O pré-processamento

Como foi mostrado anteriormente, temos duas janelas de dados armazenadas para cada evento detectado. Cada uma destas janelas apresenta suas próprias características, portanto, devemos considerar qual das janelas melhor se ajusta ao processo de classificação proposto, assim, temos duas condições a analisar.

Janelas de dados do sinal monitorado

As janelas de dados do sinal monitorado, conforme foram apresentadas no capítulo anterior, trazem consigo uma grande quantidade de informações que podem ser utilizadas tanto para a classificação como para a análise do evento ocorrido. É fácil perceber que a janela de sinal monitorado contém uma parcela de energia referente ao sinal da componente fundamental do sistema monitorado 60 Hz, este fato faz com que a energia relativa ao distúrbio propriamente dito em alguns casos não seja uma parcela significativa da energia total do sinal contido na janela. Assim, acredita-se que a capacidade de extrair detalhes sobre o evento ocorrido a partir da janela do sinal monitorado utilizando-se um classificador neural é prejudicada. Um outro fato muito importante para a utilização do classificador neural é o alinhamento dos eventos. Nas janelas de sinal monitorado este alinhamento não é facilmente obtido, o que compromete o desempenho da rede neural.

Janelas de sinal de erro

Seguindo a proposta inicial do trabalho, que seria investigar a viabilidade de se classificar os eventos de qualidade de energia com base no sinal de erro obtido do algoritmo DE, podemos observar que a energia contida na janela do sinal de erro armazenado é referente ao próprio evento mais a parcela do ruído de fundo do sistema. Desta forma, a maior parte da energia contida na janela normalmente se refere ao próprio distúrbio, ao contrário da janela do sinal monitorado. Outro aspecto importante sobre a janela do sinal de erro é a facilidade para se obter o alinhamento dos eventos a serem aplicados à rede neural. Estas características fazem da janela do sinal de erro armazenado uma opção interessante para realizar a classificação do evento através do classificador neural.

Capítulo 6- Sistema de Classificação 69

Partindo da janela de sinal de erro armazenada, a próxima etapa no processo de classificação é o alinhamento dos eventos. O alinhamento dos eventos tem como objetivo fazer com que todos os eventos apresentados à rede neural tenham seu início no mesmo ponto da janela. Como pode ser observado na Fig. 5.10, devido às características de funcionamento do algoritmo DE, todos os eventos detectados apresentam seu início na primeira metade da janela armazenada, mas este fato não é suficiente para o propósito desejado.

O processo de alinhamento é feito submetendo-se a janela de erro a um filtro média móvel de ordem 10 e, logo em seguida, comparando a saída do filtro a um limiar pré estabelecido. O primeiro ponto onde o módulo da amostra de saída do filtro é maior que o valor do limiar estabelecido fica caracterizado como o início do evento dentro da janela. A Fig. 6.2 ilustra o método de detecção do início do evento dentro da janela de erro.

Fig. 6.2 Processo de identificação do início do evento.

Na Fig. 6.2-a, temos uma janela típica de sinal de erro armazenada em virtude da ocorrência de um evento oscilatório. Na Fig. 6.2-b temos a representação da janela após o processo de filtragem, em vermelho estão representados os limites de detecção do início do evento. O limite de detecção do início é determinado de forma empírica considerando a amplitude do ruído de fundo adotado durante a simulação, a amplitude dos eventos e o

Capítulo 6- Sistema de Classificação 70

número de coeficientes do filtro utilizado. Para os eventos simulados o valor do limite de detecção foi de 0,05 pu.

No exemplo ilustrado na Fig. 6.2 o início do evento é detectado na amostra número 355, que tem um valor de -0,0507, conforme destacado na figura.

Após a identificação do índice da amostra onde o evento se inicia o passo seguinte é o truncamento da janela, este procedimento é realizado com o objetivo de reduzir a quantidade de informação redundante que possa estar contida na janela armazenada. O truncamento ocorre 512 amostras após o início do evento. Este truncamento é mostrado na Fig. 6.3.

Fig. 6.3. Truncamento da janela de erro.

Na Fig. 6.3-a temos a região destacada pelo processo de truncamento realizado na janela e, na Fig. 6.3-b podemos observar a nova janela obtida, formada por 512 amostras da janela original. Estas 512 amostras representam 2 ciclos do sinal do sistema monitorado, em especial, o sinal de erro exatamente no início do distúrbio.

Após o truncamento da janela, ainda temos 512 amostras que contém as características referentes ao evento detectado. Este ainda é um número elevado de amostras para ser aplicado

Capítulo 6- Sistema de Classificação 71

ao classificador neural, demandando uma rede complexa e a elevada complexidade computacional para realizar a classificação.

A alternativa adotada para reduzir ainda mais o número de amostras do sinal de erro a ser apresentado ao classificador foi a realização de uma sub-amostragem da janela de 512 amostras obtida após o processo de truncamento.

Ainda que a sub-amostragem da janela implique em um comprometimento das características de freqüência do sinal original, introduzindo aliasing ao mesmo, é observado que, para o objetivo de realizar a classificação do evento ocorrido, este procedimento não prejudica a capacidade da rede neural de extrair características dos eventos e, conseqüentemente, sua habilidade de diferenciar os tipos de eventos abordados no presente trabalho.

Uma análise experimental de alguns possíveis fatores de sub-amostragem apontou para um fator de sub-amostragem 8, que apresentou uma boa relação entre o esforço computacional da rede utilizada e seu desempenho na classificação. Assim, após o truncamento da janela do sinal de erro em um janela menor, contendo 512 amostras, esta é sub-amostrada por um fator 8, resultando em uma janela de 64 amostras do sinal de erro, que efetivamente representa as características de dois ciclos do sinal monitorado a partir do momento onde ocorre o início do distúrbio.

Com o objetivo de garantir que a amplitude do sinal contido em cada janela esteja dentro de um mesmo intervalo de valores para todos os eventos detectados, a janela de sinal de erro, que será aplicada à rede, passa por um processo de normalização da amplitude, que faz com que o módulo do valor máximo do sinal contido nas janelas de qualquer tipo de evento seja igual a 1. Matematicamente a normalização é expressa por:

max ( ) ( )= n e n e n e (6.1) onde,

Capítulo 6- Sistema de Classificação 72

( )

n

e n é o sinal normalizado, ( )e n é o sinal de erro após o alinhamento e o

truncamento da janela do sinal de erro e,

(

)

O perfil das janelas obtidas por este processo para cada tipo de evento analisado é mostrado na Fig. 6.4. Em (a) temos a janela referente a um evento oscilatório, em (b) e em (c) temos as janelas correspondentes aos eventos de sub-tensão e sobre-tensão, em (d) está a janela produzida pela detecção de um evento spike e, finalmente, em e) e f) estão representadas as janelas relativas aos eventos notch e harmônicos respectivamente.

Fig. 6.4. Perfil das janelas apresentadas à rede neural.

Podemos observar na Fig. 6.4 que os eventos de sobre-tensão (sag) e sub-tensão (swell) produzem janelas semelhantes para o classificador neural. Este fato aumenta a dificuldade para a rede neural distinguir entre estas duas classes de eventos.

Capítulo 6- Sistema de Classificação 73

ambos serão considerados como pertencentes à mesma classe. Desta forma, o classificador neural terá a função de reconhecer cinco classes de eventos: eventos oscilatórios, eventos de sobre-tensão ou sub-tensão (sag/swell), spikes, notches e presença de harmônicos.