REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA

Transcrição

1 REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO ÂNGELO ROCHA DE OLIVEIRA DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DA COORDENAÇÃO DO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA DA UNIVERSIDADE FEDERAL DE JUIZ DE FORA COMO PARTE DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE EM ENGENHARIA ELÉTRICA. Aprovada por: Prof. Paulo Augusto Nepomuceno Garcia, D.Sc - UFJF Prof a. Carmen Lúcia Tancredo Borges, D.Sc - UFRJ Prof. Hélio Antônio da Silva, D.Sc - UFJF Prof. Márcio de Pinho Vinagre, D.Sc - UFJF JUIZ DE FORA, MG BRASIL. AGOSTO DE 2005

2 OLIVEIRA, ÂNGELO ROCHA Redes Neurais Artificiais Aplicadas na Detecção, Classificação e Localização de Defeitos em Linhas de Transmissão [Juiz de Fora] XI, 132 p. 29,7 cm. (UFJF, M. Sc, Engenharia Elétrica, 2005) Tese Universidade Federal de Juiz de Fora 1. Redes Neurais Artificiais 2. Detecção, Classificação e Localização de Defeitos em Linhas de Transmissão 3. Proteção de Linhas de Transmissão I. UFJF II. Título (Série) ii

3 Aos meus pais, Maurilo e Ângela, ao meu irmão, Murilo e à minha noiva Marcella com muito carinho. iii

4 AGRADECIMENTOS Primeiramente a Deus, a causa primária de todas as coisas. Ao Professor Paulo Augusto Nepomuceno Garcia pela excelência na orientação e dedicação dispensadas para a realização deste trabalho. Além dos ensinamentos, contribuições e segurança transmitida, fatores fundamentais não só para a realização desta dissertação, mas também para minha formação profissional. Aos Professores Márcio de Pinho Vinagre e Hélio Antônio da Silva pelos conselhos, incentivos e ensinamentos passados durante o curso de pós-graduação. Ao LABSPOT (Laboratório de Sistemas de Potência da Faculdade de Engenharia Elétrica da Universidade Federal de Juiz de Fora), pela disponibilidade de utilização de recursos computacionais. A todos os professores e colegas do curso de pós-graduação que direta ou indiretamente contribuíram para a realização desta dissertação, em especial ao acadêmico Geano Elias Rocha pela fundamental ajuda na fase final dos trabalhos. Ao meu pai Maurilo Marcelino de Oliveira, minha mãe Ângela Maria Rocha de Oliveira, meu irmão Murilo, minha noiva Marcella, minha madrinha Suely e todos os meus familiares pelos incentivos e apoio, sem o qual seria impossível a realização desse curso de pós-graduação. iv

5 Resumo da Dissertação apresentada à UFJF como parte dos requisitos necessários para a obtenção do grau de Mestre em Ciências (M. Sc.) REDES NEURAIS ARTIFICIAIS APLICADAS NA DETECÇÃO, CLASSIFICAÇÃO E LOCALIZAÇÃO DE DEFEITOS EM LINHAS DE TRANSMISSÃO Ângelo Rocha de Oliveira Agosto / 2005 Orientador: Paulo Augusto Nepomuceno Garcia, D. Sc. Programa: Engenharia Elétrica Este trabalho apresenta um sistema completo para detecção, classificação e localização de defeitos em linhas de transmissão, baseado em redes neurais artificiais (RNA) diretamente alimentadas, por meio da análise de tensões e correntes trifásicas na freqüência fundamental, em somente um dos terminais na linha. Através de simulações de defeitos feitas com o software ATP, um banco de dados é gerado. Os dados são amostrados a uma freqüência de 960Hz e a rede de detecção de defeitos recebe os sinais provenientes de um filtro de Fourier recursivo. Esta rede, que possui 12 entradas, as quais correspondem aos módulos e ângulos das tensões e correntes trifásicas e 1 saída, que tem a função de, a cada milésimo de segundo, avaliar o estado de operação da linha: normal ou sob defeito. Para que não haja atuação da proteção de forma precipitada, o sinal para atuação da proteção somente é enviado após dez saídas consecutivas indicando defeito. Quando a rede de detecção acusa curto-circuito, o módulo de classificação, que é composto de uma rede neural com 12 entradas e 4 saídas, recebe os sinais do sistema na região de defeito e identifica as fases envolvidas no distúrbio, bem como o envolvimento da terra. Com a identificação das fases envolvidas, o módulo de localização de defeitos, que é composto por redes especialistas para cada tipo de defeito, recebe as mesmas entradas apresentadas ao módulo de classificação. Cada rede neural constituinte deste módulo possui 12 entradas e uma saída, que indica o local de ocorrência do distúrbio. v

6 Testes realizados mostram um sistema eficiente para detecção, classificação e localização de defeitos em linhas de transmissão. vi

7 Abstract of Dissertation presented to UFJF as a partial fulfillment of the requirements for a Master of Science degree (M. Sc.) ARTIFICIAL NEURAL NETWORKS APPLIED IN FAULT DETECTION, CLASSIFICATION AND LOCATION IN TRANSMISSION LINES Ângelo Rocha de Oliveira August / 2005 Advisor: Paulo Augusto Nepomuceno Garcia, D. Sc. Department: Electrical Engineering This work presents a complete system to fault detection, classification and location in transmission lines, based on Artificial Neural Networks (ANN), through three-phase voltage and current analysis, in fundamental frequency, in only one end of the line. Through fault simulations with software ATP, a data bank is generated. The data is sampled in 960Hz and the detection neural network receives the signals from a recursive Fourier filter. This net, that has 12 inputs, that correspond to the modules and angles of three-phase voltage and current and 1 output, that has a function to evaluate the operation status of the line: normal or under disturbance. In order to avoid abrupt operation, the signal to protection is sent only after 10 consecutive output indicating fault.when the detection neural net detects a fault, the classification module, that is composed by a neural net with 12 inputs and 4 outputs, receives the signals from the line in the fault region and identifies the phases involved in the disturbance, as well as earth involvement. With the identification of the involved phases, the location module, that is composed by specialist neural nets to each kind of fault, receives the same samples presented to the classification module. Each neural network of this module has 12 inputs and 1 output, that indicate the location of the disturbance. The simulation results show an efficient system to fault detection, classification and location. vii

8 Sumário Capítulo I...1 I.1 Motivações da Dissertação...1 I.2 Objetivo da Dissertação...2 I.3 Revisão Bibliográfica...2 I.4 Publicações Decorrentes da Dissertação...6 I.5 Estrutura da Dissertação...6 Capítulo II...8 II.1 Considerações Iniciais...8 II.2 O Cérebro Humano...9 II.3 Modelagem do Neurônio Artificial...11 II.3.1 Tipos de Função de Ativação...13 II.3.2 Arquiteturas de Rede...15 II Redes Diretas de Uma Camada...15 II Redes Diretas (feed-forward) de Camadas Múltiplas...16 II Redes Recorrentes (feed-backward)...17 II.3.3 Aprendizagem...18 II Aprendizagem com Professor...19 II Aprendizagem sem Professor...20 II Aprendizagem por Reforço...20 II Aprendizagem Não-Supervisionada...22 II.3.4 Tarefas de Aprendizagem...22 II.3.5 Perceptrons de Uma Camada...24 II Perceptron de Rosenblatt...25 II Adaline...27 II.3.6 Perceptrons de Múltiplas Camadas...31 II Algoritmo de Retropropagação (Backpropagation)...32 II Desempenho do Algoritmo de Retropropagação...37 II Generalização do Conhecimento...37 II Algoritmo de Treinamento Trainrp...40 II.4 Conclusões...41 Capítulo III...42 III. 1 Considerações Iniciais...42 III.2 Sistema Equivalente e Simulação de Defeitos...42 III.3 Módulo de Detecção de Defeitos...46 III.4 Módulo de Classificação de Defeitos...49 III.5 Módulo de Localização de Defeitos...51 III.6 Esquema Completo de Proteção de Linhas de Transmissão...52 III.7 Conclusões...53 Capítulo IV...55 IV.1 Considerações Iniciais...55 IV.2 Sistema Teste I...55 IV.2.1 Geração de Dados...56 IV.2.2 Definição da Topologia das RNA...58 IV.2.3 Rede de Detecção: Treinamento e Desempenho...59 IV.2.4 Rede de Classificação: Treinamento e Desempenho...61 IV.2.5 Rede de Localização: Treinamento e Desempenho...63 viii

9 IV Defeitos FASE-TERRA...64 IV Defeitos FASE-FASE...67 IV Defeitos FASE-FASE-TERRA...71 IV Defeitos FASE-FASE-FASE...73 IV.2.6 Esquema Completo de Detecção, Classificação e Localização de Defeitos: Teste de Desempenho IV.3 Sistema Teste II...79 IV.3.1 Rede de Detecção: Treinamento e Desempenho...79 IV.3.2 Rede de Classificação: Treinamento e Desempenho...81 IV.3.3 Rede de Localização: Treinamento e Desempenho...83 IV Defeitos FASE-TERRA...83 IV Defeitos FASE-FASE...85 IV Defeitos FASE-FASE-TERRA...87 IV Defeitos FASE-FASE-FASE...89 IV. 4 Conclusões...91 Capítulo V...93 V.1 Conclusões...93 V.2 Propostas de Desenvolvimentos Futuros...95 Apêndice A...97 A.1 Considerações Iniciais...97 A.2 Método da Descida Mais Íngreme...98 A.3 Método de Newton...99 Apêndice B B.1 Considerações Iniciais B.2 Formulação Matemática da Retropropagação Apêndice C C.1 Considerações Iniciais C.2 Aliasing Apêndice D D.1 Considerações Iniciais D.2 Sistema Teste I D.3 Sistema Teste II Referências Bibliográficas ix

10 Lista de Figuras Figura II.1 - Neurônio Humano...10 Figura II.2 - Modelo do Neurônio Artificial...11 Figura II.3 - Função Linear...13 Figura II.4 - Função Limiar Figura II.5 - Função Rampa...14 Figura II.6 - Função Sigmóide...14 Figura II.7 - Rede Direta de 1 Camada...16 Figura II.8 - Rede Direta de Múltiplas Camadas...17 Figura II.9 - Rede Recorrente...17 Figura II.10 - Aprendizagem Supervisionada...19 Figura II.11 - Aprendizagem por Reforço...21 Figura II.12 - Aprendizagem Não-Supervisionada...22 Figura II.13 - Aproximação de Funções...24 Figura II.14 - Controle de Processos Figura II.15 - Perceptron com 1 Neurônio Figura II.16 - Adaline Figura II.17 - Rede com 2 Camadas Ocultas...32 Figura III.1 - Sistema Equivalente...43 Figura III.2 - Módulo de Detecção de Defeitos...47 Figura III.3 - Rede Neural 12-X-1 para Detecção de Defeitos...48 Figura III.4 - Módulo de Classificação de Defeitos Figura III.5 - Rede Neural 12-X-4 para Classificação de Defeitos Figura III.6 - Módulo de Localização de Defeitos Figura III.7 - Rede Neural 12-X-X-1 para Localização de Defeitos...52 Figura IV.1 - Sistema IEEE Figura IV.2 - Desempenho da Rede de Detecção X Neurônios na Camada Oculta para os Subconjuntos de Treinamento e Validação...60 Figura IV.3 - Convergência da Rede com 10 Neurônios na Camada Oculta...60 Figura IV.4 - Desempenho da Rede de Classificação X Neurônios na Camada Oculta para os Subconjuntos de Treinamento e Validação...62 Figura IV.5 - Convergência da Rede com 15 Neurônios na Camada Oculta...62 Figura IV.6 - Desempenho da Rede de Localização AT X Neurônios nas Camadas Ocultas para os Subconjuntos de Treinamento e Validação...65 Figura IV.7 - Convergência da Rede com 23 Neurônios nas Camadas Ocultas Figura IV.8 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos AT Figura IV.9 - Curva de Probabilidade Acumulada para o Conjunto de Dados Extra em Relação ao Ponto de Ocorrência do Defeito...67 Figura IV.10 - Desempenho da Rede de Localização AB X Neurônios nas Camadas Ocultas para os Subconjuntos de Treinamento e Validação...68 Figura IV.11 - Convergência da Rede com 30 Neurônios nas Camadas Ocultas Figura IV.12 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos AB Figura IV.13 - Curva de Probabilidade Acumulada para o Conjunto de Dados Extra em Relação ao Ponto de Ocorrência do Defeito...70 x

11 Figura IV.14 - Desempenho da Rede de Localização ABT X Neurônios nas Camadas Ocultas para os Subconjuntos de Treinamento e Validação...71 Figura IV.15 - Convergência da Rede com 14 Neurônios nas Camadas Ocultas Figura IV.17 - Curva de Probabilidade Acumulada para o Conjunto de Dados Extra em Relação ao Ponto de Ocorrência do Defeito...73 Figura IV.18 - Desempenho da Rede de Localização ABC X Neurônios nas Camadas Ocultas para os Subconjuntos de Treinamento e Validação...74 Figura IV.19 - Convergência da Rede com 34 Neurônios nas Camadas Ocultas Figura IV.20 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos ABC Figura IV.21 - Curva de Probabilidade Acumulada para o Conjunto de Dados Extra em Relação ao Ponto mais Distante de Ocorrência do Defeito...76 Figura IV.22 - Simulação de Operação do Esquema Completo para Detecção, Classificação e Localização de Defeitos em Linhas de Transmissão...77 Figura IV.23 - Desempenho da Rede de Detecção X Neurônios na Camada Oculta para o Subconjunto de Treinamento e Validação...80 Figura IV.24 Convergência da Rede com 11 Neurônios na Camada Oculta Figura IV.25 - Desempenho da Rede de Classificação X Neurônios na Camada Oculta para o Subconjunto de Treinamento e Validação Figura IV.26 - Convergência da Rede com 21 Neurônios na Camada Oculta...82 Figura IV.27 - Desempenho da Rede de Localização AT X Neurônios nas Camadas Ocultas para o Subconjunto de Treinamento e Validação...84 Figura IV.28 - Convergência da Rede com 14 Neurônios nas Camadas Ocultas Figura IV.29 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos AT Figura IV.30 - Desempenho da Rede de Localização AB X Neurônios nas Camadas Ocultas para o Subconjunto de Treinamento e Validação...86 Figura IV.31 - Convergência da Rede com 15 Neurônios nas Camadas Ocultas Figura IV.32 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos AB Figura IV.33 - Desempenho da Rede de Localização ABT X Neurônios nas Camadas Ocultas para o Subconjunto de Treinamento e Validação...88 Figura IV.34 - Convergência da Rede com 19 Neurônios nas Camadas Ocultas Figura IV.35 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos ABT...89 Figura IV.36 - Desempenho da Rede de Localização ABC X Neurônios nas Camadas Ocultas para o Subconjunto de Treinamento e Validação...90 Figura IV.37 - Convergência da Rede com 23 Neurônios nas Camadas Ocultas Figura IV.38 - Curva de Probabilidade Acumulada para Rede de Localização de Defeitos ABC Figura C.1 Esquema de Processamento dos Sinais Figura C.2 Sinais no Domínio da Freqüência xi

12 Lista de Tabelas Tabela III.1 - Tabela-verdade da saída da rede de classificação Tabela IV.1 Percentual de Acertos da Rede de Detecção Tabela IV.2 - Percentual de Acertos da Rede de Classificação...63 Tabela IV. 3 Percentual de Acertos da Rede de Detecção Tabela IV.4 - Percentual de Acertos da Rede de Classificação...83 Tabela C.1 Parâmetros da Linha de Transmissão Tabela C.2 Impedâncias das Fontes Tabela C.3 Tensões Atrás das Barras Tabela C.4 Parâmetros da Linha de Transmissão Tabela C.5 Impedâncias das Fontes Tabela C.6 Tensões Atrás das Barras Tabela C.7 Condições de Operação para Simulação xii

13 Capítulo I: Introdução Capítulo I Introdução I.1 Motivações da Dissertação A linha de transmissão é, dentre todos os equipamentos de um sistema elétrico de potência, o que está mais sujeito a defeitos, tendo em vista sua vulnerabilidade em relação a descargas atmosféricas, que são as principais fontes geradoras de distúrbios. Logo, o principal objetivo dos sistemas de proteção de linhas de transmissão é impedir que defeitos em sua área de atuação comprometam a integridade da linha, bem como a estabilidade do sistema [ 1 ]. Contudo, devido à normalização do novo modelo do Setor Elétrico Brasileiro, que impõe penalidades para a empresa transmissora pelo não fornecimento da energia [ 2 ], o desligamento não programado de uma linha de transmissão pode resultar em descontos da receita anual da empresa transmissora, que são aplicados sobre o tempo de indisponibilidade da linha. Portanto, além da questão da qualidade e continuidade do fornecimento, o fator econômico, que é fundamental em um ambiente competitivo, exige um sistema de proteção e localização de defeitos de forma ágil e eficiente para linhas de transmissão. Sendo assim, através de uma rápida detecção do defeito com subseqüente identificação das fases envolvidas e a sua localização, isola-se o trecho ao mesmo tempo em que se agiliza o seu reparo, reduzindo o tempo de indisponibilidade da linha e 1

14 Capítulo I: Introdução conseqüentemente as possíveis penalidades. Todavia, a tecnologia disponível atualmente no mercado é de propriedade de empresas estrangeiras e conseqüentemente possuem valores extremamente elevados. Assim, o desenvolvimento de algoritmos e equipamentos que contribuam para uma maior eficiência dos sistemas de detecção, classificação e localização de defeitos em linhas de transmissão são de grande relevância para o setor elétrico nacional. I.2 Objetivo da Dissertação Esta dissertação tem como objetivo a elaboração de um esquema completo de detecção, classificação e localização de defeitos em linhas de transmissão utilizando redes neurais. Esta metodologia tem como característica importante a utilização das tensões e correntes trifásicas na freqüência fundamental, que são sinais comuns em todas as subestações, em somente um dos terminais na linha. A intenção é elaborar um sistema de proteção alternativo, que possa trabalhar em conjunto com métodos convencionais na proteção de linhas de transmissão, melhorando sua eficiência e precisão. I.3 Revisão Bibliográfica Os primeiros estudos envolvendo Redes Neurais Artificiais (RNA) iniciaram-se com a publicação de [ 3 ] por McCulloch e Pitts, considerada a referência número 1 para redes neurais, seguido de Hebb [ 4 ], Rosenblath [ 5 ], Widrow [ 6 ] e Minsky [ 7 ]. Após um período de estagnação nas pesquisas durante a década de 70, em 1982 surge o trabalho de Hopfield [ 8 ] e mais tarde Rumelhart [ 9 ]. A partir desse ponto surgem diversos trabalhos com aplicações de redes neurais artificiais em diversas áreas do conhecimento humano, como comentado em [ 10 ] e [ 11 ]. Referente a aplicações de redes neurais em sistemas de potência, podem ser citados trabalhos como [ 12 ] no que concerne a modelagem de cargas, [ 13 ] na área de monitoração de harmônicos, [ 14 ] no diagnóstico de falhas mecânicas em condutores 2

15 Capítulo I: Introdução de linhas de transmissão e [ 15 ] em estabilidade transitória, dentre outras. Especificamente em proteção de sistemas de potência, o conceito de proteção adaptativa é um fator que estimulou o desenvolvimento de novas tecnologias. Este conceito foi abordado inicialmente em [ 16 ] e [ 17 ]. Em [ 16 ] tem-se os conceitos de proteção adaptativa de linhas de transmissão, os quais incluem modificações on-line nas regulagens, características ou lógica de relés em resposta a modificações como contingências relacionadas à perda de linhas ou geradores do sistema. Em [ 17 ] são descritos resultados de uma investigação sobre as possibilidades do uso de técnicas digitais para adaptar o sistema de controle e proteção de linhas de transmissão às modificações do sistema em tempo real, com o desenvolvimento de estratégias adaptativas para minimizar os problemas com confiabilidade, otimizando a performance do sistema. Este conceito foi implementado através de algoritmos de relés digitais. Discussões adicionais relativas aos conceitos de proteção adaptativa podem ser encontradas em [ 18 ], [ 19 ], [ 20 ], [ 21 ] e [ 22 ]. Assim, diversas metodologias utilizando os conceitos de proteção adaptativa para a proteção de linhas de transmissão vêm sendo desenvolvidas e apresentadas na literatura. Dentre essas técnicas, destacam-se as que utilizam medições nos dois extremos da linha de transmissão [ 23 ],[ 24 ], [ 25 ], [ 26 ] e [ 27 ]. Em [ 23 ] é descrito um módulo de localização de defeitos em linhas de transmissão a ser incorporado ao Sistema Interligado de Apoio à Análise de Perturbações SINAPE (CEPEL). O módulo utiliza fasores de tensão e corrente de defeito de ambas as extremidades da linha de transmissão através do processamento das amostras armazenadas por oscilógrafos digitais. Nesse caso os sinais são sincronizados por satélite (GPS Global Positioning System), o qual age sobre o disparo dos oscilógrafos corrigindo o instante de disparo do registrador. No entanto, não há garantia de que as amostras foram obtidas no mesmo instante de tempo. Para minimizar esse erro, aumenta-se a freqüência de amostragem. Em [ 24 ] é descrito um relé diferencial que utiliza medições sincronizadas das duas extremidades da linha de transmissão, com estrutura de sincronização de sinais semelhante à utilizada em [ 23 ]. Em [ 25 ], aplicando-se a técnica PMU (Phasor Measurement Units) para sincronização de sinais, é mostrado um algoritmo para localização de defeitos em linhas de transmissão usando superposição dos fasores de tensão e corrente nos dois terminais da linha de transmissão. As unidades de medição de fasores são instaladas nas duas extremidades da linha de transmissão e um gerador 3

16 Capítulo I: Introdução global de sincronismo (GSCG Global Synchronism Clock Generator) estabelece o sinal de referência para sincronismo das medições, garantindo assim grande precisão na sincronização dos sinais amostrados. Em [ 26 ], onde também é utilizada a técnica PMU, é descrito um método de localização de defeitos para linhas de transmissão usando medições sincronizadas de tensão dos dois terminais da linha e as matrizes de impedância de fonte atrás das barras, para uma dada linha sob estudo. Da mesma maneira, em [ 27 ] é apresentado um esquema completo para proteção de linhas de transmissão utilizando medições sincronizadas com a técnica PMU em ambas as extremidades da linha. Em [ 28 ] e [ 29 ] são examinados diversos métodos de sincronização de sinais e é possível observar que, apesar de eficientes, esses métodos requerem uma complexa estrutura de operação. Deve-se considerar também que nem sempre há disponibilidade de acesso aos sinais registrados nas duas extremidades em tempo hábil, de forma a serem utilizados para monitoração de defeitos, limitando-se a aplicação dessas técnicas. Com isso, os métodos que utilizam sinais de tensão e corrente em apenas um terminal também devem ser considerados importantes, como é o caso do método de Takagi [ 30 ]. O Método de Takagi é um dos mais conhecidos de localização de defeitos a partir de medições em um terminal. Este método baseia-se no cálculo da reatância da linha de transmissão sob defeito e se propõe a corrigir distorções provocadas por diferentes carregamentos da linha de transmissão e resistência de defeito, porém, depende do fiel mapeamento das componentes de seqüência zero da linha de transmissão. Ainda em relação aos métodos que utilizam sinais em um único terminal, os mesmos normalmente baseiam-se em equações de rede [ 31 ][ 32 ] e como mencionado em [ 33 ] e [ 24 ], são sensíveis a variações dos parâmetros do sistema, tais como impedâncias da fonte, ângulo de incidência de defeito, condições de carregamento do sistema, etc. Em [ 31 ] é apresentado um método de localização de defeitos através de relés de distância. Esse método utiliza a impedância medida no instante do defeito e só funciona para curtos francos. Em [ 32 ] é apresentado um algoritmo de localização de defeitos que aplica o método de Newton-Raphson às equações de rede para indicar o local de ocorrência do defeito. Embora seja eficiente, necessita de atualizações da impedância de fonte do terminal remoto sempre que ocorrer uma modificação no sistema. 4

17 Capítulo I: Introdução Sendo assim, diversos trabalhos que utilizam RNA têm sido apresentados como alternativa para proteção de linhas de transmissão. Referente às aplicações de redes neurais na detecção de defeitos em sistemas de potência, pode-se citar [ 34 ] e [ 35 ]. Em [ 34 ] é descrito um discriminador de direção de defeito que utiliza uma rede neural multicamadas diretamente alimentada para analisar os valores instantâneos de tensão e corrente da linha de transmissão e assim tomar decisões. Em [ 35 ] é encontrada uma abordagem para detecção de defeitos de alta impedância a partir de medições de corrente em um terminal, a partir da tecnologia de processamento de sinais utilizada em dispositivos comerciais, utilizando-se algoritmos baseados em redes neurais, estatística de ordem superior e transformada wavelet. Aplicações para classificação de defeitos podem ser encontradas em [ 36 ] e [ 37 ]. Em [ 36 ] utilizam-se RNA e conceitos de processamento digital de sinais para implementar um esquema de classificação de defeitos a partir de amostras de tensão e corrente. Em [ 37 ] os mesmos conceitos são utilizados com a diferença de que em [ 36 ] a rede neural possui 30 entradas, que são 5 amostras consecutivas das tensões e correntes trifásicas da linha de transmissão e em [ 37 ] a rede neural tem 24 entradas, constituídas por 4 amostras consecutivas das tensões e correntes trifásicas da linha. Trabalhos desenvolvidos em [ 38 ] e [ 39 ] podem ser citados como aplicações de RNA para localização de defeitos em linhas de transmissão. Em [ 38 ] encontra-se uma aplicação de redes neurais em proteção de distância. A ênfase do trabalho está na criação de um sistema de detecção mais seletivo no que concerne a defeitos com resistência de arco, onde a contribuição da seqüência zero dificulta a localização do defeito. Também em [ 39 ] observa-se a utilização de redes neurais como classificadores de padrão para operação de relés de distância. Podem ser citados ainda trabalhos como [ 40 ] e [ 41 ] como desenvolvimentos de esquemas para detecção, classificação e localização de defeitos em linhas de transmissão utilizando inteligência artificial. Em [ 40 ] é utilizada uma técnica denominada seleção ótima de características no domínio wavelet e supervisionada por redes neurais num esquema completo de detecção, classificação e localização de defeitos em LT. De maneira semelhante, em [ 41 ] é apresentado um modelo alternativo utilizando redes neurais com 24 entradas, que são os valores consecutivos de tensão e corrente trifásicas da linha. 5

18 Capítulo I: Introdução De forma geral, os trabalhos utilizando redes neurais em proteção de linhas de transmissão caracterizam-se por restringir alguns parâmetros de simulação, tais como valores de impedância de defeito, valores dos ângulos de incidência de defeitos, etc. Estas considerações podem limitar a aplicação de RNA em casos reais [ 42 ]. Devido a esses e outros motivos, a aplicação de redes neurais artificiais em proteção de linhas de transmissão ainda é incipiente, constituindo um campo promissor para pesquisas, onde o objetivo é promover uma melhoria no desempenho dos sistemas de proteção convencionais ou até mesmo substituí-los [ 43 ]. I.4 Publicações Decorrentes da Dissertação Redes Neurais Artificiais Aplicadas na Detecção e Classificação de Faltas em Linhas de Transmissão, artigo aceito no VI Congresso Latino Americano de Geração e Transmissão de Energia Elétrica (CLAGTEE), Mar Del Plata, Novembro de I.5 Estrutura da Dissertação Além desse capítulo, esta dissertação contém mais quatro capítulos e três apêndices. O capítulo II é uma introdução a RNA, onde são apresentadas as características gerais de redes neurais, bem como os conceitos que envolvem arquiteturas de redes, processos de treinamento e técnicas para melhoria de desempenho. O capítulo III trata da aplicação de RNA em proteção de linhas de transmissão. São abordadas questões relativas ao modelo de linhas de transmissão, à utilização do software ATP para simulação dos defeitos, à montagem de banco de dados para treinamento das redes neurais assim como as características dos módulos de detecção, classificação e localização de defeitos. No capítulo IV são apresentados e discutidos os resultados obtidos mediante a aplicação da metodologia proposta. Para tanto, são utilizados dois sistemas teste. 6

19 Capítulo I: Introdução No capítulo V são apresentadas as principais conclusões do trabalho e sugestões para desenvolvimentos futuros. O Apêndice A apresenta alguns aspectos de técnicas de otimização irrestrita. O Apêndice B apresenta a formulação matemática do algoritmo de retropropagação, utilizado para treinamento de RNA. O Apêndice C apresenta uma breve explanação sobre processamento de sinais. Finalizando, o Apêndice D mostra os dados dos sistemas elétricos equivalentes utilizados nesta dissertação. 7

20 Capítulo II Redes Neurais Artificiais II.1 Considerações Iniciais A motivação do estudo e aplicação de Redes Neurais Artificiais (RNA) passa pelo reconhecimento de que o cérebro humano processa informações de uma forma distinta do computador digital convencional. Com a capacidade de organizar sua estrutura neuronal, é capaz de realizar certos processamentos, como reconhecer padrões mais rapidamente que o computador digital. Um cérebro é uma máquina que tem uma grande habilidade de desenvolver suas próprias regras. Uma rede neural artificial, por conseguinte, deve ter a capacidade de modelar a maneira como o cérebro realiza uma tarefa. O principal atrativo para o uso de RNA na solução de problemas é a capacidade de aprender através de exemplos e de generalizar o conhecimento aprendido. Conceitualmente, uma rede neural é um processador maciçamente paralelamente distribuído, constituído de unidades de processamento simples, que têm a propensão natural para armazenar conhecimento experimental e torná-lo disponível para uso [ 44 ]. As principais características das redes neurais são [ 44 ]: Possibilidade de considerar o comportamento não linear dos fenômenos físicos; 8

21 Capítulo II: Redes Neurais Artificiais Necessidade de pouco conhecimento estatístico sobre o ambiente onde a rede está inserida; Capacidade de aprendizagem, obtida através de exemplos entrada/saída que sejam representativos do ambiente; Habilidade de aproximar qualquer mapeamento entrada/saída de natureza contínua; Adaptabilidade; Generalização; Tolerância a falhas; Informação contextual; Armazenamento do conhecimento adquirido, através de forças de conexão entre neurônios, conhecidas como pesos sinápticos. Assim, cada vez mais as redes neurais vêm sendo empregadas nos mais diversos campos do conhecimento. II.2 O Cérebro Humano O cérebro humano é considerado o mais fascinante processador baseado em carbono existente [ 44 ]. Todas as funções e movimentos do organismo estão relacionados ao funcionamento destas pequenas células. Os neurônios estão conectados uns aos outros através de sinapses, e juntos formam uma grande rede, chamada rede neural. As sinapses transmitem estímulos através de diferentes concentrações de Na+ e K+, e o resultado disto pode ser estendido por todo o corpo humano. Esta grande rede proporciona uma fabulosa capacidade de processamento e armazenamento de informação. 9