Escolar Documentos
Profissional Documentos
Cultura Documentos
Campus Garanhuns
Garanhuns
2022
EDUARDO FELIPE LAURINDO VIEIRA
Garanhuns
2022
V658l Vieira, Eduardo Felipe Laurindo.
Localizador de faltas utilizando medição em regime permanente
e redes neurais artificiais / Eduardo Felipe Laurindo Vieira ; orientador
Rafael Mendonça Rocha Barros, 2022.
72 f. : il.
____________________________________________________
Orientador
_____________________________________________________
Avaliador Interno
_____________________________________________________
Avaliador Externo
AGRADECIMENTOS
The distribution system grows continuously thus increasing the probability of the
emergence of faults in its lines. In order to solve this problem was developed a program
that can, through the RMS values of the electrical quantities of the main bar of a
distribution system indicate possible predictions of the location of the occurrence of a
system fault. For the implementation of the program was used three softwares:
simulation of faults, programming in Python, and a software of artificial neural nets, the
KNIME, for data prediction. With the application of faults in all buses and the use of
artificial intelligence it was possible to acquire electrical quantities such as voltage,
current, power and power factor and create Artificial Neural Networks. As results we
obtained the predictions of the fault sites and their errors and then it was possible to
conclude that the RNA can efficiently determine the location of the fault, becoming an
attractive project for since, one can reduce with fault locators, energy costs, travel costs
and time without electricity, thus increasing customer satisfaction rates.
1 INTRODUÇÃO 12
1.1 Motivação 13
1.2 Objetivos 15
2 FUNDAMENTAÇÃO TEÓRICA 16
2.1 Proteção do Sistema de Distribuição 16
2.1.1 Chaves / Elos fusíveis 16
2.1.2 Disjuntores 17
2.1.3 Relés de sobrecorrente 18
2.1.4 Religador 19
2.2 Faltas e Curtos-Circuitos 20
2.2.1 Faltas Temporárias 20
2.2.2 Faltas Permanentes 21
2.2.3 Curto-Circuito 21
2.3 Redes Neurais Artificiais 26
2.3.1 Componentes das Redes Neurais Artificiais 26
2.3.2 Tipos de redes 29
2.3.3 Aprendizado da rede 31
3 REVISÃO BIBLIOGRÁFICA 33
3.1 Método Takagi et al. (1982) 33
3.2 Método Girgis e Fallon (1992) 35
3.3 Método de Lee et al. (2004) 36
3.4 Método de aprendizagem de máquinas 37
4 METODOLOGIA 40
4.1 Etapa 1: Seleção da técnica de localização de faltas mais adequada para o
cenário 40
4.2 Etapa 2: Seleção dos dados de entradas utilizados nos localizadores de faltas
41
4.3 Etapa 3: Criação de um fluxograma para desenvolvimento de localizadores de
faltas 43
4.4 Etapa 4: Seleção da Rede de Distribuição 44
4.5 Etapa 5: Seleção das ferramentas matemáticas utilizadas para aplicação de
curto-circuitos e suas utilizações ao longo do processo 44
4.6 Etapa 6: Construção da rotina computacional para simulações de curto-circuito
46
4.7 Etapa 7: Subdivisão e seleção dos dados elétricos para início do treinamento
da rede 49
4.8 Etapa 8: Seleção da rede e do algoritmo de treinamento 50
4.9 Etapa 9: Otimização dos hiperparâmetros da rede e validação cruzada 51
4.10 Esquema de como foi feita a construção da Rede Neural Artificial 51
5 RESULTADOS E ANÁLISES 54
6 CONCLUSÕES 66
REFERÊNCIAS 68
12
1 INTRODUÇÃO
1.1 Motivação
1.2 Objetivos
2 FUNDAMENTAÇÃO TEÓRICA
2.1.2 Disjuntores
O disjuntor possui três polos conectados a cada uma das fases do sistema
podendo ser denominados R, S e T. Todavia, para identificação de faltas é preciso
saber quais dessas fases não estão operando com valores nominais, então isso é
definido pela abertura monopolar desse disjuntor. Usualmente são utilizados em
algoritmos de localização dois ciclos de rotina pós faltas para compatibilizar o atraso
de um sistema de proteção na abertura dos disjuntores com o momento exato da falta
podendo então realizar as leituras de transitórios e de valores permanentes em um
programa com mais exatidão.
2.1.4 Religador
A falta temporária é definida como uma falta auto instiguível, ou seja, a causa
que originou a falta desaparece expontaneamente em um curto interevalo de tempo.
De acordo a CPFL (2016) 80% das faltas nas redes de distribuição são do tipo
transitórias e sempre são eliminadas em um período curto de tempo. Os principais
fatores que as ocasionam são:
21
As faltas permanentes são definidas como danos que ocorrem na rede por um
tempo indeterminado, ou seja, não há possibilidade de reestabelecimento do
fornecimento sem que haja uma intervenção corretiva na rede. Os religadores
automáticos não são capazes de resolver esse tipo de falta, logo é necessário que
equipes de manutenção atuem in loco para investigar quais são as causas dessa falta
para que seja solucionada e o sistema volte a funcionar em suas condições normais.
2.2.3 Curto-Circuito
• Curtos-circuitos trifásicos: 5%
22
Fonte: Autor
Em que:
Sabendo que:
𝑉𝑎 = 𝑍𝑓 𝐼𝑎 (1)
𝐼𝑏 = 𝐼𝑐 = 0 (2)
𝐼𝑎 1 1 12 1 𝐼𝑎0
[𝐼𝑏 ] = [1 𝑎 𝑎 ][ 0 ] (3)
3
𝐼𝑐 1 𝑎 𝑎2 0
𝐼𝑎
𝐼𝑎0 = 𝐼𝑎1 = 𝐼𝑎2 = (4)
3
𝐼𝑎 1
𝑉𝑎 = 𝑍𝑓 𝐼𝑎 = 𝐸𝑎 − (𝑍 − 𝑍𝑠2 − 𝑍𝑠0 ) (6)
3 𝑠
3𝐸𝑎
𝐼𝑐𝑐 = (8)
𝑍𝑠1 + 𝑍𝑠2 + 𝑍𝑠0 + 3𝑍𝑓
Fonte: Autor
𝑉𝑏 = 𝑉𝑐 = 𝑍𝑓 (𝐼𝑏 + 𝐼𝑐 ) (9)
𝐼𝑐𝑐 = 𝐼𝑏 + 𝐼𝑐 (10)
Sabendo que 𝑎2 + 𝑎0 = −1
Fonte: Autor
1
𝐼𝑎1 = (16)
𝑍1
Logo:
𝐼𝑎0 + 𝐼𝑎1 + 𝐼𝑎2 = 𝐼𝑎 (17)
𝐼𝑎0 = 0 (18)
26
𝐼𝑎2 = 0 (19)
1
𝐼𝑎 = = 𝐼𝑐𝑐 (21)
|𝑍1 |
• Pesos sinápticos: São pesos que têm como função designar qual a relevância de
uma determinada sinapse dentro de um neurônio, também são responsáveis por
caracterizar sinapses, o que ocorre quando as sinapses são multiplicadas pelos
seus pesos.
• Somadores: São a funções matemáticas que recebem os dados da entrada e
realizam o processo de soma no neurônio, essas funções só são ativadas após
multiplicação das sinapses com seus respectivos pesos.
• Bias: São valores numéricos capazes de auxiliar na velocidade de convergência
das RNA’s.
• Função de ativação: É a função capaz de fazer a análise de um neurônio, se o seu
valor é o esperado ou não. É responsável também por normalizar os dados que
ficam usualmente entre (-1, 1) ou (0, 1).
𝑣𝑘 = ∑ 𝑤𝑘𝑗 ∗ 𝑥𝑗 + 𝑏𝑘 (22)
𝑗=1
𝑦𝑘 = 𝜑(𝑣𝑘 ) (23)
Em que:
28
𝑦𝑘 = resposta do neurônio
𝑏𝑘 = bias
𝑥𝑗 = entrada
𝜑= função de ativação
𝑗= índice
𝑚= número de entradas
1, 𝑣<0
𝜑(𝑣) = { (24)
0, 𝑣≥0
1
1 𝑣≥
2
1 1
𝜑(𝑣) = 𝑣 >𝑣>− (25)
2 2
1
{ 0 𝑣≤−
2
A função sigmoide é uma das funções de ativação mais comuns porque contém
um bom balanceamento entre uma função linear e não linear.
1
𝜑(𝑣) = (26)
1 + 𝑒 −𝑎𝑣
I. Redes neurais com uma camada – Possui apenas uma camada de saída de
neurônios, em que as sinapses percorrem o caminho da entrada para a saída
apenas, não havendo inversão de percurso, como mostrado na Figura 8. A camada
processa todas a informações e toma todas as decisões da rede podendo apenas
solucionar problemas lineares.
II. Redes neurais com múltiplas camadas – Podem possuir várias camadas entre
a camada de saída e a camada de entrada, consequentemente podendo haver um
maior número de neurônios, dando assim uma maior robustez a rede como
mostrado na Figura 9. O sinal de entrada da camada de entrada fornece
informações que serão utilizadas pela segunda camada, que pode ser intitulada
como camada oculta, que nada mais é do que uma camada intermediária entre a
entrada e a saída. A segunda camada ou primeira camada oculta fornece
informações para as camadas ocultas seguintes até que todo o processo chegue
ao fim na camada final. Esse tipo de rede neural é interessante porque ao contrário
das redes de camadas únicas podem ser usadas para resolver problemas não
lineares.
30
III. Redes neurais recorrentes - É uma rede neural que contém um processo de
realimentação ligando os nós da entrada com a saída como mostrado na Figura
10. Esse processo é interessante porque proporciona uma maior velocidade de
aprendizagem à rede.
no método GN, em contrapartida por haver vários parâmetros o esforço que máquina
precisa para realizar as operações é maior.
Para finalizar a aprendizagem é preciso que ocorra uma validação dos dados,
visto que, se quando o treinamento da rede for finalizado for mostrado que houve uma
adaptação para apenas os dados do banco de informações e não para qualquer tipo
de dado inserido na entrada, toda a aprendizagem não será válida. Existe uma técnica
chamada cross validation essa técnica pode indicar se seus resultados têm uma boa
performance.
3 REVISÃO BIBLIOGRÁFICA
Em que:
𝐼𝑠 = Corrente do terminal s
𝑍𝑠 = Impedância do terminal s
𝑉𝑠 = Tensão do terminal s
𝑧 = Impedância por quilômetro
𝑥 = Distância da falta
𝐼𝑠𝑓 = Corrente da falta que vem do terminal S
34
𝐼𝑚(𝑉𝑠 𝐼𝑠′′∗ )
𝑥= (27)
𝐼𝑚(𝑍 ∗ 𝐼𝑠′′∗ 𝐼𝑠 )
𝑉𝑠 = 𝑥 ∗ 𝑍 ∗ 𝐼𝑠 + 𝑅𝑓 + 𝐼𝑓 (28)
do momento das faltas que são indicados pelos relés de proteção distribuídos em uma
subestação.
(1) (2)
𝐼𝑚{𝐼𝑠′′(1)∗ (𝑉𝑠 − 𝑉𝑠 )}
𝑥= (1) (2)
(31)
𝐼𝑚{𝐼𝑠′′(1)∗ (𝑍 (1) 𝐼𝑠 − 𝑍 (2) 𝐼𝑠 )}
(1) (0)
𝐼𝑚 {𝐼𝑠′′(0)∗ (𝑉𝑠 − 𝑉𝑠 )}
𝑥= (1) (0)
(32)
𝐼𝑚 {𝐼𝑠′′(0)∗ (𝑍 (1) 𝐼𝑠 − 𝑍 (0) 𝐼𝑠 )}
𝐼𝑚(𝑉𝑠 𝐼𝑠′′∗ )
𝑥= (27)
𝐼𝑚(𝑍 ∗ 𝐼𝑠′′∗ 𝐼𝑠 )
Uma limitação desse método é que ele precisa de duas condições para ser
executado a primeira condição é que se deve considerar toda a carga do sistema e
em seguida é preciso que seja levado em conta a informação das grandezas elétricas
instantes antes da carga ser interrompida após o primeiro religamento efetuado pelo
disjuntor da subestação.
E por último há o método genético, que recebe esse nome porque se utiliza da
seleção dos dados tal qual o processo de seleção natural evolutivo das espécies, em
que os genes mais dominantes se sobressaem diante dos genes menos dominantes,
basicamente o que ocorre é que na base de dados as entradas que estiverem mais
correlacionadas com as informações que se deseja na saída são escolhidas e as que
menos estão correlacionadas são descartadas (MONARD; BARANAUSKAS, 2013).
39
4 METODOLOGIA
Como pode ser visto na Figura 12 12, existem dois grandes grupos de técnicas
para localização de faltas, o grupo da análise de sinais se baseia na obtenção de
sinais relacionado as grandezas elétricas podendo ser corrente ou tensão. A partir da
captura de dados são feitos tratamentos dessas informações aplicando aos métodos
análise de circuito, componentes simétricas ou transformada Wavelet que são
modelagens matemáticas capazes de determinar o local da falta.
41
Foi criada uma tabela para analisar quais seriam os possíveis dados de
entradas que poderiam ser utilizados em localizadores de faltas. Após a análise foram
selecionados os dados sob duas condições. A primeira é que seriam dados de fácil
obtenção em redes de distribuição e a segunda é que seriam dados que a maioria das
concessionárias conseguissem fornecer. Pode ser visto na Tabela 2 os potenciais
dados de entradas utilizados em localizadores.
42
1. (TAKAGI, 1982) x x
2. (GIRGIS; FALLON, 1992). x x
3. (ZHU; LUBKEMAN; GIRGIS, 1997) x x
4. (SENGER et al., 2005) x x
5. (MANASSERO; x x x
SANTO; SOUTO, 2017)
6. (GALIJASEVIC; ABUR, 2002) x x
7. (TREMBLAY, 2007) x x x
8. (ZVIETCOVICH, 2011) x x x
9. (ZAVODA, 2010) x x x
10. (PARKER; MCCOLLOUGH 2011) x
11. (JÚNIOR; TAKADA; FREITAS, x
2014)
12. (TRINDADE, 2014) x x x
13. (CORDOVA; FARUQUE, 2015) x x
14. (CAPELINI, 2016) x
15. (CRESPO, 2021) x x
16. (JÚNIOR, 2015) x x x
Fonte: Adaptado de Pereira (2019).
Fonte: Autor
Como pode ser observado na Figura 13, foi utilizado um processo de obtenção
de uma base de dados, a partir de simulações, para o posterior treinamento e testes
da RNA. Nas subseções seguintes são fornecidas maiores informações sobre estas
etapas.
44
Com esses critérios foi escolhido um alimentador urbano de média tensão com,
as seguintes características:
Outra vantagem é que o OpenDss pôde ser integrado com Python, mas para
além do Python ele pode ser integrado com VBA, Matlab e Linguagem em C. O DSS
45
que foi o selecionado é mais robusto, por isso, pode ser usado para modelos de cargas
não-lineares e sistemas mais robustos (DUGAN, 2016).
Foi criado um novo código apenas para faltas trifásicas em que era
primeiramente preciso identificar se a rede havia três fases para aplicar a falta nelas.
É importante frisar que o OpenDSS permite aplicar faltas trifásicas em linhas com
apenas duas fases, por isso se faz necessária essa adaptação no código. No Py-Dss-
Interface, antes de qualquer obtenção de dados, era preciso ativar qual seria o
elemento da rede que forneceria esses dados elétricos, por exemplo, para obter os
dados de corrente era preciso ativar a linha. Então, dentro do código, foram ativadas
as barras para obtenção de tensão e todas as linhas.
A cada iteração era simulada uma falta em uma barra do sistema e eram
obtidos quatro tipos de dados elétricos na barra: módulo da tensão, ângulo da tensão,
módulo da corrente e ângulo da corrente. As funções que forneciam esses valores
analisavam o perfil de tensão e corrente em toda a rede e então no looping era feita a
seleção de qual barramento seria aplicada a falta. Após a simulação de todos os tipos
de faltas em todos os barramentos, os dados elétricos obtidos foram utilizados para
compor um banco de dados, o qual foi utilizado para treinamento e testes da rede
neural artificial.
49
O treinamento da Rede Neural Artificial foi feito por meio da plataforma KNIME
que é um software que contém técnicas de aprendizado de máquinas baseados em
Javascript. A programação foi feita através de blocos visuais que facilitaram
implementação dos códigos, fazendo então com que houvesse uma integração mais
fluída entre diferentes módulos de carregamento, processamento de sinais, análise
de dados. Foi possível mediante a plataforma a adição de plugins para analises mais
sofisticadas. Caso necessário o usuário poderia integrar outros tipos de aprendizagem
de máquina e desenvolver técnicas para análises mais específicas desse ramo capaz
de fornecer ferramentas gráficas e informações para estudos da ciência de dados,
porque o KNIME tem um código aberto.
A partir das simulações de faltas realizadas, foi possível obter dados suficientes
para formação de um dataset de treinamento e teste da RNA. Os dados foram
divididos em três grupos: um referente aos dados de faltas monofásicas, outro
referente aos dados de faltas bifásicas e outro referente aos dados faltas trifásicas. A
divisão foi realizada para o melhor gerenciamento de dados, devido as características
distintas dos diferentes tipos de falta.
A cada tipo de falta foram selecionados quais parâmetros seriam treinados pela
rede, e isso foi feito mediante a análise da correlação de Spearman, que foi
responsável por quantificar o nível e direção da associação entre duas variáveis
classificadas, o coeficiente gera um número que varia de -1 a +1, quanto mais próximo
dos extremos, -1 ou 1, maior era a força da correlação.
logística, que foi usada por se aproximar ao formato “s” porque consegue alcançar
muitos pontos de dados em comparação a retas quando são feitas suas
aproximações. A normalização realizada para este sistema ficou no range entre 0 e 1,
pois a função tem um intervalo contínuo entre 0 e 1 podendo ser diferençável nestes
valores, se adequando assim aos requisitos para utilização em RNA’s. Por seguinte,
houve a repartição dos dados, em que 80% deles foram utilizados para treinamento e
20% para validação da rede.
completamente. Então, após uma iteração finalizada, os pesos foram atualizados indo
para outra classe e esse procedimento aconteceu até encontrar um bom estado da
rede
Fonte: Autor
Fonte: Autor
Pode ser visto na Figura 15 o bloco Rank Correlation, e ele informa a correlação
entre as variáveis sendo calculada mediante a correlação de Spearman. Também
pode ser visto os nós X-Partitioner e X-Aggregator que são responsáveis por realizar
a validação cruzada dos dados por meio do método de cross validation.
54
5 RESULTADOS E ANÁLISES
Fonte: Autor
Foram aplicadas em média 18444 faltas nos barramentos do sistema para que
fosse possível obter, mediante ao Py-Dss-Interface, dados de tensão, corrente e seus
ângulos, potência ativa, reativa, aparente e fator de potência, tanto para quando
aplicadas faltas monofásicas, quanto para faltas bifásicas, quanto para faltas
trifásicas. A partir das simulações de curto-circuito realizadas e da obtenção do banco
de dados, foi possível realizar uma análise de correção entre as variáveis obtidas e a
variável target no problema, ou seja, a distância de ocorrência das faltas. Nas tabelas
4, 5 e 6 são apresentados os valores calculados pela correlação de Spearman, os
quais indicam as variáveis que possuem maior associação com o target e, por isso,
tendem a gerar melhores previsões para o sistema após o treinamento e validação da
rede.
Fonte: Autor
Fonte: Autor
56
Fonte: Autor
Fonte: Autor
Fonte: Autor
58
Fonte: Autor
E por fim, em faltas trifásicas, ocorreu o mesmo com as outras fases. Houve
uma pequena variação entre os valores de ângulo da fase B quando a falta ocorria em
cada barramento, logo no cálculo da correlação isso foi entendido como um
coeficiente constante que não tinha relação nenhuma com target.
59
Fonte: Autor
Fonte: Autor
Nas Figura 21 e 22, pode-se observar que existem dados de previsão que estão
diferentes da distância pelo fato que a aprendizagem da rede não é perfeita devido a
correlação das variáveis de entrada que nem todas que têm grau máximo de 1 ou -1
de correlação. Porém, visualmente é possível deduzir que para a maioria dos pontos
em X de distância tem um ponto em Y de previsão com valores próximos ou exatos,
o indicativo que esta afirmação é verdadeira é visto no gráfico uma aproximação linear,
ou seja, para cada ponto em X há um Y com valores semelhantes.
61
Fonte: Autor
Fonte: Autor
Fonte: Autor.
Dentre as 491 faltas aplicadas na rede de média tensão simuladas, pode ser
visto, mediante o gráfico de Pareto da Figura 23, que os erros entre a distância e a
previsão com valores entre 10% e 20% são minoria ocorrendo em apenas 8 barras 68
quando aplicadas faltas monofásicas, bifásicas e trifásicas no sistema. Quando se
analisa previsões na ocorrência faltas é possível identificar que a maior parte dos erros
não foram maiores que 10%, sendo o maior range entre 1% e 5%, totalizando 57%
das barras, ou seja, mais da metade das barras estavam contidas nesse conjunto.
Pode ser visto também que em 92% das barras, levando em conta os três tipos de
faltas, os erros tiveram valores menores ou iguais a 5%, isso também pode ser
considerado um indicativo do desempenho da rede neural artificial.
Fonte: Autor.
segundo cenário. Na Figura 24 pode-se ver as baixas correlações com os dados das
faltas no lado de baixa com o target e na Figura 25 é possível ver a baixa variação de
tensão de fase lidas na barra inicial do sistema em faltas BT quando comparada a
faltas MT, isso acontece porque as faltas em MT ocorrem próximas do sistema de
medição havendo assim altas variações. Para resolver este problema seria preciso
que fosse instalado no meio físico da rede medidores no lado de baixa para captar as
variações de maneira satisfatória.
Fonte: Autor.
65
Fonte: Autor.
6 CONCLUSÕES
Mesmo não sendo possível analisar faltas em baixa tensão, a rede se mostrou
eficiente. Todavia, esse problema poderia ter sido contornado com análises mais
profundas de outras variáveis elétricas como: formas de ondas de cada sinal,
harmônicas na rede e fazendo análises no domínio da frequência. Outra solução seria
adicionar pontos de medições ao longo da rede aumentando assim os níveis elétricos
observados nestes novos pontos de medição.
Por fim, é válido considerar que melhorias podem ser feitas no trabalho, como
o programa, além de poder realizar localização de faltas, seria agregador que
houvesse uma localização de qual especificamente das três fases estaria ocorrendo
a falta, fase A, B ou C. Isso poderia ser feito treinando uma nova RNA levando em
consideração os dados elétricos fornecidos pelo simulador de faltas em conjunto da
separação de colunas indicando qual o local da fase e ao invés de tratar apenas dados
numéricos a rede seria criada para tratar dados de classificação.
67
Outra melhoria que poderia ser aplicada ao localizador seria poder encontrar
faltas com alta impedância que são comumente vistas no dia a dia, como fios que
caem em áreas com baixa condutividade elétrica e galhos que caem sobre os fios.
Para que isso possa ser feito é preciso de um equipamento que consiga ler dados de
correntes que não têm incrementos significativos. É preciso também de métodos de
localização que consiga captar essa baixa variação e tenha alto processamento de
dados para realizar cálculos com valores de diferenças mínimas.
68
REFERÊNCIAS
ABB Inc. Descriptive Bulletin - OVR Three Phase Recloser 15kV - 38kV. Disponível
em: http://www.abb.com/mediumvoltage. Acesso em: maio 2022.
DUGAN R. C. Reference Guide: The Open Distribution System Simulator. USA, v.7.6,
mar. 2016.
GIRGIS, A. A.; FALLON, C. M. Fault location techniques for radial and loop
transmission systems using digital fault recorded data. IEEE Transactions on Power
Delivery, IEEE, p. 1936–1945, out. 1992. ISSN 0885-8977.
LEE, S. J. et al. " An intelligent and efficient fault location and diagnosis scheme for
radial distribution systems." IEEE transactions on power delivery. USA, v. 19.2,
8012188, p. 524 - 532, abril 2004.
70
MANASSERO, G.; SANTO, S. G. D.; SOUTO, L. Heuristic method for fault location in
distribution feeders with the presence of distributed generation. IEEE Transactions
on Smart Grid, IEEE, v. 8, n. 6, p. 2849–2858, nov 2017. ISSN 1949-3053.
SENGER, E. D. et al. Automated fault location system for primary distribution networks.
IEEE Transactions on Power Delivery, p. 1332–1340, abril 2005. ISSN 0885-8977.
TAKAGI, T. et al. Development of a New Type Fault Locator Using The One-Terminal
Voltage and Current Data. IEEE Transactions on Power Apparatus and Systems,
USA, v.101, n.8, p.2892–2898, agosto 1982. ISSN 0018-9510.
ZHU, J.; LUBKEMAN, D. L.; GIRGIS, A. A. Automated fault location and diagnosis on
electric power distribution feeders. IEEE Transactions on Power Delivery, IEEE,
p.801–809, abril 1997. ISSN 0885-8977.