Você está na página 1de 6

1

Transformada Wavelet Discreta Aplicada ao


Diagnóstico de Distúrbios
F. B. Costa1 , B. A. Souza1 , N. S. D. Brito1 , K. M. Silva2

Resumo—Nos últimos anos a transformada wavelet discreta A TWDR é uma variante da TWD que também pode
(TWD) vem sendo amplamente utilizada como ferramenta de ser empregada ao diagnóstico de distúrbios, apresentando
suporte ao diagnóstico de distúrbios em sistemas elétricos de algumas vantagens por ser uma transformada invariante aos
potência. Uma variante da TWD, denominada transformada
wavelet discreta redundante (TWDR), também pode ser em- deslocamentos circulares das amostras no tempo. Neste artigo
pregada ao diagnóstico de distúrbios, apresentando algumas apresenta-se a fundamentação teórica da TWD e da TWDR,
vantagens frente a versão tradicional da TWD. A fundamentação mostrando exemplos do cálculo de seus coeficientes por
teórica da TWD e da TWDR é apresentada neste artigo, bem meio do algoritmo piramidal. Os exemplos ilustram como
como exemplos de aplicação dessas transformadas ao diagnóstico os coeficientes wavelet podem ser utilizados na detecção e
de faltas e de distúrbios de qualidade da energia elétrica.
identificação dos instantes de ocorrência de distúrbios com
Palavras Chave—Transformada wavelet, diagnóstico de transitórios, tais como faltas, afundamentos de tensão e tran-
distúrbios. sitórios devido às manobras de chaveamento. O cálculo da
I. I NTRODUÇ ÃO energia dos coeficientes wavelet e sua utilização na detecção
e classificação de faltas também é ilustrado neste artigo.

O S sistemas de energia elétrica estão constantemente


sujeitos às condições ambientais adversas, falhas em
equipamentos e manobras de chaveamento que dão origens II. T RANSFORMADA WAVELET D ISCRETA
às faltas e a alguns distúrbios de qualidade da energia elétrica A Transformada Discreta de Fourier (TDF) é uma ferra-
(QEE). Atividades concernentes ao diagnóstico das faltas e menta matemática que fornece informações de frequência de
dos distúrbios de QEE são imprescindı́veis à identificação de um sinal, sendo perdida informações de tempo. Desta forma, a
suas causas e consequências, à avaliação e eventuais reajustes TDF se aplica bem à análise de sinais, cujas componentes de
dos sistemas de proteção e ao diagnóstico dos distúrbios. frequência não variam com o tempo. Porém, a análise clássica
Desta forma, medidas corretivas e preventivas podem ser de Fourier não é adequada na análise de sinais para detecção
tomadas, resultando em melhorias do desempenho do sistema de distúrbios transitórios em sistemas de potência.
elétrico e da qualidade dos serviços públicos prestados pelas A versão com janela da TDF, denominada Transformada
concessionárias de energia elétrica. Rápida de Fourier (TRF), supera algumas dificuldades da
Dentre as diversas técnicas utilizadas no diagnóstico de TDF ao prover informações de tempo e frequência, sendo
distúrbios em sistemas elétricos de potência, destaca-se a apropriada à análise de harmônicos [10]. A largura da janela
TWD. Em [1] e [2] são apresentados estudos comparativos pode ser ajustada e deslocada para se explorar determinada
entre a TWD e outras técnicas, mostrando exemplos de faixa de frequência de um sinal. Com a escolha adequada
aplicação e as vantagens da utilização da TWD na extração de do tamanho da janela, a TRF pode ser usada na análise de
caracterı́sticas e na análise de distúrbios transitórios. Em [3] é transitórios em sistemas de potência. Porém, uma limitação
apresentado um exemplo prático para detecção e localização da TRF na análise de sinais com transitórios é a escolha da
dos instantes inicial e final de um afundamento de tensão. Em largura da janela, o que determina a resolução no tempo e a
[4] é proposto um método baseado na TWD para localização resolução de frequência no espectro. Se a largura da janela é
no tempo dos instantes inicial e final de faltas. Em [5] e [6] escolhida para se ter uma boa resolução no tempo, então sua
são descritas diferentes metodologias baseadas na TWD para resolução na frequência se torna deteriorada, ou vice versa.
detecção e classificação de distúrbios de QEE. Recentemente, Em sistemas elétricos, as tensões e correntes com distúrbios
muitos métodos de classificação de faltas baseados na TWD transitórios apresentam componentes de frequência diversas.
também vêm sendo propostos na literatura [7], [8], [9]. De um modo geral, a maioria das componentes de baixa
frequência tem uma duração longa, enquanto que as compo-
Este artigo foi financiado pelo Conselho Nacional de Desenvolvimento
Cientı́fico e Tecnológico (CNPq) e pela Fundação de Apoio à Pesquisa do nentes de alta frequência têm uma duração curta. Isto sugere
Estado da Paraı́ba (Fapesq). uma análise do sinal num plano de múltiplas escalas, no qual
1 Departamento de Engenharia Elétrica da Universidade Federal de Cam-
a largura da janela de tempo e a banda de frequência não
pina Grande, Av. Aprı́gio Veloso, 882, Bodocongó, Campina Grande -
PB, CEP:58.109-970, Brasil. E-mail: flabc@ee.ufcg.edu.br, {benemar, nu- sejam constantes, e sim, variantes com o valor da frequência
bia}@dee.ufcg.edu.br. central da banda. Assim, haveria janelas mais longas para os
2 Departamento de Engenharia Elétrica da Universidade de Brası́lia, Campus
fenômenos de baixas frequências, e janelas mais curtas, melhor
Universitário Darcy Ribeiro, Caixa Postal 4386, Brası́lia - DF, CEP: 70919-
970, Brasil. E-mail: klebermelo@ene.unb.br. adaptadas para fenômenos de alta frequência, possibilitando
uma flexibilidade maior para a análise.
2

A TWD supera algumas das limitações das transformadas Conforme o exposto, o sinal original pode ser decomposto
de Fourier pela análise multiresolução (AM), que permite em termos dos coeficientes wavelet nos diversos nı́veis de
a análise de um determinado sinal em diferentes nı́veis de resolução {1, 2, ..., J} e nos coeficientes de aproximação da
resolução de tempo e frequência, sendo apropriada à detecção escala J [17]. No entanto, o número de estágios da TWD
e localização de transitórios com componentes de baixa e alta (decomposições) é limitado pelo número de amostras do sinal
frequência, situação comum em sinais com faltas e alguns original (kt ), que por sua vez, deve ser uma potência de dois.
distúrbios de QEE em sistemas elétricos de potência [11], [12]. Desta forma, o número máximo de decomposições (Jmax )
O conceito básico das wavelets é derivado da transformada pode ser obtido da equação:
de Haar, proposta em 1910. Porém, apenas na década de kt = 2Jmax −1 . (5)
80 as wavelets foram matematicamente formuladas. O marco
decisivo na história das wavelets foi o trabalho de [13], no
A. Filtros Wavelet e Filtros Escala da TWD
qual foi proposta a transformada wavelet contı́nua (TWC).
A partir dessa pesquisa, a comunidade matemática iniciou o Os coeficientes h(l) dos filtros escala e g(l) dos filtros
refinamento matemático da teoria das wavelets, destacando-se wavelet da TWD satisfazem as seguintes propriedades [18]:
as contribuições de [14], que iniciou o conceito de TWD. L
X √ X L +∞
X
Baseado na AM, [15] propôs um algoritmo rápido e efi- h(l) = 2, h2 (l) = 1, h(l)h(l + 2n) = 0, (6)
ciente para o cálculo da TWD, interpretada como um banco l=1 l=1 l=−∞

de filtros. Matematicamente, tem-se: L


X L
X +∞
X
X g(l) = 0, g 2 (l) = 1, g(l)g(l + 2n) = 0, (7)
cj (k) = h(n − 2k)cj−1 (n), (1)
l=1 l=1 l=−∞
n
X com n ∈ N e l=1,2,. . .,L, em que L é número de coeficientes
dj (k) = g(n − 2k)cj−1 (n), (2) dos filtros escala e wavelet. Além disso, esses filtros também
n
são filtros espelhados em quadratura:
sendo j={1,2,3,...,Jmax }, em que Jmax é a maior escala
wavelet permitida; cj e dj os coeficientes de aproximação e h(l) = (−1)l+1 g(L − l − 1), (8)
detalhes da escala j, respectivamente; h(k) e g(k) se carac- g(l) = (−1)l h(L − l − 1). (9)
terizam como filtros passa-baixa e passa-alta, respectivamente;
em j=1, cj−1 =c0 é o sinal original. O número de coeficientes dos filtros escala e wavelet, assim
No contexto de processamento de sinais digitais, (1) e como seus respectivos valores, dependem da wavelet mãe uti-
(2) representam processos de filtragens digitais, seguidos por lizada. Por exemplo, os coeficientes dos filtros escala e wavelet
subamostragens por um fator de dois. Os coeficientes de da wavelet mãe daubechies 4 (db4) [14] são, respectivamente:
√ √ √ √
aproximação cj+1 e de detalhes (coeficientes wavelet) dj+1 , da 1+ 3 3+ 3 3− 3 1− 3
h(1) = √ , h(2) = √ , h(3) = √ , h(4) = √ ,
escala j+1, são obtidos respectivamente pela convolução dos 4 2 4 2 4 2 4 2
(10)
coeficientes de aproximação cj , da escala j, com os filtros h g(1) = h(4), g(2) = −h(3), g(3) = h(2), g(4) = −h(1). (11)
e g, seguidos por uma subamostragem por dois.
Como consequência do teorema da amostragem de Nyquist B. Algoritmo Piramidal para Cálculo da TWD
[16], um sinal com frequência de amostragem fs , possui um
Os coeficientes de aproximação c1 e wavelet d1 da primeira
espectro de frequências de 0 a fs /2 Hz. Os coeficientes de
escala de um sinal discreto x, constituı́do de kt amostras,
aproximação e wavelet também possuem faixa de frequências
possuem kt /2 amostras devido ao processo de subamostragem
em função de fs . [14] projetou os filtros digitais h e g como
por dois. Aplicando apenas um estágio da TWD, então kt
filtros espelhados em quadraturas, os quais dividem o espectro
deve ser um número inteiro par para que sua divisão por dois
de frequências do sinal de entrada pela metade. Portanto,
resulte em um número inteiro. Além disso, o número mı́nimo
os coeficientes de aproximação na primeira escala possuem
de amostras de x é igual ao número de coeficientes dos filtros
espectro de frequência variando de 0 a fs /4 Hz, conteúdo de
escala e wavelet da wavelet mãe (kt >L). Com relação à db4,
mais baixa frequência do sinal, enquanto que os coeficientes
kt >4.
wavelet, possuem banda de passagem de fs /4 a fs /2 Hz, Os coeficientes c1 e d1 calculados com o algoritmo pirami-
conteúdo de mais alta frequência do sinal. dal da TWD são:
Os coeficientes de aproximação da primeira escala podem 
x(1)
 
c1 (1)

ser decompostos em mais duas componentes, c2 e d2 , e  x(2)   c1 (2) 
   
assim por diante (análise multiresolucional). O espectro de  .   c1 (3) 
c1 = A 1  .. = , (12)
   .. 
frequência dos coeficientes de aproximação e wavelet em uma  x(kt − 1)   . 
escala j são, respectivamente: x(kt ) c1 (kt /2)
· ¸    
fs x(1) d1 (1)
0, j+1 , (3)  x(2)   d1 (2) 
2 
 ..
 
  d1 (3)


· ¸ d1 = B1 
 . =
  .
,

(13)
fs fs  x(kt − 1)   .. 
, . (4)
2j+1 2j x(kt ) d1 (kt /2)
3

 
0, 84 −0, 48 0 0 ... −0, 13 −0, 22
em que A1 e B1 são matrizes de ordem (kt /2) x kt , visto que 


−0, 13
0
−0, 22
0
0, 84
−0, 13
−0, 48
−0, 22
...
...
0
0
0
0



 
c1 e d1 têm kt /2 elementos. Para a wavelet db4, A1 e B1 são B1 = 


.
.
.
.
.
.
.
.
.
.
.
.
.
.
.


(18)
 
da forma [18]: .
0
.
0
.
0
.
0
.
...
.
0, 84
.
−0, 48
 
h(3) h(4) 0 0 ... 0 0 h(1) h(2)
 h(1)
 h(2) h(3) h(4) ... 0 0 0 0 

Conforme (12) e (13), os coeficientes de aproximação e
 0 0 h(1) h(2) ... 0 0 0 0 

A1 = 
 . . . . . . . . .

,

(14) wavelet na primeira escala são calculados da seguinte forma:
 . . . . . . . . . 
 . . . . . . . . .   0, 00   
1, 19
0 0 0 0 ... h(1) h(2) h(3) h(4)
 0, 31   0, 29 
   
   0, 59   1, 04 
g(3) g(4) 0 0 ... 0 0 g(1) g(2)    
 0, 81   1, 40 
 g(1) g(2) g(3) g(4) ... 0 0 0 0     
   0, 95   1, 23 
 0 0 g(1) g(2) ... 0 0 0 0     
   .   0, 58 
B1 =  . (15)    
 . . . . . . . . .  c1 = A1  .  =  −0, 29 , (19)
 . . . . . . . . .     
 . . . . . . . . .   .   −1, 04 
   
0 0 0 0 ... g(1) g(2) g(3) g(4)  0, 01   −1, 40 
   
 0, 41   −1, 12 
   
 0, 70   −1, 32 
As matrizes A1 e B1 são formadas a partir de deslocamentos  0, 89   −0, 22 
0, 96 0, 86
circulares dos elementos da sua primeira linha. Aplicando-    
0, 00 −0, 48
se dois deslocamentos de uma linha para outra garante o 

0, 31 



0, 03 

 0, 59   0, 06 
processo de subamostragem por dois das amostras do sinal x. 


0, 81






0, 06



 0, 95   0, 04 
Os elementos não ocupados pelos coeficientes do filtro escala 


.






0, 00



d1 = B1  .  =  −0, 03 . (20)
ou wavelet assumem valor nulo. 


.






−0, 06



 0, 01   −0, 06 
De acordo com (13) e (15), o valor do primeiro coeficiente 


0, 41






0, 35



 0, 70   −0, 09 
wavelet (d1 (1)=g(3)x(1)+g(4)x(2)+g(1)x(kt -1)+g(2)x(kt ))  0, 89   0, 07 
0, 96 0, 07
depende das duas amostras iniciais e finais. O trecho do sinal
original x formado pelas duas últimas amostras seguidas pelas Na Fig. 1(a) apresentam-se as versões contı́nua x(t) e
duas primeiras amostras pode apresentar uma descontinuidade. discreta x(k) do sinal original, destacando-se o instante
Neste caso, a amplitude do primeiro coeficiente wavelet poderá de ocorrência da componente com decaimento exponencial,
ser desproporcional, quando comparada com a amplitude dos na vigésima amostra do sinal discreto. Os coeficientes de
coeficientes wavelet subsequentes. Esse fenômeno é conhecido aproximação e wavelet, da primeira escala, obtidos de (19)
como efeito de borda, presente também no primeiro coe- e (20) são ilustrados nas Figs. 1(b) e 1(c), respectiva-
ficiente de aproximação c1 (1). Dependendo do número de mente. Para uma melhor interpretação dos resultados obti-
coeficientes dos filtros escala e wavelet, mais de um coeficiente dos após utilização da TWD, as amostras dos coeficientes
de aproximação e wavelet podem ser influenciados pelo efeito de aproximação são representadas por interpolações lineares,
de borda. enquanto as amostras referentes aos coeficientes wavelet são
Para exemplificar o uso da TWD, considere um sinal representadas por impulsos.
t−to
x(t)=sen(2πf t) - 0,8e− 2 u(t − to ), composto por uma Os efeitos de borda são observados na primeira amostra dos
senoide de frequência fundamental f =60 Hz, somada a uma coeficientes de aproximação e wavelet da Fig. 1, conforme o
componente DC com decaimento exponencial no instante t=t0 , processo de formação das matrizes A1 e B1 .
sendo u(.) uma função degrau. O sinal é discretizado a partir
de t=0 s, a uma taxa de amostragem de fs =1200 amostras/s.
A seguir, apresenta-se um trecho do sinal discreto, composto
por 26 amostras (aproximadamente 1+1/4 de ciclo), com a
componente DC iniciando na vigésima amostra:
 0, 00   0, 00   0, 00 
 0, 31   0, 00   0, 31 
     
 0, 59   0, 00   0, 59 
     
 0, 81   0, 00   0, 81 
     
 0, 95   0, 00   0, 95 
     
 1, 00   0, 00   1, 00 
     
 0, 95   0, 00   0, 95 
     
 0, 81   0, 00   0, 81 
     
 0, 59   0, 00   0, 59 
     
 0, 31   0, 00   0, 31 
     
 0, 00   0, 00   0, 00 
     
 −0, 31   0, 00   −0, 31 
     
 −0, 59   0, 00   −0, 59 
x =  +  =   (16)
 −0, 81   0, 00   −0, 81 
     
 −0, 95   0, 00   −0, 95 
     
 −1, 00   0, 00   −1, 00 

 −0, 95



 0, 00



 −0, 95

 Fig. 1. Aplicação de um estágio da TWD: (a) sinal original (b) coeficientes
     


−0, 81
−0, 59




0, 00
0, 00


 −0, 81


 de aproximação; (c) coeficientes wavelet.
     −0, 59 
     
 −0, 31   −0, 80   −1, 11 
     
 0, 00   −0, 49   −0, 49 
     
 0, 31   −0, 29   0, 01 
     
 0, 59   −0, 18   0, 41 



0, 81






−0, 11






0, 70



O sinal original (sinal discreto) ilustrado na Fig. 1(a) é
0, 95 −0, 07 0, 89
1, 00 −0, 04 0, 96 essencialmente uma senóide, com frequência fundamental de
Com kt =26, considerando a db4, as matrizes A1 e B1 são: 60 Hz (baixa frequência). Nestas condições, os coeficientes de

0, 22 −0, 13 0 0 ... 0, 48 0, 84
 aproximação da primeira escala, cujo espectro de frequência
 0, 48

 0
0, 84
0
0, 22
0, 48
−0, 13
0, 84
...
...
0
0
0
0



varia de DC a 300 Hz, apresentam forma similar ao sinal
 
A1 = 


.
.
.
.
.
.
.
.
.
.
.
.
.
.
,


(17)
original. Os coeficientes wavelet da primeira escala, cujo
 
.
0
.
0
.
0
.
0
.
...
.
0, 22
.
−0, 13 espectro de frequências varia de 300 a 600 Hz, são apropriados
4

à detecção e localização de mudanças abruptas e transitórios ocorrência da componente DC só foi identificado uma amostra
rápidos ocorridos ao longo do sinal original. De fato, conforme após sua ocorrência (após 0,83 ms ou 18o ).
ilustrado na Fig. 1(c), o coeficiente wavelet d1 (10) apre-
senta amplitude superior aos demais coeficientes, indicando
a ocorrência de uma perturbação em x(20). Este é o princı́pio
básico dos métodos de detecção de distúrbios transitórios e
dos métodos de localização dos instantes de ocorrência dos
distúrbios.
Devido ao processo de subamostragem por um fator de dois,
o k-ésimo coeficientes wavelet corresponde à amostra 2k do
sinal original. No entanto, o instante de tempo associado à
amostra 2k e ao coeficiente k é o mesmo. Fig. 3. Efeito da subamostragem na identificação de distorções: (a) sinal
Na Fig. 2(a) apresenta-se a corrente da fase A de um original; (b) coeficientes wavelet.
registros oscilográfico real de uma linha de transmissão com
transitórios devido à energização de um banco de capacitores,
cujos respectivos coeficientes wavelet da primeira escala, Em algumas aplicações, a versão em tempo real da TWD
calculados com a TWD e wavelet mãe db4 são apresentados pode ser utilizada para detecção de transitórios, praticamente
na Fig. 2(b). A detecção do distúrbio transitório, assim como no instante de ocorrência. Por exemplo, a detecção de ondas
a identificação precisa do seu instante de ocorrência podem viajantes para localização de faltas deve ser feita o mais rápido
ser facilmente realizadas por meio dos coeficientes wavelet. possı́vel. Neste caso, porém, o processo de subamostragem
por dois pode comprometer o uso da TWD. Como alternativa,
[18] descreve uma variante da TWD, denominada transfor-
mada wavelet discreta redundante (TWDR), cujas principais
diferenças são:
• Ao contrário da TWD, a TWDR não realiza a sub-
amostragem por dois nas amostras do sinal, daı́ o termo
redundante. Portanto, a TWDR é uma transformada que é
invariante aos deslocamentos circulares nas amostras do
sinal avaliado.
• A TWDR pode ser aplicada a qualquer número de
amostras, enquanto que a TWD requer que este número
Fig. 2. Corrente da fase A de um registro oscilográfico real com transitórios seja uma potência de dois.
devido à energização de um banco de capacitores: (a) sinal original; (b)
coeficientes wavelet.
A. Filtros Wavelet e Filtros Escala da TWDR
Os coeficientes eh(l) dos filtros escala e ge(l) dos filtros
Métodos de detecção e identificação dos instantes inicial e wavelet da TWDR são obtidos dos correspondentes filtros da
final de faltas por meio da análise dos coeficientes wavelet TWD como [18]:
das correntes foram propostos por [19] e [4], nos quais foi √
e
h(l) = h(l)/ 2, (21)
mostrado que os coeficientes com amplitude mais relevantes √
são relacionados aos transitórios ocorridos nos instantes inicial ge(l) = g(l)/ 2, (22)
e final da falta. Exemplos de aplicação da TWD à detecção
em que h(l) e g(l) são, respectivamente, os coeficientes dos
e localização dos instantes inicial e final de afundamentos
filtros escala e wavelet da TWD.
de tensão, com metodologia similar às referencias [19] e [4]
O número de coeficientes dos filtros escala e wavelet, assim
foram ilustrados por [3].
como seus respectivos valores dependem da wavelet mãe
utilizada. Por exemplo, os coeficientes dos filtros escala e
III. T RANSFORMADA WAVELET D ISCRETA R EDUNDANTE wavelet da wavelet mãe db4 são, respectivamente:
√ √ √ √
A TWD é uma transformada que varia com os deslocamen- e 1+ 3 e 3+ 3 e 3− 3 e 1− 3
h(1) = , h(2) = , h(3) = , h(4) = ,
tos circulares nas amostras do sinal original, devido à sub- 8 8 8 8
(23)
amostragem empregada. Como consequência, os coeficientes e(1) = e
g e(2) = −e
h(4), g e(3) = e
h(3), g e(4) = −e
h(2), g h(1). (24)
wavelet podem apresentar formas distintas, dependendo das
amostras utilizadas no cálculo dos coeficientes.
Na Fig. 3 apresentam-se novamente os sinais contı́nuo e B. Algoritmo Piramidal para Cálculo da TWDR
discreto ilustrados na Fig. 1(a), porém, com a primeira amostra c1 e wavelet de1 da primeira
Os coeficientes de aproximação e
do sinal discreto descartada e uma nova amostra adicionada ao escala do algoritmo piramidal da TWDR são calculados como:
término do sinal. O coeficiente d1 (10) é o primeiro coeficiente e1 x,
e
c1 = A (25)
influenciado pela componente DC, ocorrida em x(19). No
entanto, ao contrário do ilustrado na Fig. 1(c), o instante de de1 = B
e1 x, (26)
5

em que A e1 e Be1 são matrizes de ordem kt x kt , visto que e


c1
kn
X
e
e d1 têm kt elementos (não há subamostragem das amostras).
e1 e Be1 são da forma [18]: Ej (km , kn ) = |dj (k)|2 , (30)
Para a wavelet mãe db4, A
 
k=km
e
h(4) 0 0 0 0 ... e
h(1) e
h(2) e
h(3)

sendo 1 6 km < kn 6 kt /2j ; kt /2j é o número total de


 h(3)
e e
h(4) 0 0 0 ... 0 e
h(1) e
h(2) 
 
 h(2) 
 e e
h(3) e
h(4) 0 0 ... 0 0 e
h(1) 
 e 
e =  h(1)
A 1 

e
h(2) e
h(3) e
h(4) 0 ... 0 0 0 ,


(27) coeficientes da escala j.
 . . . . . . . . . 
 . . . . . . . . . 
 . . . . . . . . . 
0 0 0 0 0 ... e
h(2) e
h(3) e
h(4) A energia definida em (30) pode ser utilizada em aplicações
 g
e(4) 0 0 0 0 ... g
e(1) g
e(2) g
e(3) 
que requerem análise da energia dos coeficientes wavelet de
 g
e(3) g
e(4) 0 0 0 ... 0 g
e(1) g
e(2) 
 g
 e(2)
 g
e (1)
g
e(3)
g
e(2)
g
e(4)
g
e(3) g
0
e(4)
0
0
...
...
0
0
0
0
g
e(1)
0


 uma escala j, em intervalos fixos (janelas). O teorema de
e = 
B 
. (28)
1 

 .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

 Parseval também se aplica a TWDR.
 
. . . . . . . . .
0 0 0 0 0 ... g
e(2) g
e(3) g
e(4)
A energia janelada dos coeficientes wavelet (Ej ) da TWD,
Observa-se em (27) e (28), que as matrizes A e1 e Be1 são da escala j, é definida como:
formadas a partir de deslocamentos circulares dos coeficientes ( P
∆k/2j 2
dos filtros escala e wavelet do primeiro nı́vel de resolução da dj (n), se 1 6 k 6 ∆k
Ej (k) = Pn=1
k 2 ∆k
2j
kf ,
TWDR, respectivamente. n=k−∆k/2j +1 dj (n), se 2j < k 6 2j
Conforme (26) e (28), os valores dos primeiros coeficientes (31)
wavelet dependem de amostras iniciais e finais do sinal orig- sendo ∆k o tamanho da janela; k={1, 2, . . . , kf /2j }; kf o
inal. Neste caso, tem-se o efeito de borda nos primeiros L-1 número de amostras do sinal original.
coeficientes wavelet da TWDR, na primeira escala. O mesmo
é válido para os coeficientes de aproximação. De forma análoga a TWD, a energia janelada dos coefi-
Na Fig. 4 apresentam-se os coeficientes wavelet da TWDR cientes wavelet (Eej ) da TWDR, da escala j, é definida como:
do sinal x(k) (Fig. 1(a)), com a db4 (L=4). Comparando os ( P
∆k e2
e dj (n), se 1 6 k 6 ∆k
coeficientes wavelet obtidos com a TWD (Figs. 1(c) e 3(b)), Ej (k) = Pn=1 , (32)
k e2 (n), se ∆k < k 6 kf
d
com os coeficientes wavelet obtidos com a TWDR (Fig. 4(b)), n=k−∆k+1 j
constata-se que a TWDR apresenta vantagens na detecção e sendo k={1, 2, ...kf }.
localização de distorções no sinal original por ser invariante
ao deslocamento circular das amostras. Em [20] as energias janeladas dos coeficientes wavelet da
TWD referente às amostras das tensões e correntes foram
utilizadas para detecção de distúrbios de QEE e de faltas, en-
quanto que em [6] propõe-se a utilização dessas energias para
detecção de múltiplos distúrbios em registros oscilográficos. A
energia janelada dos coeficientes wavelet também foi utilizada
em [21] na detecção e identificação dos instantes de ocorrência
de faltas, faltas evolutivas e outros distúrbios, enquanto que
em [22] apresenta-se um método para classificação de faltas e
faltas evolutivas.
Fig. 4. Cálculo dos coeficientes Wavelet da TWDR.
Na Fig. 5 apresentam-se as tensões e correntes de fase,
em pu, de um registro oscilográfico real com uma falta
monofásica do tipo CT. De um modo geral, durante uma falta
IV. E NERGIA JANELADA DOS C OEFICIENTES WAVELET
há um aumento significativo da corrente e um afundamento
Do teorema de Parseval [17], a energia do sinal original da tensão nas fases envolvidas na ocorrência [23]. Além disto,
c0 é igual a soma das energias concentradas dos coeficientes fenômenos transitórios decorrentes do surgimento e eliminação
wavelet nos diferentes nı́veis de resolução, j = {1, 2, ..., J}, da falta também são comuns [21]. As energias dos coeficientes
com a energia concentrada dos coeficientes de aproximação wavelet da primeira escala das tensões e correntes de fase
no último nı́vel de resolução J, com J 6 Jmax . Isso significa do registro, calculados com a TWD e wavelet mãe db4 são
que a energia do sinal pode ser particionada em termos da ilustrados na Fig. 6. De um modo geral, os instantes inicial
energia dos coeficientes wavelet e de aproximação da TWD, e final das faltas são caracterizados por aumentos bruscos
como segue: no valor da energia em todas as curvas, tornando possı́vel
kt /2J j a detecção e identificação dos instantes de falta [21]. Por
kt
X X J kX
X t /2
2 2 outro lado, as energias referentes às correntes de falta após o
|c0 (k)| = |cJ (k)| + |dj (k)|2 . (29)
instante de ocorrência da falta se destaca, quando comparada
k=1 k=1 j=1 k=1
às energias referentes às correntes das fases sãs, tornando
Confinando-se um trecho especı́fico da energia dos coe- possı́vel a classificação das faltas [22]. As curvas de energia
Pkt /2j
ficientes wavelet da escala j ( k=1 |dj (k)|2 ), obtém-se a calculadas com a TWD e a TWDR apresentam comportamento
energia entre os coeficientes km e kn : similar.
6

[5] S. Santoso, E. J. Powers, W. M. Grady, and P. Hofmann, “Power quality


assessment via wavelet transform analysis,” IEEE Transactions on Power
Delivery, vol. 11, no. 2, pp. 924–930, April 1996.
[6] F. B. Costa, B. A. Souza, and N. S. D. Brito, “A wavelet-based algorithm
to analyze oscillographic data with single and multiple disturbances,”
IEEE PES General Meeting, Pittsburgh, USA, jun 2008.
[7] P. M. Silveira, R. Seara, and H. H. Zurn, “Seleção de fases em relás
numéricos de linhas de transmissão baseada em análise multi-resolução
via trasnformada wavelet,” Controle e Automação, vol. 13, no. 3, pp.
327–336, Set 2002.
[8] F. B. Costa, B. A. Souza, N. S. D. Brito, K. M. Silva, and K. M. C.
Fig. 5. Registro oscilográfico real com falta CT: (a) tensões de fase; (b) Dantas, “A wavelet-based algorithm for fault classification using oscil-
correntes de fase. lographic data,” International Conference on Harmonics and Quality of
Power, pp. Cascais, Portugal, Oct 2006.
[9] F. B. Costa, K. M. Silva, K. M. C. Dantas, B. A. Souza, and N. S. D.
Brito, “A method for fault classification in transmission lines based on
ann and wavelet coefficients energy,” VII World Congress on Computa-
tional Inteligency, Vancouver, Canada, July 2006.
[10] Y. H. Gu and M. H. J. Bollen, “Time-frequency and time-scale domain
analysis of voltage disturbances,” IEEE Transactions on Power Delivery,
vol. 15, no. 4, pp. 1279–1284, Oct 2000.
[11] W. A. Wikinson and M. D. Cox, “Discrete wavelet analysis of power
system transients,” IEEE Transactions on Power Systems, vol. 11, no. 4,
pp. 2038–2044, Nov 1996.
[12] G. T. Heydt and A. W. Galli, “Transient power quality problems analysed
using wavelets,” IEEE Transactions on Power Delivery, vol. 12, no. 2,
pp. 908–915, Apr 1997.
Fig. 6. Energias janelada dos coeficientes wavelet da TWD de um registro [13] A. GROSSMAN and J. MORLET, “Decomposition of hardy functions
oscilográfico real com falta CT: (a) tensões de fase; (b) correntes de fase. into square integrable wavelets of constant shape,” Society for Industrial
and Applied Mathematics Journal on Mathematical Analysis, pp. 155–
166, 1984.
V. C ONCLUS ÕES [14] I. Daubechies, Ten Lectures on Wavelets. Philadelphia, USA: CBMS-
NSF Regional Conference Series, SIAM, 1992.
Neste artigo foi apresentado o algoritmo piramidal para o [15] S. G. Mallat, “A theory for multiresolution signal decomposition: The
cálculo da transformada wavelet discreta e da transformada wavelet representation,” IEEE Transaction on Pattern Analysis and
Machine Intelligence, vol. 11, no. 7, Jul 1989.
wavelet discreta redundante, bem como exemplos de aplicação [16] A. V. Oppenheim and R. W. Schafer, “Discrete-time signal processing,”
dessas transformadas ao diagnóstico de faltas e de distúrbios 1989.
de qualidade da energia elétrica. Da forma como foram apre- [17] C. S. Burrus, A. G. Ramesh, and H. Guo, Introduction to Wavelets and
Wavelet Transforms. New Jersey, USA: Prentice Hall, 1998.
sentadas, essas transformadas são de simples implementação [18] D. B. Percival and A. T. Walden, Wevelet Methods for Time Series
e de grande eficiência quando aplicadas ao diagnóstico de Analysis. New York, USA: Cambridge University Press., 2000.
distúrbios em sistemas de potência. [19] F. B. Costa, B. A. Souza, N. S. D. Brito, K. M. Silva, K. M. C. Dantas,
and S. S. B. Silva, “Determinação da duração de faltas em linhas de
De um modo geral, a transformada wavelet discreta e a transmissão baseada na transformada wavelet,” VI Seminário Brasileiro
transformada wavelet discreta redundante são apropriadas ao Sobre Qualidade da Energia Elétrica, Agos 2005.
diagnóstico de faltas e de distúrbios de qualidade da energia [20] F. B. Costa, K. M. Silva, K. M. C. Dantas, B. A. Souza, and N. S. D.
Brito, “A wavelet-based algorithm for disturbances detection using oscil-
elétrica. Os coeficientes wavelet dessas transformadas podem lographic data,” International Conference on Power Systems Transients,
ser utilizados para detecção e identificação dos instantes ini- Lyon, France, jun 2007.
cial e final das ocorrências. Porém, a transformada wavelet [21] F. B. Costa, B. A. Souza, and N. S. D. Brito, “Discrete wavelet transform
in power systems: Transient disturbance analysis,” International Sympo-
discreta redundante pode apresentar vantagens na detecção sium on High Voltage Engineering, Cape Town, South Afric, Aug 2009.
e localização de distorções nos sinais por ser invariante ao [22] ——, “A wavelet-based method for detection and classification of single
deslocamento circular das amostras. Por outro lado, as energias and crosscountry faults in transmission lines,” International Conference
on Power Systems Transients, Kyoto, Japan, jun 2009.
janeladas dos coeficientes wavelet da transformada wavelet [23] M. H. J. Bollen, Understanding Power Quality Problems. New York,
discreta e da transformada wavelet discreta redundante podem USA: IEEE PRESS, 2000.
ser utilizadas na identificação dos distúrbios. No caso de faltas,
a classificação das faltas também pode ser realizadas por meio
dessas energias.

R EFER ÊNCIAS
[1] D. C. Robertson, O. I. Camps, and J. S. M. W. B. Gish, “Wavelets and
electromagnetic power system transients,” IEEE Transaction on Power
Delivery, vol. 11, no. 2, pp. 1050–1058, Apr 1996.
[2] M. Oleskovicz, D. V. Coury, A. A. F. M. Carneiro, E. F. Arruda,
O. D. Filho, and S. A. Souza, “Estudo comparativo de ferramentas
modernas de análise aplicadas à qualidade da energia elétrica,” Controle
e Automação, vol. 17, no. 3, pp. 331–341, Jul 2006.
[3] M. H. J. Bollen and I. Y.-H. Gu, Signal Processing of Power Quality
Disturbances. New York, USA: IEEE PRESS, 2006.
[4] F. B. Costa, K. M. Silva, K. M. C. Dantas, B. A. Souza, and N. S. D.
Brito, “A wavelet-based method for fault clearing time delimitation,”
Congresso Brasileiro de Automática, Out 2006.

Você também pode gostar