Diagnóstico de Distúrbios de Tensão em Sistemas de Distribuição de Energia Elétrica Usando um Algoritmo Imuno-Neural

Transcrição

1 1 Diagnóstico de Distúrbios de Tensão em Sistemas de Distribuição de Energia Elétrica Usando um Algoritmo Imuno-Neural J. C. Silva, F. P. A. ima, M.. M. opes, C. R. Minussi Resumo Neste artigo apresenta-se uma nova abordagem para o diagnóstico de distúrbios de tensão em sistemas de distribuição de energia elétrica, usando como ferramenta um algoritmo Imuno-Neural. Esta proposta trata basicamente de realizar a junção de um algoritmo imunológico de seleção negativa com uma rede neural artificial ARTMAP-Fuzzy. Desta forma, partindo das medições realizadas em uma subestação de distribuição por um sistema de aquisição de dados SCADA, um módulo imunológico realiza o processo detecção, identificando anormalidades, para que no módulo neural a classificação das anormalidades seja realizada. A principal aplicação desta nova ferramenta é auxiliar na tomada de decisões e facilitar a operação do sistema durante falhas. Para avaliar a eficiência do método proposto foram realizadas simulações de sistemas de distribuição de energia elétrica no software EMTP para dois sistemas de distribuição contendo 33 e 134 barras, respectivamente. Os resultados obtidos com esta nova abordagem demonstram eficiência e precisão quando comparados à literatura. Palavras-Chave Diagnóstico, Distúrbios de Tensão, Sistemas de Distribuição, Sistemas Imunológicos Artificiais, Redes Neurais Artificiais. I. INTRODUÇÃO N os dias atuais, a energia elétrica é um item essencial para a vida da maioria das pessoas, tanto na produção de bens de consumo, quanto no cotidiano doméstico. Desta forma, as companhias elétricas, na sua maioria, passaram a investir em suas instalações, especialmente nos sistemas de distribuição, com o objetivo de modernizar os equipamentos e automatizar a operação dos sistemas e, consequentemente, reduzir custos operacionais, melhorar a confiabilidade e segurança do sistema e promover qualidade na energia elétrica [18], [15]. Duas tecnologias são empregadas neste contexto, sendo a tecnologia digital e a tecnologia da informação. Com estas tecnologias é possível desenvolver sistemas integrados que combinem técnicas de aquisição, análise e processamento de dados, visando oferecer a assistência necessária para realizar a automação, o controle e a tomada de decisão [20]. J. C. Silva, F. P. A. ima e C. R. Minussi são do Departamento de Engenharia Elétrica da Faculdade de Engenharia de Ilha Solteira, UNESP -- Universidade Estadual Paulista. M.. M. opes é do Departamento de Matemática da Faculdade de Engenharia de Ilha Solteira, UNESP Universidade Estadual Paulista. ( jamesclauton@gmail.com, engfernandoparra@gmail.com, mara@mat.feis.unesp.br e minussi@dee.feis.unesp.br). Os tradicionais métodos de diagnóstico de falhas utilizados em campo baseiam-se na inspeção visual das oscilografias. Dependem diretamente do julgamento de operadores humanos, levando em conta sua experiência em análise e tomada de decisões. Deve-se ressaltar que, desta forma, nem todas as falhas podem ser identificadas pelos operadores, o que pode tornar o processo ineficiente e inseguro. Neste sentido, o emprego da computação inteligente se torna uma possível solução para o problema de diagnóstico de distúrbios em sistemas elétricos. Várias técnicas, baseadas nestes conceitos, vêm sendo usadas para auxiliar os operadores na execução dos sistemas, proporcionando segurança, rapidez e eficiência no planejamento de ações corretivas. Neste contexto, na sequência, apresentam-se os trabalhos mais relevantes disponíveis na literatura. Em [23] foi apresentado um sistema de classificação de distúrbio de tensão com utilização da transformada wavelet e redes neurais. Já em [22] os autores baseiam-se em redes neurais, lógica fuzzy e transformada wavelet para realizar o diagnóstico de distúrbios de tensão. Em [24] foi apresentado uma metodologia baseada em transformada wavelet e norma entropia com o uso de redes neurais multi-layer perceptron, com o algoritmo de treinamento retropropagação [25] para classificação de distúrbios de tensão. Um sistema híbrido de redes neurais artificiais e transformada wavelet discreta foi utilizado para realizar a detecção, localização e classificação de distúrbios de qualidade de energia em [21]. Em [10] a metodologia proposta é baseada na transformada wavelet, na norma entropia e na rede neural ARTMAP-Fuzzy [5]. O método realiza a extração de características dos sinais através da transformada wavelet. Estas características são agregadas, via norma entropia, e utilizadas como entrada de uma rede neural ARTMAP-Fuzzy, a qual é responsável por realizar a classificação dos distúrbios de tensão. Em [3] foi apresentada uma metodologia para realizar a classificação de distúrbios de tensão em sistemas de distribuição de energia elétrica, utilizando uma rede neural ARTMAP euclidiana modificada com treinamento continuado. O módulo de treinamento continuado permite que novos conhecimentos sejam incorporados à rede neural sem a necessidade de reiniciar o processo de treinamento. Em [15] foi proposta uma nova abordagem para o problema de diagnóstico de distúrbios de tensão, utilizando sistemas imunológicos artificiais de seleção negativa. Neste artigo, os autores utilizaram o conceito da discriminação próprio/não-próprio para diferenciar os sinais e

2 2 detectar as anormalidades. Em [16] foi proposta uma abordagem Imuno-Wavelet para realizar o diagnóstico de distúrbios de tensão, onde foi empregada a transforma wavelet discreta e o algoritmo de seleção negativa. Os autores destacam que a combinação da transformada wavelet com o algoritmo de seleção negativa proporcionou maior precisão ao diagnóstico, pois, ao decompor sinais em diversos níveis de resolução, o sistema imunológico consegue identificar as anormalidades facilmente, em consequência do nível de detalhe exibido no processo de decomposição. Neste artigo, apresenta-se uma nova abordagem para realizar o diagnóstico de distúrbios de tensão em sistemas de distribuição de energia elétrica, usando um algoritmo Imuno- Neural. Esta proposta imuno-neural visa maior robustez e eficiência (maior precisão) no processo de diagnóstico combinando duas técnicas disponíveis na literatura que apresentam excelentes resultados em diversos problemas complexos de engenharia. Neste trabalho, optou-se por empregar o algoritmo de seleção negativa e a rede neural ARTMAP-Fuzzy por serem arquiteturas inteligentes eficientes, com alta capacidade de generalização, estabilidade e plasticidade, conforme destacado em [10] e [15]. Para avaliar o desempenho do método foram realizados testes com dois sistemas de distribuição de energia elétrica, sendo um sistema teste 33 barras e um sistema real de 134 barras. A principal contribuição deste trabalho, se da na proposta de um novo método hibrido que combina duas técnicas eficientes. Esta contribuição é complementada por outros trabalhos desenvolvidos pelos autores, conforme [15], [16], [17]. O que difere este artigo dos trabalhos citados anteriormente é a proposta de um método hibrido inédito para resolução do problema, isto é, a formulação de um método Imuno-Neural. Este artigo está organizado conforme segue: Na seção II apresentam-se os conceitos dos sistemas imunológicos artificiais, destacando o Algoritmo de Seleção Negativa (ASN). Na seção III apresenta-se a rede neural artificial ARTMAP-Fuzzy. A modelagem e simulações realizadas são apresentadas na seção IV. Na seção V apresenta-se a metodologia proposta. Por fim, nas seções VI e VII são apresentados os resultados e a conclusão para este trabalho respectivamente. II. AGORITMO DE SEEÇÃO NEGATIVA Os Sistemas Imunológicos Artificiais (SIA) reproduzem, de forma computacional, as propriedades e habilidades dos sistemas imunológicos biológicos [7]. Os SIA são ótimas ferramentas para detecção de anomalias, por causa de suas características biológicas de reconhecimento de padrões do sistema imunológico [14]. O Algoritmo de Seleção Negativa (ASN) foi proposto por [12] para detecção de mudanças em sistemas computacionais. É inspirado na seleção negativa de linfócitos T que ocorre no timo, representando a análise que o organismo realiza para diferenciar as células entre próprias e não-próprias. Este algoritmo é executado em duas fases conforme descrito em [8]: 1. Censoriamento a) Definir o conjunto de cadeias próprias (S) que se deseja proteger; b) Gerar cadeias aleatórias e avaliar a afinidade (Match) entre cada uma delas e as cadeias próprias. Caso a afinidade seja superior a um limiar estipulado, deve-se rejeitar a cadeia. Caso contrário, deve-se armazenar em um conjunto de detectores (R). 2. Monitoramento a) Dado o conjunto de cadeias que se deseja proteger (cadeias protegidas), avaliar a afinidade entre cada uma delas e o conjunto de detectores. Se a afinidade for superior a um limiar preestabelecido, então um elemento não-próprio é identificado. Nas figuras 1 e 2 apresentam-se os fluxogramas das fases do ASN. Rejeite Sim Gere Cadeias Aleatoriamente Casou? (Match) Não Conjunto de Detectores (R) Cadeias Próprias (S) Figura 1 Fluxograma da fase de censoriamento do ASN. Não Cadeias Protegidas (S) Casou? (Match) Sim Não-próprio Detectado Conjunto de Detectores (R) Figura 2 Fluxograma da fase de monitoramento do ASN. A fase de censoriamento consiste em gerar o conjuntos de detectores, através de elementos selecionados aleatoriamente que tenham a capacidade de reconhecer os padrões nãopróprios. Os detectores simulam de forma computacional o desempenho das células T maturas. Desta forma, os detectores podem ser empregados para reconhecer qualquer padrão nãopróprio apresentado a eles. Deve-se salientar que a fase de censoriamento é realizada de forma off-line. Na fase de monitoramento, é realizada a análise dos dados a serem apresentados e através dos detectores gerados na fase de censoriamento é verificado a mudança nos padrões, caso exista alguma mudança. Então, a anormalidade é detectada e classificada. Esta fase é executada em tempo real. A. Critério de Casamento e Afinidade Para avaliar a afinidade entre as cadeias e aceitar que são semelhantes, utiliza-se um critério denominado, casamento. O casamento pode ser perfeito ou parcial.

3 3 A diferença entre o casamento perfeito e o casamento parcial é que no perfeito todos os pontos dos padrões em análise devem possuir os mesmos valores, já no casamento parcial é necessário que apenas uma quantidade de pontos seja igual, sendo esta quantidade definida previamente. Esta quantidade é denominada, taxa de afinidade [9]. A taxa de afinidade indica o mínimo grau de semelhança que deve existir entre dois padrões para que sejam dados como casados ou iguais [17]. A taxa de afinidade é definida em (1) como apresentado em [4]: An TAf *100 At sendo: : taxa de afinidade; : número de cadeias próprias no problema; : número total de cadeias no problema. TAf An At Através da equação (1), é possível calcular o valor da taxa de afinidade para o problema proposto. A expressão (2) representa a forma de quantificar a afinidade total entre os padrões em análise [4]: sendo: Af T Pc i 1 Pc Af T (1) Pc i 1 (2) *100 : % de afinidade entre os padrões; : quantidade total de posições do padrão; : posição casada; : quantidade de posições casadas. Af T Desta forma, se for maior ou igual a TAf ocorre o casamento entre os padrões, ou seja, eles são considerados semelhantes. Caso contrário, não ocorre o casamento entre os sinais. III. ARTMAP-FUZZY A rede neural ARTMAP-Fuzzy [5], [6] possui uma arquitetura auto-organizável e um treinamento supervisionado, o que faz com que seja maximizada a generalização e minimizado o erro. Esta arquitetura possui dois módulos chamados de ARTa-Fuzzy e ARTb-Fuzzy. Na rede neural ART-Fuzzy são usados parâmetros fundamentais de controle, que são [5]: Parâmetro de escolha α (α > 0): Atua na seleção de categorias; Taxa de treinamento β (β ϵ [0, 1]): Controla a velocidade da adaptação da rede; Parâmetro de vigilância ρ (ρ ϵ [0, 1]): Controla a ressonância da rede neural, ou seja, é o parâmetro responsável pelo número de categorias criadas. No treinamento da rede é utilizado o modulo ARTa com entrada das informações e ARTb para a saída, sendo necessário que a rede neural possua um teste chamado match tracking [5] que é responsável por verificar se houve casamento entre os módulos. No caso de não haver o casamento entre esses módulos, a rede busca uma atualização no parâmetro de vigilância no modulo ARTa incrementando assim em um valor mínimo estabelecido no início do processo. Para um parâmetro de vigilância alto, a rede fica mais exigente e mais sensível a qualquer variação. Caso o parâmetro seja baixo, a rede fica mais abrangente, criando, assim, mais categorias. A rede ainda possui um operador AND ( ) fuzzy usado no teste de vigilância e no operador match tracking, tornando a rede eficiente no uso de dados binários ou analógicos. Na figura 3 ilustra-se a arquitetura da rede neural ARTMAP-Fuzzy. Figura 3 Arquitetura da rede neural ARTMAP-Fuzzy. Na fase de diagnóstico (teste) da rede neural, é usado um modulo ARTa sem atualização do parâmetro de vigilância e utilizando os pesos atualizados no treinamento, onde são inseridos na rede os dados a serem reconhecidos através da memória que a rede obteve no treinamento. IV. DISTÚRBIOS EM SISTEMAS DE DISTRIBUIÇÃO Todos os sistemas de distribuição de energia elétrica estão susceptíveis a problemas e falhas em sua operação. Sendo estas falhas provocadas por mau funcionamento de equipamentos, queimadas, contatos de animais às partes energizadas, fenômenos naturais, entre outros. Estes eventos podem causar a interrupção do fornecimento de energia, ou afetar a qualidade da energia, introduzindo harmônicos e degradando os índices de qualidade de energia elétrica das concessionárias, e então elevar os custos operacionais [10], [15]. Em relação à qualidade de energia, a categoria de distúrbios de tensão corresponde ao conjunto de distúrbios mais graves, ocasionando consequências prejudiciais do seu efeito sobre equipamentos ligados à rede. Os distúrbios de tensão têm a característica de apresentar variações de curta duração na magnitude da tensão a partir de um valor nominal. Dependendo da magnitude da variação, os distúrbios são classificados como interrupções, elevações e afundamentos, dependendo de sua duração que pode ser instantânea, momentânea ou temporária. Os distúrbios de tensão podem

4 4 causar interferências nos sistemas de comunicação, superaquecimento de condutores, medições imprecisas e atuação indevida de relés, comprometendo a qualidade da energia para os consumidores e as empresas de distribuição de energia [10]. A. Modelagem e Simulações A maior dificuldade em realizar pesquisas na área de diagnóstico de falhas é a falta de um conjunto de dados consistentes dos sistemas de distribuição de energia elétrica sob o efeito das perturbações. Portanto, é necessária a modelagem de sistemas testes, nos quais se podem realizar simulações destes eventos (distúrbios de tensão, curtoscircuitos, entre outros), fornecendo dados a serem utilizados na avaliação das metodologias contribuindo para as pesquisas e a automação das subestações de energia elétrica. Neste contexto, utilizando o software EMTP [11] foram modelados dois sistemas, sendo um sistema teste de 33 barras e um sistema real de 134 barras. Para as simulações de distúrbios de tensão foi utilizado o modelo teórico proposto por [1]. Foram realizadas simulações com duas taxas de amostragem, sendo 2,4 khz (40 pontos por ciclo) e 15,36 khz (256 pontos por ciclo), com um tempo de 200 milissegundos, que é equivalente a 12 ciclos. No total, foram realizadas 2688 simulações, sendo 2016 simulações para o sistema de 134 barras e 672 simulações para o sistema de 33 barras. As simulações foram realizadas considerando a fase na qual o distúrbio ocorria, os carregamentos do sistema de 50% até 120% e os parâmetros do modelo teórico. Na tabela 1 apresentam-se o número de simulações para cada tipo de distúrbio de tensão simulado para os sistemas testados. Tabela 1 Quantidade de sinais por distúrbio. Sistema de 33 Barras Sistema de 134 Barras Distúrbio de 15,36 15,36 Tensão 2,4 khz 2,4 khz khz khz Outage Sag Swell Sag Swell Transitório Oscilatório Total V. METODOOGIA PROPOSTA O sistema de diagnóstico de distúrbios de tensão apresentado nesta seção é baseado nos sistemas imunológicos artificiais e nas redes neurais artificiais, em especial o algoritmo de seleção negativa e a rede neural ARTMAP-Fuzzy, que foram apresentados nas seções 2 e 3 deste artigo. O sistema de diagnóstico consiste-se em duas etapas, sendo o censoriamento/treinamento que ocorre de forma off-line e o monitoramento dos dados que ocorre de forma on-line. Na fase de censoriamento/treinamento, realiza-se o aprendizado do sistema, ou seja, para o algoritmo de seleção negativa é criado o conjunto de detectores próprios (usado no módulo de detecção no monitoramento do sistema) e para a rede neural é realizado o treinamento para obter conhecimento para classificar as anomalias (usado no módulo classificação no monitoramento do sistema). No monitoramento do sistema, a partir da aquisição dos dados, estes dados são analisados, por dois módulos, sendo um módulo imunológico de detecção e outro módulo neural de classificação de distúrbios. O esquema de funcionamento do monitoramento do sistema é apresentado no diagrama de blocos da figura 4. Figura 4: Fluxograma da fase de censoriamento/treinamento. Na sequência, apresentam-se os módulos do sistema de diagnóstico de distúrbios de tensão imuno-neural. A. Módulo de Aquisição de dados Neste módulo, utiliza-se um sistema de aquisição de dados SCADA [26] com uma taxa de amostragem definida pelo operador (2,4 khz ou 15,36 khz) e a janela de tempo de um ciclo, que corresponde a um vetor de 40 ou 256 posições. Os dados foram todos simulados no EMTP [11], com um tempo de simulação de 200 ms, que é correspondente a aproximadamente 12 janelas. B. Módulo de Detecção O modulo de detecção é baseado em um algoritmo de seleção negativa [12]. Desta forma, este módulo é dividido em duas etapas, sendo o censoriamento do ASN e o monitoramento do ASN. Assim, inicialmente deve-se realizar o censoriamento do ASN (off-line), onde são definidos os detectores próprios do sistema, isto é, as características normais de operação. Para

5 5 este artigo, foram armazenadas 8 janelas do sistema em operação normal, ou seja, janelas que representam a condição normal de operação em cada carregamento do sistema elétrico. Estas janelas compõem o conjunto de detectores próprios. São utilizadas no monitoramento do ASN em tempo real. No monitoramento do ASN, realiza-se a análise comparando-se cada janela do sinal, obtido pelo módulo de aquisição de dados, com o conjunto de detectores próprios, criado no censoriamento do ASN. Neste caso, verifica-se a afinidade entre as janelas dos sinais utilizando a equação (2). Caso a afinidade não seja satisfeita, uma anormalidade é detectada. Ao identificar uma anormalidade, armazena-se em uma base de dados, a janela anormal para ser classificada pela rede neural ARTMAP-Fuzzy. C. Módulo de Classificação O módulo de classificação é baseado em uma rede neural ARTMAP-Fuzzy [5], desta forma é necessário uma etapa de treinamento (off-line) e uma etapa de diagnóstico (online). A classificação se inicia quando uma anormalidade é detectada. A classificação é realizada entre os 7 distúrbios descritos na seção 4, que será utilizada uma rede ARTMAP- Fuzzy. Nesta etapa, serão usados 70% dos dados disponíveis para treinamento e 30% dos dados para o diagnóstico. A rede neural ARTMAP-Fuzzy será utilizada para classificar os distúrbios para cada fase do sistema de energia elétrica simulado, ou seja, quando for detectada uma anomalia no sinal, a rede neural é acionada para realizar a classificação, deste modo somente quando existir a presença de um sinal anormal a rede neural será acionada, fazendo com que o sistema fique mais rápido e ágil, pois não há necessidade da classificação de sinais normais no sistema energia elétrica. VI. RESUTADOS Nesta seção apresentam-se os resultados obtidos com a aplicação da metodologia proposta no diagnóstico de distúrbios de tensão, onde se utilizou um algoritmo Imuno- Neural composto por uma formulação híbrida com um sistema imunológico de seleção negativa e uma rede neural artificial ARTMAP-Fuzzy. Todos os testes foram realizados utilizando um PC Intel Core 2 Duo 1.9 GHz, 2 GB de Memória RAM, e sistema operacional Windows 7 Ultimate 32 bits. O algoritmo foi desenvolvido em MATAB [19]. Os resultados foram obtidos com a aplicação do método nos sistemas de 33 [2] e 134 barras [13] e são expressos a seguir. A. Sistema teste de 33 Barras O sistema de 33 barras é um sistema teste que possui 32 barras de carga, 1 subestação e 32 circuitos. Possui como tensão base de 12,66 kv. As condições de carga total ativa e reativa são de kw e kvar [2]. Como parâmetros para o ASN foi utilizada uma taxa de afinidade (Tf = 66,66%) e o desvio de 3%. Para a rede neural ARTMAP-Fuzzy foi utilizado como parâmetros: α = 0,1, β = 0,99, ρa = 0,8, ρb = 1 e ρab = 1. O módulo de detecção imunológico obteve um acerto de 100% na identificação das anormalidades. Na tabela 2 apresentam-se os resultados obtidos pelo módulo de classificação neural para os distúrbios de tensão para o sistema de 33 barras [2]. Tabela 2. Resultados para o sistema de 33 Barras. Taxa Amostragem 2,4 khz 15,4 khz Diagnóstico Padrões testados Acerto (%) Acerto (%) Swell ,00 100,00 Sag ,00 100,00 Outage ,00 100, ,00 100,00 Swell com ,00 100,00 Sag com ,00 100,00 Transitório Oscilatório ,00 100,00 Total ,00 100,00 Os resultados ilustram o percentual de acertos na identificação e classificação dos distúrbios de tensão, com relação à quantidade de padrões utilizados. B. Sistema real de 134 Barras Este é um sistema de distribuição real, com as seguintes características: aéreo, trifásico, ramificado, composto por 134 barras, 13,8 kv, 7,065 MVA, mutuamente acoplado e com fator de potência das cargas igual a 0,92 [13]. Como parâmetros para o ASN foi utilizada uma taxa de afinidade (Tf = 66,66%) e o desvio de 3%. Para a rede neural ARTMAP-Fuzzy foi utilizado como parâmetros: α = 0,1, β = 0,9, ρa = 0,9, ρb = 1 e ρab = 1. O módulo de detecção imunológico obteve um acerto de 100% na identificação das anormalidades. Na tabela 3 apresentam-se os resultados obtidos pelo módulo de classificação neural para os distúrbios de tensão para o sistema de 134 barras [13]. Tabela 3. Resultados para o sistema de 134 Barras. Taxa Amostragem 2,4 khz 15,4 khz Diagnóstico Padrões testados Acerto (%) Acerto (%) Swell ,00 100,00 Sag ,00 100,00 Outage ,00 100, ,00 100,00 Swell com ,00 100,00 Sag com ,00 100,00 Transitório Oscilatório ,00 100,00 Total ,00 100,00 Os resultados ilustram o percentual de acertos na identificação dos distúrbios de tensão, com relação à quantidade de padrões utilizados. Todos os parâmetros utilizados nos testes foram obtidos

6 6 através de um ajuste empírico. Através dos resultados pode-se destacar que o sistema imunológico de seleção negativa obteve êxito na detecção de todas as anormalidades, sendo capaz de identificar 100% dos sinais anormais. Destaca-se também que a rede neural ARTMAP-Fuzzy, por ser uma arquitetura estável e plástica, apresentou muita eficiência, precisão e robustez no diagnóstico, sendo capaz de classificar corretamente os sinais anormais. VII. CONCUSÃO Neste artigo foi apresentado um novo método híbrido utilizando o algoritmo de seleção negativa (ASN) e uma rede neural artificial ARTMAP-Fuzzy para diagnóstico de distúrbios de tensão em sistemas de distribuição de energia elétrica. Foi utilizado o software EMTP [11], para realizar simulações, gerando o conjunto de dados. O algoritmo proposto apresentou excelentes resultados, obtendo um acerto de 100% na detecção e classificação das anormalidades testadas. A fase de censoriamento/treinamento é executada de forma off-line não acarretando prejuízo ao algoritmo imunoneural. A fase de monitoramento dos dados é realizada rapidamente, com um tempo inferior a 120 milésimos de segundo, credenciando esta nova abordagem a ser utilizada em tempo real, visando auxiliar a tomada de decisões. Desta forma, conclui-se que o algoritmo imuno-neural proposto neste artigo possui bastante precisão, robustez, eficiência e permite importantes aplicações, inclusive no contexto Smart Grid. VIII. AGRADECIMENTOS Os autores agradecem a CAPES e a FAPESP pelo apoio financeiro de pesquisa (Proc. Nº 2011/ ). IX. REFERÊNCIAS BIBIOGRÁFICAS [1] T. K. Abdel-Galil; M. Kamel; A. M. Youssef; E. F. El-Saadany; M. M. A. Salama. (2004). Power Quality Disturbance Classification Using Inductive Inference Approach. IEEE Transactions on Power Delivery, Piscataway, v. 19, n. 4, p [2] M. E. Baran; F. F. Wu. (1989). Network Reconfiguration in Distribution Systems For oss Reduction And oad Balancing. IEEE Transactions on Power Delivery, New York, v. 4, n. 2, p [3] A. C. Barros; M. S. Tonelli-Neto; J. G. M. S. Decanini; C. R. Minussi. Diagnóstico de Distúrbios de Tensão em Sistemas de Distribuição de Energia Elétrica Usando Uma Rede Neural ARTMAP Euclidiana Modificada Com Treinamento Continuado. In: CBA, 19, 2012, Campina Grande. pp [4] D. W. Bradley; A. M. Tyrrell. (2002). Immunotronics - Novel Finite-State-Machine Architectures with Built-In Self-Test Using Self-Nonself Differentiation. IEEE Transactions on Evolutionary Computation.Vol. 6, pp [5] G. A. Carpenter; S. Grossberg, N. Markuzon; J. H. Reynold and D. B. Rosen. Fuzzy ARTMAP: A Neural Network For Incremental Supervised earning of Analog Multidimensional Maps. IEEE Transactions on Neural Network, vol. 3, n. 5, p , (1992). [6] G. A. Carpenter and S. Grossberg. A massively Parallel Architecture For a Self-Organizing Neural Pattern Recognition Machine. Computer Vision, Graphics, and Image Processing, p , (1987). [7] D. Dasgupta. (1998). Artificial Immune Systems and Their Applications. Springer-Verlag New York, Inc., Secaucus, NJ, USA. [8]. N. de Castro. Engenharia Imunológica: Desenvolvimento e Aplicação de Ferramentas Computacionais Inspiradas em Sistemas Imunológicos Artificiais. Tese de Doutorado, Faculdade de Engenharia Elétrica e de Computação, Universidade Estadual de Campinas, Campinas, Brasil, [9]. N. de Castro and J. Timmis. (2002). Artificial Immune Systems: A New Computational Intelligence Approach, Springer. 1st edition. [10] J. G. M. S. Decanini; M. S. Tonelli-Neto; F. C. V. Malange; C. R. Minussi. Detection and Classification Of Voltage Disturbances Using a Fuzzy-ARTMAP-wavelet network. Electric Power Systems Research, v. 81, n. 12, pp , [11] Emtp-Rv (2011). Eletromagnetic Transient Program, Powersys- Solutions, e Puy-Sainte-Réparade, France. [12] S. Forrest; A. Perelson;. Allen; R. Cherukuri. (1994), Self- Nonself Discrimination in a Computer, Proc. do IEEE Symposium on Research in Security and Privacy, pp [13] apsee, (2011). Practical 134 Bus Feeder Data ines, Transactions of the AIEE, part III - Power Apparatus and Systems, v. 76 (Aug.), p Disponível em: [14] F. P. A. ima. (2013). Análise de Distúrbios de Tensão em Sistemas de Distribuição de Energia Elétrica Baseada em Sistemas Imunológicos Artificiais, Dissertação de Mestrado, Programa de Pós-Graduação em Engenharia Elétrica, UNESP Câmpus de Ilha Solteira, Março-2013, 169 p. [15] F. P. A. ima; A. D. P. otufo; C. R. Minussi. (2013). Artificial Immune Systems Applied to Voltage Disturbance Diagnosis in Distribution Electrical Systems, PowerTech-2013, Grenoble, France, June-2013, 6 p. [16] F. P. A. ima; C. R. Minussi. Uma abordagem Imuno-Wavelet Aplicada na detecção e Classificação de Distúrbios de Tensão em Sistemas de Distribuição de Energia elétrica. In: SBAI-2013, p. 1-6, [17] F. P. A. ima; C. R. Minussi. Análise de Distúrbios de Tensão em Sistemas de Distribuição De Energia Elétrica Usando o Algoritmo de Seleção Negativa. In: BRACIS-2012, ENIA p. 1-12, [18] J. D. Mcdonald. Electric Power Substations Engineering. New York: CRC Press, [19] Matlab (2011). 7.8 Version, Mathworks Company. [20] J. Northcote-Green; R. Wilson. Control And Automation Of Electrical Power Distribution Systems. Boca Raton: CRC/Taylor & Francis, [21] M. Oleskovicz; D. V. Coury; O. D. Felho, W. F. Usida; A. F. M. Carneiro;. R. S. Pires. Power Quality Analysis Applying A Hybrid Methodology With Wavelet Transform And Neural Networks. International Journal of Electrical Power & Energy Systems, Oxford, v. 31, n. 5, pp , [22] M. B. I. Reaz; F. Choong; M. S. Sulaiman; F. Mohd-Yasin; M. Kamada. Expert system For Power Quality Disturbance Classifier. IEEE Transaction on Power Delivery, Piscataway, v. 22, n.3, pp , [23] S. Santoso; E. J. Powers; W. M. Grady; A. C. Parsons. Power Quality Waveform Recognition Using Wavelet-Based Neural Classifier-Part 1: Theoretical Foundation. IEEE Transactions on Power Delivery, New York, v. 15, n. 1, pp , [24] M. Uyar; S. Yildririm; M. T. Gencoglu. An Effective Wavelet- Based Feature Extraction Method Classification of Power Quality Disturbance Signals. Electric Power System Research, ausanne, v. 78, n. 10, pp , [25] P. J. Werbos. "Beyond Regression: New Tools For Prediction And Analysis in the Behavioral Sciences", PhD. Thesis, Harvard University, [26] M. Wylie; M. Pleydell. (2008). Network Management Data Acquisition and Analysis, Road Transport Information and Control RTIC 2008, United Kingdom, p. 1-3.