You are on page 1of 132

UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE

CENTRO DE TECNOLOGIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA
ELTRICA

CRISLUCI KARINA SOUZA SANTOS CNDIDO

CLASSIFICAO DE DISTRBIOS NA REDE


ELTRICA USANDO REDES NEURAIS E
WAVELETS

NATAL, RN
JUNHO, 2008

CLASSIFICAO DE DISTRBIOS NA REDE


ELTRICA USANDO REDES NEURAIS E
WAVELETS

CRISLUCI KARINA SOUZA SANTOS CNDIDO

Tese apresentada ao Programa de Ps-Graduao


em Engenharia Eltrica da UFRN, como parte
dos requisitos para a obteno do grau de Doutor
em Engenharia Eltrica.

Professor Orientador:
Dr.-Ing. Manoel Firmino de Medeiros Jnior
Professor Co-orientador:
D. Sc. Jos Tavares de Oliveira

NATAL, RN
JUNHO, 2008

CLASSIFICAO DE DISTRBIOS NA REDE ELTRICA USANDO


REDES NEURAIS E WAVELETS

Tese apresentada ao Programa de Ps-Graduao em Engenharia Eltrica da


UFRN, como parte dos requisitos para a obteno do grau de Doutor em Engenharia Eltrica.

Defendida e aprovada em 13 de Outubro de 2008.

Prof. Dr.-Ing Manoel Firmino de Medeiros Jr. Prof. D. Sc. Jos Tavares de Oliveira
(Orientador)
(Co-orientador)

Prof. Dr. Jorge Dantas Melo


(Examinador Interno)

Prof. Dr. Benemar Alencar de Souza


(Examinador Externo)

Prof. Dr. Ubiratan Holanda Bezerra


(Examinador Externo)

Dr. Jos Jlio de Almeida Lins Leito


(Examinador Externo)

NATAL, RN

Aos meus pais, Graa e Jaime, por tudo


que zeram e fazem por mim, ao meu
marido, Flvio, por seu apoio constante
e minha lha, Bruna, a razo da minha
vida.

AGRADECIMENTOS
Primeiramente, a Deus, pela certeza de poder sempre contar com ele em todos os momentos da minha vida, iluminando os meus caminhos e me dando
coragem para vencer obstculos e alcanar meus objetivos.
minha lha, Bruna, e ao meu marido, Flvio, pela compreenso e abdicao
do tempo que temos de convvio em prol da realizao deste trabalho. A
sua existncia, minha lha, e o seu apoio, Flvio, foram responsveis por
encorajar-me a prosseguir na execuo desta tese. Vocs trazem muita luz
minha vida.
Aos meus pais, Jaime e Graa, e irms, Cristina, Cristiane e Crislene, grandes incentivadores nessa caminhada, pela presena, s vezes silenciosa, mas
sempre constante em todos os momentos. A vocs sou eternamente grata.
Ao meu orientador, professor Firmino, pela amizade, apoio e conhecimento
essenciais ao desenvolvimento deste trabalho.
Aos Professores Jos Tavares de Oliveira, Adrio Duarte Dria Neto, Jorge
Dantas de Melo, Paulo Srgio da Motta Pires e Estefane Lacerda pela disponibilidade e pelas discusses de grande importncia para obteno dos resultados apresentados nessa tese.
Chesf pela denio do tema que inspirou o presente trabalho.
E a todos que direta ou indiretamente contriburam no desenvolvimento desta
tese.
i

RESUMO
Anlises ps-despacho de sinais oriundos de registradores de perturbaes fornecem muitas vezes informaes importantes para identicao e classicao de
distrbios nos sistemas, visando a uma gesto mais eciente do fornecimento de
energia eltrica. Para auxiliar nessa tarefa, faz-se necessrio recorrer a tcnicas
de processamento de sinais, a m de automatizar o diagnstico sobre os tipos de
distrbio presentes nos sinais registrados. A transformada wavelet constitui-se
em uma ferramenta matemtica bastante ecaz na anlise de sinais de tenso ou
corrente, obtidos imediatamente aps a ocorrncia de distrbios na rede. Este
trabalho apresenta uma metodologia baseada na transformada wavelet discreta
e na comparao de curvas de distribuio da energia de sinais, com e sem distrbio, para diferentes nveis de resoluo de sua decomposio, com o objetivo
de obter descritores que permitam a sua classicao atravs do uso de redes
neurais articiais.
PALAVRAS-CHAVE:
Distrbios
Qualidade de Energia
Redes Neurais Articiais
Transformada Wavelet
i

ABSTRACT
Post dispatch analysis of signals obtained from digital disturbances registers provide important information to identify and classify disturbances in systems, looking for a more efcient management of the supply. In order to enhance the
task of identifying and classifying the disturbances - providing an automatic assessment - techniques of digital signal processing can be helpful. The Wavelet
Transform has become a very efcient tool for the analysis of voltage or current
signals, obtained immediately after disturbances occurrences in the network.
This work presents a methodology based on the Discrete Wavelet Transform to
implement this process. It uses a comparison between distribution curves of signals energy, with and without disturbance. This is done for different resolution
levels of its decomposition in order to obtain descriptors that permit its classication, using articial neural networks.
KEYWORDS:
Disturbances
Electric Power Quality
Articial Neural Networks
Wavelet Transform
i

Sumrio

Introduo

1.1

Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2

Estado da Arte . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3

Contribuies . . . . . . . . . . . . . . . . . . . . . . . . . . . .

13

Teoria Bsica de Redes Neurais Articiais e de Transformada Wavelet 15


2.1

Redes Neurais Articiais . . . . . . . . . . . . . . . . . . . . . .

15

2.1.1

O Neurnio Articial . . . . . . . . . . . . . . . . . . . .

18

2.1.2

Topologias Bsicas de Redes Neurais . . . . . . . . . . .

22

2.1.3

Processos de Aprendizagem . . . . . . . . . . . . . . . .

23

2.1.3.1

O Algoritmo Backpropagation . . . . . . . . .

25

2.1.3.2

Resilient Propagation . . . . . . . . . . . . . .

28

Projeto de Redes Neurais . . . . . . . . . . . . . . . . . .

30

Teoria Wavelet . . . . . . . . . . . . . . . . . . . . . . . . . . . .

32

2.1.4
2.2

ii

SUMRIO
2.2.1

iii
Anlise Wavelet . . . . . . . . . . . . . . . . . . . . . .

32

2.2.1.1

Aproximaes e Detalhes . . . . . . . . . . . .

34

2.2.2

Anlise Multiresoluo . . . . . . . . . . . . . . . . . . .

34

2.2.3

Famlias Wavelets . . . . . . . . . . . . . . . . . . . . . .

36

2.2.3.1

Haar . . . . . . . . . . . . . . . . . . . . . . .

36

2.2.3.2

Daubechies . . . . . . . . . . . . . . . . . . .

37

2.2.3.3

Coiets . . . . . . . . . . . . . . . . . . . . . .

37

2.2.3.4

Symlets . . . . . . . . . . . . . . . . . . . . .

38

Transformada Wavelet . . . . . . . . . . . . . . . . . . .

39

A Transformada Wavelet Discreta . . . . . . . .

39

2.2.5

Algoritmo de Mallat . . . . . . . . . . . . . . . . . . . .

40

2.2.6

Esquema Lifting . . . . . . . . . . . . . . . . . . . . . .

41

2.2.4

2.2.4.1

Algoritmo Bsico Para Classicao dos Fenmenos

45

3.1

Etapas Desenvolvidas . . . . . . . . . . . . . . . . . . . . . . . .

45

3.1.1

Etapa 1: Obteno do Sinal de Entrada . . . . . . . . . .

47

3.1.1.1

Sinais Registrados . . . . . . . . . . . . . . . .

47

3.1.1.2

Sinais Simulados . . . . . . . . . . . . . . . .

48

3.1.2

Etapa 2: Pr-Processamento do Sinal de Entrada . . . . .

49

3.1.3

Etapa 3: Classicador Neural . . . . . . . . . . . . . . .

58

SUMRIO

iv

Pr-Processamento e Sua Importncia

61

4.1

Evoluo dos Resultados . . . . . . . . . . . . . . . . . . . . . .

61

4.2

Pr-Processamento dos Sinais . . . . . . . . . . . . . . . . . . .

62

4.2.1

Sinais Analisados . . . . . . . . . . . . . . . . . . . . . .

62

4.2.2

Mudana dos Descritores . . . . . . . . . . . . . . . . . .

63

4.2.3

Denio do Sinal de Referncia . . . . . . . . . . . . . .

64

4.2.4

Localizao do Distrbio no Tempo . . . . . . . . . . . .

67

4.2.5

Normalizao . . . . . . . . . . . . . . . . . . . . . . . .

70

Anlise de Resultados

76

5.1

Consideraes Gerais . . . . . . . . . . . . . . . . . . . . . . . .

76

5.2

Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

77

5.2.1

Resultados Obtidos Para Sinais Com 128 Amostras/Ciclo .

78

5.2.2

Resultados Obtidos Para Sinais Com 32 Amostras/Ciclo .

82

5.2.3

Resultados Obtidos Para Sinais com 64 Amostras/Ciclo


Provenientes da Reduo da Taxa de Amostragem dos Sinais com 128 Amostras/Ciclo . . . . . . . . . . . . . . .

5.2.4

86

Resultados Obtidos Para Sinais com 32 Amostras/Ciclo


Provenientes da Reduo da Taxa de Amostragem dos Sinais com 128 Amostras/Ciclo . . . . . . . . . . . . . . .

89

SUMRIO
6

Concluses e Recomendaes

92

6.1

Concluses . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

92

6.2

Recomendaes . . . . . . . . . . . . . . . . . . . . . . . . . . .

94

A Equipamentos Registradores de Pertubaes

95

A.1 Equipamentos de Medio da Qualidade da Energia . . . . . . . .

95

A.1.1 Registradores de Oscilograa . . . . . . . . . . . . . . .

96

A.1.1.1

Oscilograa Convencional . . . . . . . . . . . .

97

A.1.1.2

Oscilograa Digital . . . . . . . . . . . . . . .

97

A.1.2 Registradores de Qualimetria . . . . . . . . . . . . . . . .

98

B Descrio dos Trechos dos Procedimentos de Rede Referentes aos Distrbios de Afundamento e Elevao de Tenso

100

B.1 Variao de Tenso de Curta Durao (VTCD) . . . . . . . . . . 100


B.1.1

Consideraes iniciais . . . . . . . . . . . . . . . . . . . 100

Lista de Figuras

2.1

Neurnio biolgico . . . . . . . . . . . . . . . . . . . . . . . . .

16

2.2

Representao da sinapse neural . . . . . . . . . . . . . . . . . .

17

2.3

Modelo no-linear de um neurnio . . . . . . . . . . . . . . . . .

18

2.4

Transformao am produzida pela presena de um bias. . . . . .

20

2.5

Outro modelo no-linear de um neurnio. . . . . . . . . . . . . .

21

2.6

Rede neural direta . . . . . . . . . . . . . . . . . . . . . . . . . .

23

2.7

Rede neural recorrente . . . . . . . . . . . . . . . . . . . . . . .

24

2.8

a) e b) Representao grca de padro linearmente separvel; c)


Representao grca do padro no linearmente separvel . . . .

2.9

26

rvore de decomposio wavelet (S- sinal; Ai - coecientes de


aproximao do nvel i; Di - coecientes de detalhes do nveil i) .

35

2.10 Wavelet Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . .

36

2.11 Wavelet Daubechies . . . . . . . . . . . . . . . . . . . . . . . . .

37

2.12 Wavelet Coiets . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

vi

LISTA DE FIGURAS

vii

2.13 Wavelet Symlets . . . . . . . . . . . . . . . . . . . . . . . . . . .

38

2.14 Bloco bsico de decomposio do sinal . . . . . . . . . . . . . .

42

2.15 rvore de decomposio wavelet . . . . . . . . . . . . . . . . . .

43

2.16 Esquema lifting. . . . . . . . . . . . . . . . . . . . . . . . . . . .

44

3.1

Diagrama esquemtico das etapas desenvolvidas no trabalho . . .

46

3.2

Grco de tenso obtido para um sinal registrado pela oscilograa


(128 amostras/ciclo em 14 ciclos) com afundamento de tenso . . .

3.3

48

Grco de tenso obtido para um sinal registrado pela qualimetria


(32 amostras/ciclo em 54 ciclos) com afundamento de tenso . . .

49

3.4

Trecho de um sistema real de transmisso - ambiente ATP-Draw. .

50

3.5

Grco de tenso obtido pelo software ATP com afundamento de


tenso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

51

3.6

Sinal de entrada sem passar por nenhum pr-processamento . . . .

52

3.7

Sinal contendo apenas o trecho com distrbio. . . . . . . . . . . .

53

3.8

Sinal com distrbio com o seu respectivo sinal de referncia. . . .

55

3.9

Grco contendo apenas o ciclo de referncia considerado o mais


normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

56

3.10 Grco da diferena percentual das energias dos sinais com e sem
distrbio para o caso de uma elevao de tenso. . . . . . . . . . .

57

LISTA DE FIGURAS

4.1

viii

Grcos dos sinais com e sem distrbios usados no pr-processamento


no qual o sinal de referncia obtido a partir do seu primeiro algoritmo de denio. . . . . . . . . . . . . . . . . . . . . . . . .

4.2

67

Grcos dos sinais com e sem distrbios usados no pr-processamento


no qual o sinal de referncia obtido a partir do seu segundo al-

4.3

goritmo de denio. . . . . . . . . . . . . . . . . . . . . . . . .

68

Sinal registrado com distrbio no primeiro ciclo. . . . . . . . . .

69

Lista de Tabelas

3.1

Tabela com a denio de cada descritor . . . . . . . . . . . . . .

59

3.2

Classes denidas para o classicador neural . . . . . . . . . . . .

60

4.1

Tabela com a antiga denio de cada descritor . . . . . . . . . .

73

4.2

Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o primeiro algoritmo
de obteno do sinal de referncia. . . . . . . . . . . . . . . . . .

4.3

74

Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o segundo algoritmo
de obteno do sinal de referncia. . . . . . . . . . . . . . . . . .

4.4

74

Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o terceiro algoritmo
de obteno do sinal de referncia. . . . . . . . . . . . . . . . . .

ix

74

LISTA DE TABELAS

4.5

Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o terceiro algoritmo
de obteno do sinal de referncia e tambm o sinal contendo apenas a parte com distrbio. . . . . . . . . . . . . . . . . . . . . . .

5.1

75

Porcentagem de acerto e tempo de treinamento para diferentes arquiteturas da rede neural utilizando o algoritmo RPROP e o Backpropagation. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.2

Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:20:4. . . . . . . . . . . . . . . .

5.3

80

Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:80:4. . . . . . . . . . . . . . . .

5.6

80

Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:60:4. . . . . . . . . . . . . . . .

5.5

79

Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:40:4. . . . . . . . . . . . . . . .

5.4

79

81

Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:100:4. . . . . . . . . . . . . . .

81

5.7

Classes denidas para o classicador neural . . . . . . . . . . . .

83

5.8

Porcentagem de acerto para diferentes arquiteturas da rede neural utilizando o algoritmo RPROP e sinais com taxa de 32 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

83

LISTA DE TABELAS

5.9

xi

Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:20:4 para sinais com taxas de
32 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . . . . . .

84

5.10 Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:40:4 para sinais com taxas de
32 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . . . . . .

84

5.11 Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:60:4 para sinais com taxas de
32 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . . . . . .

84

5.12 Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:80:4 para sinais com taxas de
32 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . . . . . .

85

5.13 Matriz de Confuso obtida para a rede PMC utilizando o algoritmo RPROP com arquitetura 10:100:4 para sinais com taxas de
32 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . . . . . .

85

5.14 Porcentagem de acerto para diferentes arquiteturas da rede neural utilizando o algoritmo RPROP e sinais com taxa de 64 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

86

5.15 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:20:4 para os sinais com 64 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

87

LISTA DE TABELAS

xii

5.16 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:40:4 para os sinais com 64 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

87

5.17 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:60:4 para os sinais com 64 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

87

5.18 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:80:4 para os sinais com 64 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

88

5.19 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:100:4 para os sinais com 64 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

88

5.20 Porcentagem de acerto para diferentes arquiteturas da rede neural utilizando o algoritmo RPROP e sinais com taxa de 32 amostras/ciclo, obtidos pela reduo das taxas de amostragem dos sinais com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . .

89

LISTA DE TABELAS

xiii

5.21 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:20:4 para os sinais com 32 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

90

5.22 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:40:4 para os sinais com 32 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

90

5.23 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:60:4 para os sinais com 32 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

91

5.24 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:80:4 para os sinais com 32 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

91

5.25 Matriz de Confuso obtida para rede PMC utilizando o algoritmo


RPROP com arquitetura 10:100:4 para os sinais com 32 amostras/ciclo obtidos pela reduo da taxa de amostragem dos sinais
com 128 amostras/ciclo. . . . . . . . . . . . . . . . . . . . . . .

91

B.1 Denominao das variaes de tenso de curta durao. . . . . . . 103

Lista de Abreviaturas e Siglas


MRA: Anlise de Multi Resoluo
RDP: Registrador Digital de Perturbao
ATP: Alternative Transients Program
RNA: Redes Neurais Articiais
PMC: Perceptron de Mltiplas Camadas
RProp: Resilient Propagation
SVM: Mquinas de Vetor Suporte
ONS: Operador Nacional do Sistema Eltrico
THD: Distoro Harmnica Total
IEEE: Institute of Electrical and Electronics Engineers
CWT: Transformada Wavelet Contnua
DWT: Transformada Wavelet Discreta

xiv

Lista de Smbolos
wkj : Peso Sinptico na entrada j conectado ao neurniok
kj : Taxa de variao do peso wkj
(.): Funo de ativao
: Taxa de aprendizado
(t): Sinal de tempo contnuo ou discreto que dene uma wavelet-me
a,b (t): Notao de wavelets lhas
a e b: Parmetros de dilatao e translao
f (t): Sinal discreto no tempo
f (n): Sinal amostrado no tempo
fo (n): Elementos de ndices mpares do conjunto de entrada f (n)
fe (n): Elementos de ndices pares do conjunto de entrada f (n)
aj (n): Coeciente wavelet de aproximao de nvel j
dj (n): Coeciente wavelet do detalhe de nvel j
2
N
n=1 |f (n)| : Energia do sinal analisado
2
N
n=1 |aj (n)| : energia concentrada na verso aproximada de nvel j
2
Jj=1 N
n=1 |aj (n)| : energias nas verses detalhadas de nveis 1 a j

dp(j): diferena percentual entre as distribuies de energias dos sinais com


e sem distrbio em cada nvel da verso detalhada
en dist(j): energia em cada nvel da verso detalhada do sinal com distrbio
max(en ref ): maior energia dos dez nveis do sinal senoidal de referncia.

xv

Captulo 1
Introduo
Este captulo apresenta uma reviso bibliogrca sobre os estudos relacionados
ao assunto desenvolvido nesta tese, alm de relacion-la com o estado da arte e
ainda mostrar os seus principais objetivos.

1.1

Objetivos

A atual complexidade do sistema eltrico, aliada s novas demandas por parte dos
consumidores e privatizao do setor eltrico tornaram o mercado de energia
cada vez mais competitivo e exigente. Uma anlise eciente de uma perturbao
no sistema eltrico de fundamental importncia na busca de melhores ndices de
qualidade da energia.
O conceito de "Qualidade da Energia"est relacionado a um conjunto de alteraes que podem ocorrer no sistema eltrico. Entre muitos apontamentos da lite-

1.1 Objetivos

ratura, pode-se ento caracterizar o assunto como qualquer problema manifestado


na tenso, corrente ou desvio de freqncia, que resulta em falha ou m operao
de algum equipamento dos consumidores (OLESKOVICZ, 2004). Tais alteraes
podem ocorrer em vrias partes do sistema de energia, seja nas instalaes de consumidores ou no sistema supridor da concessionria. Como causas mais comuns
pode-se citar: chaveamentos de bancos de capacitores, curto-circuito nos sistemas
eltricos, introduo de harmnicos na rede, etc.
Em um passado no muito distante, os problemas causados pela m qualidade
no fornecimento de energia no eram to expressivos, visto que os equipamentos
existentes eram pouco sensveis aos efeitos dos fenmenos ocorridos. Entretanto,
com o desenvolvimento tecnolgico, principalmente da eletrnica, consumidores
e concessionrias de energia eltrica tm-se preocupado muito com a qualidade da
energia. Isto se justica, principalmente, pelos seguintes motivos (RCE, 2008):
Os equipamentos atualmente utilizados so mais sensveis s variaes nas
formas de onda de energia fornecidas. Muitos deles possuem controles baseados em microprocessadores e dispositivos eletrnicos sensveis a muitos
tipos de distrbios;
O crescente interesse pela racionalizao e conservao da energia eltrica,
com vistas a otimizar a sua utilizao, tem aumentado o uso de equipamentos que, em muitos casos, aumentam os nveis de distores harmnicas e
podem levar o sistema eltrico a condies de ressonncia;
Maior conscientizao dos consumidores em relao aos fenmenos ligados
Qualidade de Energia, visto que os mesmos esto se tornando mais infor-

1.2 Estado da Arte

mados a respeito de fenmenos como interrupes, subtenses, transitrios


de chaveamento etc., passando a exigir que as concessionrias melhorem a
qualidade da energia fornecida;
A crescente integrao dos processos, signicando que a falha de qualquer
componente traz conseqncias ainda mais importantes para o sistema eltrico;
As conseqncias resultantes de variaes nas formas de onda sobre a vida
til dos componentes eltricos.

Diante do exposto, ca evidente a importncia de uma anlise e diagnstico da


qualidade da energia eltrica, no intuito de determinar as causas e as conseqncias dos distrbios no sistema, alm de apresentar medidas tcnicas e economicamente viveis para solucionar o problema.
Dessa forma, ca claro que o principal objetivo do trabalho o desenvolvimento de um classicador automtico de distrbios.

1.2

Estado da Arte

O problema da deteco e classicao de faltas e distrbios em sistemas eltricos


utilizando redes neurais articiais e os fundamentos da teoria wavelets tm sido
abordados em trabalhos recentes.
Em 1994 o artigo de Santoso, Powers e Grady (SANTOSO; POWERS;
GRADY, 1994) prope uma abordagem baseada na utilizao da transformada

1.2 Estado da Arte

wavelet para deteco e localizao de distrbios. Os distrbios tratados so utuaes rpidas de tenso, variaes de tenso de curta e longa durao e distores
harmnicas. So utilizadas decomposies da forma de onda dos distrbios em
at dois nveis de resoluo, sob a justicativa de que, em nveis maiores, a localizao no tempo no importante. As wavelets utilizadas so do tipo Daubechies
4 e 6 (para transitrios rpidos) e 8 e 10 (para transitrios lentos). Os coecientes
do sinal com distrbio so comparados com aqueles de um sinal semelhante sem
distrbio.
Liang, Elangovan e Devotta (1998) (LIANG; ELANGOVAN; DEVOTTA,
1998) propem um algoritmo para deteco e classicao de faltas usando Anlise de Multi Resoluo por Wavelets (MRA) em tempo real. O primeiro estgio
de detalhes do sinal da MRA extrados do sinal original usado como critrio para
este problema. As faltas no sistema de potncia podem ser detectadas medindo-se
a variao brusca dos valores dos detalhes do sinal da MRA. O tipo de falta ento identicado atravs da comparao da variao brusca da MRA das trs fases.
Os efeitos da distncia da falta, o ngulo de incidncia e a impedncia da falta so
analisados e uma rotina de classicao desenvolvida para seus efeitos.
Uma abordagem modular e integrada para o problema da deteco e classicao rpida de faltas proposto por Chowdhury e Aravena (1998) (CHOWDHURY;
ARAVENA, 1998). Muito embora o exemplo especco estudado seja um sistema
de potncia, o mtodo pode ser aplicado para um sistema dinmico arbitrrio. A
abordagem muito exvel no sentido de que pode ser baseada ou no no modelo
existente. No caso em que no baseada no modelo, enfatiza-se o uso de conceitos da teoria de processamento de sinais e wavelets para criar indicadores de faltas

1.2 Estado da Arte

rpidos e sensveis. Por outro lado, se o modelo for disponvel, ento resduos gerados de forma convencional (diferena entre a sada do modelo e os dados reais)
podem servir como indicadores de faltas. Os indicadores podem ento ser analisados atravs de hipteses padres de estatsticas ou por redes neurais articiais
a m de se criar regras de decises inteligentes. Aps a deteco, o indicador de
falta processado por uma rede de Kohonen para classic-la.
Coury e Gionaninia (1999) (GIOVANINI; COURY, 1999) apresentam o desenvolvimento de um software baseado em redes neurais do tipo Perceptron de
Mltiplas Camadas, cujo treinamento usa o algoritmo da retropropagao do erro
(backpropagation) para a classicao de faltas em linhas de transmisso. Para
os testes, simulou-se uma linha de transmisso de 100 km. Diversos tipos de faltas, tais como trifsica, fase-fase, fase-terra, fase-fase-terra foram simulados sob
diferentes situaes de ngulo de incidncia, distncia e resistncia da falta. O
objetivo buscado a melhoria do bloco classicador dos sistemas de proteo de
linhas, sobretudo do ponto de vista de tempo de processamento para a estimao
da falta.
Zhao, Songb e Minb (2000) (ZHAOA; SONGB; MINB, 2000) apresentam
um novo mtodo para deteco e classicao de faltas transitrias em sistemas
de cabos subterrneos, baseada no uso da transformada wavelet discreta. Um
sistema subterrneo de 400 kV simulado usando ATP sob vrias condies de
falta e carregamento. A transformada wavelet de Daubechies D8 empregada para
analisar os transitrios de falta e alimenta um novo esquema para sua deteco
e classicao. Resultados de simulao mostram que o esquema eciente e
robusto. O procedimento de anlise baseado na adoo de uma wavelet prottipo

1.2 Estado da Arte

(wavelet me). A anlise temporal feita utilizando-se uma verso contrada e


de alta-freqncia da wavelet prottipo, enquanto a anlise em freqncia feita
com uma verso expandida e de baixa-freqncia do mesmo prottipo. Feito isto,
busca-se investigar a aplicao das wavelets na anlise transitria das faltas em
cabos subterrneos e assim estabelecer resultados preliminares sobre um novo
conceito de deteco e classicao de faltas.
Em 2002 o trabalho de Fernndez e Rojas (FERNNDEZ; ROJAS, 2002) teve
como objetivo avaliar a bibliograa disponvel em um perodo signicativo, cerca
de dez anos, de modo que se pudesse apresentar uma viso geral sobre a aplicao
da transformada wavelet em sistemas de potncia. As 116 publicaes coletadas
e analisadas foram selecionadas segundo critrios da relevncia da contribuio
ou fortalecimento de linhas de pesquisa, utilizando transformadas wavelet em sistemas de potncia. Os autores identicaram que o primeiro trabalho relatando a
aplicao de tcnicas de wavelets nesta rea ocorreu em 1994 e que, a partir de
ento, o crescimento na utilizao desta tcnica na rea em questo ocorreu de
forma bastante signicativa. As aplicaes mais importantes das transformadas
wavelet na rea de sistemas de potncia, segundo as 116 referncias avaliadas,
foram em:
Proteo de Sistemas de Potncia (36% dos trabalhos)
Qualidade de Energia (32% dos trabalhos)
Transitrios de Sistemas de Potncia (11% dos trabalhos)
Descargas Parciais (4% dos trabalhos)
Balanceamento de Cargas (3% dos trabalhos)

1.2 Estado da Arte

Medies em Sistemas de Potncia (2% dos trabalhos)


Outras reas relacionadas (12% dos trabalhos)
Os autores relatam que as tcnicas de transformadas wavelet foram utilizadas com
mais nfase na implementao de mtodos de identicao e de classicao. Os
dados para esse tipo de anlise foram obtidos, em geral, a partir de simulaes
utilizando programas de anlise de transitrios como o ATP. As anlises foram
realizadas utilizando programas especializados como o toolbox wavelet disponvel
para o software MATLAB. Alm disso, identicam que o uso de transformadas
wavelet para a implementao de mtodos rpidos de deteco e localizao de
faltas uma linha de pesquisa bastante promissora.
Gengyin, Ming e Zhiyuan (2002) (GENGYIN; MING; ZHIYUAN, 2002)
propem um classicador baseado na transformada wavelet e em redes neurais.
Os distrbios tratados so ligados variaes de tenso do tipo: swell, sag, interrupo momentnea e impulsos. Inicialmente o sinal decomposto em cinco
nveis usando-se wavelets do tipo Duabechies 3, para depois serem determinados
os tempos de incio e m do distrbio, para distinguir aqueles que so dinmicos
e aqueles que so estacionrios. Descritores so ento extrados dos coecientes
obtidos e dizem respeito varincia do sinal, valor mximo, valor mnimo, valor
mdio e valor integral. Um critrio de distncia associado com a probabilidade
de ocorrncia do distrbio utilizado para testar a similaridade entre os diferentes
descritores. Para o classicador usada uma rede neural para cada tipo de distrbio com arquitetura 10:5:1. As redes so treinadas com algoritmos genticos
e com o algoritmo de backpropagation tradicional. Foram usados dois conjuntos
de dados, sendo um de treinamento e outro de teste, com 229 e 335 amostras res-

1.2 Estado da Arte

pectivamente. Para os distrbios analisados, as taxas de reconhecimento variaram


entre 75% (oscilao com mudana de amplitude) e 90,9% (transitrio com oscilao) para a rede treinada com algoritmo gentico e entre 70% (oscilao com
mudana de amplitude) e 87,5% (sag) para a rede treinada com o algoritmo de
backpropagation. Como resultado mais importante pode-se citar o uso de redes
especializadas para a classicao de cada tipo de distrbio.
Uma metodologia baseada em redes neurais para a deteco, classicao e
localizao de faltas em sistemas eltricos apresentada em Arruda (2002) (ARRUDA, 2002). O trabalho busca identicar faltas nos sistemas, utilizando o conhecimento adquirido pela rede neural. Para o treinamento da rede, foram empregadas simulaes de curtos circuitos via ATP e o emprego previsto dos resultados
na concepo de um sistema automatizado para anlise de faltas, baseado em
amostras das tenses e correntes trifsicas obtidas atravs de registradores digitais
de perturbao - RDP.
O objetivo do trabalho apresentado por Dash, Chilukuri e Chun (2003) (DASH;
CHUN; CHILUKURI, 2003) a utilizao de uma transformada wavelet modicada, chamada de transformada S de multi-resoluo, para obter caractersticas
de distrbios em sistemas de potncia. Essas caractersticas so classicadas atravs do uso de uma rede neural fuzzy perceptron multi-camada. A transformada
S originada da transformada de Fourier de curta durao (STFT - Short Time
Fourier Transform) e da transformada wavelet e equivalente a uma transformada
wavelet com correo de fase. A verso fuzzy da rede neural perceptron multicamada utilizada para inferir a classe qual pertence uma determinada amostra
e para gerar regras de produo que sero responsveis por associar um fator de

1.2 Estado da Arte

conabilidade classicao realizada.


A classicao de distrbios adotada em Gaing (2004) (GAING, 2004) consiste em usar o Power System Blockset Toolbox do MATLAB para gerar um sinal
senoidal puro e seis amostras de sinais com distores transitrias representando
distrbios conhecidos. Neste processo, a taxa de amostragem foi considerada
igual a 256 amostras por ciclo e a wavelet usada foi a db4 (Daubechie 4) para
realizar a transformada wavelet discreta. Alm disso foi usada uma rede neural probabilstica (PNN - Probabilistic Neural Network), que faz parte do Neural
Network Toolbox do software MATLAB, para fazer a classicao.
Entre as publicaes nacionais o trabalho de Souza et al (2004) (SOUZA et
al., 2004) apresenta resultados obtidos pela implementao de algoritmos de inteligncia articial, usados para identicar e classicar faltas em linhas de transmisso. A metodologia proposta usa dados amostrados de sinais de tenso e corrente
obtidos por Registradores Digitais de Falta (DFRs). O desempenho dos algoritmos do tipo resilient propagation (RPROP) e backpropagation so avaliados para
faltas monofsicas, bifsicas e trifsicas. Os resultados obtidos atestam a ecincia e eccia do uso das redes neurais, principalmente as redes MLP (multi-layer
perceptron) em classicao de faltas em linhas de transmisso. Pela investigao
dos resultados, vericou-se que o algoritmo RPROP obteve um melhor desempenho. A sua superioridade, quando comparado ao backpropagation, atestada
pela anlise das curvas do erro mdio quadrtico dos conjuntos de treinamento e
validao.
Lira et al (2004) (LIRA et al., 2004) apresenta um mtodo para classicao
de distrbios eltricos baseado em redes neurais articiais, utilizando no treina-

1.2 Estado da Arte

10

mento sinais reais de tenso coletados atravs de registradores digitais de perturbao existentes no sistema de monitorao da CHESF. O sinal de tenso perturbado coletado a uma taxa de amostragem de 128 amostras/ciclo na freqncia
de 60 Hz durante 14 ciclos. O sinal de tenso real coletado processado em duas
etapas: inicialmente decomposto atravs da transformada wavelet at o quinto
nvel de resoluo; em seguida os coecientes wavelet so processados via anlise de componentes principais que opera projetando os dados linearmente em um
subespao de menor dimenso. A classicao realizada pela combinao de
trs redes MLP com diferentes arquiteturas. O algoritmo Resilient Backpropagation foi utilizado no treinamento das redes. Foram obtidos bons resultados para
os cinco tipos de distrbios testados (afundamentos e elevao de tenso, harmnicos, transitrios, interrupo e para ausncia de distrbio).
Brito et al (2005) (SILVA et al., 2005) apresenta um mtodo de deteco
e classicao de faltas em linhas de transmisso. A deteco da falta e de seu
intervalo de durao realizada por um conjunto de regras estabelecidas a partir
da anlise dos sinais de corrente no domnio do tempo e dos coecientes wavelet. Na etapa de classicao emprega-se uma RNA, cujos sinais de entrada so
as tenses e correntes nas linhas de transmisso. O mtodo avaliado para faltas reais e simuladas em linhas de transmisso de 230 kV do sistema eltrico da
CHESF. A principal contribuio do mtodo est relacionada pr-anlise e triagem dos registros capturados pelos equipamentos registradores de perturbao.
Alm da situao normal de operao em regime permanente do sistema, as faltas foram diferenciadas de distrbios associados qualidade de energia eltrica
e de operaes de manobra para manuteno do sistema. Apesar dos resultados

1.2 Estado da Arte

11

evidenciarem uma possvel generalizao das regras de deteco, elas ainda no


podem ser tidas como gerais. Outras regras devem ser incorporadas ao mtodo,
contemplando outros tipos de distrbios em diferentes linhas de transmisso.
O trabalho de Bezerra, Machado e Palaes (2005) (MACHADO; BEZERRA;
PELAES, 2005) tem como objetivo usar os dados disponveis nos centros de controle e operao das concessionrias de energia eltrica obtidos pelos registradores
de perturbao (RPs), para classicar e quanticar de forma automtica sinais que
caracterizem problemas de qualidade da energia, quanto a variaes de tenso de
curta durao: afundamentos, elevaes e interrupes. O mtodo proposto usa a
transformada wavelet para obter um vetor caracterstico para as tenses das fases
A, B e C, e uma rede neural probabilstica para classicao. Os sinais classicados como apresentando variaes de curta durao so quanticados quanto
a durao e amplitude, usando-se as propriedades da anlise multiresoluo da
decomposio do sinal. Esses parmetros, ento, iro formar uma base de dados
onde procedimentos de anlise estatstica podem ser usados para gerar relatrios
com as caractersticas da qualidade da energia.
Em 2006 Gao e Wu (GAO; WU, 2006) apresentaram um mtodo baseado
na anlise multiresoluo Wavelet (wavelet multiresolution analysis - MRA) e em
mquinas de vetor de suporte (support vector machines - SVMs) para classicao de distrbios de qualidade de energia em sistemas de potncia. Aps a decomposio multiresoluo do sinal com distrbios de qualidade de energia, vetores
caractersticos podem ser obtidos. Mquinas de vetor de suporte so ento usadas
para classicar os vetores caractersticos de distrbios de qualidade da energia.
Para nalizar o trabalho, os autores comparam SVM X Rede Neural Articial.

1.2 Estado da Arte

12

Um novo mtodo de deteco e classicao de distrbios de qualidade de


energia baseado na transformada wavelet e redes neurais de funes de base radial (RBF) apresentado em 2007 por Liu, Yuguo e Zhao (HUA; YUGUO; WEI,
2007). As wavelets so empregadas para extrair caractersticas do sinal com distrbio. Tais caractersticas obtidas dos coecientes wavelets so colocadas como
entrada nas redes RBF para classicao de distrbios de qualidade de energia. O
modelo de classicao estabelecido e combinado com o mtodo dos mnimos
quadrados ortogonais recursivos (Recursive Orthogonal Least Squares Algorithm
- ROLSA) para determinar os parmetros da rede. O tipo de distrbio pode ser
obtido quando o sinal com falta usada como entrada na rede treinada.
Como exposto, o estado da arte apresenta vrios estudos que tratam da classicao de faltas nos sistemas eltricos de potncia, porm, como este trabalho
tem como foco a qualidade de energia, foi mais apropriado trabalhar com a classicao de distrbios. E para realizar tal classicao, usou-se nesta tese apenas sinais de tenso, entretanto, sinais de corrente tambm podem ser analisados,
como observa-se em outros trabalhos.
Os sinais de tenso analisados precisam passar, ento, por um pr-processamento
e para isso a maioria dos trabalhos, assim como este, utilizou a transformada wavelet, cujo o tipo wavelet utilizada foi a de Daubechies 4. Porm, outros tipos
de wavelets, como Daubechies 3, 6, 8 e 10 tambm so encontradas em outras
referncias.
Como ser descrito nos prximos captulos, a classicao dos distrbios
realizada atravs do uso de redes neurais articiais. Alm desta, o estado da arte

1.3 Contribuies

13

apresenta trabalhos que usam outras tcnicas inteligentes de classicao, como


por exemplo, mquinas de vetor suporte (Support Vector Machines - SVM). Os
distrbios aqui classicados foram quatro: harmnicos, transitrios, afundamento
e elevao de tenso. Em outros trabalhos relacionados rea possvel encontrar
outros eventos em anlise, tais como interrupo momentnea de tenso ou at
mesmo a ausncia de distrbios.

1.3

Contribuies

Os registros de perturbaes em sistemas de energia eltrica so indispensveis


avaliao dos ndices da qualidade da energia.
Porm grande quantidade de registros existentes, torna indispensvel a automatizao da anlise. Foi com este objetivo que este trabalho foi desenvolvido,
am de realizar a classicao automtica dos distrbios presentes nos sinais registrados.
A tcnica desenvolvida para realizar a classicao automtica dos distrbios,
em resumo, consiste em pr-processar as amostras de sinais de tenso, obtidas por
equipamentos Registradores de Perturbao (RDPs), de forma a preparar estes sinais para classicao, realizada por redes neurais articiais, apresentando como
resultado o tipo de distrbio presente nas amostras de sinais que esto sendo analisadas.
Atravs de um estudo mais aprofundando, foi possvel observar a importncia
do pr-processamento dos sinais para a classicao dos distrbios. Tal estudo,

1.3 Contribuies

14

que ser detalhado no captulo 4 dessa tese, foi signicativo para alcanar uma
melhora na qualidade da classicao, sendo esta a principal contribuio do trabalho.
Alm disso, destaca-se a anlise de sinais com diferentes taxas de amostragem. Pela metodologia desenvolvida foi possvel observar que a taxa de amostragem do sinal est relacionada com o ndice de acerto obtido na classicao dos
distrbios.

Captulo 2
Teoria Bsica de Redes Neurais
Articiais e de Transformada
Wavelet
Este trabalho tem como objetivo obter a classicao automtica dos distrbios
presentes nos sistemas eltricos de potncia. Para isso foram desenvolvidos estudos sobre tcnicas inteligentes de classicao e o uso de ferramentas matemticas. Dentre estas destaca-se neste captulo os conceitos fundamentais de redes
neurais articiais e de transformada wavelet.

2.1

Redes Neurais Articiais

O funcionamento do crebro humano uma das mais ricas obras da natureza. A


rede neural biolgica formada por milhes de unidades fundamentais chamadas
15

2.1 Redes Neurais Articiais

16

de neurnios. Um neurnio tpico composto por um corpo celular ou soma,


um axnio tubular e vrias ramicaes arbreas conhecidas como dendritos. Os
dendritos formam uma malha de lamentos nssimos ao redor do neurnio, ao
passo que o axnio consta de um tubo longo e no que ao nal se divide em
ramos que terminam em pequenos bulbos que quase tocam os dendritos dos outros
neurnios. O pequeno espao entre o m do bulbo e o dendrito conhecido
como sinapse, atravs da qual as informaes se propagam. Nas guras 2.1 e 2.2
so mostradas ilustraes de um neurnio biolgico e de uma sinapse (VIEIRA;
ROISENBERG, 2008).

Figura 2.1: Neurnio biolgico


Uma rede neural articial inspirada na rede neural biolgica, pois a rede neural articial simula de forma matemtica e lgica o funcionamento de um neurnio
humano.
Um modelo neural foi proposto por McCulloch e Pitts (MCP) em 1943 que

2.1 Redes Neurais Articiais

17

Figura 2.2: Representao da sinapse neural


simplicava o que se sabia a respeito do neurnio biolgico naquela poca (PANICKI, 2004).
A descrio matemtica proposta por McCulloch e Pitts resultou em um modelo matemtico com n terminais de entrada x1 , ..., xn representando os dendritos,
e com apenas um terminal de sada y representando o axnio.
Os terminais de entrada do neurnio tm pesos w1 , ..., wn , com valores que
podem variar positivamente ou negativamente dependendo das sinapses correspondentes serem inibitrias ou excitatrias.
O efeito de uma sinapse particular no neurnio ps-sinptico dado por: xi wi .
Os pesos determinam em que grau o neurnio deve considerar sinais de disparo
que ocorrem naquela conexo.

2.1 Redes Neurais Articiais

18

Bias

x1

wk1

x2

Funo de
ativao

wk2

Sinais de
entrada .
.
.

xm

bk

vk

.
.
.

(.)

Sada
yk

Juno
aditiva

w km
Pesos
sinpticos
Figura 2.3: Modelo no-linear de um neurnio

2.1.1

O Neurnio Articial

Um neurnio uma unidade de processamento da informao fundamental para


a operao de uma rede neural. O diagrama da gura 2.3 mostra o modelo de
um neurnio articial, que forma a base para o projeto de redes neurais. Nele
possvel identicar trs elementos bsicos (HAYKIN, 1999):
1. Um conjunto de sinapses, em que cada uma caracterizada por um peso
ou fora prpria. Especicamente, um sinal xj na entrada j conectada ao
neurnio k multiplicado pelo peso sinptico wkj . O primeiro ndice do
peso sinptico se refere ao neurnio em questo e o segundo se refere ao
terminal de entrada da sinapse qual o peso se refere.

2.1 Redes Neurais Articiais

19

2. Um somador para somar os sinais de entrada, ponderados pelas respectivas


sinapses do neurnio; as operaes descritas aqui constituem um combinador linear.
3. Uma funo de ativao para restringir a amplitude da sada de um neurnio.
O modelo da gura 2.3 inclui tambm um bias aplicado externamente, representado por bk . O bias bk tem o efeito de aumentar ou diminuir a entrada lquida
da funo de ativao, dependendo se ele positivo ou negativo.
Em termos matemticos, pode-se descrever um neurnio k a partir do seguinte
par de equaes:

uk =

m


wkj xj

(2.1)

yk = (uk + bk )

(2.2)

j=1

onde x1 , x2 , ..., xm so os sinais de entrada (descritores); wk1 , wk2 , ..., wkm so os


pesos sinpticos do neurnio k; uk a sada do combinador linear devido aos
sinais de entrada; bk o bias; (.) a funo de ativao; e yk o sinal de sada
do neurnio. O uso do bias bk tem o efeito de aplicar uma transformao am
sada uk do combinador linear no modelo da gura 2.3, como mostrado por
v k = uk + bk

(2.3)

2.1 Redes Neurais Articiais

20

Campo local
induzido v

b>0
b=0
b<0

0
Sada do combinador
linear u

Figura 2.4: Transformao am produzida pela presena de um bias.


Em particular, dependendo se o bias bk positivo ou negativo, a relao entre
o potencial de ativao vk do neurnio k e a sada do combinador linear uk
modicada na forma da gura 2.4. Como resultado desta transformao am,
o grco de vk em funo de uk no passa mais pela origem. O bias bk um
parmetro externo do neurnio articial k. Pode-se considerar a sua presena
como na equao (2.2). Equivalentemente, pode-se formular a combinao das
equaes (2.1) at (2.3) como segue:
vk =

m


wkj xj

(2.4)

j=0

yk = (vk )

(2.5)

2.1 Redes Neurais Articiais

21

wk0 = bk (Bias)
Entrada = +
x0
fixa

x1
x2
Sinais de
entrada

w k0

wk1
Funo de
ativao

wk2
vk

.
.
.

.
.
.

xm

w km

(.)

Sada
yk

Juno
aditiva

Pesos
sinpticos
(incluindo o bias)
Figura 2.5: Outro modelo no-linear de um neurnio.
Na equao 2.4, adiciona-se uma nova sinapse. A sua entrada :
x0 = +1

(2.6)

wk0 = bk

(2.7)

e o seu peso

Pode-se, portanto, reformular o modelo do neurnio k como na gura 2.5. Nesta


gura, o efeito do bias levado em conta de duas maneiras: (1) adicionando-se um
novo sinal de entrada xo, igual a +1 e (2) adicionando-se um novo peso sinptico
igual ao bias bk .

2.1 Redes Neurais Articiais

2.1.2

22

Topologias Bsicas de Redes Neurais

Para a vasta maioria dos problemas prticos um nico neurnio no suciente.


Por isso, utilizam-se neurnios interconectados, sendo que a deciso de como
interconectar os neurnios uma das mais importantes decises a se tomar em
um projeto de uma rede neural articial.
No tocante de como os neurnios se interligam, conveniente ressaltar a utilizao de camadas intermdirias (ou ocultas) que permitem as RNAs implementar superfcies de deciso mais complexas. Estas camadas permitem que seus
elementos se organizem de tal forma que cada neurnio aprenda a reconhecer caractersticas diferentes do conjunto de entrada. Assim, o algoritmo de treinamento
deve decidir que caractersticas devem ser extradas do conjunto de treinamento.
A desvantagem em utilizar camada oculta que o aprendizado se torna muito mais
difcil (VIEIRA; ROISENBERG, 2008).
As redes neurais articiais podem ser diretas ou recorrentes, sendo que a principal diferena entre elas que, na primeira, os neurnios no recebem realimentao em suas entradas, ou seja, seu grafo no tem ciclos.
Atualmente as redes neurais diretas so as mais utilizadas, principalmente
pelo advento da popularizao do algoritmo de treinamento backpropagation. Este
tipo de rede pode ser considerado um aproximador universal de funes, sendo
que seu nvel de preciso depender principalmente do nmero de neurnios, bem
como da escolha eciente do conjunto de descritores usados no treinamento.
Nas redes neurais recorrentes existe pelo menos um ciclo de retroalimentao,
onde algum neurnio fornece o seu sinal de sada para a entrada de outro neurnio.

2.1 Redes Neurais Articiais

23

Figura 2.6: Rede neural direta


Este tipo de rede se comporta melhor com problemas dinmicos e que portanto
necessitam de dinmica da rede neural.
As guras 2.6 e 2.7 ilustram redes neurais diretas e recorrentes, respectivamente. importante salientar que as conexes entre neurnios podem ser feitas
de outras maneiras, ou seja, pode-se fazer ligaes entre neurnios da mesma camada, pode-se fazer ligaes entre todos neurnios de uma camada com apenas
alguns de outra camada, e assim por diante. A disposio das ligaes depender
de que tipo de rede neural se deseja utilizar, bem como novas arquiteturas ainda
so objeto de pesquisa e o campo ainda est aberto para inovaes nesse sentido.

2.1.3

Processos de Aprendizagem

A utilizao de uma RNA na soluo de uma tarefa passa inicialmente por uma
fase de aprendizagem, quando a rede extrai informaes relevantes de padres de

2.1 Redes Neurais Articiais

24

Figura 2.7: Rede neural recorrente


informao que lhe forem apresentados, criando assim uma representao prpria
para o problema. A etapa de aprendizagem consiste em um processo iterativo
de ajuste de parmetros da rede, dos pesos das conexes entre as unidades de
processamento, que guardam ao nal do processo, o conhecimento que a rede
adquiriu do ambiente em que est operando.
Quanto forma de aprendizado, as RNAs podem ser classicadas em dois
tipos:
Aprendizado Supervisionado: tem em sua estrutura uma espcie de instrutor
que confere o quanto a rede est prxima de uma soluo aceitvel, adaptando na concepo do treinamento os pesos entre os neurnios, de modo a
prover uma menor diferena entre as sadas desejadas e a obtida.
Aprendizado No Supervisionado (auto-organizao): no possui conhecimento a priori das sadas da rede e funciona de modo a distinguir classes

2.1 Redes Neurais Articiais

25

de padres diferentes dos dados apresentados rede, atravs de algoritmos


de aprendizado baseados geralmente em conceitos de vizinhana e agrupamento.
Na aprendizagem no-supervisionada no existem sadas desejadas. O objetivo
descobrir padres signicativos ou caractersticas nos dados de entrada e fazer
essa descoberta sem o conhecimento da sua respectiva sada. Esse processo de
aprendizagem consiste em modicar repetidamente os pesos sinpticos de todas
as conexes do sistema em resposta a padres de entrada e de acordo com regras
pr-determinadas, at se desenvolver uma congurao nal.. Para mais informaes sobre aprendizado no supervisionado, consultar (KOHONEN, 1987) e
(FREEMAN; SKAPURA, 1992).
Neste trabalho foi utilizado o tipo de aprendizado supervisionado, cujo algoritmo de treinamento foi o Resilient Propagation (Rprop), que uma variao do
algoritmo backpropagation, o qual a alternativa mais utilizada para treinamento
de redes neurais diretas e por esse motivo ser melhor detalhado a seguir.

2.1.3.1

O Algoritmo Backpropagation

O algoritmo backpropagation prov um aprendizado supervisionado, isto , procura achar iterativamente a mnima diferena entre as sadas desejadas e as sadas
obtidas pela rede neural, segundo um erro mnimo, ajustando os pesos entre as
camadas atravs da retropropagao do erro encontrado em cada iterao.
Uma soluo para superar o problema do aprendizado da classicao de padres no-linearmente separveis (onde no possvel construir uma linha reta

2.1 Redes Neurais Articiais


(a)

26
(c)

(b)

x1

x1

x1

1,1

1,1

1,1

1,1

1,1

1,1

x2
1,1

1,1

Fronteira de Deciso

1,1

1,1

Classe 1

1,1

1,1

Classe 2

Figura 2.8: a) e b) Representao grca de padro linearmente separvel; c)


Representao grca do padro no linearmente separvel
como fronteira de deciso entre as classes - gura 2.8) a utilizao de uma
camada intermediria de neurnios, chamada Camada Oculta, de modo a poder
implementar superfcies de deciso mais complexas. A caracterstica principal da
camada oculta que seus elementos se organizam de tal forma que cada neurnio
aprenda a reconhecer caractersticas diferentes do conjunto de entrada. Assim, o
algoritmo de treinamento deve decidir que caractersticas devem ser extradas do
conjunto de treinamento.
Como at o incio dos anos 70 nenhum algoritmo de aprendizado para estas
redes multicamadas havia sido desenvolvido, as pesquisas na rea de redes neurais
acabaram caindo em descrdito, at que nos anos 80, um algoritmo chamado retropropagao (do ingls, Backpropagation), veio fazer renascer o interesse geral
pelas redes neurais.
Um resumo da operao da rede apropriada neste instante para ilustrar como
o Backpropagation utilizado para o aprendizado de problemas de mapeamento
complexo. Basicamente, a rede aprende um conjunto pr-denido de pares de

2.1 Redes Neurais Articiais

27

exemplos de entrada/sada em ciclos de propagao/adaptao. Depois que um


padro de entrada foi aplicado como um estmulo aos elementos da primeira camada da rede, ele propagado por cada uma das outras camadas at que a sada
seja gerada. Este padro de sada ento comparado com a sada desejada e um
sinal de erro calculado para cada elemento de sada.
O sinal de erro ento retro-propagado da camada de sada para cada elemento da camada intermediria anterior que contribui diretamente para a formao da sada. Entretanto, cada elemento da camada intermediria recebe apenas
uma poro do sinal de erro total, proporcional apenas contribuio relativa de
cada elemento na formao da sada original. Este processo se repete, camada
por camada, at que cada elemento da rede receba um sinal de erro que descreva
sua contribuio relativa para o erro total. Com base no sinal de erro recebido, os
pesos das conexes so ento atualizados para cada elemento de modo a fazer a
rede convergir para um estado que permita a codicao de todos os padres do
conjunto de treinamento.
Como se pode observar da descrio acima, o Backpropagation faz a minimizao de uma funo custo, no caso, a soma dos erros mdios quadrticos
sobre um conjunto de treinamento, utilizando a tcnica de busca do gradientedescendente.
tambm importante ressaltar que a aplicao do algoritmo Backpropagation
requer a escolha de um conjunto de parmetros (nmero de iteraes do algoritmo,
critrio de parada, pesos iniciais, taxa de aprendizado), cuja inuncia pode ser
decisiva para a capacidade de generalizao da rede.

2.1 Redes Neurais Articiais

28

O critrio de parada do treinamento exige considerar a capacidade de generalizao da rede. Um treinamento prolongado demais pode levar a um sobreajuste
da rede, especialmente no caso de dispormos de poucos pares de entrada e sada
para o conjunto de treinamento, o que pode piorar o desempenho da rede quando
o conjunto de teste lhe for apresentado.
A escolha da taxa de aprendizado depende da funo a aproximar. Valores
muito pequenos de tornam o treinamento lento, enquanto valores muito grandes
podem provocar divergncia do processo de treinamento.
A rede neural baseia-se nos dados a ela exibidos para extrair o modelo desejado. Portanto, a fase de treinamento deve ser rigorosa e verdadeira, a m de
serem evitados modelos esprios.

2.1.3.2

Resilient Propagation

A principal decincia do algoritmo Backpropagation o longo tempo, em geral,


necessrio ao treinamento. O algoritmo Resilient Propagation (Rprop) tem como
proposta variaes simples deste algoritmo para acelerar o processo de aprendizado. A principal caracterstica deste algoritmo que os ajuste dos pesos (w) dos
neurnios da rede e da taxa de aprendizado () depende apenas dos sinais dos
gradientes da funo erro E(w), no dependendo portanto de sua amplitude. A
funo E(w) responsvel pela especicao de um critrio de desempenho que
est associado rede.
No algoritmo Rprop, os pesos e a taxa de aprendizado so alterados apenas
uma nica vez em cada poca de treinamento (para cada rodada de simulao,

2.1 Redes Neurais Articiais

29

um conjunto de treinamento de exemplos, repetidamente circulado atravs da


rede, cada ciclo de treinamento representa uma poca). Cada peso wji possui sua
prpria taxa de variao ji , a qual varia em funo do tempo t da seguinte forma:

E
E

+ ij (t 1) se w
(t 1) w
>0

ji
ji

E
E
ij (t) =
(t 1) w
<0
ij (t 1) se w
ji
ji

ij (t 1)
caso contrrio
onde 0 < < 1 < + . Uma mudana no sinal das derivadas parciais
correspondentes ao peso wji indica que a ltima mudana foi grande suciente
para que o sistema saltasse sobre um ponto de mnimo da funo E(w), o que
implica ento numa diminuio do valor de ji proporcional ao fator . J as
derivadas consecutivas com o mesmo sinal indicam que o sistema est se movendo
permanentemente em uma nica direo, o que permite acelerar ji proporcional
ao fator + .
Os pesos da rede so ento alterados atravs das seguintes equaes:

(t) > 0
ij (t) se w

ji

E
wij (t) =
(t) < 0
+ij (t) se w
ji

0
caso contrrio
importante notar que a mudana nos pesos da rede depende apenas do sinal
das derivadas parciais, independendo de seu valor. Se a derivada for positiva, o
peso decrementado por ji (t); se a derivada for negativa, o peso ser incrementado por ji (t) (FREITAS; SILVA; SOUZA, 2002).

2.1 Redes Neurais Articiais

2.1.4

30

Projeto de Redes Neurais

Existem vrios tipos de redes neurais articiais e cada um deles possui suas caractersticas prprias quanto forma de representar e de adquirir conhecimentos.
De uma forma geral, o desenvolvimento de aplicaes que utilizam redes neurais
articiais engloba seis etapas principais (SOARES et al., 2002).
1a . Etapa: Coleta de Dados - Nesta etapa h uma minuciosa anlise sobre
o problema a ser resolvido. Esta anlise tem como objetivo a coleta de dados
relativos ao problema em questo. Os dados coletados no devem conter erros
nem ambigidades e devem ser signicativos o bastante para cobrir, amplamente,
o domnio do problema.
2a . Etapa: Separao dos Dados em Conjuntos - Aqui, os dados coletados
so analisados e, de acordo com suas categorias, so separados em conjuntos. Os
dados utilizados para o treinamento da rede cam no conjunto de dados de treinamento; e os dados utilizados para vericar a generalizao da rede sob condies
reais de utilizao cam no conjunto de dados de teste. Estes dados podem sofrer
normalizaes, escalonamentos e at converses de formato para que possam ser,
corretamente, utilizados pela rede.
3a . Etapa: Congurao da Rede - O sucesso dessa etapa vai depender da experincia dos projetistas, pois essa uma das etapas mais complexas do processo
de desenvolvimento das aplicaes de redes neurais, e tem um grande impacto
no desempenho do sistema resultante. Para denir a congurao da rede necessrio determinar a topologia ou arquitetura da rede a ser utilizada (o nmero
de camadas, o nmero de unidades de processamento em cada camada, etc) e

2.1 Redes Neurais Articiais

31

determinar os parmetros do algoritmo de treinamento e as funes de ativao.


4a . Etapa: Treinamento da Rede - O aprendizado em uma rede neural realizado por um processo de adaptao dos seus pesos sinpticos, os quais so
representados por valores numricos que caracterizam a fora da conexo entre
dois neurnios. Nesta etapa os pesos sinpticos sero ajustados de acordo com o
algoritmo de treinamento escolhido. Os aspectos importantes dessa etapa so: a
escolha dos valores iniciais dos pesos sinpticos, os quais podem diminuir o tempo
de treinamento; o modo de treinamento da rede, cuja ecincia vai depender do
problema que est sendo tratado; e o tempo de treinamento da rede ( necessrio
adotar um critrio de parada).
5a . Etapa: Teste da Rede - Nesta fase o desempenho, o comportamento e
os pesos sinpticos da rede so analisados e testados utilizando um conjunto de
dados especcos e desconhecidos pela rede.
6a . Etapa: Integrao da Rede - Nesta fase a rede integrada ao ambiente
operacional da aplicao a que se destina. O sucesso da integrao vai depender
da facilidade de uso e de aquisio de dados pela rede; e da qualidade da documentao e do treinamento dos usurios da aplicao.
Concludas as etapas de desenvolvimento, pode-se fazer uso da rede neural
resultante em vrias aplicaes diferentes. A escolha de uma aplicao adequada
rede resultante vai depender do comportamento da rede e do tipo de sada fornecido pela rede.

2.2 Teoria Wavelet

2.2

32

Teoria Wavelet

Na ltima dcada as wavelets tm despertado interesse tanto do ponto de vista


terico como aplicado. O rpido avano da teoria wavelet se deve, basicamente,
sua origem interdisciplinar, que tem seduzido pesquisadores de diferentes reas
do conhecimento, e forma simples e verstil com que certos conceitos so abordados, de forma unicada.
Wavelets so funes que satisfazem a certos requisitos matemticos e so
usadas na representao de dados ou de outras funes. Elas utilizam a idia
de aproximao usando a superposio de funes. Esta idia tem sua origem
no trabalho de Joseph Fourier, que no sculo XIX descobriu que poderia utilizar
senos e cosenos para representar outras funes. A novidade em relao a Fourier
que a anlise em wavelet no feita segundo a freqncia mas sim segundo a
escala. Assim, os algoritmos wavelet processam dados em diferentes escalas e
resolues, permitindo que sejam vistos tanto o global quanto os detalhes de um
sinal (GRAPS, 1995).

2.2.1

Anlise Wavelet

O termo wavelet associa-se a idia de pequenas ondas. No sentido desta anlise, esse termo est associado a ondas localizadas, ou seja, ondas que crescem e
decaem em um perodo limitado de tempo. Formalmente, para que uma funo
seja denominada de wavelet, usualmente denotada pela letra , deve satisfazer s
propriedades a seguir:

2.2 Teoria Wavelet

33

a) A integral dessa funo (wavelet) deve ser zero, isto :




(t)dt = 0.

(2.8)

Isso garante que a funo wavelet tenha uma forma do tipo onda. Essa condio
conhecida como condio de admissibilidade.
b) A funo wavelet deve ter energia unitria, ou seja,


| (t) |2 dt = 1.

(2.9)

Isso garante que a funo wavelet possua suporte compacto, ou com um decaimento rpido de amplitude, garantindo a localizao temporal.
De modo geral, as funes wavelet possuem a propriedade de dupla localizao: em freqncia e em tempo. A localizao temporal ocorre por ser a funo
wavelet localizada em um intervalo nito. Dessa forma, medida que a escala aumenta, as funes wavelet cam localizadas em intervalos de comprimento cada
vez menores. Em cada nvel de escala, todas as funes wavelet possuem a mesma
forma, s mudando seus pontos de localizao, isto , transladando. A localizao em freqncia deve-se transformada de Fourier da funo wavelet poder ser
interpretada como um ltro passa-faixa. Devido propriedade de dupla localizao das funes wavelet, a transformada wavelet dita do tipo local em tempofreqncia, com resoluo temporal e em freqncia inversamente proporcionais
(DOMINGUES; JNIOR; COSTA, 2003).
A anlise de wavelet ainda uma ferramenta para decomposio em nvel

2.2 Teoria Wavelet

34

hierrquico em um conjunto de aproximaes e detalhes. O nvel hierrquico


corresponde Escala Ditica (escala de potncia dois). Ela permite a descrio
de uma funo em termos globais, mais termos que variam de detalhes globais
at detalhes nos, aumentando o nvel de resoluo. As wavelets oferecem uma
tcnica elegante para representar os nveis de detalhes presentes.

2.2.1.1

Aproximaes e Detalhes

Pode-se observar um sinal atravs de uma escala grande, onde se notam as caractersticas globais do sinal. Ou, por uma escala menor, como por uma lupa, onde
se notam os detalhes nos.
Em anlise wavelet, um sinal S decomposto em coecientes de aproximao A1 e coecientes de detalhes D1 do nvel 1. A aproximao do nvel 1 A1 ,
tambm, decomposta em coecientes de aproximao A2 e coecientes de detalhes D2 do nvel 2. Este processo ocorre, de forma recursiva, at o n-sima nvel
de decomposio. A gura 2.9 nos mostra a rvore de Decomposio Wavelet at
o terceiro nvel.
A decomposio wavelet consiste em aproximaes e detalhes. As aproximaes representam o contedo de baixa freqncia do sinal original. Os detalhes
representam o contedo de alta freqncia do sinal original.

2.2.2

Anlise Multiresoluo

O objetivo da anlise multiresoluo (AMR) representar uma dada funo em


diferentes nveis de resoluo e obter a informao necessria para se poder pas-

2.2 Teoria Wavelet

35

Figura 2.9: rvore de decomposio wavelet (S- sinal; Ai - coecientes de aproximao do nvel i; Di - coecientes de detalhes do nveil i)
sar de um nvel de resoluo para outro de uma forma ecaz. Com a anlise
multiresoluo possvel obter uma boa resoluo no tempo e em freqncia, que
se torna til pelo fato de que os sinais encontrados em aplicaes prticas geralmente apresentam componentes de alta freqncia por curtas duraes de tempo e
componentes de baixa freqncia por longa durao de tempo (SANTOS, 2004).
Resumindo, o objetivo bsico da AMR dividir o espectro de um dado sinal
em sub-bandas de freqncia e ento tratar individualmente cada uma das subbandas, atravs de bancos de ltros passa-alta e passa-baixa.
Para se conseguir uma representao no redundante e uma reconstruo nica
do sinal original, so necessrios bancos de ltros ortogonais. A transformada wavelet e a AMR esto estreitamente relacionados.

2.2 Teoria Wavelet

36

1
0

0,5

Figura 2.10: Wavelet Haar


O nmero mximo de nveis de decomposio wavelet determinado pelo
comprimento do sinal original, pela wavelet me selecionada e pelo nvel de detalhe exigido. Os ltros passa-alta e passa-baixa so determinados respectivamente
pela funo escala e funo wavelet.

2.2.3

Famlias Wavelets

Existem diferentes tipos de famlias wavelets. Porm, descrevem-se apenas alguns tipos de bases wavelets: Haar, Daubecheis, Coiets e Symlets (FONSECA,
2004). Nas guras a seguir, o eixo horizontal representa o tempo ou posio e o
eixo vertical a amplitude das wavelets.

2.2.3.1

Haar

A base de Haar a primeira e mais simples das bases. Ela descontnua, se parece
com a funo degrau e, tambm, equivale a Wavelet de Daubechies db1 (Figura
2.10).

2.2 Teoria Wavelet

37

Figura 2.11: Wavelet Daubechies


2.2.3.2

Daubechies

A famlia de bases wavelet de Daubechies, leva o sobrenome de Ingrid Daubecheis, uma das mais importantes pesquisadoras no campo das wavelets. Ela descobriu as wavelets ortonormais com suporte compacto, o que tornou possvel a
anlise discreta das wavelets.
O nome da famlia wavelet Daubechies geralmente escrito por trs caracteres como dbN , onde db uma indicao de seu sobrenome (Daubecheis) e N o
nmero de sua ordem (Figura 2.11).

2.2.3.3

Coiets

A wavelet de Coiets denominada pelo nome Coif N , onde Coif descreve seu
nome N o nmero de sua ordem.
As Coiets tm funo wavelet me, ou seja, Psi com 2N momentos iguais
a 0 (zero) e funo escala, Phi com 2N 1 momentos iguais a 0 (zero) (Figura

2.2 Teoria Wavelet

38

Figura 2.12: Wavelet Coiets

Figura 2.13: Wavelet Symlets


2.12).

2.2.3.4

Symlets

SymN denomina a famlia wavelet Symlets, onde Sym o nome e N a ordem.


As Symlets so prximas das wavelets simtricas propostas por Daubechies, como
uma modicao da famlia db. Ela apresenta as mesmas propriedades da famlia
db (Figura 2.13).

2.2 Teoria Wavelet

2.2.4

39

Transformada Wavelet

As transformaes matemticas so empregadas no mapeamento de funes de


um domnio para outro. As transformaes so particularmente importantes na
anlise de sinais porque no domnio transformado algumas propriedades relevantes do sinal cam mais evidentes.
A transformada wavelet uma ferramenta que permite decompor um sinal
em diferentes componentes de freqncias, permitindo assim, estudar cada componente separadamente em sua escala correspondente.
So duas as variantes da transformada wavelet: a transformada wavelet contnua (CWT - Continuous Wavelet Transform), denida no tempo contnuo; e a
transformada wavelet discreta (DWT - Discrete Wavelet Transform), denida no
tempo discreto. Como os sinais analisados neste trabalho foram sinais discretizados, d-se destaque a transformada wavelet discreta.
Alm da transformada direta, a transformada inversa tambm desempenha um
papel muito importante na anlise de sinais, permitindo que seja obtida a reconstruo do sinal original atravs de sua representao em escalas.

2.2.4.1

A Transformada Wavelet Discreta

Na transformada wavelet discreta (DWT) os parmetros de dilatao e translao


no variam continuamente, como no caso da transformada wavelet contnua, mas
sim discretamente.
Quando f (t) um sinal discreto no tempo, (t Z), as wavelets lhas apenas

2.2 Teoria Wavelet

40

sero denidas em argumentos inteiros. Em certas aplicaes, incluindo a anlise


de sinal, podem-se restringir os valores dos parmetros de dilatao e translao
a, b a uma grade discreta, xando um passo de dilatao a0 > 1 e um passo de
translao b0 = 0. A famlia de wavelets de interesse, para j, k Z, torna-se
ento (SANCHES, 2001):
1
ab (t) = 
aj0

t kb0 aj0
aj0

(2.10)

ou
j/2

jk (t) = a0

(aj
0 t kb0 )

(2.11)

Note que isto corresponde a


a = aj0

(2.12)

b = kb0 aj0

(2.13)

indicando que o parmetro de translao b depende da taxa de dilatao escolhida.


Para j grande e positivo, a funo j0 bastante dilatada, e os passos de translao
grandes (b0 aj0 ) so adaptados a esta grande largura. Para j grande e negativo
ocorre o contrrio; a funo j0 bastante contrada e os passos de translao
pequenos b0 aj0 so necessrios para ainda cobrir toda a extenso.

2.2.5

Algoritmo de Mallat

Um dos esquemas de transformao discreta mais utilizados dentre os disponveis na literatura opera com escalas e posies baseadas em potncias de dois (as
chamadas escalas e posies didicas). Tal esquema foi organizado na maneira

2.2 Teoria Wavelet

41

como se conhece atualmente por Mallat em 1988, que enxergou uma analogia
bastante apropriada entre o algoritmo de decomposio didico (anlise de multiresoluo) e o uso de um banco de ltros, conceito este oriundo da teoria geral
de processamento de sinais. Por ser provavelmente o esquema de decomposio
mais conhecido e empregado, o termo transformada wavelet discreta (DWT) se
refere especicamente ao algoritmo de Mallat, embora outros esquemas de transformao discreta existam.
As guras 2.14 e 2.15 ilustram a decomposio de um sinal atravs do bloco
bsico de decomposio do algoritmo de Mallat (MALLAT, 1989). Nesse processo o sinal original S passa atravs de ltros complementares H e L, passa-alta
e passa-baixa respectivamente. Destes ltros emergem dois sinais com o mesmo
nmero de amostras que S. Aps a operao downsampling, que consiste em desprezar cada segunda amostra da seqncia, originam-se os sinais cA e cD, que
so os coecientes DWT. O ltro passa-baixa L tem o efeito de "suavizar"o sinal,
gerando o que denominado de aproximao do sinal. O ltro passa-alta H retm a parte de de alta freqncia que denominada detalhe do sinal (MALLAT,
1989).

2.2.6

Esquema Lifting

A transformada wavelet discreta uma das formas de transformada wavelet que


consiste em transformar um sinal discreto no domnio do tempo para o domnio
wavelet. Alm do tradicional algoritmo de Mallat uma outra forma de se obter
esta transformada utilizando o esquema lifting, no qual um sinal amostrado no
tempo transformado para o domnio wavelet atravs de tcnicas de ltragem

2.2 Teoria Wavelet

42

Figura 2.14: Bloco bsico de decomposio do sinal


digital.
A principal caracterstica do esquema lifting que todas as construes so
derivadas no domnio do tempo, contrastando com a abordagem tradicional, que
usa no domnio da freqncia (DAUBECHIES; SWELDENS, 1998; SWELDENS, 1997). A principal diferena entre a construo clssica o o lifting que
este no introduzido usando a transformada de Fourier.
O esquema lifting (CLAYPOOLEA; BARANIUK, 1998) realiza passos sucessivos onde cada estgio deste processo envolve trs etapas principais: (Figura
2.16).
SPLIT: Divide o conjunto dos dados de entrada f (n) em dois subconjuntos,
um com os elementos de ndice par e o outro com os elementos de ndice
mpar:
fe (n) = f (2n), elementos de ndices pares do conjunto de entrada

2.2 Teoria Wavelet

43

Figura 2.15: rvore de decomposio wavelet


fo (n) = f (2n + 1), elementos de ndices mpares do conjunto de entrada.
PREDICT: Geram coecientes wavelets d(n) pela diferena entre os elementos mpares fo (n) e os para fe (n) usando o operador de predio P :
d(n) = fo (n) P (fe (n))

(2.14)

UPDATE: combina fe (n) e d(n) para obter os coecientes a(n) que representam uma aproximao do sinal original f (n). Isto obtido pela aplicao
de um operador update U para os coecientes wavelets e somando a fe (n):
a(n) = fe (n) + U (d(n))

(2.15)

2.2 Teoria Wavelet

44

Figura 2.16: Esquema lifting.


Transformar um sinal discreto do domnio do tempo para o domnio wavelet
implica em se utilizar sucessivas vezes o algoritmo ilustrado na gura 2.16, o
qual serve para decompor o sinal original em diferentes escalas (ou nveis), com
diferentes resolues no tempo e em freqncia.
A sada de um estgio do algoritmo torna-se a entrada para o prximo passo.
O conjunto de dados de entrada consiste de 2n elementos. Cada passo sucessivo
opera 2ni elementos, onde i = 1, 2, ..., n 1. Aps n estgios a transformada
wavelet do sinal original obtida de [a(1) d(1) d(2) ... d(n)].
Os passos lifting so facilmente invertidos. Arrumando as equaes (2.14) e
(2.15), temos:
fe (n) = a(n) U (d(n))
fo (n) = d(n) + P (fe (n))
A transformada inversa representada pela simples inverso de cada passo realizado na obteno da transformada direta.

Captulo 3
Algoritmo Bsico Para Classicao
dos Fenmenos
Este captulo mostra um algoritmo bsico para classicao de distrbios eltricos
atravs da apresentao das principais etapas desenvolvidas neste trabalho.

3.1

Etapas Desenvolvidas

Este trabalho tem como objetivo obter a classicao dos distrbios da qualidade
de energia de forma automatizada com uma taxa prxima ou de at mesmo 100%
de acerto. Resumidamente, o trabalho se divide em algumas etapas principais,
conforme mostra o esquema da gura 3.1 (MEDEIROSJR. et al., 2006).
A primeira etapa do trabalho consiste na obteno de amostras de sinais de
tenso, simulados e reais. Aps a fase de obteno dos sinais, a fase seguinte

45

3.1 Etapas Desenvolvidas

46

Figura 3.1: Diagrama esquemtico das etapas desenvolvidas no trabalho


diz respeito ao tratamento desses dados. Os sinais registrados devem ser prprocessados de forma a obter descritores que possam ser usados na etapa seguinte,
que corresponde classicao do sinal.
A prxima etapa diz respeito classicao do distrbio. Tal classicao
realiza-se a partir do uso de redes neurais articiais (RNAs). Aps o nal desta
etapa, o resultado obtido deve ser a classicao correta do distrbio presente no
sinal analisado.
A seguir, descreve-se com mais detalhes cada uma destas etapas.

3.1 Etapas Desenvolvidas

3.1.1

47

Etapa 1: Obteno do Sinal de Entrada

A base de dados utilizada neste trabalho composta de sinais de distrbios de tenso obtidos por meio de equipamento registradores instalados em vrios pontos de
um sistema real de transmisso. Alm disso, foram usados tambm sinais obtidos
por meio de simulaes atravs do software ATP (Alternative Transient Program).
Analisaram-se quatro tipos de distrbios na rede: transitrios, distores harmnicas, elevao e afundamento de tenso.

3.1.1.1

Sinais Registrados

Os sinais de tenso registrados foram obtidos atravs das Redes de Oscilograa e


Qualimetria de um sistema real de transmisso.
Os sinais obtidos pela rede de oscilograa foram coletados a uma taxa de
amostragem de 128 amostras/ciclo durante 14 ciclos . A ttulo de exemplo, a
gura 3.2 mostra o grco obtido para um dos sinais de tenso registrados pela
oscilograa contendo o distrbio de afundamento de tenso.
Os sinais registrados pela rede de qualimetria foram coletados com taxas de
amostragem iguais a 16 amostras/ciclo durante 18 ciclos e 32 amostras/ciclo durante 54 e 28 ciclos. Optou-se por trabalhar com os sinais de qualimetria com a
taxa de amostragem igual a 32 amostras/ciclo com durao de 54 ciclos, tendo
em vista que esta j uma taxa de amostragem relativamente baixa, comparativamente s taxas de amostragens dos qualmetros atualmente disponveis no mercado. A gura 3.3 mostra um grco do sinal de tenso obtido pela rede de qualimetria.

3.1 Etapas Desenvolvidas

48

Figura 3.2: Grco de tenso obtido para um sinal registrado pela oscilograa
(128 amostras/ciclo em 14 ciclos) com afundamento de tenso .
Para estes sinais no foi realizado nenhum mtodo para reduo de rudo
(MACHADO, 2006).

3.1.1.2

Sinais Simulados

Os sinais de tenso simulados foram obtidos a partir de simulao de distrbios


em um trecho de um sistema real de transmisso (SOARES, 2001), atravs do
software ATP, conforme diagrama mostrado na gura 3.4. Para a simulao dos
eventos causadores de distrbios foram usadas quatro barras distintas. Duas outras
barras, diferentes destas, onde se pressupe a existncia de equipamentos regis-

3.1 Etapas Desenvolvidas

49

Figura 3.3: Grco de tenso obtido para um sinal registrado pela qualimetria (32
amostras/ciclo em 54 ciclos) com afundamento de tenso .
tradores, foram adotadas como local de observao dos eventos. Dessa maneira,
registra-se o mesmo distrbio em diferentes pontos da rede. A gura 3.5 mostra o
grco gerado por simulao, para as tenses nas trs fases, obtidas em uma das
barras de observao. O grco mostra sinais com afundamento de tenso.

3.1.2

Etapa 2: Pr-Processamento do Sinal de Entrada

Com base em pesquisas desenvolvidas no decorrer deste trabalho, possvel armar que esta uma das mais importantes etapas desenvolvidas. Isso se deve ao
fato de que foi a partir do estudo mais aprofundado desta que os resultados obtidos

3.1 Etapas Desenvolvidas

50

Figura 3.4: Trecho de um sistema real de transmisso - ambiente ATP-Draw.


evoluiram, atingindo uma taxa de acerto na classicao prxima dos 100%. O
prximo captulo desta tese ir detalhar a inuncia do pr-processamento de sinais na ecincia dos algoritmos usados para classicar os distrbios, mostrando
a evoluo dos estudos realizados nesta etapa.
Am de estabelecer descritores que caracterizem os diferentes tipos de distrbio, desenvolveu-se uma metodologia que consiste no uso da transformada wavelet.
Utilizando as propriedades da transformada wavelet, podem-se extrair informaes importantes do sinal distorcido, as quais podem ser utilizadas para identicar os principais distrbios da qualidade da energia. A metodologia proposta
(RESENDE; PENNA, 2001) foi desenvolvida e programada para utilizao no
MATLABT M . Os procedimentos podem ser resumidos em quatro passos:
Passo 1: constitui-se em decompor o sinal com distrbio em diferentes nveis de resoluo. Isso conseguido mediante a determinao dos coecientes wavelet do sinal;

3.1 Etapas Desenvolvidas

51

Figura 3.5: Grco de tenso obtido pelo software ATP com afundamento de
tenso.
importante esclarecer que antes do sinal com distrbio ser decomposto
em diferentes nveis de resoluo wavelets este j passou por um pr - processamento. Na maioria dos sinais analisados nem todos os ciclos possuem
distrbios. Por esse motivo, foi elaborado um algoritmo que localizasse apenas a parte que contm o distrbio, analisando apenas os distrbios em si
e desprezando as partes do sinal consideradas sem perturbaes (MEDEIROSJR et al., 2007). Para realizar a seleo apenas da parte do sinal com
distrbio elaborou-se um algoritmo que realizava a comparao entre o sinal registrado e o seu respectivo sinal de referncia. A partir da diferena
desses sinais, sincronizados a partir do primeiro ciclo do sinal registrado,

3.1 Etapas Desenvolvidas

52

Figura 3.6: Sinal de entrada sem passar por nenhum pr-processamento .


localizava-se o incio do distrbio. J, pela diferena desses sinais, sincronizados a partir do ltimo ciclo do sinal registrado, localizava-se o m do
distrbio. A gura 3.6 mostra o sinal de entrada sem passar por nenhum prprocessamento (original) e a gura 3.7 mostra o mesmo sinal desprezando
a parte sem perturbaes, contendo apenas o distrbio.
O clculo da decomposio dos sinais em nveis de resoluo wavelet foi realizado utilizando-se o Wavelet Toolbox do MATLABT M . A funo utilizada
para realizar a decomposio atravs deste toolbox (wavedec) foi desenvol-

3.1 Etapas Desenvolvidas

53

Figura 3.7: Sinal contendo apenas o trecho com distrbio.


vida baseada no algoritmo tradicional de Mallat (MATHWORKS, 2005).
Passo 2: compreende o clculo da energia concentrada em cada um dos
nveis de decomposio;
A determinao das energias est fundamentada no teorema de Parseval
(HSU, 1973), que estabelece: a energia contida no sinal distorcido igual
soma das energias concentradas nos diferentes nveis de resoluo da

3.1 Etapas Desenvolvidas

54

sua transformada wavelet. Isso signica que a energia do sinal pode ser
decomposta em termos dos seus coecientes wavelets, na forma:
N


| f (n) | =

n=1

N


| aj (n) | +

n=1

J 
N


| dj (n) |2

(3.1)

j=1 n=1

As variveis utilizadas nessa equao tm o seguinte signicado:


f (n): representa o sinal com distrbio, amostrado no domnio do tempo;
N : corresponde ao nmero total de amostras do sinal;

n=1

n=1

| f (n) |2 :energia do sinal analisado;


| aj (n) |2 : energia concentrada na verso aproximada de nvel j

do sinal analisado;

j=1

n=1

| dj (n) |2 : energias concentradas nas verses detalhadas de

nveis de 1 a j do sinal analisado.


Passo 3: consiste na repetio dos passos 1 e 2, porm apenas para o sinal
de referncia relativo ao sinal com distrbio em anlise;
Para obteno dos sinais de referncia elaborou-se um algoritmo que, a partir do sinal de tenso com distrbio (sem nenhum pr-processamento) seleciona, dentre todos os seus ciclos, aquele que mais se ajuste s condies
de um sinal sem perturbao (em termos de amplitude e distoro). Este
ciclo de referncia repetido at que a quantidade de amostras do sinal com
distrbios seja alcanada. Alm disso, para aplicao desta metodologia de
classicao, o sinal de referncia sincronizado em relao ao primeiro
ciclo do sinal registrado. A gura 3.8 mostra o grco de um sinal com
distrbio juntamente com o seu respectivo sinal de referncia e a gura 3.9

3.1 Etapas Desenvolvidas

55

Figura 3.8: Sinal com distrbio com o seu respectivo sinal de referncia.
apresenta o grco contendo apenas o ciclo de referncia considerado o
mais normal obtido a partir do sinal de entrada.
Passo 4: nalmente, faz-se uma comparao entre as energias concentradas
em cada um dos nveis do sinal com distrbio (passo 2) e do sinal de referncia (passo 3). Essa comparao feita atravs do clculo da diferena
percentual entre as distribuies das energias dos sinais com distrbio e de
referncia. O clculo feito segundo a relao:

en_dist(j) en_ref (j)
100
dp(j)(%) =
max(en_ref )

(3.2)

3.1 Etapas Desenvolvidas

56

Figura 3.9: Grco contendo apenas o ciclo de referncia considerado o mais


normal.
onde:
j: nvel da transformada;
dp(j): diferena percentual entre as distribuies de energias dos sinais
com distrbio e de referncia em cada nvel da verso detalhada;
en_dist(j): energia concentrada em cada nvel da verso detalhada do
sinal com distrbio;
en_ref (j): energia concentrada em cada nvel da verso detalhada do
sinal de referncia;

3.1 Etapas Desenvolvidas

57

max(en_ref ): maior energia de todos os nveis do sinal de referncia.

A gura 3.10 mostra o grco da diferena percentual das energias dos sinais
com e sem distrbio nos diferentes nveis da verso detalhada.

Figura 3.10: Grco da diferena percentual das energias dos sinais com e sem
distrbio para o caso de uma elevao de tenso.

A anlise destas curvas de diferena percentual indicam que distrbios do


mesmo tipo possuem tais curvas com caractersticas similares. So essas individualidades que podem ser usadas para o reconhecimento do tipo de distrbio
presente em um determinado sinal (SANTOS, 2004).

3.1 Etapas Desenvolvidas

58

As caractersticas similares observadas na anlise das curvas de diferena percentual para um mesmo tipo de distrbio podem ser denidas como:
Nvel de decomposio wavelet em que ocorre a maior concentrao de
energia, ou seja, o pico das curvas das diferenas percentuais;
Sinal da maior concentrao de energia (positiva ou negativa);
Nmero de elevaes ocorridas em cada curva. Essas elevaes podem ser
positivas e/ou negativas;
Amplitude de cada elevao e o nvel em que ocorreram.
Assim, possvel armar, que atravs da comparao entre as distribuies de
energia do sinal em anlise e o seu correspondente sinal de referncia, pode-se determinar um padro caracterstico para cada tipo de distrbio. Denem-se, ento,
descritores que podem ser usados como padres de entrada para a classicao
por redes neurais articiais.

3.1.3

Etapa 3: Classicador Neural

Esta etapa realiza a classicao dos distrbios atravs da utilizao de redes neurais articiais. Aps o seu trmino, o resultado obtido deve ser a classicao
correta do distrbio presente no sinal analisado.
O procedimento utilizado na classicao dos distrbios por meio de uma
estrutura neural (HAYKIN, 1999) baseado nos descritores obtidos da decomposio dos sinais em diferentes nveis de resoluo wavelets. Para os distrbios

3.1 Etapas Desenvolvidas

59

estudados neste trabalho foram denidos 10 descritores, de acordo com a anlise


das curvas de diferena percentual, e apresentados na tabela 3.1.
Tabela 3.1: Tabela com a denio de cada descritor
Descritores
descritor1 Maior diferena percentual de energia (em mdulo)
entre os diferentes nveis da decomposio wavelet
dos sinais com e sem distrbio;
descritor2 Nvel onde ocorreu a maior diferena percentual;
descritor3 Segunda maior diferena percentual de energia (em
mdulo) entre os diferentes nveis da decomposio
wavelet dos sinais com e sem distrbio;
descritor4 Nvel onde ocorreu a segunda maior diferena percentual;
descritor5 Terceira maior diferena percentual de energia (em
mdulo) entre os diferentes nveis da decomposio
wavelet dos sinais com e sem distrbio;
descritor6 Nvel onde ocorreu a terceira maior diferena percentual;
descritor7 Quarta maior diferena percentual de energia (em mdulo) entre os diferentes nveis da decomposio wavelet dos sinais com e sem distrbio;
descritor8 Nvel onde ocorreu a quarta maior diferena percentual;
descritor9 Quinta maior diferena percentual de energia (em mdulo) entre os diferentes nveis da decomposio wavelet dos sinais com e sem distrbio;
descritor10 Nvel onde ocorreu a quinta maior diferena percentual;
Para o classicador neural foram denidas 4 classes, cada uma representando
um tipo de distrbio considerado. A tabela 3.2 caracteriza cada uma dessas classes.
A rede neural articial usada como classicador foi do tipo perceptron de
mltiplas camadas (PMC), com treinamento do tipo retropropagao do erro.

3.1 Etapas Desenvolvidas

60

Tabela 3.2: Classes denidas para o classicador neural


Classes
Classe1
Afundamento de tenso
Classe2
Elevao de tenso
Classe3
Distores harmnicas
Classe4
Transitrios
Destaca-se que a essncia da aprendizagem por retropropagao codicar
um mapeamento de entrada-sada (representado por um conjunto de exemplos rotulados) nos pesos sinpticos e limiares de um perceptron de mltiplas camadas.
Dessa forma esperado que a rede se torne bem-treinada de modo que aprenda o
suciente sobre os dados de treinamento para ser capaz de generalizar esse aprendizado sobre novas entradas. Desta perspectiva, o processo de aprendizagem se
transforma em uma escolha de parametrizao para os pesos sinpticos da rede.
Mas especicamente, pode-se ver o problema de seleo da rede como a escolha,
dentre um conjunto de estruturas de modelo candidatas a melhor de acordo com
um certo critrio.
O classicador neural, com o objetivo de obter excelentes ndices de acerto na
classicao, foi testado com dois algoritmos de treinamento: o Backpropagation
e o Resilient Propagation. Foram ainda avaliadas vrias arquiteturas para a rede,
variando o nmero de camadas ocultas e ainda o nmero de neurnios nestas
camadas.

Captulo 4
Pr-Processamento e Sua
Importncia
Este captulo tem por objetivo apresentar a importncia da etapa de pr - processamento dos sinais analisados na evoluo dos resultados, mostrando que o aprimoramento dessa etapa tem grande inuncia na obteno de melhores ndices de
acerto na classicao dos distrbios.

4.1

Evoluo dos Resultados

Um trabalho de pesquisa passa por vrios estudos e avaliaes. Por esse motivo, esta tese, at chegar ao seu resultado nal, passou por vrias fases de evoluo. Tais fases referem-se s etapas apresentadas no captulo 3: sinais analisados, pr-processamento e classicador neural. Dentre estas, destaca-se a etapa de
pr-processamento dos sinais, uma vez que resultados mais signicativos foram
61

4.2 Pr-Processamento dos Sinais

62

obtidos aps uma anlise mais detalhada desta fase.

4.2

Pr-Processamento dos Sinais

A metodologia utilizada no pr-processamento, conforme apresentou o captulo


3, baseada na transformada wavelet discreta e na comparao de curvas de distribuio da energia de sinais, com e sem distrbio, para diferentes nveis de resoluo de sua decomposio.
A seguir so apresentadas as principais alteraes realizadas nesta fase do prprocessamento, passando desde a anlise dos sinais, dos descritores, entre outras
aqui descritas, apresentando suas evolues e a melhora dos resultados obtidos.

4.2.1

Sinais Analisados

Os sinais com distrbio, so os sinais a serem classicados, sendo a sua base de


dados formada por sinais simulados pelo software ATP e sinais registrados por
oscilgrafos e qualmetros. J os sinais sem distrbios so os sinais senoidais de
referncia, ou seja, so os sinais puros, sem perturbaes.
Inicialmente importante destacar a evoluo do uso dos sinais com distrbio
analisados. Durante os primeiros testes realizados com os sinais registrados, os
resultados obtidos pelo classicador neural no foram considerados bons. Esses
sinais eram pr-classicados de acordo com normas disponveis nos procedimentos de rede do Operador Nacional do Sistema Eltrico (ONS) (ONS, 2002). A
anlise mais detalhada de muitos destes sinais apresentava mais de um tipo de dis-

4.2 Pr-Processamento dos Sinais

63

trbio. O sinal nestes casos era pr-classicado como sendo do tipo de distrbio
que mais se destacou entre os detectados. Suspeitava-se, ento, que por esse motivo a classicao realizada pelo classicador neural era prejudicada. Por outro
lado, os sinais que eram simulados apresentavam mais garantia quanto a existncia do tipo de distrbio nele presente. Com base neste fato, optou-se por misturar
os sinais simulados e os registrados a m de se obter bons resultados na classicao.

4.2.2

Mudana dos Descritores

O procedimento utilizado na classicao dos distrbios por meio de uma estrutura neural baseado nos descritores obtidos na etapa de pr-processamento dos
sinais.
Atualmente a quantidade de descritores obtidos neste trabalho so dez (10), os
quais j foram apresentados na tabela 3.1. Porm, antes desta atual denio, os
descritores utilizados foram denidos como apresenta a tabela 4.1. Por esta tabela
possvel observar que para se obter tais descritores era necessrio ter disponvel
as trs fases (A, B e C) do sinal. Diferentemente desse procedimento, para obter
os descritores denidos atualmente no so usadas as trs fases de um sinal, mas
apenas uma fase. Isso produz um aumento na quantidade de padres em relao
ao procedimento anterior. Alm disso, os experimentos iniciais mostraram que
utilizar as trs fases juntas prejudicava o desempenho da rede neural. Uma vez
que, por exemplo, um afundamento de tenso presente em uma determinada fase
pode ocasionar o surgimento de outro tipo de distrbio nas outras duas. Portanto,
a nova denio dos descritores apresenta melhores condies de analisar uma

4.2 Pr-Processamento dos Sinais

64

fase sem uma possvel inuncia das outras.

4.2.3

Denio do Sinal de Referncia

O sinal de referncia usado neste trabalho na parte do pr-processamento dos


sinais sendo aplicado na metodologia proposta para obteno dos descritores caractersticos de cada distrbio que sero utilizados na etapa de classicao do
sinal.
Descrevem-se abaixo os trs algoritmos adotados para a obteno do sinal de
referncia:
1. Inicialmente a obteno do sinal de referncia era feita sem a preocupao
de caracterizar a defasagem entre os sinais comparados (ele prprio e o sinal
com distrbio). Apenas reproduzia-se um sinal puramente senoidal com
amplitude de 1 p.u., com a mesma taxa de amostragem e at a quantidade
de ciclos que o sinal analisado com distrbio possua.
2. Ao contrrio do sinal de referncia obtido anteriormente, que era denido
sem a preocupao de caracterizar a defasagem entre os sinais comparados, em uma nova fase do trabalho, os sinais de referncia foram obtidos
utilizando os prprios sinais com distrbios. A partir destes sinais, usando
o mtodo dos mnimos quadrados para funes no lineares, realizou-se a
extrapolao do primeiro ciclo do sinal, considerado um ciclo de pr-falta.
3. A ltima modicao realizada em relao ao sinal de referncia, foi que
este passou a ser obtido a partir da anlise de cada ciclo do seu respectivo

4.2 Pr-Processamento dos Sinais

65

sinal com distrbio. Com esta anlise separava-se o ciclo considerado o


mais normal (em relao a amplitude e distoro). Este ciclo normal era
ento sincronizado com o primeiro ciclo do sinal com distrbio e a partir da
reproduzido at a quantidade de ciclos que o seu respectivo sinal analisado
com distrbio possua, como mostra a gura 3.8 do captulo anterior.
A cada modicao realizada no algoritmo de obteno dos sinais de referncia o ndice de acerto obtido na classicao dos distrbios foi se elevando, como
mostram os resultados apresentados nas tabelas 4.2, 4.3 e 4.4.
importante destacar que os resultados apresentados referem-se a uma rede
neural articial do tipo Perceptron de Mltiplas Camadas (PMC) utilizando para
o treinamento o algoritmo Resilient Propagation (Rprop).
Uma vez que a determinao da topologia "tima"da rede obtida por modo
emprico, foram analisadas vrias arquiteturas, vericando-se, aps a realizao
de alguns testes, que apenas uma camada oculta seria o suciente para a rede.
Porm para esta camada oculta foram testadas algumas quantidades de neurnios:
10:20:4; 10:40:4; 10:60:4; 10:80:4; 10:100:4 (o primeiro nmero indica a quantidade de neurnios na camada de entrada, o segundo nmero indica a quantidade
de neurnios na primeira camada oculta, e o ltimo nmero indica a quantidade
de neurnios da camada de sada).
Os sinais analisados para a obteno destes resultados foram sinais reais obtidos por oscilgrafos que possuem taxa de amostragem de 128 amostras/ciclo
registrados durante 14 ciclos.
Pela anlise dos resultados possvel observar que para o primeiro algoritmo

4.2 Pr-Processamento dos Sinais

66

de obteno do sinal de referncia (tabela 4.2) o melhor ndice de acerto obtido


entre as arquiteturas testadas foi de 85, 46%. Enquanto que para o segundo algoritmo (tabela 4.3) obteve-se um melhor ndice (89, 25%). Isso representa um
aumento de 3, 79%.
Essa melhora no ndice de acerto atribuda reduo da defasagem entre
os sinais comparados com e sem distrbio. Assim, como mostram as guras 4.1
e 4.2, aps a aplicao do segundo algoritmo de obteno do sinal de referncia,
os sinais com e sem distrbio usados para serem comparados, passaram a possuir
uma defasagem muito menor em relao defasagem anterior, contribuindo para
um aumento no ndice de acerto do classicador neural.
Porm, atravs de uma anlise mais detalhada dos grcos dos sinais analisados, observou-se que em alguns registros os primeiros ciclos j se iniciavam
com distrbio (gura 4.3). Isso se constituiu em um problema, uma vez que pelo
segundo algoritmo a obteno do sinal de referncia, at ento, estava sendo realizada a partir da extrapolao do primeiro ciclo do sinal, que era considerado sem
distrbio. Por esse motivo, mais uma vez se fez necessrio alterar o algoritmo de
obteno do sinal de referncia.
Como mostram os resultados (tabela 4.4), o ndice de acerto obtido na classicao aps o uso do terceiro algoritmo de obteno dos sinais de referncia foi de
96, 22%. Em comparao ao ndice obtido pelo segundo algoritmo, conseguiu-se
um aumento de 6, 97%.

4.2 Pr-Processamento dos Sinais

67

Figura 4.1: Grcos dos sinais com e sem distrbios usados no pr-processamento
no qual o sinal de referncia obtido a partir do seu primeiro algoritmo de denio.

4.2.4

Localizao do Distrbio no Tempo

Da mesma forma que os sinais de referncia, os sinais com distrbio so usados na


etapa de pr-processamento dos sinais. Durante o desenvolvimento deste trabalho,
o pr-processamento dos sinais se deu de duas formas:
1. Primeiramente os sinais analisados com distrbio eram pr-processados exatamente como se apresentavam, sem modicao do seu contedo.

4.2 Pr-Processamento dos Sinais

68

Figura 4.2: Grcos dos sinais com e sem distrbios usados no pr-processamento
no qual o sinal de referncia obtido a partir do seu segundo algoritmo de denio.
2. A segunda forma trata apenas da parte do sinal que continha o distrbio,
sendo o restante do sinal, ou seja, a parte sem distrbio descartada (guras
3.6 e 3.7). Para isso, criou-se um algoritmo no qual se seleciona apenas a
parte do distrbio. Inicialmente este algoritmo compara o sinal analisado
contendo o distrbio com o seu respectivo sinal de referncia, e a partir da
obteno da diferena destes sinais realiza-se a localizao do incio e do
m do distrbio, com base nas normas do ONS (Procedimentos de Rede).
importante ressaltar que a seleo do distrbio reduz a quantidade de amostras totais do sinal, uma vez que a parte do sinal que no contm o distrbio

4.2 Pr-Processamento dos Sinais

69

Figura 4.3: Sinal registrado com distrbio no primeiro ciclo.


descartada. Dessa forma, os sinais analisados podem possuir nmeros de amostras diferentes, o que mesmo assim, no representa um problema. A nica diculdade seria se estas quantidades de amostras fossem inferiores a uma quantidade
mnima, conforme se explica a seguir. Se por acaso isso ocorresse, o algoritmo
elaborado se adaptaria para que os sinais no possuam o nmero de amostras menores que o mnimo preestabelecido. Esta quantidade mnima de amostras tem
como base a denio dos descritores, na qual usa at no mximo o nvel onde
ocorreu a quinta maior diferena percentual de energia (em mdulo) entre os diferentes nveis da decomposio wavelet dos sinais com e sem distrbio. Ou seja,

4.2 Pr-Processamento dos Sinais

70

para decompor o sinal at o quinto nvel wavelet, no qual o nvel hierrquico corresponde escala ditica, necessrio que o sinal possua no mnimo 25 = 32
amostras. Porm, para se fazer uma melhor avaliao das maiores diferenas percentuais, este nmero mnimo foi denido como sendo igual a 28 = 256 amostras,
o que permite analisar cada sinal at o oitavo nvel de decomposio wavelet.
A localizao do distrbio no tempo comeou a ser utilizada na etapa do prprocessamento logo aps a utilizao do terceiro mtodo de obteno do sinal de
referncia.
A tabela 4.5 apresenta os resultados obtidos considerando no pr-processamento
o terceiro algoritmo de obteno dos sinais de referncia juntamente com esta
nova alterao, ou seja, o sinal contendo apenas a parte do distrbio.
O melhor resultado obtido entre todas as arquiteturas de rede testadas aps
esta alterao realizada na etapa do pr-processamento foi de 98,26%, o que representa um aumento de 2,04% no ndice de acerto na classicao dos distrbios
em relao ao que foi obtido anteriormente.
Estes resultados mostram que alm das alteraes realizadas na obteno do
sinal de referncia, dentre outros fatores, o tratamento dado ao sinal analisado com
distrbio para ser usado no pr-processamento tambm inuencia no aumento do
ndice de acerto da classicao dos distrbios.

4.2.5

Normalizao

Antes de entrar no assunto da normalizao interessante rearmar as seguintes


hipteses:

4.2 Pr-Processamento dos Sinais

71

O procedimento utilizado na classicao dos distrbios por meio de uma


estrutura neural baseado nos descritores obtidos da decomposio dos sinais usando wavelets.
Para o classicador neural foram obtidos um total de 10 descritores para
servirem de entrada para a rede. Tais descritores so apresentados na tabela
3.1 do captulo anterior.
Um padro representado por cada conjunto de 10 descritores e conhecido
como um padro de entrada ou tambm como uma varivel de entrada.
As alteraes realizadas na etapa de pr-processamento dos sinais provocaram
um aumento considervel no ndice de acerto, que de 89, 25% passou a ser de
98, 26%.
Para obteno do ndice de acerto igual a 100% apenas foi feita a normalizao dos padres de entrada utilizados pela rede neural.
Normalizar as entradas signica que cada varivel de entrada pr-processada
de modo que o seu valor mdio, calculado sobre todo o conjunto de treinamento
seja prximo de zero, ou pequeno, comparado com o desvio padro (HAYKIN,
1999). Isso contribui para acelerar o processo de aprendizagem, uma vez que este
processo coloca o intervalo de dados dentro de limites que facilitam a tarefa da
rede para realizar a minimizao do erro de sada.

De acordo com o que foi visto e apresentado neste captulo o bom resultado
obtido na classicao se deve principalmente ao aprimoramento na etapa do pr-

4.2 Pr-Processamento dos Sinais

72

processamento dos sinais. A normalizao tambm foi importante na obteno


nal dos resultados, porm o aumento signicativo ocorreu mesmo aps a anlise
mais detalhada do pr-processamento, uma vez que alteraes realizadas nessa
fase provocaram os maiores aumentos obtidos na taxa de acerto.

4.2 Pr-Processamento dos Sinais

73

Tabela 4.1: Tabela com a antiga denio de cada descritor


Descritores
descritor1

Maior diferena percentual de energia (em mdulo) entre os diferentes nveis da decomposio wavelet
dos sinais com e sem distrbio - fase A;

descritor2

Nvel onde ocorreu a maior diferena percentual - fase A;

descritor3

Segunda maior diferena percentual (em mdulo) - fase A

descritor4

Nvel onde ocorreu a segunda maior diferena percentual - fase A;

descritor5

(Maior diferena percentual da fase A)-(Maior diferena percentual da fase B);

descritor6

(Nvel da maior diferena percentual na fase A)- (Nvel da maior diferena percentual na fase B);

descritor7

(Maior diferena percentual da fase A)-(Maior diferena percentual da fase C);

descritor8

(Nvel da maior diferena percentual na fase A) - (Nvel da maior diferena percentual na fase C);

descritor9

(Maior diferena percentual da fase B) - (Maior diferena percentual da fase C);

descritor10

(Nvel da maior diferena percentual na fase B) - (Nvel da maior diferena percentual na fase C);

descritor11

Maior diferena percentual de energia (em mdulo) entre os diferentes nveis d decomposio wavelet
dos sinais com e sem distrbio - fase B;

descritor12

Nvel onde ocorreu a maior diferena percentual - fase B;

descritor13

Segunda maior diferena percentual (em mdulo) - fase B;

descritor14

Nvel onde ocorreu a segunda maior diferena percentual - fase B;

descritor15

(Maior diferena percentual da fase B)-(Maior diferena percentual da fase A);

descritor16

(Nvel da maior diferena percentual na fase B)- (Nvel da maior diferena percentual na fase A);

descritor17

(Maior diferena percentual da fase B)-(Maior diferena percentual da fase C);

descritor18

(Nvel da maior diferena percentual na fase B) - (Nvel da maior diferena percentual na fase C);

descritor19

(Maior diferena percentual da fase C) - (Maior diferena percentual da fase A);

descritor20

(Nvel da maior diferena percentual na fase C) - (Nvel da maior diferena percentual na fase A);

descritor21

Maior diferena percentual de energia (em mdulo) entre os diferentes nveis da decomposio wavelet
dos sinais com e sem distrbio - fase C;

descritor22

Nvel onde ocorreu a maior diferena percentual - fase C;

descritor23

Segunda maior diferena percentual (em mdulo) - fase C;

descritor24

Nvel onde ocorreu a segunda maior diferena percentual - fase C;

descritor25

(Maior diferena percentual da fase C)-(Maior diferena percentual da fase A);

descritor26

(Nvel da maior diferena percentual na fase C)- (Nvel da maior diferena percentual na fase A);

descritor27

(Maior diferena percentual da fase C)-(Maior diferena percentual da fase B);

descritor28

(Nvel da maior diferena percentual na fase C) - (Nvel da maior diferena percentual na fase B);

descritor29

(Maior diferena percentual da fase A) - (Maior diferena percentual da fase B);

descritor30

(Nvel da maior diferena percentual na fase A) - (Nvel da maior diferena percentual na fase B);

4.2 Pr-Processamento dos Sinais

74

Tabela 4.2: Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o primeiro algoritmo de obteno
do sinal de referncia.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
83,27%
81,69%
84,01%
85,17%
85,46%

Tabela 4.3: Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o segundo algoritmo de obteno do
sinal de referncia.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
85,34%
87,62%
87,95%
88,60%
89,25%

Tabela 4.4: Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o terceiro algoritmo de obteno do
sinal de referncia.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
93,60%
94,19%
96,22%
93,02%
95,06%

4.2 Pr-Processamento dos Sinais

75

Tabela 4.5: Porcentagem de acerto para diferentes arquiteturas da rede neural


RPROP, considerando no pr-processamento o terceiro algoritmo de obteno do
sinal de referncia e tambm o sinal contendo apenas a parte com distrbio.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
90,69%
98,26%
84,59%
89,53%
82,55%

Captulo 5
Anlise de Resultados
Este captulo apresenta os resultados obtidos atravs da aplicao da metodologia
desenvolvida, para classicao de distrbios em redes de energia eltrica. Tais
resultados so provenientes da classicao de sinais com distrbios com diferentes taxas de amostragem, o que proporcionou interessantes concluses a este
respeito, as quais sero tambm aqui discutidas.

5.1

Consideraes Gerais

Devido grande quantidade de dados provenientes dos equipamentos registradores de perturbaes, torna-se indispensvel automatizar o diagnstico sobre os tipos de distrbios presentes nos sinais registrados. Com esse objetivo, desenvolveuse nesta tese uma metodologia, baseada no uso da transformada wavelet e de redes
neurais articiais (RNAs). As principais etapas do trabalho so: a obteno dos
sinais analisados, a qual utiliza sinais de tenso registrados e simulados, sendo esta
76

5.2 Resultados

77

seguida pelo pr-processamento desses sinais, que o responsvel pela preparao dos sinais analisados para a classicao por meio de uma estrutura neural,
que a ltima etapa do trabalho e cuja sada deve ser a identicao do tipo de
distrbio.

5.2

Resultados

Os resultados que sero apresentados neste captulo correspondem anlise de


sinais provenientes de simulaes e de registradores de perturbaes (oscilgrafos
e qualmetros). importante destacar que os sinais registrados analisados neste
trabalho possuem diferentes taxas de amostragem e que estes foram utilizados
juntamente com os sinais simulados. Dessa forma, a base de dados usada para a
classicao dispe de sinais com taxas de amostragem:
128 amostras por ciclo esta foi a taxa de amostragem que a rede de oscilograa estava ajustada para registrar os sinais. A durao de cada registro
correspondeu a 14 ciclos.
32 amostras por ciclo esta foi a taxa de amostragem que a rede de qualimetria estava ajustada para registrar os sinais. A durao de cada registro
correspondeu a 54 ciclos.
64 amostras por ciclo esta foi a taxa de amostragem obtida a partir da
reduo da taxa dos sinais registrados pela oscilograa que possuam 128
amostras por ciclo. Esta reduo na taxa de amostragem foi realizada com
a inteno de analisar o impacto da diminuio da taxa na classicao dos

5.2 Resultados

78

distrbios. Essa inuncia ser mostrada com mais detalhes no decorrer


deste captulo.

5.2.1

Resultados Obtidos Para Sinais Com 128 Amostras/Ciclo

Os equipamentos de oscilograa disponveis na obteno de dados para este trabalho estavam ajustados para registrarem sinais com taxas de amostragem de 128
amostras/ciclo durante 14 ciclos. Para estes sinais foram analisados quatro tipos de distrbios presentes na rede eltrica: afundamento e elevao de tenso,
harmnicos e transitrios.
Cada distrbio analisado representa uma classe para o classicador neural
(Tabela 3.2). Alm disso, utilizou-se para a classicao uma rede neural do tipo
Perceptron de Mltiplas Camadas (PMC), com treinamento segundo o algoritmo
Resilient Backpropagation (Rprop). Deve-se ressaltar que para o treinamento tambm foi testado o algoritmo Backpropagation, o qual obteve taxas de acerto menores que a obtida pelo Rprop e que, alm disso, possui um tempo de treinamento
um pouco maior. A tabela 5.1 mostra os resultados obtidos, assim como, o tempo
de treinamento gasto, utilizando os dois algoritmos (Rprop e Backpropagation) e
1000 pocas para o treinamento.

Vrias arquiteturas foram analisadas para a rede neural. Dentre elas, destacamse 10:20:4, 10:40:4, 10:60:4, 10:80:4 e 10:100:4, as quais obtiveram, para um
tempo de treinamento de poucos minutos, resultados muito bons. Utilizou-se um
total de 800 padres para o treinamento (200 padres para cada classe) e 344

5.2 Resultados

79

padres para a validao (86 padres para cada classe).

Tabela 5.1: Porcentagem de acerto e tempo de treinamento para diferentes arquiteturas da rede neural utilizando o algoritmo RPROP e o Backpropagation.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
RPROP
BACKPROP
96,51%
96,22%
99,70%
96,80%
100,00%
96,80%
98,26%
96,51%
95,64%
96,51%

Tempo de treinamento
RPROP
BACKPROP
45,4 seg
48,5 seg
76,8 seg
82,1 seg
97,8 seg
103,2 seg
131,6 seg
133,9 seg
175,8 seg
203,2 seg

A anlise da tabela 5.1 comprova que os melhores resultados realmente foram obtidos utilizando-se o algoritmo Rprop e para que seja possvel avaliar com
mais detalhes estes resultados apresenta-se nas tabelas 5.2, 5.3, 5.4, 5.5 e 5.6 a
Matriz de Confuso de cada uma das taxas de acerto obtida pelo algoritmo. Essa
matriz usada para avaliar o resultado da classicao, para isso ela compara os
dados corretamente classicados com os dados obtidos pelo classicador neural.
As componentes da diagonal principal da matriz indicam o nmero de distrbios
corretamente classicados para cada classe correspondente.
Tabela 5.2: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:20:4.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
86
0
0
0

Elevao
0
78
2
0

Transitrios Harmnicos
0
0
6
2
83
1
1
85

5.2 Resultados

80

Tabela 5.3: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:40:4.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
86
0
0
0

Elevao
0
85
0
0

Transitrios Harmnicos
0
0
1
0
86
0
0
86

Tabela 5.4: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:60:4.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
86
0
0
0

Elevao
0
86
0
0

Transitrios Harmnicos
0
0
0
0
86
0
0
86

Pela tabela 5.2 observa-se que dentre os distrbios analisados o de afundamento de tenso foi o que apresentou o melhor ndice de acerto, 86 dos 86 padres
foram bem classicados, representando uma taxa de 100% de acerto individual.
Elevao de tenso foi o que apresentou o pior ndice, classicou 78 dos 86 padres corretamente, representando uma taxa 90,6977% de acerto individual. J
transitrios obteve um total 83 dos 86 padres corretamente classicados, signicando 96,5116% de acerto individual e harmnicos apresentou um total de 85
padres, dos 86, bem classicados, o que resulta em um ndice de 98,8372% de
acerto individual.
A tabela 5.3 mostra que para esta arquitetura (10:40:4) a rede neural s no

5.2 Resultados

81

Tabela 5.5: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:80:4.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
86
0
0
0

Elevao
0
82
0
1

Transitrios Harmnicos
0
0
2
2
86
0
1
84

Tabela 5.6: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:100:4.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
86
0
0
0

Elevao
0
77
5
1

Transitrios Harmnicos
0
0
7
2
81
0
0
85

conseguiu classicar corretamente um padro, que deveria ser classicado como


elevao de tenso e no como transitrios.
Para a arquitetura da rede neural mostrada na tabela 5.4 (10:60:4) todos os
padres foram corretamente classicados, ou seja, a classicao dos distrbios
obteve 100% de acerto.
A tabela 5.5 mostra que mais uma vez o distrbio de elevao de tenso foi o
que obteve a pior classicao, tendo os distrbios de afundamento e transitrios
apresentado uma taxa de 100% de acerto individual e o de harmnico 97,6744%
de acerto individual (84 dos 86 padres foram corretamente classicados).
A arquitetura da rede neural usada na tabela 5.6 (10:100:4) foi a que obteve o

5.2 Resultados

82

pior ndice de acerto na classicao entre todas as outras arquiteturas. Observase por esta tabela que mais uma vez o pior ndice de acerto individual foi obtido
para o distrbio de elevao de tenso (89,5349%) e o melhor ndice individual foi
obtido para afundamento de tenso (100%). Os distrbios de transitrio e harmnicos obtiveram respectivamente ndices de acerto individual iguais a 94,1860% e
98,8372%.
Atravs da anlise dos resultados apresentados anteriormente possvel concluir que apesar da rede neural ter atingido a meta de classicar 100% dos distrbios corretamente com a arquitetura 10:60:4, pelas outras arquiteturas foi possvel
observar que a maior diculdade da rede em realizar a classicao est no distrbio de elevao de tenso, o qual apresentou para todas os outros casos os piores
ndices de acerto individual, ao contrrio do afundamento que em todos os resultados obteve 100% de acerto individual.

5.2.2

Resultados Obtidos Para Sinais Com 32 Amostras/Ciclo

Os equipamentos de qualimetria disponveis para obteno de dados para este


trabalho estavam ajustados para registrarem sinais com taxas de amostragem de
32 amostras/ciclo durante 54 ciclos. Devido a esta baixa taxa de amostragem,
no foi possvel registrar sinais com transitrios, sendo por este motivo analisados
sinais com afundamento e elevao de tenso, harmnicos , sinais considerados
normais de acordo com as normas tcnicas e sinais sem registro. Os sinais sem
registro so aqueles cujo arquivo no apresentou leitura: registra-se um distrbio,
porm os valores discretizados no esto disponveis (falha do equipamento ou de
tratamento da informao). Por esse motivo no precisam ser classicados pelo

5.2 Resultados

83

rede neural, sendo a sua identicao realizada logo aps a leitura dos dados.
Dessa forma, as novas classes utilizadas pela rede neural so apresentadas na
tabela 5.7. Para o treinamento foram usados 800 padres (200 para cada classe) e
212 padres foram usados para a validao (53 padres para cada classe).
Tabela 5.7: Classes denidas para o classicador neural
Classes
Classe1
Afundamento de tenso
Classe2
Elevao de tenso
Classe3
Harmnicos
Classe4
Normal
A mudana da taxa de amostragem dos sinais analisados, que anteriormente
era de 128 amostras por ciclo e que passou a ser de 32 amostras por ciclo, mostrou
que tal reduo teve como conseqncia resultados no to bons como os obtidos
anteriormente (Tabela 5.1). O melhor ndice de acerto obtido foi de 84,43%, como
mostra a tabela 5.8.
Tabela 5.8: Porcentagem de acerto para diferentes arquiteturas da rede neural
utilizando o algoritmo RPROP e sinais com taxa de 32 amostras/ciclo.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
80,19%
84,43%
83,02%
83,02%
82,55%

As tabelas 5.9, 5.10, 5.11, 5.12 e 5.13 apresentam a Matriz de Confuso das
taxas de acerto, obtida por cada arquitetura da rede neural. possvel observar a
partir dessas tabelas que a classe que obteve o melhor ndice de acerto individual

5.2 Resultados

84

foi a de elevao de tenso, sendo seguido por afundamento, normais e harmnicos, o qual obteve a pior taxa de acerto individual.

Tabela 5.9: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:20:4 para sinais com taxas de 32 amostras/ciclo.
Distrbios
Afundamento
Elevao
Harmnicos
Normais

Afundamento
42
0
0
1

Elevao
4
53
1
3

Harmnicos
5
0
37
11

Normais
2
0
15
38

Tabela 5.10: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:40:4 para sinais com taxas de 32 amostras/ciclo.
Distrbios
Afundamento
Elevao
Harmnicos
Normais

Afundamento
47
0
1
2

Elevao
1
53
1
3

Harmnicos
3
0
39
8

Normais
2
0
12
40

Tabela 5.11: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:60:4 para sinais com taxas de 32 amostras/ciclo.
Distrbios
Afundamento
Elevao
Harmnicos
Normais

Afundamento
47
0
1
3

Elevao
1
53
1
3

Harmnicos
3
0
38
9

Normais
2
0
13
38

Pelos resultados, em que esto sendo analisados sinais com taxas de 32 amostras por ciclo, pode-se concluir que houve uma piora signicativa na qualidade da

5.2 Resultados

85

Tabela 5.12: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:80:4 para sinais com taxas de 32 amostras/ciclo.
Distrbios
Afundamento
Elevao
Harmnicos
Normais

Afundamento
45
0
0
1

Elevao
3
53
3
2

Harmnicos
1
0
37
9

Normais
4
0
12
41

Tabela 5.13: Matriz de Confuso obtida para a rede PMC utilizando o algoritmo
RPROP com arquitetura 10:100:4 para sinais com taxas de 32 amostras/ciclo.
Distrbios
Afundamento
Elevao
Harmnicos
Normais

Afundamento
44
0
1
1

Elevao
1
53
3
1

Harmnicos
4
0
39
12

Normais
4
0
10
39

classicao em relao aos resultados anteriores, obtidos para sinais com taxas
de 128 amostras por ciclo.
Os prximos resultados do trabalho foram obtidos com o intuito de vericar
se a reduo no ndice de acerto est relacionada com a taxa de amostragem do
sinal. Para isso, novamente, recorreu-se aos sinais com taxa de amostragem de
128 amostras por ciclo e que apresentaram ndice de acerto igual a 100%. Estes
sinais tiveram sua taxa de amostragem reduzida de 128 para 64 e 32 amostras por
ciclo.

5.2 Resultados

5.2.3

86

Resultados Obtidos Para Sinais com 64 Amostras/Ciclo


Provenientes da Reduo da Taxa de Amostragem dos
Sinais com 128 Amostras/Ciclo

Para vericar a relao da taxa de amostragem com o ndice de acerto, os sinais


analisados com 128 amostras por ciclo, cuja a classicao atingiu um ndice de
100% de acerto, como apresentou a Tabela 5.1, tiveram a sua taxa de amostragem
reduzida, diminuindo-se de 128 para 64 e 32 amostras por ciclo.
Para obteno dos resultados utilizando-se os sinais com a taxa de amostragem reduzida, a nica mudana realizada foi novamente a alterao das classes
usadas na classicao. Tais classes so as mesmas apresentadas na Tabela 3.2:
classe1 afundamento; classe2 elevao; classe3 transitrios; e classe4
harmnicos.
Mais uma vez, utilizaram-se 800 padres para realizar o treinamento e 344
padres para a validao.
A Tabela 5.14 apresenta os resultados obtidos para as diferentes arquiteturas
analisadas, para os sinais com 64 amostras por ciclo.
Tabela 5.14: Porcentagem de acerto para diferentes arquiteturas da rede neural
utilizando o algoritmo RPROP e sinais com taxa de 64 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
92,15%
92,44%
92,44%
91,57%
90,12%

5.2 Resultados

87

Pela Tabela 5.14 observa-se que o melhor ndice de acerto obtido foi de
92,44%. Esse ndice representa uma queda de 7,56% em relao ao melhor ndice obtido para os sinais com taxa de 128 amostras/ciclo. As matrizes de confuso dos resultados obtidos por esta tabela so apresentadas nas tabelas 5.15, 5.16,
5.17, 5.18 e 5.19.
Tabela 5.15: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:20:4 para os sinais com 64 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
75
0
0
0

Elevao
0
82
1
7

Transitrios Harmnicos
0
11
1
3
83
2
2
77

Tabela 5.16: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:40:4 para os sinais com 64 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
77
0
0
0

Elevao
0
77
1
0

Transitrios Harmnicos
0
9
5
4
80
5
2
84

Tabela 5.17: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:60:4 para os sinais com 64 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
76
0
1
0

Elevao
0
76
0
0

Transitrios Harmnicos
0
10
1
9
82
3
2
84

5.2 Resultados

88

Tabela 5.18: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:80:4 para os sinais com 64 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
77
0
0
0

Elevao
0
75
0
2

Transitrios Harmnicos
0
9
1
10
80
6
1
83

Tabela 5.19: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:100:4 para os sinais com 64 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
76
1
0
0

Elevao
0
67
0
0

Transitrios Harmnicos
0
10
15
3
83
3
2
84

A anlise dos resultados obtidos para os sinais com taxa de 64 amostras por
ciclo leva mais uma vez concluso de que a reduo no ndice de acerto na
classicao realizada pela rede neural est diretamente relacionada com a taxa
de amostragem dos sinais analisados. Para os sinais com taxa de 128 amostras
por ciclo a rede atingiu o ndice de 100% de acerto na classicao, enquanto
que o melhor ndice de acerto obtido para a taxa de amostragem reduzida para 64
amostras por ciclo foi de 92,44%.

5.2 Resultados

5.2.4

89

Resultados Obtidos Para Sinais com 32 Amostras/Ciclo


Provenientes da Reduo da Taxa de Amostragem dos
Sinais com 128 Amostras/Ciclo

Para conrmar a relao da taxa de amostragem dos sinais com a reduo do


ndice de acerto na classicao da rede neural, analisaram-se tambm sinais com
taxa de 32 amostras por ciclo obtidos da reduo da taxa dos sinais com 128
amostras por ciclo. A Tabela 5.20 apresenta os resultados obtidos analisando-se
estes sinais para as diferentes arquiteturas das redes neurais.
Tabela 5.20: Porcentagem de acerto para diferentes arquiteturas da rede neural
utilizando o algoritmo RPROP e sinais com taxa de 32 amostras/ciclo, obtidos
pela reduo das taxas de amostragem dos sinais com 128 amostras/ciclo.
Arquitetura
10:20:4
10:40:4
10:60:4
10:80:4
10:100:4

ndice de acerto
84,88%
85,17%
85,76%
86,63%
86,05%

As tabelas 5.21, 5.22, 5.23, 5.24 e 5.25 apresentam as Matrizes de Confuso referentes a cada ndice de acerto obtido pelas diferentes arquiteturas da rede
neural.

5.2 Resultados

90

Tabela 5.21: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:20:4 para os sinais com 32 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
82
0
0
0

Elevao
1
71
0
4

Transitrios Harmnicos
0
3
15
0
74
12
17
65

Tabela 5.22: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:40:4 para os sinais com 32 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
81
1
0
0

Elevao
0
68
0
3

Transitrios Harmnicos
1
4
16
1
72
14
11
72

Para estes sinais, com taxa de 32 amostras por ciclo, o melhor ndice de acerto
atingido pela rede neural foi de 86,63%, o que representa uma queda de 13,37%
em comparao ao melhor resultado obtido para os sinais com 128 amostras por
ciclo. Este fato conrma a relao entre a taxa de amostragem e a reduo no
ndice de acerto na classicao da rede neural. importante destacar ainda que
a reduo da taxa de amostragem mostra-se proporcional a reduo da taxa de
acerto, ou seja, quanto menor a taxa de amostragem, menor o ndice de acerto.

5.2 Resultados

91

Tabela 5.23: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:60:4 para os sinais com 32 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
82
1
0
1

Elevao
1
65
0
2

Transitrios Harmnicos
1
2
16
4
73
13
8
75

Tabela 5.24: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:80:4 para os sinais com 32 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
81
1
0
0

Elevao
0
66
0
2

Transitrios Harmnicos
0
5
11
8
78
8
11
73

Tabela 5.25: Matriz de Confuso obtida para rede PMC utilizando o algoritmo
RPROP com arquitetura 10:100:4 para os sinais com 32 amostras/ciclo obtidos
pela reduo da taxa de amostragem dos sinais com 128 amostras/ciclo.
Distrbios
Afundamento
Elevao
Transitrios
Harmnicos

Afundamento
82
1
0
0

Elevao
0
64
0
3

Transitrios Harmnicos
1
3
19
2
77
9
10
73

Captulo 6
Concluses e Recomendaes

6.1

Concluses

O objetivo desta tese elaborar um mtodo eciente para classicao automtica


de distrbios responsveis pela caracterizao da qualidade da energia eltrica.
A metodologia desenvolvida considerou quatro tipos de distrbios: afundamento e elevao de tenso, distores harmnicas e transitrios. Alm destes
tambm foram analisados sinais considerados normais de acordo com as normas
tcnicas, e sinais sem registro, identicados logo aps a leitura dos dados. A base
de dados utilizada foi obtida por meio de equipamentos registradores, instalados
em um sistema de transmisso de energia real e tambm por simulaes do mesmo
sistema atravs do software ATP.
Em resumo, as principais etapas do algoritmo de classicao so trs: a
etapa de obteno dos sinais analisados (sinais de tenso discretizados), sendo esta

92

6.1 Concluses

93

seguida pela etapa do pr-processamento, que a mais importante, e a responsvel


pela preparao dos sinais para a etapa seguinte, a da classicao, realizada por
uma rede neural articial e responsvel pela identicao do tipo de distrbio
presente nos sinais analisados.
Por este trabalho foi possvel observar atravs de um estudo mais aprofundado
a importncia da etapa do pr-processamento dos sinais para a classicao dos
distrbios. Tal estudo se deu por meio do aprimoramento da forma de obteno
dos sinais de referncia e da seleo dos distrbios nos sinais, usados na metodologia para obteno das curvas das diferenas percentuais de energia atravs das
quais se obtm os descritores usados pela rede neural. Conforme mostraram os
resultados, estas melhorias aliadas normalizao dos descritores obtidos nesta
etapa foram signicativas para obter uma melhora na qualidade da classicao,
atingindo-se o ndice de 100% de acerto.
Alm disso, foram analisados sinais com diferentes taxas de amostragem, 128,
64 e 32 amostras por ciclo. Pela anlise dos resultados foi possvel concluir que
pela metodologia desenvolvida a reduo da taxa de amostragem do sinal analisado tambm reduz o ndice de acerto da classicao dos distrbios. Quanto
menor for a taxa, menor ser o ndice de acerto obtido pelo classicador. A anlise dos resultados obtidos mostrou que, para os sinais com taxas de amostragem
iguais a 128 amostras por ciclo obteve-se 100% de acerto na classicao, enquanto que os sinais com taxas iguais a 32 amostras por ciclo registrados por
qualmetros obtiveram taxas abaixo de 85% de acerto. Dessa forma, pelo que foi
exposto no decorrer do trabalho, para garantir 100% de acerto na classicao dos
distrbios presentes nos sinais analisados, as taxas de amostragem ideais devem

6.2 Recomendaes

94

ser iguais a 128 amostras por ciclo ou superior.

6.2

Recomendaes

Durante as pesquisas que resultaram no presente trabalho, observou-se a existncia de distrbios mltiplos em alguns dos sinais registrados que foram analisados.
, portanto interessante realizar uma investigao mais detalhada desses sinais,
a m de desenvolver uma tcnica mais rigorosa para identicar automaticamente
todos os distrbios presentes em um mesmo registro de sinal.
Durante a fase nal do presente trabalho, uma tcnica similar de classicao,
baseada em Comit de Mquinas Especialistas, foi investigada cooperativamente
com outros pesquisadores. Os resultados obtidos demonstraram-se promissores
(MAGALHES et al., 2008), (MELO et al., 2008). Recomenda-se intensicar
essa investigao, para testar a sua eccia diante dos problemas aqui relatados,
que justicaram o pr-processamento mais detalhado, bem como para classicao de sinais com baixas taxas de amostragem.
Uma outra tcnica que pode ser testada para implementar a etapa de classicao propriamente dita a mquina de vetor suporte (support vector machine SVM). Encontram-se alguns casos na literatura em que essa tcnica substitui com
vantagens as RNAs (GAO; WU, 2006).

Apndice A
Equipamentos Registradores de
Pertubaes

A.1

Equipamentos de Medio da Qualidade da Energia

Os equipamentos de medio da qualidade da energia pertencem classe dos Registradores de Perturbaes (RPs). So ferramentas que proporcionam maior capacidade e preciso na anlise do funcionamento do sistema eltrico, tanto na operao normal como sob anormalidades, a m de buscar solues economicamente
viveis para o seu bom funcionamento. So aparelhos inteligentes de monitorao
e registro de grandezas eltricas instalados em diversos pontos do sistema eltrico
de potncia. Os mais conhecidos so:
Registradores de Oscilograa;
95

A.1 Equipamentos de Medio da Qualidade da Energia

96

Registradores de Qualimetria.

Registrar o ocorrido durante um evento essencial anlise de ocorrncias


e perturbaes. Por esse motivo, foi indispensvel recorrer a estes equipamentos
para obter alguns dos dados de entradas usados neste trabalho. Sendo assim,
interessante conhecer um pouco mais a respeito desses registradores.

A.1.1

Registradores de Oscilograa

A oscilograa caracterizada pela medio de grandezas de tenso e corrente


com alta resoluo no domnio do tempo e cujo registro ocorre em conseqncia
da deteco de uma perturbao (TCHEOU et al., 2006).
Os valores das grandezas e os sinais registrados durante o evento so armazenados em arquivos de dados, que so transferidos para um computador para
posterior anlise. Estes arquivos de dados contm os valores medidos codicados
em um formato proprietrio, ou em formato COMTRADE.
Os arquivos em formato proprietrio guardam as informaes dos eventos em
um formato que no padronizado. Em geral, arquivos com este formato no tm
estrutura aberta e no podem ser acessados por outro programa que no seja o do
fabricante do equipamento que os criou.
Os arquivos em formato COMTRADE so os padronizados pelo IEEE (Institute of Electrical and Electronics Engineers) para oscilograa digital. O COMTRADE dene um formato comum para arquivos de dados digitais e mdias, necessrios para troca de vrios tipos de dados de perturbaes, ensaios e simulao.

A.1 Equipamentos de Medio da Qualidade da Energia

97

Os arquivos denidos por este tipo devem estar, a princpio em formato ASCII,
onde para cada evento so denidos 3 tipos de arquivos: cabealho, congurao e
dados. Esto na forma "xxxxxxxx.yyy"onde "xxxxxxxx" usado para identicar
o evento e ".yyy" usado para identicar o tipo do arquivo: ".HDR"para cabealho (HeaDeR), ".CFG"para congirao (ConFiGuration) e ".DAT"para dados
(DATa) (C37.111-1991, 1991).

A.1.1.1

Oscilograa Convencional

Os Registradores de Oscilograa Convencional foram muito utilizados para a anlise de perturbaes antes da chegada da oscilograa digital. A sua tecnologia era
eletromecnica, oscilando conforme a forma de onda de tenso ou corrente, realizando sobre um papel as formas de ondas reconhecidas da oscilograa. Estes
primeiros equipamentos no eram capazes de registrar a pr-falta, pois eram acionados por sensores de partida disparados posteriormente ao incio do evento.

A.1.1.2

Oscilograa Digital

Quando surgiram os primeiros registradores digitais de perturbaes, a primeira


preocupao foi a de substituir as funcionalidades existentes na poca. Para tal, se
projetou um equipamento com uma memria de dados suciente para armazenar
o tempo desejado de pr-falta e ps-falta antes de transferir para uma memria
permanente. Dessa forma, tornou-se possvel a anlise de eventos atravs de registros digitais, que no necessitavam tinta, revelao de papis foto sensveis
ou interpretao por outros equipamentos como os registros em tas magnti-

A.1 Equipamentos de Medio da Qualidade da Energia

98

cas. Porm a plataforma digital permitiu que vrias novas funcionalidades fossem
implementadas em um mesmo equipamento. Dessa forma foram agregadas funcionalidades de comunicao remota, localizao de defeitos e registros RMS entre
outras, incorporando assim funes inexistentes ou que eram executadas por outros equipamentos. Com o advento da capacidade de sincronizao temporal dos
equipamentos, tornou-se mais simples a anlise de eventos com o relacionamento
de informaes de registros de equipamentos diferentes, como remotas, seqenciais de eventos e registradores de perturbao.

A.1.2

Registradores de Qualimetria

O qualmetro um equipamento medidor de mltiplas grandezas que une diversas


funes, sejam elas: anlise de qualidade de energia, capacidade de gerar sinais
para controle de outros equipamentos, leitura de dados de outros medidores, entre
outras. O equipamento amplamente usado em pontos de distribuio e cargas
com comportamento sensvel. Com este medidor possvel fazer medies de
grandezas intrinsecamente ligadas qualidade da energia, pois este tem capacidade de deteco de perturbaes extremamente elevada.
Qualmetros modernos fornecem diversas opes de aplicao, devido sua
grande versatilidade e capacidade de trabalhar em conjunto com softwares. Apresentase a seguir algumas de suas aplicaes usuais.
Anlise de perturbaes: capaz de capturar perturbaes em um sistema
de potncia, fornecendo, pelo menos, informaes sobre eventos como:
harmnicos, Afundamentos/elevaes e interrupes.

A.1 Equipamentos de Medio da Qualidade da Energia

99

Controle de fator de potncia e demanda: Essa uma caracterstica adicional, na maioria dos qualmetros. Atravs de amostras de tempo previamente
especicadas possvel montar-se um histrico do comportamento de demanda e fator de potncia de uma instalao, de maneira a analisar causas
de picos e outras ocorrncias.
Monitoramento e controle de equipamentos: Possuem sadas analgicas e
digitais para controle ou monitoramento de outros equipamentos.
Como objetivo do trabalho classicar distrbios da qualidade da energia
alguns requisitos desejveis para os RDPs so apresentados abaixo:
Medies de tenso trifsica, freqncia, fator de potncia e corrente instantneas;
Harmnicos: THD e individuais at, pelo menos, a 50a , para 60Hz.
Deteco de Transitrios de chaveamento;
Gravao de formas de onda em at 512 amostras/ciclo;
Deteco de afundamentos/elevaes (sag/swell): Mximo, mnimo e durao da perturbao.

Embora essas caractersticas sejam desejveis, a ecincia dos algoritmos


apresentados neste trabalho no dependente do seu atendimento integral.

Apndice B
Descrio dos Trechos dos
Procedimentos de Rede Referentes
aos Distrbios de Afundamento e
Elevao de Tenso

B.1

Variao de Tenso de Curta Durao (VTCD)

B.1.1

Consideraes iniciais

1. VTCD um evento aleatrio de tenso caracterizado por desvio signicativo, por curto intervalo de tempo, do valor ecaz da tenso. Calcula-se o
valor ecaz da tenso a partir da mdia quadrtica dos valores instantneos
da tenso, em perodo mnimo de meio ciclo e mximo de um ciclo. A
100

B.1 Variao de Tenso de Curta Durao (VTCD)

101

VTCD refere-se normalmente tenso fase-neutro e descrita monofasicamente pelos parmetros amplitude e durao.
2. A amplitude da VTCD denida pelo valor extremo do valor ecaz da tenso em relao tenso nominal do sistema no ponto considerado, enquanto
perdurar o evento.
3. A durao da VTCD denida pelo intervalo de tempo decorrido entre o
instante em que o valor ecaz da tenso em relao tenso nominal do
sistema no ponto considerado ultrapassa determinado limite e o instante em
que essa varivel volta a cruzar esse limite.
4. A partir da durao e amplitude, as VTCD so classicadas de acordo com
o que se apresenta na tabela B.1.
5. A variao momentnea de tenso compreende os eventos com durao inferior ou igual a 3 (trs) segundos: interrupo, afundamento e elevao
momentneas de tenso.
6. A variao temporria de tenso compreende os eventos com durao superior a 3 (trs) segundos e inferior ou igual a 1 (um) minuto: interrupo,
afundamento e elevao temporrias de tenso.
7. Denomina-se Interrupo Momentnea de Tenso (IMT) o evento em que
o valor ecaz da tenso inferior a 0,1 pu da tenso nominal, durante um
intervalo de tempo com durao inferior ou igual a 3 (trs) segundos.
8. Denomina-se Afundamento Momentneo de Tenso (AMT) o evento em
que o valor ecaz da tenso superior ou igual a 0,1 e inferior a 0,9 pu da

B.1 Variao de Tenso de Curta Durao (VTCD)

102

tenso nominal, durante um intervalo de tempo com durao superior ou


igual a um ciclo (16,67 ms) e inferior ou igual a 3 (trs) segundos.
9. Denomina-se Elevao Momentnea de Tenso (EMT) o evento em que o
valor ecaz da tenso superior a 1,1 pu da tenso nominal, durante um
intervalo de tempo com durao superior ou igual a um ciclo (16,67 ms) e
inferior ou igual a 3 (trs) segundos.
10. Denomina-se Interrupo Temporria de Tenso (ITT) o evento em que o
valor ecaz da tenso inferior a 0,1 pu da tenso nominal, durante um
intervalo de tempo com durao superior a 3 (trs) segundos e inferior ou
igual a 1 (um) minuto.
11. Denomina-se Afundamento Temporrio de Tenso (ATT) o evento em que o
valor ecaz da tenso superior ou igual a 0,1 e inferior a 0,9 pu da tenso
nominal, durante um intervalo de tempo com durao superior a 3 (trs)
segundos e inferior ou igual a 1 (um) minuto.
12. Denomina-se Elevao Temporria de Tenso (ETT) o evento em que o
valor ecaz da tenso superior a 1,1 pu da tenso nominal, durante um
intervalo de tempo com durao superior a 3 (trs) segundos e inferior ou
igual a 1 (um) minuto.

B.1 Variao de Tenso de Curta Durao (VTCD)

103

Tabela B.1: Denominao das variaes de tenso de curta durao.


Denominao

Durao da variao

Interrupo momentnea de tenso

inferior ou igual a 3
(trs) segundos
superior ou igual a um
ciclo e inferior ou igual
a 3 (trs) segundos
superior ou igual a um
ciclo e inferior ou igual
a 3 (trs) segundos
superior a 3 (trs) segundos e inferior ou
igual a 1 (um) minuto
superior a 3 (trs) segundos e inferior ou
igual a 1 (um) minuto
superior a 3 (trs) segundos e inferior ou
igual a 1 (um) minuto

Afundamento momentneo de tenso

Elevao momentnea de tenso

Interrupo temporria de tenso

Afundamento temporrio de tenso

Elevao temporria de tenso

Amplitude da tenso (valor ecaz)


em relao tenso
nominal
inferior a 0,1 pu
superior ou igual a
0,1 e inferior a 0,9
pu
superior a 1,1 pu

inferior a 0,1 pu

superior ou igual a
0,1 e inferior a 0,9
pu
superior a 1,1 pu

Referncias Bibliogrcas
ARRUDA, G. A. G. de. Anlise de faltas utilizando redes neurais. In: Proceedings
of The International Joint Conference on Neural Networks. Honolulu - Hawaii USA: [s.n.], 2002.
C37.111-1991, N. I. Resumo da IEEE Standart Common Format for Transient
Data Exchange (COMTRADE) for Power Systems. 1991. Disponvel em:
<http://www.sinape.cepel.br/arquivos/O20Formato20COMTRADE.pdf>.
Acesso em: 04 de maro de 2008.
CHOWDHURY, F. N.; ARAVENA, J. L. A modular methodology for fast fault
detection and classication in power systems. IEEE Transactions on Control
Technology, v. 6, p. 623634, 1998.
CLAYPOOLEA, R. L.; BARANIUK, R. G. Flexible Wavelet Transforms Using
Lifting. Rice University, 1998.
DASH, P. K.; CHUN, I.; CHILUKURI, M. Power quality data mining using soft
computing and wavelet transform. In: IEEE Proceedings of the International
Conference on Convergent Technologies for Asia-Pacic Region. Bangalore India,: [s.n.], 2003. p. 976980.
104

REFERNCIAS BIBLIOGRFICAS

105

DAUBECHIES, I.; SWELDENS, W. Factoring wavelet transforms into lifting


steps. Journal of Fourier Analysis and Applications, v. 4, n. 3, p. 247269, 1998.
DOMINGUES, M. O.; JNIOR, O. M.; COSTA, A. M. da. Algumas aplicaes
wavelet na anlise de sinais atmosfricos. In: 2o Congresso Temtico de
Aplicaes de Dinmica e Controle da Sociedade Brasileira de Matemtica
Aplicada e Computacional (SBMAC). So Jos dos Campos - SP: [s.n.], 2003.
FERNNDEZ, R.; ROJAS, H. An overview of wavelet transforms application
in power systems. In: Proceedings of the 14th Power Systems Computation
Conference. Sevilla, Espanha: [s.n.], 2002. p. 18.
FONSECA, M. S. da. Um Estudo sobre a Inuncia das Famlias Wavelets
na Compresso de Imagem. Dissertao (Mestrado) Universidade Federal
Fluminense, Niteri-RJ, maro 2004.
FREEMAN, J. A.; SKAPURA, D. M. Neural Networks: Algorithms, Applications
and Programming Techniques. 1992.
FREITAS, A. A. C.; SILVA, I. N.; SOUZA, A. N. Aplicao de redes neurais na
estimao da temperatura interna de transformadores de distribuio imersos em
leo. SBA - Controle e Automao, v. 13, n. 3, 2002.
GAING, Z.-L. Wavelet-based neural network for power disturbance recognition
and classication. IEEE Trans. on Power Delivey, v. 19, n. 4, p. 1560 1568,
Outubro 2004.

REFERNCIAS BIBLIOGRFICAS

106

GAO, P.; WU, W. Power quality disturbances classication using wavelet and
support vector machines. In: Intelligent Systems Design and Applications. [S.l.:
s.n.], 2006. p. 201 206.
GENGYIN, L.; MING, Z.; ZHIYUAN, Z. Power quality disturbance automatic
recognition based on wavelet and genetic network. IEEE Region 10 Conference
on Computers, Communications, Control and Power Engineering, 2002.
GIOVANINI, R.; COURY, D. V. Classicao rpida de faltas em sistemas
eltricos utilizando redes neurais articiais. In: Proceedings of the IV Brazilian
Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais. So
Jos dos Campos - SP: [s.n.], 1999. p. 281286.
GRAPS, A. L. An introduction to wavelets. IEEE Computational Sciences and
Engineering, Vol. 2, n. no 2, p. 5061, 1995.
HAYKIN, S. Redes Neurais: Princpios e Prticas. Segunda edio. [S.l.]:
Bookman Companhia Editora - RS, 1999.
HSU, H. P. Anlise de Fourier. [S.l.]: Livros Tcnicos e Cientcos Editora - Rio,
1973.
HUA, L.; YUGUO, W.; WEI, Z. Power quality disturbances detection and
classication using complex wavelet transformation and articial neural network.
In: Control Conference - CCC 2007. China: [s.n.], 2007. p. 208 212.
KOHONEN, T. Self Organization and Associative Memory. Springer-Verlag,
Berlin, 1987.

REFERNCIAS BIBLIOGRFICAS

107

LIANG, J.; ELANGOVAN, S.; DEVOTTA, J. B. X. A wavelet multi resolution


analysis approach to fault detection and classication in transmission lines.
Electrical Power and Energy Systems, v. 20, n. 5, p. 327332, 1998.
LIRA, M. M. S.; JNIOR, M. A. C.; AQUINO, R. R. B.; VALENA, M. J. S.;
LEITO, J. J. A. L. Classicao de distrbios eltricos utilizando componentes
principais e redes neurais articiais. In: XV Congresso Brasileiro de Automtica.
Gramado - RS: [s.n.], 2004. p. 16.
MACHADO, R. N.; BEZERRA, U. H.; PELAES, E. G. Uso da transformada
wavelet para a caracterizao de variao de tenso de curta durao a partir de
dados de oscilograas em sistemas de potncia. In: VII Congresso Brasileiro de
Redes Neurais. Natal - RN: [s.n.], 2005. p. 1001105.
MACHADO, R. N. das M. Deteco, classicao e quanticao automtica
de variaes de tenso de curta durao para aplicao em anlise de psoperatrio em sistemas de energia eltrica. Tese (Doutorado) Universidade
Federal do Par, 2006.
MAGALHES, R. M.; SANTOS, C. K. S.; MELO, J. D.; MEDEIROSJR, M. F.;
NETO, A. D. D. Power systems disturbance classication using modular neural
networks with multilayers experts. In: INTERNATIONAL CONFERENCE
ON RENEWABLE ENERGIES AND POWER QUALITY (ICREPQ08).
Proceedings of International Conference on Renewable Energies and Power
Quality, 2008. Santander(Espanha), 2008.

REFERNCIAS BIBLIOGRFICAS

108

MALLAT, S. G. A theory for multiresolution signal decomposition: The wavelet


representation. IEEE Transactions on Pattern Analysis and Machine Intelligence,
Vol. 11, n. no 7, p. 674693, 1989.
MATHWORKS. Wavelets toolbox. 2005. Disponvel em:
<http://matlab.izmiran.ru/help/toolbox/wavelet/wavedec.html>. Acesso
em: 16 de abril de 2008.
MEDEIROSJR., M. F.; OLIVEIRA, J. T. de; LACERDA, E. G. M. de; SANTOS,
C. K. S.; LEITO, J. J. A. L. Classicao automtica de distrbios atravs de
redes neurais e da transformada wavelet combinando dados de simulaes e
registros de perturbaes. In: VII INDUSCON. RECIFE - PE: [s.n.], 2006.
MEDEIROSJR, M. F.; SANTOS, C. K. S.; OLIVEIRA, J. T.; PIRES, P. S. da
M.; MELO, J. D. de; NETO, A. D. D.; LEITO, J. J. A. L. Inuence of signal
pre-processing in the efciency of algorithms based on neural networks for
disturbance classication. In: IEEE Symposium on Computational Intelligence in
Image and Signal Processing. Honolulu - Hawaii - USA: [s.n.], 2007.
MELO, J. D.; MAGALHES, R. M.; SANTOS, C. K. S.; MEDEIROSJR,
M. F.; NETO, A. D. D. Application of a hybrid algorithm in the modular neural
nets trainning with multilayers specialists in electric disturbance classication.
In: 12TH INTERNATIONAL CONFERENCE ON INTELLIGENT
ENGINEERING SYSTEM. Proceeding of 12th International Conference on
Intelligent Engineering System, 2008. Miami(USA), 2008.
OLESKOVICZ, M. Apostila de Qualidade de Energia. Escola de Engenharia de
So Carlos, 2004.

REFERNCIAS BIBLIOGRFICAS

109

ONS, O. N. d. S. E. Submdulo 2.2 - Padres de


Desempenho da Rede Bsica. 2002. Disponvel em:
<http://www.ons.org.br/download/procedimentos/submodulo02-02-r2.pdf>.
Acesso em: 05 de maio de 2008.
PANICKI, L. C. A. Redes Neurais: (SOM) Mapas auto-organizveis - Kohonen.
UNIVERSIDADE ESTADUAL DE LONDRINA, 2004.
RCE, R. C. E. em E. E. . Qualidade de Energia. 2008. Disponvel em:
<http://www.rce.org.br/rce/distribuicao-predios.html>. Acesso em: 24 de junho
de 2008.
RESENDE, J. W.; PENNA, C. Identicao de distrbios da qualidade da energia
atravs da transformada wavelet. In: IV SBQEE. Porto Alegre-RS: [s.n.], 2001.
SANCHES, I. J. Compresso Sem Perdas de Projees de Tomograa
Computadorizada Usando a Transformada Wavelet. Dissertao (Mestrado)
Universidade Federal do Paran, 2001.
SANTOS, C. K. S. Caracterizao de Distrbios em Redes de Energia Eltrica
Atravs da Transformada Wavelet de Segunda Gerao. Dissertao (Mestrado)
Universidade Federal do Rio Grande do Norte, Natal-RN, Junho 2004.
SANTOSO, S.; POWERS, E. J.; GRADY, W. M. Electric power quality
disturbance detection using wawelet transform analysis. In: Proceedings of The
IEEE-SP International Symposium on Time-Frequency and Time Scale Analysis.
Philadelphia, PA, USA: [s.n.], 1994.

REFERNCIAS BIBLIOGRFICAS

110

SILVA, K. M.; SOUZA, B. A.; BRITO, N. S. D.; COSTA, F. B.; DANTAS,


K. M. C. Um algoritmo para deteco e classicao de faltas em linhas de
transmisso baseado em transformada wavelet e rna. In: VII Congresso Brasileiro
de Redes Neurais. Natal - RN: [s.n.], 2005.
SOARES, A. C. N.; FERRER, L. C. d. O.; THOMAZ, L.;
GES, R. N.; SANTOS, S. Redes Neurais. 2002. Disponvel em:
<http://www.dei.unicap.br/ almir/seminarios/2002.2/ns06/RedesNeurais/desenvolvimento.html>.
Acesso em: 11 de Junho de 2008.
SOARES, L. R. Wavelets na Identicao e Localizao de Faltas em Linhas de
Transmisso. Dissertao (Mestrado) Universidade Federal de Pernambuco,
Recife-PE, Dezembro 2001.
SOUZA, B. A.; BRITO, N. S. D.; NEVES, W. L. A.; SILVA, K. M.; LIMA, R. B.;
SILVA, S. S. B. Comparison between backpropagation and rprop algorithms
applied to fault classication in transmision lines. In: International Joint
Conference on Neural Networks & International Conference on Fuzzy Systems.
Budapeste: [s.n.], 2004.
SWELDENS, W. The lifting scheme: A construction of second generation
wavelets. SIAM J. Math. Anal, v. 29, n. 2, p. 511546, 1997.
TCHEOU, M. P.; LOVISOLO, L.; RODRIGUES, M. A. M.; SILVA, E.
A. B. da; DINIZ, P. S. R.; F., S. M.; RAMOS, M. A. F. Avaliao de um
mtodo de compresso para oscilograa com base em procedimentos de
anlise de perturbaes eltricas. In: X SIMPSIO DE ESPECIALISTAS EM
PLANEJAMENTO DA OPERAO E EXPANSO ELTRICA. [S.l.: s.n.], 2006.

REFERNCIAS BIBLIOGRFICAS

111

VIEIRA, R. C.; ROISENBERG, M. REDES NEURAIS ARTIFICIAIS: UM BREVE TUTORIAL. [S.l.], 2008. Disponvel em:
<http://www.inf.ufsc.br/ l3c/artigos/TutorialRNA.pdf>. Acesso em: 17
de maro de 2008.
ZHAOA, W.; SONGB, Y. H.; MINB, Y. Wavelet analysis based scheme for fault
detection and classication in underground power cable systems. Electric Power
Systems Research, v. 53, p. 171, janeiro 2000.