Escolar Documentos
Profissional Documentos
Cultura Documentos
Ilha Solteira – SP
Março/2012
FICHA CATALOGRÁFICA
Primeiramente, agradeço a Deus por ter me concedido o dom da vida, pela força, luz e
oportunidades dadas a mim para que conseguisse alcançar meus objetivos.
Ao meu orientador Prof. Dr. Carlos Roberto Minussi, por depositar em mim a confiança
de realização desta pesquisa, pela atenção, dedicação, empenho e por contribuir para o meu
aprendizado desde o 2º ano de graduação. Pelo amigo e pai que se mostrou, sempre com
palavras incentivadoras a cada vitória, e palavras consoladoras em cada tropeço.
Aos meus pais, Mauro Júnior e Maria Abadia, que sempre estiveram ao meu lado dando
total apoio e incentivo em minha busca pela realização de meus sonhos. Às minhas irmãs,
Jackeline e Karolinne, pelo carinho e apoio. À minha namorada Virgínia Utida, pelo amor,
incentivo, paciência e compreensão.
A todos os meus amigos que sempre estiveram ao meu lado. Em especial, José
Guilherme Decanini, Thiago Dolacio, Vander Prado, e Ana Cláudia Barros, pela força, apoio
e amizade verdadeira.
A Fapesp pelo auxílio financeiro concedido, através de uma bolsa de estudos e reserva
técnica, que permitiu que eu pudesse me dedicar exclusivamente ao desenvolvimento desta
pesquisa.
RESUMO
Esta pesquisa tem por objetivo o desenvolvimento de um sistema inteligente que realize
o controle preventivo em sistemas de distribuição de energia elétrica. Trata-se de um
procedimento para diagnosticar distúrbios possam provocar danos em componentes do
sistema e, principalmente, a interrupção do fornecimento de energia aos consumidores. Este
sistema inteligente será desenvolvido baseando-se no emprego da transformada wavelet,
lógica fuzzy e redes neurais artificiais, em especial uma arquitetura da família ART (Adaptive
Resonance Theory), a rede neural Fuzzy ARTMAP. Por ser uma arquitetura estável e plástica,
esta permite a inclusão do módulo do treinamento continuado, o qual possibilita a extração do
conhecimento sem a necessidade de reiniciar o processo de treinamento com a inclusão de
novos padrões, diferentemente do que ocorre com a maioria das redes neurais. Este recurso
possibilita usar um conjunto reduzido de padrões na fase de treinamento e, na medida em que
forem realizadas as análises (aplicação), a extração do conhecimento é continuada, ou seja,
trata-se de um sistema que busca o aperfeiçoamento com o passar o tempo. O sistema irá
contemplar as principais anormalidades caracterizadas por distúrbios de tensão, curtos-
circuitos e faltas de alta impedância. Por conseguinte, o objetivo refere-se ao desenvolvimento
de um modelo embrionário capaz de incorporar permanentemente inovações com o propósito
de torná-lo um sistema de inferência mais eficiente.
This project aims to develop an intelligent system that performs the preventive control
in electric power distribution systems. It is a procedure to disturbances diagnosis that can
potentially cause damage to system’s components and, particularly, the interruption of electric
power supply to consumers. This intelligent system is based on wavelet transform, fuzzy logic
and artificial neural networks, in special the ART (Adaptive resonance Theory) family
architecture, i.e., the Fuzzy ARTMAP. Due to the stability and plasticity characteristics, this
architecture enables the introduction of the continuous training module, which allows the
knowledge extraction without the need to restart the training process when a new training
pattern is included, unlike what happens in most neural networks. Thus, it is possible to use a
reduced set of patterns on the training phase and, as the analyses are performed, the extraction
of the knowledge is continuous, i.e., a system that seeks to improve over time. The system
will introduce the main disorders characterized by voltage disturbances, short-circuit faults
and high impedance faults. Therefore, it deals with a methodology that can permanently
incorporate new information to become an efficient inference system.
Keywords: Wavelet transform. Fuzzy logic. Fuzzy ARTMAP neural network. Disturbances
diagnosis. Substations automation. Power distribution system.
Sumário
1 INTRODUÇÃO 17
1.2 Justificativa 19
2 ESTADO DA ARTE 21
2.1 Comentários 24
3.3.2 Curtos-Circuitos 30
3.4.2 Curtos-Circuitos 36
3.5 Comentários 39
4 MÉTODO PROPOSTO 41
4.3 Comentários 44
5 TRANSFORMADA WAVELET 45
5.6 Entropia 54
5.7 Energia 55
5.8 Comentários 55
6 LÓGICA FUZZY 57
6.3.1 Triangular 62
6.3.2 Trapezoidal 62
6.3.3 Gaussiana 63
6.4.1 Fuzzyficação 65
6.4.4 Defuzzyficação 66
6.5 Comentários 67
7 REDES NEURAIS ARTIFICIAIS 69
7.1.2 Parâmetros 73
7.1.6 Aprendizado 75
7.2.2 Parâmetros 77
7.2.6 Aprendizado 79
7.3 Comentários 83
8 METODOLOGIA 85
8.1 Introdução 85
10 CONCLUSÕES 117
REFERÊNCIAS 121
1 INTRODUÇÃO
e.g., rede neural Fuzzy ARTMAP e lógica fuzzy, em seu sistema de diagnóstico. A motivação
pela escolha da rede neural Fuzzy ARTMAP, além desta apresentar características de
estabilidade e plasticidade, é em consequência da possibilidade da inclusão do treinamento
continuado, o qual fornece a rede um constante aprendizado, acompanhando assim a
constante evolução do setor elétrico.
1.2 Justificativa
2 ESTADO DA ARTE
Para a realização desta pesquisa, foram utilizadas algumas referências de modo que
pudessem introduzir os conceitos básicos das teorias a serem utilizadas na concepção do
sistema para efetuar o controle preventivo.
Reaz et al. (2007) utilizam dos conceitos da transformada wavelet, de redes neurais
artificiais e da lógica fuzzy na identificação de diferentes tipos de distúrbios de tensão.
Panigrahi e Pandi (2009) classificam diferentes distúrbios de tensão por meio do uso
combinado da transformada wavelet packet e de técnicas baseadas na lógica fuzzy.
Masoum et al. (2010) utilizam dos conceitos da transformada wavelet discreta e redes
neurais wavelet na classificação dos distúrbios de tensão.
Das (2006), utiliza dos conceitos da lógica fuzzy na identificação do tipo de curto-
circuito em sistemas de distribuição. Este método necessita somente das oscilografias de
corrente disponíveis na subestação.
Samantaray et al. (2009) empregam o filtro de Kalman adaptativo juntamente com uma
rede neural probabilística na detecção e classificação de faltas de alta impedância.
Baqui et al. (2011) apresentam uma nova técnica baseada no uso combinado da
transformada wavelet e uma rede neural multi-layer perceptron na detecção de faltas de alta
impedância em alimentadores de distribuição.
2.1 Comentários
Nest seção foi apresentada uma breve revisão bibliográfica. Os trabalhos citados desta
seção correspondem aos mais relevantes encontrados na literatura especializada, sendo, então,
utilizados como base teórica para o desenvolvimento da metodologia de diagnóstico de
distúrbios em sistemas de distribuição de energia elétrica.
25
x confiabilidade do sistema;
x segurança do sistema;
x flexibilidade de operação;
x habilidade na redução de correntes de curto-circuito;
x simplicidade dos dispositivos de proteção;
x facilidade de manutenção e seu efeito na segurança;
x facilidade de expansão;
x área total;
x custo.
x Barramento Simples;
x Duplo Barramento Simples;
x Barramento Simples Seccionado;
x Barramento Principal e de Transferência;
x Barramento Duplo com um Disjuntor;
x Barramento Duplo com Disjuntor Duplo;
x Barramento em Anel.
27
O conceito Smart Grid, e suas tecnologias, têm como principal objetivo oferecer uma
energia mais confiável, segura e sustentável. Aplicando este conceito no sistema de
distribuição, surge, então, a necessidade da automação das operações, i.e., construção da
funcionalidade de “autorregeneração” do sistema, capaz de diagnosticar, de maneira
automática, as falhas. As iniciativas de automação envolvem decisões críticas a respeito de
como integrar as antigas tecnologias com as novas. Decisões críticas também compreendem
escolher, dentro de uma imensa gama de variações, sistemas computacionais, comunicações,
proteção da rede e sistemas de aquisição de dados (NORTHCOTE-GREEN; WILSON, 2007).
Desta forma, a seguir, serão apresentados os distúrbios que mais podem ocorrer em
sistemas de distribuição de energia elétrica.
Figura 3. Estas formas de onda foram obtidas por meio de simulações realizadas em um
alimentador real, o qual foi modelado no software ATP.
29
3.3.2 Curtos-Circuitos
Curtos-circuitos que ocorrem nas redes têm como consequência a modificação das
condições de operação. A passagem para a nova condição está associada a processos de
compensação de natureza eletromagnética e eletromecânica, dos quais vão depender a
grandeza e a variação ao longo do tempo da corrente de curto-circuito (ANDERSON, 1995;
ROEPER, 1991).
a) Monofásica
d) Trifásica
Fonte: Adaptado de Roeper (1991).
Figura 6 e
Figura 7, respectivamente. Estas formas de onda foram obtidas por meio de simulações
realizadas em um alimentador real, o qual foi modelado no software ATP.
Estes eventos são oriundos do contato do condutor energizado com superfícies de alta
impedância, e.g., asfalto, calçadas e areias, ou objetos de alta impedância, e.g., galhos de
árvores, os quais limitam os níveis de corrente de falta a valores inferiores aos detectáveis
pelos equipamentos de proteção (ETEMADI; SANAYE-PASAND, 2008). Por conseguinte, o
objetivo primordial do diagnóstico de faltas de alta impedância é preservar a integridade física
das pessoas (TONELLI-NETO et al., 2011a).
Para as simulações de distúrbios de tensão foi utilizado o modelo teórico proposto por
ABDEL-GALIL et al. (2004), apresentado no Quadro 1.
Swell v t
A 1 D u t t1 u t t2 sen Zt 0,1 d D d 0,8
36
0 , t 0 T d t1 t2 d 12T
t1 t2 , u t ®
¯1, t t 0
v t
A 1 D u t t1 u t t2 sen Zt
0,1 d D d 0,9
Sag
0 , t 0 T d t1 t2 d 12T
t1 t2 , u t ®
¯1, t t 0
v t
A 1 D u t t1 u t t2 sen Zt
0 ,9 d D d 1
Outage
0 , t 0 T d t1 t2 d 12T
t1 t2 , u t ®
¯1, t t 0
§ D1sen Zt · D1 1
§ § u t t1 · · ¨ ¸
v t A ¨1 D ¨ ¸ ¸ ¨ D 3 sen 3Zt ¸
¨ ¸¸
© u t t2 ¹ ¹ ¨ D sen 5Zt ¸
¨ 0,05 d D3,5 d 0,15
Swell com © ¹
© 5
Harmônico 0,1 d D d 0,8
0 , t 0
t1 t2 , u t ® T d t1 t2 d 12T
¯1, t t 0
§ D1sen Zt · D1 1
§ § u t t1 · · ¨ ¸
v t A ¨1 D ¨ ¸ ¸ ¨ D 3 sen 3Zt ¸
¨ ¨ u t t ¸ ¸ 0,05 d D3,5 d 0,15
Sag com © © 2 ¹¹¨ ¸
© D 5 sen 5Zt ¹
Harmônico 0,1 d D d 0,9
0 , t 0
t1 t2 , u t ® T d t1 t2 d 12T
¯1, t t 0
Transitório
v t A sen Zt beJ t t1 sen Ztr t t1 50 d J d 100
Oscilatório
500 Hz d ftr d 1500 Hz
Fonte: Elaboração do próprio autor.
Com o auxílio da rotina models do software ATP (DUBÉ, 1996), foram modeladas
fontes para cada um dos tipos de distúrbios de tensão do Quadro 1, sendo estas fontes as
responsáveis por fornecer tensão ao alimentador modelado. No total, foram feitas 624
37
3.4.2 Curtos-Circuitos
110 - - -
120 - - -
Fonte: Elaboração do próprio autor.
Assim, para a simulação deste tipo de falta, utilizou-se um modelo aproximado de falta
impedância proposto por EMANUEL et al. (1990), apresentado na Figura 9.
3.5 Comentários
Nesta seção foi feita uma breve introdução a respeito das subestações de energia. Foram
apresentados os tipos de subestações de energia elétrica existentes e as configurações mais
comuns de subestações de distribuição de energia elétrica.
Além disso, foram descritos os principais fatores que levam à necessidade da automação
dos sistemas de distribuição, bem como os distúrbios mais comuns que ocorrem nestes
sistemas. Finalmente, decreveram-se as variáveis e o número total de simulações realizadas
no alimentador para validação da metodologia.
41
4 MÉTODO PROPOSTO
O controle preventivo é entendido, nesta pesquisa, como toda a ação possível de ser
implementada no sistema com o objetivo de evitar, ou pelo menos, minimizar a interrupção
do fornecimento de energia aos consumidores.
operação do sistema evoluindo para uma situação mais crítica que é a interrupção parcial ou
total do fornecimento de energia.
x localização do distúrbio;
x mobilização da equipe de manutenção para efetuar os reparos na rede de distribuição;
x eliminação, parcial ou completamente, da fonte causadora do distúrbio;
x inspeção dos equipamentos da rede de distribuição, buscando indícios de danos;
x reparo ou substituição dos equipamentos de proteção danificados, que futuramente possam
ser a causa da interrupção do fornecimento de energia.
4.3 Comentários
5 TRANSFORMADA WAVELET
1 f
f Z ³ f t e jZt dt (1)
2S f
aplicar a TF:
f Z ,,t
f
janelamento
janelamento
³ f s g s t e jZs ds (2)
f
Z mZ0 , sendo m,n , e Z0 ,t0 ! 0 . Desta maneira, a equação (2) pode ser reescrita:
f
janelame
janelamento
m,n
nto
f ³f f s g s nt0 e jmZ s ds
0
(3)
f
³ \ t dt 0 (4)
f
serão utilizadas como base ortogonal para a representação dos sinais. Este conjunto de
funções é obtido através de dilatações e translações da função wavelet \ , conforme descrito
pela equação (5):
1 § t b ·
\ a ,b t \¨ ¸ , b e a
, com a z 0 (5)
a © a ¹
sendo:
a : parâmetro de escala;
b : parâmetro de translação.
f 1 § t b ·
TWC f a,b f ,\ a ,b ³ f t \* ¨ ¸ dt (6)
f
a © a ¹
wavelet \ . Desta forma, a função wavelet é reescrita, conforme equação (7) (DAUBECHIES,
1992; MALLAT, 2009):
1 § t nb0 a0m ·
\ m,n t \¨ m ¸ , m,n (7)
a0m © a0 ¹
sendo:
1 ª k nb0 a0m º
\ m,n > k @ \« m » (8)
a0m ¬ a0 ¼
sendo:
1 ª k nb0 a0m º
\ m,n
*
>k @ \* « m ».
a0m ¬ a0 ¼
de funções ^Im,n `n , enquanto que para uma base de Wm utiliza-se umo conjunto de funções
A função Im,n , definida na equação (10), é denominada função escala. Sua forma
1 § t 2m n ·
Im,n t I¨ m ¸ (10)
2m © 2 ¹
1 ª k 2m n º
Im,n > k @ I« m » (11)
2m ¬ 2 ¼
A função \ m,n é denominada função wavelet, sendo já definida na equação (7), com
a0 2 e b0 1 . Assim, a equação (7) pode ser reescrita conforme equação (13) e sua forma
discreta pela equação (14). A projeção do sinal f > k @ no espaço Wm é definida pela equação
(15):
1 § t 2m n ·
\ m,n t \¨ m ¸ (13)
2m © 2 ¹
49
1 ª k 2m n º
\ m,n > k @ \« m » (14)
2m ¬ 2 ¼
geral, as famílias Daubechies e Symlet são as mais utilizadas, o que não quer dizer que outras
famílias não apresentem bons resultados (DECANINI et al., 2011a).
Para que uma determinada função possa ser utilizada como wavelet mãe, esta deve
apresentar as seguintes propriedades (MALLAT, 2009):
Além disso, o design desta deve ser ótimo, i.e., sua aplicação na decomposição de um
O número de vanishing moments está associado à ordem polinomial dos sinais que
podem ser representados por uma determinada wavelet mãe, o support size é o intervalo para
o qual esta é definida (fora deste intervalo a função é nula) e a regularidade está relacionada
ao erro introduzido no sinal reconstruído pelos coeficientes wavelets.
A wavelet de Haar constitui a primeira família de wavelets. Foi desenvolvida por Alfred
Haar em 1910. Trata-se de uma wavelet discontínua, que se assemelha a uma função degrau
unitário. Suas funções escala e wavelet são definidas pelas equações (18) e (19),
respectivamente (DAUBECHIES, 1992):
1, se 0 d t 1
I t ® (18)
¯0, caso contrário
1, se 0 d t 0,5
°
\ t ®1, se 0,5 d t 1 (19)
°0 ,
¯ caso contrário
Esta família de wavelets foi desenvolvida por Ingrid Daubechies, constituindo uma
família de wavelets ortonormais de support size compacto. A expressão support size
compacto refere-se ao fato da função estar definida apenas num intervalo fechado, de modo
que os valores fora desse intervalo sejam nulos (MALLAT, 2009).
O índice N também é utilizado para expressar o support size da função, i.e., o intervalo
para o qual a função está definida. Para o caso da família Daubechies, tanto a função escala
I t quanto a função wavelet \ t apresenta support size de 2 N 1 . Esta afirmação é
53
exemplificada através da Figura 13, onde é possível verificar graficamente que a família db6
família de wavelets de Haar, que tem como support size > 0,1@ e possui apenas 1 vanishing
moment.
A família Symlet foi desenvolvida por Daubechies. Esta família possui maiores
características de simetria do que a família Daubechies, por isso o nome Symlet (symmetric
wavelet) (DAUBECHIES, 1992). A Figura 14 apresenta a função escala e a função wavelet da
wavelet mãe sym5.
Semelhante à família Daubechies, esta família possui support size compacto. Em geral,
é identificada pela expressão symN (Symlet de ordem N ), onde N indica o número de
vanishing moments apresentados pela função. O support size dessa família também é definido
pela relação 2 N 1 , conforme pode ser verificado na Figura 14.
Uma das características da família Coiflet é o fato da função escala e da função wavelet
apresentar distintos números de vanishing moments, i.e., 2 N 1 e 2N vanishing moments,
55
5.6 Entropia
Z P
EN ¦ x > n@
n 1
(20)
sendo:
P : nível de energia.
5.7 Energia
Z 2
EG ¦ x > n@
n 1
(21)
sendo:
5.8 Comentários
Por fim, as técnicas baseadas na Teoria Wavelet provam ser mais eficientes do que os
métodos baseados na transformada de Fourier por conservarem a informação dos transitórios
de frequência no domínio do tempo.
57
6 LÓGICA FUZZY
Neste sentido, Lotfi Zadeh, em 1965, propôs uma nova teoria de conjuntos, denominada
teoria dos conjuntos fuzzy (ZADEH, 1965). Esta teoria é importante no sentido de que o
mundo não é constituído por fatos absolutamente verdadeiros ou falsos, sendo possível
representar valores de pertinência intermediários entre os valores “verdadeiros” e “falsos” da
lógica clássica.
x A (22)
x A (23)
A S (24)
1, se x A
PA x ® (25)
¯0, se x A
P A x : U o >0,1@ (26)
qual x pertence a A .
Os valores da função de pertinência são valores reais definidos no intervalo > 0,1@ . Com
sendo:
A união entre dois conjuntos fuzzy (representada pela linha vermelha) é mostrada na
Figura 17.
sendo:
A interseção entre dois conjuntos fuzzy (representada pela linha vermelha) é mostrada
na Figura 18.
PA x 1 PA x (29)
As funções de pertinência são funções contínuas e limitadas no intervalo > 0,1@ que
Em geral, as funções de pertinência podem ter diferentes formas, as quais são escolhidas
baseando-se na natureza da aplicação. Dentre as funções existentes, podem ser destacadas as
62
6.3.1 Triangular
x v1
° v v , v1 d x d v2
° 2 1
° x v3
P x ® , v2 d x d v3 (30)
° v2 v3
° 0 , nos demais intervalos
°
¯
6.3.2 Trapezoidal
x v1
° v v , v1 d x d v2
° 2 1
° 1 ,v2 d x d v3
P x ® (31)
° x v4 , v d x d v
° v3 v4 3 4
°
¯ 0 , nos demais intervalos
6.3.3 Gaussiana
x x0
2
P x e 2V (32)
2
sendo:
6.4.1 Fuzzyficação
Este bloco é responsável por decompor uma determinada entrada e/ou saída em um ou
mais conjuntos fuzzy. Cada conjunto fuzzy cobre uma região particular de valores (entrada ou
saída) e, através da função de pertinência, produz um grau de pertinência com valores
compreendidos entre 0 e 1. O resultado dos conjuntos fuzzy representa o grau para o qual um
valor de entrada ou um valor de saída é um membro daquele conjunto fuzzy particular
(KANDEL, 1993). Na fase de fuzzyficação é observada uma superposição entre os limites dos
conjuntos fuzzy, que é necessária para prover uma operação suave do sistema. O processo de
fuzzyficação permite que as entradas e saídas do sistema sejam expressas em termos
linguísticos de maneira que as regras possam ser aplicadas de uma maneira simples para
expressar um sistema complexo.
A base de regras é um dos principais componentes dos sistemas fuzzy. É constituída por
uma série de sentenças SE-ENTÃO (IF-THEN rules), que consistem de uma condição e uma
ação, definidas como sendo uma função da entrada e uma função da saída dos conjuntos fuzzy,
respectivamente. Estas regras são do tipo (CHEN; PHAM, 2006):
Normalmente, um sistema fuzzy exige mais de uma regra para descrever completamente
toda a ação necessária. Estas regras podem ser geradas a partir da experiência ou através de
dados numéricos.
6.4.4 Defuzzyficação
x Critério do máximo: neste processo é escolhido o valor ( y ) do conjunto fuzzy para o qual
¦P ui 1
i i
y n (34)
¦P
i 1
i
sendo:
n : número de regras;
6.5 Comentários
Nesta seção foram apresentados os principais conceitos da lógica fuzzy. Também foram
definidos os operadores lógicos fuzzy empregados nas operações entre os conjuntos fuzzy.
Para a representação destes conjuntos fuzzy existem diferentes tipos de funções de pertinência,
ficando a critério do usuário a escolha pela melhor delas.
As redes neurais da família ART são capazes de realizar, de maneira estável e através
da auto-organização, o reconhecimento de categorias em resposta a sequências arbitrárias de
padrões de entrada (CARPENTER; GROSSBERG, 1992; LOPES, 2005; WEENINK, 1997).
4. Rede neural ARTMAP: esta rede possui treinamento supervisionado. É composta por um
par de módulos ART, interconectados por um módulo de memória associativa Inter-ART,
sendo capaz de reconhecer tanto padrões de entrada binários como padrões de entrada
analógicos (CARPENTER et al., 1991a).
5. Rede neural Fuzzy ARTMAP: esta rede possui treinamento supervisionado. É composta
por um par de módulos Fuzzy ART, interconectados por um módulo de memória
associativa Inter-ART, sendo capaz de reconhecer tanto padrões de entrada binários como
padrões de entrada analógicos. Nesta rede são utilizados os operadores lógicos fuzzy
AND/OR (CARPENTER et al., 1992).
campo F0 representa a entrada atual do sistema a . A memória de curto prazo (STM – Short
Term Memory) está associada à atividade desenvolvida nos dois campos, F1 e F2 , no estado de
ressonância. É durante o estado de ressonância que ocorre o aprendizado do sistema
(DJUKANOVIC et al., 1995; GEORGIOPOULOS et al., 1996; GOPAL et al., 1999;
SIMPSON, 1989).
71
Nos sistemas ART, os vetores são representados como linhas e não como colunas,
diferindo da representação adotada na literatura. Esta representação visa a simplificação na
formulação das equações.
A rede neural Fuzzy ART, apresentada na Figura 26, incorpora cálculos da teoria dos
conjuntos fuzzy (ZADEH, 1965) em sistemas ART. A mesma possui capacidade de
reconhecimento estável através da auto-organização em resposta a padrões de entrada binários
ou analógicos (CARPENTER; GROSSBERG, 1992; GEORGIOPOULOS et al., 1996;
LOPES et al., 2005). A diferença entre as redes neurais ART e Fuzzy ART se baseia no
operador adotado na realização das operações. Na rede neural ART, as operações são
realizadas utilizando o operador intersecção, definido por . Já na rede Fuzzy ART, adota-se
o operador fuzzy AND, definido por .
72
Na rede neural Fuzzy ART os dados de entrada são denotados pelo vetor a ,
a
a (35)
a
sendo:
M
a ¦a
i 1
i .
c
ai 1 ai (36)
73
sendo:
c
a i : complemento do vetor normalizado.
7.1.2 Parâmetros
Existem três parâmetros fundamentais que devem ser especificados antes de iniciar o
processo de treinamento da rede neural Fuzzy ART. São eles (CARPENTER; GROSSBERG,
1992; GEORGIOPOULOS et al., 1996):
número de categorias criadas. Se U é grande, muitas categorias são criadas, fazendo com
que a rede possua baixa capacidade de generalização. Porém, se U é pequeno, poucas
categorias são criadas, fazendo com que a rede possua alta capacidade de generalização.
igual a um, indicando que não existe nenhuma categoria ativa (CARPENTER; GROSSBERG,
1992):
W j ,1 0 ... W j ,2 M 0 1 (38)
Com o vetor de entrada I em F1 , para cada nó j em F2 , i.e., para cada categoria criada,
1992):
74
I W j
Tj (39)
D Wj
Se existir mais de uma categoria ativa, a categoria escolhida será aquela que tiver o
menor índice.
em F1 , indicado por X > X1 ... X 2M @ , de acordo com a equação (42) descrita a seguir:
I se F2 é inativo
X ® (42)
¯ I W jv se o nó jv de F2 é ativo
Yj 1 , para j jv
(43)
Yj 0 , para j z jv
I W jv
tU (44)
I
excluído do processo de busca da categoria ativa dada pela equação (41), isto é, T jv assume o
valor igual a zero e, então, é escolhida uma nova categoria pela equação (41) para realizar
novamente o processo de ressonância. Este processo é executado até que a rede encontre uma
categoria ativa jv que satisfaça a equação (44).
7.1.6 Aprendizado
W jv novo
E I W jvvelho 1 E W jvvelho (45)
1. Treinamento lento ( 0 E 1): os pesos da rede são adaptados lentamente. Neste tipo de
treinamento, os padrões de entrada são apresentados à rede diversas vezes.
2. Treinamento rápido ( E 1 ): os pesos da rede são adaptados rapidamente. Na execução do
treinamento rápido, os padrões de entrada são apresentados à rede somente uma vez.
Esta rede é composta por um par de módulos Fuzzy ART (ARTa e ARTb), que são
conectados por um módulo de memória associativa denominado Inter-ART, como mostrado
na Figura 27.
76
O módulo Fuzzy ARTa inicializará, então a busca de uma nova categoria para a entrada
atual até que se encontre um prognóstico correto ou crie uma nova categoria no módulo Fuzzy
ARTa e a sua conexão associativa correspondente à categoria no módulo Fuzzy ARTb
(CARPENTER et al., 1992; LIM; HARRISON, 1997; LOPES et al., 2005).
A rede neural Fuzzy ARTMAP possui duas entradas, uma referente ao módulo Fuzzy
ARTa e outra referente ao módulo Fuzzy ARTb. A entrada referente ao módulo Fuzzy ARTa é
representada pelo vetor a , a ª¬ a1 ... aM a º¼ , Ma-dimensional. Já a saída do módulo Fuzzy
ARTb, que corresponde à saída desejada referente ao padrão de entrada da rede Fuzzy ARTa, é
representada pelo vetor b , b ª¬b1 ... bM a º¼ , Mb-dimensional (CARPENTER et al., 1992).
77
7.2.2 Parâmetros
módulo Inter-ART.
possuem o valor igual a um, indicando que não existe nenhuma categoria ativa
(CARPENTER et al., 1992):
sendo:
A rede neural Fuzzy ARTMAP realiza o processamento de duas redes Fuzzy ART
a
(ARTa e ARTb). Assim, para cada módulo ART calculam-se as funções de escolha T j e Tkb ,
a
I a W ja
T (51)
D W ja
j
b
I b Wkb
T (52)
D Wkb
k
Assim, é escolhida uma categoria ativa para a rede Fuzzy ARTa e uma para a rede Fuzzy
ARTb, como apresentado pelas equações (53) e (54) (CARPENTER et al., 1992):
sendo:
Se existir mais de uma categoria ativa, a categoria escolhida será aquela que tiver o
menor índice.
O vetor de atividade Fuzzy ARTb é representado por Y b ª¬Y1b ... YNb º¼ e calculado
Ykb 1 , para k kv
(55)
Ykb 0 , para k z kv
I a W jva
t Ua (56)
Ia
I b Wkvb
t Ub (57)
Ib
Se a equação (56) não for satisfeita, então ocorre o reset, ou seja, o nó jv é excluído do
a
processo de busca da categoria ativa dada pela equação (53), isto é, T jv assume o valor igual a
zero e então é escolhida uma nova categoria pela equação (53) para realizar novamente o
processo de ressonância. Este processo é executado até que a rede encontre uma categoria
ativa jv que satisfaça a equação (56). Caso a equação (57) não seja satisfeita, então o mesmo
processo descrito acima é repetido para o módulo Fuzzy ARTb, ou seja, exclui-se o nó kv do
processo de busca da categoria ativa ( Tkvb 0 ), escolhendo uma nova categoria através da
equação (54).
Após a identificação das categorias ativas em cada um dos módulos Fuzzy ART, utiliza-
se o match-tracking com o objetivo de verificar se a categoria ativa em Fuzzy ARTa
corresponde à saída desejada apresentada em Fuzzy ARTb. Assim, aplica-se o critério de
vigilância apresentado na equação (58):
Y b W jvab
t U ab (58)
Yb
7.2.6 Aprendizado
Após ocorrer o critério de vigilância dado pela equação (58), é feita a adaptação dos
pesos da rede neural Fuzzy ARTMAP. A adaptação dos pesos dos módulos Fuzzy ARTa e
Fuzzy ARTb é realizada conforme apresentado pelas equações (59) e (60), respectivamente.
80
Os pesos do módulo Inter-ART são adaptados conforme a equação (61) (CARPENTER et al.,
1992).
W jva novo
E I a W jva velho 1 E W jva velho (59)
Wkvb novo E I b
Wkvb velho
1 E Wb velho
kv (60)
ab
W jv,k 1 , para k kv
(61)
ab
W jv,k 0 , para k z kv
Passo 2) Inicialização das matrizes de pesos da rede neural Fuzzy ARTMAP (os valores
dos pesos das matrizes W a , W b e W ab são iguais a 1).
Passo 5) Faz-se Ua Ua .
b
I b Wkb
T , para k 1, 2, ... , N .
D Wkb
k
81
I b Wkb
t Ub .
Ib
Ykb 1 , para k kv
Wkvb novo
E I b Wkvb velho 1 E Wkvb velho .
a
Passo 11) Calcula-se a função de escolha T j :
a
I a W ja
T , para j 1, 2, ... , N .
D W ja
j
I a W ja
t Ua .
Ia
a
Senão, ocorre o reset: faz-se T jv 0 e retorna ao Passo 12).
Y b W jvab
t U ab .
Yb
I a W jva
Senão, incrementa-se o parâmetro de vigilância U a , Ua H , e faz-se
Ia
W jva novo
E I a W jva velho 1 E W jva velho .
Passo 16) Atualização dos pesos do módulo Inter-ART, W jvab ª¬W jv,
ab ab ab
º
1 W jv,2 ... W jv,N ¼ :
ab
W jv,k 1 , para k kv
ab
W jv,k 0 , para k 1, 2, ... , N ; k z kv .
sendo:
j 1, 2, ... , N );
Ua
: valor inicial do parâmetro de vigilância da rede Fuzzy ARTa;
Passo 2) Identifica-se o neurônio vencedor na rede neural Fuzzy ARTa ( jv ), sem realizar a
adaptação dos pesos.
I { W jvabW b
b
ªb1 b2 ... bM b1c bc2 ... bcM º
¬ b b ¼
b ª¬b1 b2 ... b Mb º¼
: saída codificada.
7.3 Comentários
Nesta seção foram apresentados os principais conceitos das redes neurais da família
ART, i.e., Fuzzy ART e Fuzzy ARTMAP, que têm como principal características a
estabilidade e plasticidade.
Também foram descritos os principais parâmetros utilizados nestas duas redes e seus
respectivos processos de treinamento. Além disso, para a rede Fuzzy ARTMAP,
apresentaram-se os procedimentos da etapa de teste.
85
8 METODOLOGIA
8.1 Introdução
Caso este distúrbio não seja classificado como uma falta de alta impedância, então, as
informações de tensão e de corrente, obtidas pela TW, são agregadas via conceito energia.
Estes índices de tensão e de corrente compõem o vetor de entrada da rede neural Fuzzy
ARTMAP, após os mesmos serem pré-processados. A rede Fuzzy ARTMAP fornece em sua
saída o tipo de distúrbio presente no sistema, ou seja, distúrbio de tensão ou curto-circuito.
de entrada de uma terceira rede neural Fuzzy ARTMAP, a qual fornece em sua saída as fases
envolvidas no curto-circuito. Para duas fases envolvidas, o índice Z é calculado, avaliando a
presença da terra na mesma.
Utilizando a AMR, as oscilografias de tensão e de corrente de cada uma das fases são
decompostas em dois níveis. Assim, calcula-se a média aritmética do valor absoluto dos
coeficientes de detalhe para cada nível de decomposição da oscilografia em análise
(DECANINI et al., 2011b):
Nj
¦d
k 1
k
ij
(62)
d ij
Nj
sendo:
Para cada valor absoluto do coeficiente de detalhe, calcula-se a sua variação em relação
à média aritmética obtida (DECANINI et al., 2011b):
k
varijk dijk d ij (63)
sendo:
¦ d
Nj
2
k
ij d ij
(64)
V ij k 1
N j 1
sendo:
sendo:
sendo:
sendo:
ET k ,ref : vetor entropia da oscilografia k , tendo como referência a operação normal sistema.
sendo:
Analisando os valores destes três índices, os vértices dos conjuntos fuzzy são
determinado de maneira que este módulo seja capaz de distinguir as faltas de alta impedância
dos demais distúrbios.
sendo:
subtraída a energia pré-distúrbio, como apresentado pela equação (75) (DECANINI et al.,
2011a; MALANGE, 2010; UYAR et al., 2008):
sendo:
EG k ,ref : vetor energia da oscilografia k , tendo como referência a operação normal sistema.
Utilizando as energias obtidas, tanto para os sinais de tensão como para os sinais de
corrente, é possível compor o vetor característico do tipo de distúrbio, descrito pela equação
(76):
sendo:
Analisando as Equações (73)-(75), observa-se que cada vetor energia ( EG k ,ref ) possui
dimensão igual a três. Para compor o vetor característico do tipo de distúrbio ( Γ ) são
utilizados seis vetores EG k ,ref , cada um referente a uma oscilografia, i.e., Va, Vb, Vc, Ia, Ib e
Ic. Assim, tem-se que a dimensão do vetor Γ é igual a dezoito.
A decisão do tipo de distúrbio presente no sistema é feita por uma rede neural Fuzzy
ARTMAP. Os vetores de entrada desta rede devem estar compreendidos no intervalo > 0,1@ .
a > Λ Ω@ (77)
sendo:
com:
92
*i
Oi (79)
* máx
se * i ! 0 , então :i 1
(80)
se * i d 0 , então :i 0
para i 1, 2, ... , 6 .
Esta codificação é necessária para distinguir os valores negativos dos positivos de cada
um dos * i .
Como mencionado anteriormente, este módulo emprega uma rede neural Fuzzy
ARTMAP, a qual realiza seu treinamento de maneira supervisionada. A entrada da rede
neural ( a ) corresponde aos vetores comportamentais Λ e Ω . O vetor Λ representa as
características normalizadas (corrente e tensão) do tipo de distúrbio, e o vetor Ω o sinal de
cada característica normalizada. O estímulo de saída ( b ) é codificado para representar o tipo
de distúrbio presente no sistema. Nesta etapa, os tipos de distúrbios que podem estar presentes
no sistema são: distúrbios de tensão ou curtos-circuitos. A Tabela 1 apresenta a codificação
para os possíveis tipos de distúrbios que podem estar presentes no sistema utilizando 2 bits.
subdividido em: (1) módulo de extração das características de tensão; e (2) módulo de
classificação de distúrbios de tensão.
sendo:
Similar ao sistema anterior, a entropia obtida para os ciclos pré-distúrbio são utilizadas
como referência do estado normal de operação. Para cada entropia em distúrbio ( ET k ,e )
subtrai-se o valor da entropia pré-distúrbio ( ET k ,p ), compondo o vetor apresentado na
equação (83) (DECANINI et al., 2011a; MALANGE, 2010; UYAR et al., 2008):
ET k ,ref ET k ,durante ET k ,pré ª¬ ETdk1 ,ref ETdk2 ,ref ETdk3 ,ref ETdk4 ,ref ETak4 ,ref º¼ (83)
sendo:
DT ª¬ ETdVa,ref
4
ETdVa,ref
5
ETdVb,ref
4
ETdVb,ref
5
ETdVc,ref
4
ETdVc,ref
5
º¼ (84)
sendo:
Este módulo também emprega uma rede neural Fuzzy ARTMAP. Como o vetor de
entrada da mesma deve estar compreendido no intervalo > 0,1@ , o vetor característico de
a >Ψ Φ@ (85)
sendo:
com:
ATi
\i (87)
ATmáx
se < i ! 0 , então ) i 1
(88)
se < i d 0 , então ) i 0
para i 1, 2, ... ,6 .
sendo:
sa sb sc
na nb nc (91)
smáx smáx smáx
s1 na nb s2 nb nc s3 nc na (92)
s1 s2 s3 0 (93)
s3 s1 s2 (94)
Os valores destes índices estão compreendidos no intervalo > 1, 1@ . Sua variação
A classificação dos curtos-circuitos é executada por outra rede neural Fuzzy ARTMAP.
Como os índices s1 , s2 e s3 pertencem ao intervalo > 1, 1@ , necessita-se realizar uma
si 1
sit , para i 1, ... , 3 (95)
2
sendo:
Assim, os índices s1t , s2t e s3t compõem o vetor de entrada da rede neural Fuzzy
ARTMAP. A saída da rede é codificada de maneira que possa fornecer o tipo de curto-
circuito presente no sistema, ou seja, quais fases estão envolvidas no curto-circuito, e também
o nível da resistência de falta (baixa ou alta). A codificação para cada tipo de curto-circuito é
apresentada na Quadro 5.
sendo:
99
sendo:
8.5 Comentários
9 APLICAÇÕES E RESULTADOS
9.1 Introdução
* Para a realização do diagnóstico de faltas de alta impedância não foi necessário a seleção de
nenhum padrão de treinamento, pois o módulo para determinação desta não utiliza nenhum
tipo de rede neural.
102
PI 0,00013 0,00095
Fonte: Elaboração do próprio autor.
Este módulo apresentou 100% de acerto no diagnóstico dos distúrbios de tensão, dos
curtos-circuitos e das faltas de alta impedância, i.e., identificação de todos os 589 distúrbios,
com alto desempenho computacional.
O sistema fuzzy apresentado acima possui três entradas e uma saída. Para a primeira
entrada, “Média das Entropias de Corrente – Detalhe Nível 1”, utiliza-se três conjuntos fuzzy,
apresentados na Figura 29, sendo os vértices de cada um dos conjuntos definidos na Tabela 4.
Figura 29 – Conjuntos fuzzy da entrada "Média das Entropias de Corrente - Detalhe Nível 1".
Tabela 4 – Vértices dos conjuntos fuzzy da entrada "Médias das Entropias de Corrente -
Detalhe Nível 1” (continua)
Conjunto Vértice 1 Vértice 2 Vértice 3
P 0 137,5 275,0
104
Tabela 4 - Vértices dos conjuntos fuzzy da entrada "Médias das Entropias de Corrente -
Detalhe Nível 1” (conclusão)
Conjunto Vértice 1 Vértice 2 Vértice 3
M 225,0 500,0 775,0
G 725,0 862,5 1000,0
Fonte: Elaboração do próprio autor.
sendo:
P : pequeno;
M : médio;
G : grande.
A segunda entrada, “Média das Entropias de Corrente – Detalhe Nível 2”, também
utiliza três conjuntos fuzzy, apresentados na Figura 30, sendo os vértices de cada um dos
conjuntos definidos na
Figura 30 – Conjuntos fuzzy da entrada “Média das Entropias de Corrente - Detalhe Nível 2.
Tabela 5 - Vértices dos conjuntos fuzzy da entrada “Médias das Entropias de Corrente –
Detalhe Nível 2”
Conjunto Vértice 1 Vértice 2 Vértice 3
P 0 137,5 275,0
M 225,0 500,0 775,0
G 725,0 862,5 1000,0
Fonte: Elaboração do próprio autor.
105
sendo:
P : pequeno;
M : médio;
G : grande.
A última entrada, “Média das Entropias de Corrente – Aproximação Nível 2”, possui
seis conjuntos fuzzy, como mostra a Figura 31, sendo cada um de seus vértices apresentados
na Tabela 6.
Tabela 6 – Vértices dos conjuntos fuzzy da entrada "Média das Entropias de Corrente -
Aproximação Nível 2"
Conjunto Vértice 1 Vértice 2 Vértice 3
NG -1000000,0 -862500,0 -725000,0
NM -775000,0 -500000,0 -225000,0
NP -275000,0 -137500,0 0
PP 0 137500,0 275000,0
PM 225000,0 500000,0 775000,0
PG 725000,0 862500,0 1000000,0
Fonte: Elaboração do próprio autor
sendo:
106
NG : negativo grande;
NM : negativo médio;
NP : negativo pequeno;
PP : positivo pequeno;
PM : positivo médio;
PG : positivo grande.
A única saída deste sistema fuzzy, “Falta de Alta Impedância Presente?”, indicará se o
distúrbio, presente no sistema de distribuição, é ou não uma falta de alta impedância. Os
conjuntos desta saída são apresentados na Figura 32, e os vértices dos mesmos na Tabela 7.
Tabela 7 – Vértices dos conjuntos fuzzy da saída "Falta de Alta Impedância Presente?"
Conjunto Vértice 1 Vértice 2 Vértice 3
NÃO 0 25,0 50,0
SIM 50,0 75,0 100,0
Fonte: Elaboração do próprio autor.
sendo:
O acerto deste módulo foi de 100%, i.e., dos 589 distúrbios detectados pelo módulo de
detecção de distúrbios, este foi capaz de determinar que 25 eram faltas de alta impedância e os
outros 564 não eram faltas de alta impedância.
Este módulo é ativado quando o distúrbio detectado no alimentador não for classificado
como uma falta de alta impedância. Nesta etapa, será feita a decisão por quais outros tipos de
distúrbios podem estar presentes no alimentador, i.e., distúrbio de tensão ou curto-circuito.
Para isso, emprega-se uma rede neural Fuzzy ARTMAP, a qual provê maior desempenho
computacional do que as técnicas tradicionais utilizadas na literatura, e.g., algoritmo
backpropagation. Esta rede foi treinada com um total de 1500 distúrbios, i.e., somente
108
Quadro 7 – Resultados referentes à variação dos parâmetros da rede neural Fuzzy ARTMAP
utilizada na decisão do tipo de distúrbio
Topologia
Parâmetros
1 2 3 4 5 6
D 0,1 0,1 0,1 0,1 0,1 0,1
E 1,0 1,0 1,0 1,0 1,0 1,0
Caso seja determinada, pelo módulo de decisão do tipo de distúrbio, que há a presença
de um distúrbio de tensão no alimentador, ativa-se a etapa na qual será realizado o diagnóstico
desta. Para processo de diagnóstico de distúrbios de tensão, foram utilizados 500 distúrbios
para o treinamento do sistema de classificação do tipo de distúrbio de tensão, conforme
Quadro 6. A execução do teste, e consequentemente validação da metodologia, contou com
todos os distúrbios caracterizados como distúrbios de tensão (124, de acordo com o Quadro
109
6), uma vez que módulo de decisão do tipo de distúrbios distinguiu os distúrbios de tensão
dos curtos-circuitos.
São extraídas as características das oscilografias de tensão de cada uma das fases
através da aplicação da AMR com quatro níveis de decomposição, utilizando novamente a
wavelet mãe db4. Os coeficientes de detalhe e de aproximação referentes ao quarto nível são
agregados através do conceito entropia.
A utilização da entropia como técnica de fusão de dados (data fusion) pode influenciar
no resultado final do diagnóstico de distúrbios de tensão, devido esta necessitar da
especificação de um nível de energia. Por conseguinte, a eficiência da rede neural Fuzzy
ARTMAP está diretamente relacionada à realização de um treinamento adequado e à correta
especificação de seus parâmetros. Neste contexto, para três diferentes níveis de energia, foram
avaliadas diferentes topologias de rede, as quais são apresentadas no Quadro 8, juntamente
com o tempo de treinamento e o percentual de acerto do sistema de diagnóstico de distúrbios
de tensão.
sendo:
Analisando o Quadro 9, tem-se que os distúrbios sag e sag com harmônico não
apresentaram 100% de acerto. Os distúrbios de tensão são representadas pelas entropias dos
coeficientes de detalhe e de aproximação do quarto nível, considerando cada uma das fases,
após sofrerem normalização e codificação. A Figura 33 apresenta o comportamento da
entropia, com um nível de energia igual a 1,0, dos coeficientes de detalhe e aproximação para
cada distúrbio de tensão.
Devido à semelhança dos valores dos índices característicos dos distúrbios sag, outage e
sag com harmônico, i.e., diferenciam apenas no valor da amplitude, a rede neural, na etapa de
teste, pode então estar classificando um destes três distúrbios erroneamente, e.g., classificar
um distúrbio sag como um sag com harmônico ou outage.
rede neural fornecer em sua saída duas fases envolvidas, i.e., um curto-circuito bifásico, o
índice s4 é calculado, com o propósito de determinar a presença ou não da terra.
A distinção de curtos-circuitos bifásicos sem conexão à terra, i.e., ab, bc e ca, de curtos-
circuitos bifásicos com conexão à terra, i.e., ab-g, bc-g e ca-g, é realizada através da análise
do parâmetro Z . Este parâmetro somente é calculado quando o módulo de classificação de
curtos-circuitos apresenta em sua saída duas fases ativas, obtendo melhora na eficiência e no
tempo total de diagnóstico, i.e., o cálculo do parâmetro Z não é necessário para curtos-
circuitos monofásicos e trifásicos, reduzindo a dimensão do vetor de entrada da rede neural
em um componente. O valor limite especificado para avaliar a conexão com a terra foi
115
9.6 Comentários
Além disso, os índices utilizados como entradas das redes neurais, gerados a partir da
AMR, foram capazes de representar de modo eficiente o comportamento dos distúrbios
analisados nesta pesquisa.
10 CONCLUSÕES
Esta pesquisa teve como objetivo a formulação do controle preventivo, capaz de realizar
o diagnóstico de diversos distúrbios em sistemas de distribuição de energia elétrica. Com as
ferramentas desenvolvidas nesta pesquisa, a tomada de decisão, por parte dos operadores,
torna-se um processo simples. Assim, fica somente como responsabilidade do operador
definir a medida preventiva a ser adotada para restabelecer a operação normal do sistema de
distribuição de energia elétrica.
Caso o disbúrbio detectado não se caracterize por ser uma falta de alta impedância,
utilizando os conceito energia e uma rede neural Fuzzy ARTMAP, verifica-se se esta
anormalidade é um distúrbio de tensão ou um curto-circuito. Nesta etapa, obteve-se 100% de
acerto nos diagnósticos.
A escolha pelo uso de redes neurais da família ART, Fuzzy ARTMAP, é devido esta
família de rede apresentar um reduzido tempo de treinamento. Deve-se ressaltar que cada
módulo que emprega uma rede neural Fuzzy ARTMAP necessitou de apenas uma época, i.e.,
um ciclo de treino sobre todo o conjunto de padrões de entrada, para alcançar tais resultados.
Portanto, esta arquitetura de rede possui alto desempenho computacional quando comparado
119
REFERÊNCIAS
ALAG, S. et al. A methodology for intelligent sensor measurement, validation, fusion, and
fault detection for equipment monitoring and diagnosis. Artificial Intelligence for
Engineering Design, Analysis and Manufacturing, Cambridge, v.15, n. 4, p. 307–320,
2001.
BAQUI, I. et al. High impedance fault detection methodology using wavelet transform and
artificial neural networks. Electric Power Systems Research, Lausanne, v. 81, n. 7, p. 1325–
1333, 2011.
BUCHHOLZ, V. L. et al. High impedance fault detection device tester. IEEE Transactions
on Power Delivery, Pistacaway, v. 11, n. 1, p. 71-77, 1996.
CARPENTER, G. A. et al. Fuzzy ART: fast stable learning and categorization of analog
patterns by an adaptive resonance system. Neural Network, Oxford, v. 4, n. 1, p. 759–771,
1991b.
CHEN, G.; PHAM, T. T. Introduction to fuzzy systems. Boca Raton: Chapman & Hall/CRC
Press, 2006.
CHEN, W.-H. et al. On-line fault diagnosis of distribution substations using hybrid cause-
effect network and fuzzy rule-based method. IEEE Transactions on Power Delivery,
Piscataway, v. 15, n. 2, p. 710–717, 2000.
COX, E. The fuzzy systems handbook: a practioner’s guide to building, using, and
maintaining fuzzy systems. Boston: Academic Press, 1994.
DAUBECHIES, I. Ten lectures on wavelets. Philadelphia: Society for Industrial and Applied
Mathematics, 1992.
DJUKANOVIC, M. et al. A neural-net based short term load forecasting using moving
window procedure. Electrical Power and Energy Systems, Oxford, v. 17, n. 6, p. 391–397,
1995.
123
ERISTI, H. et al. Wavelet-based feature extraction and selection for classification of power
system disturbances using support vector machines. Electric Power System Research,
Lausanne, v. 80, n. 7, p. 743–752, 2010.
FAN, J.; BORLASE, S. The evolution of distribution. IEEE Power and Energy Magazine,
Piscataway, v. 7, n. 2, p. 63–68, 2009.
GEORGIOPOULOS, M. et al. Order of search in fuzzy ART and fuzzy ARTMAP: effect of
the choice parameter. Neural Networks, Oxford, v. 9, n. 9, p. 1541–1559, 1996.
GOPAL, S. et al. Fuzzy neural network classification of global land cover from a 1-degree
AVHRR data set. Remote Sensing of Environment, New York, v. 67, n. 2, p. 230–243,
1999.
GRANGER, E. et al. A VLSI architecture for fast clustering with fuzzy ART neural
networks. International Journal of Microelectronics System Integration, New York, v. 5,
n. 1, p. 3–18, 1997.
HE, J. et al. ART-C: a neural architecture for self-organization under constraints. In:
INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, 2002, Honolulu.
Proceedings… Piscataway: IEEE, 2002. p. 2550–2555.
KEYVAN, S. et al. Nuclear fuel pellet inspection using artificial neural networks. Journal of
Nuclear Materials, Amsterdam, v. 264, n. 1–2, p. 141–154, 1999.
KEZUNOVIC, M. Smart fault location for smart grids. IEEE Transactions on Smart Grid,
Piscataway, v. 2, n. 1, p. 11–22, 2011.
KEZUNOVIC, M.; VASILIC, S. Fuzzy ART neural network algorithm for classifying the
power system faults. IEEE Transactions on Power Delivery, Piscataway, v. 20, n. 2, p.
1306–1314, 2005.
KEZUNOVIC, M.; ABUR, A. Merging the temporal and spatial aspects of data and
information for improved power system monitoring applications. Proceedings of the IEEE,
Piscataway, v. 93, n. 11, p. 1909–1119, 2005.
MAHANTY, R. N.; DUTTA GUPTA, P. B. A fuzzy logic based fault classification approach
using current samples only. Electric Power Systems Research, Lausanne, v. 77, n. 6–7, p.
501–507, 2007.
MALLAT, S. A wavelet tour of signal processing: the sparse way. 3. ed. Burlington:
Academic Press, 2009.
McDONALD, J. D. Eletric power substations engineering. Boca Raton: CRC Press, 2003.
MEHER, S. K.; PRADHAN, A. K. Fuzzy classifiers for power quality events analysis.
Electric Power Systems Research, Lausanne, v. 80, n. 1, p. 71–76, 2010.
MENDEL, J. M. Fuzzy logic systems for engineering: a tutorial. Proceedings of the IEEE,
Piscataway, v. 83, n. 3, p. 345-377, 1995.
MOHAMED, E. A.; RAO, N. D. Artificial neural network based fault diagnostic system for
electric power distribution feeders. Electric Power System Research, Lausanne, v. 35, n. 1,
p. 1–10, 1995.
REAZ, M. B. I. et al. Expert system for power quality disturbance classifier. IEEE
Transaction on Power Delivery, Piscataway, v. 22, n. 3, p. 1979–1988, 2007.
SALIM, R. H. et al. Hybrid fault diagnosis scheme implementation for power distribution
systems automation. IEEE Transactions on Power Delivery, Piscataway, v. 23, n. 4, p.
1846–1856, 2008.
SAMANTARAY, S. R. et al. Adaptive Kalman filter and neural network based high
impedance fault detection in power distribution networks. International Journal of
Electrical Power & Energy Systems, Oxford, v. 31, n. 4, p. 167–172, 2009.
126
VERZI, S. I. et al. Universal approximations with fuzzy ART and fuzzy ARTMAP. In:
INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, 2003, Portland.
Proceedings… Piscataway: IEEE, 2003. v. 3, p. 1987–1992.
ZHANG, G. et al. Entropy feature extraction approach for radar emitter signals. In:
INTERNATIONAL CONFERENCE ON INTELLIGENT MECHATRONICS AND
AUTOMATION, 2004, Chengdu. Proceedings… Piscataway: IEEE, 2004. p. 621–625.
129
A Tabela 9 fornece a barra inicial e final de cada trecho, o comprimento destes trechos,
a bitola do condutor e a carga conectada à barra final de cada trecho do alimentador.
¾ Trecho inicial (da Barra 0 para a Barra 1): a matriz de impedância deste trecho corresponde
às impedâncias equivalentes de geração, transmissão e do transformador da subestação:
APÊNDICE A - PUBLICAÇÕES
A.2 Congressos