Escolar Documentos
Profissional Documentos
Cultura Documentos
São Paulo
2004
RICARDO CANELOI DOS SANTOS
Área de concentração:
Engenharia de Energia e Automação Elétrica
Orientador:
Prof. Dr. Eduardo Cesar Senger
São Paulo
2004
Santos, Ricardo Caneloi dos
Algoritmo Baseado em Redes Neurais Artificiais para a
Proteção de Distância de Linhas de Transmissão. São Paulo, 2004.
154p.
A Deus por conceder-me saúde e disposição para concluir essa importante etapa da
minha vida.
Ao meu orientador Prof. Dr. Eduardo Cesar Senger pelo inestimável apoio técnico
fornecido no decorrer deste trabalho.
A Prof. Dr. Edith Ranzini por permitir o uso irrestrito do Laboratório de Projeto Lógico
Digital (PLD).
Aos estagiários Leandro Bachega Trujilho e Tobias Alberto Monteleone Varini pelo
auxílio na fase de treinamento das RNA.
SUMÁRIO
LISTA DE FIGURAS
LISTA DE TABELAS
LISTA DE SIGLAS E ABREVIATURAS
RESUMO
ABSTRACT
3 Zona
Tempo
2 Zona
A 1 Zona B C D
Relé
Distância
3 Zona
2 Zona
1 Zona
3 Zona
2 Zona
1 Zona
Va − Vb
Z ab = (1.1)
Ia − Ib
Vb − Vc
Z bc = (1.2)
Ib − Ic
Vc − V a
Z ca = (1.3)
Ic − Ia
Va
Z an = (1.4)
I 'a
Vb
Z bn = (1.5)
I 'b
Vc
Z cn = (1.6)
I 'c
onde:
I ' a = I a + m.I 0 (1.7)
Z 0 − Z1
m= (1.10)
Z1
6
Zab, Zbc e Zca = impedância medida pelos elementos de fase AB, BC e CA,
respectivamente;
Zan, Zbn e Zcn = impedância medida pelos elementos de terra AN, BN e CN,
respectivamente;
Va, Vb e Vc = tensão de fase no local de instalação do relé;
Ia, Ib e Ic = corrente de linha no local de instalação do relé;
I’a, I’b e I’c = corrente de linha (compensada) no local de instalação do relé;
I0 = corrente de seqüência zero;
Z0 = impedância de seqüência zero da linha;
Z1 = impedância de seqüência positiva da linha;
m = Fator de compensação.
O algoritmo apresentado neste trabalho consta de uma adaptação do relé de
distância convencional, onde a implementação de todos os elementos de medição do
relé (três de fase e três de terra) é desenvolvida a partir de RNA. Essa adaptação visa
desenvolver uma proteção que, apesar de ser baseada em RNA, é aplicável a qualquer
linha de transmissão. A importância dessa proposta está no fato de agregar algumas
vantagens, inerentes às RNA, à extensamente utilizada proteção de distância
convencional, sem, entretanto, restringir a utilização do algoritmo desenvolvido a uma
única linha de transmissão, como ocorre até momento.
1.4 Motivação
A motivação para o desenvolvimento deste trabalho provém de três fatos:
1- A grande importância de um eficiente esquema de proteção para as linhas de
transmissão, razão pela qual existem tantos algoritmos disponíveis para essa função
e tanto esforço, por parte dos pesquisadores, para aprimorar esses algoritmos.
2- A lacuna deixada quando se trata de algoritmos, baseados em RNA, aplicados à
proteção de linhas de transmissão, que são desenvolvidos para uma linha de
transmissão específica, o que inviabiliza a utilização prática dos mesmos.
3- A restrição apresentada pelos algoritmos existentes, baseados em RNA, que são
empregados como classificadores de sinais, discriminando somente a zona faltosa da
linha de transmissão, impedindo uma estimativa mais precisa sobre a localização do
defeito.
7
Portanto, com vista ao exposto nos três fatos anteriores, a motivação do presente
estudo é orientada pelo desenvolvimento de uma proteção de distância cujo algoritmo
do elemento de medição é baseado em RNA. Tal algoritmo deve responder, com
medidas de resistência e reatância, aos sinais de tensão e corrente presentes nos
secundários dos TP e TC, proporcionando uma estimativa da localização do defeito.
Como grande motivação, essas medidas fornecidas pelo algoritmo devem estar
desvinculadas das características do sistema elétrico protegido. Isso significa que o tipo
dos condutores, a geometria das torres, ou o nível de tensão da linha, não devem ter
influência sobre o algoritmo proposto. Com essa abordagem acredita-se estar
contribuindo para estender a fronteira das pesquisas, voltadas para a aplicação das RNA
na proteção de distância, à medida que se viabiliza a utilização dessa solução na prática.
capítulo, que também aborda a metodologia utilizada para a validação das redes
propostas.
Capítulo 6: Apresenta o processo de modelagem e simulação das linhas de
transmissão consideradas neste trabalho, bem como, um estudo comparativo entre cinco
arquiteturas diferentes de RNA, visando selecionar qual é a rede mais adequada para a
implementação de uma proteção aplicável a qualquer linha de transmissão. Este estudo
consiste da análise das respostas das cinco redes consideradas, diante de trezentas
situações operativas de linhas de transmissão de diferentes características
(comprimento, nível de tensão, etc).
Capítulo 7: Neste capítulo, a rede que apresentou o melhor comportamento
genérico no capítulo 6, tem o seu desempenho comparado com um relé convencional
baseado no algoritmo de Fourier, frente a 480 situações operativas representativas das
linhas de transmissão consideradas neste trabalho, totalizando um universo de 960
simulações.
Capítulo 8: Apresenta as conclusões do trabalho, nos seguintes termos:
a- Conclusão sobre a viabilidade do algoritmo proposto;
b- Discussão sobre as contribuições apresentadas;
c- Possíveis alterações no algoritmo proposto;
d- Estudos que podem ser desencadeados a partir desta pesquisa.
9
tensão e corrente das três fases da linha de transmissão, amostrados a uma freqüência de
1 kHz. Já para o módulo de detecção de falta com arco, somente as amostras dos sinais
de tensão são aplicadas à RNA. Através do software de simulação NETOMAC,
milhares de situações operativas do sistema elétrico foram geradas. Tais situações foram
utilizadas nas fases de treinamento e testes das RNA. Conforme o autor, 240 casos de
defeitos na linha de transmissão foram utilizados para avaliar os dois módulos
desenvolvidos, sendo que ambos os módulos apresentaram resultados excelentes, seja
em termos de tempo de resposta ou resultados corretos. Respaldado pelos resultados
obtidos, o autor coloca a possibilidade de utilização de tais módulos como um possível
suporte do esquema de proteção convencional, ou como parte de uma nova geração de
relés de alta velocidade.
Dalstein (1996) apresenta um módulo, baseado em RNA, capaz de estimar com
rapidez e confiança a zona faltosa em uma linha de transmissão. No referido artigo, são
relatadas as principais dificuldades encontradas pelos algoritmos convencionais de
proteção de distância, bem como alguns atributos das RNA (aprender funções não
lineares e tolerância a erros). A discussão sobre tais atributos visa apresentar as RNA
como soluções alternativas aos algoritmos convencionais de proteção de distância.
No módulo desenvolvido pelo autor, são utilizadas redes MLP que recebem
amostras de tensão e corrente provenientes das três fases da linha de transmissão. A
partir dessas amostras e da informação sobre a fase com defeito (oriunda de um módulo
de classificação do tipo de falta) o módulo em questão estima se a falta encontra-se
dentro ou fora da primeira zona de proteção. Para realizar tal função, basicamente
existem dez RNA, uma para cada tipo de defeito possível numa linha de transmissão.
Todas estas redes foram treinadas a partir de um universo de 1600 padrões de entrada,
obtidos com a simulação de várias situações operativas de um sistema elétrico adotado
para o presente estudo. O software NETOMAC foi utilizado para simular a operação do
sistema elétrico.
Após treinadas todas as RNA, o módulo desenvolvido para estimar a área faltosa
é submetido a diversos testes de operação, além de ter suas respostas comparadas com
as respostas emitidas por dois algoritmos tradicionais empregados em proteção de
distância – Equações Diferenciais e Algoritmo de Fourier. O autor finaliza o seu
trabalho destacando os excelentes resultados conseguidos com o algoritmo baseado em
11
RNA, além de fazer uma referência à possível utilização dessa nova tecnologia para
melhorar o desempenho dos atuais métodos de proteção de distância.
Kezunovic (1996) propõe um meio de detecção e classificação de faltas usando
RNA. Em seu artigo o autor discute os benefícios da função da análise de faltas em
sistemas elétricos de potência, bem como a possibilidade de utilizar esta função para
automatizar o estudo dos dados provenientes dos registradores digitais de faltas. O autor
considera que a determinação do tipo de defeito em linhas de transmissão é um
problema de classificação de padrões, podendo ser resolvido por redes auto-
organizativas, em substituição às redes MLP, normalmente empregadas neste caso. A
utilização de uma rede auto-organizativa é justificada em função da mesma utilizar
treinamento não supervisionado, dispensando o algoritmo Backpropagation, que possui
um elevado tempo de convergência.
Para assumir as vantagens do treinamento supervisionado e não supervisionado,
o autor propõe um esquema baseado no Algoritmo de Clustering ISODATA, utilizado
para o reconhecimento de padrões. Para treinar e testar a RNA proposta, milhares de
casos foram gerados a partir de um sistema elétrico modelado no ATP. Para a geração
de tais casos, foram simuladas várias situações operativas do sistema elétrico em estudo
(variação do local do defeito, variação da resistência de falta, variação do tipo de defeito
imposto à linha de transmissão). A RNA foi treinada por um conjunto de 1200 casos e
avaliada frente a 295 casos, apresentando uma taxa de acerto maior que 90%.
A rede neural é projetada para ser utilizada num PC, e analisar os dados de faltas
armazenados nos registradores digitais de faltas, auxiliando o engenheiro de proteção na
tarefa de análise de faltas em linhas de transmissão. Conforme o autor, o esquema
proposto possui maior velocidade e menos pontos de ajustes, diferentemente dos
sistemas especialistas, às vezes empregados para a função de análise de faltas.
Lai (1997) apresenta um estudo sobre a utilização de RNA na proteção de
distância de linhas de transmissão. Tal estudo consta, primeiramente, da ponderação de
algumas características importantes das redes neurais, tais como capacidade de
aprendizado, tolerância a falhas e imunidade a ruídos.
Numa segunda fase do artigo, o autor expõe as principais dificuldades
relacionadas à utilização da proteção de distância convencional, apresentando, na
seqüência, um breve relato sobre treze trabalhos que tratam da aplicação de RNA na
12
proteção de linhas de transmissão. Com essa pesquisa são salientados, no artigo, os bons
resultados obtidos pela comunidade científica quando se trata do emprego de redes
neurais na proteção de distância.
A terceira fase do artigo cita algumas possibilidades de trabalhos futuros para
estimar a seção com defeito de uma linha de transmissão, além de salientar algumas
melhorias necessárias às RNA, tais como procedimentos para a determinação dos seus
parâmetros e da sua arquitetura inicial. A utilização de sistemas híbridos envolvendo as
técnicas de redes neurais, lógica fuzzy e algoritmos genéticos, também é contemplada
pelo autor para melhorar o desempenho da proteção de distância atual.
Finalizando o artigo, o autor relata os bons resultados que obteve com a
aplicação de uma RNA na proteção de uma linha de três terminais, onde constatou um
erro máximo de 9% na estimativa da seção faltosa do sistema sob estudo.
Jiali (1997) propõe um esquema de proteção de distância, baseado em RNA,
para a proteção de linhas de transmissão de alta tensão. Tal esquema é constituído a
partir de três redes neurais: uma para a detecção de power swing, uma para a detecção e
classificação da falta, e uma para a localização da zona com defeito. Os sinais
provenientes dos TC e TP passam por um conversor A/D e são convenientemente pré-
processados, chegando simultaneamente na entrada das três redes neurais. A ação
resultante da proteção é determinada com base na avaliação da resposta emitida pelas
três redes neurais, que informam a condição do sistema (normal, falta ou power swing) e
a zona faltosa (se o defeito encontra-se dentro ou fora da primeira zona de proteção).
As RNA apresentadas no artigo são redes MLP com três camadas, sendo o
número de neurônios da camada oculta determinado empiricamente. Estas redes
utilizam a função semi-linear sigmóide e foram treinadas com o algoritmo
Backpropagation.
A geração do conjunto de treinamento e os testes do esquema de proteção
proposto foram realizados num sistema de 500 kV, modelado no EMTP. Na fase de
teste da proteção de distância, excelentes resultados são apresentados pelo autor,
indicando a eficiência das RNA no reconhecimento das situações operativas do referido
sistema, independentemente da resistência de falta, localização ou instante do defeito.
Neste artigo, além da explanação sobre os problemas relacionados à influência
da resistência de falta e à condição de power swing, no desempenho da proteção de
13
distância convencional, foram salientadas duas características essenciais das RNA, que
são: a-) uma rede neural de três camadas é suficiente para constituir uma figura
geométrica de qualquer complexidade, desde que tenha um número adequado de
neurônios nas suas camadas; b-) a robustez e tolerância a falha das redes neurais.
Salat (2000) apresenta em seu artigo uma aplicação baseada numa RNA híbrida
para a localização de falta e a estimativa da resistência de falta em linhas de
transmissão. A solução híbrida é composta por uma rede auto-oganizativa, utilizada
para estimar a localização do defeito, e uma rede MLP, utilizada para estimar a
resistência de falta. As duas redes neurais são ligadas em cascata, sendo que a camada
de entrada da rede auto-organizativa é conectada aos sinais provenientes da linha de
transmissão. Os sinais de saída desta rede são pós-processados pela rede MLP, que
também recebe informações sobre a carga do sistema. Ambas as redes foram treinadas
separadamente; primeiro a rede auto-organizativa (cuja saída representa a localização da
falta) e depois a rede MLP (cuja saída representa a resistência de curto-circuito).
Neste trabalho, o autor destaca as dificuldades no processo de seleção da
arquitetura da RNA, enfatizando que este processo possui influência não somente na
fase de “aprendizagem” do problema, mas, também, num estágio futuro de avaliação do
esquema proposto frente a situações reais de defeitos na linha de transmissão. Dessa
forma, a arquitetura da rede auto-organizativa foi definida em função do número de
pontos de medição na linha de transmissão, enquanto que a arquitetura da rede MLP foi
definida empiricamente.
Em se tratando do desempenho do esquema proposto, conforme o autor, a RNA
híbrida teve um índice de acertos de praticamente 100% na localização da falta, e
aproximadamente 98% na determinação da resistência de curto-circuito do sistema
elétrico adotado para teste.
Tawfik (2001) utiliza um esquema baseado em RNA e ondas trafegantes para
localizar faltas em linhas de transmissão. As informações representando as ondas
trafegantes são obtidas utilizando-se o método Prony, considerado uma poderosa
ferramenta para analisar um sinal e extrair sua informação modal (freqüência,
amplitude, atenuação e fase).
No decorrer do artigo o autor discute a proteção de distância baseada em
reatância, salientando que o erro deste tipo de proteção situa-se normalmente entre 1% e
14
6%. Entretanto, com o surgimento dos sistemas de UHV e EHV, este tipo de proteção
teve seu desempenho comprometido, em parte devido aos efeitos das ondas trafegantes,
provocadas pelo curto-circuito neste nível de tensão. Tal situação possibilitou a
utilização de uma nova classe de relés – os baseados em ondas trafegantes, que
consideram o tempo necessário para o sinal se deslocar do local do defeito até o ponto
de instalação do relé. No entanto, esta classe de proteção apresenta problemas para as
faltas próximas ao relé, ou que ocorrem quando o ângulo da tensão é próximo de zero.
Diante do cenário apresentado, o autor vislumbra o espaço para a inserção de novas
ferramentas na área de proteção de sistemas de potência, tais como: Análise Wavelet e
Método Prony.
Basicamente, é exposto no artigo um tipo de proteção que utiliza somente os
dados de um terminal da linha de transmissão, além de não considerar os dados pré-falta
e operar a partir dos sinais das três tensões ou das três correntes. Uma comparação entre
estes dois tipos de operação é apresentada no artigo, mostrando a eficácia de ambos os
métodos.
A proteção proposta pelo autor possui dois estágios: o primeiro, que extrai a
informação modal do sinal, e o segundo, que utiliza uma RNA para estimar a
localização da falta, baseado na informação modal extraída.
Tanto para gerar o conjunto de treinamento, como para gerar os casos de teste do
esquema proposto, foi utilizada uma linha de transmissão de 500 kV e comprimento de
138 milhas. As diversas situações operativas são geradas variando-se a resistência de
falta, a localização do defeito e o ângulo de incidência da falta, através de um
modelamento do sistema no EMTP.
A rede utilizada é uma MLP, treinada com o algoritmo Backpropagation, com
suas camadas ocultas definidas empiricamente durante o processo de treinamento. A
informação modal, extraída pelo método Prony, serve como entrada da rede neural, que
possui uma única saída, para indicar a distância da falta.
Finalizando o artigo, são apresentadas as respostas do esquema proposto diante
de uma série de situações operativas do sistema simulado, mostrando que ambos os
esquemas (três tensões ou três correntes) fornecem com boa precisão à distância da
falta. Uma observação é realizada no sentido de se utilizar os dois esquemas citados na
proteção da linha de transmissão, sendo um deles a proteção backup.
15
neural em questão foi treinada e, numa segunda instância, o algoritmo proposto foi
avaliado.
O projeto da proteção proposta se deu em dois estágios. O primeiro é relativo à
RNA na sua fase de treinamento, e consiste da determinação do número ótimo de
neurônios nas camadas da rede, da melhor função de ativação a ser utilizada (neste caso
escolhida a função sigmoidal), e dos valores dos pesos nas camadas da rede. Já o
segundo estágio consta de um esquema de pós-processamento dos sinais de saída da
rede neural, e é responsável pelos sinais enviados aos disjuntores, em caso da detecção
de uma falta do sistema elétrico em questão.
Após um treinamento com 100.000 padrões de entrada, o relé foi submetido a
uma série de situações desconhecidas, em todas as barras do sistema, visando avaliar o
grau de generalização do esquema de proteção proposto. Conforme o autor, o relé
respondeu corretamente para todas as situações de teste, independentemente da barra do
sistema a que este esquipamento estivesse conectado. Salienta, ainda o autor, que além
do elevado grau de generalização alcançado, o relé possui tempo de resposta
extremamente baixo, podendo ser considerado um relé de atuação muito rápida. A
rápida atuação do relé é atribuída ao mesmo utilizar sinais de tensão e corrente (50 Hz)
não filtrados, a uma taxa de amostragem de 2 kHz.
2.1 Considerações
Conforme destacado anteriormente, com este capítulo procurou-se apresentar o
atual estado da arte da utilização de RNA na proteção de distância de linhas de
transmissão. Através dos trabalhos descritos neste capítulo, são verificadas as inúmeras
possibilidades oferecidas pelas RNA na implementação de algoritmos para a proteção
de linhas de transmissão, bem como, são salientados os bons resultados que podem ser
obtidos quando a referida técnica é empregada. Os seguintes pontos se destacam nos
algoritmos desenvolvidos até o momento:
1- Todos os algoritmos têm suas RNA treinadas para operarem numa única linha de
transmissão. Portanto, para a sua utilização em uma nova linha, seria necessário
refazer a simulação de centenas ou milhares de casos de faltas dessa linha, além de
todo o processo de treinamento da RNA. Tal necessidade inviabiliza a aplicação
prática da solução baseada na teoria de RNA;
19
w1 n = ∑ ei ⋅ Wi
e1 i =1
S
n
w2
e2 + t S n > t → S = 1
w3
t n S
e3 n ≤ t → S = 0
E1 F,1
F,4
S
E2 F,2 F,6
F,5
E3 F,3
Figura 3.4 – Pesos da primeira camada (W1), segunda camada (W2) e terceira camada (W3)
B1
B
B1 = B2 B2 = 4 B3 = [B6 ]
B3 B5
Figura 3.5 – Valores de polarização da primeira camada (B1), segunda camada (B2) e terceira
camada (B3)
Onde,
F,k = Função de ativação do neurônio k (k = 1 a 6);
Bk = Valor de polarização do neurônio k;
Wm,n = Peso conectado entre os pontos m e n.
O grande poder computacional deste tipo de rede torna possível a solução dos
problemas não linearmente separáveis, superando a grande deficiência do Perceptron:
“uma RNA composta de camada de entrada, camada de saída e pelo menos uma camada
oculta, pode representar qualquer função com um número finito de descontinuidades,
desde que tenha número de neurônios suficiente e uma função não linear na camada
24
f(x) f(x)
-1
f(x) f(x)
x
Polarização
-1
x
Polarização
o erro entre as saídas emitida e esperada. Este processo dura até que o erro entre tais
saídas fique abaixo de um valor máximo esperado ou o processo alcance o número
máximo de iterações determinado inicialmente.
Treinamento não supervisionado: Segundo Wasserman (1989), neste método de
treinamento existe mais plausibilidade biológica do que no método anterior, visto que
não existem pares de vetores entrada/saída para realimentar o sistema e minimizar o
erro.
Desenvolvido por Kohonen em 1984, o treinamento não supervisionado consiste
apenas de vetores de entrada e, à medida que estes são aplicados à rede, os pesos desta
são modificados para formar vetores de saída consistentes. Portanto, após o treinamento,
a RNA é capaz de classificar corretamente os dados de entrada, gerando saídas
previsíveis para tais vetores. Conforme observado, neste tipo de treinamento, a rede se
auto-configura para criar (internamente) classes referentes aos vetores de entrada.
Início
Fixa parâmetros
de treinamento
(1)
Inicia aleatoriamente
pesos e valores de polarização
(2)
Fase "Forward"
Calcula o vetor de saída
da RNA
(3)
∆W pq ,k = δg q ⋅ E ⋅ O p , j ⋅ η (3.1)
onde:
η = Taxa de aprendizado;
W pqn ,k = Valor do peso entre os neurônios p (camada oculta) e q (camada de saída), antes
do ajuste;
W pqn +,1k = Valor do peso entre os neurônios p (camada oculta) e q (camada de saída), após
o ajuste.
b- Na primeira camada oculta j (na fase Backward) o peso que interliga dois neurônios
i e p (Wip), pertencentes, respectivamente, as camadas z e j, é atualizado mediante as
expressões 3.3 – 3.5.
E ′ = ∑ δ n ,k ⋅ W pn,k (3.3)
n
29
∆Wip , j = δg p ⋅ E ′ ⋅ Oi , z ⋅ η (3.4)
onde:
Wipn, j = Valor do peso entre os neurônios i (camada oculta) e p (camada de saída), antes
do ajuste;
Wipn,+j1 = Valor do peso entre os neurônios i (camada oculta) e p (camada de saída), após o
ajuste.
B B
Bi Bi
Bf Bf
W W
Wi Wf Wi Wf
(A) (B)
Momentum
Este é uma implementação do método Backpropagation com taxa de
aprendizado adaptativa, onde a cada nova atualização dos pesos, é levada em
consideração a atualização anterior. Esta alteração do método Backpropagation
convencional torna mais rápida a convergência da RNA, pois melhora a estabilidade do
processo e evita que a rede “caia” em mínimos locais. Tal melhora é conseguida porque
a RNA traça um percurso otimizado na superfície de erro, ficando menos sensível a
detalhes desta superfície (DEMUTH, 1996; WASSERMAN, 1989). Nota-se na figura
31
Erro B
Bi
Mínimo
Mínimo
Global
Local
Bf
W,B W
Wi Wf
Overfitting
O problema de overfitting está relacionado ao número de neurônios presentes
nas camadas ocultas da rede. Um excessivo número de neurônios na camada oculta,
visando garantir a convergência da RNA, pode fazer com que a rede, depois de treinada,
não apresente bons resultados para novos vetores de entrada. Isso ocorre porque no
processo de treinamento os pesos foram ajustados para satisfazer uma função de mais
alto grau do que aquela representada pelo seu conjunto de treinamento. Uma vez que
esta função de mais alto grau passa por todos os pontos da função de interesse, a rede
responde adequadamente para o seu conjunto de treinamento, porém, para novos vetores
de entrada a rede responde erroneamente, com saídas referentes à função de mais alto
grau. Portanto, é dito neste caso, que a rede “memorizou” o conjunto de treinamento e
não “aprendeu” a função desejada, pois não é capaz de generalizar. A figura 3.11
apresenta, a título de exemplo, uma função senoidal (objetivo do treinamento) e uma
segunda função (gerada pela RNA). Nesta figura, os pontos coincidentes destas funções
(marcados com uma seta) são aqueles que fizeram parte do conjunto de treinamento da
função senoidal, e que foram memorizados no processo de treinamento. Como pode ser
observado, para qualquer outro ponto, se não os de treinamento, a rede responderá
32
Figura 3.11 – Função desejada (linha contínua) e gerada pela RNA (linha descontínua)
Estilos de treinamento
Incremental: Os pesos e os valores de polarização dos neurônios da RNA são
atualizados a cada apresentação de um par de vetores entrada/saída à rede. Este estilo de
treinamento requer menos memória, uma vez que o vetor erro a ser processado é
33
Batch: Os pesos e os valores de polarização dos neurônios da RNA são atualizados após
a apresentação de todo conjunto de treinamento à rede. Este estilo de treinamento requer
mais memória, visto que o vetor erro a ser processado é referente a todos os pares de
vetores entrada/saída do conjunto de treinamento. Geralmente, esse estilo é mais lento
do que o estilo incremental.
Sistema
SCADA
Canais de
Comunicação
Sinais de Campo
Sistema de Entrada Analógica Microprocessador
Van
Vbn
Vcn Proteção e Sinais de Campo
Filtragem Digitalização
acondicionamento
Analógica do Sinal
Ia do Sinal
Ib
Ic
Algoritmo Sistema de
Disjuntores
Digital do Relé Saída Digital
Interface
Local
Os sinais provenientes das três tensões de fase e das três correntes de linha, nos
secundários dos TP e TC, são aplicados ao sistema de entrada analógica do relé, cuja
função é, conforme a ordem apresentada na figura 4.1:
a- Proteger o circuito eletrônico do relé contra interferências eletromagnéticas
conduzidas pelos cabos de sinais;
b- Realizar o acondicionamento dos sinais de tensão e corrente;
c- Efetuar a filtragem analógica dos sinais;
d- Amostrar e digitalizar os sinais de tensão e corrente provenientes dos filtros
analógicos.
No bloco microprocessador encontra-se o algoritmo digital do relé, onde o sinal
digitalizado é processado. Este bloco também é responsável pelas funções de auto-teste,
comunicação e sinalização, e ajustes do relé.
No bloco sistema de saída digital, o sinal de trip fornecido pelo
microprocessador, normalmente em nível TTL, é transformado em um nível adequado
para a atuação do disjuntor (na maioria das vezes uma saída a relé).
A figura 4.2 ilustra o fluxo dos sinais de tensão e corrente, sem discriminação de
fase, no algoritmo proposto. Os próximos itens detalham os blocos apresentados nesta
figura.
Elemento de Medição
_ _
V(k)...V(k-M+1)
_ _
RNA _
I(k)...I(k-M+1)
Resistência R(k)
V(t) V(k) R(k)
V(t) Característica Trip
Filtragem Digitalização Pré Pós
das Zonas de
Analógica do Sinal Processamento Processamento
I(t) Proteção
I(t) I(k) _ X(k)
_ _ RNA X(k)
V(k)...V(k-M+1) Reatância
_ _
I(k)...I(k-M+1)
Hardware Software Software
Sobreposição dos
espectros de freqüência
V, I
Banda Banda
básica secundária
0 f(Hz)
Fc Fa
V, I
Banda Banda
básica secundária
0 f(Hz)
Fc Fa
Ideal
Real
_
vab(k) vab(k)
_
vab(k-1) vab(k-1)
_
van(k) vab(k-2)... vab(k-2)...
_
vab(k-M+1) vab(k-M+1) _
Determina vab e forma
Normalização da R(k) R(k)
janela de dados com
vbn(k) janela de dados RNA R Pós-processamento
M amostras desse sinal
Determina R R (normalizado)
(normalizado) para R (Ohms)
Características Trip AB
das zonas de
_
proteção do
iab(k) ia(k)
_ relé
iab(k-1) iab(k-1) _
_
X(k) X(k)
ia(k) iab(k-2)... iab(k-2)...
_ RNA X Pós-processamento
iab(k-M+1) iab(k-M+1) Determina X X (normalizado)
Determina iab e forma
Normalização da (normalizado) para X (Ohms)
janela de dados com
ib(k) janela de dados
M amostras desse sinal
_
van(k) van(k)
_
van(k-1) van(k-1)
_
van(k-2)... van(k-2)...
_
van(k) van(k-M+1) van(k-M+1) _
Forma janela de
Normalização da R(k) R(k)
dados com M amostras
janela de dados RNA R Pós-processamento
do sinal van
Determina R R (normalizado)
(normalizado) para R (Ohms)
Características Trip A
das zonas de
_
proteção do
iax(k) iax(k)
_ relé
iax(k-1) iax(k-1) _
_
X(k) X(k)
iax(k-2)... iax(k-2)...
_ RNA X Pós-processamento
ia(k) iax(k-M+1) iax(k-M+1) Determina X X (normalizado)
Determina iax e forma
Normalização da (normalizado) para X (Ohms)
janela de dados com
janela de dados
M amostras desse sinal
cada elemento de terra. Entretanto, como no algoritmo proposto trabalha-se com uma
seqüência de amostras e, portanto, no domínio do tempo, o fator de compensação
utilizado para a correção da corrente que chega em cada elemento de terra do algoritmo
é obtido através das expressões 4.24 e 4.25. Para a dedução destas expressões, considere
a fase A de uma linha de transmissão com capacitância desprezível (figura 4.7), onde a
queda de tensão sobre um determinado trecho é dada pela expressão 4.1. Na figura 4.7,
os parâmetros Rn e Ln foram incluídos para representar a impedância do caminho de
retorno, percorrido pela corrente in.
ia
Ra La
Lab Lca
ib
Rb Lb
va va'
Lbc
ic
Rc Lc
in
Rn Ln
di a di di d
v a − v a ' = Ra ⋅ i a + Rn ⋅ (i a + ib + i c ) + La ⋅ + Lab ⋅ b + Lca ⋅ c + Ln (i a + ib + ic ) (4.1)
dt dt dt dt
di a di di d
v a − v a ' = Rs ⋅ i a + Rn ⋅ (i a + ib + i c ) + Ls ⋅ + Lm ⋅ b + Lm ⋅ c + Ln (i a + ib + i c ) (4.5)
dt dt dt dt
42
L0 = Ls + 2 ⋅ Lm + 3 ⋅ Ln (4.6)
R 0 = Rs + 3 ⋅ Rn (4.7)
L1 = Ls − Lm (4.8)
R 1 = Rs (4.9)
(ia + ib + ic )
i0 = (4.10)
3
v a − v a ' = R 1 ⋅ i a + ( R 0 − R 1 ) ⋅ i o + L1 ⋅
di a
dt
+ 3 ⋅ Lm
di o
dt
( )
+ L0 − Ls − 2 ⋅ Lm ⋅
di o
dt
(4.11)
v a − v a ' = R 1 ⋅ i a + ( R 0 − R 1 ) ⋅ i o + L1 ⋅
di a
dt
(
+ L0 − L1 )
di o
dt
(4.12)
R 0 − R1 o d L0 − L1 0
v a − v a ' = R 1 ⋅ i a + ⋅ i
+ L1
⋅ i + ⋅ i (4.13)
dt
a
R1 L1
d
v a − v a ' = R 1 ⋅ i ar + L1 ⋅ i ax (4.14)
dt
d
v a − v a ' = R 1 ⋅ i ar + L1 ⋅ i ax (4.15)
dt
d
v b − v b ' = R 1 ⋅ ibr + L1 ⋅ ibx (4.16)
dt
d
v c − v c ' = R 1 ⋅ i cr + L1 ⋅ i cx (4.17)
dt
43
onde:
i ar = i a + Kr ⋅ i o (4.18)
i ax = i a + Kx ⋅ i o (4.19)
ibr = ib + Kr ⋅ i o (4.20)
ibx = ib + Kx ⋅ i o (4.21)
icr = ic + Kr ⋅ i o (4.22)
icx = ic + Kx ⋅ i o (4.23)
sendo,
R 0 − R1 r 0 − r 1
Kr = = (4.24)
R1 r1
L0 − L1 l 0 − l 1
Kx = = (4.25)
L1 l1
d
v ab = R 1 ⋅ (i a − ib ) + L1 ⋅ (i a − ib ) (4.29)
dt
d
v bc = R 1 ⋅ (ib − i c ) + L1 ⋅ (ib − ic ) (4.30)
dt
45
d
v ca = R 1 ⋅ (ic − i a ) + L1 ⋅ (ic − i a ) (4.31)
dt
M amostras
do sinal de tensão
de fase (vf)
R
M amostras
da corrente RNA para estimar
compensada (ir) a resistência
M amostras
da corrente
compensada (ix)
M amostras
do sinal de tensão
de fase (vf)
X
M amostras
da corrente RNA para estimar
compensada (ir) a reatância
M amostras
da corrente
compensada (ix)
terra. Neste esquema são utilizadas duas RNA distintas, uma para o cálculo da
resistência e outra para o cálculo da reatância. As variáveis de entrada (M amostras da
tensão de fase vf e das correntes compensadas ir e ix) e as arquiteturas dessas duas RNA
são idênticas. Tais RNA diferem, porém, nos seus pesos e valores de polarização,
obtidos através de processos de treinamento independentes.
Quando se deseja treinar uma RNA para estimar a resistência, o conjunto de
treinamento desta deve ser composto por vetores de entrada com amostras de tensão e
corrente (devidamente processadas), enquanto que o vetor de saída deve conter amostras
com valores de resistência. Já para o treinamento de uma RNA que estima a reatância,
as amostras de tensão e corrente que constituem o vetor de entrada devem estar
associadas a um vetor de saída com amostras de reatância (ver capítulo 5). Portanto,
deve ficar claro que todas as RNA utilizadas no algoritmo são iguais em termos de
arquitetura, diferindo apenas nos seus respectivos conjuntos de treinamento. Isto
significa que as RNA que estimam a resistência e a reatância nos elementos de terra são
exatamente as mesmas, com exceção dos sinais aplicados às suas entradas. Será visto,
no decorrer do texto, que o mesmo ocorre com as RNA que estimam a resistência e a
reatância nos elementos de fase do algoritmo. Dessa forma, existem, portanto, somente
dois tipos de redes no algoritmo proposto, uma para estimar a resistência e outra para
estimar a reatância.
Baseado na explanação anterior, sobre os sinais de entrada necessários à
implementação dos elementos de terra do algoritmo proposto, as expressões 4.32 – 4.40
são utilizadas para gerar (amostra por amostra) os sinais de entrada dos referidos
elementos de medição.
va (k ) (4.38)
vb (k ) (4.39)
vc (k ) (4.40)
[
Janela do sinal v a = v a (k ) v a (k −1) v a (k − 2 ) L v a (k − M +1) ]
[
Janela do sinal iar = iar (k ) iar (k −1) iar (k −2 ) L iar (k − M +1) ]
[
Janela do sinal iax = iax (k ) iax (k −1) iax (k − 2 ) L iax (k − M +1) ]
M amostras
do sinal de tensão
R
de fase (vf)
RNA para
estimar a
resistência
M amostras
da corrente
compensada (ir)
M amostras
do sinal de tensão
X
de fase (vf)
RNA para
estimar a
reatância
M amostras
da corrente
compensada (ix)
[
Janela do sinal v a = v a (k ) v a (k −1) v a (k − 2 ) L v a (k − M +1) ]
[
Janela do sinal iar = iar (k ) iar (k −1) iar (k −2 ) L iar (k − M +1) ]
Sinais de entrada para estimar a reatância (sinais de entrada da rede X)
[
Janela do sinal v a = v a (k ) v a (k −1) v a (k − 2 ) L v a (k − M +1) ]
[
Janela do sinal iax = iax (k ) iax (k −1) iax (k − 2 ) L iax (k − M +1) ]
50
Novamente deve ser destacado que a mesma rede, treinada de maneira distinta,
ora para determinar a resistência e ora para determinar a reatância, dá origem às redes R
e X, que recebem os sinais provenientes das janelas de dados apresentadas.
Após a análise da geração dos sinais de entrada dos elementos de terra, será
efetuada uma análise da geração dos sinais de entrada dos elementos de fase do
algoritmo proposto. Igualmente aos relés convencionais (expressões 1.1 – 1.3), e ao
deduzido no início deste item (expressões 4.29 – 4.31), este algoritmo utiliza como
entrada para os elementos de fase AB, BC e CA, os respectivos sinais vab e iab, vbc e ibc,
vca e ica (denominados, genericamente, daqui por diante de Dv e Di). Portanto, no
domínio do tempo, as expressões 4.41 – 4.46 são empregadas para determinar os sinais
de entrada dos elementos de fase do algoritmo em questão.
vab (k ) = va (k ) − vb (k ) (4.41)
vbc (k ) = vb (k ) − vc (k ) (4.42)
vca (k ) = vc (k ) − va (k ) (4.43)
ia b (k ) = ia (k ) − ib (k ) (4.44)
ibc (k ) = ib (k ) − ic (k ) (4.45)
ica (k ) = ic (k ) − ia (k ) (4.46)
[
Janela do sinal v ab = v ab (k ) v ab (k −1) v ab (k −2 ) L v ab (k − M +1) ]
[
Janela do sinal iab = iab (k ) iab (k −1) iab (k − 2 ) L iab (k − M +1) ]
Nota-se neste caso, que os sinais de entrada para a RNA que executa a
estimativa da resistência são idênticos aos sinais de entrada da RNA que executa a
estimativa de reatância. Isso ocorre porque os sinais de tensão e corrente que chegam às
referidas RNA, no caso de faltas envolvendo mais de uma fase, não precisam ser
corrigidos, sendo, dessa forma, idênticos aos sinais utilizados na fase de treinamento da
RNA. Raciocínio análogo ao descrito para o elemento AB deve ser utilizado para a
obtenção dos sinais de entrada dos elementos BC e CA. O esquema baseado em RNA,
utilizado neste algoritmo, para os elementos de fase estimarem as grandezas de interesse
(R e X), é apresentado na figura 4.10. Cabe salientar novamente que as RNA utilizadas
para a medição de resistência e reatância, num elemento de fase, possuem exatamente a
mesma arquitetura, diferindo apenas em seus respectivos processos de treinamento.
M amostras
do sinal de
R
tensão Dv
RNA para
estimar a
resistência
M amostras
do sinal de
corrente Di
M amostras
do sinal de
X
tensão Dv
RNA para
estimar a
reatância
M amostras
do sinal de
corrente Di
exemplos apresentados M = 4. A cada nova amostra obtida pelo relé, a amostra mais
antiga é eliminada, e uma nova janela de dados é formada com a amostra mais recente.
No caso das fases A e B, as amostras de va, vb, ia e ib, provenientes dos TP e TC, são
convenientemente processadas para gerarem os sinais de entrada dos elementos de
medição do algoritmo. Neste caso, no elemento de terra são utilizados os sinais va, iar e
iax, e no elemento de fase são utilizados os sinais vab e iab.
T(s) T(s)
Figura 4.11 – Janelas de dados sobre os sinais de tensão e corrente das fases A e B
descritos na seqüência, para uma janela de M amostras se deslocando sobre os sinais vab
e iab (sinais de entrada do elemento de fase AB). Para as demais fases e sinais, a análise
é análoga ao caso exemplificado a seguir.
Devido a semelhança entre o processo de normalização descrito neste item e o
processo de aplicação do sistema p.u., usualmente empregado em sistemas de potência,
adotou-se, neste trabalho, para o referido processo de normalização, a mesma notação
utilizada no sistema p.u.. Isso significa que os valores normalizados são indicados por
uma barra horizontal sobre a variável em questão (corrente, tensão ou impedância).
Convém salientar que tal processo de normalização não consta somente da
adequação dos valores de entrada das RNA, sendo, entretanto, bastante semelhante à
utilização do sistema p.u., visto que gera uma impedância de base Zb que possibilita a
determinação dos valores de resistência e reatância em Ohms.
[
Janela do sinal v ab = v ab (k ) v ab (k −1) v ab (k −2 ) L v ab (k − M +1) ]
[
Janela do sinal iab = iab (k ) iab (k −1) iab (k − 2 ) L iab (k − M +1) ]
2- Determina os valores de base das janelas de tensão (vab) e corrente (iab) para o
instante da amostra k
[
Vbab ( k ) = max v ab (k ) v ab (k −1) v ab (k − 2 ) L v ab (k − M +1) ]
[
Ibab ( k ) = max iab (k ) iab (k −1) iab (k − 2 ) L iab (k − M +1) ]
Vbab (k )
Zbab (k ) = (4.47)
Ibab (k )
54
_
vab(k)
_
vab(k-M+1)
_ _
R ou X
Saída
_
iab(k)
3 camada
_
iab(k-M+1) 2 camada
Entrada
1 camada
Elementos de Fase
AB BC CA
Elementos de Terra
AN BN CN
_
Amostras normalizadas R(k) R(k)
do sinal de tensão RNA R Pós-processamento
Determina R R (normalizado)
normalizado para R (Ohms)
Características Trip AB
das zonas de
proteção do
relé
_
X(k) X(k)
RNA X Pós-processamento
Determina X X (normalizado)
Amostras normalizadas normalizado para X (Ohms)
do sinal de corrente
_
Amostras normalizadas R(k) R(k)
do sinal de tensão RNA R Pós-processamento
Determina R R (normalizado)
Amostras normalizadas normalizado para R (Ohms)
do sinal de corrente
Características Trip A
das zonas de
proteção do
relé
_
X(k) X(k)
RNA X Pós-processamento
Determina X X (normalizado)
Amostras normalizadas normalizado para X (Ohms)
do sinal de corrente
RNA - R
_
R (k)
X R (k)
Vetor (k)
Zb (k)
Zb (k)
_
X (k)
X X (k)
RNA - X
Rede de Resistência
_
R
Saída
3 camada
2 camada
1 camada
Rede de Reatância
_
X
Saída
3 camada
2 camada
1 camada
Rede de Resistência
_
R
Saída
3 camada
2 camada
1 camada
Rede de Reatância
_
X
Saída
3 camada
2 camada
1 camada
A B
R1 L1
i(t)
K Zcarga
v(t)
t=0
[
i = I falta . − cos(θ − β ).e −α .t + cos(w.t + θ − β ) ] (5.4)
wL
β = tg −1 1
R1
66
V
Z relé = [cos(φ ) + j ⋅ sen(φ )] (5.5)
I carga
V
Z relé = [cos(β ) + j ⋅ sen(β )] (5.6)
I falta
{v } = V{v }
k
k
(5.9)
base
{i } = I{i }
k
k
(5.10)
base
sendo,
Uma vez que se trabalha com vetores de tensão e corrente normalizados, torna-
se necessário que a impedância estimada pela RNA também esteja normalizada,
conforme indicado nas expressões 5.13 – 5.15. Além da utilização de valores
normalizados como parte do processamento para tornar o algoritmo genérico, a
limitação dos valores de entrada e saída das RNA entre -1 e +1 é uma exigência da
função de transferência empregada nas camadas dessas redes – Função Tangente
Hiberbólica.
Z relé
Z relé = (5.13)
Z base
Vbase
Z base = (5.14)
I base
V
Z relé = ⋅ [cos(φ ) + j ⋅ sen (φ )] (5.15)
I carga ⋅ Z base
−α .k ⋅
T
2 ⋅π
{ik } = I falta .− cos(θ − β ).e N
+ cos ⋅ k + θ − β (5.17)
N
V
Z relé = ⋅ [cos(β ) + j ⋅ sen (β )] (5.18)
I falta ⋅ Z base
onde, igualmente ao caso pré-falta, Zbase é definida segundo as expressões 5.13 e 5.14.
1- Condição de pré-falta
1a- Vetores de entrada para o treinamento das redes R e X.
2 ⋅π
cos ⋅ k +θ
{v }
k = N
Vbase
(5.19)
69
2 ⋅π
cos ⋅ k +θ −φ
{i }
k = N
I base
(5.20)
cos(φ )
R= (5.21)
Z base
sen (φ )
X = (5.22)
Z base
2- Condição de falta
2a- Vetores de entrada para o treinamento das redes R e X.
2 ⋅π
cos ⋅ k +θ
{v }
k = N
Vbase
(5.23)
−α .k ⋅
T
2 ⋅π
− cos (θ − β ).e N
+ cos ⋅ k + θ − β
{i } k =
I base
N
(5.24)
cos(β )
R= (5.25)
Z base
2c- Vetor de saída para o treinamento da rede X
70
sen (β )
X = (5.26)
Z base
2 ⋅π
− cos ⋅ k +θ −φ
{i }
k = N
I base
(5.27)
−α . k ⋅
T
2 ⋅π
+ cos (θ − β ).e N
− cos ⋅ k + θ − β
{i }k =
I base
N
(5.28)
cos(φ )
R' = (5.29)
Z base
sen (φ )
X '= (5.30)
Z base
cos(β )
R' = (5.31)
Z base
sen (β )
X '= (5.32)
Z base
Define o número
de simulações em
regime (pré-falta) = S Define o número
de simulações para
condição de falta = P
Define o tamanho da
janela de dados e a
taxa de amostragem
Sorteia aleatoriamente
Teta, Beta e Alfa
Sorteia aleatoriamente
Teta e Fi
Forma janela de dados
de tensão e corrente
Calcula R e X
Inverte o sinal da corrente
e forma nova janela de
dados de tensão e corrente
Calcula R e X para
sentido oposto
ao original Normaliza as janelas
de dados e os valores
de R e X.
Normaliza as janelas
de dados e os valores
de R e X.
Não
Simulações
executadas = P
Não
Simulações Sim
executadas = S
Finaliza os conjuntos
(matrizes) de treinamento
Sim para casos de exponencial
Finaliza os conjuntos
(matrizes) de treinamento
para situação de regime Monta uma única matriz
com situações de regime
permanente e exponencial
Figura 5.4 – Fluxograma de geração dos conjuntos de treinamento através do sistema monofásico
de primeira ordem
74
[ ]
t +S t +2S t +2S + P
v k − M +1 v k − M +1 v k − M +1 v k − M +1 v k − M +1 t t+S t +2S + P t +2S +2P
t t+S t +2S t +2S + P t +2 S +2 P ⇒ R K R K R K R
i k ik ik ik ik
M M M M M
i tk − M +1 K i tk+−SM +1 K i tk+−2MS +1 K i tk+−2MS ++1P K i tk+−2MS ++12 P
[ ]
t+S t +2S t +2S + P
v k − M +1 v k − M +1 v k − M +1 v k − M +1 v k − M +1 t t+S t +2S + P t +2S +2 P
t t+S t +2S t +2S + P t +2S +2 P
⇒ X K X KX KX
i k ik ik ik ik
M M M M M
i tk − M +1 K i tk+−SM +1 K i tk+−2MS +1 K i tk+−2MS ++1P K i tk+−2MS ++12 P
Figura 5.5 - Matrizes utilizadas no treinamento das RNA que compõem os elementos de terra e de
fase do algoritmo proposto – método utilizando um sistema de primeira ordem
Onde os sobrescritos:
t até t+S = número de situações de regime com a corrente fluindo no sentido original
(S);
t+S até t+2S = número de situações de regime com a corrente fluindo em sentido oposto
ao original (S);
t+2S até t+2S+P = número de situações de defeito com a corrente fluindo no sentido
original (P);
t+2S+P até t+2S+2P = número de situações de defeito com a corrente fluindo em
sentido oposto ao original (P).
Contando com a robustez, que é uma das características de destaque das RNA
(HAYKIN, 1994; JACKSON, 1990; NEURALWARE, 1993; WASSERMAN, 1989),
os casos contemplando as situações de defeito, envolvendo as ondas trafegantes, não
75
foram gerados, ou seja, não constam do conjunto de treinamento das redes. Isso ocorre
porque foi adotado um sistema de primeira ordem (onde não há ondas trafegantes) para
gerar os conjuntos de treinamento. A exclusão desses casos é baseada na premissa de
que uma RNA, treinada através de sinais puramente senoidais (ou senoidais acrescidos
de componente exponencial), atue como uma espécie de filtro, rejeitando as possíveis
componentes de altas freqüências presentes nos sinais provenientes das linhas de
transmissão, sob defeito. Esta medida visa simplificar o processo de geração do
conjunto de treinamento, reduzindo o número de equações a serem desenvolvidas. Um
ganho também é obtido no que se refere ao processo de treinamento da RNA, fazendo
com que esta atinja um erro global menor, no menor tempo possível. Intuitivamente,
melhor (erro mais baixo) e mais rápido é o treinamento, quanto mais simples são as
equações que se deseja representar.
proporciona que tal efeito se manifeste no sistema elétrico. Vale a pena ressaltar que o
treinamento das RNA, a partir de um modelo monofásico (figura 5.6), é possível devido
ao esquema de pré-processamento adotado para o algoritmo proposto.
início da rotina que define os valores das variáveis “alteráveis” e executa o sistema
modelado no Power System Toolbox.
Após realizada a simulação de uma situação operativa sorteada, são registradas
32 janelas de dados (de um ciclo pré-falta até um ciclo pós-falta), supondo uma taxa de
amostragem de 16 amostras por ciclo de 60 Hz. Portanto, num determinado nível de
tensão, para N situações simuladas, tem-se 32 x N janelas de dados armazenadas.
Considerando os 5 níveis de tensão, abordados no presente estudo, chega-se a 160 x N
janelas de dados armazenadas. Depois de simuladas as N situações operativas sorteadas,
inverte-se os sinais de corrente de todas as janelas de dados existentes. Essa medida
duplica o número de janela de dados armazenadas (320 x N), contemplando as situações
de defeito com a corrente fluindo no sentido oposto aos casos originalmente concebidos
(sorteados). Dessa forma, acredita-se estar gerando sinais de tensão e corrente com as
mais diversas características para compor os vetores de treinamento das RNA.
Quanto aos valores de resistência e reatância referentes a cada situação
simulada, estes são calculados previamente, possibilitando a formação do par de vetores
entrada/saída, uma vez que o treinamento supervisionado foi o adotado no presente
trabalho. Tais valores são obtidos mediante a multiplicação da distância “sorteada” para
a aplicação do defeito, pelos valores de resistência e reatância de seqüência positiva da
linha de transmissão. Convém destacar que os valores de resistência e reatância do
defeito, referentes aos casos em que as correntes foram invertidas, são calculados com
valores negativos. Essa medida proporciona que, através da análise do sinal da
resistência e reatância estimada pela RNA, seja possível discriminar o sentido do
defeito.
É importante ressaltar que, como descrito no item anterior, a RNA é treinada
com vetores de entrada e saída normalizados. Dessa forma, terminado o processo
descrito nos parágrafos anteriores, tanto as janelas de dados de tensão e corrente, como
os valores de resistência e reatância são normalizados. Tal procedimento é idêntico ao
exposto no item 4.2.1.2 – Utilização de Valores Normalizados. O fluxograma do
processo de geração dos conjuntos de treinamento das RNA, a partir de sinais de um
modelo monofásico com parâmetros distribuídos, é apresentado na figura 5.7.
78
Define o tamanho da
Forma janela de dados
janela de dados e a
de tensão e corrente
taxa de amostragem
Disponibiliza os parâmetros
Determina
de seqüência positiva
R e X do defeito
para cada nível de tensão
Inverte o sentido
Sorteia aleatoriamente
da corrente na
as variáveis
janela de dados
Simula a Determina os
condição operativa novos R e X do defeito
(Power System Toolbox) (negativos)
Normaliza as janelas
Filtragem analógica e
de dados e os valores
digitalização do sinal
de R e X.
Não
Simulações
executadas = J
Sim
Finaliza os conjuntos
(matrizes) de treinamento
terra e de fase da linha de transmissão a ser protegida, pois foram treinadas para
numerosas possibilidades de sinais de entrada.
v tk K vk
t+J
K vk
t +2 J
M M M
t
[ ]
t+J t +2 J
v k − M +1 v k − M +1 v k − M +1 t t+J t +2 J
t t+J t +2 J ⇒ R K R K R
i k i k i k − M +1
M M M
i tk − M +1 K t+J t +2 J
i k − M +1 K i k − M +1
v tk K vk
t+J
K vk
t +2 J
M M M
t
[ ]
t+J t +2 J
v k − M +1 v k − M +1 v k − M +1 t t+J t +2 J
t t+J t +2 J ⇒ X K X K X
i k i k i k − M +1
M M M
i tk − M +1 K t+J t +2 J
i k − M +1 K i k − M +1
Figura 5.8 - Matrizes utilizadas no treinamento das RNA que compõem os elementos de terra e de
fase do algoritmo proposto – método utilizando parâmetros distribuídos
Onde os subrescritos:
t até t+J = número de situações com a corrente fluindo no sentido original (J);
t+J até t+2J = número de situações com a corrente fluindo no sentido oposto ao original
(J);
Nos itens 5.2.1 e 5.2.1.1, as RNA, treinadas a partir das duas metodologias
apresentadas neste capítulo, são avaliadas quanto aos seus desempenhos. Tal avaliação
visa quantificar o desempenho das redes experimentadas, tanto nas suas fases de
treinamento, como de validação. A partir dos resultados obtidos nos itens seguintes será
possível constatar a real necessidade de um modelo que contemple as situações de
ondas trafegantes para o treinamento das RNA.
A princípio pode-se presumir que conjuntos de treinamento formados por sinais
provenientes do modelo com parâmetros distribuídos tendem a dificultar o treinamento
das RNA, visto que esses são sinais de razoável complexidade (possuem componentes
80
de altas freqüências). Entretanto, pode-se presumir, também, que uma RNA treinada a
partir desses sinais pode apresentar excelentes resultados frente a situações de defeitos
com ondas trafegantes, independentemente da característica de robustez da mesma. Os
resultados do treinamento das RNA com sinais de ambos os modelos, bem com taxas de
amostragem de 16 e 32 amostras/ciclo e diversos tamanhos de janelas de dados (4, 8,
12, 16 e 32), são apresentados no próximo item.
1 2 3 4
8 17 6 1 16 4 1,9.10-7 Rede-16-4-r
32 65 6 1 16 16 1,82.10-7 Rede-16-16-r
32 65 8 1 32 16 6,42.10-5 Rede-32-16-r
82
Tipo de Arquitetura da RNA Taxa de Amostragem Tamanho da Janela Erro Denominação
1 2 3 4
8 17 6 1 16 4 8,89.10-8 Rede-16-4-x
32 65 6 1 16 16 7,2.10-7 Rede-16-16-x
32 65 8 1 32 16 2,95.10-5 Rede-32-16-x
83
84
Conforme observado nas tabelas 5.2 e 5.3, todas as RNA possuem quatro
camadas. As camadas 1 e 4 constituem, respectivamente, as camadas de entrada e saída,
enquanto que as camadas 2 e 3 constituem as camadas ocultas da RNA. Constata-se nas
referidas tabelas, que todos os treinamentos efetuados, com os conjuntos gerados a
partir da linha monofásica com parâmetros distribuídos, atingem um erro final maior do
que as demais RNA, treinadas com o modelo de primeira ordem. Tal fato já havia sido
previsto anteriormente (item 5.1.2), e é justificado pela maior complexidade da função
que se deseja representar com a RNA. O erro atingido (penúltima coluna das tabelas 5.2
e 5.3), que serve como parâmetro de avaliação do desempenho das RNA na fase de
treinamento, é determinado da seguinte maneira:
n 2
∑ (sd k − sc k )
Erro = k =1
(5.33)
n
onde:
sd = saída desejada
sc = saída calculada
n = número de elementos no vetor de saída
Para a avaliação das RNA frente a sinais não pertencentes aos seus conjuntos de
treinamento, são gerados sinais aleatórios representativos das condições de pré-falta e
falta de uma linha de transmissão. Estes sinais (já normalizados), no formato de janela
de dados de tensão e corrente, com número de amostras e taxas de amostragem
adequadas, são agrupados para formar os vetores de entrada das RNA . Para cada vetor
de entrada, os valores de resistência e reatância são previamente calculados,
possibilitando a comparação entre estes e os valores de resistência e reatância emitidos
pelas RNA. É importante ressaltar que os sinais gerados são baseados num sistema de
primeira ordem, não contemplando, portanto, as situações de ondas trafegantes.
Após gerados os vetores de treinamento, estes são aplicados às RNA em teste,
sendo a saída da rede R comparada com as resistências previamente calculadas, e a
saída da rede X comparada com as reatâncias previamente calculadas. Os testes foram
divididos da seguinte forma: resposta da rede R à condição de pré-falta; resposta da rede
R à condição de falta; resposta da rede X à condição de pré-falta; resposta da rede X à
condição de falta. Para a elaboração destes testes, foram implementadas rotinas no
Matlab. Tais rotinas possibilitam os ajustes da taxa de amostragem e do tamanho da
janela de dados, gerando sinais adequados para qualquer RNA treinada. Ao término da
execução da rotina sobre uma determinada rede, são obtidas as seguintes informações:
a- Respostas desejada e calculada da RNA;
b- Erro percentual de cada sinal de saída da rede.
Como exemplo, os gráficos contendo as informações referentes a uma rede X,
com taxa de amostragem de 16 amostras por ciclo, janela de dados de 4 amostras, e
86
Zoom
(a) (b)
(c)
Figura 5.9 – Informações provenientes da rotina de teste da RNA
pode-se afirmar que as RNA treinadas com sinais provenientes do modelo de primeira
ordem “aprenderam” a função desejada, sendo capazes de estimar com grande precisão
os valores de resistência e reatância, seja o sinal representativo de uma condição de pré-
falta ou falta. Dessa afirmação ressalta-se um fato de extrema relevância, que
corresponde à capacidade das RNA filtrarem a componente exponencial, respondendo
corretamente quando há ou não componente aperiódica no sinal de entrada (vide tabelas
5.4, 5.5 e 5.6 – condição de falta)
Todas as RNA com elevados índices de acertos serão avaliadas no capítulo
seguinte frente a inúmeras situações operativas de linhas de transmissão típicas, com
configurações geométricas, comprimentos e níveis de tensão encontrados na prática. Tal
teste visa selecionar qual a RNA que possui o melhor desempenho diante de situações
reais de operação de linhas de transmissão, inclusive respondendo a sinais de entrada
“contaminados” com ondas trafegantes – situação esta não contemplada no processo de
treinamento dessas redes. A RNA que demonstrar o melhor comportamento diante das
situações de teste, terá seu desempenho comparado com um algoritmo convencional de
proteção de distância, visando medir a eficiência do algoritmo baseado em RNA,
apresentado neste trabalho. A comparação entre os algoritmos proposto e convencional
será realizada no capítulo 7.
90
Conforme Doyle (1982), Ellert (1982) e Fuchs (1977), foram adotadas algumas
configurações típicas (geometria de torre, flecha, arranjo e tipo dos condutores) de
sistemas de transmissão para os níveis de tensão utilizados neste trabalho. A figura 6.1
apresenta as configurações adotadas. A tabela 6.1 apresenta os parâmetros das linhas
para cada nível de tensão considerado.
As informações sobre as distâncias e cargas máximas típicas para cada nível de
tensão adotado foram fornecidas pela ONS, que também informou os dados de curto-
circuito para cada linha de transmissão considerada, possibilitando a elaboração de um
modelo equivalente dos sistemas conectados nas extremidades de cada linha simulada.
6,5 m
3m 3m
4,5 m
2,3 m
4,15 m
3,8 m
3,8 m
1,85 m
29,1 m
27,3 m 22 m
17,35 m
(a) (b)
92
7,4 m
4,6 m
5,0 m
3,6 m
2,2 m
5,5 m
26,3 m
36,3 m 3,2 m
18,8 m
22,3 m
(c) (d)
15,0 m
13,5 m
4,5 m
41,6 m
28,5 m
(e)
Figura 6.1 – Configurações adotadas para o modelamento das linhas de transmissão: (a) 138 kV;
(b) 230 kV; (c) 345 kV; (d) 500 kV; (e) 765 kV
93
Com relação aos cabos utilizados nas torres da figura 6.1, são apresentados os
seguintes dados:
a- Nível de 138 kV
Condutores
- Circuito duplo com um condutor por fase;
- Flecha de 6,50 metros;
- Condutor (Partridge) tipo CAA 266,8 MCM.
Pára-raio
- Flecha de 6,0 metros;
- Constituído por cabos de aço galvanizado (7 fios) tipo HS com diâmetro
nominal de 1/2”.
b- Nível de 230 kV
Condutores
- Circuito simples com um condutor por fase;
- Flecha de 14,0 metros;
- Condutor (Drake) tipo ACSR 795 MCM (26/7).
Pára-raio
- Flecha de 11,60 metros;
- Diâmetro de 5/16” (HS).
94
c- Nível de 345 kV
Condutores
- Circuito simples com um condutor por fase;
- Flecha de 7,80 metros;
- Condutor tipo (Bluebird) ACSR 2156 MCM (84/19).
Pára-raios
- Flecha de 4,70 metros;
- Diâmetro de 7/16” (HS).
d- Nível de 500 kV
Condutores
- Circuito simples com três condutores por fase (igualmente espaçados em
18”);
- Flecha de 11,40 metros;
- Condutor tipo (Chukar) ACSR 1781 MCM (84/19).
Pára-raios
- Flecha de 6,30 metros;
- Diâmetro de 0,385” (Allumoweld).
e- Nível de 765 kV
Condutores
- Circuito simples com quatro condutores por fase (igualmente espaçados
em 18”);
- Flecha de 16,50 metros;
- Condutor tipo (Dipper) ACSR 1351 MCM (45/7).
Pára-raios
- Flecha de 14,40 metros;
- Diâmetro de 0,385” (Allumoweld).
95
Com os dados dessas cinco linhas de transmissão (que representam linhas típicas
para cada nível de tensão adotado) e os dados provenientes da rotina Line Constants,
(impedâncias de seqüência zero e positiva referentes às configurações apresentadas na
figura 6.1) foram elaborados cinco arquivos digitais, que possibilitam a simulação das
condições operativas de tais linhas. Em todas as situações, as linhas foram consideradas
totalmente transpostas e modeladas através de parâmetros distribuídos. Na figura 6.2 é
apresentado o arquivo de entrada do programa Simulink, utilizado na simulação da linha
de 230 kV. O formato para os demais arquivos (outros níveis de tensão) é idêntico,
mudando apenas os dados relativos a cada linha.
θ = 0, 45 e 90.
Z (t ) − Z cor
< 0,05 para t > Testab (6.1)
Z cor
Onde:
Z(t) = Impedância da falta calculada a partir dos valores de R e X emitidos pelas RNA;
Zcor = Impedância de falta correta, previamente conhecida;
Testab = Tempo de estabilização.
Op. Normal
X (Ohms)
Z linha + Z carga
1
2
3
4
6
8
7
R (Ohms)
Com relação à tabela 6.4 (tempo de trip), pode-se dizer que todas as
alternativas de algoritmo apresentaram respostas satisfatórias, gerando o sinal e trip com
tempos médios inferiores a 1 ciclo. No entanto, cabe ressaltar que as alternativas Rede-
16-4 e Rede-32-16 possuem os melhores desempenhos em cada nível de tensão
considerado, devendo, portanto, ser foco de uma discussão mais detalhada sobre a rede
mais apropriada para compor o algoritmo em questão. Dessa maneira, ressalta-se que a
Rede-32-16 é a mais conveniente quando se trata de menor tempo médio global
(8,69ms). Entretanto, em se tratando de carga computacional imposta ao
microprocessador, a Rede-16-4 é a mais conveniente, pois possui uma arquitetura
significativamente menor, conforme indica a análise a seguir (tabelas 6.6 e 6.7).
É importante observar que as arquiteturas consideradas para a análise da carga
computacional das alternativas selecionadas são aquelas apresentadas no capítulo 5
(item 5.2) e, genericamente, na figura 4.12. Para o cálculo do número de multiplicações
e somas necessários a cada rede, são utilizadas as expressões 6.2 e 6.3.
NM = NE ⋅ NN (6.2)
NS = (NE − 1) ⋅ NN (6.3)
onde:
NM = número de multiplicações da camada considerada;
NS = número de somas da camada considerada;
NE = número de entradas da camada anterior;
NN = número de neurônios da camada considerada.
106
que apresenta um bom tempo médio de estabilização global. Percebe-se, no entanto, que
por uma diferença muito pequena (na prática, não significativa), a Rede-32-16 leva
vantagem sobre a Rede-16-4, que possui tempos de estabilização maiores. Em contra-
partida, conforme discutido anteriormente, existe uma acentuada diferença entra a carga
computacional imposta pelas duas redes. Tal cenário dificulta a escolha da melhor
alternativa de algoritmo para compor um relé de distância baseado em RNA.
Para a definição da melhor alternativa de algoritmo, utilizou-se um novo
indicador, observado durante as simulações de cada caso contemplado da linha de
transmissão. Tal indicador foi denominado de “regularidade” e avalia o percurso
realizado pelo algoritmo, quando este percebe a falta e se dirige para dentro da zona de
proteção do relé. As figuras 6.3 e 6.4 ilustram, respectivamente, as respostas dos
elementos de terra AN e de fase AB, das alternativas Rede-16-4 e Rede-32-16 para um
curto fase-terra (fase A) e dupla-fase-terra (fases A e B) numa linha de transmissão de
80 km, operando a 230 kV.
O primeiro gráfico de cada figura corresponde à resposta da Rede-16-4, e
possibilita a visualização da grande distância que os valores calculados tomam do valor
ideal, tornando o percurso, em direção ao ponto de defeito, bastante irregular. Já o
segundo gráfico de cada figura corresponde à resposta da Rede-32-16, e ilustra o quão
regular é o percurso traçado, por esta alternativa de algoritmo, em direção ao ponto de
defeito. Conforme mencionado, a regularidade se dá devido aos pontos calculados não
tomarem grande distância em relação ao percurso ideal para o ponto de defeito, traçado
por uma reta.
X (Ω)
X (Ω)
R (Ω) R (Ω)
X (Ω)
X (Ω)
R (Ω) R (Ω)
Salienta-se que, para a situação da figura 6.3, o sinal de trip foi gerado em 8,0
ms para a Rede-16-4 e em 8,5 ms para a Rede-32-16. Na figura 6.4, o sinal de trip foi
gerado em 8 ms para a Rede-16-4 e 7,5 ms para a Rede-32-16.
Considerando os indicadores supracitados: tempo médio de trip, tempo médio de
estabilização, carga computacional e regularidade, a alternativa Rede-32-16 mostra-se a
mais apropriada para a implementação de um relé de distância baseado em RNA. Dessa
forma, a mesma será foco, no capítulo 7, de uma comparação de desempenho com o
Algoritmo de Fourier utilizado na proteção de distância. Tal comparação se dá diante da
análise dos resultados emitidos por ambos os algoritmos, frente a inúmeras situações de
linhas de transmissão operando nos diversos níveis de tensão contemplados neste
trabalho. Este estudo visa mensurar a eficiência do algoritmo desenvolvido neste
trabalho.
Nos próximos itens serão verificados os tempos de estabilização e trip emitidos
pelas cinco alternativas de algoritmos, para cada nível de tensão adotado, possibilitando
uma visão mais detalhada do desempenho de cada uma dessas alternativas, frente às
situações operativas expostas na tabela 6.2.
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
No confronto dos dados da tabela 6.9 com o gráfico 6.7, constata-se que as
alternativas Rede-16-8, Rede-16-12 e Rede-16-16 possuem tempos de estabilização
elevados, se comparados com as alternativas Rede-16-4 e Rede-32-16, que possuem
diferenças não significativas entre seus desempenhos. Entretanto, levando-se em
consideração o critério da carga computacional imposta ao microprocessador, a Rede-
16-4 mostra-se a mais adequada para efetuar a proteção da linha de transmissão em
questão.
É importante salientar que a diferença nos tempos de estabilização dos
algoritmos já era esperada, pois as RNA que trabalham com janela de dados maiores
levam mais tempo (precisam de mais amostras do sinal faltoso) para responderem com
precisão. Dessa forma, é esperado que em ¼ de ciclo as redes com janelas de 4 amostras
e 16 amostras (Rede-32-16) respondam com maior precisão, pois possuem mais
informações sobre o defeito. A figura 6.8 ilustra o comportamento dos elementos de
fase da Rede-16-4, para um curto-circuito dupla-fase-terra (fases A e B), resistência de
falta de 10 Ohms e ângulo da tensão de 45º – caso 6 da tabela 6.2.
O primeiro gráfico da figura 6.8 apresenta os sinais de tensão e corrente antes e
depois da ocorrência do defeito, além da saída da rede X do elemento de fase AB,
salientando a precisão atingida com a utilização de RNA. O segundo gráfico dessa
figura expõe a reação dos elementos de fase do algoritmo ao defeito. No terceiro gráfico
é possível verificar a chegada do elemento de fase AB ao ponto R-X de defeito.
114
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
V (V)
I (A)
I (A)
T (s) T (s)
Figura 6.10 - Sinais com ondas trafegantes (6.10a) e com ondas trafegantes atenuadas (6.10b)
117
Apesar dos valores das tabelas 6.10 e 6.11 não diferirem de forma acentuada,
nota-se nos gráficos da figura 6.11, que a substituição do filtro analógico surtiu um
efeito positivo para as alternativas Rede-16-16 e Rede-32-16, que deixaram de variar
bruscamente com a mudança da situação operativa, permanecendo com tempos de
estabilização e trip satisfatórios. Quanto às outras alternativas de algoritmos, apesar da
119
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
amostra 60. Deve ser notado que entre as amostras 50 (instante do defeito) e 60, a janela
de dados não continha um número significativo de amostras do sinal pós-falta, causando
um elevado erro inicial, que diminui à medida que a janela de dados se desloca em
direção ao defeito. No segundo gráfico da referida figura, são apresentadas as respostas
dos três elementos de terra ao defeito, com o respectivo detalhe (no terceiro gráfico) do
deslocamento do elemento de terra da fase A para o ponto R-X do defeito, no interior da
zona de atuação do dispositivo de proteção.
Com relação à figura 6.15, são apresentados, no primeiro gráfico, os sinais de
tensão e corrente pré e pós-falta, além da resposta e erro (amostra a amostra) da rede X
do elemento de terra AN. Nota-se, novamente, a interessante precisão revelada pela
respectiva RNA. Já com relação ao segundo gráfico, constata-se a reação dos elementos
de terra ao defeito, com o detalhe do elemento de terra AN, apresentado no terceiro
gráfico.
Percebe-se que a alternativa Rede-32-16 possui um comportamento mais regular
do que a alternativa de algoritmo Rede-16-4, visto que ambos saem do mesmo ponto R-
X de operação pré-falta (-200,40) e se deslocam para o ponto R-X de defeito (0,12),
com a segunda alternativa percorrendo um caminho maior e, inicialmente, menos
objetivo em direção ao defeito.
125
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
Como observado na tabela 6.14, para os níveis de 138 kV e 230 kV, todas as
alternativas avaliadas possuem condições de efetuar a proteção da linha de transmissão,
entretanto, por uma questão de tempo de resposta e carga computacional imposta ao
microprocessador, a Rede-16-4 foi escolhida efetuar tal função.
130
este capítulo apresentou a melhor alternativa de algoritmo para cada um dos cinco
níveis de tensão, apreciados isoladamente.
132
Obs: Na tabela 7.2, os valores em destaque correspondem aos comprimentos reais das
linhas de transmissão.
Conforme pode ser observado nas figuras 7.1, 7.2 e 7.3, o algoritmo
implementado com RNA possui um comportamento muito satisfatório em termos de
tempos de estabilização e trip, independentemente do comprimento da linha de
transmissão.
136
gráficos das figuras 7.4, 7.5 e 7.6, que representam o comportamento desses algoritmos
para os três comprimentos da linha de transmissão, consideradas neste nível de tensão.
entretanto, que na maioria das vezes o algoritmo proposto atinge a estabilização num
tempo menor do que aquele fornecido pelo algoritmo convencional. Outra característica
importante do algoritmo proposto é possuir melhor desempenho nos casos de curto-
circuito fase-terra, que constituem, conforme Stevenson (1986), 80% dos defeitos nas
linhas de transmissão. Ainda nesta linha de transmissão, percebe-se que o tempo de trip
do algoritmo proposto é bem inferior ao tempo de trip do algoritmo convencional, sendo
esta a vantagem principal do algoritmo proposto no presente trabalho – reduzido tempo
de trip, em função da caracterização do defeito por parte da RNA, que não requer
muitas amostras para “perceber” que há um defeito.
Quando são analisados os gráficos das figuras 7.5 e 7.6, correspondentes a linhas
de transmissão de comprimentos maiores, percebe-se que o desempenho do algoritmo
baseado em RNA melhora consideravelmente, seja em termos de tempo de
estabilização, como em tempo de trip. Novamente, os casos 25 e 29 (curto monofásico
com resistência de falta de 20 Ohms) não provocaram o sinal de trip dos algoritmos em
avaliação.
A tabela 7.4 apresenta os tempos médios de estabilização e trip dos algoritmos
proposto e convencional, além do número percentual de casos em que o algoritmo
baseado em RNA gerou o sinal de trip ou atingiu a estabilização antes do algoritmo
convencional.
Através dos gráficos gerados neste nível de tensão, observa-se que para os três
comprimentos da linha de transmissão o algoritmo proposto tem resposta mais rápida,
seja em termos de tempos de estabilização ou trip. Convém salientar que o algoritmo
baseado em RNA possui melhor desempenho, independentemente do comprimento da
linha de transmissão protegida.
A tabela 7.5 apresenta os tempos médios de estabilização e trip dos algoritmos
proposto e convencional. Do mesmo modo que nas tabelas anteriores, o número entre
parênteses mostra, em termos percentuais, a quantidade de vezes que o algoritmo
proposto foi mais rápido que o algoritmo convencional, para 32 casos de estabilização e
30 casos de trip.
8 CONCLUSÕES
Este trabalho teve como principal contribuição o desenvolvimento de uma
proteção de distância genérica baseada em RNA, ou seja, iniciar uma caminhada em
direção a uma utilização mais prática dessa poderosa ferramenta, desvinculando os
dispositivos de proteção baseados nessa filosofia da aplicação a uma única linha de
transmissão. Para alcançar tal objetivo, no presente estudo, foram desenvolvidos
esquemas e procedimentos específicos, que constituem etapas de extrema relevância
nesta pesquisa. Tais etapas são relatadas a seguir e, posteriormente, discutidas
isoladamente, devido à importância de cada uma delas na contribuição final do
algoritmo proposto.
1- Esquema de pré-processamento desenvolvido para o algoritmo proposto;
2- Metodologia de treinamento das RNA;
3- Metodologia de validação das RNA;
4- Estudo comparativo entre as cinco alternativas de algoritmos consideradas.
Após as conclusões parciais, referentes a cada etapa supracitada, será
apresentada a conclusão global do trabalho, abordando os pontos marcantes do
algoritmo proposto, com relação às situações operativas reais impostas ao mesmo.
Sobre o esquema de pré-processamento, considerado uma contribuição deste
trabalho, ressalta-se que este possibilita um adequado funcionamento do algoritmo
proposto, independentemente do nível de tensão da linha de transmissão protegida. Isso
é possível através de RNA previamente treinadas para estimarem a resistência e a
reatância (seqüência positiva) de uma linha de transmissão, a partir de janelas de dados
com amostras de tensão e corrente devidamente processadas. Conforme os testes de
validação das RNA, apresentados nas tabelas 5.4 e 5.6, o esquema de pré-
processamento é bastante eficaz, para sinais gerados a partir de um sistema monofásico
de primeira ordem.
Com relação à metodologia de treinamento das RNA, em se tratando de tempo e
desempenho de treinamento, obteve-se um elevado ganho com o procedimento adotado
neste trabalho. Tal ganho é obtido porque as RNA utilizadas nos elementos de medição
do algoritmo proposto são treinadas a partir de sinais provenientes de um sistema
monofásico de primeira ordem, o que é possível devido ao esquema de pré-
147
LISTA DE REFERÊNCIAS
DEMUTH, H.; BEALE, M. Neural Network Toolbox – For Use With Matlab. 3.ed.,
The Math Works, Inc, 1994.
JIALI, H.; YUQIAN, D.; YONGLI, L.; SHANSHAN, L. “Distance Relay Protection
Based on Artificial Neural Network”. 4th International Conference on Advances in
Power System Control, Operation and Management, APSCOM-97, p.515-520
Nov. 1997.
HERTZ, J.; KROGH, A.; PALMER, R.G. Introduction the Theory of Neural
Computation. Santa Fé, Addison-Wesley Publishing Company, 1991.
JOHNS, A.T.; Salman, S.K.. Digital Protection for Power System. England, Peter
Pereguinu Ltd, 1995.
KEZUNOVIC, M.; RIKALO, I. “Detect and Classify Faults Using Neural Nets”.
IEEE Computer Applications in Power, p.42-47, Oct. 1996.
LI, Y.L.; LI, B.; ZHANG, X.H.; HE, J.L. “An ANN-Based Distance Protective Relays
of Transmission Lines”. IEE Developments in Power System Protection, n.479,
p.311-314, 2001.
LIN, W.M; YANG, C.D.; LIN, J.H.; TSAY, M.T. “A Fault Classification Method by
RBF Neural Network With OLS Learning Procedure”. IEEE Transaction on Power
Delivery, v.16, n.4, p.473-477, Oct. 2001.
MASON, C.R. The Art & Science of Protective Relaying. General Electric, 1956.
VASILIC, S.; KEZUNOVIC, M. “An Improved Neural Algorithm for Classifying the
Transmission Line Faults”. IEEE, p.918-923, 2002.
WASSERMAN, P.D. Neural Computing – Theory and Practice. New York, Van
Nostrand Reinhold, 1989.
APÊNDICE A: PESOS E BIAS DA REDE-32-16-x
Pesos da primeira camada
0.4875 -0.0226 0.3474 -0.1937 -0.0451 0.1185 -0.4498 0.2306 0.3337 0.1852 0.2085 -0.2018 0.0774 -0.0633 0.4330 0.0609
-0.2692 0.4238 0.1735 0.0007 0.0402 -0.4182 -0.3497 0.2463 -0.0607 0.0533 -0.0098 0.0397 -0.3622 0.4352 -0.1063 0.4571
0.0821 -0.0504 -0.1660 -0.4295 -0.2794 -0.4654 0.1452 -0.1354 0.1354 -0.3514 0.4723 0.1213 -0.1519 -0.0194 -0.4103 -0.1801
-0.0054 -0.0786 -0.2161 0.5055 0.1439 -0.3303 -0.3326 -0.3610 0.2237 0.1532 -0.4629 -0.3702 0.0944 0.2994 0.2503 0.3914
0.4062 0.3664 -0.1223 0.1147 -0.1407 0.1183 0.3662 -0.3072 -0.2744 -0.1128 0.0641 0.3264 -0.3175 0.3123 0.3701 -0.4080
0.1622 -0.0629 -0.0483 -0.1454 0.3821 -0.4710 -0.3433 -0.3096 0.3938 -0.3237 -0.1611 0.4921 0.1831 -0.2435 -0.1208 -0.3288
-0.0426 -0.3061 0.2600 0.0403 0.2706 -0.1083 -0.3154 -0.0456 0.1109 0.1068 0.4145 0.1306 -0.2475 -0.0958 -0.2547 -0.2799
-0.3803 0.1573 -0.1467 -0.1305 -0.0704 0.1067 0.4024 0.2838 0.0945 0.2494 -0.1562 -0.4120 0.0492 -0.0059 0.3358 0.3378
0.2243 0.2444 0.2515 -0.1663 0.1776 0.1667 -0.1069 -0.0318 -0.2797 0.2073 0.2355 0.3947 0.0886 0.3269 -0.2830 -0.3484
-0.0680 -0.4997 0.0682 -0.2780 -0.2301 0.2104 -0.1475 0.3444 0.0728 0.5372 -0.4331 0.1382 -0.0121 0.0930 0.4716 -0.2266
0.1975 0.2599 -0.0783 0.1309 -0.0307 -0.4217 -0.1944 -0.0554 0.4267 0.4443 -0.2074 0.1465 -0.0304 -0.1205 0.1322 0.4479
0.2717 -0.1400 0.1815 0.2392 0.4127 -0.0623 -0.1486 -0.0536 -0.1717 -0.4429 -0.0015 -0.4018 0.4483 -0.0430 0.3606 -0.2697
0.3643 0.2763 -0.0240 -0.0246 0.1652 -0.0802 -0.1118 -0.0263 0.2209 -0.0865 0.0118 0.0144 -0.0681 -0.3437 -0.2084 0.1079
0.2775 0.0069 -0.0548 0.1817 -0.3168 -0.1465 0.1377 -0.0710 -0.0937 0.0907 0.1057 -0.1169 -0.0898 -0.0454 -0.0373 -0.2372
-0.3381 0.1621 0.1576 -0.2805 0.3117 -0.3106 -0.3316 0.3996 0.1548 -0.1757 0.1571 -0.2554 -0.1234 -0.0700 -0.3361 0.2053
-0.0220 -0.0047 0.1655 -0.0642 0.1539 0.1854 -0.4114 -0.4541 0.1688 0.0633 -0.3917 0.2583 -0.1363 -0.2422 0.2572 0.3540
0.3920 -0.1303 0.2834 0.2762 -0.2660 0.2061 0.0028 -0.1356 -0.0570 -0.3539 0.3490 0.2916 -0.1783 0.2870 0.0371 0.2011
0.4048 -0.3065 0.4556 0.1891 -0.2729 0.2447 0.3888 -0.4176 -0.0565 0.0994 0.2799 -0.0204 -0.0797 0.2770 -0.1614 0.1755
-0.1289 -0.3627 -0.0542 -0.1292 0.0047 -0.1294 0.3188 0.0820 0.0504 0.1053 0.2080 0.3881 -0.0416 0.4209 -0.1261 -0.3457
0.2440 0.0482 0.2198 -0.0567 0.0034 -0.0538 -0.2981 0.0607 0.2465 0.3786 0.2707 -0.2986 0.2338 0.1094 0.4031 -0.2661
-0.3732 -0.1563 -0.2728 0.2767 -0.1019 -0.3263 -0.2949 0.4317 -0.1148 0.2178 0.1428 0.3170 -0.1862 -0.4476 -0.1316 -0.4497
-0.1143 0.0579 0.4554 -0.3804 0.0863 -0.0286 0.3516 0.0579 -0.0613 0.2203 -0.2727 0.2392 -0.3608 0.0749 -0.4020 -0.2097
0.2847 -0.4269 -0.2991 0.0565 -0.1025 0.1854 -0.3192 -0.1375 0.0801 -0.0838 -0.2430 -0.0494 -0.0401 0.3683 -0.2827 0.3840
-0.3818 0.2351 -0.1660 -0.3511 -0.3628 0.3902 0.1596 -0.2514 0.0664 0.1165 0.0981 0.0825 -0.0651 0.3840 -0.4539 0.3802
-0.3290 -0.1325 0.2800 -0.1039 -0.4264 -0.2195 0.3616 0.0813 0.1625 0.2404 0.0250 0.3770 -0.3969 -0.2180 0.0748 -0.3778
-0.2728 0.3241 0.2043 -0.1994 -0.1980 -0.2559 0.1176 0.1783 -0.0265 -0.4188 -0.4391 0.0978 0.1244 0.1664 -0.3620 0.2860
-0.3265 0.2707 -0.3919 0.2858 -0.5051 0.2827 0.2928 -0.1545 0.2229 0.3886 -0.3881 -0.2310 0.2188 0.0439 0.0540 0.1537
0.1523 0.1480 -0.3646 -0.3621 -0.0385 -0.1780 -0.3825 -0.3922 0.0209 0.3861 -0.1975 -0.1387 -0.2145 0.3497 -0.3831 -0.0001
-0.2414 -0.0027 0.4184 0.2878 0.2003 0.3303 -0.3723 -0.0733 -0.3194 0.1192 -0.0845 -0.3185 -0.2418 0.2325 0.2902 -0.2662
-0.3508 0.3221 -0.3364 0.4079 -0.4159 0.3729 0.3009 0.2524 0.2149 -0.1984 0.0220 0.0467 0.2608 -0.1920 -0.0504 0.3741
-0.4307 0.2644 -0.2099 0.3859 -0.4654 -0.3012 -0.1330 0.1836 0.3491 0.2552 0.2915 -0.1406 0.1991 -0.0831 0.2594 -0.2192
0.1837 0.0960 0.1169 0.2394 0.0874 -0.2422 0.3564 0.3918 0.2973 0.0390 0.1204 0.0053 0.4825 -0.2531 -0.3665 0.2727
Columns 17 through 24 Columns 25 through 32
0.0106 0.1965 -0.0294 0.2519 0.2131 0.3051 0.5448 0.3337 -0.2100 -0.2470 0.4912 0.1150 -0.3118 -0.2127 0.5046 0.2043
-0.3709 -0.2280 0.4611 -0.0978 0.3586 -0.0845 0.3036 -0.1396 0.3561 0.1129 0.2381 0.2940 -0.2547 -0.3680 -0.0563 0.2222
0.1084 0.1523 -0.0953 -0.1010 0.1097 -0.0461 -0.1204 -0.1040 -0.4165 0.4740 0.4738 0.2932 -0.4125 0.4382 0.3304 -0.1401
0.0657 0.4808 0.0143 -0.2457 0.4631 -0.0486 0.0149 -0.0941 -0.0262 -0.2959 -0.3399 -0.2679 -0.2812 -0.5043 0.0651 0.3591
0.0148 -0.1028 -0.3809 0.3218 0.2776 -0.3021 -0.3192 0.1184 0.1041 0.1553 -0.1691 0.2609 -0.4406 -0.4816 -0.2292 -0.2261
-0.4157 0.3348 -0.0697 0.0789 -0.3449 0.0440 -0.1875 0.3283 0.2346 0.2044 0.1243 -0.2503 0.3286 -0.1175 0.1128 -0.5244
0.1728 0.3691 -0.0739 -0.2782 0.3416 0.1266 0.2907 0.2603 -0.2392 -0.5679 -0.3910 0.4656 0.5271 0.2263 -0.1132 0.2981
-0.1474 0.4526 0.2195 0.4607 -0.2119 -0.3788 0.1400 -0.0302 -0.2547 0.3548 -0.2909 -0.3066 -0.3768 0.2732 0.3233 0.3534
0.0574 -0.4534 0.1044 0.0565 0.0594 0.2854 -0.5600 0.3005 -0.0827 0.4463 -0.2678 0.3164 0.1303 0.0574 -0.1167 -0.5479
0.1722 0.3745 0.5296 -0.2138 0.2373 0.3727 0.1188 0.0175 -0.1702 0.2214 0.1648 0.1098 -0.3996 -0.3907 -0.4732 -0.1529
0.0436 0.3616 -0.3308 0.2327 0.3583 0.2945 0.0394 -0.2351 0.2450 -0.0217 -0.4531 -0.3591 -0.2210 -0.2257 0.1480 -0.4582
0.1799 -0.3206 -0.3494 0.2162 -0.0583 0.0298 0.4733 0.1477 0.4987 0.2525 -0.2308 -0.4451 -0.3614 -0.2847 -0.0271 -0.1147
0.6117 -0.2775 0.1671 -0.3439 -0.0306 -0.4446 -0.2331 0.1894 -0.1647 0.1375 0.2116 -0.1957 -0.2568 -0.4850 -0.2429 0.4752
-0.7698 0.2219 0.5507 -0.5015 0.0814 0.4993 -0.3883 0.3191 0.1602 -0.1830 -0.2080 0.5304 -0.1823 -0.2119 0.1538 -0.2476
-0.3300 0.0850 -0.5069 -0.2242 0.1608 -0.1605 0.1527 0.6179 -0.1286 0.5403 -0.0063 0.5190 -0.3323 0.0158 -0.6742 -0.6792
0.2890 0.1560 0.3437 -0.3568 -0.3090 -0.0665 0.4244 0.2273 -0.3243 -0.3769 0.1803 -0.2728 -0.2635 -0.4106 0.3894 -0.1773
-0.2845 0.1111 -0.4649 -0.3913 -0.4071 -0.3587 0.4361 0.3082 -0.0589 -0.0450 0.4981 0.4751 0.4071 0.2171 -0.3234 0.0404
0.2848 0.0905 -0.0084 0.3430 0.2870 -0.1952 0.0368 0.3154 -0.0131 -0.4868 -0.4680 0.0682 -0.2091 0.3831 -0.3767 0.1601
0.1274 0.3343 -0.3400 -0.3396 0.0037 0.3748 0.1656 0.5086 0.0122 -0.0772 -0.4114 -0.4401 -0.0113 0.1607 0.0493 0.3065
-0.5266 -0.3267 0.1010 -0.4641 -0.2597 0.3358 0.3204 0.1153 0.5365 -0.0007 -0.1874 0.2166 -0.2655 0.2978 -0.4580 0.2049
-0.4094 -0.0786 -0.2113 0.2306 -0.3196 -0.1096 -0.3076 0.1578 -0.1949 0.4362 -0.2559 -0.0556 -0.3856 -0.1930 -0.1033 0.0206
-0.5546 -0.2853 0.4353 0.1220 -0.1929 0.4764 -0.3223 0.3839 0.0793 0.3810 0.4205 -0.2361 -0.3078 -0.2890 -0.2221 0.1056
-0.2264 -0.4388 -0.3387 -0.1992 -0.0671 0.0024 0.0628 -0.0407 0.0412 -0.2442 -0.3705 -0.3137 0.4049 -0.2039 -0.4225 -0.3906
0.0387 -0.3455 0.0575 -0.0704 -0.0261 0.1183 -0.3739 0.0899 0.3255 -0.3570 0.1410 -0.3658 0.3249 0.1429 -0.4511 -0.0916
0.2313 0.4585 0.4120 -0.3892 -0.4048 0.0334 -0.1175 -0.3484 -0.3141 -0.4413 -0.1840 -0.3569 -0.1587 0.5492 0.1235 0.2033
0.1652 -0.2087 0.3118 0.2382 0.2707 0.0065 -0.4199 -0.4690 0.2655 -0.0173 -0.3115 0.2456 0.4692 0.1818 0.3843 0.4613
0.0419 -0.0269 -0.1225 0.3790 -0.2762 0.1485 0.2951 -0.2411 0.3914 0.2143 0.1762 -0.4674 0.1738 0.0319 0.3505 0.3659
0.0247 0.3324 -0.1241 -0.3063 -0.1979 0.0731 0.0288 -0.4034 -0.4581 0.2733 0.0740 0.3914 0.4068 0.4005 -0.3243 0.0695
-0.4492 -0.3235 -0.0904 0.0034 -0.2684 -0.0501 -0.5575 -0.4081 0.2685 0.1458 0.4756 -0.1421 -0.0135 0.3115 0.2075 0.2348
-0.0924 0.4685 -0.2708 -0.3087 -0.3345 0.1611 0.3158 -0.1029 0.3636 -0.2951 -0.2152 0.1626 -0.0504 0.1115 0.2748 0.0777
-0.2274 0.0735 -0.3417 0.0919 0.3761 0.0481 0.2642 0.2801 0.2903 -0.3127 0.1661 0.3862 -0.2215 0.1132 0.1680 -0.4612
-0.2635 0.3615 0.0811 -0.0780 -0.0804 0.1664 0.4185 -0.1767 0.3747 0.0979 0.3370 -0.3939 -0.4857 0.2104 0.3554 -0.3516
Pesos da segunda camada
Columns 1 through 8
0.0632 0.0700 0.1363 -0.0158 -0.4204 0.4312 -0.2903 0.3595
0.0055 0.1544 0.0191 0.1505 -0.4101 0.3436 -0.2622 -0.0709
0.0592 -0.1817 0.5577 -0.0237 0.0142 -0.1929 0.0374 0.1823
-0.4101 0.2536 0.1343 0.4515 0.4577 0.2830 -0.3367 -0.4488
0.0825 0.2966 -0.2524 0.1967 0.3877 0.0321 0.3990 -0.4373
-0.3356 -0.1166 -0.1030 0.0913 0.3332 0.5570 -0.1090 -0.2485
-0.4064 0.2945 0.0753 -0.2342 0.0734 -0.2794 -0.1346 -0.0712
-0.2693 0.4147 0.0138 0.2139 0.1511 0.3786 -0.0348 0.1129
-0.3311 -0.0874 -0.4286 0.2358 -0.4154 0.1992 -0.2833 -0.1583
0.3732 -0.3779 0.2319 -0.4646 0.1756 -0.0119 0.0116 0.4445
-0.1080 -0.2328 0.0245 0.3882 0.4555 -0.3803 -0.1801 -0.3529
-0.2101 -0.0595 -0.3435 0.2957 0.5598 0.4931 0.0884 -0.1897
0.0352 -0.1645 -0.1157 -0.1199 -0.3196 -0.1169 0.4809 -0.2094
-0.2314 0.0573 -0.4431 0.0992 0.0514 -0.4602 0.1340 0.2890
-0.1401 0.4863 -0.1819 -0.1131 0.3367 0.4026 0.2325 -0.5259
-0.1100 -0.2047 -0.1350 -0.3092 0.2452 0.1172 0.4868 -0.3391
0.2903 0.0062 -0.2110 0.4642 0.0884 0.3492 0.1475 -0.0468
0.2759 -0.1343 0.1751 -0.0038 0.1191 0.4456 -0.1673 0.3164
-0.2173 -0.0988 0.1658 0.4474 0.2561 0.2596 0.2542 0.2011
-0.2289 -0.4070 0.3963 -0.2601 0.4177 -0.3969 -0.1344 -0.2680
-0.4872 0.2281 -0.3612 0.1516 -0.3482 -0.2858 0.0209 0.3925
0.0480 0.0347 -0.0505 0.0504 -0.4934 -0.2488 0.1870 -0.4041
0.0472 -0.1228 -0.4317 -0.1984 0.1739 0.3073 -0.2717 0.3461
-0.0574 0.2822 -0.3438 -0.4049 0.4906 0.1576 0.0159 -0.1452
0.0857 0.3814 0.1758 0.2851 -0.4148 0.0906 -0.1673 -0.3448
-0.1970 -0.3082 -0.0719 0.0946 -0.3263 0.0196 -0.1662 0.1171
-0.2755 -0.3172 0.2810 0.3400 -0.0584 -0.3343 0.3149 0.0508
-0.0934 -0.3123 0.4244 -0.0280 0.3861 -0.3784 0.0826 -0.3362
-0.5506 -0.1178 0.1086 -0.2344 0.0688 -0.3583 0.1157 -0.0024
0.3620 -0.4032 -0.1181 -0.2882 0.1607 0.3570 0.2761 0.3227
0.3419 0.3912 0.2666 0.4746 -0.3148 0.3456 0.1641 0.3721
0.1514 0.3459 -0.1832 -0.4047 -0.0631 -0.0723 0.4244 -0.1102
-0.2585 0.0456 -0.1136 -0.0672 -0.0851 0.5270 0.0442 -0.0998
0.3773 -0.3576 0.2657 -0.4167 -0.4292 0.3825 -0.0605 -0.0141
-0.2724 -0.3657 -0.1949 -0.4809 -0.4436 0.0864 0.3942 -0.4133
-0.0294 0.3408 -0.2851 -0.2814 -0.0122 0.2747 -0.1329 -0.1041
-0.3594 0.2246 -0.1328 -0.2211 0.0745 -0.1119 0.2882 0.4437
0.3100 0.0239 -0.3439 0.4135 0.3149 0.1492 0.5263 -0.2391
0.1193 -0.5041 0.1410 0.1529 0.0406 -0.2895 -0.1681 -0.3957
-0.3052 0.4215 0.2010 0.4345 -0.2054 0.4174 0.1439 0.4612
0.0686 0.1368 -0.3124 -0.0315 -0.2339 -0.0292 0.2504 0.0344
-0.4362 -0.3764 -0.2489 0.0800 0.2007 -0.3580 0.4744 0.4805
-0.4209 0.5180 0.2213 -0.4064 -0.2850 0.1059 -0.0149 0.3999
-0.1138 -0.3594 -0.0145 0.3855 -0.2715 -0.3102 0.4128 0.3962
0.0986 -0.1005 -0.0619 -0.2797 -0.4641 -0.2332 0.1122 0.3680
-0.1861 -0.1832 0.3499 0.1925 0.2386 0.3063 0.3358 -0.0895
-0.0565 0.2192 0.1711 0.4416 -0.0950 -0.0626 -0.3364 0.1455
-0.2102 -0.0851 0.3106 -0.3203 0.2160 -0.2408 0.2762 -0.1505
-0.4111 0.1873 0.5065 -0.1308 0.2933 0.0107 -0.1577 0.1763
0.4321 -0.1126 0.1482 0.3360 0.3207 -0.0679 -0.1972 -0.4514
-0.0810 0.4540 -0.1655 -0.3305 0.0786 -0.4689 0.1524 0.5173
-0.1104 -0.0740 0.2613 0.3891 0.1462 -0.0781 0.0457 -0.3677
-0.2610 -0.2663 0.2075 -0.3897 -0.0453 0.2069 0.3672 -0.0335
-0.2823 -0.0935 0.4422 -0.3031 0.6013 -0.5243 0.1098 0.3323
0.3132 0.0828 0.1050 0.1414 -0.2305 -0.3766 0.3656 -0.2833
0.1422 0.3848 -0.1332 0.1703 -0.2965 -0.1492 0.3500 0.1274
0.1104 0.3816 0.1623 0.1925 0.0301 -0.2863 -0.4330 0.0931
0.0764 0.1547 -0.3330 -0.1975 -0.2649 -0.2164 -0.3900 -0.1848
0.4299 -0.2097 -0.5107 -0.4737 0.1802 0.2932 -0.3525 -0.0144
-0.3610 0.4258 0.1450 0.2315 0.2600 0.4324 -0.3810 -0.4288
-0.0220 -0.3379 0.3816 -0.1014 -0.4096 0.4135 0.2773 -0.1916
0.0436 0.2668 -0.3004 0.4953 0.0131 -0.1399 -0.3165 0.2783
0.3049 -0.0871 -0.4347 -0.2468 -0.3183 -0.2259 -0.4297 -0.1524
0.3495 0.0210 -0.0535 0.2074 0.0443 -0.4047 -0.1255 -0.2627
0.3503 -0.4461 -0.4209 -0.2043 -0.2899 -0.2846 0.3512 -0.0743
Columns 9 through 16
-0.1632 0.0463 -0.3829 -0.4635 0.1300 0.1394 0.4435 0.3349 0.3079 0.4769 0.3537 0.5054 -0.1068 0.5480 -0.1144 -0.3472
0.2299 0.0989 -0.3264 0.2739 -0.0238 -0.3223 0.2837 0.5730 -0.2493 0.2595 0.2681 -0.1298 0.1674 -0.3382 -0.1329 -0.4692
0.3772 -0.0900 -0.3692 -0.3091 -0.2382 -0.1285 0.3246 0.4400 -0.4618 -0.0866 0.0455 0.3920 0.4100 0.0635 -0.4517 0.1895
-0.1228 0.1152 -0.3390 0.1719 0.1263 0.1769 -0.2276 -0.1216 0.3890 0.4807 -0.3817 0.0387 -0.4657 -0.0004 -0.3151 0.4838
0.0937 -0.3917 0.0309 0.0118 0.3092 -0.1615 0.2504 0.1147 -0.4215 -0.2868 -0.1827 0.5003 0.3782 -0.1078 -0.0021 -0.1327
0.2965 0.0627 0.3203 0.1656 0.4848 0.4797 0.4663 -0.0567 0.2948 -0.0043 0.0366 0.5040 -0.2907 0.0436 0.2389 -0.3796
-0.4308 -0.3212 -0.1223 -0.2007 0.3680 0.2774 0.3148 0.3178 -0.3832 0.0478 -0.2901 0.2336 0.4233 0.4627 -0.4395 -0.3884
0.3316 -0.2222 0.2819 0.3589 0.4640 -0.1284 0.2428 0.0314 -0.0634 0.0172 0.2579 0.1770 -0.3492 0.3281 0.6118 -0.1729
0.2019 -0.1743 0.2713 -0.3808 0.2680 -0.2924 0.4412 0.2853 0.1418 -0.1721 0.0739 0.3070 -0.2715 -0.3869 -0.0553 -0.2080
0.2988 0.1785 -0.6009 -0.1637 -0.1090 -0.0352 -0.1043 -0.1606 0.1233 0.0361 -0.2068 -0.5346 0.0217 0.3141 0.1968 -0.1133
0.4488 -0.1604 0.1158 0.3140 -0.4366 -0.3489 0.1322 0.3859 0.0843 0.2792 0.4508 -0.1750 0.1374 0.3651 0.2245 0.4495
-0.1190 0.0148 -0.3162 0.4573 -0.3032 -0.4234 -0.4863 -0.3897 -0.1417 -0.4317 -0.2985 -0.3955 0.3198 -0.1025 0.0196 0.1111
0.0047 0.4166 -0.2702 -0.4732 0.4690 -0.3893 0.4846 0.4287 0.1106 -0.0993 -0.5528 -0.2422 -0.2409 0.2114 0.0387 0.3649
-0.3878 -0.0126 0.4143 0.4663 -0.0214 -0.4265 -0.0259 0.2187 -0.2547 -0.3885 0.1512 -0.4244 -0.2096 -0.3730 0.2436 0.1151
0.4022 0.1370 -0.3351 0.4096 -0.2667 0.3467 -0.1050 0.1445 0.1914 -0.2868 -0.2487 0.3236 -0.2830 0.0935 -0.3024 0.1392
0.1307 -0.3336 -0.3115 0.3737 -0.0769 -0.1352 0.1533 -0.0773 -0.1064 0.2752 -0.1263 -0.4857 0.0024 0.2537 0.4323 0.2003
0.1516 0.2648 0.3534 0.0633 0.3159 0.2747 -0.0539 -0.3165 -0.1224 0.2115 0.4077 -0.0889 -0.3078 -0.3855 -0.4682 -0.3816
0.5630 -0.1388 0.3447 0.4758 -0.3586 0.2885 0.5160 0.3115 -0.0764 0.3758 0.4543 -0.4592 0.2193 0.0133 -0.0204 0.1051
-0.0279 0.2514 -0.5177 -0.1881 -0.1779 -0.0811 0.0288 0.4367 -0.3359 -0.3789 0.0093 0.2103 -0.2164 -0.2624 0.3992 0.4032
-0.0531 -0.2563 0.2392 -0.2434 0.2623 0.3186 -0.2774 -0.3622 0.4656 -0.0101 -0.4967 -0.1248 -0.0276 0.3348 0.4082 -0.3629
0.3085 0.2803 -0.1422 -0.4382 -0.2129 -0.1651 -0.3383 -0.2269 -0.4186 -0.0608 0.3440 0.1040 0.0530 -0.2386 0.1640 0.3100
-0.3585 -0.3374 -0.2891 -0.1889 -0.4109 -0.2267 0.0536 0.3238 0.4241 -0.0909 -0.3845 -0.0644 0.2110 -0.2088 -0.2191 -0.3980
0.1255 -0.4668 -0.0345 -0.3046 0.5856 -0.0107 0.5755 0.1269 0.2299 0.3707 -0.3793 -0.2614 -0.2543 -0.1576 -0.1290 0.4045
-0.1640 0.1077 0.3790 -0.1244 -0.3123 -0.3870 0.4771 0.0159 -0.4265 -0.3734 0.2051 -0.4538 -0.1440 0.2108 -0.3213 -0.1931
-0.0256 -0.3272 -0.0416 -0.4106 -0.0686 0.1380 0.2348 -0.0431 0.0428 -0.0325 -0.3206 0.0836 0.4093 0.0063 -0.1609 -0.3926
-0.1351 0.4849 0.1691 -0.1237 0.0779 0.4491 -0.2063 -0.4216 0.1397 0.3763 -0.3721 0.1148 -0.1833 -0.3378 0.3441 0.2725
0.0917 0.0319 0.3239 -0.1605 0.4132 0.0283 0.0174 -0.1843 0.2320 -0.3750 -0.3799 -0.2689 -0.3003 -0.2757 0.0474 -0.1801
0.4579 -0.3240 -0.5377 0.0794 -0.0229 0.2989 -0.4867 0.4004 0.3697 -0.1478 0.2097 -0.0436 -0.0830 0.2806 0.2655 0.1544
-0.4270 -0.2511 0.2847 0.3737 0.2817 -0.0375 -0.2114 0.3395
0.1620 -0.2044 0.3686 -0.1945 -0.4882 -0.2780 0.2715 -0.3344
0.2026 -0.4699 -0.4528 0.0951 0.4503 0.1607 0.3645 -0.0301
0.4672 -0.3471 -0.4080 0.0135 0.2930 -0.1702 -0.2244 -0.0080
-0.4359 0.3435 -0.1463 -0.3777 0.3810 -0.0848 -0.0758 0.2222
-0.4764 0.2721 0.3861 -0.4816 -0.3139 -0.2213 -0.2345 -0.0313
0.2098 0.2400 0.0960 -0.2230 -0.0926 -0.0870 -0.4381 -0.0098
0.3502 -0.1197 0.2148 -0.1225 -0.1802 0.1940 0.1933 0.2791
-0.2816 0.0506 -0.0017 0.4527 -0.5002 -0.0976 0.2481 0.0934
Columns 17 through 24
-0.3806 0.1402 -0.2685 -0.2971 0.2952 0.4359 0.2067 0.1165 -0.2776 -0.3126 -0.2034 -0.1933 -0.3989 -0.0008 0.1364 0.0707
0.3144 0.4207 -0.0322 0.0533 -0.0185 0.0330 0.0366 0.4335 0.5136 -0.0462 -0.2180 0.3931 -0.4154 0.0822 0.1784 0.0185
0.2867 0.3178 -0.5045 -0.3252 0.2355 0.1243 -0.3660 0.1810 -0.3927 0.0390 -0.1689 0.2962 -0.3480 -0.1567 0.2065 -0.1178
0.4393 -0.5071 0.1240 0.5229 0.1871 0.0109 -0.1777 -0.3779 0.1334 -0.0370 -0.0623 0.3008 0.3454 0.2679 0.2743 0.0669
0.3452 -0.1566 -0.2884 -0.4477 0.3062 0.4472 0.2877 -0.0298 -0.0568 -0.2755 -0.2939 0.2924 -0.4372 -0.5092 -0.3264 -0.0267
0.2330 0.0994 0.4030 -0.1408 -0.5358 -0.1947 -0.1251 0.4679 0.2449 0.5143 0.4561 0.1895 0.1984 0.3056 -0.2461 -0.3870
0.2341 -0.2083 -0.2068 -0.3566 -0.4766 0.2310 0.1410 -0.0087 0.3793 -0.0051 -0.1927 0.0855 -0.3806 0.2853 -0.3547 0.2167
0.4213 0.1702 -0.0205 0.1455 -0.0103 -0.3592 -0.1767 -0.0819 -0.3205 -0.0539 0.2608 -0.0961 0.1906 0.4502 0.3405 0.2476
0.3520 -0.1942 0.3055 0.2575 -0.1965 -0.0746 0.4847 0.5091 0.0155 0.3583 0.3818 -0.3154 -0.0740 -0.1611 0.2591 -0.5782
0.3355 0.4376 -0.1785 -0.1413 -0.4801 -0.2865 0.0911 0.1503 0.4132 0.3802 -0.2224 -0.2270 0.0496 -0.5916 -0.3292 0.3370
0.1814 -0.0939 0.2058 0.1342 0.3470 -0.1275 0.4876 0.4248 -0.5949 0.1961 -0.3924 -0.0489 -0.1563 -0.0698 0.3095 0.0891
-0.3266 -0.4413 -0.3808 -0.1995 -0.3758 0.0001 0.0268 -0.2360 0.2608 -0.3950 -0.1385 0.0069 -0.4276 0.2073 0.1165 -0.4965
0.2445 0.3175 0.2178 -0.2955 -0.2323 -0.4714 0.2876 -0.0827 0.3125 -0.5076 0.1997 0.1508 -0.2007 0.1692 -0.3499 -0.0083
0.1656 0.4468 -0.0051 0.1938 -0.1651 -0.2173 -0.2161 -0.4212 -0.2048 0.0916 -0.4682 -0.1690 0.0272 -0.3694 0.2430 -0.2960
0.0801 -0.1687 0.3934 0.2765 0.3059 -0.0682 -0.2265 0.2200 -0.2186 0.3312 0.0102 -0.4859 -0.3796 0.4546 0.3807 -0.0523
0.2941 -0.1974 -0.4418 0.2627 -0.4439 -0.4509 0.5077 0.3760 0.0464 -0.1131 0.0830 0.3053 -0.3535 0.0164 0.2884 0.3095
-0.2479 0.2384 -0.4117 -0.4285 -0.0113 -0.0448 0.2042 0.0221 0.1838 0.2354 0.2772 0.0527 -0.0624 0.4005 0.4224 0.3828
0.0114 -0.0220 0.3222 0.2775 0.1474 -0.3492 0.5557 -0.2676 0.3993 -0.3699 0.1601 -0.3874 -0.2684 -0.1975 0.0060 0.4102
0.0093 -0.3865 0.1090 -0.1519 -0.1490 0.5468 -0.0305 0.2500 -0.0849 -0.4627 0.1973 0.0098 -0.4274 0.2962 -0.1521 0.3145
0.3960 0.4780 0.3907 0.1336 -0.2717 0.1897 0.1803 -0.0856 0.0435 0.0402 0.2468 0.4467 -0.0307 -0.0977 -0.0770 -0.2892
0.2457 0.0864 -0.0338 0.4110 0.3625 0.1105 0.1868 -0.3676 -0.4429 0.3733 0.4124 -0.0550 -0.1565 0.4080 0.5223 -0.2956
-0.1663 -0.3060 -0.0102 0.0056 0.3413 0.1430 -0.4921 -0.2530 -0.0240 0.3124 0.4390 0.2613 -0.2334 -0.4141 0.3337 0.3454
0.2429 -0.4654 -0.0036 0.0202 0.4963 0.3351 -0.2310 0.2591 -0.1750 0.3655 0.4011 0.0426 0.4553 -0.2156 -0.3116 -0.2114
-0.2839 0.3888 -0.0105 0.4088 -0.1977 0.4211 -0.1780 -0.4938 -0.4049 -0.2844 -0.2427 0.1968 -0.0184 0.0154 -0.2445 -0.4808
0.0489 0.1822 -0.1114 0.4447 0.1779 -0.0493 -0.4485 -0.4536 -0.2932 0.2178 0.3568 0.3236 -0.2393 0.0832 -0.1786 -0.4336
-0.3230 0.4810 0.3090 -0.0489 -0.0339 0.3745 0.1668 0.2222 0.3157 -0.2418 0.2632 -0.1698 0.2993 0.1751 -0.2063 -0.3885
0.4381 0.4282 0.2937 -0.1949 -0.2383 -0.0932 0.1531 -0.0604 -0.2980 0.2463 -0.3978 0.1076 -0.1667 0.3768 -0.1167 0.2679
0.2216 0.2259 0.4043 0.4124 -0.2511 -0.0308 0.0570 0.3001 0.4588 -0.2760 -0.2438 0.0722 -0.4938 0.2087 -0.1229 0.3285
-0.0479 0.2416 0.2920 -0.1970 -0.4495 0.3993 0.4451 0.3672
0.3634 0.3225 0.3767 0.2217 -0.4011 -0.1756 -0.1325 -0.2055
-0.0531 -0.3922 0.2257 0.2445 0.4749 0.3399 -0.3582 0.4080
-0.5424 -0.3397 -0.0863 0.3169 0.3118 0.4351 0.0165 -0.3043
0.4927 0.3511 -0.0116 -0.3482 0.2047 0.2639 -0.0590 0.1540
0.0911 0.1949 -0.1490 0.4017 0.3622 0.3479 -0.0300 0.4164
0.2123 -0.1853 -0.4725 0.1208 -0.4236 0.1483 -0.4991 -0.0294
0.4313 -0.2095 -0.1116 -0.4653 -0.4128 -0.2159 -0.0991 -0.3287
-0.4349 -0.0525 0.4420 -0.3106 0.0574 -0.3371 0.4738 0.0100
Columns 25 through 32
0.1811 0.3628 -0.3869 -0.2553 -0.1660 0.4626 0.2614 0.2226 -0.3869 -0.5468 -0.0566 -0.1853 -0.0695 -0.2387 -0.0491 -0.1266
-0.3308 0.1595 0.2477 -0.1341 0.1773 -0.3868 0.4331 -0.0658 0.3052 0.5751 0.3158 0.3585 0.2096 -0.3021 0.3966 0.2298
-0.2046 0.0297 -0.0524 -0.1273 -0.2254 0.2414 -0.4521 0.1723 -0.3167 0.2777 -0.1960 -0.3025 0.1788 0.3820 0.1997 0.2407
0.4460 -0.4301 0.5025 0.2526 0.3211 0.5530 -0.0157 -0.0706 -0.1803 -0.0305 0.2008 -0.2917 0.4345 -0.2307 -0.2447 -0.2599
0.2652 0.0557 0.4468 0.0049 -0.2753 -0.3639 0.3216 -0.0867 0.4157 0.3735 0.3551 0.0036 0.1227 -0.1232 -0.0658 0.3477
-0.2622 0.1901 -0.3993 0.0188 -0.0321 -0.0546 -0.0201 0.0030 -0.0889 0.3397 0.1754 0.3440 -0.0546 0.1263 -0.1837 0.1342
-0.0263 -0.0685 0.4378 0.2125 0.1554 -0.3431 0.1518 -0.4759 -0.2702 -0.0865 0.3568 0.1135 0.1211 -0.2249 -0.0303 0.1013
-0.3544 -0.3636 -0.4641 -0.1911 0.0308 0.2081 -0.2776 0.4876 -0.5146 0.0346 0.3735 0.0934 0.3955 -0.3501 0.1636 0.5222
-0.3457 0.1618 0.2145 0.4589 -0.2828 -0.1654 0.0170 -0.1613 0.2189 -0.1660 0.5212 0.2716 -0.0666 -0.2322 0.3569 -0.2198
-0.4478 0.1674 0.2900 -0.2573 0.2012 -0.3469 -0.2763 -0.1465 0.2322 -0.4140 0.2080 0.2988 0.5316 -0.2730 0.3733 0.1659
0.3791 0.2539 -0.4234 -0.0681 -0.3136 -0.2826 0.1971 0.0932 0.2541 0.4318 0.1100 -0.1003 0.0664 -0.4280 -0.1297 0.0739
0.2032 0.2479 0.2595 -0.0276 0.0341 -0.2924 0.0207 -0.0879 0.4079 -0.4003 -0.0470 -0.1087 0.1586 -0.3307 0.1856 0.3561
-0.2000 0.3972 -0.0914 0.0190 -0.2402 0.1384 0.0500 -0.0438 -0.0735 0.3308 -0.5081 0.5307 -0.1898 0.0463 -0.4905 0.0457
0.1714 0.2256 -0.2741 -0.4123 0.0180 -0.1482 -0.3701 -0.0610 -0.3985 0.0810 -0.2041 0.1659 0.2994 0.1491 -0.1498 0.1072
-0.2681 -0.3758 0.2038 0.4162 -0.2090 -0.3972 -0.1556 0.1833 0.3725 0.3566 -0.0387 -0.2970 0.1019 0.2421 -0.5197 -0.0242
-0.2658 -0.0869 0.0419 -0.4132 0.3420 0.1910 -0.0658 -0.3529 -0.2110 0.1093 0.0260 -0.2351 0.2967 0.4181 0.2472 0.4249
-0.0624 0.4531 0.2863 -0.0125 -0.3269 0.3540 -0.3759 -0.1182 0.0370 0.1074 0.3366 -0.3762 -0.0245 -0.4351 0.0269 -0.1123
-0.1364 0.1944 -0.4434 0.1672 0.3120 -0.3526 0.2873 0.3114 0.3655 -0.2099 0.4573 0.0366 -0.3435 0.0727 -0.4217 -0.2220
-0.2430 0.1768 -0.0823 0.1483 0.0298 -0.0749 -0.4639 -0.2945 -0.4841 -0.3762 0.1802 0.2986 -0.3829 0.0647 -0.3685 -0.4184
0.2101 -0.3698 -0.2458 -0.2786 0.1479 -0.1033 -0.1336 0.1563 0.0826 0.1165 0.3439 -0.2610 0.2524 0.1444 0.3943 0.1940
-0.0760 0.2791 0.1346 0.1406 0.0002 0.0005 -0.4347 -0.2196 -0.3478 0.2236 -0.0752 -0.5054 -0.1801 0.2464 0.1046 0.1394
0.3709 -0.0006 -0.3256 -0.2610 -0.2791 0.3133 -0.1324 0.2056 -0.4465 0.2869 -0.2065 -0.3550 0.0076 0.2773 -0.2470 0.3325
0.5195 -0.3122 0.0102 -0.2065 -0.1620 0.1714 -0.1257 -0.1716 0.1743 0.1031 -0.3916 -0.0824 -0.3166 0.0219 0.4232 0.0289
0.5140 -0.2770 -0.4831 0.1235 0.3593 -0.2430 -0.2824 0.0913 0.4502 -0.0353 -0.2972 0.3484 -0.0382 -0.1307 -0.1462 -0.3930
-0.2776 -0.2678 -0.3514 0.3042 -0.1317 -0.4295 0.4142 0.4502 0.4191 0.0832 -0.1233 0.4136 -0.3996 -0.3975 -0.4235 -0.3317
0.0502 -0.3126 -0.4579 -0.4644 -0.3984 0.2576 -0.2405 0.2630 0.3716 -0.1513 0.3079 0.4400 0.2196 -0.2251 0.2938 0.2886
-0.1547 0.1535 -0.3452 -0.1043 0.3214 -0.1403 -0.4981 -0.0064 0.2267 -0.2372 -0.4078 0.2233 0.0508 0.4423 0.4261 -0.3646
0.2138 0.1566 -0.0237 0.1944 -0.2119 0.3646 -0.1605 -0.1351 -0.2108 0.0924 0.4492 0.3231 0.2727 -0.1273 0.1872 0.4072
-0.1097 -0.0225 0.1479 -0.3501 -0.1589 0.4676 -0.2854 0.0110
-0.2918 -0.0637 -0.0039 -0.0866 -0.3531 -0.1180 0.1737 0.1309
-0.0506 -0.2066 0.1079 0.1510 0.1043 -0.1599 0.3163 0.3966
0.0927 0.0302 -0.1868 0.1256 0.1196 -0.1901 -0.2557 -0.3836
-0.2045 -0.2828 0.2317 -0.4548 0.3261 -0.1146 0.2579 -0.1226
0.0390 0.3053 -0.3920 0.2746 -0.2915 0.1576 0.3156 0.1765
-0.0492 -0.2904 0.0693 0.2920 -0.2283 0.1084 -0.3735 0.3973
-0.2232 -0.1089 0.4946 -0.5368 0.0655 0.2096 -0.1593 0.2594
0.0781 -0.1190 -0.1552 0.2668 0.3555 0.5266 -0.2601 -0.3931
Pesos da terceira camada
Columns 25 through 32
Columns 1 through 8
-0.3676 -0.0092 0.0946 -0.3150 -0.0776 0.1533 -0.0050 -0.2743
-0.0862 -0.1120 0.1102 -0.2134 -0.2384 0.1894 0.1250 0.3394 0.0256 -0.1003 0.3643 0.0215 -0.1109 -0.0325 0.2322 -0.1097
-0.1374 0.0134 -0.0797 0.3535 0.0235 -0.0823 -0.2328 0.2362 -0.3889 0.0074 0.0124 -0.1730 -0.2698 -0.1052 0.2173 -0.3575
0.2667 -0.0198 -0.1195 -0.1253 0.1219 0.0770 0.2997 -0.2955 -0.2183 0.2047 0.1229 0.3036 0.0229 -0.3130 -0.2069 0.1940
0.0386 0.2732 0.0953 -0.2866 0.0232 0.1367 -0.1021 0.0258 -0.3554 0.2724 -0.2642 -0.0191 -0.1398 0.4241 0.0265 -0.4036
-0.2270 0.4195 0.1893 0.1919 -0.1132 0.4216 0.2704 0.1803 -0.0179 0.0237 0.2462 0.2231 -0.2285 0.1640 -0.1761 0.2179
0.0806 0.0551 -0.0303 0.0660 -0.0410 -0.1302 0.0320 -0.1583 0.1324 -0.2579 0.3007 -0.2090 -0.1339 0.2776 -0.2657 -0.2265
0.2796 0.1035 -0.1214 -0.0506 0.1171 0.1943 0.0490 -0.1350 -0.1521 0.0141 0.1275 -0.0578 0.1263 -0.2322 0.2929 -0.2402
0.2080 0.2427 -0.0660 0.1832 -0.0521 0.2074 -0.3613 0.2553
Columns 33 through 40
Columns 9 through 16
-0.2269 0.1286 0.2921 -0.0399 0.2569 -0.3017 0.2270 -0.0001
-0.1043 -0.1897 -0.1337 0.2011 -0.1350 -0.0002 -0.0632 -0.0591 0.1113 -0.2705 0.0153 -0.1231 0.3043 -0.1584 -0.0648 0.1468
0.0383 0.2019 0.2943 0.1312 0.0708 -0.0646 -0.0985 -0.2645 0.0805 0.1911 0.1121 -0.1780 0.3001 0.0031 0.0962 0.2125
-0.1533 -0.0612 -0.1621 -0.3551 0.1946 0.1929 0.0203 -0.2502 0.0949 0.1688 -0.1977 -0.2427 0.1302 -0.5542 0.3683 0.3266
-0.2412 -0.0711 -0.2053 0.1722 -0.2663 0.2833 0.0414 -0.2177 0.4204 0.1826 0.1190 0.1488 0.2180 -0.1374 -0.1324 -0.2260
0.3824 -0.0305 0.0126 -0.1589 -0.1335 0.0020 0.0585 0.2990 0.0658 -0.1552 -0.2942 0.3056 -0.1655 -0.1431 0.2848 -0.1656
-0.1028 -0.2611 0.0462 -0.1238 -0.1470 -0.1840 -0.0051 0.1741 0.1874 -0.0897 -0.2204 0.1828 -0.0207 0.0877 -0.0132 0.0644
-0.2763 0.3157 0.0838 -0.3989 -0.3036 0.1810 0.1637 0.1142 -0.1205 -0.1797 -0.0361 0.2656 0.1932 -0.1223 -0.0173 -0.2830
-0.2286 -0.1238 -0.0234 -0.2021 0.2591 0.1789 -0.1860 0.2088
Columns 41 through 48
Columns 17 through 24
0.0768 -0.3051 0.0186 -0.1594 0.0108 -0.2716 0.0580 -0.1657
-0.0076 0.2347 -0.0292 -0.1680 -0.2821 0.0505 0.3118 0.2099 0.0313 0.1574 -0.0304 0.0931 -0.2606 0.2933 0.3533 0.0303
-0.0978 -0.3604 0.1115 0.2770 0.1782 0.1122 0.0790 -0.3237 0.0354 -0.0772 0.0424 -0.2533 -0.2247 -0.1315 -0.0411 0.2134
-0.0637 -0.2306 0.1353 0.0696 -0.1420 -0.0856 -0.0190 -0.1755 -0.3842 0.0867 0.2831 -0.1449 -0.2542 0.0707 -0.1298 -0.2354
-0.1690 -0.3507 0.0490 -0.2600 -0.0159 -0.1007 0.5070 0.4999 -0.0128 -0.0050 0.1038 0.0876 -0.0579 -0.2611 -0.3168 -0.2821
0.0656 0.2368 0.2352 -0.2878 0.0819 -0.1864 0.0683 0.0974 -0.0610 0.0931 -0.2718 -0.2551 0.1535 0.0919 0.3072 -0.2747
0.3414 0.0981 -0.2745 -0.0934 0.1710 -0.0064 -0.2732 -0.0959 0.3369 -0.3213 0.2560 -0.1481 0.4375 0.0184 0.3262 0.0014
-0.1255 0.0917 0.1751 0.1584 0.1517 -0.0221 -0.2582 -0.2497 -0.0505 -0.2916 -0.1918 0.2496 0.1122 0.2195 -0.0202 0.1684
-0.0960 -0.1809 -0.2530 -0.2722 -0.3047 0.1018 -0.0194 -0.0390
Columns 49 through 56
Columns 57 through 64
Column 65
-0.2598
-0.2193
-0.2155
-0.2998
0.1737
-0.1693
0.1204
-0.2921
-1.5499 1.5037 -1.3729 1.1289 -1.2068 -0.9548 1.0358 0.7748 -0.7191 0.6044 -0.5381 -0.5198 -0.2939 -0.0911 0.1480 -0.0786
0.0147 0.1683 -0.2919 0.3496 -0.6059 -0.6374 0.5963 -0.8661 -0.4785 -0.9057 -1.0595 1.0946 -1.1378 -1.3168 -1.4006 1.5246
1.6112 1.4748 1.4903 1.4016 -1.3963 1.2754 1.2800 1.2542 -1.1965 1.1156 -1.0876 1.0563 1.0610 0.9456 -0.9075 -0.8180
-0.8084 0.7366 -0.7094 0.6361 0.6141 0.5789 0.5142 0.5252 -0.3621 0.3266 0.3049 -0.2209 -0.2209 0.1927 0.0773 0.0599
0.0042 0.1022 0.1236 0.1522 0.1497 0.3431 -0.2929 -0.3178 -0.4058 0.4604 -0.5302 0.5534 -0.5264 -0.6554 0.7123 0.7586
-0.8282 -0.7834 0.9137 -0.9420 -0.9838 -1.0887 1.1065 1.1214 -1.1192 1.2363 -1.2700 -1.3715 -1.3728 -1.4184 1.5152 1.5331
1.6027
0.0455
APÊNDICE B: PESOS E BIAS DA REDE-32-16-r
Pesos da primeira camada
0.2541 -0.3628 0.4925 0.3956 0.3495 0.0669 -0.1154 0.2624 -0.3676 -0.3267 0.1216 0.3290 0.1284 0.0130 -0.1228 0.2083
-0.2495 -0.0333 0.2234 0.3073 -0.3751 -0.0546 0.2533 0.0466 0.3118 -0.2625 0.1891 -0.1889 -0.2209 0.3869 0.2561 -0.0728
-0.0147 0.2256 0.2201 0.1136 0.4384 0.0642 -0.1190 0.0534 0.0550 -0.1235 -0.3813 -0.1897 -0.2471 0.4876 -0.0006 0.2838
0.0167 -0.4001 0.1105 0.0296 0.4756 0.3871 0.2329 -0.2177 -0.2818 -0.2961 0.3667 0.2747 0.1109 0.2079 0.2849 -0.0565
-0.2100 -0.4433 0.3348 0.3666 -0.2102 -0.1344 -0.2245 0.2652 -0.1875 0.2360 -0.3949 -0.1547 0.0079 0.4050 0.1377 0.0097
0.0616 -0.4216 -0.3435 -0.0740 -0.2957 0.1504 -0.4411 0.2292 -0.1451 -0.0603 -0.4351 0.1750 0.1292 0.1645 -0.0803 0.0924
-0.3295 -0.2278 -0.1824 -0.2021 0.3973 0.1077 0.0695 0.4516 -0.1555 -0.2039 -0.2110 -0.4329 0.3591 0.1890 0.1819 -0.5407
0.3677 -0.2274 0.3771 -0.0658 0.2490 -0.4303 0.3079 -0.3942 -0.4554 -0.3984 0.2039 -0.1491 0.3208 0.0605 0.1578 0.1823
0.1602 0.2239 0.1392 -0.2255 -0.1257 0.2844 0.1157 -0.4446 0.2361 0.3115 -0.3519 0.1282 -0.1356 -0.3490 -0.0510 0.0759
-0.3049 0.2433 0.2712 -0.4542 0.0447 0.4429 -0.0896 0.1959 0.3111 0.1585 -0.2290 -0.1301 -0.0507 0.2097 -0.3704 0.4489
0.3783 0.3522 -0.1296 -0.1125 0.1118 -0.4801 0.2282 0.1969 -0.1998 -0.0514 -0.1262 0.0064 0.3019 0.2627 0.3288 -0.1981
0.3748 0.2438 -0.4069 0.2698 -0.0012 -0.3492 -0.3010 0.4370 0.3966 0.2311 -0.3626 0.1355 0.0912 0.3730 0.4513 -0.3572
-0.3771 0.1063 -0.3227 0.2317 -0.1101 -0.1267 0.0920 -0.3736 -0.2552 0.3978 0.3846 0.0561 0.3099 -0.2116 -0.4474 -0.0079
-0.3623 0.1474 -0.2586 -0.2516 0.2862 -0.0733 0.3081 0.4319 -0.1792 -0.2042 -0.1387 0.4780 0.3661 0.0222 -0.3119 -0.1889
-0.2218 -0.3012 -0.2274 0.2425 -0.3091 0.0518 -0.1600 0.3974 0.2381 -0.1047 0.2369 -0.1741 0.2502 -0.1901 0.2745 -0.4691
-0.0951 -0.3342 -0.3030 -0.1979 -0.3846 0.0911 0.1532 0.2072 -0.1532 0.0349 0.2899 0.3717 -0.3713 -0.3543 -0.4016 -0.4021
-0.0965 -0.4833 -0.4211 -0.4798 0.3111 -0.1282 0.1938 -0.1118 0.3089 -0.2287 0.2996 0.0357 -0.4425 0.3532 0.1245 -0.3751
0.4719 0.3066 -0.4936 -0.4081 -0.2381 -0.2002 -0.0491 -0.3521 -0.1436 -0.4224 0.3063 0.4081 -0.1906 -0.2362 -0.0567 -0.2131
-0.0918 -0.1614 -0.0727 0.2503 -0.1826 -0.3651 -0.2214 0.4338 -0.4054 -0.0464 0.0900 -0.1574 -0.1035 0.2570 -0.3716 -0.3262
-0.0735 -0.2316 -0.4570 -0.2100 -0.3178 0.0563 0.1000 0.4353 0.3695 -0.1533 0.0334 -0.1406 -0.4510 0.0976 -0.0236 -0.4394
0.2207 0.0410 0.0549 0.1753 0.3725 -0.2667 0.1079 0.2442 0.4088 -0.4523 0.0640 0.1131 0.2396 0.4086 -0.1790 -0.1581
-0.3591 0.3387 0.4259 0.4375 -0.4151 0.0598 0.1402 0.1370 -0.1016 -0.4250 0.0492 -0.0345 0.2608 0.4248 -0.1216 -0.4543
0.0054 -0.3929 -0.2351 -0.3612 0.0518 0.0912 -0.1272 0.2414 -0.0953 -0.2827 0.1774 0.3656 -0.1650 -0.2708 -0.1800 -0.1637
0.1707 0.0412 0.3904 -0.1121 0.4227 0.3450 -0.2001 -0.2166 -0.3699 0.3702 0.1537 0.1729 -0.2500 0.2529 0.3663 -0.3863
-0.0170 0.4771 0.1504 -0.1104 -0.3259 -0.3827 -0.2525 -0.3913 0.4705 0.4266 0.1516 0.4006 -0.4490 -0.3770 0.1425 0.0470
-0.4755 0.1792 0.0917 0.1200 0.0468 -0.3215 -0.2236 -0.0101 0.3863 -0.1052 0.0009 -0.1319 -0.2662 -0.3963 -0.0799 -0.3771
0.2502 -0.3750 -0.0764 0.0240 -0.3800 0.3598 0.1700 -0.2918 0.2010 0.3009 -0.4851 0.1375 0.1904 0.1453 0.1326 -0.4360
-0.2170 -0.4367 -0.0771 -0.1877 0.5282 -0.0836 -0.3332 -0.1968 -0.2702 0.0478 0.5415 -0.0265 -0.1773 -0.3353 0.1565 -0.3721
0.0653 -0.2813 0.2647 -0.0222 0.2865 0.4339 0.2827 0.0613 -0.4118 -0.2002 -0.0170 0.1690 0.3228 -0.3661 -0.4308 0.0538
-0.3987 -0.3227 -0.0214 -0.0484 -0.0756 0.1195 -0.3741 0.1596 0.2649 0.0707 0.3844 0.1359 -0.2256 0.3101 0.2030 0.1740
0.1379 -0.1786 0.2004 -0.2603 -0.3239 0.2942 -0.1291 -0.2114 0.1008 -0.3821 -0.3389 0.3817 0.3688 0.3779 -0.1886 0.2381
-0.2308 -0.3229 -0.2858 -0.1462 0.4660 0.3136 0.1058 0.1830 -0.1077 0.0024 0.0768 0.3146 0.1920 -0.0568 0.3027 0.2131
Columns 17 through 24 Columns 25 through 32
0.1059 -0.0422 -0.4040 -0.1287 0.0868 -0.4539 0.1957 0.2876 0.0858 0.0454 -0.1082 -0.4388 -0.3598 -0.3343 -0.1953 -0.1151
-0.2993 -0.0976 0.0955 -0.3765 0.0369 -0.4050 0.3510 -0.0694 -0.2377 -0.3986 -0.3671 0.3427 0.3768 0.3836 0.3343 0.0006
0.4118 -0.1912 -0.0592 0.4121 -0.3992 -0.3878 -0.4160 -0.5086 -0.5025 0.0764 -0.3011 0.1843 0.3621 0.5679 0.4008 0.1822
-0.4740 0.2596 0.1105 0.3707 0.0176 -0.2641 0.3982 -0.2653 0.1894 0.0301 -0.4181 -0.0258 0.0251 -0.1164 -0.5477 0.2648
-0.3085 -0.4371 -0.1041 0.4797 0.0818 0.1516 -0.3500 0.2202 -0.0688 -0.4299 -0.1524 0.0736 0.3048 -0.5485 -0.1528 -0.6134
0.1999 0.2155 0.1288 -0.3930 0.1542 -0.1597 0.0415 -0.2214 0.5251 -0.1377 0.0964 0.3334 -0.3617 -0.4309 0.2356 -0.2915
-0.6741 -0.3638 -0.4738 0.0954 -0.0904 0.4272 0.1958 0.1531 -0.2732 -0.2905 0.0287 -0.0851 -0.0308 -0.3215 -0.1848 0.0121
-0.2428 -0.5251 0.0064 -0.4719 -0.2519 -0.2857 0.1697 0.4318 0.0743 0.4205 -0.1433 0.0967 0.0172 0.1911 0.0019 -0.3219
-0.1100 0.3432 -0.4358 0.2898 0.2448 -0.3753 0.4232 -0.1568 0.5078 0.1368 0.4515 0.1108 -0.2469 0.1659 -0.3524 -0.3987
-0.3334 0.2164 0.2808 0.3818 0.1791 -0.3116 0.4208 -0.0731 0.2154 -0.5717 -0.1178 -0.5777 -0.1183 0.2297 -0.1560 0.3818
0.2727 0.0333 -0.1100 -0.2884 0.1189 0.3975 -0.2704 0.3419 0.4330 0.1578 0.4489 0.3733 -0.2116 -0.2886 -0.3129 -0.5133
0.2142 -0.2131 -0.0734 0.3193 -0.0658 0.2161 0.2989 0.0401 -0.1002 -0.0859 0.1615 0.2183 0.2785 0.2794 -0.3577 0.1715
-0.1368 -0.4809 -0.3440 -0.4957 -0.0772 0.0451 -0.4490 0.2929 -0.2638 -0.3640 0.2098 0.2002 0.2883 0.0202 -0.0428 0.2031
0.5525 0.0768 -0.0200 0.1145 0.4168 0.3466 -0.3969 -0.4698 0.0009 -0.4338 -0.2958 -0.3796 0.0275 -0.3156 0.2451 0.0064
0.1591 -0.2468 -0.4311 -0.3969 -0.0269 -0.4092 0.0152 0.0589 0.5274 0.3897 0.7221 0.4591 -0.1253 0.0572 -0.0393 -0.8275
0.3461 -0.1687 -0.2697 0.1516 -0.1003 -0.2657 0.4156 0.4385 -0.2163 -0.1553 0.2202 -0.1591 0.2379 -0.2632 0.1276 0.1668
0.2010 0.2558 -0.2011 -0.0444 0.1251 -0.4684 -0.4373 -0.1613 -0.1438 -0.0791 0.1193 0.0282 0.4303 0.3676 0.5415 0.6151
-0.1695 -0.0429 -0.1789 0.3475 0.1301 0.2120 -0.3462 -0.2050 0.0337 -0.0288 -0.1344 -0.1031 0.3811 0.0447 -0.1868 0.0819
0.2338 -0.2883 -0.0898 0.2540 0.4391 0.4713 0.3731 0.1282 0.1200 0.3294 -0.0991 -0.3861 0.2433 0.2416 0.3852 0.1500
0.2408 -0.2362 -0.1098 0.0665 -0.4070 0.0636 0.3875 0.4838 0.1317 0.1894 -0.4846 -0.3192 -0.1353 -0.4835 -0.2728 -0.0760
0.0607 0.3092 -0.2319 -0.4961 0.1368 -0.3679 -0.3797 0.3720 -0.2044 -0.1767 -0.0550 0.3446 -0.2913 -0.0197 -0.3737 0.4227
-0.1460 0.3120 -0.3215 0.2060 0.0365 0.3222 -0.3541 0.0470 -0.2531 -0.2046 0.1313 0.4542 -0.1826 0.2525 -0.0031 0.1926
0.4188 0.0387 0.4701 -0.2247 -0.1745 -0.1132 0.3665 0.3047 -0.3067 -0.5872 -0.2878 -0.2027 -0.3350 0.3058 -0.3102 0.4635
0.3659 0.2355 0.2917 0.0757 -0.4912 0.2758 0.3261 -0.3275 0.1188 -0.1278 -0.3133 0.1616 -0.0798 0.0168 -0.4424 0.0356
0.2860 -0.1802 -0.1175 -0.4264 -0.2381 -0.4231 -0.1127 0.0111 0.2873 -0.0272 0.0617 0.1982 0.1675 -0.2163 -0.3528 -0.2049
-0.2105 0.2120 0.1973 -0.3987 0.4486 -0.2593 -0.3081 -0.1424 0.0641 -0.5123 -0.2082 0.3508 -0.0463 -0.4131 0.2939 0.0204
0.3859 0.1344 -0.1947 -0.2362 -0.0641 -0.2975 -0.2871 0.0723 0.1214 -0.3545 -0.3595 -0.3020 0.4683 -0.2772 0.3675 0.2510
-0.1597 0.0155 -0.3384 -0.3314 -0.2475 -0.2743 0.2303 -0.3789 0.2429 -0.0789 -0.1056 -0.4691 0.2118 -0.3286 0.1219 0.0758
-0.0610 -0.1434 0.1282 -0.2621 0.3951 -0.3612 -0.0435 0.4359 0.4576 0.2630 0.2129 -0.2177 -0.2966 -0.3122 -0.4976 0.1309
0.3198 -0.0129 0.2039 -0.0101 -0.0274 0.4055 0.3856 -0.1856 0.4469 -0.0029 0.2836 -0.1555 -0.5392 0.1433 -0.2385 0.1728
0.3515 0.3651 0.5078 -0.2268 -0.1423 0.3635 0.3904 0.2629 -0.4303 -0.3940 -0.1634 -0.0716 0.1944 -0.2146 0.2415 0.1081
0.2539 -0.3680 -0.3907 -0.4553 -0.0342 -0.4825 0.2005 0.2230 0.0282 0.2756 0.0490 0.3340 0.0872 0.3356 0.2340 -0.0798
Pesos da segunda camada
Columns 1 through 8
-0.3525 -0.3279 -0.4078 -0.0884 -0.0859 -0.3044 -0.1360 0.3917 0.2941 -0.1426 -0.3322 -0.1916 -0.1501 -0.1687 -0.3890 0.1027
-0.3208 -0.1795 0.3452 0.1985 0.4362 -0.3478 0.1850 0.0385 -0.3084 -0.0427 0.0433 0.3176 0.2179 -0.3613 -0.4735 -0.0223
-0.3645 -0.3516 -0.2905 -0.2837 0.3198 0.0887 0.0221 -0.1260 -0.3591 -0.2335 -0.3454 0.2835 0.1089 -0.1440 0.4364 0.0239
-0.1786 0.4965 -0.0250 -0.0758 0.3491 -0.2467 -0.4843 0.1309 -0.4274 0.2893 -0.3498 -0.3147 0.1236 -0.3965 0.1439 0.3622
0.2511 0.4514 -0.3940 0.1972 0.4137 0.0482 0.1700 0.2628 0.1835 -0.4076 0.3001 0.1838 0.4200 -0.3839 0.0937 -0.1700
-0.1798 -0.4438 0.3351 -0.4433 0.0677 -0.0041 -0.3087 -0.0387 -0.4304 0.1907 0.4640 0.1718 -0.5468 0.2810 -0.1463 0.2377
0.2497 0.2339 -0.4198 0.5083 -0.0566 0.1581 0.3284 0.4076 -0.0408 0.2380 0.3242 -0.3317 0.2103 0.0157 0.5309 0.4025
0.4121 0.1856 0.0269 0.0540 0.3319 -0.4706 -0.4744 -0.1192 0.1959 -0.1670 -0.1467 -0.0830 -0.2344 -0.4125 0.2158 -0.3457
-0.0024 -0.3654 -0.2812 0.2576 -0.3165 0.0298 -0.0122 0.0547 0.1708 0.3076 0.3691 -0.3286 0.4632 0.0940 -0.0518 -0.2258
0.3569 0.2311 -0.0568 -0.4969 0.3285 -0.1935 0.4459 0.0557 -0.0857 -0.5044 0.4004 0.0685 0.5719 0.2913 -0.2205 -0.3770
0.3817 0.0095 -0.1743 -0.0651 -0.2043 -0.4746 -0.1382 -0.1182 0.4681 0.1338 0.2395 -0.2803 0.4856 -0.2567 -0.4410 0.3561
0.1880 -0.5463 0.1467 -0.1316 0.4905 -0.3097 -0.2556 -0.2357 0.1027 -0.0901 -0.3299 -0.2652 0.0084 0.0562 0.3023 0.1622
0.0742 0.4098 -0.0861 0.1538 0.3872 -0.3167 0.2012 0.3943 -0.1772 -0.2535 0.1547 0.3951 -0.3079 0.4249 0.2709 0.2497
0.2152 0.5039 0.2974 -0.4491 0.1036 -0.4472 0.4234 -0.3585 0.0167 0.0948 0.2222 -0.2366 0.4461 -0.1843 0.0906 0.3891
0.1869 0.2807 0.2387 0.1952 0.0129 0.3758 -0.1470 -0.1405 -0.4327 0.0968 -0.5282 0.3515 -0.3933 -0.0850 0.2793 -0.4317
0.4828 -0.4537 -0.3680 0.0566 0.0942 -0.2248 0.3281 0.0281 0.4732 0.0710 0.0606 0.4077 -0.3627 0.2272 0.2312 -0.1567
0.4008 0.4936 -0.2100 -0.1123 -0.1560 -0.0290 -0.5644 0.2384 0.2715 0.1480 -0.0273 0.3640 -0.3828 0.4324 0.1102 -0.2579
0.4384 0.0916 0.2563 -0.4259 -0.2196 0.0888 -0.3852 -0.0686 -0.3176 -0.2901 -0.0047 -0.1531 -0.5253 -0.4304 -0.3710 0.0772
-0.3796 0.2267 0.0467 0.4006 0.3614 0.0539 0.4717 0.1172 0.3777 -0.4804 0.4786 0.1386 -0.0095 -0.1416 -0.2992 0.2100
0.0101 0.4152 -0.0385 -0.1685 0.3491 -0.0965 -0.3506 0.2636 -0.2570 0.4052 -0.1107 -0.3728 0.3142 0.4135 0.3113 0.1281
-0.2411 -0.4379 0.1240 0.0378 -0.0936 0.2266 0.4657 -0.4799 -0.3097 0.2499 -0.4424 -0.0543 0.0079 -0.2987 0.4521 -0.0531
0.0282 0.3190 -0.2753 -0.0635 0.2172 0.0256 0.3534 0.5060 -0.3360 -0.3482 -0.2887 0.3928 -0.2298 0.4007 0.1993 -0.2088
-0.3315 0.1454 -0.4044 0.1560 0.3057 -0.2916 -0.3407 0.4262 0.0197 0.0414 -0.0162 -0.4617 0.0815 0.0972 0.5261 0.1626
-0.3409 -0.2755 -0.1824 0.3115 0.2298 -0.3840 0.0794 0.3348 0.3834 0.2612 0.2508 0.3844 -0.2680 -0.3664 0.2059 -0.0899
-0.4010 -0.0773 0.2691 0.2574 -0.0017 -0.0265 0.2026 -0.0740 -0.1473 -0.3252 0.2058 0.1949 -0.0415 -0.2180 -0.2935 -0.5048
0.3240 -0.0658 0.2245 -0.2898 0.3299 -0.1662 -0.1918 -0.0779 -0.4014 -0.0665 0.2049 0.5174 0.0432 -0.3045 0.1690 0.4257
-0.3828 0.0100 -0.2575 -0.3285 0.4465 -0.2599 0.2666 -0.3764 0.3677 0.2167 -0.0258 -0.1963 -0.2289 -0.1030 0.5279 0.0858
0.2088 0.0178 -0.3933 -0.1679 -0.2326 -0.4302 -0.1870 -0.1438 -0.3821 -0.2056 0.2285 -0.1234 0.0978 0.1957 0.3782 -0.2881
0.1961 -0.1789 0.2710 0.1894 0.2528 0.2891 -0.0499 0.0595 0.3114 -0.0406 0.6306 -0.1238 0.1083 0.2363 0.1133 0.3218
-0.1864 0.4521 0.1302 0.1054 -0.0676 0.1278 -0.1576 -0.3465 -0.4682 0.2463 -0.2471 0.2811 -0.1860 0.1206 -0.2442 0.2498
0.1121 -0.2066 0.3335 -0.3552 -0.4382 -0.0870 0.4903 -0.5084
0.0205 0.0143 -0.3124 -0.2089 -0.3264 0.1648 -0.1319 -0.1243
-0.4116 0.0369 0.0982 0.0910 0.0567 -0.1729 -0.1717 0.0178
0.2000 0.4798 -0.0276 0.1397 0.0364 0.2191 0.2845 0.4837
-0.3855 -0.3304 -0.0869 -0.0655 0.3333 -0.4817 -0.4152 -0.0359
Columns 9 through 16
0.4693 -0.3517 0.3196 -0.0201 0.2940 0.3507 0.5262 -0.2763 -0.4365 0.1761 0.0611 0.0037 0.2260 -0.2661 0.1806 -0.3793
-0.0949 0.0856 -0.3501 -0.1254 0.2224 -0.0155 0.0990 -0.4960 -0.0985 -0.3577 -0.0876 0.1189 0.1648 -0.1938 0.4774 0.3377
0.1804 0.0427 0.4762 0.5318 -0.1588 0.1137 -0.3426 0.2695 0.0606 -0.0028 -0.3225 0.0603 -0.1493 0.0552 0.2489 -0.1475
-0.2318 -0.0808 -0.4269 -0.4066 -0.0904 -0.3042 -0.2324 0.3221 0.1462 -0.2086 -0.0152 0.2933 -0.0667 -0.0242 0.3226 0.0466
0.4399 -0.0581 -0.2850 -0.1513 -0.0257 0.3909 0.0886 0.1431 0.1159 -0.4424 0.0891 -0.1273 -0.3646 -0.4171 0.2288 -0.3591
0.1485 -0.2538 0.1699 -0.4720 0.3563 0.0983 -0.2153 0.1818 0.4824 0.1919 -0.0861 0.1685 -0.0011 0.4149 -0.5576 -0.3958
0.2410 0.4797 -0.4390 0.2529 -0.0377 0.1281 -0.3561 -0.1313 -0.2077 0.3920 0.3967 0.2030 -0.1889 0.1955 0.4216 0.0248
0.3800 0.3890 0.1174 -0.3804 -0.2098 0.0394 0.3471 0.1184 -0.3395 0.4981 -0.0014 0.2980 0.3701 0.4115 -0.2173 0.3278
0.3395 0.0290 0.3046 -0.3851 -0.0269 0.5114 -0.0983 0.2355 -0.2842 -0.2020 -0.1094 0.2797 0.2409 0.4397 -0.5516 0.1791
0.2713 -0.2527 0.0141 0.1352 0.0044 0.1676 0.1818 0.1345 -0.4018 -0.3474 -0.2722 -0.3840 -0.2205 0.3964 0.1156 -0.3141
-0.1220 0.1297 0.2613 -0.3240 -0.3917 -0.2900 -0.4156 -0.5031 0.0145 -0.3583 -0.1019 -0.3572 0.2681 -0.2686 0.4638 0.3800
0.3610 -0.2941 0.5201 0.4098 0.1795 0.4349 0.1692 0.4391 0.2944 -0.1883 0.3425 -0.3469 0.3416 0.0604 -0.1724 0.3694
-0.0056 0.2085 -0.1007 0.1535 -0.0001 0.1844 0.2444 0.1193 -0.1003 0.4245 -0.2215 -0.3055 0.3166 0.2756 -0.2175 0.3478
-0.1089 -0.0609 -0.0146 -0.4218 0.2194 -0.0340 0.3381 -0.2237 0.0043 -0.3726 0.3901 -0.2740 -0.5129 0.2711 0.4946 0.1393
0.1118 0.1583 0.0029 0.4382 0.4139 -0.4242 0.3615 0.1747 0.2350 0.4422 -0.1256 -0.5106 0.3630 0.3341 0.3237 0.0558
0.2069 0.3685 -0.0342 -0.2481 -0.0676 0.2821 -0.5934 -0.0488 0.2647 -0.2755 -0.4143 0.2193 0.1203 0.1916 0.0294 0.1894
0.4089 0.4951 0.0461 0.1398 0.0995 0.2143 -0.2785 -0.2611 0.3388 -0.0153 0.3588 -0.4068 -0.1711 -0.3594 -0.2855 -0.4542
-0.1737 -0.3362 0.3666 0.4068 -0.3239 0.4068 0.1309 0.1860 0.0174 0.3953 0.1386 -0.0544 -0.4627 -0.1909 0.3952 0.0109
0.3612 0.3406 0.3431 -0.4320 0.2059 0.4458 0.3451 -0.3644 -0.3583 0.1117 -0.1737 -0.2023 -0.3748 0.2541 -0.1844 0.0078
0.3910 0.4340 0.4652 -0.1933 -0.1855 0.2969 0.3755 0.2376 -0.3744 -0.3903 0.2461 0.4143 -0.0713 -0.1473 -0.3208 0.0483
0.1454 -0.1087 -0.0708 -0.3540 0.3663 0.1352 -0.3343 -0.3839 0.2376 -0.4443 0.2477 0.4392 0.5621 -0.2046 0.0286 -0.3809
0.2612 -0.3508 -0.2433 0.4277 0.3105 -0.3487 0.2295 -0.5203 0.2485 0.2450 0.3028 -0.3924 -0.3857 -0.2297 0.1503 -0.3250
0.0059 0.0376 0.4092 0.3390 0.1728 0.0843 0.4518 -0.0403 -0.4569 -0.4877 0.0897 0.2674 0.0297 0.0831 0.3605 -0.0147
-0.3443 0.3150 0.3382 -0.0236 0.5117 0.0449 -0.0938 0.2675 0.1815 -0.3891 0.1276 -0.3093 -0.2327 0.1027 0.2561 0.3697
-0.4507 0.2743 0.2732 0.4276 0.3119 0.3333 0.2790 -0.1839 -0.1865 0.5021 -0.1602 0.2317 0.2145 -0.2628 0.2280 0.2029
-0.1051 -0.1782 0.3409 -0.3653 0.2271 0.3210 -0.0401 -0.3921 -0.3970 0.0789 -0.4503 0.4013 0.2547 0.2083 0.2673 0.3700
-0.3666 -0.0597 0.1775 -0.0791 0.3763 0.2429 -0.1279 -0.4181 -0.3403 -0.5463 -0.4919 -0.2239 -0.3724 0.2479 -0.2082 -0.0642
-0.5603 -0.3174 0.2086 -0.4129 0.1311 -0.3696 -0.2538 -0.3721 0.1936 0.3457 -0.3319 0.1212 -0.2796 -0.2542 0.4387 0.3386
-0.2572 0.1967 -0.0572 -0.3197 -0.4336 -0.2588 0.1315 -0.2848
0.2547 0.4339 -0.3458 0.2171 0.1171 -0.3822 -0.2855 -0.3961
-0.1413 -0.2747 0.4981 0.1838 -0.2611 -0.2132 -0.0625 -0.0871
-0.2566 0.3981 0.0351 -0.3856 -0.4907 0.4380 -0.5562 0.3978
0.2055 -0.4172 0.0308 -0.3100 0.4669 0.1272 0.3279 -0.2263
0.2102 -0.3595 -0.0495 0.5095 0.2458 -0.2952 0.0890 0.3607
0.0857 0.0404 0.0708 0.1591 -0.0065 0.0051 0.4426 0.0975
0.0461 0.3127 0.3093 -0.1620 0.0595 -0.0068 0.0291 0.3567
-0.1939 0.4702 -0.1472 0.1354 0.2244 0.0058 -0.3173 0.0613
Columns 17 through 24
-0.2292 -0.0627 0.1285 0.6027 -0.3291 0.4678 -0.3608 -0.2241 0.3200 -0.2305 0.3114 0.3525 -0.3196 0.3489 -0.0738 -0.4651
0.4992 -0.0244 -0.4528 0.5421 0.2308 -0.0685 0.3410 -0.0256 -0.3897 0.1384 -0.2352 -0.1336 0.0069 -0.4986 0.1343 0.1519
0.6813 0.4293 -0.2273 -0.1830 0.1339 0.4792 0.1118 -0.0976 -0.3546 0.1150 -0.4418 -0.2076 -0.4510 -0.0437 -0.2745 0.2759
-0.0060 0.1742 -0.3875 -0.4918 0.0035 -0.1665 0.2755 0.3852 0.2065 0.1430 -0.3855 0.1120 0.1152 -0.3870 -0.5743 -0.1873
-0.4701 -0.1307 0.0002 -0.0650 0.4082 0.2756 -0.0811 -0.5184 -0.0897 -0.2061 0.2355 -0.3144 0.4282 -0.4882 0.0378 0.0830
0.3864 0.4198 0.1975 -0.3158 0.4046 -0.0941 0.4842 -0.0507 -0.0210 0.4851 -0.2580 0.1656 -0.4645 -0.4168 0.2160 0.3260
0.1526 0.3452 0.0620 0.4736 -0.1874 -0.3219 0.2969 -0.3884 0.0302 -0.3151 0.2379 -0.3234 0.1828 0.1052 0.3506 0.2516
-0.3451 -0.2710 -0.3914 0.1049 0.1434 0.4249 -0.1463 -0.4229 0.0833 0.2290 -0.0363 0.0185 0.1789 -0.0261 -0.2649 -0.1862
0.0528 -0.4296 -0.0217 0.3662 0.2872 0.1225 -0.4290 0.2935 0.2627 0.3182 -0.0685 0.1877 -0.4831 -0.2616 -0.2376 -0.3421
-0.0188 0.2651 0.1127 -0.0748 -0.2626 0.0267 0.4478 0.0731 0.3980 -0.1885 0.3910 0.1024 0.4363 0.1685 0.3005 0.4769
0.0268 -0.3134 -0.3197 0.4812 -0.1640 0.1488 0.4680 -0.4076 -0.0439 -0.2873 0.0036 -0.4480 0.0087 0.3307 -0.4369 0.4192
-0.3104 -0.2422 -0.0237 -0.0040 -0.3004 0.1592 0.3465 -0.1536 -0.0632 0.1015 0.5514 0.3485 -0.0471 0.3685 -0.1803 0.3449
0.4683 0.3093 -0.1830 0.3289 0.4158 0.2084 -0.2900 -0.4186 -0.2191 -0.5275 -0.0172 0.3582 -0.2288 0.1133 -0.2907 0.0303
0.1223 -0.0284 -0.0129 -0.2536 -0.3622 0.2499 -0.2937 0.2216 0.4802 -0.2790 -0.1363 -0.1247 -0.1150 0.1800 -0.2459 0.1828
0.1901 0.1883 0.1889 0.0673 -0.4728 0.4001 0.3986 -0.2958 -0.0576 0.2988 0.5487 -0.0233 0.0805 0.2229 0.1676 -0.1478
-0.3591 0.1494 -0.0570 0.0685 -0.4164 0.3571 -0.0018 -0.1545 -0.2618 -0.0637 0.3519 0.3265 -0.1723 0.2942 -0.3611 -0.3333
-0.4467 0.2406 0.1926 0.0237 0.1772 -0.2384 -0.4098 -0.0101 -0.2205 -0.1072 -0.1317 -0.0635 0.2228 -0.2314 -0.2021 -0.0431
-0.3989 -0.3555 0.0032 -0.1886 -0.0240 0.4033 0.3623 -0.0109 0.1618 0.3582 0.0197 -0.1999 -0.0492 -0.2311 -0.0411 -0.3677
-0.2631 0.0180 -0.1873 0.0947 0.0632 -0.2666 0.0008 0.2310 0.4698 -0.3827 0.1263 -0.0913 0.3476 -0.4577 -0.1331 -0.0770
-0.5631 -0.1199 0.3263 -0.2830 0.0660 0.0102 -0.0071 -0.4746 -0.1524 0.3603 0.0810 0.3696 0.3166 0.4293 -0.1356 -0.1288
-0.2376 -0.1236 -0.2995 -0.4519 0.4497 -0.2458 -0.0228 -0.0740 0.1572 -0.0956 -0.0952 0.0221 0.3447 -0.2025 0.0027 0.2668
0.1774 0.0095 -0.3755 -0.2743 -0.1278 0.2022 0.2155 -0.2384 0.3283 -0.4388 0.2459 -0.4074 -0.3399 0.1078 -0.2811 0.0405
-0.4479 -0.2193 -0.3255 0.2069 -0.2785 0.0544 -0.2567 0.4095 0.0723 -0.2050 -0.3085 -0.4638 0.1448 0.0192 -0.1729 -0.3671
-0.0290 0.2789 0.2818 0.0177 -0.0255 -0.3751 0.2565 0.4901 -0.0785 -0.4719 -0.3380 -0.1455 0.3492 -0.2113 -0.1997 0.0958
0.4394 0.1480 0.3599 0.0546 -0.1835 0.4486 0.2095 -0.1792 0.0061 -0.1615 0.1428 0.4152 0.4899 0.0180 -0.2387 -0.2060
-0.0755 0.0495 0.3140 0.1935 0.0838 -0.2656 0.4989 -0.2281 -0.1342 0.0580 0.3004 -0.0211 0.2746 -0.0663 0.4130 0.3391
-0.3981 -0.4380 0.0854 0.2849 0.2020 0.4436 0.0585 -0.1225 0.3823 0.1047 0.3569 -0.1411 0.4133 -0.0994 0.4457 -0.1592
0.2547 -0.2323 -0.0387 0.5297 0.0279 0.4523 -0.0284 0.2135 0.0281 0.0311 -0.4511 -0.3465 0.3224 -0.1880 0.1721 -0.4360
-0.1017 -0.4439 0.2654 0.4278 -0.3865 0.0908 -0.3731 -0.3881
-0.0220 -0.4455 0.1178 0.2278 0.4172 0.2379 0.0948 -0.4694
0.1732 -0.1797 0.4354 0.1924 -0.3427 0.0697 -0.0907 -0.1375
-0.4412 -0.4080 -0.1898 0.2487 0.2209 -0.0337 0.2693 -0.3005
0.3376 0.3349 -0.1653 0.3389 0.2899 -0.4030 0.4495 0.0795
-0.4403 -0.2585 0.2232 -0.0069 0.3517 -0.2013 -0.3741 -0.4895
0.1655 0.0913 0.5558 -0.4231 0.1292 0.3042 0.2382 0.5615
0.3555 0.1957 0.4909 -0.5690 0.1396 -0.0147 0.3248 -0.1258
-0.1331 -0.0383 0.0789 -0.3254 -0.4267 -0.1541 -0.4033 0.0879
Columns 25 through 32
0.4233 0.1410 -0.0846 0.1546 0.4470 0.0541 -0.5652 0.0281 0.2920 0.2429 -0.3399 0.1113 -0.4747 0.3712 -0.1089 0.1804
-0.0178 -0.3024 0.4482 0.1573 -0.3793 0.3926 -0.1242 -0.0441 0.2145 0.2541 0.0055 -0.3230 -0.5268 -0.3198 0.0250 -0.2001
0.1373 -0.1834 0.3101 -0.4640 0.2421 0.0555 -0.1437 0.6346 0.4265 -0.1688 0.2490 -0.4200 0.1555 0.1921 0.3356 0.4617
0.2331 0.5411 0.3613 -0.0614 -0.1759 -0.0317 0.0924 0.0438 0.1186 0.1701 0.1791 0.0436 -0.0562 -0.5355 -0.6687 0.2811
0.2707 0.3532 0.2337 -0.3069 -0.4143 -0.2213 -0.1624 0.0220 0.3431 -0.2875 -0.3682 0.0135 -0.0415 0.1247 -0.2909 0.3914
-0.2874 0.3730 0.1179 0.0516 -0.3648 -0.1891 -0.2380 0.4813 0.1005 0.1080 0.1104 0.1046 0.2909 0.3666 -0.1884 -0.2835
0.0165 0.4285 -0.0352 -0.1742 -0.3684 -0.1065 -0.1994 -0.2193 0.2921 0.2276 -0.1580 -0.1625 0.4302 -0.4350 -0.1274 0.3752
0.0838 0.1973 -0.4058 -0.2811 -0.0177 -0.0302 -0.3583 -0.2593 -0.3667 0.0283 0.1348 0.3180 0.0290 0.4138 -0.3611 0.0601
0.3520 -0.3689 0.4610 -0.0811 0.3952 0.5280 -0.3065 0.1643 0.3596 0.1945 0.0992 0.0784 0.1684 -0.1678 -0.1762 -0.0745
0.4600 0.2318 -0.4155 0.3501 0.4591 -0.0435 0.1214 0.5311 0.1759 -0.1706 0.3535 0.3406 0.1661 0.2042 0.5054 0.0513
0.2341 0.1273 -0.0577 -0.2384 0.3817 0.1012 0.3266 0.0707 0.2420 -0.0700 -0.1501 0.3069 0.1103 0.0907 0.4924 -0.3532
0.2720 0.0678 0.4309 -0.1291 -0.2406 0.0937 -0.0053 -0.1703 -0.3912 -0.3679 0.3437 0.4161 0.4094 -0.1571 -0.2086 -0.2534
0.4404 -0.1734 0.4642 -0.2788 -0.0355 0.2107 0.0011 0.5547 0.1265 0.1192 0.0262 0.2150 -0.3135 -0.0865 0.2960 0.1581
0.5001 0.2282 -0.2775 -0.1458 -0.4059 -0.0268 0.1916 0.3045 -0.0455 0.1450 0.2322 -0.4821 -0.2532 -0.2992 0.0982 -0.1842
0.4090 0.2799 -0.1404 0.3898 0.3599 -0.1301 -0.1997 0.1929 0.0458 0.1846 -0.1643 0.2138 -0.2616 0.4425 0.1927 0.0208
-0.4007 -0.3727 0.4281 -0.3488 -0.3097 -0.1421 -0.2075 0.1472 -0.1235 -0.2458 -0.0932 0.0418 0.4117 0.0593 0.3287 0.4225
0.0410 0.3802 0.4537 0.4879 0.2532 -0.3004 -0.2985 0.3222 -0.1542 0.2620 -0.3007 -0.4381 -0.4117 -0.2612 -0.5095 0.1921
0.0205 0.0619 -0.3370 0.0762 0.0638 -0.2595 0.3499 -0.3880 -0.5487 0.0758 -0.0936 -0.0877 -0.2581 -0.3979 0.4181 -0.4398
-0.3077 -0.2559 -0.0882 0.0812 -0.3225 0.0395 0.3107 0.4017 -0.3947 -0.1138 -0.4355 -0.1431 -0.0888 -0.3272 0.2096 -0.3006
0.2581 0.4030 0.1702 -0.2064 0.1181 0.0086 -0.0509 -0.1398 0.2509 -0.3215 -0.1637 -0.3828 0.3079 -0.0843 0.3153 -0.0758
0.4064 0.2117 0.5003 0.1064 0.0712 -0.0984 0.2917 0.3079 -0.5196 -0.1652 0.1515 0.0951 0.4278 -0.2991 0.0859 0.3674
-0.2316 0.0392 0.0601 0.0665 0.2280 -0.3625 0.4087 -0.3764 -0.1124 -0.3028 0.4261 0.1668 -0.1257 -0.1151 -0.2962 -0.3637
-0.3665 0.0791 0.0764 -0.0744 0.3317 0.1996 -0.1862 0.1688 0.1165 0.1576 -0.3139 0.1836 -0.3190 -0.4661 -0.2121 -0.5203
-0.0489 0.0767 0.1395 -0.3215 0.3550 0.4741 0.2621 0.2441 0.0424 0.1476 0.4183 0.0294 -0.3946 -0.1326 -0.0092 -0.3541
-0.2900 0.1976 -0.1802 -0.3633 -0.1597 -0.4246 0.2666 -0.3178 -0.4410 -0.4734 -0.1326 -0.2335 0.1630 0.3813 0.3251 -0.0851
-0.2589 0.5318 -0.0885 -0.4176 0.3348 -0.3866 -0.1761 -0.4063 0.0187 -0.4101 0.3088 -0.2404 0.0202 0.3588 -0.1712 0.1806
0.3725 -0.0344 0.2192 0.4053 -0.2852 0.0403 -0.4138 0.1325 -0.4759 0.1187 -0.3736 0.2992 -0.1333 0.0583 0.1625 -0.3129
0.1086 0.1061 -0.2163 -0.2517 -0.2471 -0.1993 -0.2027 -0.3017 0.4010 0.2669 -0.3126 0.4391 0.0097 -0.0234 -0.1138 -0.2701
0.1619 -0.1143 -0.4214 -0.3328 0.2982 0.2945 0.5029 0.1951
0.1670 -0.0330 0.3856 -0.1011 -0.3525 -0.2158 0.3696 -0.1293
0.4053 0.2587 0.0355 0.5412 0.0675 -0.2555 -0.1004 0.1652
0.0135 -0.3766 0.3975 -0.3145 0.1866 -0.3856 -0.0816 -0.0382
0.2647 -0.3401 -0.3507 -0.2804 0.3741 0.4310 -0.2766 0.2490
0.3901 -0.1236 0.1360 -0.3175 0.3265 0.3007 -0.1635 -0.3984
0.3295 0.4122 0.0184 -0.4099 0.0917 -0.3518 -0.0457 -0.1786
0.2593 0.4612 0.4775 0.4839 0.1857 -0.1686 -0.1001 0.2820
0.4768 0.4031 -0.3183 -0.0001 0.3393 0.4539 0.3518 0.0208
Pesos da terceira camada
Columns 1 through 11
0.0479 0.1395 -0.0711 0.1828 0.1136 0.1328 0.2034 0.1026 0.0077 0.2656 0.0068
-0.3831 0.0468 -0.2209 0.2671 -0.0799 -0.0181 0.1351 -0.0331 -0.1761 -0.0692 0.0859
-0.1189 -0.4333 -0.0998 -0.3610 0.0400 0.0872 0.2213 0.0438 0.3587 0.1423 -0.0567
0.4090 0.1732 -0.5906 -0.0930 0.0892 -0.3331 -0.2901 -0.1502 0.0790 -0.0524 0.1379
-0.1061 -0.0322 -0.0812 0.1475 -0.1881 0.0757 -0.2193 -0.0730 0.1577 0.2407 0.0658
-0.3524 0.2425 -0.2031 -0.1311 -0.1662 0.0521 -0.5390 0.0554 -0.3375 0.1831 0.3222
-0.1852 0.3077 0.2447 0.1503 0.1017 -0.0868 0.1902 0.3034 0.3139 -0.0605 -0.1540
0.0084 0.0971 -0.3527 0.0165 0.0445 -0.1507 0.0332 -0.2325 -0.0125 0.2107 -0.2342
Columns 12 through 22
-0.2696 0.1129 -0.1766 0.2415 -0.2305 -0.0992 0.2981 -0.1679 0.0287 -0.0767 -0.1734
0.3907 0.1144 0.2275 0.2051 -0.3140 -0.0729 0.0575 0.0418 -0.0576 -0.0427 0.1754
0.0422 0.0795 0.2388 0.1735 -0.0401 0.3304 0.0575 0.0635 0.1954 0.1903 -0.0296
0.0074 0.4411 -0.0566 0.3574 -0.2651 -0.2277 -0.2331 -0.1828 0.0699 0.0139 -0.0390
-0.2291 0.2243 -0.2044 0.1058 -0.1945 0.1556 0.2269 0.1656 0.0699 0.0736 -0.1293
0.4243 -0.1466 0.0852 -0.1066 -0.1163 -0.4478 0.0940 -0.5159 -0.0278 0.1578 0.2837
0.2178 0.2156 0.2677 -0.0413 -0.1917 0.2947 0.0379 -0.0748 -0.0327 -0.0926 0.1843
0.0282 0.0681 0.1600 0.3072 -0.2042 -0.1138 0.0384 -0.3592 0.2112 0.0664 0.0571
Columns 23 through 33
0.2363 -0.2301 0.2032 0.1428 -0.1051 -0.2601 -0.0163 -0.0878 -0.1490 -0.2821 -0.2338
0.3268 -0.3157 0.0566 -0.2763 0.3705 0.2580 -0.4844 -0.0013 0.0011 0.1603 0.3308
-0.0691 -0.3210 -0.3787 0.1621 -0.1066 0.3416 -0.2087 0.0072 0.1647 -0.1279 0.3063
0.3313 0.0471 -0.1575 -0.2464 -0.2657 -0.0705 0.0177 -0.1816 0.1205 0.2631 -0.1888
0.2429 -0.2018 -0.1035 0.0204 -0.0165 0.0984 -0.2800 -0.0679 0.0419 -0.1625 -0.2142
-0.1438 0.0616 0.2154 -0.0440 0.2555 0.0348 0.3434 0.0909 -0.1398 -0.0007 -0.0332
-0.2973 0.2094 0.1232 0.2102 -0.2632 0.1945 0.1479 0.3067 0.0156 -0.2947 -0.3768
0.1218 0.0968 -0.2801 0.2894 0.0936 0.3059 -0.2660 0.0132 0.3896 0.2447 0.0081
Columns 34 through 44
-0.2641 0.2685 -0.0675 -0.0731 -0.2543 -0.3065 0.0700 -0.1553 -0.1350 0.0635 0.0790
-0.1878 0.0027 -0.1830 -0.3651 -0.4957 -0.2965 -0.1519 -0.0759 -0.0076 -0.1214 0.0905
-0.0219 -0.0905 -0.3080 0.0764 -0.2292 -0.1523 0.2197 0.2249 0.1697 -0.0928 -0.0323
0.1541 0.0855 -0.3741 0.1881 -0.1999 0.1002 -0.0116 -0.1613 0.2763 0.1167 0.0879
0.2525 0.1907 -0.1570 -0.2158 -0.3367 -0.3165 -0.2477 -0.2788 0.1554 -0.0062 -0.0173
-0.3406 -0.3856 -0.3300 0.2545 0.1240 -0.1418 0.1236 -0.3617 0.1778 0.2290 0.0625
0.2582 0.1335 0.0171 -0.1333 -0.0929 0.2818 0.1784 -0.1204 -0.3771 -0.0226 -0.2186
0.0543 0.2129 -0.0627 -0.2127 0.0208 -0.2216 -0.0058 -0.0740 -0.0881 0.0973 0.1583
Columns 45 through 55
-0.2225 0.1400 0.0446 0.0044 0.1469 0.0391 -0.1770 -0.2084 -0.1924 0.1727 -0.1135
-0.1562 -0.1141 -0.0320 0.3453 0.0985 -0.2936 0.3098 -0.2531 0.0618 0.2422 0.0605
-0.2279 0.1557 -0.4305 -0.0744 0.0009 -0.2754 0.0903 0.1972 0.0968 0.1028 -0.4177
-0.1607 -0.1948 -0.2940 0.4363 0.3879 0.0141 -0.0834 -0.1238 -0.2219 0.0047 0.2914
0.2315 0.0841 0.1925 0.1161 -0.1621 -0.0544 -0.2129 0.1834 -0.2904 0.0285 -0.1524
0.3688 0.2184 0.0321 -0.1109 0.3703 -0.1591 0.1647 -0.2237 -0.1524 0.1582 0.3404
-0.0766 0.0590 0.2605 0.0353 -0.0672 -0.0255 -0.1644 0.1965 -0.2948 -0.1299 -0.0513
-0.1636 0.0468 -0.0231 0.2331 0.2580 -0.2995 -0.3181 0.1833 0.3559 -0.3420 0.0683
Columns 56 through 65
-0.1998 -0.1519 0.2711 0.1735 -0.0097 0.2835 -0.1412 -0.3123 0.2508 0.1986
0.0841 0.2008 -0.3347 0.0517 0.2305 -0.2326 -0.2906 0.1303 0.3901 -0.0240
-0.2214 0.2099 -0.0779 0.0577 -0.0348 0.2908 -0.1718 0.0926 -0.0518 -0.1477
0.0216 0.3857 -0.1625 -0.1646 -0.1357 -0.2745 0.0913 0.0031 0.0495 0.0779
-0.0818 0.2983 -0.0897 0.1221 -0.2365 0.0123 -0.2623 0.1653 0.2552 0.2605
-0.1979 -0.0737 0.1798 0.2659 -0.2327 -0.3709 -0.1197 -0.0134 0.3262 -0.2940
0.3533 0.0371 0.2314 -0.2115 -0.0026 -0.1588 -0.1091 -0.2980 -0.2976 -0.1171
0.0111 0.0791 -0.0675 0.1615 0.2825 -0.3411 -0.2518 0.0385 0.0153 -0.0467
-1.6520 1.4629 -1.0667 1.1754 1.3421 -1.0464 1.1065 -0.7609 -0.6907 0.6490 -0.4042
-0.5185 0.2220 0.3822 0.0178 0.1620 -0.1467 0.3199 -0.2555 -0.3728 0.4624 -0.5207
-0.5851 0.7255 -0.7806 -1.0440 0.8565 -1.1902 1.2441 -1.4549 1.3937 -1.4019
1.5097 1.4995 1.5091 1.4208 -1.4208 1.2671 -1.2990 -1.2122 -1.1220 -1.1801 -1.1137
-1.0006 -1.0191 -0.9350 -0.9345 -0.8780 -0.7578 -0.7497 0.7198 0.6369 0.6243 0.5614
0.4856 0.4566 0.3971 -0.4103 0.2669 -0.2438 -0.2159 0.1130 -0.1061 0.0133 -0.0185
0.0570 -0.1042 0.1743 -0.2305 -0.2203 -0.2966 0.3733 -0.3636 0.5047 0.4643 0.6231
-0.6047 0.5832 0.7580 -0.6971 0.7981 -0.8152 0.8930 0.9600 -1.0194 1.0171 -1.0893
-1.1487 -1.1647 1.2883 1.2762 -1.3329 -1.4285 1.4792 -1.4680 1.4743 -1.5636
0.3675
APÊNDICE C: PESOS E BIAS DA REDE-16-4-x
Pesos da primeira camada
Columns 1 through 8
Columns 9 through 16
Column 17
-23.7594
0.5294
-2.7943
4.1187
1.6440
1.7989
-17.9743
0.6383
-0.2717
APÊNDICE D: PESOS E BIAS DA REDE-16-4-r
Pesos da primeira camada
Columns 1 through 8
Columns 9 through 16
Column 17
2.8715
0.2976
0.1668
-0.6317
-0.0539
9.1209
-25.6636