Algoritmo Baseado em Redes Neurais Artificiais para A Proteção de Distância de Linhas de Transmissão

RICARDO CANELOI DOS SANTOS
ALGORITMO BASEADO EM REDES NEURAIS

ARTIFICIAIS PARA A PROTEÇÃO DE DISTÂNCIA
DE LINHAS DE TRANSMISSÃO
Tese apresentada à Escola Politécnica da

Universidade de São Paulo para obtenção do
título de Doutor em Engenharia
São Paulo
2004
RICARDO CANELOI DOS SANTOS
ALGORITMO BASEADO EM REDES NEURAIS

ARTIFICIAIS PARA A PROTEÇÃO DE DISTÂNCIA
DE LINHAS DE TRANSMISSÃO
Tese apresentada à Escola Politécnica da

Universidade de São Paulo para obtenção do
título de Doutor em Engenharia
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.
Tese (Doutorado) - Escola Politécnica da Universidade de São

Paulo. Departamento de Engenharia de Energia e Automação
Elétrica.
1. Proteção de Sistemas Elétricos 2. Redes Neurais 3. Relé

I. Universidade de São Paulo. Escola Politécnica da Universidade
de São Paulo. Departamento de Engenharia de Energia e
Automação Elétrica II. t
Dedico este trabalho aos meus pais, aos
meus irmãos, à Aninha, à minha esposa
Meire, à minha amada filha - princesinha
Vitória, e ao bebezinho que está chegando
para abençoar ainda mais as nossas vidas.
AGRADECIMENTOS
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.
Ao Prof. Dr. Moacyr Martucci Júnior, chefe do Departamento de Engenharia de

Computação e Sistemas Digitais da EPUSP, pelo constante incentivo.
A Prof. Dr. Edith Ranzini por permitir o uso irrestrito do Laboratório de Projeto Lógico
Digital (PLD).
Ao Prof. Dr. Sérgio Miranda Paz pela revisão final do texto.
Aos amigos professores e funcionários do Departamento de Engenharia de Computação

e Sistemas Digitais da EPUSP.
Ao Eng. Giovanni Manassero Junior pelo apoio com o Matlab.
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
1 INTRODUÇÃO À PROTEÇÃO DE LINHAS DE TRANSMISSÃO.................1

1.1 Linhas de Transmissão ........................................................................................1
1.2 Proteção de Linhas de Transmissão.....................................................................1
1.3 Relé de Distância .................................................................................................2
1.4 Motivação ............................................................................................................6
1.5 Apresentação do Trabalho ...................................................................................7
2 ESTADO DA ARTE DE PROTEÇÃO DE LINHAS DE TRANSMISSÃO.......9
2.1 Considerações ....................................................................................................18
3 REDES NEURAIS ARTIFICIAIS (RNA) ...........................................................20
3.1 Neurônio Biológico ...........................................................................................20
3.2 Neurônio Artificial.............................................................................................21
3.3 Redes MLP ........................................................................................................22
3.3.1 Tipos de Treinamento .................................................................................25
3.4 Algoritmo Backpropagation..............................................................................26
3.4.1 Características do Algoritmo Backpropagation..........................................29
3.5 Redes Neurais Artificiais no Desenvolvimento do Algoritmo Proposto...........33
4 PROPOSTA DO RELÉ BASEADO EM RNA....................................................34
4.1 Diagrama Funcional do Relé Digital de Distância ............................................34
4.1.1 Digitalização do Sinal .................................................................................35
4.1.2 Filtragem Analógica do Sinal .....................................................................36
4.2 Algoritmo do Elemento de Medição da Impedância .........................................38
4.2.1 Etapa de Pré-Processamento .......................................................................40
4.2.1.1 Geração dos Sinais de Entrada nos Elementos de Medição ....................40
4.2.1.2 Utilização de Valores Normalizados .......................................................52
4.2.2 Etapa das Redes Neurais Artificiais (RNA)................................................55
4.2.3 Etapa de Pós-Processamento.......................................................................58
5 METODOLOGIA PARA O TREINAMENTO DAS REDES NEURAIS
ARTIFICIAIS................................................................................................................61
5.1 Treinamento da RNA........................................................................................61
5.1.1 Geração dos Conjuntos de Treinamento a Partir de um Sistema
Monofásico de Primeira Ordem ...............................................................................64
5.1.2 Método Utilizando uma Linha de Transmissão Monofásica com Parâmetros
Distribuídos ..............................................................................................................75
5.2 Arquitetura e Parâmetros Utilizados no Processo de Treinamento das RNA....80
5.2.1 Validação das RNA.....................................................................................85
5.2.1.1 Validação das RNA frente a sinais aleatórios representando situações de
regime permanente e transitório de curto-circuito. ...............................................85
6 ESTUDO COMPARATIVO DAS REDES NEURAIS ARTIFICIAIS .............90
6.1 Sistemas Elétricos Adotados Neste Trabalho ....................................................90
6.2 Rotina Line Constants........................................................................................95
6.3 Simulação das Linhas de Transmissão ..............................................................95
6.4 Geração das Condições Operativas das Linhas de Transmissão .......................98
6.5 Situações Operativas do Sistema Elétrico .......................................................100
6.6 Desempenho do Algoritmo Proposto Implementado com as RNA Pré-
Selecionadas...............................................................................................................103
6.7 Respostas dos Algoritmos em 138 kV.............................................................108
6.12 Conclusão do Desempenho das Alternativas de Algoritmo Frente a Cada Nível
de Tensão Considerado..............................................................................................129
7 COMPARAÇÃO ENTRE OS ALGORITMOS PROPOSTO E
CONVENCIONAL .....................................................................................................132
7.1 Comportamento dos Algoritmos em 138 kV – RNA x Fourier.......................134
8 CONCLUSÕES ....................................................................................................146
LISTA DE REFERÊNCIAS ......................................................................................151
APÊNDICES – Pesos e Bias das RNA (Rede-32-16-x, Rede-32-16-r, Rede-16-4-x e

Rede-16-4-r)
LISTA DE FIGURAS
Figura 1.1 - Ajustes de tempo-distância do relé localizado na barra A ...........................3

Figura 1.2 – Zonas de proteção do relé de distância (Mho) no plano R-X. ......................3
Figura 1.3 – Zonas de proteção do relé de distância (quadrilateral) no plano R-X. .........4
Figura 3.1 – Neurônio Biológico (WASSERMAN, 1989) .............................................21
Figura 3.2 – Perceptron e a função de ativação degrau...................................................22
Figura 3.3 – Rede MLP com 3 camadas .........................................................................23
Figura 3.4 – Pesos da primeira camada (W1), segunda camada (W2) e terceira camada
(W3) ..........................................................................................................................23
Figura 3.5 – Valores de polarização da primeira camada (B1), segunda camada (B2) e
terceira camada (B3).................................................................................................23
Figura 3.6 – Funções sigmóide e tangente hiperbólica ...................................................24
Figura 3.7 – Efeito da polarização sobre as funções sigmóide e tangente hiperbólica...24
Figura 3.8 – Diagrama de alto nível do algoritmo Backpropagation .............................27
Figura 3.9 – Processo de treinamento da RNA com taxas de aprendizado diferentes....30
Figura 3.10 – Superfície de erro e treinamento com o método momentum ....................31
Figura 3.11 – Função desejada (contínua) e gerada pela RNA (descontínua) ................32
Figura 4.1 – Diagrama funcional típico dos Relés Digitais ............................................34
Figura 4.2 – Fluxo dos sinais de tensão e corrente no algoritmo proposto.....................35
Figura 4.3 – Sobreposição dos espectros de freqüência do sinal ....................................37
Figura 4.4 – Espectros de freqüência para Fa ≥2.Fc (condição de Nyquist) ..................37
Figura 4.5 – Resposta em freqüência dos filtros analógicos...........................................38
Figura 4.6.a – Etapas do algoritmo proposto - elemento de fase AB..............................39
Figura 4.6.b – Etapas do algoritmo proposto - elemento de terra AN ............................40
Figura 4.7 – Linha de transmissão com capacitância desprezível ..................................41
Figura 4.8 – Esquema baseado em RNA para a estimativa de R e X - Elem. terra ........45
Figura 4.9 – Nova configuração do esquema baseado em RNA para a estimativa de R e
X – Elemento de terra...............................................................................................49
Figura 4.10 – Esquema baseado em RNA para a estimativa de R e X – Elem. de fase..51
Figura 4.11 – Janelas de dados sobre os sinais de tensão e corrente das fases A e B.....52
Figura 4.12 – Exemplo de RNA utilizada no algoritmo proposto ..................................56
Figura 4.13 – Processamento dos sinais de entrada dos elementos de fase ....................58
Figura 4.14 – Processamento dos sinais de entrada dos elementos de terra ...................58
Figura 4.15 – Transformação de R e X normalizados para R e X em Ohms..................59
Figura 5.1 – RNA que compõem o elemento de fase AB do algoritmo proposto ..........62
Figura 5.2 – RNA que compõem o elemento de terra AN do algoritmo proposto .........63
Figura 5.3 – Sistema monofásico de primeira ordem .....................................................65
Figura 5.4 – Fluxograma de geração dos conjuntos de treinamento através do sistema
monofásico de primeira ordem.................................................................................73
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........................................................................................................................74
Figura 5.6 – Modelo monofásico com parâmetros distribuídos......................................76
Figura 5.7 – Fluxograma de geração dos conjuntos de treinamento utilizando um
modelo monofásico com parâmetros distribuídos....................................................78
Figura 5.8 - Matrizes utilizadas no treinamento das RNA que compõem os elementos de
terra e de fase do algoritmo proposto – utilizando parâmetros distribuídos ............79
Figura 5.9 – Informações provenientes da rotina de teste da RNA ................................86
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 ........................................92
Figura 6.2 – Arquivo de entrada do Simulink – Caso de 230 kV ...................................97
Figura 6.2.a – Ilustração dos tempos de estabilização (Testab) e trip (Ttrip)...............102
Figura 6.3 – Resposta do elemento AN das alternativas Rede-16-4 e Rede-32-16 ......107
Figura 6.4 – Resposta do elemento AB das alternativas Rede-16-4 e Rede-32-16 ......108
Figura 6.5 - Tempos de estabilização e trip – 138 kV ..................................................109
Figura 6.6 – Comportamento dos elementos de fase do algoritmo – 138 kV...............111
Figura 6.7 - Tempos de estabilização e trip – 230 kV ..................................................112
Figura 6.8 – Comportamento dos elementos de fase do algoritmo – 230 kV...............114
Figura 6.9 - Tempos de estabilização e trip – 345 kV (filtro de 200 Hz) .....................116
Figura 6.10 - Sinais com ondas trafegantes (6.10a) e com ondas trafegantes atenuadas
(6.10b) ....................................................................................................................116
Figura 6.11 - Tempos de estabilização e trip – 345 kV (filtro de 100 Hz) ...................118
Figura 6.12 – Comportamento dos elementos de fase do algoritmo – 345 kV.............120
Figura 6.13 - Tempos de estabilização e trip – 500 kV ................................................121
Figura 6.14 – Comportamento dos elem. de terra – 500 kV (Rede-16-4) ...................123
Figura 6.15 – Comportamento dos elem. de terra – 500 kV (Rede-32-16) ..................125
Figura 6.16 - Tempos de estabilização e trip – 765 kV ................................................126
Figura 6.17 – Comportamento dos elementos de terra do algoritmo – 765 kV ............128
Figura 7.1 – Tempos de estabilização e trip – 138 kV / 50 km ...................................135
Figura 7.3 – Tempos de estabilização e trip – 138 kV / 150 km .................................135
Figura 7.10 – Tempos de estabilização e trip – 500 kV / 181 km ...............................141
LISTA DE TABELAS
Tabela 4.1 – Sinais de entrada para os elementos de fase do algoritmo .........................57

Tabela 4.2 – Sinais de entrada para os elementos de terra do algoritmo ........................57
Tabela 5.1 – Parâmetros de seqüência positiva utilizados em cada nível de tensão.......75
Tabela 5.2 – Características das RNA (rede R) submetidas ao proc. de treinamento.....82
Tabela 5.3 – Características das RNA (rede X) submetidas ao proc. de treinamento ....83
Tabela 5.4 – Resultados da avaliação das RNA – RNA treinadas a partir de sinais do
modelo de primeira ordem – 16 amostras / ciclo .....................................................87
Tabela 5.5 – Resultados da avaliação das RNA – RNA treinadas com sinais da linha
com parâmetros distribuídos – 16 amostras / ciclo ..................................................88
Tabela 5.6 – Resultados da avaliação das RNA – RNA treinadas a partir de sinais do
modelo de primeira ordem – 32 amostras / ciclo .....................................................88
Tabela 6.1 – Parâmetros das linhas consideradas para avaliação do algoritmo..............93
Tabela 6.2 – Casos utilizados para a avaliação das alternativas de algoritmo..............101
Tabela 6.3 – Características das linhas utilizadas na geração das situações operativas103
Tabela 6.4 – Tempo médio de trip em cada nível de tensão (ms) ................................104
Tabela 6.5 – Tempo médio de estabilização em cada nível de tensão (ms)..................105
Tabela 6.6 – Carga computacional da alternativa Rede-16-4 .......................................106
Tabela 6.7 – Carga computacional da alternativa Rede-32-16 .....................................106
Tabela 6.8 – Tempos médios de estabilização e trip para 138 kV................................109
Tabela 6.9 – Tempos médios de estabilização e trip para 230 kV................................113
Tabela 6.10 – Tempos médios de estabilização e trip para 345 kV (filtro de 200 Hz).117
Tabela 6.11 – Tempos médios de estabilização e trip para 345 kV (filtro de 100 Hz).118
Tabela 6.12 – Tempos médios de estabilização e trip para 500 kV..............................122
Tabela 6.13 – Tempos médios de estabilização e trip para 765 kV..............................127
Tabela 6.14 – Desempenho das alternativas de algoritmos sob todos os níveis de tensão
considerados ...........................................................................................................129
Tabela 7.1 – Situações operativas consideradas para a avaliação dos algoritmos RNA x
Fourier ....................................................................................................................133
Tabela 7.2 – Comprimento das linhas utilizadas nas simulações .................................134
Tabela 7.3 – Tempos médios de estabilização e trip em 138 kV – RNA x Fourier .....136
LISTA DE ABREVIATURAS
A/D – Conversor Analógico / Digital

ATP – Alternative Transients Program
CI – Circuito Integrado
DSP – Digital Signal Processing
EHV – Extra High Voltage
FPGA – Field Programmable Gate Array
EMTP – Electromagnetic Transients Program
M – Tamanho da Janela de Dados
MLP – Multi Layer Perceptron
N – Taxa de Amostragem
OLS _ Orthogonal Least Square
ONS – Operadora Nacional do Sistema Elétrico
PC – Personal Computer
P.U. – Por Unidade
RBF – Radial Basis Function
RNA – Redes Neurais Artificiais
SCADA – Supervisory Control and Data Acquisition
TC – Transformador de Corrente
Testab – Tempo de Estabilização
TP – Transformador de Potencial
Ttrip – Tempo de Trip
UHV – Ultra High Voltage
RESUMO
Devido à importância das linhas de transmissão no sistema elétrico, muito se

estuda no sentido de refinar os algoritmos existentes ou desenvolver novos algoritmos
para serem utilizados nos dispositivos de proteção dessas linhas. Com enfoque neste
tema, é apresentado no presente trabalho um algoritmo baseado em Redes Neurais
Artificiais (RNA) para a implementação de um relé de distância.
O algoritmo proposto possui como principal contribuição a possibilidade de ser
utilizado em qualquer linha de transmissão (algoritmo genérico), independentemente da
configuração ou do nível de tensão desta. Portanto, diferentemente dos trabalhos
anteriores, este algoritmo não necessita de nenhum ajuste na topologia ou nos
parâmetros da rede, quando aplicado a diferentes sistemas elétricos. Esta característica é
o diferencial principal da solução apresentada neste trabalho, quando comparada com as
demais baseadas em RNA, que são sempre projetadas para operarem numa única e
exclusiva linha de transmissão (geometria de torre, condutores, comprimento e nível de
tensão pré-determinados).
Para que o algoritmo desenvolvido seja capaz de assumir essa característica de
ser genérico, foi desenvolvido um esquema de pré e pós-processamento dos sinais de
entrada e saída das RNA. Além disso, foram elaborados procedimentos especiais para a
geração dos conjuntos de treinamento das RNA, bem como, para os testes de validação
das mesmas. Um cuidadoso estudo sobre a melhor topologia de RNA (arquitetura,
tamanho da janela de dados e taxa de amostragem) para compor os elementos de
medição do algoritmo proposto, também foi realizado.
A base de testes do algoritmo proposto foi elaborada considerando-se linhas de
transmissão típicas para cinco níveis de tensão do sistema elétrico brasileiro. A
modelagem dessas linhas, denominadas neste trabalho de “linhas de referência”, foi
realizada no Matlab (Power System Toolbox - Simulink). A variação nos parâmetros de
simulação dessas cinco linhas de transmissão (tipo de curto, resistência de falta,
distância da falta, etc) possibilita a geração de inúmeras situações operativas utilizadas
para o teste do algoritmo proposto, quanto aos acertos e tempos de respostas do mesmo.
Para efeito de comparação de desempenho, o algoritmo desenvolvido foi comparado
com o algoritmo de Fourier, frente a situações operativas idênticas. Os resultados dos
algoritmos frente a essas situações operativas servem de indicação sobre a viabilidade
de implementação prática do algoritmo proposto.
ABSTRACT
Due to the importance of transmission lines in electric systems, a lot of studies

have been performed in the sense of refining the existent algorithms or developing new
algorithms to be used in line protection devices. With focus in this theme, the current
work presents an algorithm based on Artificial Neural Networks (ANN) for the
implementation of a distance relay.
The main contribution of the proposed algorithm is the possibility to be used in
any transmission line (generic algorithm) independently of its voltage level or
configuration. Therefore, differently of previous works, this algorithm doesn’t need any
adjustment in architecture or in the ANN parameters, when applied to different electric
systems. This characteristic is the main differential of the solution presented here, when
compared to others ANN based algorithms, that are always developed to operate in only
one particular transmission line (tower geometry, cable, length and pre-determined
voltage level).
In order to produce a generic algorithm, a pre and post-processing scheme was
developed to the input and output ANN signals. Besides, special procedures were
elaborated for the generation of the training sets of the ANN, as well as, for validation.
A careful study about the best ANN topology (architecture, data window size and
sampling rate) to compose the measurement elements of the proposed algorithm was
also accomplished.
The test base of the proposed algorithm was elaborated considering typical
transmission lines for five voltage levels of the Brazilian electric system. The digital
representation of those lines, called here as “reference” lines, was accomplished in
Matlab (Power System Toolbox - Simulink). The variation in the simulation parameters
of those five transmission lines (fault type, fault resistance, fault distance, etc) results on
several operative situations which were used to test the proposed algorithm, in terms of
its response time and correct operation. For performance comparison, the developed
algorithm was compared to the Fourier algorithm, under identical operative situations.
The results of both algorithms under those situations were used as an indication about
the viability of practical implementation of the proposed algorithm.
1
1 INTRODUÇÃO À PROTEÇÃO DE LINHAS DE

TRANSMISSÃO
1.1 Linhas de Transmissão

Notoriamente, um dos elementos mais importantes do sistema elétrico de
potência é a linha de transmissão, pois esta é o elo entre a geração e os centros
consumidores. As linhas de transmissão podem diferir umas das outras quanto à sua
importância que, em geral, está relacionada diretamente com a quantidade de energia
que a linha é capaz de transportar. Essa quantidade de energia é traduzida, normalmente,
pelo nível de tensão da linha, ou seja, quanto maior o nível de tensão da linha de
transmissão, maior a importância desta.
1.2 Proteção de Linhas de Transmissão

As linhas de transmissão percorrem grandes distâncias, passando sobre os mais
variados tipos de terrenos e ficando permanentemente expostas ao tempo. Sob estas
condições, dentre os componentes do sistema elétrico de potência, a linha de
transmissão é o que apresenta o maior índice de defeito. Conforme Stevenson (1986),
defeito é qualquer estado anormal de um sistema, de modo que em linhas de
transmissão os defeitos são constituídos de circuito aberto e curto-circuito. O circuito
aberto ocorre quando um dos condutores se rompe, impedindo, totalmente, o fluxo de
carga por ele. Já o curto-circuito pode ocorrer entre fases ou entre fase(s) e terra. Num
sistema trifásico, portanto, as possibilidades de curto-circuito são: monofásico (A-N, B-
N e C-N), trifásico (A-B-C), bifásico (A-B, B-C e C-A) e bifásico-terra (A-B-N, B-C-N
e C-A-N). Ainda, conforme Stevenson (1986), 80% dos defeitos em linhas de
transmissão são monofásicos, sendo que apenas 5% são defeitos trifásicos.
Para que os defeitos em linhas de transmissão tenham o menor impacto possível,
é necessário que a linha tenha um adequado sistema de proteção. Esse sistema de
proteção visa, no menor tempo possível, detectar, localizar e isolar o trecho da linha de
transmissão com defeito (BLACKBURN, 1997; HOROWITZ, 1996; STEVENSON,
1986). Algumas das conseqüências de um defeito, caso este persista, devido a falhas no
sistema de proteção, são:
1. Redução na margem de estabilidade do sistema;
2
2. Danos a equipamentos vizinhos;

3. Desligamento em cascata de uma área maior do sistema;
4. Danos a pessoas devido a explosões.
Na implantação do sistema de proteção, o nível de tensão da linha deve ser
considerado, visto que os níveis mais altos (normalmente, linhas de transmissão mais
importantes) requerem dispositivos mais rápidos, confiáveis e precisos. Tal necessidade
exige a aplicação de relés mais complexos e sofisticados para atender aos requisitos de
velocidade e confiabilidade. Essa medida torna a solução mais onerosa, porém,
plenamente justificável.
A proteção de distância é a mais empregada nas linhas de transmissão, e por esse
motivo, o presente trabalho propõe uma implementação do esquema de proteção de
distância convencional, a partir da utilização de RNA. Tal proposta visa aproveitar a
filosofia da proteção existente, somada a algumas vantagens das RNA (ver capítulo 3).
Visto que o algoritmo proposto encontra-se vinculado ao esquema convencional de
proteção de distância, uma abordagem sobre este último é realizada no próximo item.
1.3 Relé de Distância

Através dos sinais de tensão e corrente provenientes da linha de transmissão, o
relé de distância mede permanentemente a impedância “vista” a partir de sua
localização. Neste caso, quando ocorre um curto-circuito na linha de transmissão, o relé
mede a impedância do seu ponto de localização até o ponto de falta e, indiretamente, a
distância da falta – daí o nome relé de distância.
Conforme Mason (1956), quando os relés de sobrecorrente tornam-se lentos ou
não seletivos, os relés de distância devem ser utilizados, pois estes não são afetados pela
corrente de curto-circuito (como os relés de sobrecorrente), além de serem menos
afetados pelas mudanças na capacidade de geração e configuração do sistema. Essas
diferenças existem porque os relés de distância operam com base na impedância
medida, e não na corrente, como os relés de sobrecorrente.
Normalmente, os relés de distância possuem três zonas de proteção, sendo a
primeira zona ajustada para proteger de 85% a 95% da linha protegida (com operação
instantânea), a segunda zona ajustada para proteger de 120% a 150% da linha protegida
(com operação temporizada) e a terceira zona ajustada para proteger aproximadamente
3
150% da linha adjacente (com operação temporizada) (BLACKBURN, 1997;

HOROWITZ, 1996; MANSON, 1956). A figura 1.1 ilustra os ajustes de tempo-
distância, realizados num relé de distância, com função de proteger a linha AB. A figura
1.2 apresenta, no plano R-X, as três zonas de proteção do referido relé de distância
(Mho). Nota-se nesta figura que o ponto de instalação do relé é representado pela
origem do plano R-X, por onde passam todas as zonas de proteção. A título de exemplo,
as três zonas de proteção de um relé de distância, com característica quadrilateral, são
apresentadas na figura 1.3.
3 Zona
Tempo
2 Zona
A 1 Zona B C D
Relé
Distância
Figura 1.1 - Ajustes de tempo-distância do relé localizado na barra A
3 Zona
2 Zona
1 Zona
Figura 1.2 – Zonas de Proteção do relé de distância (Mho) no plano R-X.

4
3 Zona
2 Zona
1 Zona
Figura 1.3 – Zonas de Proteção do relé de distância (quadrilateral) no plano R-X.
Num relé de distância, os sinais de tensão e corrente nos secundários dos TP e

TC são convenientemente combinados para possibilitar a determinação do valor da
impedância de seqüência positiva da falta (do ponto de instalação do relé até o ponto de
falta) e, conseqüentemente, a distância em que esta ocorreu. Caso esse valor se encontre
fora das três zonas de proteção, o sistema é tido como em operação normal, e o relé
permanece bloqueado. Já para valores que se encontram na primeira zona de proteção, o
relé atua, instantaneamente, abrindo o disjuntor. No caso de valores de impedância de
seqüência positiva que se encontram nas segunda e terceira zona de proteção, o relé atua
com tempos de atraso pré-fixados, sendo o tempo de atuação da segunda zona, menor
que o tempo de atuação da terceira zona.
Na prática, para a determinação da impedância de seqüência positiva da falta, o
relé de distância utiliza seis elementos de medição. Três desses elementos, são
denominados elementos de fase (elementos AB, BC e CA) e cobrem sete tipos de
defeitos, que são: curto-circuito trifásico (ABC), curto-circuito dupla fase (AB, BC e
CA) e curto-circuito dupla fase envolvendo a terra (AB-N, BC-N e CA-N). Os outros
três elementos, denominados de elementos de terra (elementos AN, BN e CN), cobrem
os casos de defeitos envolvendo uma fase e a terra (A-N, B-N e C-N). Portanto, se um
defeito ocorre na linha de transmissão, a impedância medida por um dos elementos de
medição (ou todos no caso de um defeito trifásico) penetra a zona de proteção do relé,
provocando a abertura do respectivo disjuntor, isolando o defeito.
5
Segundo Horowitz (1996), trabalhando no domínio da freqüência, a impedância

de seqüência positiva da falta, em cada um dos elementos de medição, pode ser
calculada através das seguintes relações dos fasores de tensão e corrente:
Cálculo dos elementos de fase
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
Cálculo dos elementos de terra
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)
I ' b = I b + m.I 0 (1.8)
I ' c = I c + m.I 0 (1.9)
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.
1.5 Apresentação do Trabalho

Neste item é apresentado, resumidamente, o conteúdo de cada capítulo do
presente trabalho.
Capítulo 1: Neste capítulo encontra-se a introdução do trabalho, apresentando as
principais características das linhas de transmissão, bem como o princípio de
funcionamento da proteção de distância convencional. Um breve texto explicitando a
motivação para este trabalho encontra-se no final do referido capítulo.
Capítulo 2: Apresenta os resultados dos estudos realizados até o momento, com
relação à utilização de Redes Neurais Artificiais na proteção de linhas de transmissão.
Capítulo 3: Pretende fornecer uma visão geral a respeito das Redes Neurais
Artificiais, com enfoque especial nas redes MLP, utilizadas no trabalho. São discutidos
neste capítulo conceitos como: tipos de aprendizado, algoritmos para a correção de
erros, e os parâmetros para ajustes da RNA.
Capítulo 4: Apresenta o diagrama funcional típico de um relé digital, com
explanações sobre os processos de digitalização e filtragem analógica do sinal de
entrada. O algoritmo proposto (pré-processamento, Redes Neurais Artificiais e pós-
processamento) também é apresentado com detalhes neste capítulo.
Capítulo 5: As duas metodologias empregadas para a geração dos conjuntos de
treinamento utilizados na fase de “aprendizagem” das RNA são apresentadas neste
8
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
2 ESTADO DA ARTE DE PROTEÇÃO DE LINHAS DE

TRANSMISSÃO
A aplicação de RNA em sistemas elétricos de potência é uma linha de pesquisa
que atrai cada vez mais os pesquisadores da área de sistemas de potência. Em particular,
a utilização de RNA na proteção das redes elétricas vem chamando a atenção dos
engenheiros de proteção. Esse fato é justificado pelos bons resultados obtidos nas
pesquisas que descrevem a utilização de RNA na proteção de equipamentos, proteção
de linhas, diagnóstico de falhas, entre outros. Tal êxito é atribuído à capacidade das
RNA extraírem características importantes dos sinais provenientes dos elementos
protegidos, além de representarem funções complexas sem envolver grande formalismo
matemático, como ocorre nos métodos atuais.
Em especial, a aplicação de RNA na proteção de linhas de transmissão é um
ramo cada vez mais explorado, visto a importância deste componente nos sistemas
elétricos de potência, e o alto índice de defeitos relacionados ao mesmo. Sendo assim,
neste trabalho é apresentado um algoritmo baseado em RNA para a implementação de
uma proteção de distância de linhas de transmissão. Para posicionar o algoritmo
proposto, frente aos algoritmos desenvolvidos até o momento, neste capítulo é
apresentado o estado da arte da utilização de RNA na proteção de linhas de transmissão.
No final do capítulo são salientados alguns aspectos importantes com relação aos
trabalhos referenciados, visando discriminar onde o algoritmo proposto contribui para o
estado da arte.
Dalstein (1995) apresenta um esquema baseado em RNA para a classificação de
faltas em alta velocidade. Neste esquema, além do módulo de classificação de faltas,
existe um segundo módulo (também baseado em RNA) para verificar a existência ou
não de falta com arco, procurando obter maior sucesso nas ocasiões de auto-religamento
da linha de transmissão. No artigo o autor salienta a importância de um confiável
classificador de faltas em linhas de transmissão, bem como as desvantagens associadas
aos modelos convencionais de auto-religamento, que voltam a energizar a linha mesmo
no caso de defeitos permanentes.
O sistema elétrico simulado para gerar os sinais de entrada para o treinamento e
testes das RNA, consta de duas linhas paralelas operando em 380 kV, a uma freqüência
de 50 Hz. A RNA do módulo de classificação de faltas é alimentada pelos sinais de
10
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
Whei-Min (2001) apresenta um método baseado em redes neurais do tipo RBF

(Radial Basis Function) para a classificação de faltas em linhas de transmissão. A rede
neural proposta pelo autor é comparada com um algoritmo de classificação de faltas
baseado em redes MLP, proporcionando um estudo comparativo entre estas duas classes
de redes neurais. A rede RBF desenvolvida foi treinada com o algoritmo OLS
(Orthogonal-Least-Square), que otimiza a arquitetura da rede, produzindo uma camada
oculta menor do que aquela produzida pelo algoritmo convencional, além de evitar
alguns problemas numéricos criados por este. Tanto a rede RBF como a rede MLP
possuem uma camada oculta, entretanto as funções de ativação utilizadas são as
Gaussiana e Sigmoidal, respectivamente.
Um sistema elétrico, adotado como referência, foi implementado no ATP para
proporcionar a geração dos conjuntos de treinamento e testes das redes neurais. Tais
conjuntos constam das diversas condições operativas do sistema, que foram obtidas
através da variação do instante de ocorrência da falta, da resistência de falta e da
localização (e tipo) do curto-circuito. Para cada uma dessas situações, foram extraídas
as amostras referentes às três tensões de fase e às três correntes de linha, no local de
instalação do relé. Conforme o autor, após uma série de testes do algoritmo, o tamanho
da janela de dados que se mostrou mais adequada foi o de quatro amostras para a rede
MLP e o de três amostras para a rede RBF.
Como resultado, o artigo ressalta as diferenças, em termos de arquitetura e
tempo de treinamento, entre as duas classes de redes neurais avaliadas. Além disso, o
autor expõe os resultados de uma série de testes efetuados na rede RBF, exaltando os
ótimos resultados obtidos, com relação ao tempo de detecção da falta e a correta
classificação da mesma.
Importantes observações são realizadas no referido texto, sobre a robustez e a
imunidade a ruídos das RNA, tornando-as menos susceptíveis às condições do sistema
elétrico, do que os sistemas convencionais.
Li (2001) apresenta um relé de distância, baseado em RNA, para efetuar a
proteção de linhas de transmissão. O relé desenvolvido é capaz de identificar a zona
faltosa, com boa precisão, mesmo para diversos valores de resistência de falta.
O autor relata no artigo as limitações dos métodos convencionais de proteção de
distância, impróprios para lidar com incertezas intrínsecas ao problema de proteção de
16
linhas de transmissão, tais como: valores imprevisíveis de resistência de falta, ampla

faixa de localização da falta, variação na configuração da rede, variação no fluxo de
carga do sistema, instante de ocorrência do curto-circuito, etc. Visando contornar tais
limitações, o autor considera as possibilidades oferecidas pelos relés digitais, para
propor uma solução baseada em RNA.
Neste trabalho, o autor utiliza uma rede MLP, com função de ativação
sigmoidal, treinada a partir do algoritmo Backpropagation, com doze neurônios de
entrada, seis neurônios na camada oculta, e um neurônio de saída. As entradas desta
rede são constituídas pelas partes real e imaginária das três tensões de fase e das três
correntes de linha (compensadas) de uma linha de transmissão de 500 kV e 310 km,
adotada para a realização do referido trabalho. Através do algoritmo de Fourier de ½
ciclo e de um esquema complementar, são extraídas as componentes reais e imaginárias
dos sinais de entrada da rede, além de eliminar o efeito da componente DC na mesma.
Inferindo sobre os sinais de entrada, já comentados, a saída da rede emite 1 no caso da
falta se localizar internamente à zona protegida, e 0 caso contrário. Variando-se
parâmetros como a localização do defeito e a resistência de falta, a rede neural foi
treinada para as mais variadas condições de operação da linha de transmissão.
Os resultados apresentados no artigo mostram que, após treinada, a rede neural
artificial respondeu satisfatoriamente para todas as situações impostas ao relé em teste,
não importando a resistência de falta, ou qualquer outra condição do sistema. Além
disso, a rede adquiriu um alto poder de discriminação, com saídas acertadas mesmo para
as faltas bem próximas ao final da zona de proteção do relé. O interessante desempenho
da RNA, proposta pelo autor, é atribuído aos sinais utilizados como entrada da mesma
que, diferentemente, da maioria das propostas baseadas em redes neurais, não utiliza
diretamente os sinais de tensão e corrente provenientes da linha de transmissão.
Vasilic (2002) apresenta um algoritmo baseado em RNA para classificar e
localizar faltas em linhas de transmissão. Este algoritmo fornece, em tempo real, o tipo
de falta e a zona faltosa, a partir das amostras diretas de tensão e corrente aplicadas à
rede neural.
A RNA proposta pelo autor, para implementar a função descrita, é baseada em
algoritmo de clustering e pertence a um grupo especial de redes, denominado de redes
auto-organizativas (self-organizing maps). Conforme o artigo, tal rede possui um
17
comportamento adaptativo, possibilitando a implementação de treinamento on-line,

alterando as características da RNA para novas condições do sistema elétrico. A rede
proposta não possui camada oculta e sua estrutura depende somente dos dados de
entrada apresentados no processo de treinamento, que é realizado em duas fases
distintas: treinamento não supervisionado e treinamento supervisionado.
Para a geração do conjunto de treinamento e testes do algoritmo, foram
simulados vários cenários de operação (com e sem defeito) de uma linha de transmissão
de 345 kV, modelada no ATP. Além dos conjuntos de treinamento e teste, tais
simulações possibilitaram um estudo da influência, no treinamento e desempenho da
rede neural, de parâmetros como: tamanho da janela de dados, freqüência de corte do
filtro analógico e taxa de amostragem.
O algoritmo proposto pelo autor realiza as seguintes classificações: tipo de falta
(Normal, AN, BN, CN, AB/ABN, BC/BCN, CA/CAN, ABC/ABCN); zona faltosa
(Normal, Zona 1, Zona 2); resistência de falta (Normal, Baixa, Alta).
Conforme o autor, este artigo lança mão de uma alternativa, em termos de redes
neurais, para a classificação de faltas em linhas de transmissão, utilizando uma rede
neural diferente das tradicionalmente utilizadas MLP (Multi-Layer Perceptrons), para a
proteção de linhas de transmissão. Tal inovação é justificada em virtude da
possibilidade de contemplar-se novas direções para melhorar os algoritmos existentes
baseados em redes neurais artificiais.
Fernandez (2002) implementou um esquema para a proteção de linhas de
transmissão, baseado numa rede neural artificial com resposta finita ao impulso,
denominado FIRANN. Conforme o autor, este tipo de rede é apropriado para a predição
e processamento de sinais temporais. Visando otimizar o processo de treinamento de
tais redes, o autor propõe uma variação do método convencional de treinamento destas,
que foi denominado de “método híbrido de atualização de pesos”.
O esquema apresentado no artigo detecta a situação de defeito, as fases
envolvidas no defeito, a direção em que ocorreu o defeito, e a ocorrência de subtensão,
no sistema elétrico adotado para o presente estudo (400 kV). Esse sistema, composto
por cinco barras e três geradores, foi submetido a diversas condições de operação (com
e sem defeito), possibilitando a amostragem dos sinais de tensão e corrente em todas as
barras existentes, com uma taxa de amostragem de 2 kHz. A partir desses sinais a rede
18
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
2- As RNA utilizadas nos algoritmos trabalham como classificadores de sinais,

indicando se o defeito ocorreu dentro ou fora da zona de proteção, não oferecendo
uma localização precisa do defeito;
3- Os algoritmos possuem RNA treinadas a partir de sinais oriundos de simulações de
sistemas elétricos de potência modelados na íntegra, o que demanda um razoável
esforço inicial.
A observação dos itens 1, 2 e 3 torna evidente que existem algumas lacunas
deixadas nos atuais algoritmos para a proteção de linhas de transmissão. Sendo assim, o
que se propõe neste trabalho é um algoritmo, baseado em RNA, que atenda a certos
requisitos fundamentais, elaborados para preencher as lacunas existentes nos algoritmos
apresentados anteriormente e contribuir para o estado da arte. Tais requisitos são
descritos, genericamente, nos itens a e b apresentados a seguir.
a- O algoritmo deve ser aplicável a qualquer linha de transmissão;
b- A RNA deve atuar como um aproximador de função, e não como classificador de
sinais.
Visando satisfazer os itens a e b supracitados e contribuir para o estado da arte,
foi desenvolvido um algoritmo com as seguintes características, para a implementação
de uma proteção de distância: o algoritmo possui um comportamento genérico, ou seja,
pode ser aplicado a qualquer linha de transmissão, independentemente das
peculiaridades da mesma; o algoritmo é capaz de estimar com precisão a localização do
defeito, estimando valores de resistência e reatância a partir de amostras de tensão e
corrente (provenientes da linha de transmissão); o algoritmo proposto é passível de
treinamento através de um sistema de primeira ordem (circuito de seqüência positiva),
dispensando a necessidade da modelagem completa do sistema elétrico de potência.
Todo o raciocínio envolvido no desenvolvimento do algoritmo proposto é
apresentado em detalhes no decorrer dos capítulos subsequentes.
20
3 REDES NEURAIS ARTIFICIAIS (RNA)

A complexidade envolvida num sistema elétrico de potência, muitas vezes torna
praticamente inviável a análise deste sistema através das técnicas mais convencionais,
como as determinísticas ou probabilísticas. Em virtude dessa dificuldade procura-se
cada vez mais por técnicas alternativas, como as baseadas em inteligência artificial. Tais
técnicas muitas vezes proporcionam um caminho mais adequado para a resolução de
problemas complexos, com grande volume de dados envolvidos, como é o caso dos
grandes sistemas elétricos de potência.
Entre as técnicas de inteligência artificial, uma que desperta especial interesse
nos engenheiros de sistemas de potência são as Redes Neurais Artificiais (RNA). Nesta
técnica encontra-se grande possibilidade de resolução de problemas complexos, sem
requerer um grande formalismo matemático, comum na solução clássica.
Dependendo do tipo de problema que se deseja resolver (Proteção, Fluxo de
Carga, Confiabilidade, entre outros), as RNA podem dispor de duas características
essenciais: (DEMUTH, 1996; HAYKIN, 1994; JACKSON, 1990)
1. Capacidade de interpretação e classificação de dados;
2. Capacidade de aproximar qualquer função desejada.
Neste trabalho, que se destina à implementação de um dispositivo para a
proteção de linhas de transmissão, é feito o uso da característica de aproximação de
função da RNA. No presente capítulo, são contemplados os principais tópicos
relacionados às Redes Neurais Artificiais, visando formar uma base de conhecimento
suficiente para a apresentação do algoritmo desenvolvido.
3.1 Neurônio Biológico

O complexo sistema nervoso humano é composto por células chamadas
neurônios. O neurônio tem algumas similaridades com outras células do corpo, porém, é
a única capaz de receber, processar e transmitir sinais elétricos através do sistema de
comunicação do cérebro. A capacidade de processamento das informações (pulsos
elétricos - conhecidos como impulsos nervosos ou potenciais de ação) rende ao
neurônio biológico o título de dispositivo computacional elementar do sistema nervoso
(KOVÁCS, 1996; WASSERMAN, 1989).
21
Basicamente, o neurônio é composto pelo corpo celular (Soma - centro do

processo metabólico da célula nervosa) e por extensões filamentares: os dendritos e o
axônio. De uma forma simplificada, pode-se dizer que os neurônios são interligados
entre si, formando uma extensa cadeia de neurônios, ou uma rede neural. As
interligações entre os neurônios ocorrem através de conexões sinápticas, que unem a
saída de um neurônio (axônio) a uma das entradas de um outro neurônio (dendrito),
conforme a figura 3.1. As informações (impulsos elétricos), provenientes do axônio de
um neurônio, se manifestam pelo dendrito de outro neurônio, até atingirem o elemento
processador deste (soma), onde são comparadas com as informações oriundas de outros
neurônios. As entradas que chegam no neurônio por meio de uma conexão excitatória
contribuem para a geração de um pulso de saída do neurônio. Já as entradas que chegam
a este por meio de uma conexão inibitória, tendem a anular o pulso de saída do
neurônio. Portanto, quando o valor acumulado das entradas excitatórias ultrapassa um
certo limite, ocorre um pulso de saída no axônio do neurônio.
Figura 3.1 – Neurônio Biológico (WASSERMAN, 1989)
3.2 Neurônio Artificial

Desenvolvido por McCulloch e Pitts em meados da década de 40, o primeiro
modelo de neurônio artificial é uma simplificação do neurônio biológico. Esse modelo
consta de N entradas e uma saída, representando os dendritos e o axônio,
22
respectivamente. As conexões sinápticas são representadas através de pesos acoplados

aos terminais de entrada do modelo. O corpo do neurônio artificial proposto realiza a
soma ponderada dos sinais de entrada, gerando um pulso na saída do neurônio caso o
valor obtido ultrapasse um certo valor de limiar. A figura 3.2 apresenta o neurônio
artificial e a função de ativação degrau, adotada na versão original do neurônio de
McCulloch e Pitts.
O referido modelo original possui a principal desvantagem de representar
somente funções linearmente separáveis, ou seja, resolver unicamente problemas em
que a solução pode ser obtida pela separação de duas regiões por meio de uma reta
(BRAGA, 2000; WASSERMAN, 1989).
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 
Figura 3.2 – Perceptron e a função de ativação degrau
3.3 Redes MLP

Para suprir a deficiência do neurônio artificial exposto no item anterior
(Perceptron), Rosenblatt desenvolveu, na década de 50, as redes compostas por
Perceptrons dispostos em várias camadas, denominadas de Multilayer Perceptron
(MLP). Nestas redes, os neurônios que recebem os sinais de entrada constituem a
camada de entrada, enquanto que os neurônios na saída da rede constituem a camada de
saída. Os neurônios que se encontram entre as camadas de entrada e saída, constituem
as camadas ocultas. A figura 3.3 apresenta, a título de exemplo, uma rede MLP com seis
neurônios dispostos em três camadas.
Cada camada é composta por um conjunto de neurônios, pesos (W - Weight),
valores de polarização (B - Bias) e função de ativação (F - Function). Para efeito de
simplificação, os pesos e os valores de polarização referentes à rede apresentada na
figura 3.3, encontram-se nas matrizes apresentadas nas figuras 3.4 e 3.5. As matrizes
W1, W2 e W3, representam, respectivamente, os pesos referentes à primeira, segunda e
23
terceira camada da rede em questão. De forma análoga, os valores de polarização são

representados pelas matrizes B1, B2 e B3.
Primeira Segunda Terceira

Camada Camada Camada
E1 F,1
F,4
S
E2 F,2 F,6
F,5
E3 F,3
Figura 3.3 – Rede MLP com 3 camadas
WE1,1 WE1, 2 WE1,3  W1, 4 W1,5 

    W4,6 
W 1 = WE 2,1 WE 2, 2 WE 2,3  W 2 = W2, 4 W2,5  W3 =  
W  W  W5,6 
 E 3,1 WE 3, 2 WE 3,3   3, 4 W3,5 
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
oculta”. Normalmente as funções não lineares utilizadas em RNA são a função

sigmóide e a função tangente hiperbólica, apresentadas na figura 3.6 (HAYKIN, 1994;
JACKSON, 1990; WASSERMAN, 1989). Tais funções são extensamente utilizadas
devido à conveniência das suas respectivas derivadas, utilizadas na fase de atualização
dos pesos do algoritmo Backpropagation, conforme o item 3.4. A figura 3.7 ilustra o
efeito da polarização do neurônio, deslocando a função sobre o eixo das abcissas,
implicando em valores de entrada maiores para a obtenção de respostas próximas à
saturação.
f(x) f(x)
-1
Figura 3.6 – Funções sigmóide e tangente hiperbólica
f(x) f(x)
x
Polarização
-1
x
Polarização
Figura 3.7 – Efeito da polarização sobre as funções sigmóide e tangente hiperbólica

25
Redes MLP procuram, simplificadamente, simular o comportamento do cérebro

humano, processando as informações presentes na camada de entrada da RNA, até a
camada de saída desta, transportando tais informações ao longo de uma rede de
neurônios artificiais, dispostos em várias camadas. As conexões sinápticas presentes no
sistema biológico são simuladas nas RNA, através de pesos localizados nas entradas de
cada neurônio artificial. O ajuste desses pesos traduz o conhecimento adquirido pela
RNA, e é conseguido a partir de um processo de aprendizado da mesma – treinamento
da RNA. Quanto ao processo de aprendizado das redes MLP, pode-se dizer que
inicialmente este constituiu a sua maior desvantagem, visto que não havia um
mecanismo automático para os ajustes dos pesos existentes na rede. Este fato reduziu as
pesquisas baseadas na utilização das RNA durante muitos anos (BRAGA, 2000;
JACKSON, 1990; WASSERMAN, 1989).
Em 1986, Rumelhart, Hilton e Willians, desenvolveram um algoritmo capaz de
treinar redes de várias camadas, despertando novamente o interesse da comunidade
científica pelas RNA. O algoritmo desenvolvido é conhecido como Backpropagation e
constitui uma forma eficaz e sistemática de ajustar os pesos da RNA, fazendo com que
esta “aprenda” uma função de interesse. O processo de ajuste de pesos da RNA é
normalmente denominado “Treinamento da Rede”, e pode ser supervisionado ou não
supervisionado, conforme apresentado no próximo item. O algoritmo Backpropagation
para ajustes dos pesos de redes MLP também é detalhado na seqüência.
3.3.1 Tipos de Treinamento

Para ajustar os pesos da RNA de forma que esta “aprenda” uma função de
interesse, ou seja, adquira “conhecimento”, é necessário que a mesma passe por um
processo de treinamento. Após tal processo, a RNA é submetida a um teste de
generalização, que visa, através da análise das suas respostas, diante de situações
desconhecidas, verificar se a mesma “aprendeu” corretamente a tarefa desejada. O
processo de treinamento da RNA pode ser realizado basicamente de duas maneiras:
Treinamento supervisionado: neste caso existem pares de vetores entrada/saída
conhecidos (denominados de conjunto de treinamento). Para cada vetor de entrada
(conhecido) aplicado à RNA, compara-se a saída emitida pela rede (calculada) com a
saída esperada (conhecida). Caso a saída emitida pela RNA, para uma determinada
entrada, não seja a saída esperada, os pesos da rede são alterados de forma a minimizar
26
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.
3.4 Algoritmo Backpropagation

O algoritmo Backpropagation foi desenvolvido para redes de neurônios de
múltiplas camadas (MLP), resolvendo uma das limitações fundamentais para o
treinamento de redes complexas. Conforme Kovács (1996), o objetivo deste algoritmo é
determinar novos pesos (novo vetor W) para a RNA, visando reduzir o erro quadrático
entre o par de vetores saída desejada e saída calculada. A figura 3.8 apresenta uma
descrição de alto nível do algoritmo Backpropagation (HERTZ, 1991; LOONEY, 1997;
RUSSELL, 1995; WASSERMAN, 1989).
27
Início
Fixa parâmetros
de treinamento
(1)
Inicia aleatoriamente
pesos e valores de polarização
(2)
Fase "Forward"
Calcula o vetor de saída
da RNA
(3)
Calcula o vetor de erro

da camada de saída
(4)
Erro desejado ou Sim

Armazena pesos e
número máximo de
valores de polarização
iterações atingido?
(5)
Não
Fase "Backward"
Atualiza os pesos da RNA
(6)
Figura 3.8 – Diagrama de alto nível do algoritmo Backpropagation
Passo 1: Para uma determinada arquitetura de RNA, fixam-se os parâmetros de

treinamento, tais como: taxa de aprendizado (tamanho do passo para a correção dos
pesos), número máximo de iterações e erro máximo desejado sobre o conjunto de
treinamento;
Passo 2: Iniciam-se aleatoriamente os pesos e valores de polarização da RNA;
Passo 3: Dado um conjunto de treinamento, calcula-se o vetor de saída da RNA;
Passo 4: Determina-se o erro, na camada de saída, referente ao conjunto de treinamento
apresentado;
Passo 5: Verifica-se se o número máximo de iterações ou o erro máximo desejado,
ambos fixados no passo 1, foi atingido. Em caso afirmativo, os valores dos pesos e de
polarização são armazenados e o treinamento é encerrado. Caso contrário, tais valores
são recalculados no passo 6 e retorna-se ao passo 3.
28
Passo 6: Segundo Wasserman (1989), os pesos são recalculados na camada de saída e

na primeira camada oculta (na fase Backward), conforme os itens a e b, descritos na
seqüência:
a- Atualiza-se o peso que interliga dois neurônios p e q (Wpq), pertencentes,
respectivamente, às camadas j e k, sendo k a camada de saída, mediante as
expressões 3.1 – 3.2.
∆W pq ,k = δg q ⋅ E ⋅ O p , j ⋅ η (3.1)
W pqn +,1k = W pqn ,k + ∆W pq ,k (3.2)
onde:
δg q = Derivada da função de ativação do neurônio q;
Op,j = Saída do neurônio p na camada oculta j;

E = Sinal de erro na saída do neurônio q, produzido pela diferença entre a saída
desejada e a saída calculada;
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)
Wipn,+j1 = Wipn, j + ∆Wip , j (3.5)
onde:
δ n,k = Erro calculado na saída de cada um dos n neurônios, presentes na camada de

saída k, multiplicados pela função de ativação desses neurônios;
W pn ,k = Pesos que interligam os n neurônios, presentes na camada de saída k, com o
neurônio p, presente na camada oculta j;

E’ = Estimativa do erro na saída do neurônio p, presente na camada oculta j;
δg p = Derivada da função de ativação do neurônio p;
Oi,z = Saída do neurônio i na camada z;
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.
3.4.1 Características do Algoritmo Backpropagation
Ajustes dos Parâmetros

Com relação ao ajustes dos parâmetros de treinamento, não existe um regra
clara, ou seja, determina-se a taxa de aprendizado (η ) , o número máximo de iterações e
o erro máximo desejado, normalmente na base da tentativa e erro. À medida que os
resultados surgem, e através das observações destes, refina-se o processo de
treinamento, procurando minimizar o tempo de treinamento ou o erro máximo atingido
pela RNA. Um exemplo do ajuste empírico dos parâmetros é apresentado a seguir:
1- Taxa de aprendizado com valores elevados - a atualização dos pesos da rede é
realizada através de grandes variações, podendo inicialmente provocar uma queda
acentuada no erro atingido pela rede e, posteriormente, impedir a convergência da
mesma, levando-a a uma condição de instabilidade. A figura 3.9 ilustra, a título de
30
exemplo, a trajetória do par peso(W)/polarização(B) partindo do valor inicial Wi/Bi

em direção ao valor ideal Wf/Bf, durante o treinamento de uma hipotética RNA. No
caso (A) houve poucos passos entre estes dois pontos, entretanto, devido à grande
variação na atualização dos pesos, a rede não converge, tornando-se instável
próximo ao ponto desejado.
2- Taxa de aprendizado com valores pequenos – A rede não corre o risco de ficar
instável, entretanto o processo de treinamento torna-se extremamente lento, visto
que os pesos são atualizados com pequenas variações. A lentidão no processo de
treinamento pode fazer com que o número máximo de iterações seja atingido, ainda
num erro elevado. Novamente, para ilustrar, no caso (B) da figura 3.9 a rede
necessita de vários passos para atingir o ponto desejado, o que torna o processo
extremamente lento. Em contrapartida, não há problema de instabilidade.
B B
Bi Bi
Bf Bf
W W
Wi Wf Wi Wf
(A) (B)
Figura 3.9 – Processo de treinamento da RNA com taxas de aprendizado diferentes
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
3.10, que inicialmente a variação do passo em direção ao ponto desejado Wf/Bf é

grande, diminuindo à medida que se aproxima do referido ponto, fazendo o treinamento
significativamente mais rápido e estável.
Erro B
Bi
Mínimo
Mínimo
Global
Local
Bf
W,B W
Wi Wf
Figura 3.10 – Superfície de erro e treinamento com o método momentum
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
erroneamente (DEMUTH, 1996; NEURALWARE, 1993). O problema de overfitting

pode ser evitado adotando-se um dos seguintes procedimentos:
1- Aplicação de um conjunto de validação durante o treinamento da RNA: Esse
conjunto de validação, aplicado à RNA, em intervalos regulares, durante a fase de
treinamento, indica se a rede está incidindo em overfitting. Tal problema é
constatado quando o erro gerado pelo conjunto de validação cresce com o decorrer
do treinamento da rede. Neste caso, após um certo número de iterações com erro
crescente, o treinamento é finalizado, salvando os pesos e os valores de polarização
dos neurônios. Este método, que interrompe o treinamento da rede, em caso de
overfitting, é denominado de “Parada Antecipada”.
2- Eliminar conexões da RNA durante o treinamento: Este método elimina as conexões
que possuem pesos não significativos para o desempenho global da RNA, ou seja,
pesos abaixo de um valor mínimo de limiar. Este procedimento evita que os dados
do conjunto de treinamento sejam “memorizados”, e não “aprendidos” pela RNA,
causando o overfitting. Tal procedimento é denominado de Pruning.
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
referente somente a um par de vetores entrada/saída do conjunto de treinamento. No

tocante à velocidade de treinamento, esse estilo é geralmente mais rápido.
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.
3.5 Redes Neurais Artificiais no Desenvolvimento do

Algoritmo Proposto
Oportunamente, serão apresentadas as configurações das RNA propostas neste
trabalho, bem como todos os parâmetros utilizados no processo de treinamento destas.
Entretanto, cabe salientar neste ponto, que no presente trabalho foram utilizadas redes
MLP, com treinamento supervisionado, algoritmo Backpropagation (com o método
momentum) e estilo de treinamento Batch. Tal opção foi realizada em virtude desta
configuração se mostrar a mais adequada para os fins deste trabalho, que visa a
implementação de Redes Neurais Artificiais para determinar a resistência e a reatância
“vista” por um relé de distância, instalado em um dos terminais de uma linha de
transmissão. Conforme o capítulo “Estado da Arte”, a configuração escolhida é típica
para a aplicação de RNA em sistemas de potência.
34
4 PROPOSTA DO RELÉ BASEADO EM RNA

A proposta principal deste trabalho é o desenvolvimento de um algoritmo,
baseado em Redes Neurais Artificiais (RNA), para efetuar a proteção de linhas de
transmissão. A contribuição principal do algoritmo desenvolvido é a sua capacidade de
ser empregado em qualquer linha de transmissão, independentemente das peculiaridades
da mesma. Essa característica de ser genérico, tida como principal para o algoritmo
desenvolvido, é o que o diferencia dos demais algoritmos baseados em RNA, os quais
são projetados para resolver problemas de uma situação específica, ou seja, treinados
para operar em uma única linha de transmissão. Essa limitação, própria das RNA, é
causada pelos casos utilizados no processo de treinamento das mesmas, que são gerados
a partir da situação problema (ou seja, da linha que se deseja proteger). Para tornar o
algoritmo baseado em RNA genérico, foi desenvolvido um esquema de pré e pós-
processamento dos sinais de tensão e corrente, o qual é descrito em detalhes nos itens a
seguir.
4.1 Diagrama Funcional do Relé Digital de Distância

Para um diagrama funcional típico de relé digital, conforme o apresentado na
figura 4.1, o algoritmo desenvolvido é alocado no bloco microprocessador.
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
Entradas Proteção e Isolação

Digitais Galvânica do Sinal
Sistema de Entrada Digital
Interface
Local
Figura 4.1 – Diagrama funcional típico dos Relés Digitais

35
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
Figura 4.2 – Fluxo dos sinais de tensão e corrente no algoritmo proposto
4.1.1 Digitalização do Sinal

No processo de digitalização do sinal, os dois parâmetros mais importantes são a
resolução do conversor A/D e a freqüência de amostragem. Com relação ao primeiro
parâmetro, conversores com resolução de 12 a 16 bits garantem um baixo ruído de
amostragem e uma boa precisão em toda a faixa dinâmica de operação do relé. Já com
36
relação à freqüência de amostragem, foram analisadas as freqüências típicas de 16 e 32

amostras por ciclo, utilizadas em grande parte dos equipamentos comerciais. Com essas
freqüências de amostragem procura-se limitar a carga computacional imposta ao
microprocessador. No algoritmo proposto, estas duas freqüências de amostragem são
utilizadas, proporcionando um estudo comparativo da freqüência de amostragem mais
conveniente para a aplicação em questão.
4.1.2 Filtragem Analógica do Sinal

Conforme é sabido da teoria de processamento de sinais, para reconstituir um
sinal cuja máxima freqüência é Fc, é preciso que o mesmo seja amostrado com no
mínimo o dobro dessa freqüência (Fa ≥ 2.Fc – Condição de Nyquist). Caso esta
condição não seja respeitada, haverá a sobreposição dos espectros de freqüência do sinal
amostrado, gerando o erro de Aliasing, impedindo que o sinal original seja fielmente
reconstituído. A figura 4.3 ilustra essa situação, apresentando a sobreposição dos
espectros de freqüência, que deteriora as informações contidas no espectro de
freqüência da banda básica. Para que a condição de Nyquist seja satisfeita, deve-se,
portanto, utilizar um filtro analógico passa-baixa que limita o espectro do sinal
analógico abaixo de Fa/2. Esta situação é ilustrada na figura 4.4, que apresenta a
resposta em freqüência de um filtro passa-baixa (ideal e real) utilizado para eliminar as
freqüências acima de Fa/2.
No presente trabalho, para fins de comparação de desempenho, os sinais
provenientes dos TP e TC são amostrados com as freqüências de 960 Hz e 1920 Hz,
impondo, dessa maneira, que o sinal original seja limitado nas freqüências de 480 Hz e
960 Hz, respectivamente, em cada uma dessas alternativas. Para o algoritmo em
questão, estima-se que sinais de tensão e corrente com componentes de freqüência de
até 480 Hz possuem informações suficientes para um desempenho adequado do mesmo.
Além disso, um filtro projetado para atenuar de forma acentuada as componentes acima
de 480 Hz, permanece eficaz para freqüências de amostragem maiores, podendo,
portanto, ser utilizado em ambos os casos (Fa = 960 Hz e Fa = 1920Hz). Como
alternativa à solução do filtro de 480 Hz, pode-se optar pela utilização de filtros
distintos para cada freqüência de amostragem. Dessa forma, um segundo filtro que
atenua de forma acentuada as freqüências superiores a 960 Hz é empregado,
37
possibilitando avaliar o desempenho do algoritmo proposto, processando informações

de até 960 Hz.
Sobreposição dos
espectros de freqüência
V, I
Banda Banda
básica secundária
0 f(Hz)
Fc Fa
Figura 4.3 – Sobreposição dos espectros de freqüência do sinal
V, I
Banda Banda
básica secundária
0 f(Hz)
Fc Fa
Ideal
Real
Figura 4.4 – Espectros de freqüência para Fa ≥2.Fc (condição de Nyquist)
O filtro projetado para ser utilizado no algoritmo em questão provém da opção

de se utilizar um único filtro para as freqüências de amostragens de 960 Hz e 1920 Hz, e
possui as seguintes características: filtro analógico classe Butterworth, passa-baixa,
ordem 3 e freqüência de corte de 200 Hz. A freqüência de corte deste filtro foi
determinada de forma a impor uma atenuação de no mínimo dez vezes para as
componentes de freqüência superiores a 480 Hz. As respostas em freqüência para os
filtros analógicos discutidos neste item (ordem 3 e freqüência de corte de 200 Hz ou
38
freqüência de corte de 400 Hz) são apresentadas na figura 4.5. Analogamente ao

procedimento descrito para a determinação da freqüência de corte de 200 Hz, a
freqüência de corte de 400 Hz foi determinada de forma a impor uma atenuação de no
mínimo dez vezes para as componentes de freqüência superiores a 960 Hz.
Figura 4.5 – Resposta em freqüência dos filtros analógicos
4.2 Algoritmo do Elemento de Medição da Impedância

É importante destacar que o algoritmo a ser desenvolvido é relativo somente ao
módulo de medição da impedância de falta, ficando subentendido que a detecção do
defeito e a classificação do mesmo são realizadas pelos métodos convencionais. A
abordagem de tais métodos encontra-se fora do escopo deste trabalho.
Conforme salientado anteriormente, o relé de distância utiliza seis elementos de
medição para estimar corretamente a impedância para os dez tipos possíveis de falta.
Desses seis elementos, três são denominados de elementos de fase (AB, BC e CA) e
monitoram as faltas envolvendo duas ou mais fases. Os outros três elementos são
denominados de elementos de terra (AN, BN, CN) e monitoram as faltas envolvendo
uma fase e a terra.
No algoritmo proposto, os elementos de fase e de terra são implementados com
RNA que, a partir das entradas com os sinais de tensão e corrente, devidamente
processadas, determinam a cada instante a impedância de seqüência positiva “vista”
pelo relé, em relação à sua localização. Para realizar tal tarefa, o algoritmo de medição
desenvolvido possui as etapas de pré-processamento, RNA e pós-processamento.
39
A etapa de pré-processamento está presente em cada elemento de medição do

algoritmo, sendo responsável pela geração dos sinais de entrada das RNA, conforme
ilustram as figuras 4.6.a e 4.6.b, para o elemento de fase AB e o elemento de terra AN.
Para os demais elementos do algoritmo, processamento análogo ao apresentado para os
elementos AB e AN são utilizados. Esta etapa será discutida em detalhes no item 4.2.1.
Na etapa das RNA, os sinais pré-processados, referentes a cada elemento de
medição, são aplicados a duas RNA convenientemente treinadas, que determinam a
resistência e a reatância “vistas” pelo relé, a partir de seu ponto de localização. Uma vez
que os sinais de entrada das RNA foram normalizados pela etapa de pré-processamento,
os valores de resistência e reatância na saída dessas redes, também encontram-se
normalizados. Os detalhes da etapa das RNA são apresentados no item 4.2.2.
Na etapa de pós-processamento, os valores normalizados nas saídas das RNA
são novamente passados para valores de resistência e reatância em Ohms. Após essa
etapa, os valores de impedância são submetidos ao módulo que testa as zonas de
proteção do relé e decide pela geração ou não do sinal de trip. Detalhes desta etapa
serão discutidos no item 4.2.3.
_
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
Etapa de pré-processamento Etapa das RNA Etapa de pós-processamento
Figura 4.6.a – Etapas do algoritmo proposto - elemento de fase AB

40
_
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
(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
Determina iar e forma

Normalização da
janela de dados com
janela de dados _
iar(k) iar(k)
_
iar(k-1) iar(k-1)
_
iar(k-2)... iar(k-2)...
_
iar(k-M+1) iar(k-M+1)
Etapa de pré-processamento Etapa das RNA Etapa de pós-processamento
Figura 4.6.b – Etapas do algoritmo proposto - elemento de terra AN
4.2.1 Etapa de Pré-Processamento

A função desta etapa é gerar os sinais de entrada para as RNA, conforme
apresentado nas figuras 4.6.a e 4.6.b, para os elementos de medição AB e AN. A partir
das referidas figuras, observa-se que as etapas de pré-processamento dos elementos de
fase e dos elementos de terra do algoritmo são diferentes. Entretanto, o mesmo
tratamento é dado a todos os elementos de fase (AB, BC e CA), diferindo apenas nos
sinais de entrada utilizados por cada elemento de medição. Analogamente, todos os
elementos de terra (AN, BN e CN) sofrem o mesmo processamento, tendo como única
diferença os sinais de entrada utilizados em cada elemento de medição. Sendo assim,
neste item será abordado o esquema de pré-processamento imposto aos sinais de entrada
dos elementos de fase e de terra do algoritmo em questão.
4.2.1.1 Geração dos Sinais de Entrada nos Elementos de Medição
Conforme destacado na abordagem sobre o relé de distância convencional, a

corrente utilizada pelo elemento de terra do relé deve ser corrigida, de forma que resulte
num equacionamento utilizando somente a impedância de seqüência positiva. Para isso,
foi utilizado o fator de compensação m (equação 1.10) que, quando se trabalha no
domínio da freqüência, é aplicado diretamente sobre a corrente de linha que chega em
41
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.
Relé Ponto de falta
ia
Ra La
Lab Lca
ib
Rb Lb
va va'
Lbc
ic
Rc Lc
in
Rn Ln
Figura 4.7 – Linha de transmissão com capacitância desprezível
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
Assumindo a linha idealmente transposta
Lab = Lbc = Lca = Lm (4.2)

La = Lb = Lc = Ls (4.3)
Ra = Rb = Rc = Rs (4.4)
Substituindo as expressões 4.2 – 4.4 em 4.1
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
Reescrevendo a expressão 4.5, em termos de componentes de seqüência zero e

positiva, considerando as relações apresentadas em 4.6 – 4.10, chega-se à expressão
4.11 e, conseqüentemente, 4.12
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)
Reescrevendo a expressão 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 
ou, de outra forma,
d
v a − v a ' = R 1 ⋅ i ar + L1 ⋅ i ax (4.14)
dt
Estendendo a equação 4.14 para as três fases,
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
R1, R0 = Resistências de seqüência positiva e zero do trecho com defeito (Ohms);

r1, r0 = Resistências de seqüência positiva e zero da linha (Ohms/km)
L0, L1 = Indutâncias de seqüência positiva e zero do trecho com defeito (Ohms);
l0, l1 = Indutâncias de seqüência positiva e zero da linha (Ohms/km);
va, vb e vc = Tensão nas fases A, B e C no local do relé;
va’, vb’ e vc’ = Tensão nas fases A, B e C no local da falta;
ia, ib e ic = Corrente de linha nas fases A, B e C;
i0 = Corrente de seqüência zero;
Kr e Kx = Fator de compensação.
Obs: As correntes iar, iax, ibr, ibx, icr e icx (correntes de linha, das fases A, B e C,
multiplicadas pelos seus respectivos fatores de compensação Kr e Kx) serão
denominadas, genericamente, daqui por diante, de correntes compensadas ir e ix.
As expressões 4.15 – 4.17 são válidas para qualquer tipo de defeito na linha,
sendo a seguir particularizadas para os casos de defeitos monofásicos e defeitos
envolvendo mais de uma fase.
44
Defeitos de uma fase para a terra

Para os defeitos sólidos envolvendo uma fase e a terra, tem-se uma das três
situações a seguir:
1- Fase A em curto-circuito com a terra

d
va ' = 0 ⇒ v a = R 1 ⋅ i ar + L1 ⋅ i ax (4.26)
dt
2- Fase B em curto-circuito com a terra

d
vb ' = 0 ⇒ v b = R 1 ⋅ ibr + L1 ⋅ ibx (4.27)
dt
3- Fase C em curto-circuito com a terra

d
vc ' = 0 ⇒ v c = R 1 ⋅ icr + L1 ⋅ icx (4.28)
dt
Defeitos envolvendo mais de uma fase

Para os defeitos que envolvem mais de uma fase, tem-se uma das três situações a
seguir:
1- Curto-circuito entre as fases A e B (AB ou ABN)

Subtraindo 4.16 de 4.15, e impondo-se v a ' = vb ' (curto-circuito sólido entre as
fases A e B), chega-se a 4.29.
d
v ab = R 1 ⋅ (i a − ib ) + L1 ⋅ (i a − ib ) (4.29)
dt
2- Curto-circuito entre as fases B e C (BC ou BCN)

Subtraindo 4.17 de 4.16, e impondo-se vb ' = v c ' (curto-circuito sólido entre as
fases B e C), chega-se a 4.30.
d
v bc = R 1 ⋅ (ib − i c ) + L1 ⋅ (ib − ic ) (4.30)
dt
45
3- Curto-circuito entre as fases C e A (CA ou CAN)

Subtraindo 4.15 de 4.17, e impondo-se v c ' = v a ' (curto-circuito sólido entre as
fases C e A), chega-se a 4.31.
d
v ca = R 1 ⋅ (ic − i a ) + L1 ⋅ (ic − i a ) (4.31)
dt
A partir das expressões 4.26 – 4.28 constata-se que os valores de resistência e

reatância, “vistas” pelo relé, na ocasião de um curto-circuito monofásico, dependem
exclusivamente da tensão de fase (vf) e das correntes compensadas (ir e ix) no ponto de
instalação do relé. Dessa maneira, o esquema mostrado na figura 4.8 se apresenta como
uma razoável opção para a implementação das RNA que, através das amostras de tensão
e corrente, devidamente processadas, são capazes de estimar a resistência e a reatância,
do relé até o ponto da falta.
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)
Figura 4.8 – Esquema baseado em RNA para a estimativa de R e X – Elemento de terra
O esquema baseado em RNA, apresentado na figura 4.8, é utilizado para a

medição da resistência ou da reatância “vista” pelo relé durante um curto-circuito fase-
46
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.
iar (k ) = ia (k ) + Kr.i 0 (k ) (4.32)
iax (k ) = ia (k ) + Kx.i 0 (k ) (4.33)
ibr (k ) = ib (k ) + Kr.i 0 (k ) (4.34)
ibx (k ) = ib (k ) + Kx.i 0 (k ) (4.35)
icr (k ) = ic (k ) + Kr.i 0 (k ) (4.36)
icx (k ) = ic (k ) + Kx.i 0 (k ) (4.37)

47
va (k ) (4.38)
vb (k ) (4.39)
vc (k ) (4.40)
k = Representação da amostra mais recente.

As tensões de fase (4.38 – 4.40), denominadas genericamente de vf, na figura
4.8, são geradas diretamente da amostragem das tensões va, vb e vc. Exemplificando a
proposta apresentada na figura 4.8, a seguir são apresentados os sinais de entrada do
elemento de terra AN, supondo uma janela de dados de M amostras (vide figura 4.11,
onde M = 4). É importante perceber que os sinais de entrada para as duas RNA (R e X)
são idênticos, no entanto, uma das redes responde a esses sinais com a resistência e a
outra com a reatância, conforme o treinamento efetuado. Para a determinação dos sinais
de entrada dos demais elementos de terra, raciocínio análogo deve ser empregado.
Sinais de entrada para estimar a resistência e a reatância (sinais de entrada

das redes R e 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 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) ]
Otimização das RNA utilizadas nos elementos de terra do algoritmo

Visando otimizar as RNA utilizadas nos elementos de terra do algoritmo (rede R
e rede X), foi efetuada uma redução no número de sinais de entrada aplicados a cada
rede. Essa medida tem como objetivo diminuir o número de neurônios na camada de
entrada dessas RNA e, por conseguinte, o número de operações matemáticas e a carga
computacional imposta ao “hardware” responsável pela implementação do algoritmo
(conceitos discutidos nos capítulos 5 e 6).
48
A nova configuração adotada prevê a estimativa da resistência através das

amostras da corrente compensada ir e da tensão de fase vf, dispensando, portanto, a
corrente compensada ix. Nesta mesma linha, a estimativa da reatância se dá através das
amostras da tensão de fase vf e da corrente compensada ix, dispensando o uso da
corrente compensada ir. Tal conceito é ilustrado na figura 4.9. Percebe-se, através da
nova configuração proposta, que os elementos de terra do algoritmo são formados por
redes de mesma arquitetura, porém, com vetores de entrada 33% menores do que
aqueles utilizados na rede considerada inicialmente (figura 4.8). A diferença, neste caso,
está no processo de treinamento adotado, que utilizou somente as amostras de vf e ir
para treinar a rede que estima a resistência, e vf e ix para treinar a rede que estima a
reatância. Isso é possível porque, diferentemente do método clássico, as RNA
mostraram-se capaz de mapear (“aprender” a função desejada) a resistência ou a
reatância, somente em função da tensão de fase vf e das correntes compensadas ir ou ix,
respectivamente. Esta configuração otimizada de RNA foi a selecionada para a
implementação dos elementos de terra do algoritmo proposto. Os detalhes sobre o
processo de treinamento dessas redes, bem como, os excelentes resultados obtidos na
fase de testes das mesmas, são apresentados nos capítulos 5, 6 e 7. Respaldado por esses
resultados, verifica-se que a nova configuração proposta para as RNA traz um
significativo ganho em termos de redução de carga computacional, sem comprometer
em nada as medidas de resistência e reatância executadas pelos elementos de terra do
algoritmo.
49
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)
Figura 4.9 – Nova configuração do esquema baseado em RNA para a estimativa de R e X –

Elemento de terra
Os sinais de entrada do elemento de terra AN, relativos à configuração da RNA

otimizada, para uma janela de dados de M amostras, são apresentados a seguir. Este
esquema foi o utilizado na implementação final do algoritmo proposto. Para os demais
elementos de terra do algoritmo, o mesmo raciocínio deve ser empregado, salvo os
sinais de entrada de cada elemento de medição.
Sinais de entrada para estimar a resistência (sinais de entrada da rede R)
[
[
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 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)
A título de exemplo, os sinais de entrada utilizados no elemento de fase AB,

para uma janela de dados de M amostras, são apresentados na seqüência.
Sinais de entrada para estimar a resistência (sinais de entrada da rede R)
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) ]
51
Sinais de entrada para estimar a reatância (sinais de entrada da rede X)
[
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
Figura 4.10 – Esquema baseado em RNA para a estimativa de R e X – Elemento de fase
Conforme apresentado na figura 4.11, considerando os sinais das fases A e B,

para cada sinal de entrada existe uma janela de dados com M amostras, sendo nos
52
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.
ia, ib, iab,

van, vbn, vab
iar, iax
T(s) T(s)
Figura 4.11 – Janelas de dados sobre os sinais de tensão e corrente das fases A e B
4.2.1.2 Utilização de Valores Normalizados
Como parte do processo, para proporcionar um comportamento genérico ao

algoritmo, a cada nova amostra de tensão e corrente, as janelas de dados dos sinais dos
seis elementos de medição são normalizadas. Dessa forma, pretende-se que os sinais de
entrada, que constituem os vetores de entrada das RNA, fiquem independentes do nível
de tensão da linha de transmissão protegida. Essa medida ainda visa satisfazer a
condição imposta pela função de ativação dos neurônios presentes na camada de entrada
das RNA, que só permite vetores de entrada com valores limitados entre –1 e +1 –
função tangente hiperbólica (Tansig).
A normalização de uma janela de dados é realizada a partir da divisão de todos
os seus elementos (amostras), pelo elemento de maior valor absoluto. Quando este
procedimento é realizado numa janela de dados de tensão, o maior elemento da janela é
chamado de Vb (tensão de base da janela). Já quando o procedimento ocorre numa
janela de dados de corrente, o maior elemento é chamado de Ib (corrente de base da
janela). A cada nova janela de dados a relação entre Vb e Ib gera Zb, denominado de
impedância de base da janela de dados. Esse procedimento é retratado nos pontos (1 - 5)
53
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.
1- Sinais de entrada para o elemento AB
[
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) ]
3- Determina a impedância de base para o instante da amostra k
Vbab (k )
Zbab (k ) = (4.47)
Ibab (k )
54
4- Normaliza as amostras do sinal de entrada
Janela do sinal v ab ( nor ) =

Janela do sinal v ab
Vbab (k )
[
= v ab (k ) v ab (k −1) v ab (k − 2 ) L v ab (k − M +1) ]
Janela do sinal iab ( nor ) =

Janela do sinal iab
Ibab (k )
[
= i ab (k ) i ab (k −1) i ab (k − 2 ) L i ab (k − M +1) ]
5- Forma os vetores de entrada das RNA

v ab (k ) 
 
v ab (k −1) 
 
v ab (k − 2 ) 
 M 
 
 Janela do sinal v ab ( nor )  v ab (k − M +1) 
Vetor de entrada ( AB ) =  = 
 Janela do sinal iab ( nor )  i ab (k ) 
i 
 ab (k −1) 
i ab (k − 2 ) 
 
 M 
 
i ab (k − M +1) 
Onde o índice “nor” indica que a janela de dados está normalizada.
Conforme salientado anteriormente, o relé proposto consta de duas RNA para

cada elemento de medição, sendo em cada elemento, uma rede para determinar a
resistência e outra para determinar a reatância. Independentemente do elemento de
medição, todas as redes que estimam a resistência são iguais entre si, sendo que o
mesmo ocorre com as redes que estimam a reatância. Portanto, em função do elemento
de medição que se deseja representar, faz-se necessária somente a alteração do vetor de
entrada das respectivas RNA. O vetor de entrada de cada RNA é obtido mediante a
adequada associação da janela de dados de tensão e corrente, para o elemento de
proteção que se deseja implementar. As figuras 4.6.a e 4.6.b ilustram os dois pares de
redes neurais dos elementos de medição AB e AN, com as suas respectivas entradas.
Como já observado, para cada RNA o vetor de entrada possui os M primeiros elementos
55
referentes à janela de dados de tensão, seguido de outros M elementos referentes à

janela de dados de corrente.
Neste trabalho foram analisadas janelas de dados de 4, 8, 12 e 16 amostras,
implicando em RNA com 8, 16, 24 e 32 entradas, respectivamente. Em termos de
arquitetura da RNA, neste trabalho, o número de entradas da rede é sempre igual ao
comprimento do vetor de entrada da mesma, ou seja, duas vezes o comprimento da
janela de dados utilizada (uma janela de tensão e outra de corrente). A título de
esclarecimento, e antecipando um dos assuntos abordados no capítulo 5, cabe salientar
que na fase de treinamento das RNA, são utilizados inúmeros vetores de entrada
semelhantes ao apresentado no passo 5 (entretanto sem discriminação de fase, somente
utilizando amostras dos sinais de tensão e corrente). Para cada um desses vetores existe
um valor de resistência e reatância associado, possibilitando treinar as RNA para
estimarem R ou X a partir de uma seqüência de amostras dos sinais de tensão e corrente.
Esse processo de empregar vetores de entrada/saída conhecidos para o treinamento da
RNA é denominado de treinamento supervisionado, enquanto que a avaliação das RNA
frente a novos vetores (situações desconhecidas) é conhecida como teste de
generalização da rede.
4.2.2 Etapa das Redes Neurais Artificiais (RNA)

A etapa das RNA é o núcleo do algoritmo desenvolvido e consta, basicamente,
de redes previamente treinadas para aproximar funções. No presente trabalho, são
utilizados dois tipos de redes neurais: a primeira treinada para determinar o valor da
resistência (rede R); a segunda treinada para determinar o valor de reatância (rede X).
Estas duas redes determinam esses valores a partir das amostras de tensão e corrente,
aplicadas nas suas entradas, por intermédio dos seus respectivos vetores de entrada.
Tanto os valores de entrada, como os valores de saída da rede neural, encontram-se
normalizados. Isso se deve em parte à imposição da função de ativação utilizada nas
camadas de entrada e saída das RNA (tangente hiperbólica, –1 a +1) porém,
principalmente, como parte do esquema para proporcionar um funcionamento genérico
do algoritmo, ficando este independente do nível de tensão da linha de transmissão
protegida.
A figura 4.12 apresenta a RNA utilizada neste projeto para processar o vetor de
entrada do elemento de medição AB, supondo uma janela de dados com M amostras.
56
_
vab(k)
_
vab(k-M+1)
_ _
R ou X
Saída
_
iab(k)
3 camada
_
iab(k-M+1) 2 camada
Entrada
1 camada
Figura 4.12 – Exemplo de RNA utilizada no algoritmo proposto
Conforme ressaltado anteriormente, em cada elemento de medição existem duas

RNA idênticas a apresentada na figura 4.12, sendo uma para o cálculo de R e outro para
o cálculo de X. A definição da informação de saída da rede (R ou X) é determinada pelo
seu conjunto de treinamento (que gera pesos e valores de polarização adequados para a
RNA desejada) e pelo seu vetor de entrada. As tabelas 4.1 e 4.2 apresentam os sinais de
entrada (normalizados) para as RNA que constituem, respectivamente, os elementos de
fase e de terra do algoritmo proposto. A etapa de RNA que processa tais sinais, em cada
elemento de medição, é apresentada nas figuras 4.13 e 4.14.
57
Elementos de Fase
AB BC CA
Rede R Rede X Rede R Rede X Rede R Rede X
vab(k) vab(k) vbc(k) vbc(k) vca(k) vca(k)

Sinais de vab(k-1) vab(k-1) vbc(k-1) vbc(k-1) vca(k-1) vca(k-1)
Tensão vab(k-2) vab(k-2) vbc(k-2) vbc(k-2) vca(k-2) vca(k-2)
vab(k-M+1) vab(k-M+1) vbc(k-M+1) vbc(k-M+1) vca(k-M+1) vca(k-M+1)
iab(k) iab(k) ibc(k) ibc(k) ica(k) ica(k)
Sinais de iab(k-1) iab(k-1) ibc(k-1) ibc(k-1) ica(k-1) ica(k-1)
Corrente iab(k-2) iab(k-2) ibc(k-2) ibc(k-2) ica(k-2) ica(k-2)
iab(k-M+1) iab(k-M+1) ibc(k-M+1) ibc(k-M+1) ica(k-M+1) ica(k-M+1)
Tabela 4.1 – Sinais de entrada para os elementos de fase do algoritmo
Elementos de Terra
AN BN CN
Rede R Rede X Rede R Rede X Rede R Rede X
va(k) va(k) vb(k) vb(k) vc(k) vc(k)

Sinais de va(k-1) va(k-1) vb(k-1) vb(k-1) vc(k-1) vc(k-1)
Tensão va(k-2) va(k-2) vb(k-2) vb(k-2) vc(k-2) vc(k-2)
va(k-M+1) va(k-M+1) vb(k-M+1) vb(k-M+1) vc(k-M+1) vc(k-M+1)
iar(k) iax(k) ibr(k) ibx(k) icr(k) icx(k)
Sinais de iar(k-1) iax(k-1) ibr(k-1) ibx(k-1) icr(k-1) icx(k-1)
Corrente iar(k-2) iax(k-2) ibr(k-2) ibx(k-2) icr(k-2) icx(k-2)
iar(k-M+1) iax(k-M+1) ibr(k-M+1) ibx(k-M+1) icr(k-M+1) icx(k-M+1)
Tabela 4.2 – Sinais de entrada para os elementos de terra do algoritmo

58
_
Amostras normalizadas R(k) R(k)
do sinal de tensão RNA R Pós-processamento
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
Etapa das RNA Etapa de pós-processamento
Figura 4.13 – Processamento dos sinais de entrada dos elementos de fase
_
Amostras normalizadas R(k) R(k)
do sinal de tensão RNA R Pós-processamento
Amostras normalizadas normalizado para R (Ohms)
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)
Etapa das RNA Etapa de pós-processamento
Figura 4.14 – Processamento dos sinais de entrada dos elementos de terra
No capítulo 5 será apresentado todo o detalhamento das RNA utilizadas no

algoritmo proposto - geração dos conjuntos de treinamento, critérios para a concepção
das redes, e desempenho de treinamento.
4.2.3 Etapa de Pós-Processamento

Esta etapa transforma em Ohms, os valores de resistência e reatância
(normalizados) presentes nas saídas das RNA. Essa transformação consiste
simplesmente em multiplicar a saída da rede (resistência ou reatância normalizada) pelo
valor de Zb, (impedância de base) calculado através dos valores de Vb (tensão de base) e
Ib (corrente de base), definidos para cada janela de dados de tensão e corrente que
formam o vetor de entrada (vide expressão 4.47). A partir dos valores de resistência e
reatância em Ohms e da característica de atuação ajustada para o elemento de fase 21 ou
para o elemento de terra 21N, o relé pode gerar ou não o sinal de trip.
Na figura 4.15, observa-se que todo vetor de entrada possui uma impedância de
base associada (conforme item 4.2.1.2). Sendo assim, após a inferência das RNA sobre
59
um dado vetor de entrada, os valores normalizados de R e X são disponibilizados nas

saídas das mesmas. Esses valores são multiplicados pela impedância de base Zb
referente ao vetor de entrada processado, disponibilizando os valores de resistência e
reatância (em Ohms) para a estimativa de localização de defeito.
RNA - R
_
R (k)
X R (k)
Vetor (k)
Zb (k)
Zb (k)
_
X (k)
X X (k)
RNA - X
Figura 4.15 – Transformação de R e X normalizados para R e X em Ohms
Posteriormente à etapa de pós-processamento, são testadas as características das

zonas de proteção do relé. Neste caso, quando um defeito é classificado, por um sistema
com essa finalidade e externo ao algoritmo desenvolvido, somente as saídas das redes
(resistência e reatância) do elemento de medição relativo à(s) fase(s) faltosa(s) são
consideradas. Essas saídas são monitoradas e caso ocorram três amostras consecutivas
dentro da característica do relé, o sinal de trip é enviado para o disjuntor
correspondente.
Após a apresentação de todas as etapas envolvidas no processamento dos sinais
de tensão e corrente, visando estimar a distância da falta na ocasião de um defeito na
linha de transmissão, é de extrema importância salientar o impacto que a etapa de pré-
processamento produz no presente trabalho. Tal impacto é conseqüência da referida
etapa conduzir a uma equação diferencial de primeira ordem (expressões 4.26 – 4.31),
válida para qualquer tipo de falta, envolvendo somente os parâmetros de seqüência
positiva (R1 e X1) da linha de transmissão. Esse fato é bastante relevante dado que ele irá
permitir o treinamento da rede através de um modelo monofásico de linha, cujos
parâmetros representam os de seqüência positiva da linha real trifásica. Essa abordagem
60
resulta numa grande simplificação, no processo de treinamento da rede, viabilizando a

proposta de alcançar um algoritmo, baseado em RNA, aplicável a qualquer tipo de linha
de transmissão. Neste trabalho acredita-se que tal aspecto é uma contribuição em
relação à grande maioria dos trabalhos anteriores, que utilizam como entrada para a
RNA apenas as tensões e as correntes trifásicas.
No capítulo 5 será detalhado todo o processo de treinamento das RNA,
mostrando como é possível contar com redes que estimam a resistência e a reatância a
partir de amostras normalizadas dos sinais de tensão e corrente provenientes da etapa de
pré-processamento.
61
5 METODOLOGIA PARA O TREINAMENTO DAS

REDES NEURAIS ARTIFICIAIS
Este capítulo detalha os procedimentos adotados para a geração dos sinais
utilizados nos processos de treinamento e validação das RNA analisadas neste trabalho.
Tais sinais são constituídos por janelas de dados representando as diversas condições
operativas encontradas nas linhas de transmissão, possibilitando o treinamento das RNA
(rede R e rede X) para as condições de regime permanente e transitório de curto-
circuito. Após treinadas, as redes são submetidas a testes de validação. A metodologia
empregada para a execução desses testes, bem como os resultados dos mesmos, também
são apresentados neste capítulo.
O software Matlab e o seu respectivo Toolbox de RNA (Neural Network
Toolbox) foram empregados para a simulação das RNA e execução das rotinas de
treinamento e validação das mesmas.
5.1 Treinamento da RNA

Para o algoritmo proposto são necessárias duas categorias de RNA: uma que
estima o valor de resistência (normalizado) e outra que estima o valor de reatância
(normalizado), para amostras de tensão e corrente contidas nos seus vetores de entrada
(normalizados). As figuras 5.1 e 5.2 apresentam os sinais de entrada para essas duas
redes, quando utilizadas para os elementos de medição AB e AN, supondo uma janela
de dados de M amostras. Para que a rede seja capaz de realizar a função descrita, deve-
se submeter a mesma a um processo de treinamento, que é utilizado para “ensinar” à
rede a função de interesse – neste caso determinar R ou X a partir de amostras de V e I.
Portanto, devem existir dois conjuntos de treinamento, um para treinar a rede R e outro
para treinar a rede X.
No presente trabalho optou-se pela utilização de redes MLP (próprias para a
aproximação de funções), treinamento supervisionado (para cada vetor de entrada é
apresentado o vetor de saída desejado) e algoritmo de aprendizado Backpropagation
(BRAGA, 2000; DEMUTH, 1996; WASSERMAN, 1989). Conforme apresentado no
capítulo 2, a configuração adotada para a RNA é típica das aplicações desta tecnologia
em sistemas elétricos de potência. Todas as etapas envolvendo RNA foram
implementadas no Matlab (Neural Network Toolbox) (DEMUTH, 1996).
62
Proveniente do pré-processamento (AB)

_ _ _ _
[ iab(k-M+1) iab(k) vab(k-M+1) vab(k) ]
Rede de Resistência
_
R
Saída
3 camada
2 camada
1 camada
Rede de Reatância
_
X
Saída
3 camada
2 camada
1 camada
Figura 5.1 – RNA que compõem o elemento de fase AB do algoritmo proposto

63
Proveniente do pré-processamento (AN)

_ _ _ _ _ _
[ iax(k-M+1) iax(k) iar(k-M+1) iar(k) va(k-M+1) va(k) ]
Rede de Resistência
_
R
Saída
3 camada
2 camada
1 camada
Rede de Reatância
_
X
Saída
3 camada
2 camada
1 camada
Figura 5.2 – RNA que compõem o elemento de terra AN do algoritmo proposto
Neste trabalho foram desenvolvidas duas metodologias para gerar os conjuntos

de treinamento das RNA. Tais metodologias, descritas nos itens 5.1.1 e 5.1.2, são
possíveis devido ao esquema de pré-processamento adotado, apresentado no capítulo 4.
Esse esquema possibilita a determinação dos valores de R1 e X1 da linha de transmissão,
a partir de uma RNA treinada com sinais oriundos da simulação das diversas condições
operativas de um sistema monofásico (circuito de seqüência positiva). As duas
metodologias desenvolvidas são:
a- Geração dos conjuntos de treinamento a partir de um sistema monofásico de
primeira ordem (circuito de seqüência positiva, desprezando-se as capacitâncias
da linha de transmissão);
b- Geração dos conjuntos de treinamento a partir de uma linha de transmissão
monofásica com parâmetros distribuídos.
64
Com essas metodologias se obtém um razoável ganho no processo de

treinamento das RNA, seja com relação à geração dos conjuntos de treinamento, seja
com relação ao tempo envolvido para a geração desses conjuntos. Tal ganho é
verificado quando as metodologias desenvolvidas são comparadas com o processo
tradicional de geração dos conjuntos de treinamento, no qual os sinais são gerados a
partir dos pontos do sistema onde a RNA deverá ser conectada na fase pós-treinamento.
Sendo assim, no processo tradicional, o sistema elétrico deve ser modelado na íntegra,
para que os sinais provenientes das várias situações operativas de uma linha de
transmissão possam ser armazenados, formando os conjuntos de treinamento das RNA.
A simulação completa do sistema elétrico, necessária no processo tradicional, requer um
maior esforço inicial, além de demandar mais tempo para formar os referidos conjuntos
de treinamento das RNA.
5.1.1 Geração dos Conjuntos de Treinamento a Partir de um

Sistema Monofásico de Primeira Ordem
Conforme destacado anteriormente, foram desenvolvidos dois métodos para a
geração dos conjuntos de treinamento das RNA; um baseado em sinais provenientes de
um sistema monofásico de primeira ordem, e outro baseado em sinais provenientes de
uma linha monofásica com parâmetros distribuídos. Neste item será apresentado o
primeiro desses métodos, sendo importante ressaltar que a utilização de tal método é
possível devido ao esquema de pré-processamento adotado para o algoritmo proposto,
pois como pode ser observado nas equações 4.15 – 4.17 o equacionamento da linha de
transmissão resulta em equações diferenciais de primeira ordem, envolvendo somente
os parâmetros de seqüência positiva da linha (R1 e X1).
O sistema monofásico de primeira ordem utilizado para gerar os sinais de
treinamento das RNA é mostrado na figura 5.3. Esse sistema consta da tensão da barra
A alimentando uma carga através de uma resistência e uma indutância, representando a
impedância série de seqüência positiva de uma linha de transmissão. Nesse modelo a
condição de falta é simulada através do fechamento de uma chave K no instante t = 0.
65
A B
R1 L1
i(t)
K Zcarga
v(t)
t=0
Figura 5.3 – Sistema monofásico de primeira ordem
Os sinais referentes às possíveis condições operativas de uma linha de

transmissão, no modelo apresentado, são:
a- Tensão e corrente para a condição de pré-falta (t < 0)
v = V . cos( w.t + θ ) (5.1)
i = I carga . cos(w.t + θ − φ ) (5.2)
b- Tensão e corrente para a condição de falta (t ≥ 0)
v = V . cos( w.t + θ ) (5.3)
[
i = I falta . − cos(θ − β ).e −α .t + cos(w.t + θ − β ) ] (5.4)
Obs: A expressão 5.4 é obtida considerando-se Ifalta >> Icarga

onde:
φ = fator de potência do conjunto carga mais linha;
θ = ângulo da tensão que ocorre a falta;
α = inverso da constante de tempo do sistema de primeira ordem;
 wL 
β = tg −1  1 
 R1 
66
Considerando as situações de pré-falta e falta, o valor correto da impedância

medida por um relé de distância instalado no início da linha (barra A da figura 5.3)
deveria ser:
a- Impedância medida para a condição de pré-falta
V
Z relé = [cos(φ ) + j ⋅ sen(φ )] (5.5)
I carga
b- Impedância medida para a condição de falta
V
Z relé = [cos(β ) + j ⋅ sen(β )] (5.6)
I falta
Para a construção dos vetores de treinamento os sinais de tensão e corrente

(expressões 5.1 – 5.4) são amostrados com uma taxa de amostragem de N amostras por
ciclo de 60 Hz, sendo, na seqüência, agrupados em janelas de dados com M amostras.
Em seguida, as janelas de dados com as amostras de tensão e corrente são normalizadas
através de valores de base convenientes, conforme apresentado no item 4.2.1.2
(Utilização Valores Normalizados) e descrito a seguir.
1- Vetores de treinamento para a condição de pré-falta
{vk } = V ⋅ cos 2 ⋅ π ⋅ k + θ  (5.7)

 N 
{ik } = I carga ⋅ cos 2 ⋅ π ⋅ k + θ − φ  (5.8)

 N 
onde: k = 0 . . . M-1 (tamanho da janela de dados)

67
{v } = V{v }
k
k
(5.9)
base
{i } = I{i }
k
k
(5.10)
base
sendo,
Vbase = max{v k } (5.11)
I base = max{ik } (5.12)
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
2- Vetores de treinamento para a condição de falta

68
{vk } = V ⋅ cos 2 ⋅ π ⋅ k + θ  (5.16)

 N 
 −α .k ⋅
T
 2 ⋅π 
{ik } = I falta .− cos(θ − β ).e N
+ cos ⋅ k + θ − β  (5.17)
  N 
Neste caso os vetores de tensão e corrente normalizados, relativos às expressões

5.16 – 5.17, são definidos de forma idêntica ao caso de pré-falta, descrito anteriormente
(expressões 5.9 – 5.12). Já a impedância vista pelo relé de distância, no caso de falta, é
dada pela expressão 5.18.
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.
Neste caso, a grande vantagem da normalização dos vetores de entrada é tornar

desnecessário o treinamento das RNA para todas as amplitudes possíveis de tensão e
corrente, visto as inúmeras possibilidades de níveis de tensão e comprimentos das linhas
de transmissão. Assim, por exemplo, um sinal de tensão com amplitude de 10 V gera os
mesmos vetores de treinamento (normalizados) que um sinal de amplitude 20 V, dado
que o Vbase deste último caso será o dobro do primeiro e, conseqüentemente, Zbase a
metade (vide expressões 5.9 – 5.15). Sendo assim, verifica-se que a partir do método
adotado o treinamento independe da amplitude dos sinais de tensão e corrente, que
podem ser unitários, isto é: V = 1,0 V; Icarga = 1,0 A; Ifalta = 1,0 A.
Admitindo os sinais de tensão e correntes unitários, resultam os seguintes
vetores de treinamento:
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)
1b- Vetor de saída para o treinamento da rede R
cos(φ )
R= (5.21)
Z base
1c- Vetor de saída para o treinamento da rede X
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)
2b- Vetor de saída para o treinamento da rede R
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
Uma vez fixada a taxa de amostragem e o tamanho da janela de dados, decidiu-

se pelo sorteio aleatório das seguintes variáveis: fator de potência da carga (φ); ângulo
da tensão em que ocorre o defeito (θ); inverso da constante de tempo do sistema de
primeira ordem (α); ângulo relativo aos parâmetros R1 e X1 da linha de transmissão (β).
A cada novo sorteio dessas variáveis, nas expressões 5.19 – 5.20 (para os casos de pré-
falta) e 5.23 – 5.24 (para os casos de falta), são calculados os valores das amostras de
tensão e corrente (normalizados) que formam as janelas de dados (vetores de entrada
das RNA), bem como, os valores de resistência e reatância (normalizados) associados a
cada situação sorteada. Com essa medida acredita-se estar contemplando as mais
variadas condições operativas (na forma de janela de dados) de um sistema monofásico
de primeira ordem. Além disso, para cada caso gerado, os valores das variáveis
sorteadas são armazenados e inseridos nas expressões 5.27 – 5.28, que correspondem às
condições de pré-falta e falta com corrente negativa, representando uma situação de
defeito no sentido oposto ao originalmente considerado. Essa inversão no sentido da
corrente visa gerar situações operativas para compor um vetor de treinamento capaz de
“ensinar” as RNA a discriminarem o sentido do defeito, possibilitando que o relé em
questão possa ser instalado no final da linha de transmissão (barra B da figura 5.3) sem
alteração desempenho.
 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)
Neste caso os valores de resistência e reatância são calculados conforme as

expressões 5.29 – 5.30 para os casos de pré-falta, e 5.31 – 5.32 para os casos de falta.
71
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
Onde R’ e X’ (normalizados) representam os valores de resistência e reatância

para a corrente fluindo no sentido oposto ao definido inicialmente. O sentido definido
inicialmente está associado aos valores de R e X (normalizados) calculados em 5.21 –
5.22 e 5.25 – 5.26.
No procedimento para a elaboração dos conjuntos de treinamento das RNA a
rotina (desenvolvida no Matlab) que executa as supracitadas expressões, representativas
das possíveis situações operativas de um sistema de primeira ordem, é dividida em duas
etapas, que são: geração das situações operativas para o treinamento em regime
permanente (pré-falta); geração das situações operativas para o treinamento com
componente exponencial (falta). No primeiro caso, os valores de θ e φ são sorteados
numa faixa de 0 a 2.π, representando qualquer possibilidade de fator de potência e
ângulo de tensão, contemplando todos os estados de operação do sistema em regime
permanente. Já no segundo caso, os valores de β e θ são sorteados numa faixa limitada
pelo período transitório do defeito, ou seja, quando θ encontra-se entre 0 e 2.π,
representando qualquer ângulo de tensão para a ocorrência do defeito e β entre -π/6 e -
π, representando a defasagem entre a tensão e a corrente durante o curto-circuito. Os
valores de α são sorteados numa faixa de 20 a 100, representando as constantes de
tempo das linhas de transmissão nos diversos níveis de tensões adotados na prática. O
sorteio das variáveis θ, φ, β e α, nas faixas apresentadas, impede que sejam gerados
vetores que representam situações inconsistentes, ou seja, não plausíveis na prática. O
72
efeito das situações não plausíveis é o acréscimo indevido do conjunto de treinamento,

além de um possível comprometimento do sucesso do treinamento da RNA.
Na fase final da rotina que gera o conjunto de treinamento das RNA, todos os
pares de vetores entrada/saída são normalizados, viabilizando o treinamento das RNA
com sinais exatamente iguais àqueles que serão disponibilizados pela etapa de pré-
processamento, apresentada no capítulo 4. Como já comentado, o esquema utilizado
nesta fase para normalizar as amostras contidas nas janelas de dados, bem como os
valores de resistência e reatância, é exatamente igual ao esquema apresentado no item
4.2.1.2.
O fluxograma do processo de geração dos conjuntos de treinamento das RNA,
através de um sistema monofásico de primeira ordem, é apresentado na figura 5.4.
73
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
Teta e Fi
Forma janela de dados
de tensão e corrente

Calcula R e X
Calcula R e X
Inverte o sinal da corrente
e forma nova janela de
dados de tensão e corrente
Inverte o sinal da corrente

e forma nova janela de
dados de tensão e corrente Calcula R e X para
sentido oposto
ao original
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 R e X.
Não
Simulações
executadas = P
Não
Simulações Sim
executadas = S
Finaliza os conjuntos
(matrizes) de treinamento
Sim para casos de exponencial
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
Após executar os passos apresentados no fluxograma da figura 5.4, tem-se o montante

de casos, na forma matricial, para o treinamento das RNA. A figura 5.5 apresenta as
matrizes de entrada e saída geradas a partir deste procedimento.
v tk K v tk+ S K v tk+ 2 S K v tk+ 2 S + P K v tk+ 2 S + 2 P 

 
M M M M M 
 t t +2S +2 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 +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 
 
v tk K v tk+ S K v tk+ 2 S K v tk+ 2 S + P K v tk+ 2 S + 2 P 

 
M M M M M 
 t t +2S +2P 
[ ]
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.
5.1.2 Método Utilizando uma Linha de Transmissão Monofásica com

Parâmetros Distribuídos
Como alternativa ao método tradicional, foi gerado no Simulink um modelo
monofásico com parâmetros distribuídos, conforme a figura 5.6. Os parâmetros
utilizados para a confecção do referido modelo são típicos de linhas de transmissão de
138 kV, 230 kV, 345 kV, 500 kV e 765 kV, e são obtidos através da rotina Line
Constants do EMTP, discutida no capítulo 6. A tabela 5.1 apresenta os parâmetros de
seqüência positiva utilizados nos referidos níveis de tensão considerados neste trabalho.
Parâmetros 138 kV 230 kV 345 kV 500 kV 765 kV

da Linha
R1 (Ω/km) 0,219275 0,115898 0,0295598 0,0121068 0,0121632
L1 (mH/km) 1,313819 1,347695 1,247315 0,830045 0,878713
C1 (nF/km) 5,540583 8,642304 9,395225 13,882042 13,358939
Tabela 5.1 – Parâmetros de seqüência positiva utilizados em cada nível de tensão
A diferença fundamental entre o método descrito no item anterior e o método

descrito neste item, é a inclusão, nos conjuntos de treinamento das RNA, das ondas
trafegantes presentes nos sinais durante a falta. Isto é possível porque, diferentemente
do modelo de primeira ordem, o modelo de linha com parâmetros distribuídos
76
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.
Figura 5.6 – Modelo monofásico com parâmetros distribuídos
O modelo adotado, composto de fonte / linha / carga, foi implementado no

Power System Toolbox do Matlab. Esse modelo é executado em conjunto com uma
rotina, também desenvolvida no Matlab, que permite o ajuste das seguintes variáveis em
cada caso simulado:
a- Potência aparente da carga (S);
b- Fator de potência da carga (cosφ);
c- Distância da falta;
d- Ângulo de incidência da falta (θ);
A citada rotina sorteia aleatoriamente, dentro de uma faixa de valores plausíveis
(pré-determinados), os valores assumidos pelas quatro variáveis em questão,
possibilitando a geração e a simulação de inúmeras situações operativas para cada nível
de tensão considerado neste trabalho. Os parâmetros de seqüência positiva (vide tabela
5.1) são ajustados conforme o nível de tensão do caso a ser executado. Os detalhes das
torres consideradas para a determinação dos parâmetros de seqüência positiva são
apresentados no capítulo 6.
Para cada nível de tensão é gerado e executado um número previamente definido
de situações operativas da linha de transmissão. Em cada simulação executada
registram-se todas as janelas de dados desde um ciclo pré-falta até um ciclo pós-falta. O
tamanho da janela de dados e a taxa de amostragem são definidos previamente, no
77
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 número Aquisição dos sinais

de simulações = J de tensão e corrente
Define o tamanho da
janela de dados e a
taxa de amostragem
Disponibiliza os parâmetros
Determina
de seqüência positiva
R e X do defeito
para cada nível de tensão
Inverte o sentido
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
digitalização do sinal
de R e X.
Associa vetor de entrada

com os valores de R e X
Não
Simulações
executadas = J
Sim
Figura 5.7 – Fluxograma de geração dos conjuntos de treinamento utilizando um modelo

monofásico com parâmetros distribuídos
Igualmente ao método baseado no modelo de primeira ordem, após um certo

número de situações operativas simuladas (J), são obtidas as matrizes de entrada e saída
utilizadas nos processos de treinamento das redes R e X, conforme a figura 5.8. As
redes treinadas, com este método, podem ser empregadas para compor os elementos de
79
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.
5.2 Arquitetura e Parâmetros Utilizados no Processo de

Treinamento das RNA
Para a concepção das RNA a serem treinadas, duas premissas foram adotadas:
1. Uma rede composta de, no mínimo, 2 camadas e uma função não linear, pode
aproximar qualquer função (DEMUTH, 1996; WASSERMAN, 1989).
2. Uma RNA deve conter na segunda camada, o dobro do número de neurônios da
primeira camada acrescido de um neurônio (NEURALWARE, 1993).
A partir dessas premissas, várias configurações de redes e parâmetros de
treinamento foram testados, frente aos conjuntos de treinamento gerados através dos
métodos apresentados nos itens 5.1.1 e 5.1.2. O resultado final do processo de
treinamento é apresentado nas tabelas 5.2 e 5.3. Nessas tabelas cada RNA recebe uma
denominação específica, definida a partir das seguintes características:
a- Taxa de amostragem;
b- Tamanho da janela de dados;
c- Tipo de rede (R ou X);
d- Origem dos sinais para treinamento.
Conforme apresentado, uma rede R com taxa de amostragem de 16 amostras por
ciclo, janela de dados de 4 amostras, e sinais provenientes do modelo de primeira ordem
(primeira linha da tabela 5.2), recebe a seguinte denominação: Rede-16-4-r. No caso da
rede treinada com sinais oriundos do modelo monofásico com parâmetros distribuídos, é
acrescentado um “p” após a indicação do tipo de rede, ou seja, Rede-16-4-rp.
Para o treinamento das RNA baseadas nos sinais provenientes do modelo de
primeira ordem foram utilizados 4500 vetores de entrada/saída. Isso significa que foram
geradas 2250 situações operativas, sendo que as outras 2250 são situações idênticas,
porém com a corrente fluindo no sentido oposto ao original. As 4500 situações foram
81
divididas entre 1500 situações de pré-falta e 3000 situações de falta. Já para o

treinamento das RNA baseadas em sinais provenientes do modelo monofásico com
parâmetros distribuídos, foram utilizados 4480 vetores de entrada/saída. Isto significa
que foram geradas 14 situações operativas em cada um dos cinco níveis de tensão
adotados, sendo que, outras 14 situações idênticas, porém com corrente invertida, são
geradas automaticamente. Como em cada uma das 28 situações operativas tem-se 32
janelas de dados (portanto, vetores de entrada) o número total de vetores de entrada e
saída resulta em 5 x 2 x 14 x 32 = 4480. Convém salientar que neste caso são obtidos
2240 casos de regime permanente (pré-falta) e 2240 casos de condições transitórias de
curto-circuito (falta).
Parâmetros de Treinamento (mais relevantes);

Momentum = 0.9
Taxa de Aprendizado = 0.01
Erro desejado = 1.10-9
Número máximo de iterações = 500.000
Algoritmo de aprendizado = Backpropagation
Função de transferência utilizada em todos os neurônios = Tansig
Sinais de Arquitetura da RNA Taxa de Amostragem Tamanho da Janela Erro Denominação
Treinamento Neurônios / Camada (amostra / ciclo) de Dados (amostras) Rede R da Rede
1 2 3 4
8 17 6 1 16 4 1,9.10-7 Rede-16-4-r
Gerados com o 16 33 6 1 16 8 2,32.10-8 Rede-16-8-r

modelo monofásico
24 49 6 1 16 12 7,58.10-5 Rede-16-12-r
de primeira ordem
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
Gerados com a linha 8 17 6 1 16 4 1,36.10-3 Rede-16-4-rp

monofásica a
16 33 6 1 16 8 3,69.10-4 Rede-16-8-rp
parâmetros
distribuídos 32 65 6 1 16 16 1,6.10-4 Rede-16-16-rp
Tabela 5.2 – Características das RNA (rede R) submetidas ao processo de treinamento
82
Tipo de Arquitetura da RNA Taxa de Amostragem Tamanho da Janela Erro Denominação
Treinamento Neurônios / Camada (amostra / ciclo) de Dados (amostras) Rede X da Rede
1 2 3 4
8 17 6 1 16 4 8,89.10-8 Rede-16-4-x
Gerado com o 16 33 6 1 16 8 1,72.10-9 Rede-16-8-x

modelo monofásico
24 49 6 1 16 12 6,05.10-5 Rede-16-12-x
de primeira ordem
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
Gerado com a linha 8 65 6 1 16 4 2,66.10-4 Rede-16-4-xp

monofásica com
16 33 6 1 16 8 2,82.10-4 Rede-16-8-xp
parâmetros
distribuídos 32 65 6 1 16 16 1,69.10-4 Rede-16-16-xp
Tabela 5.3 – Características das RNA (rede X) submetidas ao processo de treinamento
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
Obs: Conforme salientado nos parágrafos anteriores, tem-se n = 4500 para o

treinamento das RNA com os sinais provenientes do sistema de primeira ordem, e n =
4480 para o treinamento das RNA a partir do modelo monofásico com parâmetros
distribuídos.
Independentemente do desempenho da RNA na sua fase de treinamento (tabelas
5.2 e 5.3), todas as redes serão submetidas a um teste de validação, apresentado no
próximo item. Tal teste visa medir o grau em que a RNA “aprendeu” a função desejada,
ou seja, estimar a resistência ou a reatância em função das amostras de tensão e
corrente, presentes no seu vetor de entrada. Para agilizar o processo de validação das
RNA, foi criada uma rotina (no Matlab) que gera vetores de entrada representativos das
condições de pré-falta e falta. Através das respostas das RNA a tais vetores de entrada
(de respostas previamente conhecidas), pode-se avaliar o grau de “aprendizagem”
adquirido pela RNA. Tal processo é detalhado no item 5.2.1.
85
5.2.1 Validação das RNA

Antes das RNA serem avaliadas frente a um sistema elétrico modelado na
íntegra, é realizada uma verificação (isolada) de desempenho destas redes, aqui
denominada de teste de validação. A finalidade dessa medida é evitar o esforço
desnecessário com redes de baixa probabilidade de sucesso, ou seja, aquelas com
elevados índices de erro. As melhores redes (alto grau de acertos) farão parte de um
estudo (apresentado no capítulo 6) que definirá qual é o melhor sistema (taxa de
amostragem e tamanho de janela de dados) para compor o algoritmo proposto.
5.2.1.1 Validação das RNA frente a sinais aleatórios representando

situações de regime permanente e transitório de curto-circuito.
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
treinamento efetuado através de sinais provenientes do modelo de primeira ordem

(Rede-16-4-x) – segunda linha da tabela 5.4 (pré-falta), encontram-se na figura 5.9.
Zoom
(a) (b)
(c)
Figura 5.9 – Informações provenientes da rotina de teste da RNA
A figura 5.9 apresenta em (a) as respostas desejada e calculada (emitida pela

RNA) sobrepostas. Percebe-se que devido à precisão alcançada é possível visualizar
somente uma das curvas. Em (b) é mostrada em detalhe a precisão da resposta emitida
pela RNA para a situação operativa de número 1130. Já em (c), é possível visualizar o
erro (amostra a amostra) para os 1500 casos testados. É interessante notar que somente
dois casos tiveram um erro absoluto maior que 3%, ficando, todo o restante (1498), com
erros absolutos bem inferiores a 3%.
As tabelas 5.4, 5.5 e 5.6 foram elaboradas a partir de 24000 casos, gerados na
forma de janela de dados, que representam as condições operativas de um sistema de
primeira ordem. Tais tabelas exibem os resultados da avaliação de cada RNA submetida
ao processo de treinamento (total de oito RNA), frente a 3000 casos gerados
aleatoriamente, sendo 1500 casos representado as situações de pré-falta e 1500
87
representando as situações falta. O primeiro valor de cada célula da tabela corresponde

aos acertos da rede (valores em destaque), sendo o segundo valor correspondente aos
erros da mesma. Neste trabalho denomina-se acerto da RNA, quando a resposta emitida
pela mesma apresenta um desvio absoluto máximo de 3% com relação ao valor de
resistência ou reatância previamente conhecido (correto) para uma dada janela de dados.
Já o erro da RNA é configurado quando a resposta emitida pela mesma apresenta um
desvio maior do que 3%, com relação ao valor de resistência ou reatância conhecido
para uma dada situação. Por exemplo, na primeira célula da tabela 5.4 (Rede-16-4-r –
16 amostras por ciclo, rede R e janela de dados de 4 amostras) a rede respondeu com
1492 acertos (calculou a resistência com menos de 3% de erro absoluto) e 8 erros
(calculou a resistência com erro absoluto superior a 3%) para a situação de pré-falta.
16 amostras/ciclo – 1ª ordem Pré-Falta Falta
Janela de Dados Resistência 1492 1446

4 amostras Rede-16-4-r 8 54
Reatância 1498 1490
Rede-16-4-x 2 10
Rede-16-8-x 2 0
12 amostras Rede-16-12-r 221 (1) 463 (1)
Rede-16-12-x 225 (1) 196 (1)
Rede-16-16-x 48 0
Tabela 5.4 – Resultados da avaliação das RNA – RNA treinadas a partir de sinais do modelo de
primeira ordem – 16 amostras / ciclo
88
16 amostras/ciclo – P. Distribuídos Pré-Falta Falta

(2)
4 amostras Rede-16-4-rp 1195 1288 (2)
Reatância 84 107
(2)
Rede-16-4-xp 1416 1393 (2)
(3)
8 amostras Rede-16-8-rp 562 861 (3)
Reatância 235 275
(2)
Rede-16-8-xp 1265 1225 (2)
(3)
16 amostras Rede-16-16-rp 603 783 (3)
Reatância 107 229
(2)
Rede-16-16-rp 1393 1271 (2)
Tabela 5.5 – Resultados da avaliação das RNA – RNA treinadas com sinais da linha com
parâmetros distribuídos – 16 amostras / ciclo
32 amostras/ciclo – 1ª Ordem Pré-Falta Falta

(1)
16 amostras Rede-32-16-r 136 453 (1)
(1)
Rede-32-16-x 144 199 (1)
Tabela 5.6 – Resultados da avaliação das RNA – RNA treinadas a partir de sinais do modelo de
primeira ordem – 32 amostras / ciclo
Notas: (1) Os erros encontram-se concentrados ao redor de 5 %

(2) Os erros encontram-se concentrados ao redor de 20 %
(3) Os erros encontram-se concentrados ao redor de 10 %
Os resultados apresentados na tabela 5.4, 5.5 e 5.6 indicam que as redes
treinadas a partir da linha com parâmetros distribuídos possuem um elevado índice de
erro, frente aos sinais representativos das condições de defeito no sistema elétrico. Isso
implica afirmar que tais redes não “aprenderam” a função desejada, ou seja, não estão
aptas a realizar as estimativas dos valores de resistência e reatância em função das
amostras de tensão e corrente contidas nos seus vetores de entrada. Diferentemente,
89
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
6 ESTUDO COMPARATIVO DAS REDES NEURAIS

ARTIFICIAIS
Neste capítulo o algoritmo proposto será implementado com as melhores RNA
avaliadas no item 5.2.1.1. Como foi verificado, tais redes foram treinadas com sinais
provenientes de uma linha monofásica, representada através de um modelo de primeira
ordem, e obtiveram elevados índices de acertos (tabelas 5.4 e 5.6), frente a sinais
representativos das condições de pré-falta e falta, neste modelo simplificado. Dessa
forma, resta avaliar as referidas redes frente às condições reais de operação de uma
linha de transmissão trifásica, possibilitando, inclusive, verificar a reação dessas redes
às situações de defeito que resultam em ondas trafegantes, situações estas não
contempladas nos testes efetuados no capítulo anterior. Portanto, com essa medida,
torna-se possível avaliar qual das RNA é a mais apropriada para a implementação do
algoritmo proposto. Entende-se por “rede mais apropriada” aquela capaz de propiciar
que o algoritmo proposto responda satisfatoriamente (boa precisão e baixo tempo de
trip) a todas as situações operativas geradas. O algoritmo implementado com a rede de
melhor desempenho será comparado, posteriormente (capítulo 7), com um algoritmo
convencional para a proteção de linhas de transmissão (Algoritmo de Fourier).
Para viabilizar a geração das situações operativas das linhas de transmissão
adotadas neste trabalho, foram utilizados os softwares ATP e Simulink (Power System
Toolbox). Os detalhes sobre os processos de modelagem e simulação das linhas de
transmissão são apresentados nos próximos itens.
6.1 Sistemas Elétricos Adotados Neste Trabalho

Para efeito de teste e validação do algoritmo proposto, este deve ser submetido
às mais variadas situações operativas de uma linha de transmissão. Um requisito
importante para viabilizar a implementação prática desse algoritmo é que as situações
operativas simuladas sejam referentes a sistemas de transmissão reais. Dessa forma,
neste trabalho, foram adotados sistemas que abrangem os níveis de tensão de
transmissão mais usuais na prática (138 kV, 230 kV, 345 kV, 500 kV e 765 kV), bem
como possuem comprimentos e capacidades de transferência de potência coerentes com
tais níveis de tensão.
91
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
Parâmetros 138 kV 230 kV 345 kV 500 kV 765 kV

da Linha
R0 (Ω/km) 0,550907 0,464812 0,400583 0,382196 0,360164
R1 (Ω/km) 0,219275 0,115898 0,0295598 0,0121068 0,0121632
L0 (mH/km) 4,495941 4,239230 3,910398 3,204005 3,009576
L1 (mH/km) 1,313819 1,347695 1,247315 0,830045 0,878713
C0 (nF/km) 8,847506 6,105862 6,455623 7,722758 8,875915
C1 (nF/km) 5,540583 8,642304 9,395225 13,882042 13,358939
Tabela 6.1 – Parâmetros das linhas consideradas para avaliação do algoritmo
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
- 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;
- Condutor (Drake) tipo ACSR 795 MCM (26/7).
Pára-raio
- Diâmetro de 5/16” (HS).
94
c- Nível de 345 kV
Condutores
- Circuito simples com um condutor por fase;
- Condutor tipo (Bluebird) ACSR 2156 MCM (84/19).
Pára-raios
- Diâmetro de 7/16” (HS).
d- Nível de 500 kV
Condutores
- Circuito simples com três condutores por fase (igualmente espaçados em
18”);
- Condutor tipo (Chukar) ACSR 1781 MCM (84/19).
Pára-raios
- Diâmetro de 0,385” (Allumoweld).
e- Nível de 765 kV
Condutores
- Circuito simples com quatro condutores por fase (igualmente espaçados
em 18”);
- Condutor tipo (Dipper) ACSR 1351 MCM (45/7).
Pára-raios
- Diâmetro de 0,385” (Allumoweld).
95
6.2 Rotina Line Constants

As linhas de transmissão utilizadas neste trabalho foram modeladas no programa
Simulink (Power System Toolbox). Contudo, para tal modelagem, é necessário que os
parâmetros de seqüência das referidas linhas de transmissão sejam conhecidos. Através
da rotina Line Constants do ATP (versão para PC do EMTP) é possível determinar tais
parâmetros para cada linha de transmissão considerada. Sendo assim, foram gerados
cinco arquivos de entrada para a rotina Line Constants, contendo todos os seguintes
dados de cada linha:
a- Geometria da torre;
b- Dados dos condutores, inclusive do cabo guarda;
c- Freqüência de operação;
d- Resistividade do solo sob a linha de transmissão;
e- Informação sobre a transposição da linha de transmissão.
No arquivo de saída da rotina Line Constants os dados de maior interesse para
este trabalho são as impedâncias de seqüência zero e positiva da linha de transmissão
que se deseja modelar. A partir desses dados (apresentados na tabela 6.1) a linha pode
ser simulada no Simulink, possibilitando, através de uma interface extremamente
amigável (fácil visualização e manipulação das variáveis), a aquisição dos sinais de
tensão e corrente para a avaliação do algoritmo proposto. A referida interface do
software Simulink, bem como a possibilidade de simular linhas de transmissão e
processar sinais no ambiente Matlab, foram fatores decisivos para a escolha dessa
ferramenta, que atualmente aparece como uma das mais utilizadas nas recentes
pesquisas nas áreas de sistemas de potência e processamento de sinais.
6.3 Simulação das Linhas de Transmissão

Para realizar as simulações, utilizadas para testar e comparar as diversas
alternativas de RNA, selecionadas no capítulo anterior, foram adotadas, como
referência, cinco linhas de transmissão do sistema interligado brasileiro, que possuem as
características apresentadas a seguir.
Linha 1: Emborcação - Uberlândia

Tensão: 138 kV
96
Carregamento: P = 28 MW e Q = 30 MVAR (medidos em Uberlândia)

Distância: 74 km
Potência de curto-circuito em Uberlândia: 1993,36 \ -74,74º MVA
Potência de curto-circuito em Emborcação: 3899,05 \ -86,13º MVA
Linha 2: Governador Valadares - Mesquita

Tensão: 230 kV
Carregamento: P = 96 MW e Q = 22 MVAR (medidos em Mesquita)
Distância: 80 km
Potência de curto-circuito em Governador Valadares: 1955,18 \ -81,09º MVA
Potência de curto-circuito em Mesquita: 4819,97 \ -86,02º MVA
Linha 3: Montes Claros - Várzea da Palma

Tensão: 345 kV
Carregamento: P = 150 MW e Q = 55 MVAR (medidos em Várzea da Palma)
Distância: 145 km
Potência de curto-circuito em Montes Claros: 1088,79 \ -83,22º MVA
Potência de curto-circuito em Várzea da Palma: 1865,70 \ -84,63º MVA
Linha 4: Cachoeira Paulista – Tijuco Preto

Tensão = 500 kV
Carregamento: P = 1250 MW e Q = 40 MVAR (medidos em Tijuco Preto)
Distância: 181 km
Potência de curto-circuito em Cachoeira Paulista: 15822,87 \ -86,96º MVA
Potência de curto-circuito em Tijuco Preto: 14820,37 \ -87,86º MVA
Linha 5: Itaberá – Ivaiporã

Tensão = 765 kV
Carregamento: P = 2000 MW e Q = 300 MVAR (medidos em Itaberá)
Distância: 265 km
Potência de curto-circuito em Itaberá: 20142,78 \ -87,14º MVA
Potência de curto-circuito em Ivaiporã: 22339,50 \ -87,49º MVA
97
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.
Figura 6.2 – Arquivo de entrada do Simulink – Caso de 230 kV
Na figura 6.2 são apresentados os seguintes blocos:

Gov. Valadares e Mesquita – Estes blocos são conectados nas extremidades da linhas
de transmissão, possuindo internamente um equivalente do sistema real que se encontra
interligado a essas barras.
TC e TP – Nestes blocos são extraídas as três correntes de linha e as três tensões de fase
na barra de Gov. Valadares.
Sinais – Este bloco endereça os sinais dos blocos TC e TP para o workspace do Matlab,
possibilitando processamento direto dos sinais de tensão e corrente.
Line_trecho1 e Line_trecho2 – Nestes blocos encontram-se os parâmetros de
seqüência da linha de transmissão. A somatória dos comprimentos indicados nos dois
98
blocos é equivalente ao comprimento total da linha simulada. O comprimento de linha

indicado no primeiro bloco corresponde à distância da falta.
Fault – Este bloco permite a determinação do tipo de falta que se deseja aplicar à linha
de transmissão, além de permitir ajustar o valor da resistência de falta para a terra, e
entre fases.
Fault_timing3 – Este bloco permite determinar o instante do curto-circuito.
Na elaboração dos arquivos de entrada, para a simulação da linha de
transmissão, fixou-se que os sinais de tensão e corrente possuem 128 amostras por ciclo
e um tempo total de simulação de nove ciclos. Após a execução de cada caso no
Simulink, representando uma situação operativa da linha de transmissão, os sinais
gerados são enviados ao ambiente Matlab e submetidos a uma rotina que simula a
filtragem analógica e a amostragem dos sinais no relé (com 16 ou 32 amostras por
ciclo), ficando aptos a serem processados pelo algoritmo desenvolvido.
6.4 Geração das Condições Operativas das Linhas de

Transmissão
A partir das cinco linhas de referência apresentadas no item anterior, diversos
casos devem ser gerados, visando a representação dessas linhas em operação normal e
situações de defeito. Para todos os casos gerados existem aproximadamente três ciclos
pré-falta, viabilizando a avaliação do algoritmo diante das diversas possibilidades de
operação normal da linha (linhas com diversos comprimentos e carregamentos), e seis
ciclos pós-falta, possibilitando efetuar uma análise do comportamento do algoritmo
(tempo de trip e estabilização) frente às condições de defeito existentes. Conforme a
figura 6.2, o bloco Fault é introduzido entre as linhas modeladas digitalmente, com a
finalidade de simular as situações de curto-circuito fase(s)-terra e entre fases.
As variações nas linhas de transmissão existentes (linhas de referência), gerando
novos casos de operação, permitem constituir uma ampla gama de possibilidades de
operação da linha de transmissão, o que é de fundamental importância na fase de testes
do algoritmo. Essas variações devem ser prudentemente planejadas, devido aos
seguintes aspectos:
1. Possibilidade de gerar situações operacionais que não são plausíveis na prática;
2. Possibilidade de não gerar as situações operacionais plausíveis na prática.
99
A primeira hipótese tem a seguinte conseqüência:

a- Avaliar o algoritmo sob condições não plausíveis na prática, o que poderia
inviabilizar indevidamente o mesmo.
A segunda hipótese tem a seguinte conseqüência:
a- Não avaliar o relé sob condições plausíveis na prática, o que poderia viabilizar
indevidamente o mesmo.
Considerando as hipóteses anteriores, a seguir são apresentadas as variações
realizadas nas linhas de referência.
Comprimento das linhas de transmissão (km)

As linhas de transmissão foram modeladas com três comprimentos distintos para
cada nível de tensão, procurando representar linhas curtas, médias e longas em cada um
dos casos considerados. As distâncias adotadas para cada nível de tensão são:
Linha de 138 kV – 50, 74 e 150.
Linha de 230 kV – 80, 100 e 200.
Linha de 345 kV – 100, 145 e 300.
Linha de 500kV – 181, 300 e 400.
Linha de 765 kV – 265, 350, 500.
Os valores sublinhados correspondem aos comprimentos reais das linhas de
transmissão, conforme apresentado no item 6.3.
Tipo de curto-circuito imposto a cada linha de transmissão

Os dez tipos de curto-circuito possíveis em linhas de transmissão foram
considerados, sendo eles:
Curto-circuito monofásico (AN, BN e CN).
Curto-circuito bifásico-terra (ABN, BCN e CAN).
Curto-circuito bifásico (AB, BC e CA).
Curto-circuito trifásico (ABC).
Distância do curto-circuito imposto a cada linha de transmissão

Os pontos de curto-circuito foram fixados com distâncias iguais a 20%, 50% e
80% do comprimento da linha de transmissão
100
Resistência de curto-circuito (Ohms).

Durante as simulações foi considerada somente a existência de resistência de
falta para os defeitos entre fase(s) e terra. Os três valores adotados são:
Rfalta = 0, 10 e 20.
Instante do curto-circuito (ângulo da tensão / graus)

Os defeitos para a geração dos sinais de falta foram aplicados em três instantes
distintos, correspondentes aos seguintes ângulos de tensão:
θ = 0, 45 e 90.
Equivalente de Thevenin na barra do relé (%)

A fim de diversificar os casos gerados, além da impedância equivalente (Zth)
fornecida pela ONS, correspondente aos sistemas conectados nas extremidades das
linhas de transmissão, foram empregadas outras duas impedâncias, possibilitando
simular as situações de fontes fortes e fracas na barra do relé. Os valores adotados para
essas simulações são, respectivamente, 100%, 30% e 120% do valor da impedância
equivalente real fornecida pela ONS.
6.5 Situações Operativas do Sistema Elétrico

Neste item são consideradas cinco alternativas para o algoritmo proposto,
diferenciando uma da outra em termos da RNA utilizada no mesmo, ou seja, cada
alternativa é implementada com uma das redes pré-selecionadas no item 5.2.1.1. Essas
cinco alternativas são testadas frente a doze situações operativas do sistema elétrico,
conforme a tabela 6.2. Considerando-se os cinco níveis de tensão adotados neste
trabalho e as cinco RNA em teste, chegou-se a um universo de trezentos casos
simulados. A partir desses casos é realizado um estudo da influência da taxa de
amostragem e da janela de dados no desempenho do algoritmo, possibilitando
determinar qual é a RNA mais adequada para a implementação do mesmo.
Os casos utilizados para testar as cinco alternativas de algoritmos são variações
dos chamados, neste trabalho, de “casos de referência”, fornecidos pela ONS, conforme
apresentado no item 6.3. O conjunto de doze casos, desenvolvido para ser processado
por cada algoritmo, deve proporcionar uma visão da operação do mesmo para defeitos
101
de diferentes características. Para tanto, os casos contidos na tabela 6.2 contemplam

defeitos nas extremidades e no meio da linha de transmissão (curto-circuito sólido ou
com diferentes resistências de falta), além de diferentes instantes do defeito. A variação
da fonte equivalente nas extremidades da linha de transmissão também é simulada,
possibilitando visualizar a influência de fontes fortes e fracas, no comportamento do
algoritmo em teste.
Caso Zth Local da Rfalta Teta Tipo

Falta (p.u.)
(%) ( Ω ) ( º ) de Curto
1 100 0,2 0 0 A-T
2 100 0,2 0 0 AB-T
3 100 0,2 0 0 AB
4 100 0,2 0 0 ABC
5 30 0,5 10 45 A-T
6 30 0,5 10 45 AB-T
7 30 0,5 0 45 AB
8 30 0,5 0 45 ABC
9 120 0,8 20 90 A-T
10 120 0,8 20 90 AB-T
11 120 0,8 0 90 AB
12 120 0,8 0 90 ABC
Tabela 6.2 – Casos utilizados para a avaliação das alternativas de algoritmo
É importante ressaltar que a avaliação dos algoritmos (cada um implementado

com uma das RNA pré-selecionadas, perfazendo um total de cinco alternativas de
algoritmos) consiste na observação de dois indicadores principais, que são:
1- Ttrip: Tempo para gerar o sinal de trip

O sinal de trip é gerado quando o algoritmo emite três respostas consecutivas
(valores de R e X) no interior da primeira zona de proteção do relé. A zona de proteção
em questão, no presente trabalho, foi ajustada para proteger 85% da linha de
transmissão, e apresenta característica Mho.
No caso exemplificado na figura 6.2.a, a primeira zona de proteção é demarcada
pela circunferência verde, sendo o Ttrip obtido após 7 amostras pós-falta.
102
2- Testab: Tempo de estabilização

O tempo de estabilização é alcançado quando o algoritmo passa a emitir
respostas sucessivas com um erro menor do que 5%. Esse erro é medido com relação ao
valor correto da impedância de falta, previamente conhecido. Matematicamente o
Testab é definido conforme a equação 6.1.
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.
Na figura 6.2.a o valor correto da impedância de falta é indicado pelo ponto em

vermelho, no interior da primeira zona de proteção. Neste caso, o Testab é obtido após
10 amostras pós-falta, quando o valor calculado da impedância de falta Z(t) penetra,
definitivamente, numa circunferência centrada no valor correto da impedância de falta
Zcor, e com raio igual a 5% deste valor. Tal circunferência é apresentada em vermelho,
na referida figura.
Op. Normal
X (Ohms)
Z linha + Z carga
1
2
3
4
6
8
7
R (Ohms)
Figura 6.2.a – Ilustração dos tempos de estabilização (Testab) e trip (Ttrip)
Com relação à figura 6.2.a, é importante observar que para as taxas de

amostragem utilizadas neste trabalho, os tempos obtidos são:
103
Taxa de 16 amostras por ciclo de 60 Hz

Ttrip = 7 ms e Testab = 10 ms.
Taxa de 32 amostras por ciclo de 60 Hz
Ttrip = 3,5 ms e Testab = 5 ms.
Como complemento da tabela 6.2, na tabela 6.3 encontram-se os comprimentos

das linhas de transmissão e os valores das impedâncias dos equivalentes (na barra do
relé), utilizados na geração das situações operativas da linha de transmissão.
Nível de Tensão Comprimento da Linha Zth do equivalente

138 kV 74 km 2.51 + j9,22
230 kV 80 km 0,76 + j10,89
345 kV 145 km 2,9 + j108,50
500 kV 181 km 0,84 + j15,72
765 kV 265 km 1,46 + j29,21
Tabela 6.3 – Características das linhas utilizadas na geração das situações operativas
No próximo item será apresentado o desempenho das cinco alternativas de

algoritmo frente a todos os níveis de tensão considerados neste trabalho, possibilitando
discutir e selecionar qual dessas alternativas é a mais apropriada para a implementação
de um relé de distância baseado em RNA.
6.6 Desempenho do Algoritmo Proposto Implementado com as

RNA Pré-Selecionadas
Seguindo o mesmo raciocínio exposto no capítulo 5, onde as redes R e X eram
denominadas conforme as suas características, os algoritmos avaliados neste capítulo
recebem as seguintes denominações:
Rede-16-4 – Esta alternativa de algoritmo calcula a impedância da falta a partir das
redes R e X que operam com janela de dados de 4 amostras e uma freqüência de
amostragem de 16 amostras / ciclo (Rede-16-4-r e Rede-16-4-x);
104

Após todas as alternativas de algoritmo serem submetidas a situações operativas
de uma linha de transmissão (vide tabela 6.2) operando em cada um dos níveis de tensão
citados anteriormente (vide tabela 6.3), as tabelas 6.4 e 6.5 apresentam os tempos
médios de estabilização e trip obtidos. É importante observar que os resultados obtidos
para cada alternativa de algoritmo foram levantados frente a 60 casos de operação do
sistema elétrico (12 situações operativas x 5 níveis de tensão).
Nível de Rede-16-4 Rede-16-8 Rede-16-12 Rede-16-16 Rede-32-16

Tensão (kV)
138 7,45 7,81 11,00 14,00 8,72
230 7,27 7,99 9,72 12,99 8,54
345 12,73 12,82 13,72 17,63 10,55
500 9,17 11,54 9,27 12,00 7,63
765 8,63 10,18 9,95 15,00 8,04
Tempo médio 9,05 10,07 10,73 14,32 8,69
total
Tabela 6.4 – Tempo médio de trip em cada nível de tensão (ms)
105
Nível de Rede-16-4 Rede-16-8 Rede-16-12 Rede-16-16 Rede-32-16

Tensão (kV)
138 9,75 13,50 16,50 17,00 12,70
230 17,67 26,40 19,30 21,91 15,91
345 40,33 39,40 32,67 27,08 17,00
500 16,41 18,33 61,16 20,75 35,08
765 36,58 28,75 52,00 22,91 39,25
Tempo médio 24,15 25,28 36,32 21,93 23,99
total
Tabela 6.5 – Tempo médio de estabilização em cada nível de tensão (ms)
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
Carga computacional imposta pela alternativa Rede-16-4
Número de Número de Funções de

multiplicações somas ativação
1ª camada 64 56 8
2ª camada 136 119 17
3ª camada 102 96 6
4ª camada 6 5 1
Total da RNA 308 276 32
Tabela 6.6 – Carga computacional da alternativa Rede-16-4
Carga computacional imposta pela alternativa Rede-32-16
Número de Número de Funções de

multiplicações somas ativação
1ª camada 1024 992 32
2ª camada 2080 2015 65
3ª camada 520 512 8
4ª camada 8 7 1
Total da RNA 3632 3526 106
Tabela 6.7 – Carga computacional da alternativa Rede-32-16
Conforme discutido, em termos de trip e carga computacional, as duas

alternativas em questão possuem, cada uma, suas vantagens e desvantagens. Portanto,
para decidir sobre a rede mais apropriada para a implementação do algoritmo proposto,
resta analisar os resultados referentes ao segundo indicador adotado, ou seja, o tempo de
estabilização do algoritmo - Testab (tabela 6.5).
Com relação ao referido tempo de estabilização, observa-se, na tabela 6.5, que
os melhores tempos médios são provenientes das alternativas Rede-32-16 e Rede-16-16.
No entanto, a Rede-16-16 não possui um bom tempo de trip, conforme mostra a tabela
6.4, além de possuir um tempo de estabilização médio maior que 1 ciclo,
independentemente do nível de tensão analisado. Dessa forma, tal alternativa será
desconsiderada, sendo novamente admitida a possibilidade da alternativa Rede-16-4,
107
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)
Figura 6.3 – Resposta do elemento de terra AN das alternativas Rede-16-4 e Rede-32-16

108
X (Ω)
X (Ω)
R (Ω) R (Ω)
Figura 6.4 – Resposta do elemento de fase AB das alternativas Rede-16-4 e Rede-32-16
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.
6.7 Respostas dos Algoritmos em 138 kV

A figura 6.5 ilustra os tempos de estabilização e trip dos algoritmos em
avaliação, para os doze casos pertencentes à tabela 6.2, quando operando em um nível
de tensão de 138 kV.
109
Figura 6.5 - Tempos de estabilização e trip – 138 kV
A tabela 6.8 apresenta um resumo do desempenho dos algoritmos

implementados com as cinco RNA pré-selecionadas. Os valores no interior da tabela
encontram-se em milissegundos e representam os tempos médios de estabilização e trip
dos algoritmos.
Algoritmos em Avaliação – 138 kV

Rede-16-4 Rede-16-8 Rede-16-12 Rede-16-16 Rede-32-16
Testab 9,75 13,50 16,50 17,00 12,70
Ttrip 7,45 7,81 11,00 14,00 8,72
Tabela 6.8 – Tempos médios (ms) de estabilização e trip para 138 kV
110
Conforme apresentado na tabela 6.8, todos os algoritmos responderam

adequadamente às situações operativas a que foram submetidos, tendo, inclusive, em
alguns casos, tempos de estabilização e trip bastante satisfatórios. Dessa forma,
qualquer uma das alternativas avaliadas poderia desempenhar a função de proteção do
sistema em questão. Porém, adotando os tempos médios como critério de escolha, a
alternativa Rede-16-4 mostra-se a mais adequada para proteger o referido sistema. Além
de menores tempos, essa alternativa apresenta a menor carga computacional para o
microprocessador, pois possui a RNA com a menor arquitetura. A figura 6.6 apresenta,
a título de exemplo, o comportamento dos elementos de fase e de terra da Rede-16-4,
para um curto-circuito trifásico a 80% da linha de transmissão, com o ângulo da tensão
em 45 graus - caso 12 da tabela 6.2.
O primeiro gráfico da figura 6.6 apresenta os sinais de tensão e corrente nas
situações de pré-falta e pós-falta, além da resposta, amostra a amostra, da rede X do
elemento de fase AB, que após pouco tempo atingiu um erro menor que 1%. No
segundo gráfico desta figura é possível observar a excursão dos elementos de fase do
algoritmo, do ponto R-X de operação pré-falta, em direção ao ponto R-X de defeito, no
interior da zona de proteção do relé. Já o terceiro gráfico é uma ampliação do gráfico
anterior, possibilitando visualizar os três elementos de fase nas proximidades do ponto
R-X de defeito. Uma vez que todos os elementos de fase atuaram para o defeito, são
considerados, para compor a tabela de “tempos médios”, os tempos de estabilização e
trip do elemento que gerou o primeiro sinal de trip, ou seja, o que, por três vezes
consecutivas, gerou uma saída no interior da zona de operação do relé.
111
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
Figura 6.6 – Comportamento dos elementos de fase do algoritmo – 138 kV

112

A figura 6.7 ilustra os tempos de estabilização e trip dos algoritmos em
avaliação, para os doze casos constantes da tabela 6.2, em um nível de tensão de 230
kV.
Conforme observado na figura 6.7, diferentemente do caso anterior, os

algoritmos demoram um pouco mais de tempo para atingir a estabilização (Testab) . No
entanto, todas as alternativas continuam com um tempo de trip bem satisfatórios. A
tabela 6.9 apresenta os tempos médios dos algoritmos em avaliação.
É interessante salientar que algumas situações comprometem o tempo médio dos
algoritmos e, em geral, essas situações são correspondentes aos defeitos mais próximos
do dispositivo de proteção, onde deseja-se um sinal de trip rápido e não uma grande
113
precisão. Sendo assim, o compromisso tempo de trip x tempo de estabilização, para

cada situação, deve ser considerado, podendo inclusive auxiliar na indicação para a
seleção do dispositivo de proteção mais adequado. Em geral deseja-se mais precisão nos
defeitos localizados no final da linha de transmissão (próximos à passagem da primeira
zona para a segunda zona) e maior velocidade de trip para defeitos no início da linha de
transmissão.

Testab 17,67 26,40 19,30 21,91 15,91
Ttrip 7,27 7,99 9,72 12,99 8,54
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
Conforme observado neste gráfico, apesar do elemento de fase AC ter emitido

“indevidamente” mais de três respostas no interior da característica do relé, este não
provoca a abertura do seu respectivo disjuntor. Isso ocorre porque somente o elemento
de fase AB foi liberado (pelo classificador de faltas) para atuar no disjuntor.
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)

115

A figura 6.9 apresenta os tempos de estabilização e trip dos algoritmos em teste,
para os doze casos constantes da tabela 6.2, em um nível de tensão de 345 kV. É
importante salientar que, neste caso, os relés possuem elevados tempos de estabilização,
que são causados pela instabilidade da RNA frente às ondas trafegantes provocadas pelo
curto-circuito, conforme apresenta a figura 6.10a, para os sinais de tensão. Tal
comportamento já era previsto, visto que as RNA utilizadas neste capítulo foram
treinadas a partir de um modelo de primeira ordem, não contemplando, portanto, as
situações de defeito que resultam em ondas trafegantes.
Para solucionar esse problema, atenuando as ondas trafegantes, passou-se a
utilizar, a partir desse nível de tensão, um filtro analógico anti-aliasing com freqüência
de corte igual a 100 Hz. A figura 6.10b apresenta o mesmo sinal de entrada que gerou a
figura 6.10a (filtro com 200 Hz) após ser submetido a um filtro analógico com
freqüência de corte de 100 Hz. Essa solução mostrou-se suficientemente simples,
exigindo apenas um ajuste na freqüência de corte do filtro analógico já existente, e
conforme a figura 6.10, atenua consideravelmente as ondas trafegantes, possibilitando
um melhor desempenho do algoritmo proposto.
116
Figura 6.9 - Tempos de estabilização e trip – 345 kV (filtro de 200 Hz)

V (V)
V (V)
I (A)
I (A)
T (s) T (s)
Figura 6.10a - Filtro de 200 Hz Figura 6.10b – Filtro de 100 Hz
Figura 6.10 - Sinais com ondas trafegantes (6.10a) e com ondas trafegantes atenuadas (6.10b)
117
A tabela 6.10 apresenta os tempos médios de estabilização e trip dos algoritmos

em teste, para uma implementação destes com filtro analógico de 200 Hz. Conforme
apresentado na tabela 6.10 e observado na figura 6.9, além do elevado tempo de
estabilização, existe uma grande variação entre os tempos de uma mesma alternativa de
algoritmo, dependendo do caso simulado. Já a figura 6.11 apresenta os tempos de
estabilização e trip dos algoritmos em avaliação, quando estes são implementados com
um filtro analógico de 100 Hz, como medida para atenuar o efeito das ondas trafegantes.
Conforme discutido anteriormente, essa medida visa melhorar o desempenho das RNA
e, conseqüentemente, das alternativas de algoritmos em teste. Entretanto, deve ser
levado em consideração que a redução da freqüência de corte do filtro analógico
existente causa um acréscimo no tempo de atraso do mesmo, sendo importante verificar,
portanto, a relação “melhora de desempenho versus acréscimo no tempo de atraso”. A
tabela 6.11 apresenta os tempos médios de estabilização e trip nesta situação,
permitindo a comparação dessa nova implementação com a anterior (filtro de 200 Hz),
contemplando a supracitada relação.

Testab 41,83 40,33 35,00 35,33 20,29
Ttrip 9,27 16,81 13,36 16,91 8,63
Tabela 6.10 – Tempos médios (ms) de estabilização e trip para 345 kV (filtro de 200 Hz)
118
Figura 6.11 - Tempos de estabilização e trip – 345 kV (filtro de 100 Hz)

Testab 40,33 39,40 32,67 27,08 17,00
Ttrip 12,73 12,82 13,72 17,63 10,55
Tabela 6.11 – Tempos médios (ms) de estabilização e trip para 345 kV (filtro de 100 Hz)
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
aparente melhora em algumas situações operativas, estas ainda possuem tempos de

estabilização extremamente altos, com relação à Rede16-16 e Rede-32-16.
As duas alternativas Rede16-16 e Rede-32-16 possuem a mesma arquitetura de
RNA, entretanto, o tempo necessário para a segunda alternativa realizar os cálculos,
referentes à inferência da RNA, é a metade do tempo disponível para a primeira
alternativa. Adotando esse critério para a seleção da alternativa mais adequada, a Rede-
16-16 seria a mais apropriada, porém, em conseqüência dos menores tempos de resposta
apresentados pela Rede-32-16 e, sendo esse o critério principal, a mesma foi a
selecionada para efetuar a proteção do sistema em questão. Na figura 6.12 é apresentado
o comportamento dos elementos de fase da alternativa de algoritmo selecionada, frente
a um caso de curto-circuito dupla-fase no meio da linha de transmissão, quando o
ângulo da tensão é 45º - caso 7 da tabela 6.2.
120
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
Além dos sinais de tensão e corrente de defeito, é possível verificar no primeiro

gráfico da figura 6.12, o reduzido erro de resposta da rede X do elemento de fase AB.
No segundo gráfico dessa figura, verifica-se a resposta do elemento de fase AB,
percorrendo seu trajeto para o ponto de defeito no interior da zona de proteção
121
considerada. O terceiro gráfico da referida figura possibilita uma melhor visualização da

precisão atingida pelo elemento de fase AB, ao alcançar o ponto R-X de defeito,
internamente à zona de atuação do relé de distância baseado em RNA.

A figura 6.13 apresenta os tempos de estabilização e trip dos algoritmos em
teste, para os doze casos pertencentes à tabela 6.2, em um nível de tensão de 500 kV.
Conforme salientado no item anterior, todos os relés avaliados em níveis de tensão
acima de 345 kV são implementados com filtro analógico de freqüência de corte igual a
100 Hz.
Os tempos médios de estabilização e trip dos algoritmos em avaliação são

apresentados na tabela 6.12 e, segundo o critério de menor tempo médio de
122
estabilização e menor carga computacional imposta ao microprocessador, a Rede-16-4

seria a escolhida para a proteção do sistema em questão. Já segundo o critério de tempo
de trip, a Rede-32-16 seria a escolhida. Percebe-se que uma característica importante da
alternativa Rede-32-16 é possuir o menor tempo de trip para defeitos no início e meio
da linha de transmissão, tendo trip mais lento no trecho final da linha, onde se deseja
maior precisão.

Testab 16,41 18,33 61,16 20,75 35,08
Ttrip 9,17 11,54 9,27 12,00 7,63
A figura 6.14 apresenta o comportamento dos elementos de terra da alternativa

de algoritmo Rede-16-4, que foi escolhida devido à sua característica de impor uma
baixa carga computacional ao microprocessador. Para fins de comparação, o
comportamento dos elementos de terra da Rede-32-16 é mostrado na figura 6.14. Essas
duas alternativas de algoritmo são submetidas aos sinais provenientes do caso 1 da
tabela 6.2, ou seja, curto-circuito sólido da fase A com a terra, quando o ângulo da
tensão encontra-se em 0º.
123
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
Figura 6.14 – Comportamento dos elementos de terra do algoritmo – 500 kV (Rede-16-4)
Neste caso tem-se o primeiro gráfico da figura 6.14 ilustrando os sinais de

tensão e corrente nas situações de pré e pós-defeito, além das respostas desejada (azul) e
calculada (vermelho) referentes à rede X do elemento de terra AN. O erro, amostra a
amostra, também é ilustrado nesta figura, se mostrando razoavelmente baixo, após a
124
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)
Figura 6.15 – Comportamento dos elementos de terra do algoritmo – 500 kV (Rede-32-16)

Para finalizar o estudo sobre a alternativa de algoritmo mais adequada, para
efetuar a proteção de linhas de transmissão, em todos os níveis de tensão, são
126
apresentadas na figura 6.16 as respostas fornecidas por todas as alternativas de

algoritmo em avaliação, frente aos doze casos da tabela 6.2, quando operando em um
sistema de 765 kV.
Conforme observado nos gráficos da figura 6.16 e na tabela 6.13, segundo o

critério de menor tempo de estabilização, a alternativa Rede-16-16 seria a mais
adequada para efetuar a proteção do sistema elétrico em questão. No entanto, segundo o
critério de menor tempo de trip, a Rede-32-16 é apontada como a mais apropriada para
desempenhar tal função. Neste caso, ainda com o respaldo dos valores apresentados na
tabela 6.13, opta-se pela alternativa de algoritmo Rede-32-16, que possui um tempo
médio de trip bem inferior ao da Rede-16-16. Em caso de restrições práticas, esta última
alternativa poderia ser utilizada, uma vez que a mesma impõe uma carga computacional
menor ao microprocessador.
127
Relés em Avaliação – 765 kV

Testab 36,58 28,75 52,00 22,91 39,25
Ttrip 8,63 10,18 9,95 15,00 8,04
A figura 6.17 apresenta o comportamento dos elementos de terra da alternativa

de algoritmo Rede-32-16, frente ao caso 5 da tabela 6.2 – curto-circuito monofásico
(fase A), com resistência de falta de 10 Ohms, ângulo da tensão de 45º e localizado no
meio da linha de transmissão.
128
X (Ω)
V (V)
I (A)
T (s)
X (Ω)
R (Ω)
X (Ω)
R (Ω)
Figura 6.17 – Comportamento dos elementos de terra do algoritmo – 765 kV

129
6.12 Conclusão do Desempenho das Alternativas de Algoritmo

Frente a Cada Nível de Tensão Considerado
O estudo realizado nos itens anteriores fez-se necessário para embasar a
importante decisão de escolher a alternativa de algoritmo mais apropriada para efetuar
uma adequada proteção de linhas de transmissão em qualquer nível de tensão. A
alternativa selecionada para essa função será foco de uma exaustiva avaliação de
performance, através de aproximadamente 500 simulações das condições operativas das
linhas de transmissão. Esta avaliação consta da comparação das respostas, em termos de
tempos de trip e estabilização, emitidas pelo algoritmo proposto e por um algoritmo
convencional (Algoritmo de Fourier de um ciclo), frente a situações operativas
idênticas.
A tabela 6.14 resume os resultados (de forma qualitativa) obtidos nos itens
anteriores, mostrando que a alternativa Rede-32-16 atende a todos os níveis de tensão,
confirmando o exposto inicialmente no item 6.6, quando em termos de tempos médios
de estabilização e trip, além do critério de regularidade; essa alternativa foi a
selecionada.
Níveis de Tensão Considerados

138 kV 230 kV 345 kV 500 kV 765 kV
Rede-16-4 X* X* X*
Rede-16-8 X X
Rede-16-12 X X
Rede-16-16 X X X X
Rede-32-16 X X X* X X*
Tabela 6.14 – Desempenho das alternativas de algoritmos sob todos os níveis de tensão
X = O algoritmo tem condições de proteger a linha de transmissão.

X* = Algoritmo selecionado para a proteção da linha de transmissão.
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
A partir do nível de tensão de 345 kV, foi observado que as alternativas de

algoritmo passaram a responder com um elevado tempo de estabilização. Essa queda de
desempenho foi atribuída à distorção do sinal de tensão devido às ondas trafegantes
geradas no curto-circuito. Tal problema foi amenizado com a utilização de um filtro
analógico com freqüência de corte inferior à original, impedindo que algumas
freqüências superiores chegassem na entrada da RNA que compõe cada alternativa de
algoritmo. Percebe-se, no entanto, que a solução relacionada ao filtro analógico torna-se
mais eficiente quando utilizada com as Rede-16-16 e Rede-32-16, exceto no caso de
500 kV, onde a Rede-16-4 teve um bom desempenho. Atribui-se esse fato ao número de
amostras no vetor de entrada da RNA, ou seja, quanto maior a janela de dados, mais
robusta torna-se a RNA que forma o algoritmo em questão.
É importante salientar que a freqüência da onda trafegante, perturbadora do sinal
senoidal de tensão, é função da distância do curto-circuito, dos parâmetros e do
comprimento da linha de transmissão. Isso significa que em determinadas situações,
dependendo da freqüência gerada, uma determinada RNA pode responder de melhor ou
pior maneira, comprometendo ou não o desempenho de uma determinada alternativa de
algoritmo.
Analisando-se a tabela 6.14, verifica-se que a única alternativa de algoritmo que
respondeu adequadamente a todos os níveis de tensão foi a Rede-32-16. Essa alternativa
foi selecionada para atuar em dois dos sistemas considerados (345 kV e 765 kV), tendo
perfeitas condições de atuar satisfatoriamente nos demais sistemas adotados. Conforme
ressaltado no item 6.6, no capítulo 7 a alternativa de algoritmo Rede-32-16 terá seu
desempenho comparado com o desempenho de uma proteção de distância baseada no
Algoritmo de Fourier, frente a aproximadamente 500 situações operativas dos sistemas
elétricos considerados neste trabalho.
Novamente, salienta-se a importância dos testes realizados neste capítulo, pois a
partir destes foi possível a visualização de cada uma das alternativas de algoritmo
(cinco), frente a doze casos de operação, em todos os níveis de tensão do sistema
(cinco), totalizando a simulação de trezentas situações operativas. A função mais
importante deste capítulo foi apontar a alternativa que mantém a melhor média de
tempos diante de todos as situações simuladas, ou seja, apontar qual a RNA que
proporciona o efetivo comportamento genérico do algoritmo. Em segunda instância,
131
este capítulo apresentou a melhor alternativa de algoritmo para cada um dos cinco
níveis de tensão, apreciados isoladamente.
132
7 COMPARAÇÃO ENTRE OS ALGORITMOS

PROPOSTO E CONVENCIONAL
No capítulo anterior foi constatada qual a alternativa de algoritmo que atende de
melhor maneira a proposta deste trabalho, ou seja, constituir uma proteção de distância
com um comportamento adequado, em termos de tempo de resposta, frente a todos os
níveis de tensão considerados no presente estudo.
Neste capítulo é realizada uma comparação entre o algoritmo selecionado no
capítulo anterior (Rede-32-16), e um algoritmo convencional utilizado na proteção de
distância - Algoritmo de Fourier. Esta comparação consta da análise das respostas de
cada um desses algoritmos, frente a 96 simulações de possíveis condições operativas
das linhas de transmissão de referência, em cada um dos níveis de tensão adotados neste
trabalho. Considerando os cinco níveis de tensão adotados, cada algoritmo responderá a
480 possíveis situações operativas.
Os 96 casos simulados em cada nível de tensão são formados através dos 32
casos que constituem a tabela 7.1, para três comprimentos diferentes de linha de
transmissão, conforme apresentado no item 6.4 e reproduzidos na tabela 7.2, juntamente
com os valores das impedâncias dos equivalentes na barra do relé, para cada linha de
transmissão considerada.
O referido algoritmo convencional, utilizado neste trabalho, é composto por um
Filtro de Fourier (1 ciclo) associado a um filtro para a pré-filtragem da componente
aperiódica. Conforme Senger (1998), essa configuração apresenta os menores tempos
para o cálculo da correta impedância de falta, diante de um sistema elétrico adotado
para o estudo, quando comparado com os seguintes algoritmos: Fourier (1 ciclo);
Fourier (1/2 ciclo); Filtros Seno e Cosseno.
133
Caso Zth (%) Local da Rfalta ( Ω ) Teta ( º ) Tipo de

Falta (p.u.) Curto
1 100 0,2 0 0 A-T
2 100 0,2 0 0 AB-T
3 100 0,2 0 0 AB
4 100 0,2 0 0 ABC
5 30 0,2 0 45 A-T
6 30 0,2 0 45 AB-T
7 30 0,2 0 45 AB
8 30 0,2 0 45 ABC
9 120 0,2 0 90 A-T
10 120 0,2 0 90 AB-T
11 120 0,2 0 90 AB
12 120 0,2 0 90 ABC
13 100 0,5 10 0 A-T
14 100 0,5 10 0 AB-T
15 100 0,5 0 0 AB
16 100 0,5 0 0 ABC
17 30 0,5 10 45 A-T
18 30 0,5 10 45 AB-T
19 30 0,5 0 45 AB
20 30 0,5 0 45 ABC
21 120 0,5 10 90 A-T
22 120 0,5 10 90 AB-T
23 120 0,5 0 90 AB
24 120 0,5 0 90 ABC
25 100 0,8 20 0 A-T
26 100 0,8 20 0 AB-T
27 100 0,8 0 0 AB
28 100 0,8 0 0 ABC
29 30 0,8 20 45 A-T
30 30 0,8 20 45 AB-T
31 30 0,8 0 45 AB
32 30 0,8 0 45 ABC
Tabela 7.1 – Situações operativas consideradas para a avaliação dos algoritmos RNA x Fourier
134
Nível de Tensão Linha 1 Linha 2 Linha 3 Zth na barra do

relé
138 kV 50 km 74 km 150 km 2,51 + j9,22
230 kV 80 km 100 km 200 km 0,76 + j10,89
345 kV 100 km 145 km 300 km 2,9 + j108,50
500 kV 181 km 300 km 400 km 0,84 + j15,72
765 kV 265 km 350 km 500 km 1,46 + j29,21
Tabela 7.2 – Comprimento das linhas utilizadas nas simulações
Obs: Na tabela 7.2, os valores em destaque correspondem aos comprimentos reais das
linhas de transmissão.
7.1 Comportamento dos Algoritmos em 138 kV – RNA x

Fourier
Após os dois algoritmos em avaliação serem submetidos aos 96 casos,
representativos das possíveis situações operativas da linha de transmissão de 138 kV,
foram elaborados os gráficos das figuras 7.1, 7.2 e 7.3. Tais figuras apresentam o
comportamento desses algoritmos, em termos de tempos de estabilização e trip, frente
aos três comprimentos de linha de transmissão, considerados neste nível de tensão. O
primeiro gráfico de cada figura apresenta os tempos de estabilização (tempo para a
medida da distância da falta possuir um erro absoluto menor que 5%) dos algoritmos em
questão, sendo o segundo gráfico relativo aos tempos de trip dos mesmos. Cada figura
contempla 32 situações operativas da linha de transmissão, modeladas com um dos três
comprimentos previamente definidos, conforme as tabelas 7.1 e 7.2.
O esquema descrito no último parágrafo, para a apresentação dos tempos de
respostas dos algoritmos em avaliação, é estendido a todos os demais itens deste
capítulo. Os tempos são apresentados em milessegundos.
135
Figura 7.1 – Tempos de estabilização e trip – 138 kV / 50 km
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
Diante de uma resistência de falta de 20 Ohms, nos defeitos fase-terra, tanto o

algoritmo baseado em RNA, como o algoritmo de Fourier, não geram o sinal de trip.
Esse fato pode ser verificado nos casos 25 e 29 de cada gráfico “tempo de trip” das
figuras 7.1, 7.2 e 7.3. Os tempos médios de estabilização e trip dos algoritmos em
avaliação, para cada comprimento de linha, são apresentados na tabela 7.3.
Comprimento da Linha de Transmissão – 138 kV

Tempo Algoritmo 50 km 74 km 150 km
RNA 12,28 (94%) 13,65 (97%) 12,17 (100%)
Testab Fourier 17,97 18,75 18,12
RNA 06,88 (97%) 08,16 (100%) 06,90 (100%)
Ttrip Fourier 14,20 15,63 13,7
Tabela 7.3 – Tempos médios (ms) de estabilização e trip em 138 kV – RNA x Fourier
Através da tabela 7.3 verifica-se a vantagem da utilização do algoritmo baseado

em RNA, em qualquer uma das três linhas de transmissão consideradas neste nível de
tensão. Essa vantagem fica evidente quando se atenta para os baixos tempos de
estabilização e trip do algoritmo proposto - principalmente o tempo de trip.
Analisando-se os valores da tabela 7.3, constata-se que não há diferença
significativa nos tempos das respostas emitidas pelo algoritmo baseado em RNA,
qualquer que seja o comprimento da linha de transmissão analisada.
Os números entre parênteses na situação Testab correspondem, em termos
percentuais, ao número de casos, dentre os 32 casos, em que o algoritmo baseado em
RNA estabilizou num tempo inferior ao algoritmo de Fourier. Já nas situações de trip,
este número corresponde, também em termos percentuais, ao número de casos, dentre
os 30 casos (excluídos os casos 25 e 29), em que o algoritmo baseado em RNA gerou o
sinal de trip mais rápido do que o algoritmo de Fourier.

Fourier
Após os algoritmos serem submetidos aos 96 casos, representativos das
possíveis situações operativas da linha de transmissão de 230 kV, foram gerados os
137
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.
A partir da figura 7.4, tempos relacionados a uma linha de transmissão de 230

kV e 80 km, observa-se que o algoritmo baseado em RNA passa a ter alguns tempos de
estabilização superiores aos tempos do algoritmo convencional. Vale salientar,
138
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.
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.

RNA 17,28 (72%) 17,04 (72%) 14,05 (88%)
RNA 09,00 (93%) 08,83 (93%) 07,90 (87%)
Ttrip Fourier 13,30 13,03 12,67
Como no caso anterior, linhas de 138 kV, é nítida a vantagem da utilização do

algoritmo proposto para efetuar a proteção das linhas de transmissão de 230 kV.
139

Fourier
Da mesma forma que nos itens anteriores, os dois algoritmos em avaliação são
submetidos aos 96 casos simulados, referentes aos 32 casos pertencentes à tabela 7.1,
para cada um dos três comprimentos da linha de transmissão de 345 kV. Após a
submissão dos algoritmos a tais situações operativas, foram gerados os gráficos das
figuras 7.7, 7.8 e 7.9.

140
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.
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.

RNA 17,15 (75%) 17,57 (69%) 18,46 (72%)
RNA 11,40 (100%) 10,55 (100%) 09,75 (100%)
Ttrip Fourier 16,70 16,20 15,40
Conforme observado na tabela 7.5, não houve impacto significativo no

desempenho do algoritmo baseado em RNA, frente à variação do comprimento da linha
de transmissão.
141

Fourier
O comportamento dos algoritmos proposto e convencional, frente às situações
operativas representativas de uma linha de transmissão de 500 kV, para os três
comprimentos contemplados na tabela 7.2, são apresentados graficamente nas figuras
7.10, 7.11 e 7.12.

142
Conforme verificado nos gráficos apresentados, o algoritmo proposto possui um

desempenho inferior ao algoritmo convencional, quando se trata de tempo de
estabilização. Porém, vale ressaltar que para os defeitos mais comuns em linhas de
transmissão, aqueles de uma fase para a terra, o algoritmo proposto se comporta de
forma mais satisfatória que o convencional, atingindo a estabilização mais rapidamente
(visualizar nos gráficos os casos de defeito monofásico – 1, 5, 9, 13, 17, 21, 25 e 29).
Dessa forma, neste sistema o algoritmo proposto poderia ser usado, com vantagem
sobre o método convencional, como proteção de faltas para a terra.
O elevado tempo de estabilização do algoritmo proposto, frente à maioria dos
casos avaliados, é atribuído a uma certa susceptibilidade deste algoritmo perante as
ondas trafegantes oriundas do defeito, que no sistema em questão (comprimento, nível
de tensão e parâmetros da linha) são, normalmente, significativas.
Na tabela 7.6 observa-se, que em termos de estabilização, seja qual for o
comprimento da linha, o algoritmo baseado em RNA possui um desempenho quase
igual ao algoritmo baseado em Fourier, quando se trata do número de vezes que o
algoritmo proposto estabiliza primeiro (12 vezes para 400 km, 13 vezes para 181 km e
15 vezes para 300 km). Entretanto, o elevado tempo médio obtido pelo algoritmo
proposto diante destes casos resulta do fato deste ser um pouco mais rápido quando
atinge a estabilização primeiro, e muito mais lento caso contrário. A tabela 7.6
apresenta, também, os tempos de trip dos algoritmos proposto e convencional, através
dos quais é possível constatar a grande vantagem do algoritmo baseado em RNA. A
velocidade para a geração do sinal de trip no algoritmo proposto é atribuída à
propriedade da RNA caracterizar o defeito com poucas amostras do mesmo, entrando
rapidamente na zona de atuação do dispositivo de proteção.
143

RNA 36,85 (41%) 35,03 (47%) 44,42 (38%)
RNA 07,60 (97%) 06,77 (97%) 06,17 (97%)
Ttrip Fourier 13,06 12,43 12,56

Fourier
O comportamento dos algoritmos proposto e convencional, frente às situações
operativas representativas de uma linha de transmissão de 765 kV, para os três
comprimentos contemplados na tabela 7.2, são apresentados graficamente nas figuras
7.13, 7.14 e 7.15.

144
Conforme os gráficos 7.13, 7.14 e 7.15, em termos de tempo de estabilização,

pode-se dizer que o algoritmo proposto ficou em desvantagem com relação ao algoritmo
convencional. Entretanto, vale ressaltar que em aproximadamente 41% dos casos, o
algoritmo proposto atingiu a estabilização antes do algoritmo convencional. Ainda com
respeito aos tempos de estabilização, a característica mais marcante do algoritmo
proposto é o excelente desempenho nos casos de curto-circuito fase-terra (visualizar nos
gráficos os casos de defeito monofásico – 1, 5, 9, 13, 17, 21, 25 e 29), na grande maioria
das vezes melhor que o algoritmo convencional. Portanto, como no caso anterior (500
kV), salienta-se que a algoritmo proposto poderia trazer um ganho com relação ao
algoritmo convencional, quando utilizado como proteção de falta para a terra.
Em se tratando de tempo de trip, constata-se nos gráficos “tempo de trip” das
figuras 7.13, 7.14 e 7.15 a superioridade do algoritmo baseado em RNA, que gera os
sinais de trip em tempos bem inferiores se comparado com os tempos do algoritmo
convencional. Os tempos médios de estabilização e trip dos algoritmos proposto e
145
convencional, bem como o número percentual de vezes em que o algoritmo proposto

estabilizou (num total de 32 casos) ou gerou o sinal de trip (num total de 30 casos)
primeiro, são apresentados na tabela 7.7. Observando os valores contidos na referida
tabela, nota-se que a variação no comprimento da linha de transmissão não causou
mudança significativa no desempenho do algoritmo, causando apenas um leve
acréscimo nos tempos de estabilização do mesmo, quando a linha possui 500 km.

RNA 36,70 (41%) 35,54 (38%) 41,48 (44%)
RNA 07,01 (100%) 06,75 (97%) 07,40 (87%)
Ttrip Fourier 13,46 13,10 12,93
146
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
processamento discutido anteriormente. Já no processo de treinamento convencional, as

RNA devem ser treinadas com sinais provenientes dos locais onde estas redes serão
utilizadas na fase pós treinamento. Visto que esses sinais são de maior complexidade,
pois foram extraídos de sistemas trifásicos, tanto o desempenho, como o tempo de
treinamento das RNA, tendem a serem afetados negativamente. Um fato relevante a ser
destacado diz respeito ao tempo para a geração dos sinais de treinamento, que no
método utilizado é de alguns segundos, diferentemente do método tradicional, que
necessita da simulação do sistema trifásico na íntegra, demandando mais tempo para
gerar os sinais de treinamento. É importante salientar, entretanto, que no método
desenvolvido não são contempladas as situações que envolvem ondas trafegantes e,
portanto, o algoritmo adquire uma certa susceptibilidade aos efeitos destas. Tal
limitação é superada quando se adota uma filtragem mais seletiva e uma maior taxa de
amostragem para o algoritmo proposto.
A terceira conclusão parcial diz respeito à rotina elaborada para efetuar um
rápido teste de generalização das RNA treinadas a partir de um sistema monofásico de
primeira ordem. Este teste também evita que seja necessária a submissão da RNA a um
sistema modelado na íntegra, o que despenderia um tempo elevado para validar a rede,
frente a um número razoável de situações operativas. Portanto, como solução prévia
para a validação da RNA, foi elaborada uma rotina que gera sinais referentes às diversas
condições operativas de um sistema de primeira ordem. Através dos resultados emitidos
pela RNA, para tais sinais, é possível verificar a qualidade do treinamento desta, seja
qual for a taxa de amostragem ou o tamanho da janela de dados com que a mesma foi
treinada. Tal método indica rapidamente se a RNA “aprendeu” a estimar a resistência ou
a reatância em função das amostras de tensão e corrente contidas nos seus vetores de
entrada, contenham estas amostras os efeitos da componente aperiódica, ou não. O
sucesso nesta etapa habilita a RNA a ser, posteriormente, avaliada frente a situações
reais de sistemas trifásicos. Apesar desse teste não considerar as ondas trafegantes, as
RNA que não apresentarem um bom desempenho nesta fase já podem ser descartadas
das próximas etapas.
Finalizando as conclusões parciais, salienta-se a importância do estudo realizado
para determinar qual é a melhor alternativa de algoritmo para compor uma proteção de
distância genérica baseada em RNA. Tal estudo constou da avaliação do algoritmo
proposto implementado com cinco alternativas diferentes de RNA, onde cada
148
alternativa possui tamanho de janela de dados ou taxa de amostragem diferentes. Todas

as alternativas de algoritmo foram submetidas a inúmeras situações operativas de linhas
de transmissão operando em diversos níveis de tensão. Através da análise dos resultados
emitidos por cada alternativa de algoritmo, frente aos casos simulados, verificou-se que
numa dada configuração de linha, uma determinada alternativa pode mostrar-se mais
adequada do que as demais (vide tabela 6.14). Entretanto, considerando os tempos
médios de estabilização e trip, segundo os critérios adotados, a alternativa Rede-32-16
se apresentou como a mais adequada para compor o algoritmo de proteção proposto
neste trabalho, visto que a mesma atende satisfatoriamente às expectativas de tempo em
todos os níveis de tensão. Em contra-partida, é importante ressaltar que a Rede-16-4 é a
mais viável de ser implementada, não sendo a selecionada, neste estudo, somente em
virtude desta não atender ao nível de tensão de 345 kV. Deste fato verifica-se a
necessidade de um estudo mais aprofundado nesta alternativa de algoritmo, buscando
melhorar e validar a mesma, que demonstrou um bom desempenho nos demais níveis de
tensão. Através da seleção da alternativa de algoritmo Rede-32-16, acredita-se que a
elevação da taxa de amostragem foi uma medida essencial para o bom funcionamento
do esquema de proteção em questão.
Uma vez apresentadas as considerações e conclusões parciais, iniciam-se as
ponderações sobre os pontos marcantes e as conclusões do presente trabalho. Portanto,
as colocações a seguir são efetuadas num âmbito global, ou seja, através da análise dos
resultados obtidos com o algoritmo desenvolvido (testado no capítulo 7) e dos
resultados esperados do algoritmo idealizado inicialmente.
Como exposto oportunamente, o algoritmo idealizado possui a capacidade de ser
genérico, podendo, apesar de ser implementado com RNA, proteger qualquer linha de
transmissão, independentemente do seu nível de tensão ou comprimento. Essa
importante característica do algoritmo proposto (ser genérico) conduz a uma conclusão
em duas etapas: a-) capacidade do algoritmo responder adequadamente (com as medidas
de R e X), independentemente do nível de tensão da linha de transmissão protegida; b-)
aplicação prática do algoritmo proposto, considerando os tempos de estabilização e trip
do mesmo, com respeito às necessidades das linhas de transmissão. Para avaliar a
viabilidade do algoritmo proposto, o desempenho do mesmo foi comparado com o
algoritmo de Fourier (frente a situações operativas idênticas), largamente utilizado na
149
prática para a proteção de distância de linhas de transmissão. Os resultados obtidos

também são discutidos nesta conclusão.
Com relação à primeira colocação (generalidade do algoritmo desenvolvido),
constatou-se que o esquema de pré-processamento torna genérica qualquer uma das
alternativas de algoritmo implementadas neste trabalho, independentemente da taxa de
amostragem adotada ou do tamanho da janela de dados. Esse fato pode ser verificado
quando o sistema opera em regime normal, onde todas as alternativas de algoritmo
respondem com extrema precisão para a impedância “vista” a partir do ponto de
localização do dispositivo de proteção. Já na prática, onde podem existir outras
freqüências além da fundamental, como por exemplo, quando ocorre um defeito, o
algoritmo desenvolvido passa a inserir um erro em suas respostas. Para solucionar esse
problema, foi adotado um filtro analógico de freqüência de corte inferior à inicialmente
adotada, além de uma taxa de amostragem de 32 amostras por ciclo de 60 Hz. A
segunda e principal medida, visa conferir certa robustez ao algoritmo baseado em RNA,
que passa a rejeitar de forma mais acentuada os sinais diferentes daqueles utilizados no
seu processo de treinamento, provenientes de um sistema monofásico de primeira
ordem. Conforme destacado anteriormente, a alternativa de algoritmo que conferiu de
forma mais acentuada a característica de generalidade ao algoritmo desenvolvido,
proporcionando que este atue corretamente na proteção de qualquer uma das linhas
transmissão apresentadas no capítulo 6 foi a Rede-32-16 (taxa de amostragem de 32
amostras por ciclo e janela de dados de 16 amostras).
Com relação aos tempos de estabilização e trip do algoritmo proposto, pode-se
dizer que, incondicionalmente, este leva vantagem com relação ao algoritmo
convencional até o nível de 345 kV, conforme indicado nas tabelas 7.3, 7.4 e 7.5.
Entretanto, para os casos de 500 kV e 765 kV, o desempenho do algoritmo
convencional é nitidamente superior ao do algoritmo proposto, quando se trata de tempo
de estabilização. Já com relação aos tempos de trip, mesmo nesses níveis de tensão, o
algoritmo proposto possui atuação mais rápida, levando vantagem sobre o algoritmo
convencional, conforme apresentado nas tabelas 7.6 e 7.7.
É importante salientar que os algoritmos proposto e convencional obtiveram
excelente desempenho frente às situações operativas simuladas, possuindo, ambos,
variações nos tempos de estabilização (desvantagem mais acentuada na solução baseada
em RNA), porém em todos os casos convergindo para 5% de erro. Quanto ao tempo de
150
trip, novamente, ambos os algoritmos possuem variações no tempo de atuação (sendo

uma vantagem acentuada no algoritmo proposto o baixo tempo de trip), contudo, os
mesmos atuaram todas as vezes que o defeito se manifestou, exceto para os casos de
curto-circuito fase-terra com resistência de falta de 20 Ohms, onde a impedância do
defeito encontra-se fora da zona de atuação do dispositivo de proteção.
Conforme apresentado no capítulo 6, para utilizações pontuais, ou seja, em
linhas de transmissão específicas, alternativas de algoritmos distintas apresentariam
melhores resultados, como é o caso da alternativa Rede-16-4 na linha de 138 kV.
Entretanto, como o objetivo principal do trabalho é desenvolver um algoritmo que
atenda a todas as configurações de linhas de transmissão, adota-se como solução deste
estudo a alternativa Rede-32-16, com melhor desempenho médio nos vários níveis de
tensão considerados.
Com o respaldo dos resultados obtidos neste trabalho, acredita-se que foi dado o
primeiro passo em direção a uma utilização mais efetiva de RNA em sistemas elétricos
de potência, uma vez que se desvinculou essa ferramenta de uma aplicação específica,
conforme apresentado nos trabalhos anteriores (vide capítulo 2).
Vislumbra-se, sobre a aplicação apresentada neste trabalho, a possibilidade da
utilização de filtros mais eficientes, propiciando a utilização de algoritmos com janela
de dados menores do que meio ciclo (adotada na implementação final do algoritmo
proposto) em todos os níveis de tensão, evitando de forma mais eficaz a influência das
ondas trafegantes, em linhas mais longas e com níveis de tensão mais elevados. Tal
filtragem poderia inclusive ser realizada com a utilização de Redes Neurais Artificiais
ou Wavelet, procurando métodos alternativos aos tradicionais.
A melhor implementação desta aplicação, em termos de hardware, também é de
extremo interesse, ou seja, constatar qual é o verdadeiro ganho do projeto executado
com CI programáveis (RNA implementadas com FPGA) ou utilizando os já conhecidos
DSP.
Uma vez que este trabalho aumentou o horizonte, com respeito à utilização de
RNA, que se apresenta como uma das ferramentas mais poderosas e promissoras para a
resolução de problemas complexos, procurar-se-á, daqui para a frente, empregar o
conhecimento adquirido nesta etapa para a solução de outros problemas relacionados à
proteção de sistemas elétricos de potência.
151
LISTA DE REFERÊNCIAS
BEALE, R.; JACKSON, T. Neural Computing: An Introduction. 2.ed., Great

Britain, JW Arrowsmith Ltd, 2001.
BLACKBURN, J.L. Protective Relaying – Principles and Applications. 2.ed., New

York, Marcel Dekker, Inc, 1998.
BRAGA, A.P.; LUDERMIR, T.B.; CARVALHO, A.C.P.L.F. Redes Neurais

Artificiais – Teoria e Aplicação. Rio de Janeiro, LTC, 2000.
DALSTEIN, T.; KULICKE, B. “Neural Network Approach to Fault Classification for

Hugh Speed Protective Relaying”. IEEE Transaction on Power Delivery, v.10, n.2,
p.1002-1011, Apr. 1995.
DALSTEIN, T.; FRIEDRICH T.; KULICKE, B.; SOBAJIC, D. “Multi Neural

Network Based Fault Area Estimation for High Speed Protective Relaying”. IEEE
Transactions on Power Delivery, vol. 11, n.2, p.740-747, Apr. 1996.
DEMUTH, H.; BEALE, M. Neural Network Toolbox – For Use With Matlab. 3.ed.,
The Math Works, Inc, 1994.
DILLON, T.S.; NIEBUR, D. Neural Networks Applications in Power System.

London, CRL published Ltd, 1996.
DOYLE, J.R.; LAFOREST J.J.; LAUBER, T.S. Electrical Characteristics of EHV-

UHV Conductor Configurations and Circuit. Transmission Line Reference Book -
345 kV and above. 2.ed., 1982.
ELLERT, F.J.; MISKE, S.A.; TRUAX, C.J. EHV-UHV Transmission Systems.

Transmission Line Reference Book – 345 kV and above. 2.ed., 1982.
152
FERNANDEZ, A.L.O.;GHONAIM, N.K.I. “A Novel Approach Using a FIRANN for

Fault Detection and Direction Estimation for High-Voltage Transmission Lines”.
IEEE Transaction on Power Delivery, vol.17, n.4, p.894-900, Oct. 2002.
FU, L. Neural Networks in Computer Intelligence. USA, McGraw-Hill, Inc, 1994.
FUCHS, R.D. Transmissão de Energia Elétrica – Linhas de Aéreas. Vol.2., Rio de

Janeiro, Livros Técnicos e Científicos Editora S.A., 1977.
HAYKIN, S. Neural Networks – A comprehensive Foundation. USA, Prentice-

Hall, 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.
HOROWITZ, S.H.; PHADKE, A.G. Power System Relaying. 2.ed., England,

Research Studies Press, 1996.
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.
KOVÁCS, Z.L. Redes Neurais Artificiais. Fundamentos e Aplicações. São Paulo,

Edição Acadêmica, 1996 (Universidade de São Paulo).
LEUVEN, K.U. Alternative Transients Program Rule Book. Center–LEC, 1987.

153
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.
LOONEY, C.G. Patter Recognition Using Neural Networks – Theory and

Algorithms for Engineers and Scientists. New York, Oxford University Press, 1997.
MASON, C.R. The Art & Science of Protective Relaying. General Electric, 1956.
Using NeuralWorks – A Tutorial for NeuralWorks Professional II/Plus and

NeuralWorks Explorer. NeuralWare, Inc,1993.
RUSSEL, S.; NORVIG, P. Artificial Intelligence – A Modern Approach. New

Jersey, Prentice Hall, Inc, 1995.
SALAT, R.; OSOWSKI, S. “Fault Location in Transmission Line Using Self-

Organizing Neural Network”. Proceedings of ICSP2000, p.1585-1588, 2000.
SENGER, E.C.; SANTANA, N.N. “Pré-Filtragem da Componente Aperiódica

Exponencial para os Algoritmos Utilizados em Relés de Distância”. Seminário
Técnico de Proteção e Controle – STPC. Natal, 1998.
SONG, Y.H.; JOHNS, A.; AGGARWAL, R. Computational Intelligence

Applications to Power Systems. Beijing, Science Press and Kluwer Academic
Publishers, 1996.
STEVENSON JR., W.D. Elementos de Análise de Sistemas de Potência. 2.ed., Rio

de Janeiro, McGraw-Hill do Brasil, 1986.
154
TAWFIK, M.M.; MORCOS, M.M. “ANN-Based Techniques for Estimating Fault

Location on Transmission Lines Using Prony Method”. IEEE Transactions on Power
Delivery, vol. 16, n.2, p.219-224, Apr. 2001.
VASILIC, S.; KEZUNOVIC, M. “An Improved Neural Algorithm for Classifying the
Transmission Line Faults”. IEEE, p.918-923, 2002.
WARWICH, K.; EKWUE, A.; AGGARWAL R. Artificial Intelligence Techniques

in Power Systems. England, The Institution of Electrical Engineers, 1997.
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
Columns 1 through 8 Columns 9 through 16
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
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
-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
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 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
-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
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
0.1370 0.1844 -0.1970 -0.1591 -0.2088 -0.2192 -0.0067 -0.1827

-0.1023 0.0029 -0.3026 0.2720 0.2330 0.1244 0.5157 0.0752
-0.0485 -0.2212 -0.1607 -0.3435 -0.2647 -0.0146 -0.1328 -0.1971
-0.0863 0.1272 -0.1773 0.2152 0.0579 0.0704 -0.1064 0.2760
-0.2465 0.3535 -0.0958 0.1727 -0.1036 -0.1334 -0.1435 0.3215
-0.2478 0.1283 -0.1708 0.3073 0.2889 0.2298 0.2349 -0.0700
0.0814 -0.2945 -0.3524 0.2733 0.0137 -0.3105 -0.0541 -0.2337
0.3044 -0.2159 -0.0712 -0.2745 0.2694 -0.1561 0.2712 -0.0226
0.2221 -0.1682 -0.1436 -0.1189 -0.3133 0.1722 0.2009 -0.1042

0.0048 -0.1398 0.2019 0.2631 -0.0957 0.4903 -0.0617 0.0425
0.1902 -0.1312 -0.1374 -0.0541 0.2332 0.0965 0.1591 -0.1434
0.1162 0.1963 0.0290 -0.1185 0.2986 0.0984 0.2996 -0.0176
0.0290 0.2851 -0.0604 -0.2460 -0.5050 -0.0972 0.1116 0.2330
0.0339 -0.1848 0.0720 0.2304 0.1022 -0.2516 -0.2534 0.2722
-0.2578 -0.1426 -0.2784 -0.0243 -0.0169 0.0421 -0.1377 0.0779
0.0183 -0.0023 0.1032 -0.2186 -0.1924 -0.0909 0.1365 0.0328
Column 65
-0.2598
-0.2193
-0.2155
-0.2998
0.1737
-0.1693
0.1204
-0.2921
Pesos da quarta camada
0.8738 -0.9798 0.2247 1.3792 1.1745 0.3110 -0.7772 -0.6794

Valores de polarização da primeira camada
-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
Valores de polarização da segunda camada
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
Valores de polarização da terceira camada
1.4664 0.9802 -0.5883 -0.1560 -0.2293 0.5673 0.9826 1.3912
Valores de polarização da quarta camada
0.0455
APÊNDICE B: PESOS E BIAS DA REDE-32-16-r
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
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
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
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
-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
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
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
-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
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
-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
-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
-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
0.0877 -1.1622 -0.9581 -1.1027 -0.1834 -1.3780 0.4959 -0.4640

-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
-1.4469 0.9584 0.4765 -0.2288 -0.2075 -0.6667 -0.9536 1.3641
0.3675
APÊNDICE C: PESOS E BIAS DA REDE-16-4-x
0.0610 -0.3485 0.4903 -0.2424 -4.1112 13.0976 -13.9056 4.9200

-0.5006 0.3547 0.5804 -0.6373 4.0023 -10.1730 8.0414 -1.8620
-0.1644 -0.0931 0.6593 -0.4405 -3.7274 12.0146 -12.9088 4.6241
0.4130 -0.1687 -0.5406 0.5082 4.7748 -15.6752 17.1421 -6.2453
0.0093 -0.2896 0.4146 -0.1072 -1.2152 1.9290 0.0309 -0.7510
-0.1418 0.6738 -0.6977 0.2013 9.6389 -30.7269 32.6423 -11.5563
0.1641 0.1887 -0.7982 0.6357 -0.8448 4.7924 -7.3290 3.3860
0.4207 -0.5306 0.0060 0.1138 1.1134 -3.7900 4.2885 -1.6147
1.1448 -0.3887 0.1772 0.1469 0.4711 -0.2687 -0.3818 0.6284

2.5497 0.1754 -2.4113 1.6596 0.4143 -0.2141 -0.6079 -2.7710
1.6811 -0.1468 -1.3926 0.9964 0.4369 -0.1208 -0.3774 -1.2453
1.3223 0.5686 -2.0722 0.8148 -0.4617 0.2880 -0.1002 -1.3958
-0.3260 -0.1082 -1.0811 0.4614 -1.1288 0.1418 -0.2437 -1.0137
1.2846 0.6928 -1.0602 0.3059 -0.9421 -0.2056 0.0600 -0.6841
-0.9557 0.2647 -0.3788 -0.7327 -0.8266 0.2804 0.3323 0.2730
-4.5107 1.2191 -2.7942 -5.1745 0.7622 -0.2525 -2.2013 -5.2460
2.4940 -2.1037 -3.0098 1.0209 -2.2217 0.7962 -0.6130 -1.1970
5.9884 -3.3096 -21.0273 -31.9910 -25.8591 12.0461 -26.9960 -68.5569
6.0994 1.6954 -5.0012 2.5356 0.4218 -0.0714 -0.9270 -3.4209
1.8272 0.6617 0.0859 1.0908 -0.2613 -0.4828 0.1511 0.1564
27.0064 -6.5839 -29.6784 14.0248 -21.9624 -0.6177 -3.2672 -20.0948
-1.4706 -0.7481 1.2747 0.3848 0.4338 -1.1779 -1.0126 0.8173
2.0783 -1.1509 -3.2710 1.6538 -1.1816 -0.0145 -0.4613 -1.6638
2.6360 -2.2047 -3.4715 0.7743 -2.2474 0.9010 -0.5893 -1.2247
0.5597 1.1068 0.6046 -0.5318 -0.1074 -0.1105 0.1359 -0.2791
Columns 1 through 8
-18.7296 1.4043 12.5116 -36.2946 13.5578 38.8549 -1.3367 -0.6534

0.3370 -0.5805 1.9951 0.0370 -1.4338 2.1793 -0.4583 0.0749
1.9122 1.7279 -1.9699 -0.6595 -0.5741 0.3640 0.4518 0.0325
3.5329 1.7320 -6.7075 -0.5019 2.8275 -4.4297 -1.2848 -0.2323
1.2361 5.4800 -12.5752 1.6560 -0.6072 -3.4732 -0.4529 0.0306
0.6463 0.0596 -3.0352 -4.2287 3.1346 -3.3275 -0.5619 -0.1527
-3.1503 8.4214 -6.3949 15.8126 6.5498 -17.6356 22.0296 3.3889
-0.4468 -2.0986 6.5221 2.0414 -1.7593 0.0173 2.6225 0.1545
1.0669 -9.8101 6.0275 13.3201 -7.3121 12.9393 -2.6175 4.4083

2.9617 -0.0305 -0.2005 -1.0232 -0.3560 0.1238 0.4024 -2.0165
-2.1260 -0.0866 -0.1690 -1.2812 -0.5371 0.2440 -2.9765 1.3775
-5.7830 -0.1292 0.1116 -1.7819 8.8270 -1.2836 2.5852 3.9410
-3.1073 -0.2250 -1.5216 0.4378 1.1615 0.5043 2.1339 1.8092
-6.1164 0.0750 1.1812 0.8063 -2.8237 0.1061 1.5133 4.3989
-8.4003 -0.5500 -9.2443 29.7748 -21.9929 7.6995 -13.9913 3.2750
1.7728 -0.0582 -0.3138 2.0944 -3.6250 -0.1121 -0.0012 -1.0528
Column 17
-23.7594
0.5294
-2.7943
4.1187
1.6440
1.7989
-17.9743
0.6383
16.1001 -1.5852 1.2238 -18.8296 -4.7162 -10.2189 8.0045 0.8118

0.3271 0.0112 -0.5809 -0.4996 -0.6858 0.1584 0.1137 0.3333
0.4709 0.3377 0.4422 0.2731 0.2605 -1.0956 -1.5813 0.4318

-3.4374 -22.6551 -1.2734 -0.7650 -25.7819 1.2197 -1.7825 -3.8274
0.1275
22.9828 -0.6797 -0.2649 2.3730 6.1773 0.8795
-0.2717
APÊNDICE D: PESOS E BIAS DA REDE-16-4-r
-0.2044 -0.0757 0.6581 -0.4262 -3.4053 12.2346 -14.4663 5.6425

-0.2070 0.1047 0.8582 -0.5764 6.4902 -17.8597 15.6899 -4.3114
-0.1880 0.2363 0.0438 -0.2141 -2.3777 8.1116 -9.1799 3.4483
-0.3645 0.3422 0.4811 -0.5281 -2.1088 6.0247 -5.6668 1.7485
-0.0883 0.4841 -0.6547 0.3001 -0.7339 -1.3002 5.2661 -3.2447
-0.1366 0.3529 -0.1448 -0.0208 3.4454 -7.3016 3.8291 0.0401
-0.0021 -0.4392 0.9548 -0.6163 7.0799 -21.6141 21.9507 -7.4141
-0.0912 0.5056 -0.7885 0.4450 0.8232 -1.8646 1.1770 -0.1330
-8.7589 -6.3037 4.8545 5.9801 -0.2757 4.5369 -5.0716 11.7929

-8.8069 -7.4269 4.9205 6.0999 -0.2401 4.7714 -5.0897 12.0051
6.3786 3.3028 -6.9678 -1.1010 -1.8127 -10.5258 4.5359 -7.6462
0.0944 1.1402 -0.7343 -0.0873 -0.0624 -0.6514 0.2843 -0.9813
25.5034 16.0143 -13.9836 -13.1443 0.1064 -13.8803 16.1936 -29.0780
-0.7253 -0.0153 0.7322 -1.1271 -0.6431 0.5351 0.0028 -1.1621
-1.9046 20.7746 -0.1082 0.7239 0.0788 0.3635 0.3508 5.1652
0.1390 -3.2167 -0.2528 1.4076 0.9845 -0.4364 -0.1095 1.4655
2.3631 5.2058 0.3415 -0.3659 1.4170 0.0081 -0.5868 -4.1905
0.6765 -7.6227 -1.2902 -2.6833 -1.1195 1.0244 0.0101 -5.0984
-1.4111 -4.6913 -1.9347 0.3615 0.5564 0.6543 0.1447 2.0021
0.4528 1.1044 0.4329 -0.6415 -0.4752 0.2225 0.6665 -0.2590
1.8429 -2.6629 -1.8300 -1.2416 0.1112 0.0844 -0.6903 -2.6930
-0.4399 -3.2078 -2.2331 -0.8450 0.3572 1.8427 -5.6479 -0.8266
2.4239 7.7257 0.0353 -0.8942 -0.2158 0.2460 -0.6867 -6.4646
-0.5525 -2.4430 -0.3890 0.5366 -1.1008 0.7038 -0.3356 0.8953
7.0844 9.6837 -7.6459 -1.4969 -1.8422 -11.1894 4.7122 -8.2743
Columns 1 through 8
-22.0910 14.2668 -3.0577 -1.9172 48.9834 4.2579 -1.3104 5.4380

4.3435 -1.7975 -0.3869 -0.5335 -4.1805 -0.2034 -0.0279 -0.7927
6.5659 -2.1134 -0.0223 5.1173 -0.3792 7.7658 1.2798 7.5076
16.2015 -8.3549 0.8063 0.5107 7.9973 0.4542 0.0128 1.3867
18.0987 -9.4081 0.0513 -0.5265 0.3556 0.6049 -0.4814 0.0213
30.5157 -6.9802 -10.9903 -12.2943 7.1363 -31.2707 -8.7677 -33.3336
0.9545 0.9438 1.2348 3.1710 0.0909 18.8727 -1.1804 -1.8053

0.1575 0.0512 0.0856 -0.7774 -0.1937 0.3137 -0.0801 0.1435
-3.6225 -4.5715 -4.1455 3.9728 2.2660 3.1639 1.0786 -0.7126
-0.1641 -0.1824 0.0324 1.5583 0.3873 -2.0157 0.0734 -0.4489
0.2609 -0.5890 0.3996 1.2381 0.4307 -2.9551 -0.4433 -0.0375
16.4569 15.9978 18.9253 -11.4434 -8.5905 -13.6823 -6.1661 8.1178
Column 17
2.8715
0.2976
0.1668
-0.6317
-0.0539
9.1209
-59.1868 15.2318 -41.3197 6.9658 -2.1132 38.7031

-0.3296 3.6020 -0.4605 -0.3808 0.1220 1.0012 -0.7356 -0.1871
1.4280 2.7695 5.6337 -0.5468 -1.4083 -1.1886 -20.7403 4.6546

-6.4649 4.5795 2.5059 -0.8736 0.7694 -6.0955 -8.7125 3.2110
-0.5338
-30.8936 8.0278 -1.8398 -3.1081 5.1758 31.7747
-25.6636

Algoritmo Baseado em Redes Neurais Artificiais para A Proteção de Distância de Linhas de Transmissão

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Algoritmo Baseado em Redes Neurais Artificiais para A Proteção de Distância de Linhas de Transmissão

Enviado por

Direitos autorais:

Formatos disponíveis

RICARDO CANELOI DOS SANTOS

ALGORITMO BASEADO EM REDES NEURAIS

Tese apresentada à Escola Politécnica da

ALGORITMO BASEADO EM REDES NEURAIS

Tese apresentada à Escola Politécnica da

Tese (Doutorado) - Escola Politécnica da Universidade de São

1. Proteção de Sistemas Elétricos 2. Redes Neurais 3. Relé

Ao Prof. Dr. Moacyr Martucci Júnior, chefe do Departamento de Engenharia de

Ao Prof. Dr. Sérgio Miranda Paz pela revisão final do texto.

Aos amigos professores e funcionários do Departamento de Engenharia de Computação

Ao Eng. Giovanni Manassero Junior pelo apoio com o Matlab.

1 INTRODUÇÃO À PROTEÇÃO DE LINHAS DE TRANSMISSÃO.................1

APÊNDICES – Pesos e Bias das RNA (Rede-32-16-x, Rede-32-16-r, Rede-16-4-x e

Figura 1.1 - Ajustes de tempo-distância do relé localizado na barra A ...........................3

Tabela 4.1 – Sinais de entrada para os elementos de fase do algoritmo .........................57

A/D – Conversor Analógico / Digital

Devido à importância das linhas de transmissão no sistema elétrico, muito se

Due to the importance of transmission lines in electric systems, a lot of studies

1 INTRODUÇÃO À PROTEÇÃO DE LINHAS DE

1.1 Linhas de Transmissão

1.2 Proteção de Linhas de Transmissão

2. Danos a equipamentos vizinhos;

1.3 Relé de Distância

150% da linha adjacente (com operação temporizada) (BLACKBURN, 1997;

Figura 1.1 - Ajustes de tempo-distância do relé localizado na barra A

Figura 1.2 – Zonas de Proteção do relé de distância (Mho) no plano R-X.

Figura 1.3 – Zonas de Proteção do relé de distância (quadrilateral) no plano R-X.

Num relé de distância, os sinais de tensão e corrente nos secundários dos TP e

Segundo Horowitz (1996), trabalhando no domínio da freqüência, a impedância

Cálculo dos elementos de fase

Cálculo dos elementos de terra

I ' b = I b + m.I 0 (1.8)

I ' c = I c + m.I 0 (1.9)

1.5 Apresentação do Trabalho

2 ESTADO DA ARTE DE PROTEÇÃO DE LINHAS DE

Whei-Min (2001) apresenta um método baseado em redes neurais do tipo RBF

linhas de transmissão, tais como: valores imprevisíveis de resistência de falta, ampla

comportamento adaptativo, possibilitando a implementação de treinamento on-line,

2- As RNA utilizadas nos algoritmos trabalham como classificadores de sinais,

3 REDES NEURAIS ARTIFICIAIS (RNA)

3.1 Neurônio Biológico

Basicamente, o neurônio é composto pelo corpo celular (Soma - centro do

Figura 3.1 – Neurônio Biológico (WASSERMAN, 1989)

3.2 Neurônio Artificial

respectivamente. As conexões sinápticas são representadas através de pesos acoplados

Figura 3.2 – Perceptron e a função de ativação degrau

3.3 Redes MLP

terceira camada da rede em questão. De forma análoga, os valores de polarização são

Primeira Segunda Terceira

Figura 3.3 – Rede MLP com 3 camadas

WE1,1 WE1, 2 WE1,3  W1, 4 W1,5 

oculta”. Normalmente as funções não lineares utilizadas em RNA são a função

Figura 3.6 – Funções sigmóide e tangente hiperbólica

Figura 3.7 – Efeito da polarização sobre as funções sigmóide e tangente hiperbólica

Redes MLP procuram, simplificadamente, simular o comportamento do cérebro

3.3.1 Tipos de Treinamento

3.4 Algoritmo Backpropagation

Calcula o vetor de erro

Erro desejado ou Sim

Figura 3.8 – Diagrama de alto nível do algoritmo Backpropagation

Passo 1: Para uma determinada arquitetura de RNA, fixam-se os parâmetros de

Passo 6: Segundo Wasserman (1989), os pesos são recalculados na camada de saída e