Inferência Bayesiana Aplicada ao Desenvolvimento de Modelos Neurais para Tratamento de Alarmes em Subestações

Transcrição

1 Inferênca Bayesana Aplcada ao Desenvolvmeno de Modelos Neuras para Traameno de Alarmes em Subesações Vor Huo Ferrera, Julo esar Saccn de Souza e Mlon Brown Do ouo Flo Absrac-- Ts wor nvesaes e applcaon of bayesan nference for e developmen of mullayer percepron neural newors devoed o alarm processn and denfcaon of fauled componens n power dsrbuon subsaons. Te concep of ypcal subsaon s explored o deal w e problem dmenson and o allow a e consruced neural model be vald for every subsaon a presens e same proecon plosopy. Dfferen sraees usn neural newors are proposed for e danoss of e subsaon componens sauses. Te proposed neural models and sraees are esed usn daa from a real subsaon and compared. omparsons w resuls repored n e ecncal leraure, obaned w Mul-Layer Perceprons (MLPs) raned usn e convenonal Bacpropaaon alorm, are also provded. Index Terms-- Neural Newors, Bayesan Inference, Paern Reconon, Faul Locaon, Alarm Processn. A I. INTRODUÇÃO ualmene, é necessáro que as concessonáras de enera elérca possuam cenros operavos capazes de aender a demanda dos consumdores com o máxmo de connudade e qualdade, de forma economcamene usfcada, respeando resrções elércas e ambenas. A maora dos cenros operavos modernos dspõe de uma rande quandade de nformações para os operadores, obdas por meo dos ssemas de supervsão e conrole. Frequenemene os operadores devem omar decsões em curo espaço de empo, quando submedos a um rande volume de nformações que ceam sob a forma de alarmes. Tas alarmes podem esar assocados a ocorrênca de defeos, manobras, auação de dsposvos de proeção, ec. Nesas suações, a quase smulanedade dos aconecmenos, mesmo consderando a separação dos evenos e alarmes em caeoras de prordade dferenes, mpede que o operador analse os referdos alarmes e evenos adequadamene, no empo devdo, de forma a produzr um Ese rabalo fo fnancado pelo NPq, pela FAPERJ (processo E- 6/03.04/0) e pelo INERGE (Insuo Naconal de Enera Elérca). V.H. Ferrera aua no Deparameno de Enenara Elérca da Unversdade Federal Flumnense (UFF), R. Passo da Pára, 56, Bl. D, sala 509, São Domnos, Neró, RJ, (e-mal: vor@vm.uff.br). J.. Saccn de Souza é Professor Assocado do Deparameno de Enenara Elérca da UFF, auando ambém no Prorama de Pós-Graduação em ompuação da UFF. (e-mal: ulo@c.uff.br). M.B. Do ouo Flo é Professor Tular do Insuo de ompuação da UFF. (e-mal: mbrown@c.uff.br). danósco e mplemenar as ações necessáras ao rápdo resabelecmeno da enera aos consumdores. Em adção ao rande volume de nformações, problemas como falas no ssema de proeção, falas de comuncação, ocorrênca de dados corrompdos, denre ouros, podem ornar a arefa de danósco basane complcada. O processameno de alarmes e a obenção de danóscos consuem um mporane problema a ser resolvdo no ambene de empo real. Muas aplcações de écncas nelenes para o processameno de alarmes e danósco de defeos foram proposas na leraura []. Muas delas empream ssemas especalsas [], nos quas um conuno de padrões de alarme é empreado para a consrução da base de conecmeno. O conecmeno e experênca de especalsas umanos são explorados de forma a consrur um conuno de reras que compõem o mecansmo de nferênca responsável por produzr danóscos em empo real. Enreano, sabe-se que ssemas especalsas apresenam desempeno sasfaóro apenas para suações que foram prevamene consderadas no desenvolvmeno da base de conecmeno. Na ocorrênca de padrões de alarme nédos ou corrompdos o desempeno do ssema especalsa será compromedo. Alernavamene, de forma a ldar com as suações, méodos baseados na aplcação de lóca fuzzy [3], [4] e redes neuras arfcas [5]- [9] foram ambém proposos. Nese rabalo, a aplcação de redes neuras auônomas ao processameno de alarmes em subesações de dsrbução de enera elérca é nvesada. O conceo de uma subesação ípca é explorado de forma a resrnr a dmensão dos veores de enrada e ambém permr que o modelo neural consruído sea aplcável a ouras subesações que empreuem a mesma flosofa para o ssema de proeção. Teses são realzados ulzando-se dados de uma subesação real. Os resulados obdos são comparados com aqueles enconrados em [8] e os benefícos com o empreo da écnca proposa são dscudos. II. PROESSAMENTO DE ALARMES EM SUBESTAÇÕES Os ssemas de proeção são proeados para solar componenes falosos quando da ocorrênca de defeos, suações em que os componenes defeuosos devem ser rerados de operação rapdamene, de forma a evar danos físcos aos dsposvos e equpamenos elércos. Além dsso, deve-se er em mene que a nerrupção do fornecmeno de

2 enera deve ser mnmzada. Loo, os dsposvos de proeção devem operar de forma coordenada, buscando aranr que somene os componenes defeuosos seam desenerzados. aso o dsposvo de proeção responsável por solar um componene defeuoso não opere correamene, ouros dsposvos de proeção devem operar de forma a fornecer proeção de reauarda e aranr a elmnação do defeo. Neses casos, a desconexão de um conuno maor de componenes em eral ocorre, o que ende a ornar mas dfícl o processo de denfcação do componene defeuoso. Em subesações de dsrbução de enera elérca alarmes são erados quando da ocorrênca de defeos ou operações de caveameno envolvendo um ou mas componenes da subesação. O ssema de aqusção de dados (SADA) é enão responsável por colear e envar nformações sobre os alarmes erados ao cenro de conrole, onde os operadores devem realzar análses, rar conclusões e omar decsões. Nese rabalo, consdera-se que os alarmes causados por evenos envolvendo componenes de uma subesação, os quas devem ser processados no cenro de conrole, podem ser assocados à operação dos seunes dsposvos [0]: dsunores; caves secconadoras; relés de sobrecorrene; relés de sobreensão; relés de proeção conra falas para a erra; relés de proeção dferencal; relés de proeção conra fala de dsunor; reladores; relés de ás; e relés auxlares. A rande quandade de nformações a serem raadas e a possível ocorrênca de ouros problemas, as como falas no ssema de proeção ou a ausênca de nformação sobre um ou mas alarmes, podem razer rande dfculdade para o processo de análse e omada de decsão [], parcularmene em suações nas quas decsões e ações em empo real são necessáras. Tas caraceríscas ornam araene a aplcação de redes neuras arfcas (RNAs) como a proposa nese rabalo. III. INFERÊNIA BAYESIANA APLIADA AO DESENVOLVIMENTO DE MLPS Sea o problema de classfcação de padrões enre classes muuamene exclusvas defndo pelo conuno de padrões enrada-saída X, D, X x,..., x N, D d,..., d N, x n,,..., x x x n e d 0,, onde para padrões perencenes à classe e d, d, d 0,,,...,,. Em ouras palavras, a codfcação de é ulzada para represenar a classe de cada padrão x. O obevo do renameno da RNA sob o pono de vsa da nferênca bayesana resde na esmação dos parâmeros w M que maxmzam a probabldade a poseror, p X, D w pw pd X, w pw p X, D pd X Na equação (), pd X, p w X, D dada pela rera de Bayes: p w X D p D X w p w dw é um faor de normalzação. Porano, para o cálculo de () p w X, D, é necessáro o conecmeno da probabldade a pror pw, como ambém da função de verossmlança pd X, w relaconada à probabldade dos padrões perencerem a cada classe. Vso que modelos apresenando componenes de w com pequena manude reproduzem mapeamenos suaves [], sea o número de conunos nos quas os pesos e bas são M arupados, w, w... w w M, o veor conendo os M elemenos do -ésmo rupo, e o perparâmero assocado. A probabldade a pror pw assocada ao conuno de pesos represenado pelo veor dada por: pw e M w w é onsderando ndependênca enre os rupos, pw, w M, w w w... w, dada por: p w p w e p w e Z W w M () M M, passa a ser w Defnda a dsrbução pw, resa aora especfcar a probabldade dos padrões perencerem a cada uma das classes, ou sea, defnr pd X, w. Para defnção desa probabldade, sea a saída do -ésmo neurôno de saída do Percepron de Múlplas amadas (MLP): m n sada ocula x b b Na equação (4) m (3) (4),... m, represena os pesos que lam os neurônos da camada ocula ao -ésmo neurôno de saída, n,... n, consuído pelos pesos que lam as enradas ao -ésmo neurôno da camada escondda, b o bas dese neurôno, b o bas do -ésmo neurôno de saída, ocula : a função smodal (nese rabalo, anene perbólca) de avação dos neurônos da camada ocula e : sada a função de avação dos neurônos da camada de saída (nese rabalo z sada z e ). Assm, o veor w M, w s b b b

3 3 apresena um oal de M m n parâmeros lvres, onde represena o número de saídas do MLP. Para que odas as saídas represenem uma medda de probabldade, (5) y f x, w px x onde y é a -ésma saída do MLP represenando a probabldade do padrão x perencer à classe. omo as classes são muuamene excludenes,, p d x w a probabldade a poseror da ocorrênca de um veor d dado um padrão x e um veor de parâmeros w é dada por []: d (6) pd x, w f x, w Supondo que os padrões de saída são ndependenes e dencamene dsrbuídos, a probabldade de ocorrênca do conuno de padrões de saída D dado o conuno de padrões X e parâmeros w, pd X, w, pode ser escra da manera que seue: N,, p D X w f x w d De posse das expressões (3) e (7), é possível calcular p w X, D descra na equação (), resulando na seune expressão: p w X D e d w Z w e, Sw e S w S w N M S w d ln f x, w w S w ED w E w O funconal Sw apresena duas parcelas. A prmera parcela, E w, é dada pelo rsco empírco, que represena o D ause do modelo aos dados dsponíves. Se odos os padrões forem correamene classfcados, E w 0. A seunda parcela, relaconada com a nserção de conecmeno prévo, na eora da reularzação represena um funconal reularzador, E f x w conecdo como decameno dos pesos, do nlês we decay, aplcado a cada rupo de pesos w. Vso que w não é a únca varável desconecda, p w X, D deve ser obda aravés da neração da probabldade a poseror de odas as varáves desconecdas p w, X, D sobre odo o espaço de perparâmeros. Para al, nese rabalo será ulzada a abordaem conecda como aproxmação da evdênca proposa por Macay [3]. Esa meodoloa dá orem a um alormo analíco para esmação dos perparâmeros ao lono do processo de S D (7) (8) renameno, sem a necessdade de um conuno de valdação. Deales sobre ese alormo podem ser enconrados em []. A. Deermnação Auomáca de Relevânca (DAR) A parr de um arupameno específco dos parâmeros que defnem o MLP, a relação enre e a manude de w pode ser ulzada para mensuração da relevânca de cada enrada. onecdo como deermnação auomáca de relevânca, ese méodo de seleção de enradas dvde o veor de parâmeros w em nm rupos. Os n prmeros rupos represenam os pesos que lam cada uma das enradas à camada ocula (n rupos com cada rupo conendo m pesos). Os conunos resanes dzem respeo aos pesos que lam cada neurôno da camada ocula à camada de saída (m rupos com cada rupo conendo pesos), um rupo com os bas dos neurônos da camada ocula (m componenes) e um úlmo rupo com os bas dos neurônos da camada de saída ( componenes). Esa escola específca de arupameno dos pesos perme ponderar a relevânca de cada snal aravés da análse dos n perparâmeros. Enradas com valores elevados para ao fnal do processo de renameno são ladas ao modelo aravés de pesos com pequena manude, conrbundo menos para o cálculo da saída. Porano, quano maor, menor a mporânca da respecva enrada no cálculo da saída. Ulzando ese arupameno específco de pesos, a análse dos perparâmeros obdos fornece uma meodoloa para mensuração da relevânca de cada enrada. Mesmo sendo capaz de ordenar esas varáves seundo a mporânca de cada uma no cálculo da saída, ese méodo não apresena ferramenas para deecção de enradas rrelevanes, sendo necessára a defnção de um lmar de relevânca 0 para deecção de varáves rrelevanes. O méodo baseado na nserção de varáves aleaóras de prova [4], [5] é ulzado para defnção empírca do lmar de relevânca 0. B. Seleção Bayesana de Modelos A nferênca bayesana ambém pode ser ulzada para seleção da melor esruura em uma sére de póeses H, H,..., H. Pela rera de Bayes, a dsrbução de K probabldade a poseror ph Y da póese por: p H Y ph py p Y H H é dada Vso que py é um faor de normalzação e admndo que odas as póeses (9) H são equprováves a pror, a evdênca py H pode ser ulzada para avalação de modelos. onsderando MLPs com uma únca camada ocula conendo m neurônos e ulzando uma aproxmação aussana em orno de ln p Y H :, é obda a seune expressão para

4 4 ln p Y H S w A w M ln ln m ln m! ln Na expressão acma, Sw e a marz para w e (0) Aw são avalados, sendo ambém ulzados os respecvos números efevos de parâmeros esmados. Ulzando DAR, o número de rupos é ual a nm. Nese rabalo a evdênca para os modelos será ulzada para deermnação do número de neurônos na camada ocula de MLPs aravés da escola do modelo que apresenar maor ln p Y H, ou sea, aquele mas provável à luz dos dados. IV. TRATAMENTO DE ALARMES VIA MLPS DESENVOLVIDOS OM INFERÊNIA BAYESIANA Nese rabalo foram nvesadas duas esraéas vsando a classfcação dos alarmes de uma subesação de enera elérca va redes neuras. A prmera fo a de se consrur uma rede neural únca, responsável por ober danóscos sobre odos os equpamenos ípcos de uma subesação: lna de ransmssão, barrameno de ala ensão, ransformador, barrameno de baxa ensão, banco de capacores e almenadores. A seunda esraéa consdera uma rede neural específca para classfcar a ocorrênca de defeos em cada po de equpameno da subesação, ou sea, cada equpameno possu uma RNA dedcada apenas ao danósco de sua condção operava. Em ambos os casos as RNAs são proeadas para denfcar o po de equpameno que apresena defeo e não dreamene o componene defeuoso. Iso perme a redução da complexdade e da dmensão do problema aravés da redução do número de varáves de enrada e saída da rede. Uma vez denfcado o po de componene que apresena defeo, a denfcação do componene em s pode ser faclmene obda com base na nformação presene no ssema SADA, conforme proposo em [9]. A. Subesação ípca Em ambas as esraéas nvesadas nese rabalo, a classfcação realzada por uma RNA busca deecar a ocorrênca de defeos envolvendo componenes de uma subesação ípca, como a lusrada na Fura. No modelo de subesação apresenado, em-se apenas um represenane de cada po de componene, aqu denomnados de componenes ípcos da subesação. Nese caso, ndependene da quandade de almenadores de uma subesação, somene um almenador é consderado para fns de classfcação no modelo da Fura. O mesmo racocíno se esende aos demas componenes. No presene rabalo, a defnção dos equpamenos ípcos fo baseada no arrano de uma subesação real, cuos deales podem ser enconrados em [9]. A consderação de apenas um represenane para cada po de componene se usfca pelo fao de que, em uma subesação, os mesmos esquemas de proeção são eralmene empreados para proeer um mesmo po de componene. Iso snfca que defeos envolvendo, por exemplo, almenadores de uma subesação, resularão em padrões de alarme smlares. O mesmo ocorre para defeos envolvendo ouros componenes. Loo, RNAs são renadas para classfcar padrões de alarme assocados aos componenes ípcos represenados na Fura e os seus canas de enrada receberão snas de alarmes provenenes da operação de dsposvos de proeção assocados à proeção de as componenes. Nese caso, na ocorrênca de um defeo envolvendo, por exemplo, um cero almenador da subesação, os alarmes assocados a operação de seus dsposvos de proeção serão dreconados para canas de enrada específcos da RNA, os quas serão os mesmos canas de enrada ulzados quando o defeo envolver qualquer ouro almenador. O mesmo racocíno é váldo quando da ocorrênca de defeos em ouros componenes. Fura Subesação Típca B. onsrução dos classfcadores neuras Duas esraéas são consderadas nese rabalo para a consrução de classfcadores, sendo em ambas ulzadas RNAs para classfcar os componenes ípcos da Fura. Aspecos das duas esraéas proposas são descros a seur. Esraéa : Empreo de uma únca RNA Na prmera esraéa, uma únca RNA é responsável por ober classfcações para odos os componenes. Os elemenos que compõem os padrões de enrada são bnáros e cada um deles ndca o recebmeno ou não de um alarme específco. Deve-se desacar que o empreo do conceo de subesação ípca faz com que a dmensão do veor de enrada sea reduzda e orna ese ndependene do pore da subesação. ada neurôno de saída esá assocado a um deermnado componene da subesação e a correspondene saída deseada ndca a aceação ou reeção de defeo envolvendo o componene monorado. No caso da RNA empreada nese rabalo as saídas deseadas serão bnáras, ndcando a

5 5 probabldade de cada componene perencer à classe de componenes defeuosos, sendo ual a quando o componene esá defeuoso e ual a 0 em caso conráro. Quando se ulza uma únca RNA, cnco neurônos de saída são consderados, cada um responsável por esmar a probabldade de defeo em um componene específco, denre os seunes: barrameno de ala ensão, ransformador, barrameno de méda ensão, almenador e banco de capacor. Esraéa : Empreo de RNAs dedcadas Ao se ulzar RNAs ndependenes, são necessáras cnco redes dsnas, cada uma delas responsável por esmar a probabldade de um componene específco perencer à classe dos componenes defeuosos ou não defeuosos. Nese caso, nenuma aleração é necessára no veor de enrada em relação à RNA anerormene descra. Porém, apenas dos neurônos de saída são ulzados, o prmero represenando a probabldade do componene monorado esar com defeo e o ouro represenando a probabldade do componene não esar com defeo. Porano, a mesma base de renameno é empreada quando se ulza uma únca RNA ou váras RNAs (cada uma delas dedcada ao danósco de um componene específco). A fase de renameno das RNAs é realzada offlne e uma únca vez. Os exemplares que compõem a base de renameno devem corresponder a padrões de alarme assocados a dferenes defeos, em dferenes componenes, consderando ambém suações nas quas a auação do ssema de proeção fo normal e ouras em que ouve a auação da proeção de reauarda. Tas exemplares podem ser obdos com o auxílo de especalsas e/ou exraídas dreamene da base de dados sórcos de uma empresa, onde esão resrados os alarmes erados quando da ocorrênca de evenos envolvendo componenes da subesação.. Obenção de danóscos Quando a esraéa adoada for a ulzação de uma únca RNA, os seunes passos são necessáros para a obenção de danóscos: () Apresenar o padrão de enrada à RNA e ober nos neurônos de saída as esmavas das probabldades de cada componene da subesação perencer à classe dos componenes defeuosos; () Danoscar como defeuoso aquele componene que apresenar a maor probabldade. No caso do empreo de RNAs dedcadas aos componenes, os seunes passos são adoados: () Apresenar o padrão de enrada a cada RNA e ober nos respecvos neurônos de saída as esmavas das probabldades do componene monorado perencer a cada uma das duas classes (componenes defeuosos e componenes não defeuosos); () Se, para uma dada RNA, a probabldade de um componene perencer a classe de componenes defeuosos for maor do que a probabldade dele não perencer a al classe, classfcar o esado do componene como defeuoso; () Idenfcar como defeuosos os componenes assm classfcados no passo (). Nese rabalo, a ocorrênca de defeos smulâneos não é consderada. No enano, a ocorrênca de as evenos, quando correlaconados, pode ser faclmene consderada, basando para al nclur na base de renameno os padrões de alarme correspondenes a as suações. V. RESULTADOS Os modelos neuras proposos nese rabalo foram renados ulzando a mesma base de renameno empreada em [8,9], a qual coném padrões de alarme correspondenes a dferenes suações de defeo envolvendo componenes de uma subesação real. Os resulados obdos são comparados com os resrados em [8] (onde se ulzou uma RNA MLP renada com o alormo Bacpropaaon) e apresenados nas Tabelas e. Para os modelos proposos nese rabalo, os quas ulzam nferênca bayesana, foram esadas esruuras com número de neurônos oculos varando enre e 0 neurônos, sendo escoldo para realzação do danósco o modelo que apresenou maor evdênca (Equação (0)). A Tabela apresena as axas de acero no danósco do componene defeuoso para os padrões condos na base de renameno. Ambas as esraéas esadas, RNA únca e RNAs dedcadas, obveram 00% de acero no danósco dos componenes defeuosos. O mesmo resulado ava sdo obdo em [8]. De modo a verfcar a robusez e capacdade de eneralzação dos modelos esados, a Tabela apresena resulados quando se consderou aleaoramene a ausênca de um snal de enrada, ou sea, a não capura de um snal de alarme assocado ao eveno ocorrdo. As respecvas marzes de confusão são apresenadas nas Tabelas 3 e 4. Esa mesma smulação fo realzada em [8]. Pode-se perceber nese caso que os modelos proposos nese rabalo apresenaram desempeno snfcavamene superor. TABELA TAXAS DE AERTO PARA O ONJUNTO DE TREINAMENTO RNA RNAs RNA de Modelo Únca Dedcadas [8] Taxa de Aceros 00% 00% 00% TABELA TAXAS DE AERTO PARA O ONJUNTO DE VALIDAÇÃO (UM ALARME FALTANTE) Modelo Taxa de Aceros RNA Únca RNAs Dedcadas RNA de [8] 9,47% 9,5% 73,08% A dferença de desempeno observada na Tabela pode ser explcada pelo fao de que o empreo da nferênca bayesana perme que as RNAs empreadas nas esraéas proposas seam capazes de esmar em suas saídas as probabldades de cada componene perencer à classe de componenes defeuosos. Por ouro lado, a RNA MLP de [8] é renada para

6 6 TABELA 3 MATRIZ DE ONFUSÃO PARA O ONJUNTO DE VALIDAÇÃO - RNA DEDIADA lasse lasse lasse 3 lasse 4 lasse 5 lasse lasse lasse lasse lasse TABELA 4 MATRIZ DE ONFUSÃO PARA O ONJUNTO DE VALIDAÇÃO - RNA ÚNIA lasse lasse lasse 3 lasse 4 lasse 5 lasse lasse lasse lasse lasse produzr apenas saídas bnáras. Nos casos em que padrões de alarme corrompdos esão presenes, o seu reconecmeno se orna mas dfícl, o que se reflee nos valores obdos nas saídas das RNAs, os quas endem a apresenar maor afasameno dos valores deseados ( e 0). Enquano a RNA de [8] apresena dfculdade de nerprear valores nermedáros (enre 0 e ) obdos na saída da rede, o mesmo não ocorre com as RNAs que empream a nferênca bayesana, uma vez que a saída é dreamene nerpreada como um valor de probabldade. Anda com relação às esraéas proposas, vale ambém desacar que a esraéa que ulza RNAs dedcadas por componene á conempla dreamene o raameno de erros smulâneos, envolvendo componenes de dferenes pos. Iso ocorre porque cada RNA esma a probabldade de aceação ou reeção de um defeo envolvendo o componene monorado, enquano na esraéa que emprea uma únca RNA são esmadas smulaneamene as probabldades de cada componene esar defeuoso. Uma vez que uma das premssas do modelo empreado é a de que as classes seam muuamene excludenes, são necessáras alerações na formulação da RNA únca para o raameno de defeos smulâneos em componenes de dferenes pos. Ese ópco, assm como o raameno de defeos smulâneos (correlaconados) será alvo de nvesação fuura. Os resulados obdos revelam os possíves benefícos com a aplcação de nferênca bayesana no desenvolvmeno de RNAs para raar o problema aqu abordado e o seu poencal para empreo como mecansmo de nferênca (em subsução a uma MLP renada pelo alormo Bacpropaaon) em um modelo íbrdo como o descro em [9]. VI. ONLUSÕES Ese rabalo nvesou a aplcação de RNAs desenvolvdas ulzando nferênca bayesana ao problema de processameno de alarmes em subesações. O conceo de subesação ípca fo empreado, onde componenes de um mesmo po êm um únco represenane no modelo reduzdo da subesação. Duas dferenes esraéas foram apresenadas para a consrução de classfcadores: o empreo de uma únca RNA para classfcar odos os componenes ípcos da subesação e o empreo de RNAs dedcadas a componenes específcos, sendo cada uma delas responsável apenas por classfcar o esado do componene monorado. As RNAs foram renadas ulzando padrões de alarme correspondenes a ocorrênca de dferenes defeos. Uma vez renadas, as RNAs foram empreadas para realzar classfcações sobre os esados de componenes da subesação quando submedas a padrões de alarme nédos e corrompdos. Resulados comparavos mosraram o poencal das RNAs proposas para auxílo à arefa de danósco, endo sdo possível ober elevadas axas de aceros. É mporane noar que, ao se ulzar o conceo de subesação ípca, defeos smulâneos em componenes do mesmo po podem ser auomacamene raados. VII. REFERÊNIAS BIBLIOGRÁFIAS [] M. Kezunovc, Inellen Sysems n Proecon Enneern, n Proceedns of e In. onf. Power Sys. Tec. (Poweron), v., (000), pp [] Y.M. Par, G.-W. Km and J.-M. Son, A Loc Based Exper Sysem (LBES) for Faul Danoss of Power Sysems, IEEE Transacons on Power Sysems, v., pp , Feb [3] J.. Saccn de Souza, E.B.M. Meza, M.T. Sclln and M.B. Do ouo Flo, Alarm Processn n Elecrcal Power Sysems rou a Neuro-Fuzzy, IEEE Transacons on Power Delvery, v. 9, n., pp , Apr [4] B. Das, Fuzzy Loc-Based Faul-Type Idenfcaon n Unbalanced Radal Power Dsrbuon Sysem, IEEE Transacons on Power Delvery, v., n., pp , Jan [5] A.G. Joneper,, H.E. D and L. van der Slus, Neural newors appled o alarm processn, n Proc. Trd Symp. Exp. Sys. Applc. Power Sys., Toyo-Kobe, Japan (99), pp [6] J.. Saccn de Souza, M.A.P. Rodrues, M.T. Sclln and M.B. Do ouo Flo, Faul Locaon n Elecrcal Power Sysems Usn Inellen Sysems Tecnques, IEEE Transacons on Power Delvery, v. 6, n., pp , Jan. 00. [7] M. Nenevsy and V. Pavlovsy, Neural Newors Approac o Onlne Idenfcaon of Mulple Falures of Proecon Sysems, IEEE Transacons on Power Delvery, v. 0, n., pp , Apr [8] R. S. Freund, J.. Saccn de Souza; E. B. M. Meza; H. R. O. Roca; M. B. Do ouo Flo;. Sensrasser, Ferramena ompuaconal Inelene para o Danósco de Falas em Subesações, n X Smpóso de Especalsas em Planeameno da Operação e Expansão Elérca, Floranópols (006), pp. -6. [9] J.. Saccn de Souza, M. B. Do ouo Flo, R. S. Freund, A Hybrd Inellen Sysem for Alarm Processn n Power Dsrbuon Subsaons, Inernaonal Journal of Hybrd Inellen Sysems, v. 7, pp. 5-36, Apr. 00. [0] A.G. Pade and J. S. Torp, ompuer relayn for power sysems, Researc Sudes Press Ld., Somerse, Enland, 998. [] n-la Hor, and Peer A. rossley, Exracn Knowlede From Subsaons for Decson Suppor, IEEE Transacons on Power Delvery, v. 0, n., pp , Apr [].M. Bsop, Neural Newors for Paern Reconon, Oxford, New Yor, Oxford Unversy Press, 995. [3] D.J.. Macay, Bayesan Meods for Adapve Models, P.D. dsseraon, alforna Insue of Tecnoloy, Pasadena, alforna, USA, 99. [4] V.H. Ferrera, A.P. Alves da Slva, Toward Esman Auonomous Neural Newor Based Elecrc Load Forecasers, IEEE Transacons on Power Sysems, v., n.4, , Nov [5] V.H. Ferrera, A. Lazzare, H.V. Neo, R. Rella, J. Omor, lassfcação de Evenos em Redes de Dsrbução de Enera ulzando Transformada Wavele e Modelos Neuras Auônomos, Learnn and Nonlnear Models Journal of e Brazlan Socey on Neural Newors, v.8, n., 93-99, 00