerados dados 0 50 100 150 200 250
Amostra (n)
para novo treinamento da rede. O SEP foi simulado conside-
rando valores de freqncias f={59, 59.5, 60, 60.5, 61} em
Figura 9. Resultado de operao do sistema proposto com desvio de
Hz. Novamente rudo branco gaussiano (SNR=35 dB) foi freqncia e rudo: (a) sinais de tenso do SEP com ocorrncia da falta
utilizado para gerao dos dados de treinamento de um novo na amostra 128; (b) cumulantes calculados; (c) sada da RNA indicando
PMC, com mesma topologia que os anteriores. O filtro (9) a deteco da falta e; (d) ndices das tcnicas tradicionais .
foi ajustado com as respectivas freqncias durante as simu-
laes. 6. Concluses e trabalhos futuros
Considerando uma falta do tipo AB com d=35 km, Rf=0.1 ,
e =120, na Figura 9 so apresentados os resultados para um Este artigo apresentou uma nova tcnica de deteco rpida
caso de operao com f=61 Hz e contaminao por rudo de faltas em linhas de transmisso. A tcnica emprega os
com mesmo desvio padro do caso anterior. Observe que esta cumulantes aliados s redes neurais artificiais e se mostrou
situao degrada ainda mais os ndices das tcnicas tradicio- muito adequada ao propsito de deteco. O desempenho do
nais na situao de pr-falta, se comparados com o resultado sistema foi comparado com duas tcnicas tradicionalmente
da Figura 8. Novamente, a tcnica proposta possui desempe- utilizadas em rels de distncia. O mtodo proposto se mos-
nho que independe do rudo presente e, neste caso, do desvio trou mais eficiente que tais tcnicas frente a situaes de
de freqncia ocorrido. rudo gaussiano aditivo e desvios de freqncia fundamental.
As redes neurais desempenham um papel primordial na
presente metodologia, identificando corretamente os padres

ISSN: 2175-8905 - Vol. X 549


X SBAI Simpsio Brasileiro de Automao Inteligente
18 a 21 de setembro de 2011
So Joo del-Rei - MG - Brasil

que so correlatos s duas classes do problema: no-falta e Cho, Y. S. and Lee, C. K. Jang, G. Lee, H. J (2009). An
falta. Mais importante, as RNA incorporam consigo o com- innovative decaying DC component estimation algo-
portamento do sistema, atravs do seu treinamento. Esta rithm for digital relaying. IEEE Transactions Power Del,
caracterstica torna desnecessrio o ajuste manual de limia- Vol.24, pp. 73-78.
res (muitas vezes uma tarefa rdua) para a correta deteco Dalstein, T. e Kuliche, B. (1995). Neural network approach
da falta. Adicionalmente, o uso de janela de dados de tama- to fault classification for high speed protective relaying.
nho fracionrio, com relao ao perodo da componente IEEE Trans. Power Del., Vol.10, pp. 1002-1011.
fundamental, impe velocidade e confiabilidade no processo Dutta, A. A. e Kadu, A. N., 2010. Pattern recognition meth-
de deteco. O tempo necessrio para a deteco depende do ods for detecting fault in EHV transmission lines. Conf.
nmero de amostras que o engenheiro projetista acha neces- on Mechanical and Electrical Tech. Singapore, 2010.
srio para se ter certeza da ocorrncia da falta. No mtodo Eichhorm, K. F. Ladniak, L. and Lobos, T. (1993) Algo-
proposto, pode-se salientar que ciclo mais suficiente para rithms for digital distance protection with improved
a deteco ocorrer com sucesso. transient behavior. Joint Int. Power Conf. - Athens
As etapas de classificao e localizao de faltas, utili- Power Tech, pp. 290-294.
zando as mesmas ferramentas, esto sendo investigadas e os Ferreira, D. D., 2007. Classificao automtica de distrbios
resultados preliminares so bastante promissores. Por exem- eltricos ligados qualidade de energia. Dissertao de
plo, considerando uma nica estatstica por fase, na Figura mestrado. Universidade Federal de Juiz de Fora.
10 apresentado um grfico de cumulantes que indica a Gerek, . N. Ece, D. G. (2006). Power quality event analysis
adequabilidade da aplicao de redes neurais na classificao using higher order cumulants and quadratic classifiers.
de faltas. Adicionalmente, existe de fato uma relao estrita IEEE Trans. Power Del., Vol.21, pp. 883-889.
entre a distncia de ocorrncia da falta e a localizao dos Grcar, B. Ritonja, J. Polajzer, B. and Stankovic, A. M.
padres no espao de cumulantes. (2007). Estimation methods using dynamic phasors for
numerical distance protection, IET Gener. Transm. Dis-
0.12 trib., Vol.2, pp. 433-443.
0.1
A-B-C
Haykin, S., 1999. Neural Networks: A Comprehensive Foun-
0.08 A-T dation, New Jersey: Prentice-Hall.
C2,vc (0)

0.06 A-B-T Jongepier, A. G. e Sluis , L. (1997). Adaptive distance pro-


0.04 tection of double-circuits lines using ANN. IEEE Trans.
0.02 A-B Power Del., Vol.12, pp. 157-160.
0
0 0.05 0.1 0.15 -0.01
0
0.01
Khaparde, S. A. Kale, P. B. and Agarwal, S. H. (in proc)
(1991). Application of artificial neural network in pro-
0.2 -0.02
C4,vb(0)
C2,va(0)
tective relaying of transmission lines. Of the First Inter-
Figura 10. Resultado preliminar da aplicao de cumulantes e redes national Forum on Applications of Neural Networks to
neurais para etapa de localizao de faltas.
Power Systems, pp. 122-125. (1991)
Marques. C. A. G., 2007. Tcnica de deteco de distrbios
Agradecimentos para o monitoramento da qualidade da energia. Disser-
tao de mestrado. Univ. Federal de Juiz de Fora.
Os autores gostariam de agradecer ao CEFET-MG, UFJF e Mendel, J. M. (1991). Tutorial on higher-order statistics
EESC-USP pelas facilidades proporcionadas ao desenvol- (Spectra) in signal processing and system theory: theo-
vimento do trabalho. retical results and some applications. Proc. IEEE,
Vol.79, pp. 278-305.
Referncias Bibliogrficas Mitra, S. K., 2006. Digital Signal Processing: A Computer-
based Approach. 3rd ed. New Delhi: Tata McGraw-Hill.
Mohanty, S. R., Pradhan, A. K. e Routray A. (2008) A cumu-
Caminha, A. C., 1977. Introduo Proteo dos Sistemas lative sum-based fault detector for power system relay-
Eltricos de Potncia. So Paulo: Edgar Blcher. ing application. IEEE Trans. Power Del., vol. 23, pp. 79-
Coury, D. V. e Jorge, D. C. (1998) Artificial neural network 86.
approach to distance protection of transmission lines. Osman, A.H., Abdelazim, T. e Malik, O. P. (2005) Trans-
IEEE Trans. Power Del., Vol.11, pp. 102-108. mission line distance relaying using on-line trained neu-
Coury, D. V. Oleskovicz, M. e Giovanini, R., 2007. Proteo ral networks. IEEE Trans. Power Del., Vol.20, pp. 1257-
Digital de Sistemas Eltricos de Potncia: dos rels ele- 1264.
tromecnicos aos microprocessadores inteligentes. So Pradhan, A. K., Routray, A. e Biswal, B. (2004). Higher
Carlos: EESCUSP. order statistics-fuzzy integrated scheme for fault classi-
Chakravarthy, S. K. Nayar, C. V. and Achuthan, N. R. fication of a series-compensated transmission line. IEEE
(1992). Applying pattern recognition in distance relaying Trans. Power Del., Vol.19, pp. 891-893.
part 1. Concepts. IEE Proc. Generation, Transm. Dist., S, J. L. P., Pedro, L. (1991). Modal Kalman filtering based
Vol.139, pp. 301-305. impedance relaying. IEEE Transactions Power Del.,
Chakravarthy, S. K. Nayar, C. V. e Achuthan, N. R. (1992). Vol.6, pp. 78-84.
Applying pattern recognition in distance relaying part Silva, I. N., Spatti, D. H. e Flauzino R. A. (2010). Redes
2. Feasibility. IEE Proc. Generation, Transm. Dist. Neurais Artificiais para engenharias e cincias aplicadas.
Vol.139, pp. 306-314. Artliber , So Paulo SP.
Chen, C. S. Liu, C. W. and Jiang. J. A. (2006) Application of Zhang, N. e Kezunovic, M. (2007). Transmission line
combined adaptive Fourier filtering technique and fault boundary protection using Wavelet transform and neural
detector to fast distance protection. IEEE Transactions network. IEEE Trans. Power Del., Vol.22, pp. 859-869.
Power Del., Vol.21, pp. 619-626.

ISSN: 2175-8905 - Vol. X 550