Classificação de Distúrbios Elétricos Isolados
6.1 Classificação de Distúrbios: Generalidades
A classificação de distúrbios elétricos consiste em uma importante etapa num processo de monitoramento da QEE, uma vez que pode contribuir diretamente na identificação das causas dos distúrbios, assim como na localização dos mesmos. A etapa de classificação, em geral, caracteriza-se como uma etapa posterior à detecção e pode ser, neste caso, realizada off-line, com dados previamente armazenados, ou em tempo real.
As análises em tempo real requerem técnicas com reduzida complexidade computacional, o que se resume em rápido processamento dos dados. As análises off-line não requerem rápido processamento e, portanto, técnicas com maior comple-xidade computacional podem ser empregadas. Geralmente, aliar uma técnica com reduzido custo computacional a uma alta eficiência não é uma tarefa fácil. Atual-mente, o desenvolvimento de processadores cada vez mais eficientes tem contribuído bastante, viabilizando a aplicação de técnicas mais robustas.
Em geral, a classificação é precedida por uma importante etapa de extração de parâmetros. Os principais objetivos da extração de parâmetros para fins de classificação são:
(i) Maximizar as fronteiras de separação entre as classes extraindo parâmetros com informações importantes e restritas acerca de cada classe. Estas informações são comumente extraídas utilizando-se transformações, onde, geralmente, são empregadas as transformadas discretas de Fourier, transformadas Wavelet, transformadas S, dentre outras. Outra forma comum de extrair informações importantes é através de estatísticas de segunda ordem, estatísticas de ordem superior, e outros parâmetros mais comuns, tais como o valor RMS do sinal. (ii) Reduzir a complexidade computacional diminuindo o número de parâmetros,
o que pode ser feito diretamente, pela extração dos parâmetros desejáveis, quando se tem um conhecimento suficiente sobre o problema, ou utilizando-se ferramentas de seleção de parâmetros, tais como o discriminante de Fisher, testes de relevância, dentre outros. A aplicação de técnicas de seleção de parâmetros torna a escolha dos melhores parâmetros automática e menos de-pendente do conhecimento do problema por parte do projetista.
Conforme discutido no Capítulo 4, no contexto de classificação, as curvas principais podem ser utilizadas tanto como ferramenta extratora de parâmetros como ferramenta de classificação. Neste Capítulo, estas duas abordagens com curvas principais serão discutidas para o desenvolvimento de classificadores de distúrbios elétricos isolados.
Em seguida, um sistema de classificação de distúrbios isolados baseado em estatísticas de ordem superior é também proposto. A motivação para o uso de EOS está no fato de que estas são nulas para dados gaussianos e, portanto, são imunes à presença de ruído Gaussiano [45, 46]. Ademais, as EOS são capazes de fornecer infor-mações representativas do sinal analisado e, consequentemente, facilitar o processo de classificação, levando a um espaço de parâmetros bem definido.
6.2 Classificação Baseada em Parâmetros
Extraí-dos Por Curvas Principais
Conforme mencionado no Capítulo 5, Seção 5.2, o detector proposto, baseado em curvas principais e redes neurais (vide Figura 5.4), pode auxiliar na classificação dos distúrbios, uma vez que são utilizadas redes neurais especialistas para cada classe de distúrbios. A ideia é utilizar as informações das redes especialistas em conjunto, alimentando uma nova rede neural que fará a classificação dos distúrbios.
A Figura 6.1 ilustra a arquitetura das redes neurais utilizadas na detecção de distúrbios, conforme proposto no Capítulo 5. Observe que a rede é alimentada pelo vetor pij, referente à distância do evento i aos segmentos da curva principal j, e que a respectiva saída da camada intermediária (oculta) está representada pelos parâme-tros z1, z2 e z3. Conforme bem discutido em [82], a camada intermediária (oculta) de uma rede neural do tipo perceptron é responsável por realizar uma ‘transformação’ dos dados para um novo espaço onde a separação entre as classes é máxima. Assim, o sistema de classificação proposto consiste em utilizar a saída da camada oculta da rede de detecção como parâmetros que alimentam uma nova rede neural que fará a classificação. Esta situação é interessante para mostrar a operação do classificador em paralelo com o detector sem que o processamento dos dados seja alterado.
Figura 6.1: Estruda da rede neural de detecção de distúrbios.
Como foram consideradas sete classes de distúrbios, utilizou-se sete curvas principais (j = 1, 2, ..., 7) e, consequentemente, sete redes neurais especialistas para a detecção, o que soma um total de 21 parâmetros referentes às saídas das camadas ocultas, representados pelo parâmetro zi, em que (i = 1, 2, ..., 21). Então, o método de classificação, aqui proposto, consiste em utilizar estes 21 parâmetros,
obtidos durante o processo de detecção, e alimentar uma nova rede neural, cujo objetivo é classificar os distúrbios.
Para o projeto e teste do sistema de classificação aqui proposto, seguiu-se a metodologia descrita no Capítulo 3.
Conforme já discutido anteriormente, os distúrbios de interrupções, elevações e afundamentos de tensão, quando analisados no sinal e[n], apresentam formas de ondas bastante semelhantes. A análise por curvas, realizada no Capítulo 4, mostrou que as curvas representativas das classes de afundamentos e elevações de tensão encontram-se próximas umas das outras no espaço de parâmetros. Durante o treinamento da rede neural, observou-se uma dificuldade em separar os afun-damentos das elevações e interrupções de tensão. Assim, a solução foi agrupar estes distúrbios em uma única classe, de forma que a rede neural classificará ape-nas cinco classes: Harmônicos, Notches, Impulsos, Transitórios oscilatórios, e Inter-rupções/Afundamentos/Elevações de tensão.
A rede neural de classificação foi então treinada, utilizando o algoritmo RPROP [95], em que os alvos foram os vetores [1 −1 −1 −1 −1], [−1 1 −1 −1 −1], [−1 − 1 1 − 1 − 1], [−1 − 1 − 1 1 − 1] e [−1 − 1 − 1 − 1 1], para as classes Harmônicos, Notches, Impulsos, Transitórios oscilatórios, e Inter-rupções/Afundamentos/Elevações de tensão, respectivamente. Assim, a rede é com-posta por 21 nodos de entrada, 5 neurônios na camada oculta e 5 neurônios de saída. A função de ativação utilizada foi a tangente hiperbólica. O critério de parada ado-tado foi o do menor erro aliado ao maior desempenho para dados de validação. Dos 500 eventos de cada classe, previamente separados para o projeto do sistema, coforme descrito no Capítulo 3, 250 foram utilizados para a extração das curvas principais e 250 para o treino e validação da rede neural. Dos 250 separados para o projeto da rede neural, 2/3 foi utilizado para o treinamento e 1/3 para a validação. A separação dos distúrbios agrupados, interrupções, afundamentos e ele-vações de tensão, será realizada no espaço de parâmetros das estatísticas de or-dem superior na Seção 6.4. Uma metodologia alternativa também será discutida no próximo capítulo.
6.2.1 Resultados e Discussões
Após o projeto do classificador, o conjunto de sinais de teste foram aplicados ao sistema proposto. O desempenho obtido pelo método é mostrado na Tabela 6.1.
Tabela 6.1: Desempenho do classificador proposto em %.
Classes Desempenho Harmônicos 98,5 Notches 100 Impulsos 100 Transitórios Oscilatórios 97,0 Afundamentos/Elevações/Interrupções 100
Em geral, estes resultados são bastante expressivos, considerando-se o alto desempenho e o fato de que os mesmos parâmetros utilizados para fazer a detecção são também utilizados pelo sistema de classificação. Esta característica é muito in-teressante, do ponto de vista de complexidade computacional, já que, em geral, os sistemas de monitoramento propostos recentemente implementam diferentes estru-turas para a detecção e classificação.