VI SBQEE

21 a 24 de agosto de 2005 Belm Par Brasil

Cdigo: BEL 13 7696 Tpico: Sistemas de Monitoramento e Tratamento de dados

CLASSIFICAO DE PADRES DE AFUNDAMENTOS DE TENSO EM SISTEMAS DE MONITORAMENTO DA QUALIDADE DA ENERGIA ELTRICA

DLIO E. B. FERNANDES

MRIO FABIANO ALVES PUC-MG

PYRAMO P. C. JNIOR

RESUMO Este artigo apresenta uma metodologia de classificao de afundamentos de tenso utilizando uma rede neural probabilstica e um classificador de padres de Bayes para validao. A partir de um conjunto de dados representativos de afundamentos de tenso obtido um grupamento de dados utilizando um algoritmo de grupamento por distncia Euclidiana e, ento, os grupos encontrados so utilizados como padres de treinamento em uma rede neural probabilstica. Uma vez treinada, a rede ento utilizada para efetuar classificaes em outros conjuntos de dados. PALAVRAS-CHAVE Qualidade da energia eltrica, variaes de tenso de curta durao, afundamentos de tenso, classificao de padres, redes neurais artificiais, bancos de dados.
1.0 INTRODUO

Dentre os fenmenos eletromagnticos que compreendem o escopo da anlise da qualidade da energia eltrica, devemos destacar as variaes de tenso de curta durao, mais especificamente os afundamentos de tenso. Grande parte dos problemas relacionados a QEE enfrentados por concessionrias e indstrias associada aos afundamentos de tenso, [1]. A anlise da qualidade da energia eltrica pode ser realizada a partir de simulao de modelos computacionais do sistema eltrico ou a partir de dados provenientes de seu monitoramento. Atualmente, os monitores de QEE utilizados so

equipamentos com capacidade para identificar informaes de fenmenos eletromagnticos diversos. No entanto, o monitoramento da QEE pode gerar quantidades muito grandes de dados, o que dificulta o processo de anlise. Este grande volume de dados pode ter sua organizao sistematizada e automatizada em estruturas de informao desenvolvidas para caracterizao dos fenmenos eletromagnticos, formando banco de dados de QEE. Um sistema computacional com estas caractersticas foi desenvolvido pelos autores. O Sistema de Gerenciamento da QEE, ou SGQEE, armazena, alm de dados de monitorao, todos os atributos que os identificam, e possibilita acesso a estas informaes sob diversos enfoques de anlise, [2]. As informaes introduzidas neste sistema so provenientes de um processo de caracterizao que define atributos ao evento afundamento de tenso a partir da anlise da sua forma de onda. A anlise de uma grande quantidade de informao requer a utilizao de tratamento estatstico de dados para determinao de tendncias e padres de ocorrncia. O tipo de fenmeno abordado, de natureza estocstica, mostra estabelecer uma tendncia verificada atravs de medidas estatsticas aps simulaes correspondentes a muitos anos de operao do sistema eltrico, [3]. Isto equivale dizer que um local de monitoramento necessitaria ser monitorado por muitos anos para que o fenmeno afundamento de tenso apresentasse tendncias de comportamento. A acelerao de tendncias de ocorrncia dos afundamentos de tenso por intermdio do reconhecimento de padres um objetivo futuro deste trabalho. O objetivo imediato

690

o desenvolvimento de uma metodologia de classificao de padres de afundamentos de tenso aplicvel a uma barra qualquer do sistema. A classificao de padres consiste na alocao de eventos (afundamentos de tenso) a grupos, ou classes, pr-identificadas, com caractersticas similares, [4]. A classificao efetuada utilizando como base toda a informao disponvel sobre o fenmeno analisado, proveniente de sua caracterizao. A utilizao de um maior nmero de parmetros de caracterizao aumenta a capacidade discriminatria entre os eventos pelo aumento da dimenso dos dados de anlise. A partir de um classificador de padres cada evento avaliado e passa a pertencer a uma determinada classe de afundamento de tenso. A questo : como definir a priori as classes a serem utilizadas para o procedimento de classificao? H em um conjunto de eventos uma classificao natural que pode ser definida por um algoritmo discriminante, ou de grupamento, [4], implementado por metodologias com base na estatstica clssica, ou pela utilizao de redes neurais artificiais, [5]. O grupamento de dados pode, tambm, ser realizado a partir de uma anlise especialista que determine caractersticas de eventos que se relacionem a um objeto de investigao de QEE. O algoritmo aqui utilizado agrupa os padres de afundamentos de tenso segundo sua distncia Euclidiana. Este grupamento possibilita compor conjuntos de padres que representam grupos, to mais definidos quanto maior o nmero de padres que os compe. Os grupos so ento utilizados em um procedimento de classificao utilizando uma rede neural artificial, validado por um classificador de Bayes. Esta abordagem, combinada a avaliao de um especialista na determinao dos grupos, permite a construo de uma base de conhecimento definida por padres agrupados, que pode ser utilizada em outras anlises, formando uma base de conhecimento crescente. Esta base de conhecimento, juntamente com a metodologia de classificao faz parte de um subsistema do SGQEE, o Sistema Especialista para a QEE SEQEE, em desenvolvimento pelos autores.
2.0 CARACTERIZAO DO AFUNDAMENTO DE TENSO

A caracterizao de afundamentos de tenso executada pelo SGQEE a partir do processamento de sinais de oscilografias, armazenadas sob o formato COMTRADE, [6], registradas por um sistema de aquisio de dados. O resultado do processamento so os atributos de caracterizao do afundamento de tenso. Tradicionalmente os atributos de caracterizao de um afundamento de tenso so sua amplitude e durao. H vrios estudos que visam a definio de parmetros de caracterizao de afundamentos de tenso para sua melhor qualificao e quantificao, [7]. Atributos como o ponto da onda em que o evento se inicia e o desvio do ngulo de fase, entre outros, so analisados tanto no sentido de determinao da causa do evento, quanto para estimar o grau de sua capacidade de interferir no funcionamento normal das cargas sensveis a sua ocorrncia. Neste estudo foi utilizada como base a caracterizao proposta em [2], que define, alm da amplitude e durao, a mdia, mediana e o mnimo dos valores instantneos do afundamento, a hora do dia de sua ocorrncia entre outros parmetros como perda de tenso e perda de energia, descritos em [8]. Os atributos so inseridos em um banco de dados de onde podem ser acessados pelo SGQEE, a partir de consultas discriminando caractersticas como local de monitoramento, perodo ou amplitude dos eventos. A tabela 1 apresenta a seleo de um conjunto de eventos de um determinado local de monitoramento por um determinado perodo de monitoramento. 3.0 CLASSIFICAO DE PADRES O problema de classificao de padres deve ser desenvolvido a partir de uma formulao matemtica que modele uma fonte de gerao de padres pela qual seja possvel avaliar o desempenho de sistemas classificadores [9], sejam eles definidos pela estatstica multivariveis ou por tcnicas de inteligncia artificial. O classificador de Bayes utilizado como referncia de classificao por ter uma descrio analtica bem definida. Um classificador que utiliza uma rede neural probabilstica comparado ao classificador de Bayes para sua validao. Ambos os classificadores tm caractersticas semelhantes, sendo que o classificador que utiliza a rede neural probabilstica tem uma implementao computacional relativamente mais fcil quando se trata de classificao em dimenso mais elevada.

691

Tabela 1 - Tabela consulta de dados da caracterizao de afundamentos de tenso em um canal de medio de um consumidor por um perodo de dois anos.
Canal 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Data Inicio Evento 28/01/2003 18:53:01 14/04/2004 05:51:45 14/04/2004 23:57:02 14/04/2004 23:57:02 14/04/2004 23:57:02 14/04/2004 23:57:02 14/04/2004 23:57:02 14/04/2004 23:57:02 23/04/2004 07:37:52 04/05/2004 08:58:41 18/05/2004 03:30:13 18/05/2004 03:30:13 18/05/2004 03:30:13 26/05/2004 02:38:10 06/07/2004 04:40:34 06/07/2004 04:40:34 02/09/2004 19:27:57 04/09/2004 06:41:06 07/10/2004 22:09:07 Nome Local BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV BARRA 138KV Amplitude 0,6062 0,5727 0,1042 0,1005 0,1007 0,1073 0,2736 0,1018 0,3096 0,2182 0,0858 0,1014 0,0003 0,3053 0,4130 0,6889 0,2741 0,1654 0,3575 Durao VTCD Mediana Desvio Padro Perda Tenso 0,0813 0,6529 0,0069 0,0286 0,5007 0,6080 0,0019 0,1966 0,0208 0,1670 0,0009 0,0173 0,0215 0,1728 0,0011 0,0177 0,0229 0,1961 0,0020 0,0183 0,0243 0,2288 0,0036 0,0186 0,2819 0,5195 0,0186 0,1360 0,7090 0,4041 0,0455 0,4223 0,1014 0,3922 0,0218 0,0624 0,0938 0,4082 0,0210 0,0562 0,0090 0,0914 0,0000 0,0082 0,3792 0,3932 0,0299 0,2300 1,9146 0,0041 0,0002 1,9055 0,1028 0,3921 0,0226 0,0632 0,1014 0,4834 0,0172 0,0530 0,1792 0,7116 0,0016 0,0520 0,3028 0,3738 0,0163 0,1903 0,0979 0,3515 0,0337 0,0643 0,1007 0,4309 0,0201 0,0580

3.1 O classificador de Bayes O classificador de Bayes utiliza um algoritmo de deciso baseado na probabilidade condicional de cada atributo do evento tratado. A observao da dependncia entre os atributos ou variveis utilizados na classificao concede a este classificador a qualidade de um maior poder discriminatrio, alm da caracterstica de aprendizado a partir da experincia Cada padro definido por um vetor x sendo que na abordagem estatstica x um vetor aleatrio de dimenso d.Os vetores de atributos pertencem a um espao de atributos d-dimensional (normalmente = d )..Um vetor x pode provir ou associado 1 , 2 ,..., c com ser a uma de c classes uma probabilidade Pi,

como pertencente a uma classe

0 de

rejeio.

Neste caso temos c+1 decises possveis. Para modelar os processos de deciso temos que definir o conjunto de possveis regras de deciso:

( x) : { 0 , 1 , 2 ,... c }

(3)

Para definio do critrio de classificao preciso quantificar o custo de se cometer um erro de deciso. Indica-se o custo de se decidir por i quando a classe verdadeira j , como:

C (i | j ) = Cij
onde: i = 0,1,...,c; j = 1,....c;

( 4)

chamada probabilidade priore de cada classe. Sendo que:

P =1
i =1 i

(1)

Estes custos referem-se a cada par, onde o elemento i o classificador e o elemento j fonte geradora de padres. A partir da matriz de custos C so estabelecidos os critrios de classificao do classificador de Bayes. 3.2 Rede neural probabilstica A rede neural probabilstica, PNN Probabilistic Neural Network, uma extenso da rede RBF Radial Basis Function. Quando uma entrada apresentada, a primeira camada computa a distncia do vetor de entrada aos vetores de treinamento, produzindo um vetor cujos elementos indicam a distncia do vetor de entrada para os vetores de treinamento (classes). A segunda camada soma a contribuio da entrada para cada classe, produzindo em sua

Define-se p ( x | i ) como a funo de densidade de probabilidade multivariada de x quando se sabe que ele pertence a classe i (i = 1,2,..., c ) . A funo de densidade de probabilidade global de x :

p( x) = Pi p( x | i )
i =1

( 2)

Alm das possveis classificaes para x ,pode ser interessante rejeitar o padro, classificando-o

692

sada um vetor de probabilidades. Finalmente, uma funo de transferncia competitiva encontra a classe com maior probabilidade de representar o vetor de entrada. Um classificador PNN tem o comportamento de um classificador de Bayes e sua relativa facilidade de implementao e treinamento a tornam ideal para um sistema automatizado de classificao. As redes neurais artificiais do tipo RBF so estruturas de rede que, usando campos receptores locais, executam funes de mapeamento. Treinar este tipo de rede corresponde a encontrar uma superfcie em um espao multidimensional que prov aos dados de treinamento o melhor ajuste do ponto de vista estatstico. A figura 1 apresenta a estrutura de uma rede tipo RBF. O nvel de ativao da isima unidade dado por:

x1 x2 x3 xn Camada de entrada Camada escondida

bias c1 c2 cn

Camada de sada

Figura 1 - Diagrama esquemtico de uma RBFN com trs unidades de campos receptivos.

i = Ri ( x) = Ri ( x u i / i ), i = 1,2,..., H

(5)

A sada da rede pode ser computada tomando-se a soma ponderada do valor de sada associada a cada unidade, (7) ou tomando-se a mdia ponderada da sada associada a cada unidade.

onde x um vetor de entrada multidimensional, ui um vetor com a mesma dimenso que x, H o nmero de funes de base radial e Ri a isima funo de base radial com um nico mximo. O vetor de entrada comparado com cada um dos H vetores u, que representam os centros das funes de base radial. Um conjunto de pesos wi, resultantes dessa computao, representa o grau de proximidade do vetor de entrada a cada um destes centros. No existe nenhuma conexo de pesos entre a camada de entrada e a camada escondida. Tipicamente, Ri (x) uma funo Gaussiana (6).

d ( x) = cii =
i =1

c R ( x)
i =1 i i

(7 )

4.0 AVALIAO DOS CLASSIFICADORES Com o objetivo de avaliar o classificador PNN utilizado no desenvolvimento deste trabalho foi adotado um processo de classificao a partir de dados aleatrios, provenientes de uma fonte geradora de dados. Esta fonte geradora capaz de gerar conjuntos de dados aleatrios para diferentes classes, com media, desvio padro e covarincia definidos priori. Assim foram gerados dois conjuntos de dados: um conjunto de treinamento e outro de teste, cada um com um nmero n de classes bem definidas, similares entre os dois conjuntos. Como os classificadores abordados tm por caracterstica o aprendizado supervisionado, necessrio proceder ao treinamento do classificador antes da classificao. Utilizando ambos os classificadores (Bayes e PNN) foram realizadas vrias sesses de classificao. A figura 2 apresenta a evoluo no aprendizado dos dois classificadores com o aumento progressivo do nmero de padres de treinamento utilizados e a subseqente classificao de todos os padres de teste. O decrescimento no nmero de erros de classificao indica a definio de uma tendncia de reconhecimento de padres.

x ui Ri ( x) = exp 2 i2

(6)

Dessa forma o nvel de ativao da funo de

i , computado pela isima base radial unidade da camada escondida, mximo quando

R (x)

o vetor de entrada x est no centro da unidade

ui .

693

Figura 2 Evoluo no aprendizado do classificador PNN comparado evoluo do classificador de Bayes.

5.0 CLASSIFICAO DE AFUNDAMENTOS DE TENSO Na aplicao da metodologia de classificao de padres de afundamentos de tenso utilizado um algoritmo de grupamento por distncia Euclidiana e o classificador PNN, em um conjunto de dados referentes a dois anos de monitoramento (perodo compreendido entre 2003 e 2004) em um local - barra de 138 kV do sistema eltrico de um consumidor com problemas de QEE. Todo o procedimento de classificao (multivariveis) realizado considerando-se os diversos atributos resultantes da caracterizao dos afundamentos de tenso registrados: amplitude, durao, hora do dia, canal de medio, mdia, desvio padro, mediana, perda de tenso e perda de energia. O algoritmo de grupamento determina a separao dos padres em grupos. Os grupos encontrados so tomados como padres de treinamento para a rede neural probabilstica que, depois de treinada, armazena informaes que determinam a probabilidade condicional de um novo padro de afundamento de tenso pertencer a um dos grupos pr-definidos. Em seguida so selecionados eventos de afundamentos de tenso do mesmo local, em um perodo maior. Os eventos so submetidos rede PNN e classificados. A classificao resultante apresenta como os demais padres de afundamentos de tenso se enquadram no classificador previamente treinado. A partir da classificao obtida realizada uma anlise classe por classe para verificao de suas caractersticas. H uma srie de possibilidades ao se efetuar o procedimento de classificao, alterando as variveis de classificao, o nmero de classes e mesmo as populaes de dados de treinamento e de classificao, bem como h

uma srie de possibilidades para a avaliao dos afundamentos de tenso a partir da classificao de padres. A figura 3 apresenta em um grfico tridimensional trs classes de afundamentos de tenso (as classes mais populosas) descritas segundo trs das variveis de classificao. Uma forma mais utilizada de avaliao de dados multidimensionais por parte de um especialista o diagrama de ligao de mltiplos grficos bidimensionais de pontos de disperso, como na figura 4, [4], que apresenta este diagrama para trs variveis selecionadas, as variveis mais discriminantes. Em cada coluna uma varivel fixada no eixo x e em cada linha uma varivel fixada no eixo y. A partir deste diagrama possvel o reconhecimento visual das componentes principais, dos relacionamentos entre as variveis e a discriminao das classes. 6.0 CONCLUSES A partir de uma metodologia de classificao de padres aplicada anlise de dados referentes aos afundamentos de tenso pode-se obter o reconhecimento de padres de ocorrncia deste fenmeno. Para a realizao da classificao preciso um conhecimento prvio das caractersticas das classes. Este conhecimento foi obtido pelo grupamento de dados, aqui realizado pela distncia Euclidiana entre os padres, e representa o conhecimento especialista. Os grupos encontrados foram utilizados para treinamento do classificador de padres. Com o treinamento da rede neural probabilstica os grupos passam a ter uma representao estatstica e os eventos de afundamentos de tenso, inclusive de outras bases de dados, podem ser por ela classificados. O potencial de classificao da rede neural probabilstica foi comparado a um classificador de Bayes, demonstrando tendncias de aproximao semelhantes. A partir dos resultados parciais obtidos, acreditamos que a utilizao de uma ferramenta como esta, associada a uma base de dados referentes qualidade da energia eltrica, da qual seja possvel recuperar informaes sob a forma de consultas direcionadas, o SGQEE, num processo iterativo, pode fornecer uma metodologia eficiente na qualificao do desempenho do fornecimento de energia eltrica dentro de critrios de conformidade adotados. Esta metodologia ponto de partida para desenvolvimento de um Sistema Especialista para anlise da QEE - SEQEE, em desenvolvimento pelos autores.

694

Figura 3 Classificao dos padres de afundamentos de tenso pela rede probabilstica PNN. Os smbolos representam as classes dos afundamentos.

Figura 4 Ligao de mltiplos grficos bi-dimensionais de pontos de disperso. Apresentao de trs variveis separadas nas trs classes mais populosas.

695

7.0 AGRADECIMENTOS Companhia Energtica de Minas Gerais CEMIG pelo apoio financeiro atravs do projeto P&D007 Gerenciamento da Qualidade da Energia Eltrica. 8.0 REFERNCIAS BIBLIOGRFICAS
[1] Dugan, R.C. McGranaghan,M.F, Beaty, H.W., Electrical Power Systems Quality, McGraw- Hill, 1996, 265p. [2] Alves, M.F., Fernandes, D.E.B., Development of an Automated Power Quality Management System, 1999 IEEE/PES Transmission and Distribution Conference, New Orleans, apr., 1999. [3] Alves, M.F., Fonseca, V.R.C., Estimativa Estocstica de Afundamentos Tenso, XIII Congresso Brasileiro de Automtica CBA 2000, Florianpolis S.C., setembro de 2000.

[4] Johnson, R.A., Wichern, D.W. Applied Multivariate Statistical Analysis, Prentice Hall, 3rd edition, New Jersey, USA, 1992, 642p. [5] Haykin, Simon, Neural Networks A Comprehensive Foundation, Macmillan Publishing Company, USA, 1994, 696p. [6] IEEE STANDARS BOARD, IEEE Std C37.1111999 IEEE Standard Common Format for Transient Data Exchange (COMTRADE) for Power Systems, USA, mar., 1999, 47p. [7] IEEE STANDARS BOARD, IEEE Std 1159.2 Working Group 1996 Task Force on Characterization of a Power Quality Event Given An Adequately Sampled Set of Digital Data Points, [8] ONS (Operador Nacional do Sistema Eltrico), GQEE EFEI Grupo de Estudos em Qualidade da Energia Eltrica, Estado da Arte de Indicadores para Afundamentos de Tenso, ONS-2.1022/2001. Kohn, A. F., Reconhecimento de Padres Uma Abordagem Estatstica, Escola Politcnica - USP , So Paulo, 1998, 205p.

696