Você está na página 1de 88

JEAN SILVA NOGUEIRA PACHECO

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA


LOCALIZAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO DE
CIRCUITO SIMPLES

Vitória da Conquista
Dezembro de 2011
JEAN SILVA NOGUEIRA PACHECO

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA


LOCALIZAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO DE
CIRCUITO SIMPLES

Projeto de Final de Curso apresentado à Coordena-


ção de Engenharia Elétrica do Instituto Federal de
Educação, Ciência e Tecnologia da Bahia, como re-
quisito parcial para a obtenção do Grau de Enge-
nheiro Eletricista

Orientadora: Alessandra Freitas Picanço

Vitória da Conquista
Dezembro de 2011
TERMO DE APROVAÇÃO

JEAN SILVA NOGUEIRA PACHECO

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA LOCALIZAÇÃO


DE FALTAS EM LINHAS DE TRANSMISSÃO DE CIRCUITO SIMPLES

Trabalho de Conclusão de Curso submetido à Coordenação de Engenharia Elétrica do Instituto


Federal de Educação, Ciência e Tecnologia da Bahia – Campus de Vitória da Conquista, como
parte dos requisitos para obtenção do título de Engenheiro Eletricista.
Banca examinadora:

Profa. Dra. Alessandra Freitas Picanço


(Orientadora)

Prof. Ms. Tiago Franco de Góes Teles - IFBA


(Examinador)

Prof Esp. Everard Lucas Silva Cardoso - IFBA


(Examinador)

Vitória da Conquista – BA
Dezembro de 2011
AGRADECIMENTOS

A toda a minha família, em especial ao meu pai Cosme, minha mãe Stela e meu irmão
Rafael, pelos ensinamentos a mim passados e pela confiança depositada durante toda esta minha
jornada.

A minha esposa Catarina, por estar sempre ao meu lado com muito amor e carinho, e
pela paciência e compreensão demonstrada ao longo da realização deste curso.

Aos meus colegas de faculdade, em especial aos alunos da turma 2006.1, pela amizade
construída e pelo apoio demonstrado nos momentos difíceis.

A professora Alessandra, pela sua orientação e ensinamentos passados, que me acom-


panharão por toda a minha vida profissional.
"O sucesso é ir de fracasso em fracasso sem perder entusiasmo"
Winston Churchill
RESUMO

Este projeto de conclusão de curso apresenta o desenvolvimento de uma metodologia


para identificação automática do ponto de ocorrência de uma falta em uma linha de transmissão
de circuito simples. O sistema de localização de faltas proposto utiliza uma Rede Neural Artifi-
cial (RNA) que possui como dados de entrada as tensões e correntes na frequência fundamental
das três fases da linha, obtidos em apenas um dos seus terminais. Para a aquisição destes dados
foram simuladas faltas monofásicas em diferentes pontos do sistema com o uso do software
Alternative Transients Program (ATP). Os sinais obtidos são pré-processados e os fasores na
frequência fundamental estimados, permitindo a criação de um banco de dados utilizado no
treinamento e na simulação da RNA escolhida. Um sistema de localização de faltas automático
possibilita uma redução nos custos para as concessionárias de transmissão, uma vez que permite
a realização de operações de manutenção de forma mais efetiva além de melhorar a qualidade
do fornecimento de energia.

Palavras-Chave: Linhas de transmissão, Localização de faltas, Redes neurais artificiais


ABSTRACT

This project of course conclusion presents the development of a methodology to auto-


matic identification the point of occurrence of a fault in a single circuit transmission line. The
system of faults location proposed, uses an Artificial Neural Network (ANN) that has as input
the voltages and currents in the fundamental frequency in the three phases of the line, obtained
in only one of your terminals. For the data acquisition were simulated monophasic faults in
different points of the system using the software Alternative Transients Program (ATP). The
signals obtained are pre-processed and the phasors in the fundamental frequency estimated, al-
lowing the creation of a data bank utilized in the training and simulation of the ANN chosen.
An automatic system of faults location allows a reduction in the costs to transmission conces-
sionaires, a once that allow the realization of maintenance operations so more effective beyond
to better the quality of energy supply.

Keywords: Transmission lines, Fault location, Artificial neural networks


LISTA DE FIGURAS

Figura 1 Fotografia de uma torre de linha de transmissão trifásica de circuito simples 17

Figura 2 Sistema de transmissão com uma linha aérea de circuito simples: (a) circuito
genérico, (b) circuito simplificado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

Figura 3 Modelos para linha de transmissão considerando os parâmetros concentrados 19

Figura 4 Modelagem de uma linha trifásica com parâmetros concentrados . . . . . . . . . . 19

Figura 5 Modelagem simplificada de uma linha trifásica curta com parâmetros concen-
trados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

Figura 6 Circuito equivalente de uma linha de transmissão para parâmetros distribuí-


dos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

Figura 7 Curto-circuito monofásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

Figura 8 Curto-circuito bifásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

Figura 9 Curto-circuito trifásico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

Figura 10 Registro Oscilográfico da corrente em uma das fases de uma linha de transmis-
são submetida a uma falta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

Figura 11 Neurônio biológico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Figura 12 Neurônio artificial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Figura 13 Função de ativação degrau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

Figura 14 Função de ativação rampa simétrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

Figura 15 Função de ativação logística e influência do parâmetro β . . . . . . . . . . . . . . . . . 32

Figura 16 Função de ativação linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33


Figura 17 Exemplo de rede feedforward de múltiplas camadas . . . . . . . . . . . . . . . . . . . . . . 34

Figura 18 Fronteira de separação de um neurônio com duas entradas . . . . . . . . . . . . . . . . 36

Figura 19 Fronteira não linearmente separável . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

Figura 20 Treinamento de uma rede PMC utilizando o algoritmo backpropagation . . . . 37

Figura 21 Método da parada antecipada na validação cruzada . . . . . . . . . . . . . . . . . . . . . . . 39

Figura 22 Perceptron de múltiplas camadas com overfitting . . . . . . . . . . . . . . . . . . . . . . . . . 39

Figura 23 Fluxograma do processo de localização das faltas . . . . . . . . . . . . . . . . . . . . . . . . 43

Figura 24 Diagrama unifilar da linha de transmissão estudada . . . . . . . . . . . . . . . . . . . . . . 45

Figura 25 Silhueta da torre da linha de transmissão estudada . . . . . . . . . . . . . . . . . . . . . . . 46

Figura 26 Rotina LINE CONSTANTS para obtenção dos parâmetros da linha . . . . . . . . 48

Figura 27 Modelo da linha com parâmetros distribuídos realizado pelo ATP . . . . . . . . . . 51

Figura 28 Circuito correspondente a linha de transmissão simulado no ATPDraw . . . . . 52

Figura 29 Ondas de tensão no terminal 1 das três fases da linha em condições normais de
operação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52

Figura 30 Ondas de corrente no terminal 1 das três fases da linha em condições normais
de operação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

Figura 31 Ondas de tensão das três fases no terminal 1 para uma falta à 50% do trecho da
linha envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo
de incidência de 90◦ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

Figura 32 Ondas de corrente das três fases no terminal 1 para uma falta à 50% do trecho
da linha envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo
de incidência de 90◦ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

Figura 33 Ondas de tensão das três fases no terminal 1 para uma falta à 90% do trecho da
linha envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo
de incidência de 90◦ (a) antes da filtragem (b) após a filtragem . . . . . . . . . . . . 57
Figura 34 Ondas de corrente das três fases no terminal 1 para uma falta à 90% do trecho
da linha envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo
de incidência de 90◦ (a) antes da filtragem (b) após a filtragem . . . . . . . . . . . . 58

Figura 35 Exemplificação do processo de re-amostragem dos sinais . . . . . . . . . . . . . . . . . 59

Figura 36 Fasores das ondas de tensão obtidos com a Transformada Discreta de Fourier 62

Figura 37 Fasores das ondas de corrente obtidos com a Transformada Discreta de Fou-
rier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

Figura 38 Esquema da rede neural utilizada para a localização das faltas . . . . . . . . . . . . . 65

Figura 39 Gráfico relacionando a raiz do erro quadrático médio (RMSE) com as topolo-
gias candidatas analisadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

Figura 40 Evolução do processo de aprendizagem para a rede neural localizadora de faltas


escolhida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

Figura 41 Diagrama de regressão linear para o processo de treinamento, validação e teste


da rede neural escolhida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

Figura 42 Dados resultantes da execução da rotina LINE CONSTANTS do ATP - primeira


parte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Figura 43 Dados resultantes da execução da rotina LINE CONSTANTS do ATP - segunda


parte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
LISTA DE TABELAS

Tabela 1 Porcentagem da ocorrência das faltas em cada um dos setores do sistema elé-
trico de potência . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

Tabela 2 Valores do custo das falhas obtidos em pesquisas . . . . . . . . . . . . . . . . . . . . . . . . 13

Tabela 3 Classificação das linhas de transmissão de acordo com o seu comprimento . 18

Tabela 4 Ocorrência das faltas permanentes e temporárias . . . . . . . . . . . . . . . . . . . . . . . . . 24

Tabela 5 Parâmetros da linha de transmissão obtidos com a rotina LINE CONSTANTS 48

Tabela 6 Parâmetros equivalentes do Gerador 1 - Barra A . . . . . . . . . . . . . . . . . . . . . . . . . 49

Tabela 7 Parâmetros equivalentes do Gerador 2 - Barra B . . . . . . . . . . . . . . . . . . . . . . . . . 50

Tabela 8 Dados das barras de geração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

Tabela 9 Características da topologia da rede neural selecionada . . . . . . . . . . . . . . . . . . . 67

Tabela 10 Resultados dos testes realizados com a rede neural selecionada . . . . . . . . . . . . 71

Tabela 11 Erros dos testes realizados com a rede neural selecionada . . . . . . . . . . . . . . . . . 72

Tabela 12 Erros médios dos testes realizados com a rede neural considerando a resistência
de falta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

Tabela 13 Dados utilizados para o treinamento e validação da rede neural escolhida . . . 82

Tabela 14 Dados utilizados para as simulações da rede neural escolhida . . . . . . . . . . . . . 85


SUMÁRIO

1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.1 DIVISÃO DO TRABALHO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2 LINHAS DE TRANSMISSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.1 LINHAS DE TRANSMISSÃO DE CIRCUITO SIMPLES . . . . . . . . . . . . . . . . . . . . . . 16

2.2 MODELAGEM DAS LINHAS DE TRANSMISSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.2.1 MODELOS COM PARÂMETROS CONCENTRADOS . . . . . . . . . . . . . . . . . . . . . . 18

2.2.2 MODELOS COM PARÂMETROS DISTRIBUÍDOS . . . . . . . . . . . . . . . . . . . . . . . . 19

2.2.2.1 TRANSFORMAÇÃO MODAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.3 FALTAS EM LINHAS DE TRANSMISSÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.3.1 TÉCNICAS DE LOCALIZAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO 24

3 REDES NEURAIS ARTIFICIAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.1 O NEURÔNIO BIOLÓGICO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2 O NEURÔNIO ARTIFICIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

3.3 FUNÇÕES DE ATIVAÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.3.1 FUNÇÃO DEGRAU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

3.3.2 FUNÇÃO RAMPA SIMÉTRICA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3.3 FUNÇÃO SIGMÓIDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.3.4 FUNÇÃO LINEAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.4 ARQUITETURA DAS REDES FEEDFORWARD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33

3.5 PROCESSOS DE TREINAMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS . . . . . . . . . . . . . . . . . . . . . . . . 35


3.6.1 TREINAMENTO BACKPROPAGATION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.6.2 CONSIDERAÇÕES SOBRE O PROJETO DE UMA REDE PERCEPTRON . . . . . 38

3.6.2.1 TOPOLOGIA DA REDE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.6.2.2 SUBCONJUNTOS DE TREINAMENTO E TESTE . . . . . . . . . . . . . . . . . . . . . . . . 40

3.6.3 REDES NEURAIS APLICADAS NOS SISTEMAS DE POTÊNCIA . . . . . . . . . . . 41

4 METODOLOGIA DESENVOLVIDA PARA A LOCALIZAÇÃO DE FALTAS . . . 43

4.1 AQUISIÇÃO DOS DADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1.1 OS SOFTWARES ATP E ATPDRAW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

4.1.2 O SISTEMA ELÉTRICO ANALISADO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

4.1.3 SIMULAÇÕES REALIZADAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

4.2 PRÉ-PROCESSAMENTO DOS DADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM RE-


DES NEURAIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.4.1 DETERMINAÇÃO DA TOPOLOGIA DA REDE NEURAL . . . . . . . . . . . . . . . . . . 64

4.4.2 AVALIAÇÃO DA REDE NEURAL ESCOLHIDA . . . . . . . . . . . . . . . . . . . . . . . . . . . 70

5 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

5.1 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

REFERÊNCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

APÊNDICE A -- ARQUIVO RESULTANTE DA EXECUÇÃO DA ROTINA LINE


CONSTANTS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

APÊNDICE B -- DADOS UTILIZADOS PARA TREINAMENTO E SIMULAÇÃO


DA REDE NEURAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
12

1 INTRODUÇÃO

É notório o papel que a energia elétrica exerce na sociedade moderna, seja impulsio-
nando o desenvolvimento econômico de um país ou garantindo um elevado nível de conforto
para a população. Portanto, é essencial que os sistemas elétricos de potência (SEP) operem de
forma a manter um fornecimento de energia contínuo e de qualidade. Infelizmente, devido a di-
versos motivos que variam desde problemas elétricos e mecânicos das instalações à fenômenos
da natureza, como descargas atmosféricas ou ação dos ventos, ocorrem falhas no sistema que
podem acarretar a interrupção no suprimento de energia. De todos os componentes do sistema
elétrico, aquele que está mais suscetível a apresentar alguma falha é a linha de transmissão. Isto
porque elas possuem uma grande dimensão, funcionamento complexo e estão sujeitas a diver-
sos tipos de climas e terrenos (1). A Tabela 1 apresenta a distribuição das faltas em cada uma
das três esferas do sistema de energia.

Tabela 1: Porcentagem da ocorrência das faltas em cada um dos setores do sistema elétrico de
potência

Setor do SEP Ocorrência das Faltas


Geração 06%
Transmissão 89%
Distribuição 05%
Fonte: Adaptado de Kindermann, 1997, p. 140

A interrupção do fornecimento de energia, mesmo que por curtos períodos, causa enor-
mes impactos socio-econômicos. Coury(2) apresenta uma série de prejuízos causados ao setor
industrial na falta do suprimento de energia, dentre os quais destacam-se:

• Danos aos equipamentos, às instalações e ao produto final;

• Custo de reinício da produção após a interrupção;

• Possibilidade de perda da produção;

• Pagamento de horas extras para permitir a recuperação da produção;


1 INTRODUÇÃO 13

Ainda segundo Coury(2), o não fornecimento de energia pode diminuir drasticamente


o Produto Interno Bruto de um país, conforme dados apresentados na Tabela 2

Tabela 2: Valores do custo das falhas obtidos em pesquisas

País Consumo Custo de Falhas (US$/kWh)


Reino Unido Residencial 1,02
Suécia Residencial 1,46
Brasil Residencial 1,95 - 3,00
Estados Unidos Industrial 2,54
Reino Unido Industrial 3,04
Brasil Industrial 1,50 - 7,12
Suécia Industrial 1,44 - 2,96
Estados Unidos Comercial 4,99
Reino Unido Comercial 5,65
Fonte: Coury, p. 06

O Brasil, a partir da década de 90, entrou em um processo de reestruturação do setor


elétrico, que passou a ser desverticalizado, onde diversas empresas disputam concessões para
atuarem em determinada área. No setor de transmissão, as concessionárias participam de um
leilão realizado pelo Operador Nacional do Sistema (ONS) no qual sai vencedor àquela empresa
que fornecer a menor receita para construção e operação da linha (3). Desta forma, o setor ener-
gético passou a ser um ambiente de negócios, onde as empresas devem buscar constantemente
a melhoria nos serviços prestados para continuarem competitivas neste mercado. Além das per-
das no faturamento, uma vez que as empresas deixam de vender o seu produto quando o sistema
apresenta alguma falha e da possibilidade de sofrerem ações judiciais por danos causados aos
consumidores, a remuneração recebida por elas sofre pesados descontos a cada interrupção. O
contrato de prestação de serviços de transmissão firmado entre a concessionária e o ONS (4)
estabelece que a receita anual permitida à transmissora poderá ser reduzida de uma parcela va-
riável por indisponibilidade (PVI) a ser descontada mensalmente do pagamento base no qual
ela tem direito. A Equação 1 apresenta a fórmula para o cálculo da PVI.

NP NO
PB PB
PV I = · K p · (− ∑ DDPi ) + · (− ∑ Koi · DODi ) (1)
24 · 60 · D i=1 24 · 60 · D i=1

No qual:

DDP = Duração, em minutos, de cada desligamento programado que ocorra durante o


mês;
1 INTRODUÇÃO 14

DOD = Duração, em minutos, de cada um dos outros desligamentos que ocorram du-
rante o mês;

PB = Pagamento base da instalação de transmissão;


Ko
K p = Fator para desligamentos programados, igual a ;
15
Ko = Fator para outros desligamentos com duração de até 300 minutos, igual à 150.
Este fator será reduzido para K p após o 300º minuto;

NP = Número de desligamentos programados da instalação ao longo do mês;

NO = Número de outros desligamentos da instalação ao longo do mês;

D = Número de dias do mês.

Dentro deste cenário, é imprescindível que as empresas responsáveis pela transmissão


da energia elétrica possuam um sistema capaz de identificar o ponto da ocorrência de uma falta
de forma rápida e precisa, permitindo que o sistema possa ser restaurado o mais breve possível,
visando um fornecimento de qualidade e a manutenção dos seus lucros. Júnior(5) cita alguns
dos benefícios que um sistema de localização de faltas pode trazer:

• Diminuição dos tempos de interrupção do fornecimento, uma vez que permite que os
reparos sejam feitos de forma mais rápida, evitando que as dezenas de quilômetros da
linha tenham que ser inspecionados;

• Aumento na confiabilidade do sistema de transmissão, pois reduz o tempo necessário


para manutenção além de permitir a identificação de pontos frágeis na linha possibilitando
a execução de manutenções preventivas;

• Redução dos custos operativos, através da redução dos custos dispensados ao deslo-
camento das equipes de manutenção, que podem se dirigir diretamente ao ponto que
apresenta o defeito já com o ferramental adequado;

• Aumento dos lucros da empresa, surge como consequência imediata da redução dos
custos operativos e do fornecimento de energia com qualidade.

É baseado neste cenário que o presente projeto propõe uma metodologia baseada em
Redes Neurais Artificiais para efetuar a localização de faltas em linhas de transmissão de cir-
cuito simples de modo a contribuir na proteção do sistema de transmissão de energia elétrica e
auxiliar na manutenção do alto padrão de qualidade de energia requerido.
1.1 DIVISÃO DO TRABALHO 15

1.1 DIVISÃO DO TRABALHO

O presente trabalho está dividido em cinco capítulos, que abordam os seguintes assun-
tos:

• Capítulo 01: apresenta uma breve apresentação do trabalho, buscando identificar os prin-
cipais motivos para se desenvolver este projeto;

• Capítulo 02: define os conceitos básicos de uma linha de transmissão, a sua modelagem
utilizando elementos de circuitos e os tipos de faltas que podem ocorrer. O capítulo se
encerra com uma breve discussão sobre os principais métodos de localização automática
de faltas existentes;

• Capítulo 03: aborda alguns tópicos sobre redes neurais artificiais (RNAs) de forma a
permitir que o leitor tome conhecimento dos princípios básicos desta ferramenta. Este
capítulo traz ainda considerações sobre o projeto de RNAs e algumas de suas aplicações
em sistemas de energia;

• Capítulo 04: discute detalhadamente todos os passos da metodologia utilizada e apre-


senta os resultados alcançados;

• Capítulo 05: encerra o texto apresentando as conclusões do trabalho.


16

2 LINHAS DE TRANSMISSÃO

As linhas de transmissão são a parte do sistema de energia que opera com centenas de
kV e realizam o transporte da energia elétrica dos centros geradores para os centros consumi-
dores de energia. Geralmente estas linhas terminam em subestações abaixadoras regionais, na
qual a elevada tensão presente nas mesmas é reduzida para os níveis de subtransmissão (6).

As linhas de transmissão podem ser subterrâneas, nas quais são utilizados cabos isola-
dos que ficam protegidos por valas ou túneis, ou aéreas com cabos nús. Estas últimas dividem-se
em linhas de circuito simples ou duplo, com transmissão em corrente contínua (CC) ou alter-
nada (CA) (7) e são compostas por condutores suspensos em uma torre e isolados entre si por
meio de cadeias de isoladores. Este circuito ainda possui cabos conectados eletricamente à torre
e que estão no mesmo potencial da terra, localizados acima dos condutores das fases e com um
diâmetro reduzido, visando a proteção destes contra descargas atmosféricas. Estes cabos são
conhecidos como cabo guarda ou cabo para-raio (8). A Figura 1 apresenta uma fotografia de
uma torre de linha de transmissão trifásica de circuito simples, na qual é possível observar os
condutores das fases, as cadeias de isoladores e os cabos guarda.

2.1 LINHAS DE TRANSMISSÃO DE CIRCUITO SIMPLES

As linhas de circuito simples, alvo de estudo no presente trabalho, são a forma mais
simples de se transmitir energia elétrica de um centro de geração para uma região consumidora
(9). A Figura 2(a) apresenta o esquema de um sistema de potência com uma linha aérea de
circuito simples, no qual ZL é a impedância da linha e as barras A e B são os seus terminais. A
linha de transmissão está conectada a uma rede externa que, considerando todo o circuito linear,
pode ter o equivalente como o mostrado na Figura 2(b), que é composto por:

• Duas fontes equivalentes atrás dos terminais A e B da linha, formadas pelas fontes eletro-
motrizes EA e EB e as impedâncias ZA e ZB e:

• Uma conexão com impedância ZL entre as barras A e B.


2.1 LINHAS DE TRANSMISSÃO DE CIRCUITO SIMPLES 17

Figura 1: Fotografia de uma torre de linha de transmissão trifásica de circuito simples

Fonte: Inácio, 2010, p. 08

Figura 2: Sistema de transmissão com uma linha aérea de circuito simples: (a) circuito genérico,
(b) circuito simplificado

Fonte: Adaptado de Saha, 2010, p. 28


2.2 MODELAGEM DAS LINHAS DE TRANSMISSÃO 18

2.2 MODELAGEM DAS LINHAS DE TRANSMISSÃO

Visando facilitar a análise de sistemas de grande porte, é comum adotar modelos ba-
seados em elementos de circuitos ideais que representem o seu comportamento real. Uma linha
de transmissão pode ser modelada em função de quatro parâmetros: indutância, para determinar
as condições eletromagnéticas; capacitância que estabelece o comportamento eletrostático; re-
sistência e condutância que representam as perdas. A escolha do melhor modelo é baseada em
algumas considerações sobre o tipo de estudo a ser realizado e qual o sistema a ser modelado.
Como exemplo de uma destas considerações, assuma a classificação das linhas quanto ao seu
comprimento apresentada por Stevenson(8), que separam as linhas em curtas, médias e longas
conforme a Tabela 3. Se estabelece que, para as linhas curtas, a capacitância em derivação é
muito pequena e pode ser inteiramente desprezada sem comprometer a precisão dos resultados
(8).

Tabela 3: Classificação das linhas de transmissão de acordo com o seu comprimento

Classificação Comprimento
Curtas Menor ou igual à 80 km
Médias Entre 80 e 240 km
Longas Maior do que 240 km
Fonte: Autoria própria

2.2.1 MODELOS COM PARÂMETROS CONCENTRADOS

Na modelagem das linhas de transmissão através de parâmetros concentrados, assume-


se que toda a extensão da linha está sobre o mesmo valor de tensão a cada instante de tempo.
Esta consideração pode ser feita devido ao comprimento da onda de tensão, que para um sinal
de 60 Hz é da ordem de 5 · 106 metros. Para uma linha com menos do que 80 km a variação da
tensão ao longo do seu comprimento é muito pequena e pode ser desprezada, permitindo que se
concentre todos os parâmetros da linha em um único ponto (10).

Os principais modelos com parâmetros concentrados são o modelo PI e o modelo T.


Ambos representam uma linha monofásica como uma impedância em série, constituída por
resistência e indutância equivalente, e admitância paralela, formada por capacitância e condu-
tância entre o condutor e a terra. O modelo T considera toda a admitância concentrada no centro
da linha dividindo a impedância em duas partes iguais. O modelo PI divide a admitância em
duas partes posicionando uma metade no início da linha e outra metade no final (11), mantendo
apenas uma impedância. A Figura 3 apresenta o esquema dos dois modelos, na qual Z repre-
2.2 MODELAGEM DAS LINHAS DE TRANSMISSÃO 19

senta a indutância longitudinal total e Y a admitância transversal total. O modelo PI é o mais


utilizado em simulações de regime permanente mas apresenta resultados limitados devido a sua
simplicidade.

Figura 3: Modelos para linha de transmissão considerando os parâmetros concentrados

Fonte: Autoria Própria

O modelo PI para parâmetros concentrados também podem ser utilizados na mode-


lagem de uma linha trifásica. Neste caso o circuito apresenta a mesma topologia do modelo
monofásico acrescido do efeito mútuo presente entre as fases e as capacitâncias entre fases e
entre as fases e a terra (11), como pode ser observado na Figura 4.

Figura 4: Modelagem de uma linha trifásica com parâmetros concentrados

Fonte: Nunes, 2007, p.32

Para o caso das linhas curtas, como já afirmado, a capacitância em derivação é despre-
zada devido a sua pequena influência no modelo e o circuito da Figura 4 pode ser simplificado
assumindo a forma apresentada na Figura 5.

2.2.2 MODELOS COM PARÂMETROS DISTRIBUÍDOS

Os modelos com parâmetros distribuídos apresentam melhor precisão nos resultados


(8). Neste tipo de modelagem a resistência, indutância e capacitância da linha são distribuídos
2.2 MODELAGEM DAS LINHAS DE TRANSMISSÃO 20

Figura 5: Modelagem simplificada de uma linha trifásica curta com parâmetros concentrados

Fonte: Nunes, 2007, p.32

ao longo de todo o seu comprimento. A condutância geralmente é desprezada nesta modela-


gem devido aos seus baixos valores apresentados. Este tipo de modelo é útil na simulação de
transitórios por considerar o tempo de trânsito das ondas de tensão e corrente do sistema (11).
A Figura 6 apresenta o circuito equivalente da linha considerando os parâmetros distribuídos.

Figura 6: Circuito equivalente de uma linha de transmissão para parâmetros distribuídos

Fonte: Nunes, 2007, p.33

Para a análise deste circuito são utilizadas equações diferenciais para a propagação
das ondas de tensão e corrente em uma linha de transmissão inserindo a impedância de forma
distribuída (9) (8).

2.2.2.1 TRANSFORMAÇÃO MODAL

As equações diferenciais de uma linha de transmissão modelada com parâmetros dis-


tribuídos é de difícil solução, sobretudo quando se aumenta número de fases do sistema. A
representação no domínio modal é uma solução para as equações diferenciais. Para isso a linha
é composta por n fases formando n modos de propagação e cada um destes modos se compor-
tam como uma linha monofásica independente. Ao realizar esta transformação elimina-se o
acoplamento entre as fases.
2.3 FALTAS EM LINHAS DE TRANSMISSÃO 21

Para efetuar a transformação para o domínio modal, as matrizes de impedância Z e


admitância Y são transformadas em duas outras matrizes diagonais, Zmodal e Ymodal através de
uma matriz de transformação T . A matriz T possui em suas colunas autovetores associados aos
autovalores do produto [Z][Y ] (12) de acordo com as Equações 2 e 3, resultando no desacopla-
mento entre as fases. As tensões e correntes trifásicas são transformadas em vetores no domínio
modal das matrizes Tu e Ti conforme apresentado nas Equações 4 e 5 (9).

Zmodal = Tu−1 · Z · Ti (2)

Ymodal = Ti−1 ·Y · Tu (3)

Umodal = Tu−1 ·U (4)

Imodal = Ti−1 · I (5)

Considerando linhas trifásicas perfeitamente transpostas (balanceadas), as matrizes Tu


e Ti são idênticas. e compostas por valores reais. A mais comumente utilizada é a matriz de
Clarke, também conhecida por transformada α − β e apresentada nas Equações 6 e 7 (9).

 
1 1 0
 √ 
 1 3 
1 − 2
Tu = Ti =  (6)

2 

 1 3
1 − −
2 2
 
1 1 1
1
Tu−1 = Ti−1 = 

2 −1 −1  (7)
3 √ √ 
0 3 − 3

2.3 FALTAS EM LINHAS DE TRANSMISSÃO

Define-se como falta qualquer interferência no fluxo normal da corrente no sistema


(8). As linhas de transmissão cobrem extensivamente todo o sistema elétrico, sendo portanto
inúmeros os eventos que podem lhe ocasionar uma falta, dentre os quais destacam-se (1):
2.3 FALTAS EM LINHAS DE TRANSMISSÃO 22

• Grande quantidade de elementos constituintes, o que diminui a confiabilidade;

• Descargas atmosféricas;

• Vento;

• Poluição;

• Animais;

• Umidade;

• Salinidade;

• Queimadas;

• Presença de árvores;

• Atos de vandalismo;

• Outros.

Dentre as causas apontadas acima, as que mais provocam falhas nas linhas de trans-
missão são as descargas atmosféricas, que pode resultar no centelhamento dos isoladores (8).

Uma falta em uma linha de transmissão é também denominada curto-circuito, uma


vez que na ocorrência da falha surge um caminho de baixa impedância (curto-circuito) no qual
a corrente da linha caminha em direção à terra ou entre duas ou três fases do sistema. As
faltas que ocorrem entre uma fase e o terra correspondem em torno de 70 a 80% do total (8).
Essas faltas são conhecidas como faltas ou curto-circuitos monofásicos. Na Figura 7 pode ser
visualizado um circuito esquemático para a falta fase-terra , na qual a impedância Z f representa
a impedância de falta. Caso a impedância de falta seja nula, constitui-se um curto-circuito
franco (13).
Figura 7: Curto-circuito monofásico

Fonte: Santos, 2006, p. 06


2.3 FALTAS EM LINHAS DE TRANSMISSÃO 23

Os curto-circuitos bifásicos respondem por cerca de 15% das falhas. Como observa-se
na Figura 8, estas faltas podem ocorrer entre duas fases e a terra (a) ou apenas entre as duas fases
(b). A impedância de falta entre as fases é representada por Z 0 enquanto Z f é a impedância de
falta.

Figura 8: Curto-circuito bifásico

Fonte: Santos, 2006, p. 06

As faltas que ocorrem com menor frequência, cerca de 5% (8), são as faltas trifásicas,
que envolvem todas as fases do sistema, como pode ser visto na Figura 9. Observa-se que, da
mesma forma que dos curto-circuitos bifásicos, elas ocorrem sem o envolvimento da terra (a)
ou com a participação desta (b).

Figura 9: Curto-circuito trifásico

Fonte: Santos, 2006, p. 05

As consequências de uma falta variam de acordo com o tipo, sua duração, o local em
que ela ocorreu e a potência de curto-circuito. Estas consequências incluem (14):
2.3 FALTAS EM LINHAS DE TRANSMISSÃO 24

• Presença de arcos elétricos podendo ocasionar a perda da isolação e o aparecimento de


fogo e risco à vida;

• Deformação dos barramentos e desconexão dos cabos;

• Aumento da temperatura devido as perdas por efeito Joule;

• Instabilidade dinâmica e/ou perda do sincronismo das máquinas síncronas;

• Distúrbios nos circuitos de controle e monitoramento.

As linhas de transmissão aéreas podem sofrer faltas permanentes ou temporárias. Os


curto-circuitos permanentes são irreversíveis espontaneamente, e o sistema só pode ser restabe-
lecido após a realização dos reparos necessários na rede (1). Dessa forma, a procura do ponto
de ocorrência da falta é a motivação para estudos de modo a evitar que toda a linha seja inspe-
cionada. O local da falta deve portanto, ser estimado com certa precisão. Na ocorrência de uma
falta deste tipo, os relés de proteção do sistema atuam, abrindo os disjuntores e desenergizando
a seção que apresenta a falha. Neste caso, as cargas conectadas à linha faltosa podem ficar sem
alimentação ou, se possível, passam a ser alimentadas pelas outras linhas. Nos piores casos
pode ocorrer uma série de desligamentos em cascata, removendo partes cada vez maiores do
sistema ocasionando os chamados blackouts (9).

As faltas temporárias constituem o tipo de curto-circuito dominante nas linhas aé-


reas, conforme os dados apresentados na Tabela 4. Estas faltas são caracterizadas por se auto-
extinguirem, ou seja, ocorrem sem haver nenhum defeito na rede e, uma vez que a proteção
tenha atuado, o sistema pode ser religado sem maiores problemas (1). O conhecimento do
ponto de ocorrência de uma falta temporária auxilia na localização de pontos fracos na linha,
permitindo a realização de ações de manutenção preventiva além de possibilitar a criação de um
histórico da ocorrência de descargas atmosféricas ocorridas na região.
Tabela 4: Ocorrência das faltas permanentes e temporárias

Faltas Ocorrência em %
Permanente 04
Temporária 96
Fonte: Adaptado de Kindermann, 1997, p. 142

2.3.1 TÉCNICAS DE LOCALIZAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO

A rápida e precisa localização do ponto de ocorrência de uma falta em uma linha de


transmissão é o objetivo das concessionárias para evitar prejuízos maiores. A forma mais pri-
2.3 FALTAS EM LINHAS DE TRANSMISSÃO 25

mitiva e menos eficaz para solucionar este problema é através da inspeção visual, realizada por
patrulhas a pé, de automóvel ou helicóptero. Neste caso, chaves seccionadoras são instaladas
ao longo da linha com a única finalidade de auxiliar na localização de um curto circuito. Após
a ocorrência da falta as seções da linha são reenergizadas uma por vez e aquela que apresentar
um defeito é a única que deverá ser patrulhada (15). É facilmente perceptível que o tempo gasto
para obter a localização do ponto de falta utilizando este método é demasiadamente longo e não
pode ser aceito para os padrões atuais, uma vez que essa grande espera para o restabelecimento
do sistema levaria a grandes prejuízos.

As técnicas para localização automática das faltas são uma alternativa para este pro-
blema, e podem ser baseadas nas tensões e correntes na frequência fundamental (grandezas
fasoriais), no fenômeno das ondas viajantes e na inteligência artificial (9).

O uso das componentes de tensão e corrente na frequência fundamental, associados aos


parâmetros da linha de transmissão é o método mais simples para identificar o local de ocorrên-
cia de uma falta (9). O método consiste em determinar a impedância aparente da linha sobre a
condição de curto-circuito vista do terminal de medição e utilizá-la como medida da distância
entre o terminal e o ponto de falta. O fasores fundamentais (frequência de 60 ou 50 Hz) são
obtidos através da filtragem dos registros oscilográficos obtidos por relés ou registradores digi-
tais de perturbação. Uma das técnicas de filtragem mais utilizadas é baseada na Transformada
Discreta de Fourier e será utilizada neste trabalho (16) (17) (18). Um registro oscilográfico
da corrente de uma das fases de uma linha de transmissão sujeita a uma falta está apresentado
na Figura 10. Observa-se que na ocorrência de uma falta existem três instantes distintos, os
intervalos de pré-falta, falta e pós-falta.

Figura 10: Registro Oscilográfico da corrente em uma das fases de uma linha de transmissão
submetida a uma falta

Fonte: Raybolt, 2011, p. 37


2.3 FALTAS EM LINHAS DE TRANSMISSÃO 26

A localização da falta através dos fasores pode ser baseada nas medidas realizadas em
um ou dois terminais da linha. No primeiro caso, simplificações devem ser impostas ao modelo
do sistema de transmissão, fazendo com que esta técnica esteja sujeita a erros devido a resistên-
cia de falta, ângulo de incidência, efeito combinado da corrente de carga, etc. (20). Geralmente
os dados são calculados a partir dos dados de tensão e corrente pós-falta. Um outro ponto nega-
tivo desta implementação é que na maioria dos casos é necessário ter um conhecimento prévio
do tipo de falta ocorrido.

As técnicas que utilizam dados de dois terminais da linha são, em sua essência, bastante
similares às técnicas de um único terminal. Estas permitem a adoção de estratégias capazes de
minimizar os fatores que prejudicam o desempenho dos métodos de um único terminal. O ponto
contrário a esta abordagem é a necessidade de que a medição dos dados nos dois terminais deve
ser realizada de forma sincronizada, exigindo um meio de comunicação entre os dois terminais
de medição e a determinação dos ângulos das tensões e correntes em relação à um referencial.

As técnicas baseadas nas componentes de alta frequência, ou nas ondas viajantes, uti-
lizam o tempo de viajem da onda de tensão ou corrente do ponto de falta até o local de moni-
toramento, considerando que a velocidade desta onda depende dos parâmetros da linha. Esta
abordagem não depende da configuração da rede ou dos dispositivos a ela instalados e apresenta
resultados bastante precisos. A principal limitação encontrada na sua aplicação é a necessidade
de se utilizar elevadas taxas de amostragem, limitação esta que vem sendo minimizada com o
desenvolvimento tecnológico dos conversores analógicos digitais de alta velocidade e dos pro-
cessadores de sinais digitais de alto desempenho (20). Esta abordagem se apresenta bastante
onerosa devido a sua complexidade e alto custo para sua implementação prática.

As ferramentas de inteligência computacional, beneficiadas pelo grande desenvolvi-


mento dos microprocessadores, demonstram uma grande vantagem em relação às técnicas con-
vencionais de localização de faltas, a sua maior precisão na determinação do ponto onde ocorreu
o defeito. Um outro fator que pesa em favor das técnicas que fazem uso desta ferramenta é o
número reduzido de dados que precisam ser fornecidos para que a distância da falta seja esti-
mada. As principais famílias de inteligência artificial utilizadas com este fim são os sistemas
especialistas, lógica fuzzy, algoritmos genéticos e redes neurais (9). A técnica computacional
de redes neurais é o tema abordado neste trabalho, devido a sua capacidade reconhecimento de
padrões e generalização do conhecimento.
27

3 REDES NEURAIS ARTIFICIAIS

As redes neurais são um ramo da computação baseada em inteligência artificial que


tem o seu funcionamento baseado no sistema nervoso cerebral humano, ou seja, são ferramentas
computacionais que buscam simular a capacidade de aprendizado do cérebro. Possuem como
características principais (21):

• Aquisição do conhecimento através do mapeamento entrada-saída com sucessivos ajustes


dos seus parâmetros internos, extraindo a relação entre as diversas variáveis que consti-
tuem o problema a ser solucionado;

• Capacidade de aprender através de exemplos e extrapolar o conhecimento adquirido, re-


alizando inferências corretas para um conjunto de dados desconhecidos;

• Grande tolerância a falhas;

• O conhecimento adquirido sobre determinado processo é distribuído em todos os neurô-


nios, conferindo maior robustez;

• Fácil prototipação.

Estas características tornam as redes neurais artificiais uma ferramenta adequada na


solução de problemas em diversas áreas do conhecimento, sobretudo na engenharia, sendo apli-
cadas desde atividades de pesquisa até implementações com fins comerciais.

3.1 O NEURÔNIO BIOLÓGICO

Os neurônios são as células elementares do sistema nervoso que tem como função
conduzir impulsos elétricos originados de reações físico-químicas (21). Os neurônios são rela-
tivamente lentos quando comparados por exemplo, com as portas lógicas em silício, uma vez
que os eventos neurais ocorrem na ordem de milissegundos (10−3 s) enquanto os eventos em um
3.1 O NEURÔNIO BIOLÓGICO 28

circuito de silício ocorrem na ordem de nanossegundos (10−9 s). O grande diferencial apresen-
tado no processamento neural é o enorme número de conexões existentes entre os neurônios,
algo em torno de 60 trilhões, para um número de 10 bilhões de células presentes no córtex
humano (22), o que torna o cérebro um processador extremamente eficiente.

Os neurônios podem ser divididos em três partes principais, os dendritos, o corpo


celular ou soma e o axônio, de acordo com a Figura 11. Os dendritos são constituídos por
várias ramificações que recebem as informações (impulsos nervosos) de outros neurônios ou
do meio externo e às envia para o corpo celular (23), responsável por processar as informações
recebidas e determina se o neurônio irá gerar um novo impulso elétrico (21) que será transmitido
através do axônio para os dendritos de outros neurônios. No corpo celular também se encontram
o núcleo celular e o citoplasma.
Figura 11: Neurônio biológico

Fonte: Silva, Spatti e Flauzino, 2010, p. 29

Conforme a Figura 11, observa-se que o axônio é formado por um único prolonga-
mento responsável por conduzir os impulsos elétricos e possui no seu terminal uma série de
ramificações conhecidas como terminações sinápticas ou simplesmente sinapses. Estas termina-
ções unem funcionalmente os neurônios e funcionam como válvulas, controlando a transmissão
dos impulsos. O efeito das sinapses é variável e esta propriedade é que concede a capacidade
de adaptação aos neurônios (23).

Existe uma diferença na concentração entre os íons de sódio (Na+ ) e potássio (K − ) no


exterior e interior da célula, o que cria uma diferença de potencial de aproximadamente -70mV
(23). Quando um neurônio recebe um impulso nervoso de um outro neurônio, ocorrem uma
série de alterações que invertem, durante um breve espaço de tempo, o fluxo dos íons, fazendo
com que o potencial no interior da célula se torne positivo em relação ao exterior. Esta inversão
da polaridade faz com que o impulso nervoso se propague através do axônio em direção às
3.2 O NEURÔNIO ARTIFICIAL 29

sinapses que por sua vez podem facilitar ou dificultar a passagem do fluxo dos sinais elétricos.

3.2 O NEURÔNIO ARTIFICIAL

Os neurônios artificiais são elementos computacionais que modelam de forma bastante


simplificada os neurônios biológicos (21). Estes neurônios artificiais, segundo Haykin(22),
constituem a unidade de processamento de informação básica para a operação de uma rede
neural artificial.

Warren McCulloch e Walter Pitts propuseram em 1943 o primeiro modelo matemático


para um neurônio artificial (24) que apresenta os atributos básicos de uma rede neural biológica,
como o paralelismo e a alta conectividade, sendo o modelo mais utilizado em diversas arquite-
turas de redes neurais artificiais (21). A descrição matemática proposta apresentava um sistema
com n entradas x1 , x2 , ..., xn que representavam os dendritos, um único terminal de saída y de-
sempenhando o papel do axônio e pesos w1 , w2 , ..., wn associados a cada uma das entradas para
simular as sinapses. Estes pesos podem assumir valores positivos ou negativos, dependendo
das sinapses correspondentes serem excitatórias ou inibitórias (23). Cada uma das entradas que
chega ao neurônio é ponderada por sua respectiva sinapse, ou seja, a importância de uma en-
trada xi é medida pela sua multiplicação com o seu respectivo peso sináptico wi (21). A Figura
12 apresenta a implementação de um neurônio artificial como uma generalização do modelo
McCulloch-Pitts.

Figura 12: Neurônio artificial

Fonte: Silva, Spatti e Flauzino, 2010, p. 34

Portanto, considerando a Figura 12, constata-se a existência de sete elementos básicos


constituintes de um neurônio artificial (21):

1. Sinais de entrada {x1 , x2 , ..., xn }: Sinais do meio externo e que representam os valores
3.3 FUNÇÕES DE ATIVAÇÃO 30

das variáveis de uma determinada aplicação;

2. Pesos sinápticos {w1 , w2 , ..., wn }: Valores que serão utilizados para avaliar a importância
de cada um dos sinais de entradas em relação a função do neurônio;

3. Combinador linear {∑}: Desempenha o papel de somar os sinais de entrada já ponde-


rados de forma a gerar um potencial de ativação;

4. Limiar de ativação {θ }: Variável que especifica um patamar a partir do qual o valor


produzido pelo combinador linear gera um sinal para a saída do neurônio;

5. Potencial de ativação {u}: Valor produzido pela diferença entre o combinador linear
e o limiar de ativação. Pode assumir valores positivos ou negativos, determinando um
potencial excitatório ou inibitório, respectivamente;

6. Função de ativação {g(.)}: Limita a saída do neurônio dentro de uma faixa de valores a
serem assumidos, de acordo com a sua função;

7. Sinal de saída {y}: É o valor final gerado pelo neurônio de acordo com o conjunto de
sinais de entrada.

As Equações 8 e 9 resumem o resultado gerado pelo neurônio artificial proposto por


McCulloch e Pitts.

n
u = ∑ wi xi − θ (8)
i=1

y = g(u) (9)

3.3 FUNÇÕES DE ATIVAÇÃO

A função de ativação é responsável por definir a saída do neurônio de acordo com o


nível de atividade apresentado na sua entrada (19). A seguir serão demonstrados os principais
tipos de funções de ativação empregadas em redes neurais artificiais.

3.3.1 FUNÇÃO DEGRAU

Conhecida como função de limiar ou de Heaviside, esta função de ativação faz com que
o sinal de saída do neurônio assuma um valor unitário positivo para um potencial de ativação
3.3 FUNÇÕES DE ATIVAÇÃO 31

também positivo, caso contrário a saída será nula (21). Matematicamente pode-se expressar a
função degrau de acordo com a Equação 10.

(
1, se u ≥ 0
g(u) = (10)
0, se u < 0

A Figura 13 apresenta o gráfico para a função degrau.

Figura 13: Função de ativação degrau

Fonte: Silva, Spatti e Flauzino, 2010, p. 36

Pode-se desejar que a função degrau assuma valores unitários negativos para um po-
tencial de ativação menor do que zero. Neste caso têm-se a função degrau bipolar ou função
sinal, definida de acordo com a Equação 11.


 1, se u > 0


g(u) = 0, se u = 0 (11)


−1, se u < 0

3.3.2 FUNÇÃO RAMPA SIMÉTRICA

Pode ser compreendida como uma função linear em uma faixa de valores [−a, a], e
saturada fora desta faixa, conforme expresso pela Equação 12 (21).


 a, se u > a


g(u) = u, se − a ≤ u ≤ a (12)


−a, se u < a

A Figura 14 ilustra a representação gráfica da função rampa.


3.3 FUNÇÕES DE ATIVAÇÃO 32

Figura 14: Função de ativação rampa simétrica

Fonte: Silva, Spatti e Flauzino, 2010, p. 38

3.3.3 FUNÇÃO SIGMÓIDE

Para Haykin(22), esta é a forma mais utilizada como função de ativação na implemen-
tação de redes neurais artificiais, exibindo um balanceamento adequado entre o comportamento
linear e o não-linear. Um exemplo de função sigmóide é a função logística, expressa conforme
a Equação 13, que apresenta como um dos seus termos a constante β , que é o parâmetro de
inclinação da função. A Figura 15 apresenta o gráfico da função logística e o comportamento
desta com a variação do parâmetro β .

1
g(u) = (13)
1 + e−β u

Figura 15: Função de ativação logística e influência do parâmetro β

Fonte: Silva, Spatti e Flauzino, 2010, p. 39

Uma outra função sigmóide bastante utilizada é a tangente hiperbólica, que nada mais
3.4 ARQUITETURA DAS REDES FEEDFORWARD 33

é do que uma função logística que assume valores compreendidos entre −1 e 1. A Equação 14
demonstra a expressão matemática para esta função.

1 − e−β u
g(u) = (14)
1 + e−β u

3.3.4 FUNÇÃO LINEAR

Esta função, também conhecida como função identidade, produz como resultado o
próprio valor do potencial de ativação u, sendo definida de acordo com a Equação 15 (21). A
Figura 16 ilustra graficamente a função linear.

g(u) = u (15)

Figura 16: Função de ativação linear

Fonte: Silva, Spatti e Flauzino, 2010, p. 42

3.4 ARQUITETURA DAS REDES FEEDFORWARD

A arquitetura de uma rede neural define a forma como os neurônios são estruturados
e a sua correta escolha é importante, uma vez que a escolha da arquitetura limita os tipos de
problemas que poderão ser solucionados (23) e influencia o algoritmo de aprendizado que será
utilizado no processo de treinamento da rede (25). Resumidamente, uma rede neural pode ser
dividida em três partes (21):

1. Camada de entrada: Responsável por receber os sinais de entrada da rede;


3.5 PROCESSOS DE TREINAMENTO 34

2. Camadas intermediárias ou ocultas: Realiza a maior parte do processamento da rede,


extraindo as características do processo em execução;

3. Camada de saída: Produz e apresenta os resultados do processamento da rede.

As redes feedforward apresentam um fluxo de informações sempre da camada de en-


trada em direção a de saída. Elas podem ser de camada simples, possuindo uma única camada
de neurônios que é justamente a camada de saída ou de múltiplas camadas, possuindo uma ou
mais camadas ocultas entre a de entrada e a de saída. Esta característica confere um aumento
na capacidade de processamento da rede neural, que se torna apta para resolver problemas de
alta complexidade (26). São largamente utilizadas na classificação de padrões, aproximação de
funções, identificação de sistemas, otimização, robótica, e outros. (21). A Figura 17 apresenta
um exemplo de uma rede feedforward de múltiplas camadas.
Figura 17: Exemplo de rede feedforward de múltiplas camadas

Fonte: Silva, Spatti e Flauzino, 2010, p. 48

Existem outros tipos de arquiteturas de rede neurais, como a recorrente ou realimentada


e a em estrutura reticulada (21) (22) que não serão objetos de estudo neste trabalho.

3.5 PROCESSOS DE TREINAMENTO

As redes neurais artificiais possuem como seu grande diferencial a capacidade de


aprender através de exemplos ou padrões que lhe são passados, a partir do qual ela se torna
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 35

capaz de generalizar soluções. Este aprendizado é possível através de um algoritmo que rea-
liza o ajuste dos parâmetros da rede, de forma que após finitas iterações ocorra a convergência
para uma solução. É desejável que a mudança gradual dos parâmetros resulte em um melhor
desempenho da rede (27).

É comum que o conjunto total de amostras disponíveis sobre o sistema do qual a rede
neural aprende seja dividido em subconjuntos de treinamento e de teste. O subconjunto de
treinamento possui a maior parte das amostras e é utilizado no aprendizado da rede e o de teste
valida o treinamento da rede. Define-se época de treinamento cada apresentação completa dos
dados disponíveis para o treinamento visando o ajuste dos parâmetros da rede (21).

As principais estratégias para efetuar o treinamento de uma rede neural são:

1. Treinamento supervisionado: Neste método de aprendizado, para cada amostra dos si-
nais de entrada, se tem disponível as respectivas saídas. O objetivo é ajustar os parâmetros
da rede gradualmente através de comparações entre a diferença da saída apresentada pela
rede e o valor desejado. A rede será considerada treinada quando esta diferença estiver
dentro de limites aceitáveis, que variam de acordo com a aplicação da rede;

2. Treinamento não-supervisionado: Para este tipo de treinamento não se tem disponível


os valores desejados para as saídas, o que obriga a rede a se auto-organizar, buscando
identificar similaridades em alguns subconjuntos dos dados amostrais.

3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS

As redes de camada única são utilizadas exclusivamente na solução de problemas li-


nearmente separáveis, ou seja, àqueles que podem ser satisfeitos dividindo-se os padrões de
entrada em duas classes com o uso de uma reta ou um hiperplano como fronteira de decisão
(21). A Figura 18 demonstra a divisão de uma série de padrões de entrada em duas classes
por meio de uma reta. Este tipo de sistema neural não possui muitas aplicações práticas, uma
vez que a maioria dos problemas reais envolvem padrões que não são linearmente separáveis,
conforme demonstrado na Figura 19.

As redes de múltiplas camadas são empregadas para solucionar problemas que en-
volvam padrões não linearmente separáveis. Segundo Cybenko(28), qualquer função contínua
pode ser aproximada por uma rede neural com uma camada oculta, ao passo que uma rede
com duas camadas intermediárias é capaz de obter uma aproximação para qualquer função.
As redes neurais que possuem uma ou mais camadas intermediárias e pertencem à arquitetura
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 36

Figura 18: Fronteira de separação de um neurônio com duas entradas

Fonte: Adaptado de Silva, Spatti e Flauzino, 2010, p. 62

Figura 19: Fronteira não linearmente separável

Fonte: Silva, Spatti e Flauzino, 2010, p. 62

feedforward são denominadas Perceptrons de Múltiplas Camadas (PMC) ou Multilayer Percep-


trons. As PMC são submetidas a um processo de aprendizagem de forma supervisionada por
meio do algoritmo de aprendizado chamado backpropagation ou retropropagação do erro.

3.6.1 TREINAMENTO BACKPROPAGATION

O algoritmo backpropagation pode ser dividido em duas fases distintas. A primeira


é conhecida como fase de apresentação (25) ou propagação adiante (forward) (21) e consiste
em apresentar uma amostra do conjunto de treinamento. Estas amostras são propagadas por
todas as camadas da rede visando determinar as suas saídas para os valores atuais dos pesos
sinápticos e limiares dos neurônios, ou seja, nesta fase os valores dos pesos são mantidos fixos.
Estas saídas são confrontadas com as respostas desejadas visando determinar o erro da rede.

Uma vez determinados os valores dos erros, tem início a segunda fase do treinamento,
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 37

chamada de propagação reversa (backward) (21)(25). Os pesos sinápticos são ajustados de


acordo com o erro obtido na primeira fase, visando minimiza-lo, ou seja, diminuir a diferença
entre a saída atual e a desejada. O menor valor para o erro é alcançado através do método
do gradiente descendente e o arranjo dos pesos e limiares que minimizam a função do erro é
considerado a solução do processo de treinamento. É uma exigência deste método o fato de
que a função de erro seja contínua e diferenciável para que se possa determinar o seu gradiente.
Esta exigência é atendida com o uso de uma função de ativação que possua estas características,
como a função sigmóide (29).

A Figura 20 ilustra as duas fases do treinamento de uma rede PMC utilizando o algo-
ritmo backpropagation.

Figura 20: Treinamento de uma rede PMC utilizando o algoritmo backpropagation

Fonte: Silva, Spatti e Flauzino, 2010, p. 94

O algoritmo backpropagation apresenta convergência lenta, exigindo um demasiado


esforço computacional. Com o objetivo de minimizar este problema, diversas técnicas de oti-
mização vem sendo desenvolvidas e adicionadas ao algoritmo backpropagation para diminuir o
seu tempo de convergência (30)(21). O algoritmo de Levenberg-Marquardt é o mais utilizado
com esta finalidade. Com esta técnica, a convergência é alcançada mais rapidamente pois esta
baseia-se na determinação das derivadas de segunda ordem do erro, ao passo que o treinamento
backpropagation convencional considera as derivadas de primeira ordem.
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 38

3.6.2 CONSIDERAÇÕES SOBRE O PROJETO DE UMA REDE PERCEPTRON

3.6.2.1 TOPOLOGIA DA REDE

A especificação da quantidade de camadas ocultas e a quantidade de neurônios que


compôem cada uma destas camadas na implementação de uma rede perceptron é um trabalho
empírico no qual diversas topologias devem ser analisadas. O objetivo e identificar a topologia
que melhor responde para o problema abordado. Fatores que influenciam nesta escolha são
o algoritmo de aprendizado, os valores iniciais dos pesos, a complexidade do problema a ser
solucionado e a qualidade dos dados disponíveis para o treinamento (21).

Uma das técnicas mais utilizadas na determinação da topologia da rede neural para
uma determinada aplicação é a validação cruzada, que tem como objetivo avaliar uma série de
topologias candidatas e determinar a que apresenta os melhores resultados quando submetidas
a um conjunto de dados diferente do utilizado no seu treinamento (21). Esta técnica consiste
em dividir o conjunto de dados disponíveis aleatoriamente em dois conjuntos, de treinamento e
de teste da rede. O conjunto de treinamento é dividido em dois subconjuntos, o de estimação
que seleciona o modelo e o de validação que testa o modelo (22).

É interessante utilizar, em paralelo com a validação cruzada, um procedimento conhe-


cido como parada antecipada. Isso para evitar que a rede extraia um excesso de informação dos
dados de treinamento e acabe se tornando uma rede viciada e perca a sua capacidade de genera-
lização. Este método consiste em realizar a validação da rede constantemente após cada época
de treinamento e caso haja uma elevação repentina do erro quadrático entre épocas sucessivas
deve-se interromper o processo de treinamento. Isto é um indicativo de extração excessiva de
características do conjunto de treinamento (21). A Figura 21 mostra graficamente a regra da
parada antecipada na validação cruzada.

No processo de escolha da topologia ideal da rede neural deve-se ter em mente que o
aumento indiscriminado do número de camadas ocultas e da quantidade de neurônios em cada
camada não garante um melhor desempenho para rede, ao contrário, faz com que ela memorize
excessivamente os dados de treinamento perdendo a sua capacidade de generalização frente a
novos dados apresentados às suas entradas, se enquadrando na condição denominada overfitting
(21). Nestes casos o erro quadrático durante o processo de treinamento é muito baixo mas
assume valores elevados durante o teste da rede.

A Figura 22 demonstra as curvas de saída de duas redes perceptron de múltiplas ca-


madas. A topologia 1 apresenta a condição de overfitting, na qual durante o processo de treina-
mento a saída da rede é praticamente coincidente com os padrões de treinamento à ela apresen-
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 39

Figura 21: Método da parada antecipada na validação cruzada

Fonte: Haykin, 2001, p. 243

tados mas revela um distanciamento em relação às amostras de teste. A topologia 2 demonstra


o comportamento ideal da rede perceptron, apresentando um erro aceitável frente aos padrões
de teste.

Figura 22: Perceptron de múltiplas camadas com overfitting

Fonte: Silva, Spatti e Flauzino, 2010, p. 153

Da mesma forma que um elevado número de camadas ou de neurônios é prejudicial


para o desempenho da rede neural, uma quantidade reduzida tambem acarreta alguns proble-
mas, uma vez que caso a rede possua um número de neurônios inferior ao necessário ela não
possuirá parâmetros suficientes para extrair as características do processo necessárias para a
sua aprendizagem. Esta situação é conhecida como underfitting (21). Deve-se portanto buscar
obter um número de camadas e de neurônios que superem a condição de underfitting e evite a
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 40

ocorrência do overfitting.

3.6.2.2 SUBCONJUNTOS DE TREINAMENTO E TESTE

A correta escolha do conjunto de amostras que será utilizado no treinamento e valida-


ção da rede neural é de extrema importância. Os dados utilizados no processo de aprendizagem
da rede devem refletir todas as características do problema a ser resolvido para que esta possua
a capacidade de generalização e não fique especializada apenas nos dados de treinamento. Hay-
kin(22) apresenta uma proposta para determinação do número de amostras que devem compor
o conjunto de treinamento, definida de acordo com a Equação 16.

 
W
N= (16)
ε

Na qual:

N = Número de amostras do conjunto de treinamento;

W = Número de parâmetros livres da rede (Pesos sinápticos e limiar de ativação);

ε = Erro desejado em decimal;

Um outro cuidado que deve ser tomado na escolha do universo de treinamento é de


garantir que todas as amostras que possuam os valores máximos e mínimos de cada uma das
variáveis de entrada sejam incluídas neste subconjunto, uma vez que a rede irá conhecer o
comportamento do processo apenas dentro dos seus domínios de definição (21). Caso a rede
após treinada tenha valores submetidos à suas entradas que não se encontram dentro dos limites
fixados pelas amostras de treinamento ela fatalmente irá apresentar erros significativos.

Visando melhorar o desempenho do treinamento das redes neurais, recomenda-se rea-


lizar o escalonamento dos valores dos sinais de entrada e de saída dos padrões de treinamento
e de teste levando em conta a faixa de atuação da função de ativação escolhida. Por exemplo,
para uma função de ativação do tipo tangente hiperbólica, que assume valores reais entre -1 e 1,
os valores das entradas e saídas a serem apresentados à rede devem estar compreendidos dentro
desta mesma faixa.

Deve-se lembrar que, após o uso da rede neural já treinada, os dados devem ser pós-
processados, ou seja, é necessário que seja feito o processo inverso ao escalonamento inicial
para que os valores obtidos reflitam os dados reais da aplicação.
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 41

3.6.3 REDES NEURAIS APLICADAS NOS SISTEMAS DE POTÊNCIA

Diversos trabalhos que utilizam redes neurais na solução de problemas nos sistemas
de energia elétrica vem sendo publicados nos últimos anos. Haque e Kashtiban(31) oferecem
no seu artigo uma visão geral da aplicação das redes neurais artificiais na operação e controle
dos sistemas de potência, destacando como principais campos a previsão de carga, diagnóstico
e localização de faltas, despacho econômico, avaliação de segurança e estabilidade transitória.
Cita-se também algumas vantagens no uso de RNA’s, como a capacidade de lidar com varia-
ções estocásticas do ponto de operação determinado com um número cada vez maior de dados,
rápido processamento e classificação, podendo ser realizado on-line e filtragem dos dados e
modelagem não-linear implícita. Por fim, os autores mencionam que as redes neurais devem
ser utilizadas em conjunto com os métodos convencionais e não substituí-los.

El-Sharkawi, Marks e Weerasooriya(32) apresentam uma série de exemplos de aplica-


ção das redes neurais na engenharia de potência. Um dos casos abordados é a modelagem de
uma máquina síncrona, onde uma rede perceptron de múltiplas camadas é treinada para simu-
lar as equações do espaço de estados do motor síncrono diminuindo o tempo necessário para a
realização dos cálculos de estabilidade transitória. Um outro estudo realizado é a identificação
e avaliação de harmônicos, onde duas redes perceptron de múltiplas camadas foram utilizadas,
uma para identificar o tipo de carga harmônica entre um conjunto de escolhas pré-especificado
e outra para prever a magnitude de uma harmônica selecionada. O trabalho traz ainda diversas
outras aplicações de redes neurais artificiais como o processamento de alarmes e diagnóstico
de falhas, avaliação de segurança estática e dinâmica, controle capacitivo para compensação de
reativos e controle de um motor CC.

A previsão da demanda de energia ativa foi o alvo do estudo realizado por Berto-
lucci(29), que utilizou diferentes topologias de redes neurais para esta finalidade, concluindo
que elas apresentam menores erros quando comparadas com as técnicas clássicas de previsão.
Já Adami et al.(33) utiliza sinais provenientes de uma cadeia de isoladores de uma linha de
transmissão adquiridos através do terra de um transformador de corrente como dados para uma
rede neural que identifica quais isoladores estão bons ou quebrados.

A já citada avaliação de harmônicos é trabalhada por Lai et al.(34), que aplica redes
recorrentes de Hopfield, ou seja, uma rede em que as saídas de uma camada neural podem
ser realimentadas às suas entradas, para realizar a avaliação dos harmônicos, determinando
em tempo real a variação da frequência de alimentação e da amplitude e fase da componente
fundamental e dos harmônicos.
3.6 REDES PERCEPTRON DE MÚLTIPLAS CAMADAS 42

Aggarwal e Song(35) citam como principais atrativos para o uso de redes neurais nos
sistemas de potência a habilidade em resolver problemas que possuam um número muito grande
de possibilidades computacionais, que envolvam tarefas de caráter estatístico como previsão de
carga e processamento de sinais e quando se tem dificuldade em identificar o modelo para uma
parte relevante do sistema, como o caso do controle de tensão. Para estas classes de problemas
a abordagem clássica não produz resultados satisfatórios. Em (36) os mesmos autores elaboram
uma relação de algumas aplicações de redes neurais nos sistemas de potência como o despacho
econômico e o desenvolvimento de estabilizadores de energia utilizando redes recorrentes, pre-
visão de carga de curto prazo com perceptrons de múltiplas camadas e classificação de faltas em
linhas de transmissão combinando redes com treinamento supervisionado e não-supervisionado.
43

4 METODOLOGIA DESENVOLVIDA PARA A


LOCALIZAÇÃO DE FALTAS

A Figura 23 apresenta o esquema básico da metodologia desenvolvida para a identifi-


cação do ponto de ocorrência de uma falta em uma linha de transmissão.

Figura 23: Fluxograma do processo de localização das faltas

Fonte: Autoria própria

Para se estimar o local da ocorrência de um curto-circuito na linha de transmissão


utilizou-se as redes neurais, que foram treinadas com valores de tensão e corrente de um ter-
minal da linha em diversas situações de faltas. Os dados obtidos foram submetidos a rotinas
de pré-processamento que realizaram a filtragem e reamostragem dos sinais. A Transformada
Discreta de Fourier (TDF) foi empregada para realizar a extração dos fasores fundamentais de
tensão e corrente de cada uma das três fases da linha e a amplitude destes fasores no período
pós-falta foi então utilizada para o treinamento e validação da rede neural.

Este capítulo está dividido da seguinte forma: a Seção 4.1 apresenta os softwares uti-
lizados, as especificações do sistema de transmissão de energia estudado e o processo de simu-
lação da linha para a obtenção dos dados relativos a situações de faltas; a Seção 4.2 detalha as
etapas de filtragem e reamostragem dos sinais obtidos; os fasores fundamentais utilizados como
entradas para a rede neural são obtidos na Seção 4.3 e por fim, na Seção 4.4 está exposto a
4.1 AQUISIÇÃO DOS DADOS 44

escolha da topologia da rede neural a ser utilizada e os passos realizados para o seu treinamento
e validação.

4.1 AQUISIÇÃO DOS DADOS

Devido a dificuldade de se obter dados relativos a situações reais de faltas em uma


linha de transmissão, foram realizadas simulações com o software ATP (Alternative Transi-
ents Program) (37) e a sua interface gráfica ATPDraw (38). Em todas as simulações foram
considerados aspectos como a distribuição espacial e as dimensões dos condutores, efeito dos
cabos para-raios, efeito pelicular e resistividade do solo, de forma que os dados obtidos são
aproximados daqueles encontrados em situações reais.

4.1.1 OS SOFTWARES ATP E ATPDRAW

Na década de 60 foi desenvolvido por Herman W. Dommel o Electromagnetic Transi-


ents Program (EMTP), um programa para estudo de transitórios eletromagnéticos da Bonneville
Power Administration (BPA) capaz de realizar a modelagem de circuitos monofásicos através
de modelos de resistências, indutâncias, capacitâncias e linhas sem perdas, incluindo uma chave
e uma fonte de excitação. A partir de 1973, com a saída de Dommel da BPA, a coordenação do
projeto passou para as mãos de Scott Meyer que implantou ações de desenvolvimento contínuo
com a ajuda de vários usuários do EMTP, o que o transformou em uma ferramenta útil para
análise de sistemas elétricos. Discordâncias entre Scott Meyer e o Electric Power Research
Institute, que investia no EMTP desde 1984, fizeram com que Scott Meyer desenvolvesse uma
nova versão do programa, o Alternative Transients Program (ATP)(39).

O ATP permite a simulação de transitórios eletromagnéticos em redes polifásicas com


configurações arbitrárias utilizando a matriz de admitância de barras. A formulação matemática
baseia-se na regra da integração trapezoidal para elementos com parâmetros concentrados e no
método das características (método de Bergeron) para parâmetros distribuídos (39). Como se
trata de um programa digital, não é possível obter uma resposta contínua no tempo, ou seja,
os dados das simulações são obtidos em intervalos de tempo discretos, o que não diminui a
precisão dos resultados.

O ATPDraw é um pré-processador gráfico do ATP, utilizado para criar e editar cir-


cuitos, que podem ser construídos de forma similar a da maioria dos simuladores de circuitos
elétricos, gerando o arquivo de dados em formato texto que será utilizado como entrada para
o ATP. Podem ser estudados circuitos monofásicos ou polifásicos, com a facilidade de se utili-
4.1 AQUISIÇÃO DOS DADOS 45

zar diagramas unifilares para circuitos polifásicos complexos, eliminando a necessidade de se


modelar todas as fases envolvidas individualmente. O ATPDraw é uma ferramenta bastante fle-
xível e de grande importância na realização de estudos de regime permanente e de transitórios
em sistemas de potência.

4.1.2 O SISTEMA ELÉTRICO ANALISADO

Para desenvolver e avaliar a metodologia de localização de faltas presente neste traba-


lho, realizou-se uma adaptação do sistema disponível em (40). O diagrama unifilar do sistema
analisado está representado na Figura 24 e consiste de uma linha de transmissão de 100 Km,
440 kV, que corresponde a um sistema típico utilizado pela Companhia Energética de São Paulo
(CESP).

Figura 24: Diagrama unifilar da linha de transmissão estudada

Fonte: Adaptado de Laurenti, 2008, p. 32

Uma vez que as características físicas de uma linha de transmissão são fundamentais
para determinar o seu comportamento, os dados correspondentes a dimensão dos condutores,
posição relativa destes com relação a torre e o solo, flecha a meio vão, entre outros, devem
ser incluídos na simulação. Segue o detalhamento de todos os dados físicos pertinentes à linha
estudada (40):

• Condutores de fase - Cabo Grosbeak

– Raio externo do condutor = 12,57 mm

– Raio interno do condutor = 4,635 mm

– Resistência em corrente contínua = 0,08998 Ω/Km

• Cabos pára-raios - EHS 3/8"

– Raio externo do condutor = 4,572 mm

– Resistência em corrente contínua = 4,188 Ω/Km


4.1 AQUISIÇÃO DOS DADOS 46

• Flecha a meio vão

– Fase = 13,43 m
– Pára-raios = 6,4 m

• Resistividade do solo = 250 Ω.Km

A Figura 25 apresenta a silhueta da torre da linha de transmissão com o posiciona-


mento de todos os condutores. Observa-se que cada uma das fases é composta por quatro cabos
condutores.
Figura 25: Silhueta da torre da linha de transmissão estudada

Fonte: Laurenti, 2008, p. 34

4.1.3 SIMULAÇÕES REALIZADAS

Objetivando a aquisição dos parâmetros da linha de transmissão utilizou-se a rotina do


ATP chamada LINE CONSTANTS. É uma rotina auxiliar para efetuar o cálculo dos parâmetros
4.1 AQUISIÇÃO DOS DADOS 47

das linhas de forma que o resultado do seu processamento alimenta o arquivo principal de
dados de uma simulação no ATP. Ela pode ser utilizada para calcular as matrizes de resistência,
impedância e capacitância em componentes simétricas ou de fase e a resistência, reatância e
susceptância de sequência positiva e zero para qualquer configuração arbitrária de condutores
aéreos em qualquer frequência de operação entre 0.0001 e 500 kHz (39). A Figura 26 apresenta
os dados de entrada utilizados para a rotina LINE CONSTANTS.

O valor do parâmetro do efeito pelicular (skin) é preenchido com a razão T /D, na


qual T é a espessura do condutor tubular e D é o diâmetro externo do condutor (37). Para os
condutores das fases temos:

T 12, 57 − 4, 635
= = 0, 316 (17)
D 2 · 12, 57

Os cabos pára-raios, que se tratam de condutores sólidos, deve-se utilizar o valor de


0,5 para o efeito pelicular (37).

A frequência de operação escolhida para realizar a simulação foi de 600 Hz ao invés de


60 Hz, com o objetivo de se efetuar uma correção simplificada da dependência da resistência e
da indutância com a frequência (41). Uma vez que o cálculo dos parâmetros da linha é realizado
para um única frequência, os modelos de parâmetros constantes (60 Hz) são inadequados para
simular a resposta da linha para uma grande faixa de frequências presentes na ocorrência de
transitórios. Isso porque podem produzir distorções que aumentam de forma exagerada o pico
das ondas de corrente e tensão (42).

Os demais dados preenchidos dizem respeito as características físicas dos condutores,


como o raio externo e interno e a disposição dos mesmos com relação à torre e ao solo. Incluiu-
se também o valor da resistividade do solo em ohms-metro.

Como resultado da execução da rotina LINE CONSTANTS é gerado um arquivo que


contém todas os parâmetros da linha de transmissão que foram solicitados. O arquivo de saída
gerado após a execução da rotina LINE CONSTANTS pode ser visto no Apêndice A. Para a
simulação da linha de transmissão no ATPDraw, de acordo com o modelo escolhido que será
explicado posteriormente, considerou-se a resistência, reatância e susceptância de sequência po-
sitiva e zero obtidas com a LINE CONSTANTS e reproduzidas na Tabela 5. Cabe ressaltar que
os resultados obtidos consideram uma linha totalmente transposta, onde são realizadas mudan-
ças na posição dos condutores de forma a compensar os desequilíbrios dos campos magnéticos
e se obter uma indutância média igual para todos os condutores (40).
4.1 AQUISIÇÃO DOS DADOS 48

Figura 26: Rotina LINE CONSTANTS para obtenção dos parâmetros da linha

Fonte: Autoria própria

Tabela 5: Parâmetros da linha de transmissão obtidos com a rotina LINE CONSTANTS

Resistência (Ω/Km) Reatância (Ω/Km) Susceptância (mΩ/Km)


Sequência Positiva 3, 91185 · 10−2 2, 78890 5, 93242 · 10−5
Sequência Zero 1, 69333 7, 89808 3, 41181 · 10−5
Fonte: Autoria própria
4.1 AQUISIÇÃO DOS DADOS 49

Os dados utilizados na simulação no ATPDraw são mais precisamente a resistência, in-


dutância e capacitância de sequência positiva e zero. Como a resistência foi obtida diretamente
do arquivo de saída da LINE CONSTANTS, deve-se calcular os parâmetros restantes através da
reatância e da susceptância, que são definidas de acordo com as Equações 18 e 19.

XL
L= (18)
ω

XC
C= (19)
ω

No qual ω = 2 · π · frequência.

Como estes parâmetros foram calculados para uma frequência de 600 Hz temos:

2, 78890 mH
L+ = = 0, 73978 (20)
2 · π · 600 Km

7, 89808 mH
L0 = = 2, 09503 (21)
2 · π · 600 Km

5, 93242 · 10−5 µF
C+ = = 0, 01574 (22)
2 · π · 600 Km

3, 41181 · 10−5 µF
C0 = = 0, 00905 (23)
2 · π · 600 Km

Os parâmetros dos geradores e das barras de geração também foram obtidos de (40) e
estão reproduzidos nas Tabelas 6, 7 e 8

Tabela 6: Parâmetros equivalentes do Gerador 1 - Barra A

Sequência Positiva Sequência Zero


Resistência (Ω /Km) Indutância (mH/Km) Resistência (Ω /Km) Indutância (mH/Km)
1,698 51,4 0,358 11,2
Fonte: Adaptado de Laurenti, 2008, p. 37
4.1 AQUISIÇÃO DOS DADOS 50

Tabela 7: Parâmetros equivalentes do Gerador 2 - Barra B

Sequência Positiva Sequência Zero


Resistência (Ω /Km) Indutância (mH/Km) Resistência (Ω /Km) Indutância (mH/Km)
1,787 54,1 0,405 12,3
Fonte: Adaptado de Laurenti, 2008, p. 37

Tabela 8: Dados das barras de geração

Gerador 1 - Barra A Gerador 2 - Barra B


Potência (GVA 10 9
Tensão (pu) 1,05 0,95
Ângulo (graus) 0 -10
Fonte: Adaptado de Laurenti, 2008, p. 37

A determinação da amplitude eficaz da onda de tensão dos geradores e o ângulo de


geração necessários para a simulação foram obtidos através dos dados apresentados na Tabela 8
efetuando a conversão dos valores em por-unidade. Considerando a linha de 440 kV fase-fase,
temos:

Vger1 = 1, 05 · 440∠0◦ (24)


2
Amplitudeger1 = Vger1 · √ = 377, 221∠0◦ kV (25)
3

Vger2 = 0, 95 · 440∠ − 10◦ (26)


2
Amplitudeger2 = Vger2 · √ = 341, 295∠ − 10◦ kV (27)
3
Uma vez obtidos todos os dados necessários, a linha pôde então ser simulada. Optou-
se por utilizar o modelo de parâmetros distribuídos, por ser o mais adequado para a simulação
de transitórios, considerando a linha perfeitamente transposta. O ATP considera inicialmente a
linha sem perdas para simplificar a solução das equações de propagação de tensão e corrente.
As perdas são incluídas de forma aproximada, dividindo a resistência fornecida pelo usuário em
três intervalos: uma de valor R/2 no meio da linha e dois de valor R/4 em cada uma das extre-
4.1 AQUISIÇÃO DOS DADOS 51

midades, como pode ser observado na Figura 27. Apenas os parâmetros L e C são realmente
distribuídos.

Figura 27: Modelo da linha com parâmetros distribuídos realizado pelo ATP

Fonte: Adaptado de ATP Rule Book, 1987, p. 4D-5

O modelo escolhido utiliza a matriz de Edith Clark (T ), apresentada na Seção 2.2.2.1,


desacoplando as fases e facilitando os cálculos. Para esta modelagem, exige-se como entrada
dos dados as componentes simétricas de de sequência positiva e zero da linha e os parâmetros
de sequência negativa são considerados iguais aos de sequência positiva.

Utilizou-se portanto como entrada para o programa de simulação os dados da Tabela 5


para a resistência de sequência positiva e zero e os valores obtidos para a indutância e capaci-
tância em componentes simétricas obtidos com as Equações 20 à 23. Em todas as simulações o
efeito da condutância foi desprezado por apresentar valores muito pequenos.

Os geradores que alimentam a linha foram modelados como duas fontes de tensão tri-
fásicas cossenoidais aterradas. O ATPDraw requer como dados de entrada a amplitude da onda
de tensão e o ângulo da fase A, obtidos pelas Equações 25 e 27, e a frequência de operação do
sistema, neste caso 60 Hz. Para completar a modelagem dos geradores foi adicionada uma im-
pedância em série com as fontes de tensão, de acordo com o modelo RL mutuamente acoplado
(37), utilizando como entrada os dados presentes nas Tabelas 6 e 7.

Utilizou-se medidores de tensão e corrente nos terminais da linha de forma a se obter os


dados que seriam posteriormente utilizados na localização das faltas. As faltas foram simuladas
com o auxílio de três chaves temporizadas, cada uma ligando uma fase da linha à terra passando
por uma resistência que simula a resistência de falta. A Figura 28 demonstra o circuito simulado
no ATPDraw.

Para permitir a realização de simulações de situações faltosas em diversos pontos da


linha de transmissão, a mesma foi dividida em dois segmentos que tinham o seu comprimento
variado de acordo com o ponto de ocorrência de falta desejado. O resultado da simulação
para esta divisão da linha é o mesmo caso tivéssemos apenas um bloco correspondente à toda
extensão da linha. Considerou-se o terminal 1 da linha, na Figura 28 identificado como TER1,
como o ponto inicial da linha e o terminal 2 (TER2) o ponto final. As simulações possuíam um
4.1 AQUISIÇÃO DOS DADOS 52

Figura 28: Circuito correspondente a linha de transmissão simulado no ATPDraw

Fonte: Autoria própria

período de 0,2 segundos e os dados foram amostrados à uma frequência de 100 kHz sempre a
partir do terminal 1.

As Figuras 29 e 30 apresentam as ondas de tensão e corrente da linha em sua opera-


ção normal. Para uma melhor visualização estas figuras apresentam apenas os 0,07 segundos
iniciais.
Figura 29: Ondas de tensão no terminal 1 das três fases da linha em condições normais de
operação

Fonte: Autoria própria

Como definido na Seção 2.3, as faltas monofásicas respondem pela maior parte das
4.1 AQUISIÇÃO DOS DADOS 53

Figura 30: Ondas de corrente no terminal 1 das três fases da linha em condições normais de
operação

Fonte: Autoria própria

situações de curto-circuito que atingem uma linha de transmissão e por isso este trabalho irá se
desenvolver baseado neste tipo de falta, ou seja, faltas bifásicas e trifásicas não serão analisadas.

Devido a necessidade de se montar um banco de dados com diversas situações faltosas


para treinamento da rede neural foram realizadas simulações para faltas permanentes envol-
vendo as seguintes condições:

• Tipos de defeito: Faltas envolvendo as fases A-Terra, B-Terra e C-Terra;

• Localização dos defeitos: em 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,
85, 90 e 95 % da linha

• Resistência de Falta: 20, 60 e 100 Ω;

• Ângulo de incidência da falta: 90◦

Na prática o ângulo de incidência pode ser qualquer um entre 0◦ e 360◦ , ou seja, as


faltas podem ter origem em qualquer ponto da forma de onda de tensão ou corrente, passando
pelo valor mínimo (onda passando pelo zero) até um valor máximo (onda passando por um
máximo positivo a 90◦ ou máximo negativo a 270◦ ) na fase faltosa. Simulações realizadas para
diferentes ângulos de incidência demonstraram que, quando a onda se encontra no seu valor
4.1 AQUISIÇÃO DOS DADOS 54

máximo, as distorções causadas por um transitório neste momento são maiores. Este fato levou
a escolha do ângulo de incidência de 90◦ . Para realizar as faltas com este ângulo de incidência,
os curto-circuitos ocorreram em 0,05s para a fase A, 0,0557s para a fase B e 0,0612s para a fase
C. Estes valores foram obtidos considerando o instante em que as ondas de tensão de cada uma
das fases atinge pela quarta vez o valor máximo positivo na simulação da operação normal da
linha.

Como exemplo de uma das situações faltosas simuladas temos as ondas de tensão e
corrente demonstradas nas Figuras 31 e 32 respectivamente, para uma falta A-Terra localizada
a 50% do trecho da linha com uma resistência de falta de 20 Ω ocorrida em 0,05 segundos.
Novamente, para uma melhor visualização, parte do intervalo da simulação foi omitido na apre-
sentação da forma de onda de tensão, apresentando o 0,1s inicial.

Figura 31: Ondas de tensão das três fases no terminal 1 para uma falta à 50% do trecho da linha
envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo de incidência de 90◦

Fonte: Autoria própria

O instante da ocorrência da falta é facilmente identificado pelo desvio de corrente da


fase envolvida, o que indica a fuga de corrente para o terra. A corrente da fase faltosa tem a
sua magnitude extremamente elevada e tanto as ondas de corrente como de tensão se tornam
ruidosas.
4.2 PRÉ-PROCESSAMENTO DOS DADOS 55

Figura 32: Ondas de corrente das três fases no terminal 1 para uma falta à 50% do trecho da
linha envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo de incidência de
90◦

Fonte: Autoria própria

4.2 PRÉ-PROCESSAMENTO DOS DADOS

Os dados obtidos das simulações realizadas com o ATP não podem ser diretamente
empregados na localização das faltas, de forma que algumas rotinas de pré-processamento dos
dados obtidos foram implementadas. Esta etapa foi realizada com o auxílio do software ATP
Analyzer (43), programa desenvolvido pela Bonneville Power Administration, que realiza a aná-
lise e o processamento dos dados gerados pelas simulações do ATP. Uma particularidade deste
programa é o fato de realizar a leitura de arquivos de simulações do ATP, e ser capaz de tra-
balhar com arquivos no formato COMTRADE (44). Este formato é o mesmo das oscilografias
geradas pelos registradores digitais de perturbação e pelos relés digitais, de forma que dados
reais também podem ser analisados com o uso deste software.

Portanto, os sinais gerados pelas simulações possuem uma alta frequência de amostra-
gem, da ordem de 100 kHz, o que significa que a cada 10 µs temos uma amostra do sinal. Esta
elevada taxa de amostragem foi escolhida para que as respostas das simulações fossem o mais
próximo possível de um sinal contínuo. Com o objetivo de se desenvolver uma metodologia o
mais genérica possível, de forma que ela possa ser aplicada em situações reais, optou-se por rea-
lizar uma re-amostragem dos sinais, normalizando a taxa de aquisição dos dados para 16 pontos
4.2 PRÉ-PROCESSAMENTO DOS DADOS 56

por ciclo, ou frequência de amostragem de 960 Hz. Esta ação permite que sinais provenientes
de diversas fontes com taxas de amostragem diferentes possam ser utilizados. Amostragens
em diferentes frequências podem ocorrer nos casos em que os equipamentos que originaram
os registros não sejam iguais ou estejam configurados de maneira diferente. A frequência de
amostragem foi escolhida como 960 Hz devido ao fato desta ser a taxa de operação de grande
parte dos relés de proteção atuais (3).

Um problema que pode ocorrer na re-amostragem dos sinais é o efeito de aliasing ou


sobreposição de espectros de frequência, que acarreta a perda da representação do sinal. Se-
gundo Haykin e Veen(17), para que o sinal re-amostrado corresponda ao sinal original, deve-se
obedecer as condições estabelecidas no teorema da amostragem, que determina que a frequên-
cia de amostragem deve ser maior ou igual ao dobro da maior frequência contida no sinal a ser
amostrado, de acordo com a Equação 28:

fA ≥ 2 fC (28)

Na qual fA é a frequência de amostragem e fC é a maior frequência contida no sinal a


ser amostrado, conhecida como frequência de Nyquist.

Desse modo para a frequência de amostragem escolhida (960 Hz), deve-se antes de
realizar o processo de re-amostragem, garantir que nenhuma componente de frequência superior
a 480 Hz esteja presente no sinal. Para isso realizou-se a filtragem do sinal com o uso de um
filtro passa-baixa com frequência de corte de 100 Hz. Esta frequência de corte pode ser utilizada
pois no processo de localização das faltas o interesse é obter a componente fundamental do
sinal, em 60 Hz. A filtragem também evita a ocorrência de erros na identificação do local da
falta eliminando os transitórios de alta frequência presentes nos sinais pós-falta de tensão e
corrente.

O filtro implementado possui a função de transferência conforme a Equação 29 e se


trata de um filtro passa-baixa de Butterworth de primeira ordem. O denominador está apresen-
tado em termos da frequência normalizada S = s/ωc , com ωc representando a frequência de
corte em rad/s.

1
H(S) = (29)
1+TS

No qual T é a constante de tempo do filtro, dada por 1/ωc , que para uma frequência
de corte de 100 Hz é obtida de acordo com a Equação 30.
4.2 PRÉ-PROCESSAMENTO DOS DADOS 57

1 1
T= = ≈ 0.0016 (30)
ωc 2π · 100

As Figuras 33 e 34 demonstram as formas das ondas de tensão e corrente da linha


de transmissão para uma falta A-terra ocorrida a 90% do trecho da linha em 0,05 segundos,
com uma resistência de falta de 20 Ω, antes e após o processo de filtragem. Comparando
as formas das ondas pode-se verificar facilmente a eliminação das altas frequências presentes
nestes sinais, uma vez que nota-se o desaparecimento de grande parte das distorções presentes
nos sinais originais após a ocorrência da falta.

Figura 33: Ondas de tensão das três fases no terminal 1 para uma falta à 90% do trecho da linha
envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo de incidência de 90◦
(a) antes da filtragem (b) após a filtragem

Fonte: Autoria própria

O algoritmo utilizado na implementação do filtro passa-baixa utilizado está represen-


tado na Equação 31 (43).
4.2 PRÉ-PROCESSAMENTO DOS DADOS 58

Figura 34: Ondas de corrente das três fases no terminal 1 para uma falta à 90% do trecho da
linha envolvendo a fase A e a terra, com resistência de falta de 20 Ω e ângulo de incidência de
90◦ (a) antes da filtragem (b) após a filtragem

Fonte: Autoria própria

∆t ·Vi (n) + TV0 (n − 1)


V0 (n) = (31)
∆t + T

Na qual:

V0 (n) = Saída da amostra do sinal filtrado;

V0 (n − 1) = Amostra anterior do sinal filtrado;

∆t = Tempo de separação entre a amostra a ser filtrada e a amostra anterior, neste caso
10µs (frequência do sinal de 100 kHz);

Vi (n) = Amostra do sinal a ser filtrado;

T = Constante de tempo, aproximadamente 0,0016s.


4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS 59

Uma vez que as ondas de tensão e corrente foram filtradas e o efeito de aliasing evitado
para a frequência de amostragem escolhida (960 Hz), pode-se então efetuar a sub-amostragem
dos sinais. Para isso efetuou-se a interpolação dos dados utilizando uma spline cúbica. Splines
são funções formadas por diferentes polinômios de grau menor ou igual a m definidos para
cada intervalo entre os pontos a serem interpolados. Matematicamente, um spline cúbico é uma
função polinomial por partes s3 (x), definida no intervalo [x1 , xn ], com x1 < x2 < . . . < xn e possui
as seguintes propriedades (45):

1. s(x), s0 (x) e s00 (x) são funções contínuas no intervalo (x1 , xn );

2. em cada subintervalo [xi , xi+1 ], s(x) é um polinômio cúbico tal que s(xi ) = fi = f (xi ) para
i = 1, 2, . . . , n.

Ao se utilizar uma spline cúbica na interpolação dos dados garantimos que a curva
gerada não irá conter picos e nem ocorrerão trocas abruptas na curvatura dos nós. A Figura 35
ilustra o procedimento de re-amostragem, onde o sinal original é reconstituído a partir de um
número menor de pontos.
Figura 35: Exemplificação do processo de re-amostragem dos sinais

Fonte: Souza, 2007, p. 31

4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS

Os dados que serão utilizados para alimentar o sistema localizador de faltas serão as
amplitudes dos fasores fundamentais na frequência fundamental do período pós-falta das on-
4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS 60

das de tensão e corrente. É necessário uma correta extração destes componentes, uma vez
que os sinais, mesmo após passarem pelo filtro passa-baixa, podem apresentar algum conteúdo
harmônico, além da possibilidade de existir uma componente contínua, fatos que podem vir a
prejudicar a correta identificação do ponto de falta.

A estimação dos fasores é uma das questões mais investigadas e documentadas no que
diz respeito a pesquisas relativas ao controle e proteção dos sistemas de potência. Estes estima-
dores precisam atender uma série de requisitos contraditórios como: ser rápido, imune a excur-
sões de frequência e insensíveis a poluição no sinal que incluem harmônicas, sub-harmônicas,
oscilações de alta frequência, etc. (9).

O método escolhido para efetuar a estimação dos fasores foi a Transformada Discreta
de Fourier (TDF) com uma janela de dados deslizante de um ciclo, que é o método matemá-
tico normalmente utilizado para este fim por possuir alta precisão na extração das componentes
fundamentais e ser de fácil implementação, utilizando os coeficientes seno e cosseno para de-
senvolver os componentes reais e imaginários dos sinais, a partir do qual são obtidos o ângulo
e a magnitude do fasor. Para se efetuar esta tarefa recorreu-se novamente ao programa ATPA-
nalyzer.

As Equações 32 e 33 representam o algoritmo de fourier utilizado.

2 N−1
Xr (W ) = ∑ x(n) cos(W n∆t) (32)
N n=0

2 N−1
Xi (W ) = ∑ x(n) sen (W n∆t) (33)
N n=0

No qual:

Xr = Parte real do fasor resultante;

Xi = Parte imaginária do fasor resultante;

N = Comprimento da janela de dados (número de amostras por ciclo - 16 para a


frequência de amostragem de 960 Hz);

∆t = Intervalo de tempo entre uma amostra e a sua subsequente;

W = Frequência do fasor a ser extraido em rad/s (2 · π · 60);

x(n) = Amostras do sinal analisado.

A magnitude e o ângulo da componente fundamental do sinal é então obtido a partir


4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS 61

das Equações 34 e 35 respectivamente.

q
X = Xr2 + Xi2 (34)

Xi
Θ = arctan (35)
Xr

As Figuras 36 e 37 demonstram os fasores de tensão e corrente respectivamente, obti-


dos para cada uma das fases da linha em uma falta A-Terra ocorrida a 50% do trecho da linha,
com uma resistência de falta de 60 Ω.

Os gráficos apresentados para a magnitude das tensões deveriam iniciar o seu traçado
no mesmo ponto, uma vez que antes da ocorrência da falta o sistema está equilibrado as tensões
em cada uma das três fases são iguais em amplitude. Mas percebe-se que cada uma das três
fases possuem tensões iniciais diferentes e após aproximadamente um ciclo e meio (cada ciclo
de 60 Hz equivale a aproximadamente 0,0167 segundos) todas as curvas traçadas apresentam
o mesmo valor, que é a tensão ou a corrente de equilíbrio do sistema. Esta diferença inicial
dos valores ocorre devido ao processo de filtragem implementado. Pode-se notar que ocorre a
mesma diferença nas curvas das Figuras 33 e 34, que representam os sinais filtrados. A mesma
análise é válida para os fasores de corrente.

Observa-se que durante alguns ciclos posteriores à ocorrência da falta existem peque-
nas oscilações. Portanto, para se obter valores mais precisos das magnitudes dos fasores funda-
mentais, as medidas foram realizadas no quinto ciclo após a ocorrência da falta. o Apêndice B
apresenta as amplitudes dos fasores medidos para treinamento e validação da rede neural.
4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS 62

Figura 36: Fasores das ondas de tensão obtidos com a Transformada Discreta de Fourier

Fonte: Autoria Própria


4.3 ESTIMAÇÃO DOS FASORES FUNDAMENTAIS 63

Figura 37: Fasores das ondas de corrente obtidos com a Transformada Discreta de Fourier

Fonte: Autoria Própria


4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 64

4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS


COM REDES NEURAIS

4.4.1 DETERMINAÇÃO DA TOPOLOGIA DA REDE NEURAL

Uma vez obtido o banco de dados com a magnitude dos fasores das tensões e correntes
eficazes na frequência fundamental, conforme explicitado nas seções anteriores, utilizou-se o
software MATLAB, mais precisamente a Neural Network Toolbox (46) para realizar a imple-
mentação da rede neural, que possui como entrada três medidas de tensão e três de corrente, de
acordo com a Equação 36

 
Van · · · VaN
 
V bn
 · · · V bN 


· · · V cN 

V cn
M=  (36)
 Ian · · · IaN 
 
 
 Ib
 n · · · IbN 
Icn · · · IcN

Na qual

M = Matriz de entrada da rede neural com cada uma das linhas da matriz correspon-
dendo a um vetor de entrada;

Va, V b e V c = Amplitude dos fasores fundamentais das tensões nas fases A, B e C;

Ia, Ib e Ic = Amplitude dos fasores fundamentais das correntes nas fases A, B e C;

n = Índice da simulação (n = 1, 2, . . ., N);

N = Número total de simulações (N = 171);

Por se tratar de uma excelente arquitetura de rede neural no que diz respeito ao reco-
nhecimento de padrões, optou-se por utilizar as redes do tipo diretamente alimentadas (feed-
forward) perceptron de múltiplas camadas. Como citado na Seção 3.6, uma rede neural com
duas camadas ocultas é capaz de aproximar qualquer tipo de função e portanto, esta será a
quantidade de camadas utilizadas para o sistema de localização de faltas. O algoritmo de trei-
namento utilizado na rede feedforward será o backpropagation em conjunto com o algoritmo
de otimização Levenberg-Marquardt, o que torna o processo de aprendizado mais eficiente. A
tangente hiperbólica foi utilizada como função de ativação para os neurônios das duas camadas
ocultas e da camada de saída.
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 65

A Figura 38 apresenta um esquemático da rede neural utilizada na localização das


faltas, apresentando a camada de entrada, as duas camadas ocultas e a camada de saída.

Figura 38: Esquema da rede neural utilizada para a localização das faltas

Fonte: Autoria Própria

Como a função de ativação escolhida assume valores no intervalo [-1, 1], realizou-
se a normalização de todos os dados a serem apresentados à rede neural dentro deste mesmo
intervalo para evitar a saturação dos neurônios e melhorar o desempenho computacional. O
algoritmo empregado na normalização dos dados pode ser observado na Equação 37 (46).

2 · (x − xmin )
xnorm = −1 (37)
xmax − xmin

No qual:

x é o valor a ser normalizado;

xmin e xmax são respectivamente os valores mínimo e máximo do conjunto de dados;

xnorm é o valor do dado já normalizado.

É importante lembrar que os limites superiores e inferiores das variáveis de entrada


devem ser armazenados para que os dados possam ter os seus valores reais retomados após o
treinamento da rede.

Como estratégia de treinamento, utilizou-se o método da validação cruzada por amos-


tragem aleatória, onde o banco de dados utilizado para a implementação da rede neural foi
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 66

dividido aleatoriamente da seguinte forma: 70% do conjunto de casos (119 casos) foi utilizado
no treinamento, 15% (26 casos) no teste e outros 15% na validação. Os dados do conjunto de
teste não são utilizados durante o treinamento, servindo para verificar a capacidade de genera-
lização da rede.

A escolha da melhor topologia para solucionar o problema baseia-se na rede que apre-
sentar o menor erro quadrático médio ou MSE (Mean Squared Error) para o subconjunto de
validação, onde cada uma das topologias candidatas foi treinadas cinco vezes com valores dos
pesos sendo reiniciados de forma aleatória em cada um dos treinamentos. O MSE é definido de
acordo com a Equação 38.

N
|SDi − SOi |2
MSE = ∑ (38)
i=1 N

No qual:

SDi é a saída desejada da rede;

SOi é a saída obtida da rede;

N representa o número de amostras.

Buscando evitar a situação de overfitting utilizou-se o método de parada antecipada,


verificando em cada época de treinamento o erro da rede para o conjunto de validação. Quando
o erro de validação aumenta por um determinado número de iterações seguidas o processo de
treinamento é encerrado e o mínimo erro de validação é apresentado (46).

Definiu-se que a rede alcançaria a convergência quando o MSE for menor do que
−8
10 , por parada antecipada após seis tentativas falhas de redução do MSE para o conjunto de
validação (indicação de que o ponto mínimo foi encontrado) ou para um número de épocas de
treinamento (quantidade de vezes em que os dados são apresentados para a rede neural) superior
à 6000. Foram avaliadas diversas topologias candidatas, considerando que todas as topologias
possuíam o mesmo número de neurônios nas duas camadas ocultas, número este que foi variado
de 6, que corresponde ao número de entradas da rede, até 30, ou seja, cinco vezes o número de
entrada. Definiu-se como a melhor topologia àquela que apresentar o menor MSE médio após
cinco treinamentos consecutivos com diferentes valores dos pesos.

O gráfico da Figura 39 apresenta a relação entre as topologias candidatas analisadas e


os seus respectivos erros de validação. Para facilitar a visualização do gráfico utilizou-se como
dados para a plotagem o RMSE (Root Mean Squared Error), que nada mais é do que a raiz do
erro quadrático médio, utilizado como forma de penalizar os erros maiores. Durante a etapa de
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 67

testes das topologias das redes neurais, observou-se que todas as redes convergiram por parada
antecipada com no máximo 310 épocas de treinamento.

Figura 39: Gráfico relacionando a raiz do erro quadrático médio (RMSE) com as topologias
candidatas analisadas

Fonte: Autoria Própria

Como pode ser observado, a configuração que apresentou o menor erro de validação foi
àquela com 26 neurônios, tanto na primeira camada oculta quanto na segunda, sendo portanto,
a topologia escolhida para a implementação do sistema localizador de faltas. A Tabela 9 detalha
a rede neural selecionada.

Tabela 9: Características da topologia da rede neural selecionada

Número de entradas 6
Número de neurônios na 1ª camada oculta 26
Número de neurônios na 2ª camada oculta 26
Número de neurônios na camada de saída 1
Função de ativação (para todos os neurônios) Tangente Hiperbólica
Fonte: Autoria própria

A Figura 40 expõe a evolução do processo de aprendizado da rede escolhida, apresen-


tando o erro quadrático médio em função do número de épocas para as etapas de treinamento,
validação e teste. O erro de aprendizagem é aquele utilizado na segunda fase do treinamento
backpropagation (propagação reversa), como citado na Seção 3.6.1 enquanto o erro de vali-
dação atua como um indicativo da qualidade da aprendizagem da rede durante o processo de
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 68

treinamento e foi, como já explicado, utilizado como um dos critérios de parada para o processo
de treinamento para evitar a ocorrência de overfitting ou sobre-aprendizagem. Quanto mais efi-
ciente tiver sido o processo de treinamento, mais próxima a curva de validação estará da curva
de treinamento. Já o erro de teste funciona como uma antecipação dos testes que devem ser
efetivamente realizados, apresentando um conjunto de padrões nunca antes vistos pela rede, de
forma que quanto mais próxima a sua curva estiver da do processo de treinamento, melhor o
aprendizado da rede.

Figura 40: Evolução do processo de aprendizagem para a rede neural localizadora de faltas
escolhida

Fonte: Autoria Própria

Nota-se, com a análise do gráfico da Figura 40, que apesar da curva de validação
não estar tão próxima da curva de treinamento, o erro de teste, parâmetro mais relevante nesta
análise, acompanhou o erro de treinamento, indicando um bom processo de aprendizagem.
Outro ponto a ser notado é que as curvas de validação e teste são bastante similares. Caso a
curva de teste tivesse aumentado significativamente antes do aumento da curva de validação,
provavelmente a rede estaria sobre a situação de overfitting (46).

Uma outra forma de se avaliar a rede neural escolhida é através dos gráficos de regres-
são linear, apresentados na Figura 41, que mostram a relação entre as saídas apresentadas pela
rede e as saídas reais (alvos) desejadas. Neste gráfico, a linha pontilhada representa o resultado
perfeito, ou seja, as saídas da rede são idênticas aos alvos. A linha sólida representa o melhor
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 69

ajuste da linha de regressão linear, que para ser obtida considerou-se as saídas da rede como
dependentes dos alvos a elas relacionados e esta relação foi representada de forma aproximada
por uma reta. Os círculos apresentam as relações entre cada um dos valores alvos e a saída
equivalente da rede neural, ou seja, corresponde ao gráfico de dispersão dos dados. O índice
R indica a relação entre as saídas da rede e os alvos, de forma que se R for igual a 1, temos
uma perfeita relação linear entre as saídas e os alvos. A medida que o valor de R diminui temos
também uma diminuição da relação linear entre os dados.

Figura 41: Diagrama de regressão linear para o processo de treinamento, validação e teste da
rede neural escolhida

Fonte: Autoria Própria

Os gráficos da Figura 41 permitem que sejam tiradas boas conclusões a respeito do


treinamento da rede neural. Os índices R em todas as etapas do aprendizado da rede (treina-
mento, validação e teste) apresentaram valores muito próximos de 1, sendo o pior deles 0.99907
para a etapa de validação. O gráfico de dispersão permite observar que todos os dados tiveram
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 70

um bom ajuste, uma vez que nenhum deles ficou excessivamente fora da linha de regressão
linear, ou seja, todos os dados apresentaram uma relação aproximadamente linear. Novamente
no processo de validação encontramos o pior caso no qual cada uma das saídas da rede era
aproximadamente igual a 0.97 x Alvo + 0.0069. Exemplificando, para uma saída esperada igual
a 0.8 a rede apresenta como saída aproximadamente 0,7829.

4.4.2 AVALIAÇÃO DA REDE NEURAL ESCOLHIDA

Buscando validar a rede neural escolhida para realizar o processo de localização das
faltas, foram criados alguns casos de teste realizando simulações de curto-circuitos nas mesmas
condições utilizadas no treinamento, alterando o local da ocorrência do mesmo para os listados
abaixo:

• Localização dos defeitos: em 7, 14, 19, 23, 31, 38, 42, 52, 57, 66, 73, 78, 81, 86 e 92 %
da linha

Neste trabalho foram realizadas ao todo 216 simulações, sendo 171 utilizadas para
o treinamento da rede neural e 45 na sua validação. Todos os casos de teste passaram pelas
mesmas etapas de pré-processamento dos sinais antes de serem submetidos à avaliação pela
rede neural. Para realizar a avaliação das respostas da rede frente aos casos de teste, utilizou-se
o erro percentual relativo ao comprimento da linha de transmissão, apresentado na Equação 39
(47).

Distância real − Distância estimada


erro(%) = · 100 (39)
Comprimento da linha

A Tabela 10 apresenta o resultado obtido com a rede neural para cada uma das situações
de teste na qual ela foi submetida. É válido lembrar que este trabalho abordou apenas as faltas
envolvendo uma fase e a terra.

Alguns dados relevantes a respeito dos erros apresentados na Tabela 10 estão expostos
nas Tabelas 11 e 12.
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 71

Tabela 10: Resultados dos testes realizados com a rede neural selecionada
Resistência Fase Distância Distância
Erro (%)
de falta (Ω) envolvida real (km) estimada (km)
20 A 7 6,7321 0,2679
20 A 23 23,0174 0,0174
20 A 42 42,0701 0,0701
20 A 66 65,8552 0,1448
20 A 81 81,0309 0,0309
20 B 14 13,6320 0,3680
20 B 31 31,1332 0,1332
20 B 52 51,8986 0,1014
20 B 73 73,0177 0,0177
20 B 86 86,5381 0,5381
20 C 19 18,8324 0,1676
20 C 38 38,1310 0,1310
20 C 57 56,8948 0,1052
20 C 78 78,0306 0,0306
20 C 92 91,8529 0,1471
60 A 19 18,8516 0,1484
60 A 38 38,1786 0,1786
60 A 57 56,7594 0,2406
60 A 78 78,3936 0,3936
60 A 92 91,4479 0,5521
60 B 7 7,6612 0,6612
60 B 23 23,0289 0,0289
60 B 42 42,1350 0,1350
60 B 66 66,0131 0,0131
60 B 81 81,6334 0,6334
60 C 14 13,3208 0,6792
60 C 31 31,1873 0,1873
60 C 52 51,9245 0,0755
60 C 73 72,5317 0,4683
60 C 86 86,8467 0,8467
100 A 14 12,8440 1,1560
100 A 31 30,8545 0,1455
100 A 52 52,3046 0,3046
100 A 73 72,7353 0,2647
100 A 86 86,7980 0,7980
100 B 19 18,8690 0,1310
100 B 38 38,0599 0,0599
100 B 57 56,6303 0,3697
100 B 78 79,0530 1,0530
100 B 92 90,6739 1,3261
100 C 7 7,7928 0,7928
100 C 23 23,0927 0,0927
100 C 42 43,0937 1,0937
100 C 66 66,1214 0,1214
100 C 81 81,8972 0,8972
Fonte: Autoria própria
4.4 IMPLEMENTAÇÃO DO SISTEMA DE LOCALIZAÇÃO DE FALTAS COM REDES NEURAIS 72

Tabela 11: Erros dos testes realizados com a rede neural selecionada

Erro máximo 1,3261%


Erro mínimo 0,0131%
Erro médio 0,3582%
Fonte: Autoria própria

Tabela 12: Erros médios dos testes realizados com a rede neural considerando a resistência de
falta

Resistência
Erro médio (%)
de falta (Ω)
20 0,1514
60 0,3494
100 0,5738
Fonte: Autoria própria

Com base na análise das Tabelas 10 e 11, relativas ao teste da rede neural, observa-se
que a mesma apresentou ótimos resultados na localização do ponto de falta, uma vez que no pior
caso o erro foi de apenas 1,3261%, demonstrando um desempenho superior ao de equipamentos
modernos desenvolvidos para a mesma finalidade (47), com um número reduzido de dados. O
erro médio geral de apenas 0,3582% é outro bom indicativo da eficiência da técnica utilizada,
validando o seu uso com uma grande confiabilidade.

Um detalhe a ser observado é a elevação do erro médio com relação ao aumento da


resistência de falta, fato este demonstrado na Tabela 12. O aumento do erro observado, que pode
ser comprovado também mediante observação da Tabela 10 ocorre devido a grande influência
da resistência de falta nas correntes no terminal da linha de transmissão. Mas mesmo com este
fato, nota-se que a rede neural continua sendo válida para localizar os curto-circuitos mesmo
com elevadas resistências de falta.
73

5 CONCLUSÕES

Este projeto possuiu como meta o desenvolvimento de uma metodologia para locali-
zação de faltas em uma linha de transmissão de circuito simples através do emprego das Redes
Neurais Artificiais. Para esta finalidade, empregou-se os componentes das tensões e correntes
na frequência fundamental em cada uma das três fases da linha medidos em apenas um termi-
nal. Estes dados foram obtidos mediante simulações realizadas com o programa Alternative
Transients Program (ATP) e sua plataforma gráfica ATPDraw.

Inicialmente foram apresentados os conceitos sobre linhas de transmissão, os modelos


utilizados no seu estudo e uma breve explanação a respeito das faltas que ocorrem em um
sistema de transmissão, suas possíveis consequências e as principais técnicas de localização
automática de curto-circuitos empregadas.

Posteriormente, um capítulo foi responsável por expor as idéias básicas para o en-
tendimento das redes neurais artificiais. Foram abordados o relacionamento entre o neurônio
biológico e o artificial, as funções de ativação mais comumente utilizadas e o processo de trei-
namento das redes perceptrons de múltiplas camadas, arquitetura escolhida para a realização
deste trabalho. As principais considerações a serem feitas ao se projetar uma rede neural foram
citadas, bem como algumas das suas aplicações em sistemas de energia de potência.

A metodologia sugerida possui algumas etapas principais. A aquisição dos registros


oscilográficos mediante simulações, pré-processamento destes dados, extração dos fasores fun-
damentais e posterior implementação da rede neural. Os resultados obtidos através do conjunto
de dados utilizado exclusivamente na simulação da rede escolhida foram satisfatórios, uma vez
que o erro na estimação do ponto de ocorrência da falta foi pequeno, permitindo assim, uma
rápida identificação do local que apresenta o defeito na linha de transmissão, validando a apli-
cabilidade desta técnica em situações reais.

Com a análise dos resultados alcançados observou-se uma pequena degradação no de-
sempenho da rede neural com o aumento da resistência de falta mas, este fato não é suficiente
para invalidar o seu uso na solução do problema proposto, uma vez que ela continuou a apresen-
5.1 TRABALHOS FUTUROS 74

tar resultados satisfatórios mesmo quando submetida a uma elevada resistência de falta, mais
precisamente 100 Ω.

5.1 TRABALHOS FUTUROS

Como sugestões para trabalhos futuros, indica-se o uso das redes neurais também como
identificadoras do instante da ocorrência da falta e quais as fases que estejam envolvidas. Fal-
tas bifásicas e trifásicas também devem ser abordadas para tornar o sistema de localização
mais completo, contribuindo ainda mais para a qualidade do sistema de proteção das linhas
de transmissão. Propõe-se ainda o uso das redes neurais de funções de base radial, ou radial
basis function (RBF), uma vez que elas podem ser empregadas em problemas que envolvam
classificação de padrões, a exemplo das redes perceptrons utilizadas neste trabalho, buscando
determinar quais destas arquiteturas citadas apresentam resultados mais satisfatórios.
75

REFERÊNCIAS

1 KINDERMANN, G. Curto-Circuito. 2. ed. Porto Alegre: Sagra Luzzatto, 1997.

2 COURY, D. V. Introdução aos Sistemas Elétricos de Potência. São Carlos, [entre 1997 e
2011].

3 SOUZA, T. M. de. Localização Automática de Faltas em Linhas de Transmissão de Circuito


Duplo. Dissertação (Mestrado) — Universidade Federal de Minas Gerais, 2007.

4 Operador Nacional do Sistema Elétrico. Contrato de Prestação de Serviços de Transmissão.


[S.l.], Janeiro 2010.

5 JÚNIOR, G. M. Sistema para Localização de Faltas em Linhas de Transmissão com


Subestações Conectadas em Derivação. Dissertação (Doutorado) — Universidade de São
Paulo, São Paulo, 2006.

6 CARVALHO, C. G. de. Características dos Parâmetros do Condutor Equivalente a um


Feixe de Subcondutores de Linhas de Transmissão: Análise Inicial. Dissertação (Mestrado) —
Universidade Estadual Paulista, Ilha Solteira, 2007.

7 INÁCIO, M. J. Detecção e Classificação de Faltas em Linhas de Transmissão Utilizando


Transformada Wavelet e Rede Lógica Neurofuzzy com Aprendizado Participativo. Dissertação
(Mestrado) — Universidade Federal de Minas Gerais, Belo Horizonte, 2010.

8 STEVENSON, W. D. Elementos de Análise de Sistemas de Potência. 2. ed. São Paulo:


McGraw-Hill, 1986.

9 SAHA, M. M.; IZYKOWSKI, J.; ROSOLOWSKI, E. Fault Location on Power Networks.


London: Springer, 2009.

10 LEMOS, J. R. F. Modelagem de Linhas de Transmissão para Estudos de Transitórios


Eletromecânicos. Dissertação (Trabalho de Conclusão de Curso) — Universidade Federal do
Rio de Janeiro, Rio de Janeiro, 2008.

11 NUNES, R. V. Análise da Penetração Harmônica em Redes de Distribuição


Desequilibradas Devido às Cargas Residenciais e Comerciais com a Utilização do ATP.
Dissertação (Mestrado) — Universidade Federal de Minas Gerais, 2007.

12 KUROKAWA, S.; PRADO, A. J. do; DALTIN, R. S.; BOLOVATO, L. F.; PISSOLATO,


J. Decomposição modal da linhas de transmissão a partir do uso de duas matrizes de
transformação. Revista Controle e Automação, v. 18, n. 3, p. 372–380, 2007.

13 SANTOS, V. M. dos. Estudo de Caso de Curto-circuito em um Sistema Elétrico Industrial.


Dissertação (Trabalho de Conclusão de Curso) — Universidade de São Paulo, São Carlos,
2009.
REFERÊNCIAS 76

14 METZ-NOBLAT, B. de; DUMAS, F.; POULAIN, C. Calculation of short-circuit currents.


In: Cahier Technique nº 158. [S.l.]: Schneider Electric, 2005.

15 STRINGFIELD, T. W.; MARIHART, D. J.; STEVENS, R. F. Fault location methods for


overhead lines. Power Apparatus and Systems, Part III. Transactions of the American Institute
of Electrical Engineers, v. 76, p. 518 – 529, 1957.

16 LYONS, R. G. Understanding Digital Signal Processing. 1. ed. [S.l.]: Prentice Hall, 2001.

17 HAYKIN, S.; VEEN, B. V. Sinais e Sistemas. Porto Alegre: Bookman, 2001.

18 CERQUEIRA, E. O.; POPPI, L. T. K. R. J. Utilização de filtro de transformada de fourier


para a minimização de ruídos em sinais analíticos. Química Nova, v. 23, n. 5, p. 690 – 698,
2000.

19 RAYBOLT, A. C. da S. Localização de Faltas em Linhas de Transmissão em Circuito


Duplo Utilizando Redes Neurais Artificiais. Dissertação (Mestrado) — Universidade Federal
do Rio de Janeiro, Rio de Janeiro, 2011.

20 PASSOS, F. O. Solução Para Localização de Faltas em Linhas de Transmissão Não


Transpostas Baseada em Sincrofasores e Algoritmo Genético. Dissertação (Mestrado) —
Universidade Federal de Itajubá, Itajubá, Fevereiro 2010.

21 SILVA, I. N. da; SPATTI, D. H.; FLAUZINO, R. A. Redes Neurais Artificiais para


Engenharia e Ciências Aplicadas. São Paulo: Artliber, 2010.

22 HAYKIN, S. Redes Neurais: Princípios e Prática. 2. ed. Porto Alegre: Bookman, 2001.

23 BRAGA, A. de P.; LUDERMIR, T. B.; CARVALHO, A. C. P. de L. F. Redes Neurais


Artificiais: Teoria e Aplicações. Rio de Janeiro: LTC, 2000.

24 MENEZES, M. P. Classificação e Localização de Faltas em Linhas de Transmissão


Usando Diferentes Arquiteturas de Redes Neurais Artificiais. Dissertação (Mestrado) — Escola
Politécnica da Universidade de São Paulo, São Paulo, 2008.

25 FARHAT, I. Fault Detection, Classification and Location in Transmission Line Systems


Using Neural Networks. Dissertação (Mestrado) — Concordia University, Montreal, 2003.

26 BOTTURA, F. B. Um Método Alternativo e Inteligente para o Monitoramento Remoto das


Variações de Tensão de Curta Duração em um Sistema de Distribuição de Energia Elétrica.
Dissertação (Trabalho de Conclusão de Curso) — Universidade de São Paulo, São Carlos,
2010.

27 KARRER, D. et al. Redes neurais artificiais: Conceitos e aplicações. In: IX ENCONTRO


DE ENGENHARIA DE PRODUÇÃO DA UFRJ. Rio de Janeiro, 2005.

28 CYBENKO, G. Approximation by superpositions of a sigmoidal function. Mathematics of


Control, Signals and Systems, v. 2, p. 303–314, 1989.

29 BERTOLUCCI, L. H. B. Comparação entre Redes Neurais e Técnicas Clássicas na


Previsão a Curtísimo Prazo de Demanda de Potência Elétrica Ativa. Dissertação (Trabalho de
Conclusão de Curso) — Universidade de São Paulo, São Paulo, 2008.
REFERÊNCIAS 77

30 MIGUEZ, G.; FILHO, N. M.; XAVIER, A. E. Otimização do algorítmo backpropagation


pelo uso da função de ativação bi-hiperbólica. In: Simpósio de Pesquisa Operacional e
Logística da Marinha. [S.l.: s.n.], 2011.
31 HAQUE, M. T.; KASHTIBAN, A. M. Application of neural networks in power systems; a
review. World Academy of Science, Engineering and Technology, v. 6, p. 53–57, 2005.
32 EL-SHARKAWI, M.; MARKS, R.; WEERASOORIYA, S. Neural networks and their
application to power engineering. Advances in Control and Dynamic Systems, v. 41, p.
359–461, 1991.
33 ADAMI, J. F.; CAPELINI, R. M.; MARTINEZ, M. L. B.; PARENTONI, M. F. C.; SENE,
I. Detecção de defeitos em isoladores e faltas em linhas de transmissão através de tcs e redes
neurais. IEEE/IAS International Conference on Industry Applications, n. 9, 2010.
34 LAI, L. L.; TSE, C. T.; CHAN, W. L.; SO, A. T. P. Real-time frequency and harmonic
evaluation using artificial neural networks. IEEE Transactions on Power Delivery, v. 14, n. 1,
p. 52–59, January 1999.
35 AGGARWAL, R.; SONG, Y. Artificial neural networks in power systems: Part 1 general
introduction to neural computing. Power Engineering Journal, p. 129–134, June 1997.
36 AGGARWAL, R.; SONG, Y. Artificial neural networks in power systems: Part 3 examples
of applications in power systems. Power Engineering Journal, p. 279–287, December 1998.
37 LEUVEN EMTP CENTER. Alternative Transients Program Rule Book. [S.l.], 1987.
38 PRIKLER, L.; HOIDALEN, H. K. ATPDraw Version 5.6 for Windows
9x/NT/2000/Xp/Vista - Users’ Manual. Norway, 2009.
39 FILHO, J. A.; PEREIRA, M. P. ATP Alternative Transients Program: Curso básico sobre
a utilização do ATP. [S.l.]: Comitê Latino Americano de Usuários do EMTP/ATP, 1996.
40 LAURENTI, M. T. Um Algoritmo Aplicado à Localização Digital de Faltas em Linhas
de Transmissão Utilizando Dados de Dois Terminais. Dissertação (Trabalho de Conclusão de
Curso) — Universidade de São Paulo, São Paulo, 2008.
41 TAVARES, M. C. D.; CAMPOS, P. G.; PRADO, P. Guia Resumido do ATP - Alternative
Transients Program. Campinas, Novembro 2009.
42 MARTI, J. R. Accurate modelling of frequency-dependent transmission lines in
electromagnetic transient simulation. IEEE Transactions on Power Apparatus and Systems,
PAS-101, n. 1, p. 147–157, 1982.
43 ATP Analyzer - Post Processor for ATP Version 4.13 - Reference Manual. [S.l.], November
2007.
44 IEEE. IEEE standard common format for transients data exchange (COMTRADE) for
power systems. New York, C37.111, 1991.
45 GUIDI, L. F. Notas da Disciplina Cálculo Numérico A. Porto Alegre, [entre 2005 e 2011].
46 BEALE, M. H.; HAGAN, M. T.; DEMUTH, H. B. Neural Network Toolbox 7 - User’s
Guide. [S.l.], 2010.
REFERÊNCIAS 78

47 HEWLETT PACKARD. Accurate Transmission Line Fault Location Using Synchronized


Sampling. [S.l.], 1996.
79

APÊNDICE A -- ARQUIVO RESULTANTE DA EXECUÇÃO


DA ROTINA LINE CONSTANTS
APÊNDICE A -- ARQUIVO RESULTANTE DA EXECUÇÃO DA ROTINA LINE CONSTANTS
Figura 42: Dados resultantes da execução da rotina LINE CONSTANTS do ATP - primeira parte

80
Fonte: Autoria própria
APÊNDICE A -- ARQUIVO RESULTANTE DA EXECUÇÃO DA ROTINA LINE CONSTANTS
Figura 43: Dados resultantes da execução da rotina LINE CONSTANTS do ATP - segunda parte

Fonte: Autoria própria

81
82

APÊNDICE B -- DADOS UTILIZADOS PARA


TREINAMENTO E SIMULAÇÃO DA
REDE NEURAL

Tabela 13: Dados utilizados para o treinamento e validação da rede neural escolhida
Tensão Tensão Tensão Corrente) Corrente Corrente Local Fase Resistência
fase A (V) fase B (V) fase C (V) fase A (A) fase B (A) fase C (A) da falta (km) envolvida de falta (Ω)
183634 189300 227772 6968,280 589,597 811,955 5 A 20
207736 204646 222253 3238,640 542,041 779,504 5 A 60
211309 208638 219741 2256,450 606,212 767,766 5 A 100
227772 183633 189300 811,980 6968,310 589,556 5 B 20
222253 207735 204647 779,518 3238,650 542,031 5 B 60
219741 211309 208638 767,775 2256,450 606,207 5 B 100
189300 227772 183634 589,600 811,922 6968,360 5 C 20
204646 222253 207736 542,052 779,498 3238,670 5 C 60
208638 219741 211309 606,220 767,764 2256,470 5 C 100
185461 192278 226056 6141,670 571,988 750,778 10 A 20
207596 205245 221678 3039,860 573,046 764,271 10 A 60
211215 208909 219455 2157,890 626,359 760,357 10 A 100
226056 185461 192279 750,802 6141,700 571,958 10 B 20
221677 207596 205245 764,283 3039,860 573,039 10 B 60
219455 211215 208909 760,365 2157,890 626,356 10 B 100
192278 226056 185461 571,998 750,756 6141,740 10 C 20
205245 221678 207596 573,056 764,267 3039,880 10 C 60
208909 219455 211215 626,366 760,355 2157,900 10 C 100
187294 194534 224781 5507,430 578,112 716,877 15 A 20
207575 205768 221193 2865,540 601,095 753,537 15 A 60
211172 209156 219203 2067,660 644,992 754,701 15 A 100
224781 187294 194534 716,898 5507,450 578,091 15 B 20
221193 207575 205768 753,547 2865,550 601,090 15 B 60
219203 211172 209156 754,707 2067,660 644,989 15 B 100
194534 224781 187295 578,124 716,863 5507,480 15 C 20
205768 221193 207576 601,104 753,534 2865,560 15 C 60
209156 219203 211172 644,998 754,699 2067,670 15 C 100
188995 196288 223804 5005,670 596,071 700,232 20 A 20
207636 206225 220782 2711,280 626,776 746,276 20 A 60
211168 209382 218981 1984,610 662,384 750,489 20 A 100
223804 188995 196289 700,249 5005,680 596,057 20 B 20
220782 207636 206225 746,284 2711,280 626,772 20 B 60
218980 211168 209382 750,495 1984,610 662,382 20 B 100
196288 223804 188995 596,083 700,223 5005,710 20 C 20
206225 220782 207636 626,783 746,273 2711,300 20 C 60
209382 218980 211168 662,389 750,488 1984,620 20 C 100
190524 197678 223038 4599,100 619,666 694,784 25 A 20
Continua na próxima página
APÊNDICE B -- DADOS UTILIZADOS PARA TREINAMENTO E SIMULAÇÃO DA REDE NEURAL 83

Tabela 13 – Continuação da página anterior


Tensão Tensão Tensão Corrente) Corrente Corrente Local Fase Resistência
fase A (V) fase B (V) fase C (V) fase A (A) fase B (A) fase C (A) da falta (km) envolvida de falta (Ω)
207751 206627 220432 2573,590 650,575 741,735 25 A 60
211196 209588 218782 1907,760 678,764 747,481 25 A 100
223037 190524 197679 694,798 4599,110 619,656 25 B 20
220431 207752 206627 741,741 2573,590 650,572 25 B 60
218782 211196 209588 747,485 1907,760 678,763 25 B 100
197678 223037 190524 619,676 694,778 4599,130 25 C 20
206627 220431 207752 650,581 741,733 2573,600 25 C 60
209588 218782 211196 678,768 747,480 1907,770 25 C 100
191879 198793 222426 4263,260 645,851 696,846 30 A 20
207905 206980 220131 2449,700 672,905 739,365 30 A 60
211248 209777 218606 1836,280 694,330 745,484 30 A 100
222426 191879 198794 696,857 4263,270 645,844 30 B 20
220131 207905 206981 739,370 2449,700 672,903 30 B 60
218606 211248 209777 745,488 1836,280 694,329 30 B 100
198793 222426 191879 645,859 696,843 4263,280 30 C 20
206980 220131 207906 672,910 739,364 2449,710 30 C 60
209777 218606 211248 694,333 745,484 1836,290 30 C 100
193072 199694 221933 3981,450 673,250 704,185 35 A 20
208086 207292 219873 2337,390 694,127 738,761 35 A 60
211320 209950 218449 1769,450 709,257 744,350 35 A 100
221932 193072 199694 704,192 3981,450 673,246 35 B 20
219873 208086 207292 738,765 2337,390 694,126 35 B 60
218449 211320 209950 744,352 1769,450 709,257 35 B 100
199693 221932 193072 673,256 704,183 3981,460 35 C 20
207292 219873 208086 694,131 738,760 2337,390 35 C 60
209950 218449 211320 709,260 744,349 1769,460 35 C 100
194118 200420 221533 3741,890 701,361 715,473 40 A 20
208285 207566 219651 2234,820 714,560 739,621 40 A 60
211407 210108 218309 1706,650 723,704 743,952 40 A 100
221533 194118 200420 715,477 3741,890 701,359 40 B 20
219651 208285 207566 739,624 2234,820 714,560 40 B 60
218308 211407 210108 743,953 1706,650 723,705 40 B 100
200420 221533 194118 701,365 715,472 3741,900 40 C 20
207566 219651 208285 714,563 739,621 2234,820 40 C 60
210108 218308 211408 723,706 743,951 1706,650 40 C 100
195031 201002 221210 3536,090 730,135 730,004 45 A 20
208496 207806 219462 2140,480 734,489 741,737 45 A 60
211508 210253 218184 1647,320 737,812 744,197 45 A 100
221210 195031 201002 730,006 3536,090 730,135 45 B 20
219461 208496 207806 741,738 2140,480 734,489 45 B 60
218183 211508 210253 744,197 1647,310 737,813 45 B 100
201002 221210 195031 730,137 730,003 3536,100 45 C 20
207806 219461 208496 734,490 741,736 2140,480 45 C 60
210253 218183 211508 737,813 744,196 1647,320 45 C 100
195823 201457 220953 3357,740 759,815 747,480 50 A 20
208716 208016 219300 2053,090 754,185 744,961 50 A 60
211619 210385 218072 1590,960 751,715 745,010 50 A 100
220951 195826 201459 747,481 3357,740 759,819 50 B 20
219299 208716 208017 744,960 2053,090 754,188 50 B 60
218071 211618 210386 745,010 1590,960 751,717 50 B 100
201459 220950 195824 759,818 747,477 3357,740 50 C 20
208017 219299 208716 754,187 744,958 2053,090 50 C 60
210385 218072 211618 751,717 745,008 1590,960 50 C 100
196512 201802 220751 3202,080 790,853 767,929 55 A 20
208945 208200 219164 1971,540 773,922 749,201 55 A 60
211740 210507 217973 1537,140 765,550 746,334 55 A 100
220751 196511 201802 767,926 3202,080 790,855 55 B 20
Continua na próxima página
APÊNDICE B -- DADOS UTILIZADOS PARA TREINAMENTO E SIMULAÇÃO DA REDE NEURAL 84

Tabela 13 – Continuação da página anterior


Tensão Tensão Tensão Corrente) Corrente Corrente Local Fase Resistência
fase A (V) fase B (V) fase C (V) fase A (A) fase B (A) fase C (A) da falta (km) envolvida de falta (Ω)
219163 208945 208200 749,200 1971,540 773,924 55 B 60
217973 211740 210507 746,334 1537,140 765,551 55 B 100
201802 220751 196512 790,851 767,928 3202,080 55 C 20
208200 219163 208945 773,922 749,201 1971,540 55 C 60
210507 217973 211740 765,550 746,334 1537,140 55 C 100
197096 202041 220602 3065,510 823,881 791,648 60 A 20
209179 208357 219051 1894,870 793,973 754,409 60 A 60
211869 210618 217886 1485,450 779,443 748,125 60 A 100
220602 197096 202041 791,643 3065,500 823,883 60 B 20
219051 209179 208357 754,407 1894,870 793,974 60 B 60
217886 211869 210618 748,123 1485,450 779,444 60 B 100
202041 220602 197097 823,878 791,647 3065,500 60 C 20
208357 219051 209179 793,972 754,408 1894,870 60 C 60
210618 217886 211869 779,442 748,124 1485,450 60 C 100
197585 202177 220503 2945,270 859,745 819,220 65 A 20
209419 208490 218960 1822,210 814,626 760,575 65 A 60
212005 210719 217810 1435,500 793,529 750,348 65 A 100
220503 197585 202177 819,214 2945,270 859,748 65 B 20
218960 209419 208490 760,572 1822,210 814,628 65 B 60
217810 212005 210720 750,347 1435,500 793,531 65 B 100
202177 220503 197586 859,741 819,219 2945,260 65 C 20
208490 218960 209419 814,625 760,574 1822,210 65 C 60
210719 217810 212005 793,529 750,348 1435,500 65 C 100
197980 202207 220454 2839,290 899,573 851,575 70 A 20
209664 208600 218892 1752,780 836,203 767,734 70 A 60
212149 210811 217744 1386,940 807,948 752,987 70 A 100
220454 197980 202207 851,567 2839,280 899,576 70 B 20
218891 209664 208600 767,730 1752,780 836,205 70 B 60
217744 212149 210812 752,985 1386,940 807,950 70 B 100
202207 220454 197980 899,567 851,573 2839,270 70 C 20
208600 218892 209665 836,200 767,733 1752,770 70 C 60
210811 217744 212149 807,947 752,986 1386,940 70 C 100
198280 202122 220460 2746,000 944,910 890,067 75 A 20
209917 208687 218845 1685,810 859,069 775,944 75 A 60
212300 210895 217688 1339,410 822,850 756,021 75 A 100
220460 198280 202122 890,058 2746,000 944,914 75 B 20
218844 209917 208687 775,940 1685,800 859,071 75 B 60
217688 212300 210895 756,019 1339,410 822,852 75 B 100
202122 220460 198280 944,903 890,065 2745,990 75 C 20
208687 218844 209917 859,066 775,943 1685,800 75 C 60
210895 217688 212300 822,849 756,021 1339,410 75 C 100
198477 201904 220527 2664,390 997,927 936,717 80 A 20
210179 208751 218820 1620,550 883,655 785,315 80 A 60
212458 210970 217642 1292,570 838,402 759,445 80 A 100
220527 198477 201904 936,707 2664,380 997,930 80 B 20
218820 210179 208751 785,310 1620,540 883,658 80 B 60
217642 212458 210970 759,442 1292,570 838,404 80 B 100
201903 220527 198477 997,919 936,714 2664,380 80 C 20
208751 218820 210179 883,652 785,314 1620,540 80 C 60
210970 217642 212458 838,401 759,444 1292,570 80 C 100
198560 201524 220669 2593,920 1061,780 994,565 85 A 20
210451 208792 218819 1556,230 910,482 796,006 85 A 60
212624 211037 217605 1246,070 854,790 763,261 85 A 100
220669 198560 201524 994,554 2593,910 1061,790 85 B 20
218818 210452 208792 796,001 1556,220 910,485 85 B 60
217605 212624 211037 763,258 1246,070 854,792 85 B 100
201524 220669 198560 1061,780 994,562 2593,900 85 C 20
Continua na próxima página
APÊNDICE B -- DADOS UTILIZADOS PARA TREINAMENTO E SIMULAÇÃO DA REDE NEURAL 85

Tabela 13 – Continuação da página anterior


Tensão Tensão Tensão Corrente) Corrente Corrente Local Fase Resistência
fase A (V) fase B (V) fase C (V) fase A (A) fase B (A) fase C (A) da falta (km) envolvida de falta (Ω)
208792 218818 210452 910,479 796,005 1556,220 85 C 60
211037 217605 212624 854,789 763,260 1246,070 85 C 100
198507 200937 220908 2534,630 1141,310 1068,300 90 A 20
210739 208808 218843 1492,020 940,196 808,234 90 A 60
212797 211096 217579 1199,540 872,230 767,478 90 A 100
220907 198507 200937 1068,290 2534,630 1141,310 90 B 20
218843 210739 208808 808,229 1492,010 940,200 90 B 60
217578 212797 211097 767,474 1199,540 872,223 90 B 100
200937 220907 198507 1141,300 1068,290 2534,620 90 C 20
208808 218843 210739 940,193 808,233 1492,010 90 C 60
211096 217578 212798 872,228 767,477 1199,540 90 C 100
198282 200063 221281 2487,470 1244,240 1165,480 95 A 20
211045 208798 218898 1426,970 973,616 822,279 95 A 60
212980 211148 217562 1152,590 890,971 772,099 95 A 100
221280 198282 200063 1165,470 2487,460 1244,240 95 B 20
218897 211045 208798 822,274 1426,970 973,620 95 B 60
217562 212980 211149 772,096 1152,590 890,974 95 B 100
200063 221280 198282 1244,230 1165,480 2487,450 95 C 20
208798 218898 211045 973,613 822,278 1426,970 95 C 60
211148 217562 212980 890,969 772,098 1152,580 95 C 100

Fonte: Autoria própria

Tabela 14: Dados utilizados para as simulações da rede neural escolhida


Tensão Tensão Tensão Corrente) Corrente Corrente Local Fase Resistência
fase A (V) fase B (V) fase C (V) fase A (A) fase B (A) fase C (A) da falta (km) envolvida de falta (Ω)
184347 190597 227020 6609,340 578,608 783,332 7 A 20
189934 197160 223323 4752,100 609,794 695,896 23 A 20
194498 200669 221396 3655,920 712,782 720,919 42 A 20
197672 202192 220489 2922,990 867,349 825,275 66 A 20
198503 201842 220549 2649,410 1009,700 947,274 81 A 20
225009 186936 194129 722,046 5622,210 575,643 14 B 20
222319 192130 198989 697,958 4203,000 651,254 31 B 20
220867 196120 201610 755,298 3292,980 772,038 52 B 20
220451 198171 202171 873,809 2781,860 925,996 73 B 20
220708 198561 201425 1007,850 2581,140 1076,250 86 B 20
195970 223981 188669 591,905 702,499 5097,480 19 C 20
200148 221683 193716 690,046 710,541 3833,260 38 C 20
201910 220685 196757 803,782 776,998 3145,320 57 C 20
202008 220492 198411 975,614 916,908 2695,670 78 C 20
200627 221038 198441 1179,080 1103,780 2514,210 92 C 20
207619 206139 220859 2740,710 621,806 747,488 19 A 60
208203 207460 219736 2274,780 706,463 739,118 38 A 60
209038 208266 219116 1940,340 781,890 751,170 57 A 60
210073 208728 218827 1646,490 873,581 781,418 78 A 60
210859 208807 218861 1466,160 953,066 813,613 92 A 60
222011 207662 204896 772,804 3155,870 554,830 7 B 60
220565 207700 206473 743,271 2626,870 641,248 23 B 60
219572 208368 207666 740,327 2196,170 722,576 42 B 60
218945 209467 208514 761,925 1808,090 818,858 66 B 60
218817 210232 208761 787,339 1607,630 888,825 81 B 60
205669 221284 207572 595,701 755,374 2898,710 14 C 60
207046 220076 207940 677,234 739,114 2426,380 31 C 60
Continua na próxima página
APÊNDICE B -- DADOS UTILIZADOS PARA TREINAMENTO E SIMULAÇÃO DA REDE NEURAL 86

Tabela 14 – Continuação da página anterior


Tensão Tensão Tensão Corrente) Corrente Corrente Local Fase Resistência
fase A (V) fase B (V) fase C (V) fase A (A) fase B (A) fase C (A) da falta (km) envolvida de falta (Ω)
208095 219242 208810 762,061 746,544 2019,830 52 C 60
208655 218861 209815 849,739 772,525 1712,340 73 C 60
208797 218821 210508 916,170 798,323 1543,400 86 C 60
211177 209109 219252 2085,100 641,372 755,708 14 A 100
211261 209813 218573 1822,570 697,363 745,194 31 A 100
211666 210436 218030 1569,160 757,254 745,481 52 A 100
212239 210863 217709 1358,320 816,821 754,759 73 A 100
212658 211050 217599 1236,780 858,188 764,074 86 A 100
219023 211166 209339 751,233 2000,700 658,992 19 B 100
218362 211371 210046 744,031 1731,320 717,974 38 B 100
217937 211790 210553 746,996 1516,230 771,094 57 B 100
217659 212394 210941 758,026 1311,250 832,093 78 B 100
217571 212869 211118 769,272 1180,830 879,557 92 B 100
208749 219622 211265 614,479 764,567 2215,960 7 C 100
209508 218859 211182 672,323 748,552 1937,820 23 C 100
210167 218257 211446 729,381 743,976 1682,530 42 C 100
210739 217796 212034 796,381 750,844 1425,690 66 C 100
210984 217634 212491 841,605 760,178 1283,260 81 C 100

Fonte: Autoria própria

Você também pode gostar