artigo cba 2012 - fernando parra.pdf
TRANSCRIPT
3380
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
DETECÇÃO E CLASSIFICAÇÃO DE DISTÚRBIOS DE TENSÃO EM SISTEMAS DE DISTRIBUIÇÃO
DE ENERGIA ELÉTRICA UTILIZANDO SISTEMAS IMUNOLÓGICOS ARTIFICIAIS
FERNANDO P. A. LIMA¹, ANA C. BARROS¹, CARLOS R. MINUSSI¹
¹ Departamento de Engenharia Elétrica, Faculdade de Engenharia de Ilha Solteira (FEIS),
Universidade Estadual Paulista “Júlio de Mesquita Filho” (UNESP), Caixa postal 31, 15385-000,
Ilha Solteira, SP, BRASIL
E-mails: [email protected], [email protected], [email protected]
Abstract This article describes a computational tool for the detection and classification of voltage disturbances in distribution
systems of electric power, aerial and radials. This tool uses voltage measurements in three phases, obtained from the substation
to perform the monitoring system. An artificial immune system drawing on the negative selection algorithm was used. The main
application of the tool is to assist the operation of the system during faults as well as overseeing the protection system. Two
distribution systems are used to evaluate the proposed methodology and a system test and another 33 bars a real system of 134
bars.
Keywords Detection of voltage disturbances, Artificial Immune Systems, Negative Selection Algorithm, distribution systems
of electric power.
Resumo Neste artigo apresenta-se uma ferramenta computacional para detecção e classificação de distúrbios de tensão em
sistemas de distribuição de energia elétrica aéreos e radiais. Essa ferramenta utiliza as medições de tensão nas três fases, obtidas
na subestação para realizar o monitoramento do sistema. Um sistema imunológico artificial, tomando como base o algoritmo de
seleção negativa, foi utilizado. A principal aplicação da ferramenta é auxiliar a operação do sistema durante falhas, bem como
supervisionar o sistema de proteção. Dois sistemas de distribuição são utilizados para avaliar o desempenho da metodologia
proposta, sendo um sistema teste de 33 barras e outro um sistema real de 134 barras.
Palavras-chave Detecção de distúrbios de tensão, Sistemas Imunológicos Artificiais, Algoritmo de Seleção Negativa,
Sistemas de distribuição de energia elétrica.
1 Introdução
Grandes investimentos têm sido aplicados
visando modernizar a automação dos sistemas de
distribuição de energia elétrica. Neste contexto, duas
modalidades de tecnologias vêm se destacando, a
tecnologia digital e a tecnologia da informação. A
primeira se refere ao uso de componentes
semicondutores de alta velocidade, em sistemas de
comunicação, controle proteção, entre outras funções
(Kezunovic e Abur, 2005). A segunda compreende
um grande conjunto de procedimentos de
processamento e análise de sinais (oscilografias, bem
como outras informações como configuração do
sistema, etc.).
Um sistema de distribuição de energia moderno terá
de satisfazer múltiplos objetivos, incluindo a
melhoria da confiabilidade, eficiência e segurança do
sistema. Tendo como base esta perspectiva, é
necessário que se desenvolva sistemas integrados que
tenham a capacidade de combinação de várias
técnicas como: aquisição de sinais, processamento e
análise de dados, com o objetivo de proporcionar a
assistência necessária para realizar a automação,
controle e tomada de decisão no ambiente de
distribuição de energia elétrica. (Decanini, 2008;
Northcote-Green e Wilson, 2007).
A necessidade dessas melhorias está relacionada
diretamente ao produto energia, que diferente de
outros, não pode ser armazenado. A produção, assim
como o consumo acontece ao mesmo tempo. Dessa
forma, o mercado de energia elétrica se torna cada
vez mais exigente quanto à continuidade e qualidade
deste produto, pois a energia é um fator fundamental
para os consumidores. Por causa estes fatores, torna-
se essencial o uso de ferramentas de apoio à operação
do sistema. Neste contexto, destacam-se algumas
técnicas disponibilizadas na literatura especializadas.
Nos trabalhos de (Stringfield et al., 1957; Srinivasan
e St-Jacques, 1989) são apresentados ferramentas
desenvolvidas para uso na operação com a finalidade
de dar apoio ao diagnóstico de falhas. Outros
trabalhos como em (Fukui e Kawakami, 1986;
Monsef et al., 1997) apresentam ferramentas que são
concebidas com base em Sistemas Especialistas
(SES). Esses sistemas são baseados na experiência
dos profissionais da área de operação e no estado dos
alarmes e sinalizações ligados à proteção do sistema
elétrico. Embora essas ferramentas baseadas em SES
produzam bons resultados, elas enfrentam alguns
problemas, tais como tempo de execução, muitas
vezes não apropriado para aplicação em tempo real, e
dificuldades tanto na obtenção do conhecimento
especialista, como na sua implementação. Na
literatura também se observa a utilização de sistemas
inteligentes na tarefa de diagnóstico de falhas em
sistemas de distribuição de energia elétrica, onde as
3381
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
técnicas de inteligência artificial (IA), adequam-se
bem ao diagnóstico de falhas por causa da ausência
de uma formulação analítica eficaz, capaz de
solucionar o problema.
Muitas ferramentas foram desenvolvidas baseadas em
diversas técnicas de IA. Entre estas, destacam-se as
redes neurais artificiais (Vale et al., 2006; Amis e
Carpenter, 2010; Carpenter et al., 1992;
Kartalopoulos, 1996; Tonelli-Neto, 2012), a lógica
fuzzy (Chen et al., 2000; Chen e Pham, 2006;
Kartalopoulos, 1996; Zadeh, 1965; Decanini et al.,
2008) os algoritmos genéticos (Wen e Chang, 1997)
e a busca tabu (Chang e Wen, 1998). A aplicação de
outros métodos, tais como redes de Petri (Lo et al.,
1997), e Sistemas Imunológicos Artificiais (SIA)
também são encontrados na literatura (Carvalho et
al., 2009; Machado e Alves, 2010) .
O SIA é um promissor campo da Inteligência
Artificial inspirado nos Sistemas Imunológicos
Biológicos para reproduzir computacionalmente suas
principais características, propriedades e habilidades
(de Castro, 2001; Dasgupta, 1998). O SIA se mostra
uma ferramenta adequada para ser aplicada no
diagnóstico de falhas em sistemas elétricos, devido a
sua característica de detecção de anomalias no
comportamento do sistema. (de Castro, 2001).
Neste artigo apresenta-se uma ferramenta para
detecção e classificação de distúrbios de tensão em
redes aéreas de distribuição radiais, utilizando os
SIA, em específico o algoritmo de seleção negativa
(ASN). Para comprovar a eficácia da metodologia
foram testados dois sistemas de distribuição de
energia elétrica, sendo um de 33 e o outro de 134
barras.
2 Algoritmo de Seleção Negativa (ASN)
O algoritmo de seleção negativa, proposto por
Forrest et al. (1994) para detecção de mudanças em
sistemas, é baseado na seleção negativa de linfócitos
T dentro do timo. Este processo trabalha com a
discriminação de células próprias e não-próprias. O
algoritmo é executado em duas fases, como
apresentado a seguir (de Castro, 2011):
1. Censoriamento
a) Defina o conjunto de cadeias próprias (S) que se
deseja proteger;
b) Gere cadeias aleatórias e avalie a afinidade
(Match) entre cada uma delas e as cadeias
próprias. Caso a afinidade seja superior a um
limiar estipulado, rejeite a cadeia. Caso
contrário, armazene-a em um conjunto de
detectores (R).
2. Monitoramento
a) Dado o conjunto de cadeias que se deseja
proteger (cadeias protegidas), avalie 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.
Cadeias
Próprias (S)
Gere Cadeias
aleatoriamente
Conjunto de
Detectores (R)
Casou ?
(Match)
Rejeita
NÃO
SIM
Figura 1. Fluxograma do Censoriamento do ASN.
Conjunto de
Detectores (R)
Cadeias
Protegidas (S)
Casou ?
(Match)
Não-próprio
detectado
SIM
NÃO
Figura 2. Fluxograma do Monitoramento do ASN.
A ideia base do ASN consiste-se em gerar um
conjunto de detectores, a partir de candidatos
escolhidos aleatoriamente e descartar aqueles que
reconhecem dados próprios ao sistema monitorado.
Os detectores são análogos às células tipo T
maturadas capazes de reconhecer agentes
patogênicos e são, assim, utilizados para detectar
praticamente qualquer elemento não-próprio, isto é,
uma modificação ou erro do sistema que se quer
monitorar. Vale salientar que a fase de censoriamento
ocorre de modo off-line enquanto que a fase de
monitoramento ocorre em tempo real.
3 Distúrbios de Tensão
Os sistemas de distribuição de energia elétrica
são susceptíveis a falhas decorrentes do mau
funcionamento de equipamentos, contatos de animais
às partes energizadas, queimadas, fenômenos
naturais, entre outros. Estes distúrbios podem causar
a interrupção do fornecimento de energia ou afetar
diretamente na qualidade da energia, introduzindo
harmônicos na rede, degradando os índices de
qualidade de fornecimento de energia elétrica das
concessionárias e elevando seus custos operacionais.
Na questão da qualidade de energia, os distúrbios de
tensão correspondem a um dos conjuntos de
distúrbios mais graves, em consequência do seu
efeito prejudicial sobre equipamentos ligados à rede.
Os distúrbios de tensão são caracterizados por
apresentarem variações de curta duração no valor da
tensão a partir do valor nominal. Dependendo da
magnitude da variação, podem ser classificados como
3382
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
elevações/afundamentos, interrupções, e dependendo
de sua duração que pode ser instantânea,
momentânea ou temporária (Decanini et al., 2011).
Estes distúrbios podem causar interferências nos
sistemas de comunicação, medições imprecisas,
superaquecimento de condutores e atuação indevida
de relés, comprometendo assim os consumidores e as
empresas de distribuição de energia.
Para exemplificar, as figura 3, 4 e 5 apresentam o
comportamento do sinal de tensão para alguns
distúrbios. Estas formas de onda foram obtidas por
simulações realizadas no software EMTP (EMTP-
RV, 2011).
Figura 3. Oscilografia de tensão para afundamento na fase A.
Figura 4. Oscilografia de tensão para elevação na fase A.
Figura 5. Oscilografia de tensão para harmônico na fase A.
3.1 Simulações dos Distúrbios
As concessionárias e os centros de pesquisas, na
maioria das vezes, não possuem um conjunto de
dados sólidos do sistema de distribuição de energia
elétrica, sob o efeito das perturbações. Assim pela
falta de registros, é necessária a modelagem de
sistemas testes, nos quais possam ser simulados estes
eventos (distúrbios de tensão, curtos-circuitos, entre
outros), fornecendo dados a serem utilizados na
avaliação das metodologias contribuindo para a
automação das subestações de energia elétrica.
Neste contexto, utilizando o software EMTP, foram
modelados os sistemas de distribuição de energia
elétrica. A frequência de amostragem utilizada nas
simulações foi de 15,36 kHz, a qual corresponde a
256 amostras por ciclo. O tempo de simulação foi de
200 ms.
Para as simulações de distúrbios de tensão foi
utilizado o modelo teórico proposto por Abdel-Galil
et al. (2004) apresentado nas Tabelas 1 e 2, onde
tem-se as equações utilizadas e os parâmetros.
Tabela 1. Equações utilizadas para modelagem dos distúrbios.
Distúrbio Equações
Swell
1 21v t A u t t u t t sen t
1 2t t , 0 0
1 0
, tu t
, t
Sag
1 21v t A u t t u t t sen t
1 2t t ,
0 0
1 0
, tu t
, t
Outage
1 21v t A u t t u t t sen t
1 2t t , 0 0
1 0
, tu t
, t
Harmônico
1 3
5 7
3
5 7
sen t sen tv t A
sen t sen t
Swell com
Harmônico
1
1
3
2
5
1 3
5
sen tu t t
v t A sen tu t t
sen t
1 2t t , 0 0
1 0
, tu t
, t
Sag com
Harmônico
1
1
3
2
5
1 3
5
sen tu t t
v t A sen tu t t
sen t
1 2t t , 0 0
1 0
, tu t
, t
Transitório
oscilatório 1
1
t t
trv t A sen t be sen t t
No total foram feitas 1248 simulações, sendo 624
simulações para cada sistema elétrico. As simulações
foram realizadas considerando a fase na qual o
distúrbio ocorria, os carregamentos do sistema de
50% até 120% e os parâmetros, conforme a tabela 2.
Apresentam-se na tabela 3 o número de simulações
para cada tipo de distúrbio de tensão simulado para
os sistemas testados.
3383
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
Tabela 2. Parâmetros utilizados para modelagem dos distúrbios.
Distúrbio Equações
Swell 0 1 0 8, ,
1 2 12T t t T
Sag 0,1 0,9
1 2T t t 12T
Outage 0 9 1,
1 2 12T t t T
Harmônico 1 1
3 5 70 05 0 15, ,, ,
Swell com
Harmônico
1 1
3 50 05 0 15,, ,
0 1 0 8, ,
1 2 12T t t T
Sag com
Harmônico
1 1
3 50 05 0 15,, ,
0 1 0 9, ,
1 2 12T t t T
Transitório
oscilatório
2 2b
50 100
500 Hz 1500 Hztrf
Tabela 3. Quantidade de simulações de distúrbios de tensão
realizadas no software ATP para cada sistema.
Distúrbio de Tensão Número de Simulações
Swell 72
Sag 72
Outage 48
Harmônico 144
Swell com Harmônico 96
Sag com Harmônico 96
Transitório Oscilatório 96
Total 624
4 Metodologia Proposta
O algoritmo proposto foi escrito no ambiente
MATLAB (MATLAB, 2011). No algoritmo proposto
os elementos próprios são gerados a partir do
janelamento das oscilografias de tensões amostradas
nos alimentadores sem distúrbios, isto é em seu
funcionamento normal.
4.1 Geração dos Detectores
Nesta fase, vetores de comprimento C candidatos a
detectores são gerados aleatoriamente a partir dos
dados simulados. Então, são testados para verificar se
casam com algum vetor do conjunto P , que são
amostras dos tipos de distúrbios. Assim geram-se os
pontos dos detectores onde cada ponto do vetor
candidato a detector é gerado no intervalo de tensão
dos dados simulados, respeitando a tensão máxima de
pico para cada tipo de estado do sistema, em todo
carregamento do sistema. Se um casamento é
encontrado o vetor aleatório é rejeitado. Caso
contrário, é aceito como detector no conjunto de
detectores D . Esse processo é repetido até que um
número desejado de detectores seja obtido, para
todos os tipos de distúrbios. Este processo nada mais
faz do que extrair as características de cada tipo de
distúrbio e armazenar na memória para realizar as
detecções e classificações. Utiliza-se o casamento
parcial proposto por (Bradlay, 2002), onde se
necessita que somente parte dos detectores sejam
acionados para indicar a presença de uma anomalia.
As figuras 6 e 7 a seguir ilustram os pontos
detectores gerados para a tensão normal do sistema e
para um transitório oscilatório.
Figura 6. Representação dos pontos detectores.
Figura 7. Representação dos pontos detectores.
4.2 Monitoramento dos dados
Nesta fase, verifica-se continuamente, através do
janelamento dos dados, se os detectores D casam
com R, onde R é uma cadeia de Comprimento C que
representa um elemento qualquer encontrado no
sistema em um determinado instante. Se qualquer
detector, em algum determinado tempo, casar com
um vetor R, então uma mudança em R ocorreu. No
algoritmo proposto, o vetor R representa a janela da
tensão capturada em tempo real na subestação. Nesta
etapa, são capturadas as janelas de tensão para cada
fase e comparadas com o seu respectivo grupo de
detectores. Quando os detectores são acionados em
uma determinada janela de dados, caracteriza-se que
3384
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
um distúrbio ocorreu e este é classificado com base
nos detectores que foram acionados nas fases.
4.3 Aquisição e processamento dos dados
Os dados do sistema que são capturados pelo
algoritmo proposto correspondem às amostras das
oscilografias de tensão medidas na subestação (via
sistema de aquisição de dados (SCADA) (Wylie and
Pleydell, 2008)). Essa captura ocorre em dois
momentos: na geração dos elementos próprios, que
ocorre de modo off-line, onde o sistema não poderá
estar submetido a distúrbios, e na fase de
monitoramento (monitoramento do erro), onde a
captura é feita em tempo real.
Utilizou-se uma taxa de amostragem de 15,36 kHz e
a janela de tempo de um ciclo, que corresponde a um
vetor de 256 posições. Os dados foram simulados no
EMTP e são utilizados duas vezes, uma vez na
geração dos detectores e outra vez para teste do
sistema.
5 Resultados
A metodologia proposta foi desenvolvida na
linguagem MATLAB. Todas as simulações foram
realizadas 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 proposto
foi aplicado aos sistemas de distribuição de energia
elétrica de 33 barras e 134 barras, cujos dados de
linha e de carga são encontrados em (Baran e Wu,
1989; Decanini et al., 2011).
5.1 Sistema de 33 Barras
O sistema de 33 barras é um sistema teste que possui
32 barras de carga, 1 subestação e 32 circuitos, tem
como tensão base 12,66 kV, e as condições de carga
total ativa e reativa são de 3.715 kW e 2.315 kVAr.
Apresentam-se na tabela 4 os resultados obtidos na
detecção e classificação dos distúrbios de tensão para
o sistema de 33 barras.
Tabela 4. Resultados para o sistema de 33 Barras.
Diagnóstico Padrões testados Acerto (%)
Swell 72 100,00
Sag 72 96,50
Outage 48 100,00
Harmônico 144 100,00 Swell com
Harmônico 96 100,00
Sag com
Harmônico 96 97,00
Transitório
Oscilatório 96 100,00
Total 624 99,00
5.2 Sistema 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. Apresentam-se na tabela 5 os
resultados obtidos na detecção e classificação dos
distúrbios de tensão para o sistema de 134 barras
(LaPSEE, 2011).
Tabela 5. Resultados para o sistema de 134 Barras.
Diagnóstico Padrões testados Acerto (%)
Swell 72 100,00
Sag 72 93,50
Outage 48 100,00
Harmônico 144 100,00 Swell com
Harmônico 96 100,00
Sag com
Harmônico 96 92,00
Transitório
Oscilatório 96 100,00
Total 624 97,92
As figuras 8 e 9 ilustram os sistemas de 33 e 134
barras simulados.
Figura 8. Sistema de 33 Barras.
3385
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
Figura 9. Sistema de 134 Barras.
6 Conclusão
Neste artigo foi apresentado um método de detecção
e classificação de distúrbios de tensão em sistemas de
distribuição de energia elétrica baseado no SIA.
Simulações para validação do algoritmo foram
realizadas. Como dados de entrada do sistema, o
algoritmo precisa apenas dos dados oscilográficos
das tensões nas fases medidas na subestação. Por
causa da indisponibilidade de se fazer medições em
campo, foi utilizado o software EMTP, próprio para
simulação de transitórios eletromagnéticos em
sistemas elétricos. O algoritmo proposto apresentou
excelentes resultados obtendo um ótimo índice de
acerto, superior a 98,46% em média em todos os
dados simulados dos dois sistemas testes
apresentados. A fase de Censoriamento é a que
demanda maior tempo computacional, mas como é
executada de forma off-line não acarreta prejuízo ao
algoritmo. A fase de monitoramento do sistema, a
partir da coleta dos dados, é realizada rapidamente
(inferior a 100 milésimos de segundo), o que
credencia o algoritmo a ser uma ferramenta utilizada
em tempo real, já que as decisões precisam ser
tomadas rapidamente.
Sendo assim, conclui-se que os sistemas
imunológicos artificiais, com base no algoritmo de
seleção clonal, tem um desempenho satisfatório nos
testes realizados nos dois sistemas elétricos
propostos, então a metodologia proposta é bastante
confiável para a detecção e classificação de
distúrbios de tensão. Na sequência desta pesquisa
serão enfocadas outras estratégias de sistemas
imunológicos visando tornar a aplicação mais
competitiva (eficiência, confiabilidade e com tempo
de processamento bastante reduzido, entre outros
requisitos). Neste caso, será investigada a
possibilidade de aplicação em ambiente de sistemas
de distribuição em caráter antecipatório
(Vachtsevanos et al., 2005). Ou seja, identificar e
localizar situações críticas, em um estágio incipiente,
de faltas ou percursores de faltas que potencialmente
podem provocar danos em componentes do sistema e,
principalmente, a interrupção do fornecimento de
energia aos consumidores.
Agradecimentos
Agradecemos primeiramente a Deus, as nossas
famílias, e por fim um especial agradecimento a
CAPES e CNPq pelo apoio (concessão de bolsa de
Mestrado). Os autores agradecem à FAPESP
(Fundação de Amparo à Pesquisa do Estado de São
Paulo) pelo apoio financeiro de pesquisa (Proc. Nº
2011/06394-5).
Referências Bibliográficas
Abdel-Galil, T. K. et al. Power quality disturbance
classification using inductive inference
approach. IEEE Transactions on Power
Delivery, Piscataway, v. 19, n. 4, p. 1812–1818,
2004.
Amis, G. P.; Carpenter, G.A. Self-supervised
ARTMAP. Neural Networks, Oxford, v. 23, n. 2,
p. 265–282, 2010.
3386
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
Baran, M. E. and Wu, F. F. (1989), Network
reconfiguration in distribuition systems for loss
reduction and load balancing. IEEE Transactions
on Power Delivery, New York, v. 4, n. 2, p.
1401-1407.
Bradley, D.W.; Tyrrell, A.M. Immunotronics - Novel
Finite-State-Machine Architectures with Built-In
Self-Test Using Self-Nonself Differentiation.
IEEE Transactions on Evolutionary
Computation.Vol. 6, pp. 227–238, Jun 2002.
Carvalho, R. Alves, H. N. e Protásio, C. (2009).
Algoritmo Baseado em Sistemas Imunológicos
para Detecção de Faltas em Sistemas de
Transmissão, IV Congresso de Pesquisa e
Inovação da Rede Norte Nordeste de Educação
Tecnológica, Belém- Pa.
Carpenter, G. A. et al. Fuzzy ARTMAP: a neural
network architecture for incremental supervised
learning of analog multidimensional maps. IEEE
Transactions on Neural Networks, vol. 3, no. 5,
pp. 698–713, 1992.
Chang, C. S. e Wen, F. S. (1998). Tabu search based
approach to trouble call analysis. IEE Proc.-
Gener. Transm. Distrib., Vol. 145, No. 6, p. 731-
738.
Chen, G.; PHAM, T. T. Introduction to fuzzy
systems. Boca Raton: Chapman & Hall/CRC
Press, 2006.
Chen, W.-H. et al. On-line fault diagnosis of
distribution substations using hybrid cause-effect
network and fuzzy rule-based method. IEEE
Transactions on Power Delivery, Piscataway, v.
15, n. 2, p. 710–717, 2000.
Dasgupta, D. (1998). “Artficial Immune Systems and
Their Applications”. Springer-Verlag New York,
Inc., Secaucus, NJ, USA.
Decanini, J.G.M.S.; Tonelli-Neto, M.S.; Malange, F.
C. V. and Minussi, C.R. “Detection and
classification of voltage disturbances using a
fuzzy-ARTMAP-wavelet network,” Elec. Power
Syst. Research, v. 81, n. 12, pp. 2057–2065,
2011.
Decanini, J. G. M. S. Detecção e classificação de
faltas de curto-circuito em sistemas de
distribuição de energia elétrica usando lógica
nebulosa. 110 f. Dissertação (Mestrado em
Engenharia Elétrica) – Faculdade de Engenharia,
Universidade Estadual Paulista, Ilha Solteira,
2008.
de Castro, L. N. “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, 2001.
de Castro, L. N. and Timmis, J. (2002). “Artificial
Immune Systems: A New Computational
Intelligence Approach”, Springer. 1st edition.
Dubé, L. How to use MODELS-based user-defined
network components in ATP. In: EUROPEAN
EMTP USERS GROUP MEETING, 1996,
Budapest. Proceedings… Siegen: EEUG, 1996.
p. 10–12, 1996.
EMTP-RV (Eletromagnetic Transient Program),
Powersys-Solutions, Le Puy-Sainte-Réparade,
France, 2011.
Forrest, S., A. Perelson, Allen, L. & Cherukuri, R.
(1994), “Self-Nonself Discrimination in a
computer”, Proc. do IEEE Symposium on
Research in Security and Privacy, pp. 202-212.
Fukui, C. e Kawakami, J. (1986). An expert system
for fault section estimation using information
from protective relays and circuit breakers,”
IEEE Trans. On PWRD, vol. 1, no. 4, pp. 83–90.
Kartalopoulos, S. V. Understanding neural networks
and fuzzy logic: basic concepts and applications.
Piscataway: IEEE Press, 1996.
Kezunovic, M.; Abur, A. Merging the temporal and
spatial aspects of data and information for
improved power system monitoring applications.
Proceedings of the IEEE, Piscataway, v. 93, n.
11, p. 1909–1119, 2005. LaPSEE, 2011. Practical 134 bus feeder data. Disponível
em: http://www.dee.feis.unesp.br/lapsee/ Lines,
Transactions of the AIEE, part III - Power Apparatus and
Systems, v. 76 (Aug.), p. 518-539.
Lo, K. L.; Ng, H. S.; Trecat, J. (1997). Power system
fault diagnosis using Petri nets. IEE Proc.-
Gener. Transm. Distrib., Vol. 144, No. 3, p. 231-
236.
MATLAB (2011). 7.8 Version, Mathworks
Company.
Monsef, H.; Ranjbar, A. M.; Jadid, S. (1997). Fuzzy
rule-based expert system fault diagnosis. IEE
Proc.-Gener. Transm. Distrib., Vol. 144, No. 2
(Mar.), p. 186-192.
Northcote-Green, J.; WILSON, R. Control and
automation of electrical power distribution
systems. Boca Raton: CRC/Taylor & Francis,
2007.
Machado, R. C. e Alves, H. N. “Algoritmo baseado
em sistemas imunológicos para detecção e
classificação de faltas em alimentadores de
distribuição de energia elétrica”. CBA –
Congresso Brasileiro de Automática, Bonito –
MS, 2010.
Stringfield, T. W., Marihart D. J. e Stevens R. F.
(1957). Fault Location Methods for Overhead.
Tonelli-Neto, M. S. Formulação do controle
preventivo em sistemas de distribuição de
energia elétrica baseada na lógica fuzzy e redes
neurais. 134 f. Dissertação (Mestrado em
Engenharia Elétrica) – Faculdade de Engenharia,
Universidade Estadual Paulista, Ilha Solteira,
2012.
Vachtsevanos, G.V.; Lewis, F.; Roemer, M. Hess, A.
and Wu, B. “Intelligent Fault Diagnosis And
Prognosis For Engineering Systems”, John
Wiley & Sons, 2005.
3387
Anais do XIX Congresso Brasileiro de Automática, CBA 2012.
ISBN: 978-85-8001-069-5
Vale, D. T.; Coser, J. e Rolim, J. G. (2006). F-LOC –
Ferramenta Inteligente para Diagnóstico de
Faltas em Sistemas de Distribuição de Energia.
Wen, F. S. e Chang, C. S. (1997). Probabilistic
approach for fault-section estimation in power
systems based on a refined genetic algorithm.
IEE Proc.-Gener. Transm. Distrib., Vol. 144,
No. 2, p. 160-168.
Wylie, M. and Pleydell, M. “Network Management
Data Acquisition and Analysis”, Road Transport
Information and Control – RTIC 2008, United
Kingdom, 20-22 May 2008, pp. 1-3.
Zadeh, L. A. Fuzzy sets. Information and Control,
Maryland Heights, v. 8, n. 3, p. 338–353, 1965.