XIII ERIAC

DCIMO TERCER ENCUENTRO

REGIONAL IBEROAMERICANO DE CIGR
Puerto Iguaz
Argentina

24 al 28 de mayo de 2009

XIII/PI-C2 -25

Comit de Estudio C2 - Operacin y Control de Sistemas

IDENTIFICAO E CLASSIFICAO AUTOMTICA DE FALTAS EM SISTEMAS DE

ENERGIA ELTRICA E COMPARAO DE METODOLOGIAS DE REDES NEURAIS
ARTIFICIAIS NO PROCESSO DE CLASSIFICAO
F. G. N. BARROS*
UFPA
Brasil

W. A. dos S. FONSECA*
UFPA
Brasil

U. H. BEZERRA
UFPA
Brasil

M. V. A. NUNES
UFPA
Brasil

R. N. das M. MACHADO
UFPA
Brasil

J. A. P. MOUTINHO
ELETRONORTE
Brasil

Resumo O estudo aqui apresentado sobre os processos de identificao e classificao de curtoscircuitos contribui no sentido de mudar o paradigma da aplicao prtica de sistemas inteligentes nos
centros de ps-operao das empresas de energia eltrica. Isto porque, procura automatizar as rotinas de
identificao e classificao de alguns dos eventos mais importantes e presentes em sistema de energia: os
curtos-circuitos monofsicos, bifsicos e trifsicos. Neste sentido, este trabalho apresenta como proposta um
processo de identificao e classificao de faltas em sistemas eltricos de transmisso bem como um estudo
comparativo de aplicao de metodologias de redes neurais artificiais no processo de classificao. Os
curtos-circuitos simulados e submetidos classificao so: AT, BT, CT, ABT, BCT, ACT, AB, BC, AC, ABC
e ABCT. As redes neurais (RNs) utilizadas no estudo comparativo foram a Rede Neural Perceptron de
Mltiplas Camadas (MLP Multi-layer Perceptron), Rede Neural Probabilstica (PNN Probabilistic
Neural Networks) e os Mapas Auto-Organizveis (SOM Self Organizing Maps) tambm conhecidos por
Redes de Kohonem. O estudo comparativo destas redes neurais determina qual arquitetura de rede e qual
algoritmo de treinamento melhor se aplica a soluo do problema. A metodologia para identificao das
ocorrncias se fundamenta na utilizao dos nveis de decomposio da Transformada Wavelet sobre os
sinais de tenso. O padro caracterstico do tipo de evento, passado s redes neurais para a classificao
dos eventos, obtido a partir da experincia de observao do engenheiro ao fazer sua prpria
classificao do tipo de curto-circuito. Esta experincia est sustentada nas caractersticas inconfundveis
que os diferentes tipos de curtos-circuitos provocam nas formas de onda de tenso. Estas caractersticas so
ento traduzidas por operaes matemticas sobre o sinal de tenso para formar os parmetros do padro
de entrada das redes neurais. As informaes utilizadas para teste e validao so provenientes de
simulaes realizadas no Alternative Transients Power (ATP) para um circuito de transmisso da
ELETRONORTE. Por fim, os resultados so apresentados e comparados a partir de matrizes de confuso.
Palavras Chave: Faltas em Sistemas de Energia Eltrica, Redes Neurais Artificiais e Transformada
Wavelet.
1

INTRODUO

Os sistemas de energia eltrica esto sujeitos a variaes de tenso, momentneas ou sustentadas, que so
provocadas por ocorrncias naturais ou por manobras programadas, e que em geral se traduzem em
transitrios impulsivos ou oscilatrios. Como resultado destes transitrios, o sistema eltrico fica sujeito a
certas perturbaes de tenso ou corrente, que podem ter efeitos indesejveis sobre os equipamentos
* Fabiola Graziela Noronha Barros
* Wellington Alex dos Santos Fonseca

e-mail: fabiola_graziela@yahoo.com.br
e-mail: wasf.eng@gmail.com

conectados ao sistema eltrico e ao sistema de proteo. As tarefas relacionadas ps-operao so

importantes para uma operao segura e correta do sistema bem como para manter um padro de qualidade
de energia fornecida aos consumidores dentro dos parmetros exigidos pelos rgos reguladores [3]. Por
conta disso, a automatizao de processos e a anlise confivel de eventos relacionados ao setor de psoperao nos Centros de Operao das concessionrias de energia eltrica tem se tornado uma necessidade
primordial [3]. neste contexto que as metodologias presentes neste trabalho esto focadas: processos
automticos de identificao e classificao de eventos nos sistema de energia.
2

SISTEMA ELTRICO UTILIZADO

A Fig. 1 mostra o circuito eltrico usado para criar o conjunto de exemplos (sinais de tenso) de curtocircuito utilizados neste trabalho. Este circuito um modelo do sistema de transmisso TRAMOESTE da
ELETRNORTE e tem trs linhas de transmisso Z-T [2]. Foi assumido que a falta pode ocorrer com a
mesma probabilidade em qualquer uma das trs linhas Z-T exibidas na Fig. 1. Foram gerados onze tipos de
faltas: AT, BT, CT, AB, BC, AC, ABT, BCT, ACT, ABC e ABCT.

Fig. 1. Modelo do sistema de transmisso TRAMOESTE da ELETRONORTE.

PROCESSO DE IDENTIFICAO E CLASSIFICAO DE FALTAS

A Fig. 2 ilustra o processo de identificao e classificao de faltas proposto: um bloco de entrada (sinais de
tenso), trs blocos de processamento (identificao do incio da perturbao; formao dos padres de
entrada; e a rede neural) e um bloco de sada (contendo o tipo de falta para o padro de entrada apresentado
RN). Os sinais de tenso ( Va , Vb e Vc ) so inicialmente submetidos tcnica de decomposio
multiresoluo. Atravs desta tcnica pode-se decompor um sinal no domnio do tempo, em diferentes nveis
de resoluo no domnio wavelet.

VA
VB
VC

Fig. 2. Processo de identificao e classificao de faltas.

A Fig. 3 mostra o sinal de tenso Va referente a um curto-circuito ACT aplicado a 45% da linha de
transmisso 01 (LT 01 contando da esquerda para direita na Fig. 1) decomposto em trs nveis de
resoluo. Em (Va) mostra-se o sinal original em kV. Em (D1), (D2) e (D3) mostra-se os detalhes do nvel 1
ao nvel 3, respectivamente. Os nveis de detalhe correspondem a bandas de freqncia que funo da taxa
de amostragem utilizada quando do processo de aquisio. A taxa de amostragem utilizada de 96 amostras
por ciclo de 60 Hz, ou 5760 amostras por segundo (taxa de amostragem comumente utilizada em
registradores digitais de perturbao). Portanto, pelo teorema da amostragem, e considerando as propriedades
da anlise multiresoluo, as faixas de freqncia para cada nvel de decomposio so: 1440 2880 Hz
(nvel 1), 720 1440 Hz (nvel 2) e 360 720 Hz (nvel 3)[3].
Como os detalhes do primeiro nvel so os que contm as mais altas freqncias, variaes rpidas no sinal
devem ser caracterizadas nesse nvel, tornando-o, a princpio, o mais adequado para a deteco de qualquer
perturbao presente no sinal [3]. Como os sinais aqui empregados so gerados por simulaes no ATP e,
conseqentemente livres de rudos, faz-se uso do primeiro nvel de decomposio.

Fig. 3. Sinal de tenso (Va), primeiro nvel (D1), segundo nvel (D2) e terceiro nvel (D3) de decomposio.

Para se ter uma melhor caracterizao da localizao da perturbao presente no sinal, aplica-se ao nvel de
decomposio s selecionado a Equao (1) [4]:
d s ( n) s ,

d s ( n) = d s ( n) + s

se d s (n ) s e d s > 0
se d s (n ) s e d s < 0

(1)

se d s (n ) < s

Onde: d s o vetor de coeficientes do nvel de decomposio s; n a posio do coeficiente do nvel de s

no vetor de coeficientes d s ;
d s o vetor de coeficientes com melhor caracterizao para localizao da
perturbao; e s o limiar feito 10% do mximo valor absoluto dos coeficientes do nvel s [5].
Por fim, o ponto de incio da perturbao encontrado com base na Equao (2) [6]. Neste caso, a
perturbao comea na posio n = p quando m( p 1) = 0 e m( p ) = 1 .

0,
m ( n) =
1

se [d s (n )]2 <
se [d s (n )]2

(2)

[ ]2

Onde: o desvio padro de d s .

Aps a identificao do distrbio, o prximo passo a formao do Padro de Entrada das redes neurais
(veja Fig. 2). A metodologia aqui proposta para classificao de faltas e o estudo comparativo das redes
neurais consiste na forma de onda caracterstica que os sinais de tenso Va , Vb , Vc e V0 (fase modo-terra da
transforma modal) assumem quando h uma falta na linha de transmisso. A Fig. 4 mostra exemplos de
faltas: AT (51% da LT 02), AB (13% da LT 03), ABT (58% da LT 03), ABC (29% da LT 02) e ABCT
(29% da LT 02) e as respectivas componentes modo-terra. A componente modo-terra obtida a partir da
transformada modal conhecida tambm como transformada de Clarke, ou seja:
3

V0 =

1
3

(Va + Vb + Vc )

(3)

As informaes essenciais observadas a partir da Fig. 4 esto resumidas nas seguintes concluses:
(a) A tenso nas fases faltosas sofre afundamento e distoro em relao ao seu estado original.
(b) A falta envolvendo o terra gera componente de seqncia zero (correspondente a fase modo-terra da
transformada modal). A nica exceo o ABCT, isto porque em qualquer curto-circuito trifsico
tem-se Va + Vb + Vc = V0 = 0 .
A concluso em (a) permite identificar quais so as fases envolvidas na falta e a concluso em (b) permite
identificar se o terra est envolvido no curto-circuito.
Falta AT

Va, Vb e Vc
200

-200

-200

Falta AB

800

1000

Falta ABT

1400

800

-200

-200
600

800

1000

1200

200

1200

1400

400

600

800

1000

1200

600

800

1000

1200

200

-200

-200
600

800

1000

1200

200

400
200

-200

-200
800

1000

1200

1400

800

200

1000

1200

1400

200

-200

-200

1200

1000

200

400
Falta ABC

1200

200

400

Falta ABCT

Vo - Componente modo-terra

200

1400

1600
amostras

1800

2000

1200

1400

1600
amostras

1800

2000

Fig. 4. Faltas AT, AB, ABT, ABC e ABCT e as respectivas componentes modo-terra (exemplos simulados - ATP).

As caractersticas das formas de onda assumidas pelos sinais de tenso de curto-circuito so passveis de
observao a olho nu e, portanto, fazem forte indicativo para extrao de informaes do sinal. Para tanto,
estas caractersticas devem ser traduzidas matematicamente. A metodologia proposta para esta traduo
consiste em comparar N c ciclos da forma de onda imediatamente aps o incio da perturbao, V f , com

N c ciclo da forma de onda imediatamente anterior a perturbao, V f' . A Fig. 5 mostra um exemplo de
comparao de Va com Va' , de Vb com Vb' e Vc com Vc' considerando N c = 5 . Isto equivaleria a comparar
a forma de onda sob perturbao com a forma de onda que o sinal teria caso nenhum perturbao ocorresse
no sistema (em verde na Fig. 5). No caso da Fig. 5 (falta AT) a tenso na fase A a que apresenta a maior
distoro em relao forma de onda pr-falta e, portanto, indica a fase envolvida no curto-circuito (fase A).

Fase A

Falta AT: Comparao entre Vf e V'f

Va
V'a

200
0
-200
600

800

1000

1200

1400

1600

Fase B

500

-500
Fase C

Vb
V'b

0
600

800

1000

1200

1400

1600

500

Vc
V'c

0
-500

600

800

1000

1200
amostras

1400

1600

Fig. 5. Comparao de Va com Va' , Vb com Vb' e Vc com Vc' .

A comparao das formas de onda feita matematicamente pela soma da distncia euclidiana ponto a ponto
entre as duas formas de onda, conforme a Equao (4).
p + Nc

Pf =

(V f' (n) V f (n))2

(4)

n= p

Onde: P f o parmetro contendo a distoro da forma de onda V f em relao forma de onda V f'
considerando Nc ciclos; p o ponto de incio da perturbao no sinal V f ; e f a fase A, B ou C da tenso
medida, portanto, f {a, b, c}.
Aplicando a Equao (4) obtido os parmetros Pa , Pb e Pc para as formas de onda das fases A, B e C.
Estes trs parmetros so ento normalizados pelo maior valor dos parmetros. Isto conduz a metodologia
proposta a lidar com sinais de tenso de qualquer ordem de grandeza. A TABELA I mostra exemplos de
valores para os parmetros Pa , Pb e Pc considerando os onze tipos de falta e N c = 1 .
Como podem ser observados a partir da TABELA I, os parmetros Pa , Pb e Pc permitem determinar quais
so as fases envolvidas na falta, ou seja, satisfazem a concluso (a). Entretanto, no permitem identificar se o
terra est envolvido. Da a necessidade de um quarto parmetro, P0 , baseado na componente modo-terra,
Equao (3). A componente modo-terra pode ser observada na Fig. 4 somente para as faltas envolvendo o
terra, salvo a exceo ABCT comentada anteriormente. Porm, antes de determinar o parmetro P0 ,
converte-se os valores dos sinais de tenso das fases A, B e C em p.u. tomando-se como base para cada fase
o valor de pico da forma de onda pr-falta das respectivas fases. O parmetro P0 deve ser construdo de
forma a informar se o terra est envolvido ou no na falta. Para isso, fez-se neste trabalho P0 igual 1 se a
mdia do sinal V0. contendo N c ciclos imediatamente aps o ponto de perturbao superior a 0,01 p.u.,
caso contrrio faz-se P0 igual a 0. Esta formulao dada pela Equao (5).
1,

P0 =
0,

p.u.

Onde: V0

se V0p.u. 0.01 para Nc ciclos

se

p.u.
V0

(5)

0.01 para Nc ciclos

a mdia do sinal V0. contendo N c ciclos imediatamente aps o ponto de perturbao.

A escolha do valor 0,01 est baseada em observaes durante as simulaes. A TABELA I mostra
exemplos de valores para o P0 considerando os onze tipos de falta e N c = 1 . Nesta tabela, o especialista
pode classificar o tipo de falta pela simples observao de Pa , Pb , Pc e P0 . Esta caracterstica faz forte

indicativo de sucesso das redes neurais na classificao das faltas quando o padro de entrada das redes
neurais constitudo pelos parmetros Pa , Pb , Pc e P0 .

Pa
Pb
Pc
Po
Falta

TABELA I. Exemplos de Pa, Pb, Pc e Po.

Exemplos de Faltas
1
2
3
4
5
6
7
8
1,000 0,387 0,426 1,000 0,001 0,996 1,000 0,273
0,430 1,000 0,426 0,999 1,000 0,001 0,946 0,980
0,429 0,387 1,000 0,001 1,000 1,000 0,273 1,000
1
1
1
0
0
0
1
1
AT
BT
CT
AB
BC
AC
ABT
BCT

9
10
11
0,973 1,000 1,000
0,074 0,973 0,951
1,000 0,974 0,961
1
0
0
ACT ABC ABCT

REDES NEURAIS ARTIFICIAIS

Uma rede neural (RN) um processador maciamente paralelamente distribudo constitudo de unidades de
processamento simples, que tem a propenso natural para armazenar conhecimento experimental e torn-lo
disponvel para uso [1]. Neste trabalho as redes MLP, PNN e SOM so descritas resumidamente.

4.1 Rede Neural Perceptron de Mltiplas Camadas (MLP Multi-layer Perceptron)

A rede MLP consiste de um conjunto de ns de fonte que constituem a camada de entrada, uma ou mais
camadas ocultas de neurnios e uma camada de sada (Fig. 6a) [1]. A Fig. 6b mostra a estrutura de um
neurnio de uma MLP: pesos sinpticos, juno aditiva (somador) e funo de ativao. O sinal de entrada se
propaga para frente atravs da rede, camada por camada. Para cada n de fonte da camada de entrada
atribudo um peso apropriado, e a soma destes valores (entrada x peso sinptico) passada funo de
transferncia adicionada entrada unitria denominada bias ( bk ). Por fim, a sada Y k definida pela funo
de transferncia: limiar, linear por partes ou sigmide [1]. Dentre os diversos algoritmos de treinamento da
MLP destaca-se o Levenberg-Marquardt, considerado muito eficiente e rpido [7].
bk

Wk1

Wk 2

Vk

()

Yk

Wkn
Vk
Fig. 6. Diagrama da Rede Perceptron de Mltiplas Camadas.

4.2 Rede Neural Probabilstica (PNN Probabilistic Neural Networks)

A PNN pode ser utilizada para problemas de classificao [7]. Esta rede possui trs camadas: a camada de
entrada, a de bases radiais e a competitiva, conforme mostra a Fig. 7. A camada de entrada responsvel
pela conexo do vetor de padres de entrada X com a camada de bases radiais. Na camada de bases radiais
os vetores de treinamento so armazenados em uma matriz de pesos W1 . Quando um padro apresentado
entrada da RN calculada a distncia euclidiana entre o vetor de entrada e cada um dos vetores em W1 ,
gerando assim, um vetor de dimenses Qx1. Este vetor ento multiplicado, ponto-a-ponto, pelo fator de
polarizao b (Qx1). O resultado dessa multiplicao, n1 , aplicado a uma funo de base radial que gera o
vetor a1 . A matriz W2 composta de 1s (somente nas posies associadas a uma classe em particular) e 0
(nas demais posies). a1W2 soma os elementos de a1 correspondente a cada uma das classes, fornecendo a
sada n2 . Na sada do bloco

, haver 1 correspondendo ao maior elemento e 0 para os demais [7].

Fig. 7. Rede Neural Probabilstica PNN.

4.2.1

Mapas Auto-Organizveis (SOM - Self Organizing Map) Rede de Kohonem

O SOM pode aprender a detectar regularidades e

correlaes em suas entradas e adaptar suas
respostas s futuras entradas. Os neurnios
aprendem a reconhecer grupos de vetores similares
de tal modo que neurnios fisicamente prximos
na camada auto-organizvel respondam a vetores
de entrada similar [7]. A Fig. 8 exibi a arquitetura
do SOM.

Fig. 8 Mapa Auto-Organizvel (Rede de Kohonem).

O bloco ||ndist|| responsvel por calcular o vetor n1 cujos elementos so o negativo das distncias entre o
vetor de entrada X e a matriz de peso W1. A funo de transferncia competitiva da rede (bloco C) recebe um
vetor para uma camada e devolve como sada 0 para todos os neurnios exceto para o vencedor que recebe 1,
pois est associado com o elemento mais positivo de n1 [7]. No aprendizado a rede identifica o neurnio
vencedor e seus vizinhos. Ento, os pesos destes neurnios so movidos para perto do vetor de entrada a
cada passo de aprendizagem. Os pesos so alterados proporcionalmente taxa de aprendizagem.
5 RESULTADOS: ESTUDO COMPARATIVO ENTRE AS REDES NEURAIS
Os padres de entrada das redes PNN, MLP e SOM so constitudos pelos parmetros Pa , Pb , Pc e P0 . As
TABELAS II, III e IV mostram as matrizes de confuso contendo os resultados obtidos pelo uso das redes
PNN, MLP e SOM respectivamente. Os resultados so gerados a partir de 1000 exemplos de faltas. A rede
PNN utilizou 33 exemplos para formar a matriz W1 (Fig. 7) e 967 para teste. A rede MLP usou 396
exemplos para treinamento e 504 para teste. A rede SOM utilizou 33 exemplos para treinamento e 967 para
teste. As redes MLP e SOM foram treinadas com 2000 pocas. Os exemplos usados para formar W1 e treinar
as RNs obedecem ao seguinte critrio: escolhe-se ne exemplos de cada tipo de falta para cada linha faltosa.
O valor de ne foi atribudo 1, 12 e 1 para as redes PNN, MLP e SOM, respectivamente. A TABELA V
mostra alguns exemplos utilizados na formao de W1 .
A rede PNN teve 100% de acertos sem qualquer esforo de tentativa e erro. A MLP apresentou o pior
desempenho conforme pode ser observado pelas matrizes de confuso. A rede SOM teve quase 100% de
acertos. Entretanto, os resultados para a rede SOM exigiram certo esforo de tentativa e erro, ou seja, em
algumas tentativas de treinamento, a rede agrupava seus exemplos em classes imprprias o que a conduzia a
classificar seus exemplos de teste da mesma maneira. A mesma situao ocorre quando o nmero de
exemplos utilizados para treinar a rede neural SOM aumentado. Isto justificou o uso de 33 exemplos para
exibir os resultados da rede SOM neste trabalho.

TABELA II. Matriz de confuso para a rede neural PNN (para ne = 1 ).

Classes AT(%) BT(%) CT(%) ABT(%) BCT(%) ACT(%) AB(%) BC(%) AC(%) ABC(%) ABCT(%)
0,00
0,00
0,00 0,00 0,00
0,00
AT 100,00 0,00 0,00 0,00
0,00 100,00 0,00 0,00
0,00
0,00
0,00 0,00 0,00
0,00
BT
0,00 0,00 100,00 0,00
0,00
0,00
0,00 0,00 0,00
0,00
CT
0,00 0,00 0,00 100,00 0,00
0,00
0,00 0,00 0,00
0,00
ABT
0,00 0,00 0,00 0,00 100,00 0,00
0,00 0,00 0,00
0,00
BCT
0,00 0,00 0,00 0,00
0,00 100,00 0,00 0,00 0,00
0,00
ACT
0,00 0,00 0,00 0,00
0,00
0,00 100,00 0,00 0,00
0,00
AB
0,00 0,00 0,00 0,00
0,00
0,00
0,00 100,00 0,00
0,00
BC
0,00 0,00 0,00 0,00
0,00
0,00
0,00 0,00 100,00 0,00
AC
0,00 0,00 0,00 0,00
0,00
0,00
0,00 0,00 0,00 81,82
ABC
0,00
0,00
0,00 0,00 0,00 71,74
ABCT 0,00 0,00 0,00 0,00

0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
18,18
28,26

TABELA III. Matriz de confuso para a rede neural MLP (2000 pocas de treinamento e ne = 12 ).
Classes AT(%) BT(%) CT(%) ABT(%) BCT(%) ACT(%) AB(%) BC(%) AC(%) ABC(%) ABCT(%)
0,00
0,00
0,00 0,00 0,00
0,00
AT 100,00 0,00 0,00 0,00
0,00
0,00
0,00
BT
6,90 89,66 0,00 1,72
1,72 0,00 0,00
0,00 0,00 100,00 0,00
0,00
0,00
0,00 0,00 0,00
0,00
CT
0,00 0,00 0,00 100,00 0,00
0,00
0,00 0,00 0,00
0,00
ABT
0,00 0,00 0,00 0,00 100,00 0,00
0,00 0,00 0,00
0,00
BCT
0,00 0,00 0,00 0,00
0,00
ACT
1,79 98,21 0,00 0,00 0,00
0,00 0,00 0,00 0,00
0,00
0,00 100,00 0,00 0,00
0,00
AB
0,00 0,00 0,00 0,00
0,00
0,00
0,00 98,15 0,00
0,00
BC
0,00 0,00 0,00 0,00
0,00
0,00
0,00 0,00 100,00 0,00
AC
0,00 0,00 0,00 4,55
ABC
2,27
2,27
2,27 6,82 13,64 15,91
0,00
0,00 0,00 5,08 33,90
ABCT 5,08 1,69 0,00 0,00
1,69

0,00
0,00
0,00
0,00
0,00
0,00
0,00
1,85
0,00
52,27
52,54

TABELA IV. Matriz de confuso para a rede neural SOM (2000 pocas de treinamento e ne = 12 ).
Classes AT(%) BT(%) CT(%) ABT(%) BCT(%) ACT(%) AB(%) BC(%) AC(%) ABC(%) ABCT(%)
0,00
0,00
0,00 0,00 0,00
0,00
AT
100,00 0,00 0,00 0,00
0,00 100,00 0,00 0,00
0,00
0,00
0,00 0,00 0,00
0,00
BT
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
CT
100,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
ABT
100,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
BCT
100,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
ACT
100,00
0,00 0,00 0,00 0,00
0,00
0,00 100,00 0,00 0,00
0,00
AB
0,00 0,00 0,00 0,00
0,00
0,00
0,00 100,00 0,00
0,00
BC
0,00 0,00 0,00 0,00
0,00
0,00
0,00 0,00 100,00 0,00
AC
0,00 0,00 0,00 0,00
0,00
0,00
0,00 3,90 0,00 88,31
ABC
0,00
0,00
0,00 0,00 0,00 82,61
ABCT 0,00 0,00 0,00 0,00

0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
7,79
17,39

TABELA V. Exemplos de parmetros utilizados na matriz W1 da PNN (clulas com fundo branco) e ne = 1 .
AT

Classes
LT faltosa
Pa
Pb
Pc
Po

1
1,00
0,33
0,33
1

2
1,00
0,43
0,43
1

BC

...
3
1,00
0,35
0,35
1

...
...
...
...
...

1
0,00
1,00
1,00
0

2
0,00
1,00
1,00
0

ABCT

...
3
0,00
1,00
1,00
0

...
...
...
...
...

1
0,80
1,00
0,75
0

2
0,92
0,95
1,00
0

3
0,97
1,00
0,99
0

CONCLUSES

Os resultados obtidos neste trabalho mostram que o uso da comparao das formas de onda entre o primeiro
ciclo imediatamente aps o distrbio e o primeiro ciclo imediatamente anterior ao distrbio suficiente para
gerar padres com caractersticas bem definidas de forma a proporcionar, pelo uso da PNN, uma precisa
classificao automtica dos tipos de falta. Neste contexto fica evidente o papel fundamental das
transformadas wavelet na identificao do incio das perturbaes. Por fim, os resultados fazem forte
indicativo de uso das metodologias apresentadas no processo automtico de identificao e classificao de
faltas em sistemas de energia eltrica.

REFERENCIAS

[1] Haykin, S., Redes Neurais: Princpios e Prticas, 2 Edio. Porto Alegre: Bookman. 2001.
[2] Morais, J.; Pires, Y.; Cardoso, C. e Klautau, A., Data mining applied to the electric power industry:
classification of short-circuit faults in transmission lines. ISDA -Intelligent Systems Design and
Applications, pp. 943-948, outubro, 2007.
[3] Machado, R. N. das M., Deteco, classificao e quantificao automtica de variaes de tenso de
curta durao para aplicao em anlise de ps-operao em sistemas de energia eltrica. Tese de
Doutorado. DEEC/UFPA. 2006.
[4] Misiti, M., Misiti, Y., Oppennheim, G., Jean-Michel Poggi, J.-M, Wavelet toolbox for use with
MATLAB. Users guide version 2, The Math Works, Inc., 2000.
[5] Santoso, S.; Powers, E. J., Grady, W. M., Power quality disturbance data compression using wavelet
transform methods. IEEE Transactions on Power Delivery, Volume 12, Issue 3, pp. 1250-1257, Julho,
1997.
[6] Gaouda, A. M; Kanoun, S. H.; Salama, M. M. A.; Chichani, A. Y., Wavelet-based signal processing
for disturbance classification and measuremente. Generation, IEE Proceedings Transmission and
Distribution, Volume 149, Issue 3, pp. 310-318. Maio, 2002.
[7] The Math Works, Inc, Neural network toolbox. 1994-2006.