APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA IDENTIFICAÇÃO DAS CAUSAS DAS VARIAÇÕES DE TENSÃO DE LONGA DURAÇÃO EM SISTEMAS ELÉTRICOS DE DISTRIBUIÇÃO

Transcrição

1 APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS NA IDENTIFICAÇÃO DAS CAUSAS DAS VARIAÇÕES DE TENSÃO DE LONGA DURAÇÃO EM SISTEMAS ELÉTRICOS DE DISTRIBUIÇÃO VINICIOS T. MEDEIROS 1, MURILO DA SILVA 1, HALLEY J. B. DA SILVA 2, REGINALDO LEOPOLDINO 3, ROGÉRIO C. S. SILVA Departamento Acadêmico de Elétrica, Universidade Tecnológica Federal do Paraná, Campus Cornélio Procópio Av. Alberto Carazzai, 1640, Centro, Cornélio Procópio, PR, Brasil 2. Faculdades Anhanguera de Bauru Av. Moussa Nakhi Tobias, nº 3-33, Pq. São Geraldo, Bauru, SP, Brasil 3. Companhia Paulista de Força e Luz CPFL Paulista Rua. Wenceslau Braz, 8-8, Vila Souto, Bauru, SP, Brasil rleopoldino@cpfl.com.br, rcssilva@cpfl.com.br Abstract This paper presents a proposal for analysis and recognition of the causes of problems related to long-term voltage variations on power distribution systems. The work is based on the analysis of voltage signals through Artificial Neural Networks for recognition of patterns of causes of problems related to long-term voltage variations. Neural networks are trained and tested using real voltage data provided by electric power utility (Companhia Paulista de Forca e Luz). The recognition of the causes of long-term voltage variation is very important for the utilities, because the regulation of the electricity sector, and for consumers, for a quick solution their problems. Preliminary results are encouraging. Keywords Keywords: Long-Term Voltage Variation, Artificial Neural Networks, Pattern Recognition, Power Distribution Systems. Resumo Este trabalho apresenta uma proposta para análise e reconhecimento das causas dos problemas relacionados com variações de tensão de longa duração em sistemas de distribuição de energia elétrica. O trabalho baseia-se na análise dos sinais de tensão por meio de Redes Neurais Artificiais para reconhecimento dos padrões das causas dos problemas ligados a variações de longa duração. As redes neurais são treinadas e testadas utilizando-se dados reais de medições de tensão fornecidos pela Companhia Paulista de Força e Luz. O reconhecimento das causas da variação de tensão de longa duração é muito importante para as concessionárias de energia, visto a regulação do setor elétrico, e para os consumidores, para uma solução rápida dos seus problemas. Os resultados preliminares são encorajadores. Palavras-chave Variações de Tensão de Longa Duração, Redes Neurais Artificiais, Reconhecimento de Padrão, Sistemas de Distribuição de Energia Elétrica. 1 Introdução Dado o evento tecnológico das últimas décadas, conscientização e disseminação da informação a população, globalização e concorrência dos setores produtivos e a regulação do setor elétrico brasileiro, a qualidade da energia elétrica (QEE) tem ganhado grande importância no cenário geral, principalmente devido ao impacto financeiro que a falta de QEE pode trazer as diversas classes de consumidores, bem como as concessionárias de energia elétrica. Deste modo, os Sistemas Elétricos de Potência (SEP) devem garantir um alto grau de confiabilidade e conformidade na continuidade do fornecimento da energia elétrica. O termo conformidade está diretamente associado à qualidade do produto, ou seja, a qualidade da forma de onda da tensão entregue ao consumidor e aos fenômenos que podem deteriorar esta forma de onda. Dentre estes fenômenos podemos destacar as variações de tensão de longa duração. As variações de tensão de longa duração são caracterizadas pela mudança na amplitude da tensão por um período maior que 1 minuto e são classificadas como: subtensão, sobretensão e interrupção sustentada (Dugan et al., 2003). As subtensões são inerentes ao sistema elétrico e advindo principalmente, do carregamento excessivo de circuitos alimentadores, os quais são submetidos a determinados níveis de corrente que, interagindo com a impedância da rede, dão origem a quedas de tensão acentuadas. Outros problemas que causam a subtensão são: tap errado de transformadores, problemas com reguladores de tensão, transformadores avariados, falha em conexão de circuitos, falta de neutro em sistemas trifásicos. As sobretensões são caracterizadas pelo aumento do valor eficaz da tensão maior que 1,1 p.u. do valor nominal, sendo que tipicamente os valores ficam entre 1,1 e 1,2 p.u. do valor nominal. As sobretensões são ocasionadas principalmente, pelo desligamento de grandes cargas do sistema, excesso de bancos de capacitores fixos, falta de neutro em sistemas trifásicos, tap errado de transformadores,

2 problemas com reguladores de tensão (Dugan et al., 2003). A subtensão e a sobretensão podem causar o mau funcionamento ou a queima de dispositivos eletrônicos e equipamentos, o desligamento de linhas de processos industriais sensíveis, aquecimento e perda de vida útil em motores, diminuição do índice de iluminação ou queima das lâmpadas incandescentes, dentre outros. Tais problemas podem culminar em perdas financeiras, bem como, na insatisfação das diversas classes de consumidores (KJOLLE et al., 2008). Do ponto de vista das concessionárias de distribuição de energia as variações de tensão de longa duração podem gerar inúmeras reclamações de consumidores e desgasta da sua imagem, assim como, acarretar penalizações dado a transgressão dos padrões de nível de tensão estabelecidos pelos agentes regulatórios do sistema elétrico. No Brasil, as variações de tensão de longa duração são reguladas pela Agencia Nacional de Energia Elétrica, por meio dos Procedimentos de Distribuição de Energia Elétrica no Sistema Elétrico Nacional Módulo 8 (PRODIST), revisão 6 (ANEEL, 2015). Nota-se que a cada nova revisão do PRODIST busca-se melhorar a qualidade da energia e o serviço prestado pelas concessionárias aos seus consumidores. Por exemplo, a revisão 6 do módulo 8 do PRODIST extingue o prazo de regularização do nível de tensão, ou seja, uma vez diagnosticado a transgressão dos padrões de nível de tensão, o consumidor deverá ser ressarcido até que o nível de tensão seja regularizado. Portanto, a partir de 2015 as concessionárias terão um aumento de custos referente a compensação financeira paga aos clientes devido à dificuldade em corrigir os problemas de níveis de tensão dentro do tempo hábil, visto que não há mais prazo para regularização do problema. Na literatura nacional e internacional encontramse diversas propostas como em Rodriguez et al. (2014), Chandel et al. (2008), Oleskovicz et al. (2006), Delmont et al. (2007), Gois et al. (2009), Gaouda et al. (1999), Cerqueira et al. (2006) e Granados-Lieberman et al. (2011), para detecção e classificação de distúrbios relacionados à qualidade da energia, bem como, trabalhos para estimação das variações de tensão de longa duração em sistemas distribuição com em Junior et al. (2011). Destaca-se neste cenário, a importância contínua do desenvolvimento de pesquisas voltadas a classificação das fontes causadoras de distúrbio de qualidade de energia, muito importante nos dias de hoje, dado a legislação vigente e a necessidade de uma rápida e eficiente tomada de ação. Dado o exposto, este trabalho apresenta uma alternativa para análise e identificação das causas dos problemas que levam a variações de tensão de longa duração em sistemas de distribuição de energia elétrica. A identificação da causa dos problemas possibilitará uma rápida e eficiente tomada de decisão para solução do problema, trazendo benefícios a concessionária e ao consumidor. O trabalho propõe classificar diferentes padrões de problemas que acarretam variações de tensão de longa duração utilizando redes neurais artificiais, as quais serão treinadas e testadas com dados reais de tensão obtidos em campo. 2 Fundamentação Teórica 2.1 Variações de Tensão de Longa Duração As cargas ligadas à rede de distribuição de energia elétrica variam no decorrer do dia devido principalmente às manobras e oscilações na demanda de consumo. Tanto os equipamentos da concessionária como os pertencentes aos consumidores são projetados para operar em determinada faixa de nível de tensão. A operação prolongada desses equipamentos em uma tensão fora de limites aceitáveis pode afetar o seu correto funcionamento reduzindo a sua vida útil ou até mesmo causando interrupções não programadas. As quedas de tensão da rede primária e secundária podem ser ajustadas para que o circuito tenha níveis apropriados de tensões. A principal dificuldade de fornecer tensões em faixas apropriadas é o problema da queda de tensão durante o transporte da energia, ou seja, o nível de tensão no circuito não é o mesmo no ponto de entrega, conforme Figura 1. Figura 1. Queda de tensão ao longo do transporte de energia elétrica. A queda de tensão é dada com boa aproximação, conforme Kagan et al. (2010), pela Equação (1): Sendo: V li c r cos xsen) (1) z r cos xsen) Onde: V é a queda de tensão no cabo, é o comprimento do cabo, corrente de carga, a resistência do cabo e a reatância do cabo. Somada as quedas de tensão inerentes ao sistema de distribuição, podemos ter variações de tensão decorrentes outras fontes, tais como: tap errado de transformadores, transformadores avariados, mau contato em conexões, rompimento parcial ou total de ramal de entrada, problemas com reguladores de tensão, que deterioram de forma contínua ou

3 aleatória o nível de tensão fornecido aos consumidores. Tais problemas podem passar despercebidos em uma análise simples e serem tratados como queda de tensão devido ao carregamento do circuito, cuja solução é mais demorada e dispendiosa. 2.2 Formulação do Problema Atualmente, a análise do nível de tensão em regime permanente é realizada pela análise dos valores de tensão eficazes integralizados de 10 em 10 minutos durante 7 dias, perfazendo 1008 leituras válidas. A identificação ou não de transgressão baseia-se somente na relação dos números de leituras fora das faixas adequadas pelo número total de leituras comparada a limites estabelecidos. Todo este processo é regulamentado pela ANEEL, por meio do módulo 8, do PRODIST (ANEEL, 2015). Na grande maioria dos casos, o nível de tensão aferido, varia de acordo com o carregamento do sistema, da carga do consumidor e das características do sistema de distribuição, apresentando, portanto, um padrão específico, ou seja, um comportamento característico ao longo dos dias e da semana. Neste contexto, é possível definir um padrão normal, onde as variações de tensão características durante a semana permanecem dentro da faixa adequada de tensão conforme ilustrado na Figura 2, ou um padrão anormal, onde algumas amostras transgridem os limites adequados de tensão, como visto na Figura 3, dado a uma sobrecarga no sistema de distribuição. Contudo, ambos os padrões, Figuras 2 e 3, seguem um perfil característico de queda de tensão devido a variação de carga do sistema Figura 2. Padrão de tensão normal medido em intervalos de 10 minutos. 140 tempo Fase A Fase B Fase C Todavia, em algumas situações, como em casos onde temos um setor com ramal de entrega parcialmente ou totalmente rompido, conexões com problemas, transformador com tap errado, regulador de tensão com problemas, avaria do transformador de distribuição, falta de neutro no sistema, etc., o padrão normal de queda de tensão é alterado, de acordo com cada problema, ou seja, cada causa apresenta uma assinatura característica. Tal fato é lustrado por meio da Figura 4, onde é apresentado um padrão de medição de tensão real cuja variação de tensão foi causa devido a uma avaria do transformador de distribuição. Percebe-se que, o padrão do nível de tensão causado pela avaria de um transformador, Figura 4, apresenta uma característica própria, diferente das características de sobrecarga do sistema, Figura Figura 4. Padrão de tensão de um setor com transformador avariado medido em intervalos de 10 minutos. Uma simples análise dos sinais de tensão apresentados na Figura 4, pelos indicadores de nível (DRP e DRC), conforme rege o PRODIST indicaria transgressão de padrões, portanto, caso não fosse feita uma análise detalhada, a qual requer muita experiência e conhecimento do profissional envolvido, a mesma poderia ser tratada como uma variação de tensão normal, cuja solução demandaria tempo e maiores custos. Na Figura 5 é ilustrado o padrão de nível de tensão após substituição do transformador avariado apresentado no caso anterior. Percebe-se que, após a correção da causa do problema, a padrão dos sinais de tensão seguem a característica de um padrão normal de tensão. 140 Tempo Fase A Fase B Fase C Tempo 110 tempo Fase A Fase B Fase C Fase A Fase C Fase C Figura 3. Padrão de tensão de um setor sobrecarregado medido em intervalos de 10 minutos. Figura 5. Padrão de tensão após substituição do transformador avariado medido em intervalos de 10 minutos.

4 Analisando-se as Fig. 3 e 4, fica evidente que os dois problemas possuem características diferentes de variação de tensão de longa duração. Fica evidente que um problema de nível de tensão causada por uma avaria em um transformador pode passar despercebido em uma análise conforme rege o PRODIST e ser tratado como um problema de nível de tensão padrão, que muitas vezes requer uma solução mais onerosa e demorada, o que acarretaria penalizações por parte do órgão regulador. Mesmo quando percebido a alteração na medição, é necessário muita experiência e conhecimento do profissional envolvido, para identificar a causa de um determinado padrão, o que pode não ser realizado, ou realizado por tentativa e erro por meio de uma inspeção minuciosa da rede. Dado a dificuldade de se identificar e analisar as causas de situações anormais de problemas de nível de tensão e as mudanças regulatórias vislumbrou-se neste trabalho a possibilidade de desenvolver uma ferramenta computacional para auxilio das análises de nível de tensão e identificação da causa do problema da variação de tensão de longa duração. Dentre as ferramentas utilizadas para identificação de padrões optou-se por utilizar Redes Neurais Artificiais (RNAs), dada a sua grande aplicação em reconhecimento de padrões, conforme Da Silva, et al (2010), e a disponibilidade de dados reais para treinamento, validação e teste da rede. 2.3 Rede Neural Artificial Uma Rede Neural Artificial é definida por um modelo computacional, que contém um conjunto de Neurônios Artificiais interligados entre si por conexões Sinápticas Artificiais. Cada conjunto de Neurônios Artificiais armazena informações na forma de matrizes ou vetores de pesos sinápticos. Estas estruturas se assemelham ao sistema nervoso biológico, com capacidade de ponderar informações de acordo com sua necessidade (Haykin, 2001). Existem inúmeras configurações de Redes Neurais Artificiais, neste trabalho optou-se por utilizar a rede Multi-Layer Perceptron (MLP) que tem como característica principal a presença de uma ou mais camada intermediaria de Neurônios e é amplamente utilizado em aplicação de reconhecimento de padrão. O número de Neurônios que compõe as camadas intermediaria da Rede está relacionado ao nível de complexidade da aplicação (Da Silva et al., 2010). Dentre os algoritmos de treinamento optou-se em utilizar o Levenberg-Marquardt, que é uma variação do bem conhecido algoritmo Backpropagation (Riedmiller, M e Braun, H, 1993). A principal função do Levenberg-Marquardt é acelerar o processo de treinamento de Redes MLP, diminuindo o esforço computacional conforme Da Silva et al. (2010). Por conta das mudanças presentes no método Levenberg-Marquardt é comprovado que em Redes MLP a convergência é de 10 à 100 vezes mais rápida conforme Hagan e Menhaj (1994). 3 Métodos O desenvolvimento deste trabalho pode ser subdividido em: i) aquisição e tratamento dos sinais de tensão eficaz relativos a medições normais e anormais a serem apresentados RNA; ii) definição do tipo e arquitetura da RNA a ser utilizada e iii) treinamento, validação e teste da RNA. Neste trabalho foram utilizados dados reais de tensão eficaz das três fases em relação ao neutro fornecidas pela CPFL. Tais dados foram coletados em medições realizadas em unidades consumidoras dentro da área de concessão da CPFL utilizando os protocolos exigidos pelo módulo 8 do PRODIST da ANEEL. Os sinais trifásicos de tensão integralizados de 10 em 10 minutos foram adequados e normalizados dentro da faixa de 0 a 1, para serem apresentados para treinamento e teste da RNA. Dispondo-se de sinais trifásicos de tensão, optou-se por apresentar cada fase como uma entrada para a RNA, bem como, cada amostra do sinal como um padrão diferente de entrada para a RNA. Portanto, definiu-se três entradas para RNA, uma para cada fase de tensão do sinal medido e como padrão de entrada as amostras integralizadas a cada 10 minutos. Neste trabalho optou-se em utilizar Redes MLP com treinamento supervisionado. Esse tipo de treinamento requer que sejam apresentados os padrões de entrada e seu respectivo padrão de saída. O padrão de saída representará o tipo da causa do problema do nível de tensão a ser identificado. Com base nos dados disponíveis, foram definidos oito tipos de causas de problemas diferentes definidos a seguir: 1 - Normal ou Adequado; 2 - Anormal Sobrecarga; 3 - Anormal Transformador Avariado; 4 - Anormal Ajuste Regulador de Tensão; 5 - Anormal Falha em conexões; 6 - Anormal Ramal de Entrada; 7 - Anormal Tap transformador - sobretensão 8 - Anormal Tap transformador subtensão Uma vez definido as oito classes de causas ou não dos problemas de nível de tensão, definiu-se utilizar oito níveis de padrões de saída. Para que a tensão seja considerada adequada, utilizou-se os limites de 122 a 132 Volts, sendo que a tensão nominal fase-neutro é 127 Volts. Fora destes limites, o sinal foi considerado anormal e classificado de acordo com a causa do problema previamente conhecido. O padrão de saída da RNA foi definido da seguinte maneira, cada amostra de entrada representa um padrão de saída, ou seja, a rede irá avaliar 8 padrões diferentes de saída. A saída esperada pela rede neste trabalho, foi definida a partir da regra one of c-classes de Duda et al. (2001), essa regra consiste em associar o número de padrões que será classificado pela rede à um neurônio na camada neural de saída da rede, onde cada padrão será classificado por uma saída binaria contendo apenas

5 um bit ativo. Desta forma, se a amostra vista pela rede estiver em condições normais, espera-se que a resposta seja um vetor coluna do tipo [1; 0; 0; 0; 0; 0; 0; 0], onde o primeiro termo do vetor representa a condição normal (1) e os outros termos representam as sete condições anormais delineada anteriormente. Por exemplo, para um padrão normal de tensão temse o padrão de saída visto acima, já para um padrão de entrada anormal onde a causa do problema seja sobrecarga do setor, tem-se um padrão de saída [0; 1; 0; 0; 0; 0; 0; 0] e assim sucessivamente para cada tipo de causa do problema. Na Tabela 1 temos as definições das causas e os padrões de saída esperado. Assim, um arquivo foi montado unindo todos os dados coletados e relacionando cada amostra com seu respectivo padrão de saída. O conjunto de dados totalizou padrões trifásicos diferentes, distribuídos entre as categorias predefinidas. Deste conjunto de dados, 89,2% dos padrões foram utilizados para treinamento e 10,8% dos padrões para teste. Estabelecido o conjunto de dados, passou-se a definição da RNA e arquitetura a ser utilizada. Tabela 1. Padrões de Saída da RNA versus Causa do Problema Nº Causa do Problema Padrão de Saída da RNA 1 Normal ou Adequado; [1; 0; 0; 0; 0; 0; 0; 0] 2 Sobrecarga; [0; 1; 0; 0; 0; 0; 0; 0] 3 Transformador Avariado; [0; 0; 1; 0; 0; 0; 0; 0] 4 Ajuste Regulador de Tensão; [0; 0; 0; 1; 0; 0; 0; 0] 5 Falha em conexões; [0; 0; 0; 0; 1; 0; 0; 0] 6 Ramal de Entrada; [0; 0; 0; 0; 0; 1; 0; 0] 7 Tap transformador sobretensão [0; 0; 0; 0; 0; 0; 1; 0] 8 Tap transformador subtensão [0; 0; 0; 0; 0; 0; 0; 1] Conforme descrito anteriormente, a RNA escolhida para este trabalho foi a Multi-Layer Perceptron, dado a sua grande aplicação em reconhecimento de padrões. Utilizou-se também o algoritmo de treinamento Levenberg-Marquardt e como métrica de desempenho o erro médio quadrático. Nas camadas da rede foi utilizada a função de tangente hiperbólica e a função Logarítmica. A partir da configuração da RNA, o número ideal de camadas intermediarias e suas respectivas quantidades de neurônios foram definidas empiricamente, por meio de tentativas, tomando como princípio de que menos é mais, visto que redes muito grandes podem inviabilizar uma aplicação prática. Para cada topologia foram realizados dez treinamentos com pesos iniciais aleatórios. 4 Resultados e Discussão Os treinamentos e testes foram realizados utilizando a interface gráfica nntool do MatLab. Na fase de treinamento verificou-se que a rede com o melhor desempenho apresentou a seguinte topologia [3 9 8], ou seja, 3 neurônios na camada de entrada, 9 neurônios na camada intermediária e 8 neurônios na camada de saída, como mostrado na Figura 6. Figura 6. Estrutura da Rede Neural Artificial utilizada para treinamento e teste. Na Tabela 2 são descritos os melhores resultados obtidos para 10 topologias diferentes de RNAs, as quais foram treinadas 10 vezes cada uma. Pela análise dos resultados comprova-se que a topologia [3 9 8] obteve o maior número de acertos na validação, por volta de 95,0% de acertos. Tabela 2. Resultados dos Treinamentos para Diferentes Topologias de RNAs Configuração RNA Épocas para Convergência Erro (MSE) Validação (%) [3 1 8] 245 0, ,0 [3 2 8] 369 0, ,0 [3 3 8] 259 0, ,6 [3 4 8] 232 0, ,0 [3 5 8] 109 0, ,7 [3 6 8] 129 0, ,2 [3 7 8] 154 0, ,6 [3 8 8] 269 0, ,9 [3 9 8] 305 0, ,0 [3 10 8] 172 0, ,7 Uma vez definido todos os parâmetros e características da RNA, sua melhor topologia e treinado a mesma, obtêm-se os pesos sinápticos de cada neurônio, com valores ponderados, a fim de obter a saída mais próxima possível da esperada. Feito isto, passou-se a fase de testes, onde novos padrões de entrada foram mostrados a RNA final para validação dos resultados. Ressalta-se que os dados de teste não foram utilizados na fase de treinamento. Durante a fase de teste foi apresentado a RNA o novo conjunto de amostras, constituído por 10,8% das amostras do conjunto total. Para cada teste a rede identifica se as amostras são normais ou anormais, no caso de amostras anormais a rede identifica qual a causa do problema. Os resultados obtidos na fase de testes são apresentados na Tabela 3. Os resultados apresentados na Tabela 3 demonstram a capacidade de generalização da RNA, possibilitando estimar soluções para os casos desconhecidos apresentados na fase de teste. Em alguns casos, como falha de conexão, a rede apresentou uma taxa de acerto de 98% dos padrões desta causa. O menor nível de acerto obtido foi para o teste de transformador avariado. Realizou-se ainda, um teste com todos os padrões juntos, a fim de verificar a capacidade da rede em diferenciar os padrões a partir de um único teste, neste caso a RNA apresentou um nível de acerto da ordem de 90,61% dos casos apresentados.

6 Tabela 3. Resultados dos Testes para Diferentes Padrões de Problemas Nº de Padrões Acerto Causa de Testes (%) Ajuste RT ,27 Falha de Conexão ,13 Setor Sobrecarregado 92 93,48 Substituição Ramal 97 96,60 TAP - Sobretensão ,45 TAP - Subtensão ,80 Trafo Avariado 98 66,33 5 Conclusão Este trabalho apresenta uma alternativa para análise e classificação das causas dos problemas relativos a variação de tensão de longa duração. E baseada na utilização de RNAs para classificação dos padrões das causas dos problemas de nível de tensão em regime permanente. A RNA foi treinada e testada utilizando-se dados reais de sinais de tensão mensurados em campo fornecidos pela Companhia Paulista de Força e Luz. Os resultados obtidos na fase de teste apresentam um significante nível de acerto das causas do problema em torno de 90,61% dos casos apresentados, o que demonstra a capacidade de generalização da RNA em classificar 8 diferentes situações de causas relativas a variações de tensão de longa duração. A utilização da ferramenta proposta visa auxiliar o profissional da área de QEE quanto a análise preliminar da causa do problema de nível de tensão, causa esta que pode ser mascarada por uma análise simples, como por exemplo, pela análise direta dos indicadores de nível de tensão em regime permanente estipulados no PRODIST (ANEEL, 2015). Uma rápida identificação do problema pela concessionária possibilitará uma solução mais eficiente para o problema, reduzindo assim, custos com multas pagas para ANEEL, ressarcimento ao consumidor e manutenção. Do ponto de vista do consumidor, este teria o seu problema resolvido mais rapidamente evitando maiores transtornos e perdas. Ressalta-se que o trabalho proposto foi executado a partir de dados de casos reais obtidos em campo. O desempenho preliminar obtido pela proposta evidência a aplicabilidade de RNAs ao problema delineado. Agradecimentos Os autores agradecem a Companhia Paulista de Força e Luz CPFL pelo apoio e pela disponibilidade dos dados de medidas reais de tensão coletadas em campo, que foram utilizadas neste trabalho. Referências Bibliográficas ANEEL, Procedimentos de distribuição de energia elétrica no sistema elétrico nacional Módulo 8, Revisão 6, Disponível em: Acesso em: 10/03/2015. Cerqueira, A. S. et al. (2006). Digital System For Detection And Classification Of Power Quality Disturbances. In: Latin America Transactions, IEEE (Revista IEEE America Latina), v. 4, n. 5, p Chandel, A. K., Guleria G., Chandel R., April, Classification of power quality problems using wavelet based artificial neural network, IEEE/PES Transmission and Distribution Conference and Exposition, pp. 1-5, Chicago, IL, Da Silva, I. N., Spatti D. H, Flauzino R. A., (2010). Redes Neurais Artificiais para engenharia e ciências aplicadas, vol. I. Artliber Editora Ltda, Delmont, F. O., Oleskovicz M., Arruda E. F., (2007). Classificação e Análise de Multiplos Distúrbios relacionados a Qualidade da Energia Elétrica Utilizando as Transformadas Wavelet e de Fourier. In: Congresso Latinoamericano de Geração e Transmissão de Energia Elétrica, 2007, Vinã del mar. Clagtee, Duda, R. O., Hart P. E., Stork D. G. (2001). Pattern Classification. John Wiley, New York, USA. Dugan, R. C., Mcgranaghan M. F. and Beaty H. W. (2003), Electrical power systems quality. New York: McGraw-Hill. 2 nd Edition. Gaouda, A. M. et al. (1999). Power Quality Detection And Classification Using Wavelet-Multiresolution Signal Decomposition. In: IEEE Transactions On Power Delivery, v. 14, n. 4, p Gois, A. M., Amaral R., Ribeiro J. H., Henrique A. L., Silva M., (2009). Proposta para Detecção e Classificação de Distúrbios de Qualidade da Energia Elétrica utilizando a Transformada Wavelet Estacionária. In: eighth Latin American Congress: Electricity Generation and Transmission, 2009, Ubatuba- Brasil. Eighth latin-american congress on electricity generation and transmission, Granados-Lieberman, D. et al. (2011). Techniques And Methodologies For Power Quality Analysis And Disturbances Classification In Power Systems: A Review. In: Generation, Transmission & Distribution, IET, v. 5, n. 4, p Hagan, M. T., Menhaj M. B., (1994). Training feedforward networks with the Marquardt algorithm, vol. 5, and n. 6. IEEE, 1994, pp Haykin, S., (2001). Redes Neurais Princípios e prática, 2ª ed., vol. I, Editora ARTMED S. A. Junior, W. B. (2011). Metodologia da Predição Estatística a Médio Prazo para Avaliação da Conformidade da Tensão em Circuitos de Distribuição Secundários, Dissertação (Mestrado), Universidade Federal de Itajubá, UNIFEI, Brasil. Kagan, N., de Oliveira C. C. B and Robba E. J., (2010). Introdução aos Sistemas de Distribuição de Energia Elétrica, 2ª Edição, Editora Blucher, São Paulo, Kjolle, G. H., Samdal K., Singh B. and Kvitastein O. A., (2008) - Customer Costs Related to Interruptions and Voltage Problems: Methodology and Results. IEEE Transactions on Power Systems, vol. 23, n. 3, August, Oleskovicz, M. ; Coury, D. V. ; Carneiro, A. F. M. ; Arruda, Elcio F. de ; Delmont Filho, O; Souza, S. A. Estudo comparativo de ferramentas modernas de análise aplicadas à qualidade da energia elétrica. Controle & Automação (Impresso), v. 17, p , Riedmiller, M and Braun, H. (1993). A direct adaptative method for faster backpropagation learning : the RPROP algorithm. Proceedings of the International Joint Conference on Neural Networks, San Francisco, California, USA, pp Rodriguez, M. V., Troncoso R. J. R., Rios R. A. O., Perez A. G., May, Detection and Classification of Single and Combined Power Quality Disturbances Using Neural Networks, IEEE Transactions on Industrial Electronics,vol. 61, pp