1
Abstract--A ocorrência de distúrbios nos sistemas elétricos de potência pode implicar no surgimento de inúmeras mensagens de alarmes que sobrecarregam os operadores dos centros de controle e supervisão, tornando imprescindível a utilização de ferramentas computacionais de apoio a tomada de decisão, de modo a permitir um rápido restabelecimento. Este artigo analisa os métodos de Bayes, Heurística Construtiva, Força de Aceitação e Redes Neurais Artificiais. A comparação entre os métodos foi realizada com base em padrões que descrevem os modos de disparo da proteção de transformadores de força. Foram analisados o tempo de processamento, coerência dos resultados e praticidade de implementação em um sistema real. A escolha da melhor ferramenta a ser empregada dependerá da situação na qual ela será empregada e das informações disponíveis, como dados estatísticos e a relação entre eventos e alarmes.
Index Terms — Análise de falta, Inteligência computacional,
Processamento de alarmes, Sistemas de potência. I. INTRODUÇÃO
uando ocorre uma falta em um sistema de potência é indispensável que os limites de impactos do desligamento sejam minimizados e o restabelecimento da área sob falta seja o mais breve possível. A identificação do segmento ou equipamento em falta deve ocorrer a partir de informações fornecidas pelos dispositivos de proteção. Para o restabelecimento é necessário conhecer a natureza da falta neste equipamento. Várias abordagens têm sido propostas para resolver os problemas de diagnóstico de faltas para sistemas de energia. Entre estas técnicas as mais comumente utilizadas são os sistemas de especialistas baseados em regras, os algoritmos genéticos (AG), redes neurais artificiais (RNA), e outros modelos híbridos. Embora muitos trabalhos têm sido realizados para o diagnóstico de faltas em sistemas de potência, os interesses de pesquisas recentes estão especialmente focados em como lidar com a incerteza inerente ao funcionamento de equipamentos de proteção. Desta
A. L. Oliveira é aluno de pós-graduação em Engenharia Elétrica, Universidade Federal de Santa Maria, UFSM, Santa Maria, RS, Brasil (e-mail: aecio.eng@gmail.com).
J. M. Zauk é aluno de pós-graduação em Engenharia Elétrica, Universidade Federal de Santa Maria, UFSM, Santa Maria, RS, Brasil (e-mail: joaozauk@gmail.com).
P. C. Fritzen é aluno de Pós-graduação em Engenharia Elétrica, PPGEE, Universidade Federal de Santa Maria, UFSM, Santa Maria, RS, Brasil. Pertence também ao Instituto Federal de Educação, Ciência e Tecnologia do Tocantins, IFTO, Palmas, TO, Brasil (e-mail: paulocicero@ifto.edu.br).
G. Cardoso Jr. pertence ao Departamento de Eletromecânica e Sistemas de Potência, Universidade Federal de Santa Maria, UFSM, Santa Maria, RS, Brasil (e-mail: ghendy@smail.ufsm.br).
R. E. Souza é Engenheiro Eletricista na Stemac, Porto Alegre, RS, Brasil. Endereço: Avenida Roraima, número 1000, Cidade Universitária, Centro de Tecnologia, Prédio 7, Bairro Camobi, Cep.: 97105-900, Santa Maria-RS
maneira são desenvolvidas ferramentas computacionais de processamento de alarmes que visam reduzir a possibilidade de erro durante a tarefa de analisar os alarmes disparados em virtude da operação de relés de proteção.
Nos últimos anos foram desenvolvidos diversos trabalhos que utilizaram a associação de métodos para o diagnóstico de uma seção em falta nos sistemas de energia por meio das informações de operação dos relés e atuação de disjuntores. Métodos tais como, sistemas especialistas com rede neural [1], algoritmo genético com rede neural [2], fuzzy-neural [3].
Por exemplo, em [1] o problema de estimação da seção em falta é tratado com a combinação entre a rede neural artificial (RNA) e a técnica de estimativa de especialistas: as RNAs são empregadas para modelar o sistema de proteção com particular ênfase em lidar com as incertezas envolvidas na operação dos relés de proteção e mensagens de disparo dos disjuntores; e o sistema de especialista é usado para complementar os resultados provenientes das RNAs para a topologia de rede considerada.
O trabalho [4] apresenta uma comparação entre vários métodos de classificação de eventos relativo aos sinais de relés relacionados aos transformadores de potência. A comparação entre os métodos foi realizada com base em padrões que descrevem os modos de disparo da proteção de transformadores de força. Assim, os métodos de Matriz Inversa e Matriz Direta exploram a relação entre os eventos e operação da proteção. O vetor de falta é formulado a partir da base do sinal de faltas, relacionados a uma matriz de operação do relé e faltas, e de um vetor associado com a resposta dos diferentes tipos de proteção. Da mesma forma foram explorados os métodos da Heurística Construtiva e Redes Neurais Artificiais (GRNN), e também com a inclusão de informações de probabilidade de falha nos disparos dos relés e falha no recebimento de informação de disparo do mesmo. O outro método considerado descreve a classificação da falta com base na abordagem probabilística de Bayes.
Na análise da proteção devido à possibilidade de que poucos alarmes fornecidos possam ocasionar muitas respostas a serem analisadas e a dificuldade na obtenção de dados estatísticos sobre faltas e falhas nos equipamentos de proteção tornam-se necessários métodos capazes de obterem boas respostas sem este tipo de conhecimento.
Este artigo tem como objetivo analisar os métodos da Aproximação de Bayes, Redes Neurais Artificiais, Heurística Construtiva e a Força de Aceitação. Para ser possível a comparação entre os métodos, foram utilizados padrões que descrevem os modos de disparo da proteção de um transformador de força. Para avaliar os métodos foram consideradas características importantes e fundamentais para a análise de faltas com o uso de ferramentas computacionais,
A. L. Oliveira, UFSM, J. M. Zauk, UFSM, P. C. Fritzen, UFSM, G. Cardoso Jr, UFSM,
e R. E. Souza, STEMAC
Padrões de Treinamento para Classificação de
Eventos com Base no Disparo de Relés de
Proteção
como tempo de processamento, precisão de resultados e praticidade de implementação em um sistema real.
II. CARACTERIZAÇÃO DO PROBLEMA
As metodologias empregadas neste estudo visam analisar a ocorrência de faltas em um transformador de potência. Como o estudo visa uma comparação entre métodos, foram utilizados os mesmos padrões de [4], desta maneira foram consideradas 5 possíveis situações: falta interna envolvendo a terra (FIT), curto-circuito interno (CCI), falta externa envolvendo a terra (FET), curto-circuito externo (CCE) e não falta (NF). A situação de não falta foi incluída devido à possibilidade de algum alarme recebido ser falso, pois o recebimento de um alarme não significa necessariamente uma falta no transformador.
O trabalho apresentado em [4] sugere um diagnóstico de faltas para um transformador, que utiliza 3 relés como proteção principal: diferencial (DIF), relé de neutro (RN), Buchholz (Bu), e duas proteções de retaguarda: sobrecorrente de neutro (SN) e sobrecorrente (S).
A partir das possíveis faltas e dos relés de proteção, foi montada a Tabela I que relaciona os eventos aos relés.
TABELA I
RELAÇÃO ENTRE ALARMES E EVENTOS Proteção Eventos – E e1 FIT e2 CCI e3 FET e4 CCE e5 NF DIF 1 1 0 0 0 RN 1 0 0 0 0 Bu 1 1 0 0 0 SN 1 0 1 0 0 S 1 1 1 1 0
Os relés de proteção são equipamentos sujeitos a defeitos. Desta forma os métodos probabilísticos necessitam das taxas de probabilidades de atuação dos relés, para que seja possível uma análise mais próxima da realidade e que leve em conta as singularidades dos equipamentos. A Tabela II relaciona as taxas de probabilidade de falhas de operação dos relés de proteção considerados para o transformador de potência em estudo. Os dados probabilísticos da Tabela II foram obtidos e utilizados por [7] para implementação do método de Bayes.
TABELA II
PROBABILIDADE DE ATUAÇÃO DOS RELÉS Proteção Operação correta Operação falsa Operação falha DIF 0.67 0.02 0.31 RN 0.80 0.01 0.19 Bu 0.93 0.01 0.06 SN 0.88 0.05 0.07 S 0.88 0.01 0.11
Alguns dos métodos avaliados não são probabilísticos, e para que fosse possível uma análise de alarmes falsos e falhos a Tabela I foi expandida para a Tabela III. Desta forma o primeiro padrão de cada subgrupo é a atuação correta dos relés para a falta em questão, e os outros são as possíveis falhas de cada um dos 5 relés utilizados na proteção do transformador.
III. METODOLOGIA
As ferramentas propostas serão alimentadas com três bases de dados: um conjunto simples, um conjunto expandido, contendo atuação indevida e falha de relés, e um conjunto de taxas de probabilidade nas falhas de atuação dos relés.
O conjunto simples, é formado pelos 5 eventos da Tabela I, onde são apresentados aos algoritmos apenas padrões com operações corretas dos relés. Este conjunto depende unicamente da forma como está disposta a proteção do equipamento, neste caso o transformador de potência, representando diretamente a filosofia de proteção do mesmo.
O conjunto de treinamento expandido é mostrado na Tabela III, incluindo eventos onde ocorre a falha individual no recebimento do alarme de cada um dos alarmes que compõem a falta, bem como o recebimento indevido de alarmes que não deveriam ser sinalizados. O segundo conjunto de treinamento favorece o diagnóstico em casos de falha de comunicação, e tendem a melhorar os diagnósticos nestes casos, já que as falhas já estão contidas na base de dados do sistema. Porém a criação deste tipo de base de dados para todos os equipamentos do sistema nem sempre é viável, uma vez que a quantidade de equipamentos monitorados em um sistema é muito grande. Outro ponto importante a ser considerado é que conforme a disposição dos alarmes, alguns eventos podem ter um mesmo conjunto de alarmes representando situações diferentes, o que, dependendo do algoritmo, pode gerar muito empates na hora de classificar a falta.
O terceiro conjunto inclui as taxas de falhas de relés, e para sua elaboração, foram feitas as seguintes considerações: alarme não disparado recebe 0, alarmes disparado recebe 1, alarme falso recebe diretamente o valor da probabilidade deste ser falso e alarme considerado falho deve receber o valor de 1 subtraída a probabilidade do alarme ser falso, pois este deve aproximar-se ao máximo de 1 quanto mais baixa for sua taxa de probabilidade de ser falso. A Tabela IV mostra a diferença entre os padrões da base de dados expandida e a base de dados probabilística para o caso de um curto-circuito interno ao transformador.
TABELA IV
PADRÕES COM TAXAS DE PROBABILIDADES PARA CURTO CIRCUITO INTERNO AO TRANSFORMADOR
Treinamento básico
Treinamento probabilístico Alarme Normal DIF
falho RN falho Bu falho SN falso S falso DIF falho RN falho Bu falho SN falso S falso DIF 1 0 1 1 1 1 0.69 1 1 1 1 RN 0 0 0 0 1 0 0 0 0 0.01 0 Bu 1 1 0 1 1 1 1 0.94 1 1 1 SN 0 0 0 0 0 1 0 0 0 0 0.05 S 1 1 1 0 1 1 1 1 0.89 1 1 As ferramentas implementadas nesse artigo são as Redes Neurais Artificiais, Heurística Construtiva e a Força de Aceitação. Para cada uma dela, são executados testes com as três bases de dados descritas anteriormente com o objetivo de identificar qual o conjunto que obterá as melhores respostas. O método de Bayes é utilizado como base de comparação de desempenho e precisão com métodos propostos.
TABELA III
PADRÕES PARA ALARMES FALSOS E FALHOS
P ro te çã o Faltas e contingências
1-FIT 2-CCI 3-FET 4-CCE 5-NF
co rr et o D IF f al h o RN f al h o B u f al h o S N f al h o S f al h o co rr et o D IF f al h o B u f al h o S f al h o RN f al so S N f al so co rr et o S N f al h o S f al h o D IF f al so RN f al so B u f al so C o rr et o S f al h o D IF f al so RN f al so B u f al so S N f al so D IF f al so RN f al so B u f al so S N f al so S f al so DIF 1 0 1 1 1 1 1 0 1 1 1 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 0 RN 1 1 0 1 1 1 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 0 Bu 1 1 1 0 1 1 1 1 0 1 1 1 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 SN 1 1 1 1 0 1 0 0 0 0 0 1 1 0 1 1 1 1 0 0 0 0 0 1 0 0 0 1 0 S 1 1 1 1 1 0 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 0 0 0 1 A. Rede GRNN
Redes Neurais Artificiais são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. Uma grande rede neural artificial pode ter centenas ou milhares de unidades de processamento. Esta topologia de rede neural pode possuir múltiplas camadas interconectadas, como mostra a Figura 1.
Fig. 1. Rede GRNN
Cada neurônio da unidade padrão é um centro de agrupamento, sendo que o número de neurônios dessa camada é igual ao número de exemplares utilizados para representar o conhecimento.
Quando um novo padrão é apresentado à rede, é calculada a distância entre esse e os exemplares previamente armazenados. O valor absoluto destas diferenças é somado e multiplicado pelo bias, sendo então enviado a uma função de ativação não linear [1]. Uma exponencial é utilizada como função de ativação, sendo o bias ajustado para 0.8326/spread, onde spread é o espalhamento, ou a abertura da função de base radial utilizada.
O desempenho da rede é influenciado pelo ajuste do bias (spread) e pelos padrões armazenados. Portanto, para um valor de spread muito grande a rede passa a generalizar demasiadamente, enquanto que um valor muito pequeno torna a rede incapaz de generalizar [6].
A rede neural GRNN do toolbox Matlab® foi utilizada no estudo do método. Os ajustes do algoritmo podem ser encontrados em [4].
B. Heurística Construtiva
Uma heurística construtiva (HC) é proposta para a
classificação de eventos durante ocorrências de falta em equipamentos do sistema elétrico. A HC proposta pode executar diagnósticos de falta ou distúrbios em qualquer componente do sistema de potência.
O método se baseia na comparação do alarme recebido com os eventos previamente classificados pelo operador do sistema. O produto interno entre o vetor dos alarmes recebidos e a matriz contendo os padrões de eventos de determinado equipamento somado com produto interno entre a negação do alarme recebido e negação do padrão de eventos. O propósito dessa comparação é o de encontrar o evento que melhor justifica e explica o defeito.
Por conveniência de apresentação, alguns conjuntos são definidos abaixo:
n é o número de componentes de proteção associados ao transformador;
m é o número de eventos incluídos na matriz padrão de alarmes do transformador;
é o vetor alarme recebido contendo os status atuais dos relés;
é a matriz padrão de alarmes;
A partir dessas definições, a HC calcula o grau de certeza (GC) utilizando a equação (1). Essa função verifica a similaridade existente entre o alarme recebido A com os eventos contidos em E.
O resultado é o valor que avalia quão bem um evento representa os alarmes recebidos e quanto maior o valor, melhor a resposta. Um exemplo simples é utilizado para ilustrar o funcionamento da metodologia utilizada pela HC:
Assim, o grau de certeza é calculado a seguir:
Nesse exemplo, o evento que melhor justifica a falta ocorrida é o evento e1.
Em busca de melhores resultados foi feita uma comparação utilizando como padrões a matriz M e também utilizando a mesma matriz probabilística usada no treinamento da rede GRNN, em parte mostrada na Tabela IV. A forma como o algoritmo funciona é a mesma, porém o valor a ser somado não necessariamente é 1 ou 0, com as taxas de probabilidades inclusas estas são somadas no lugar destes valores.
O algoritmo da Figura 2 demonstra a forma com a qual cada alarme recebido é comparado aos alarmes de cada evento da matriz probabilística, selecionando os valores a serem somados para avaliação da melhor resposta. O valor de 0,5 foi utilizado, pois todos os valores probabilísticos para alarmes falhos não são menores que 0,5 bem como os falsos não são superiores a 0,5. pij>0.5 rj=1 pij>0.5 soma=soma +pij soma=soma pij<1 soma=soma+(1-pij) V V V F F F F V
Fig. 2. Fluxograma para a heurística construtiva probabilística A definição das variáveis da Figura 2 é dada por:
rj é o j-enésimo elemento do vetor Ar de alarmes recebidos,
recebendo 0 se o alarme não disparou e 1 caso contrário. pij é o j-enésimo elemento do i-enésimo evento da matriz
probabilística utilizada como referência.
Soma é o valor que avalia quão bem um evento representa os alarmes recebidos, quanto maior o valor, melhor a resposta. C. Força de Aceitação
Para a tarefa de classificação de eventos, foi elaborado um método heurístico que compara o alarme recebido com uma base de padrões de funcionamento que relaciona possíveis eventos e alarmes. A metodologia desenvolvida é chamada de Força de Aceitação (FA) e foi elaborada a partir do cálculo da Força de Confirmação, proposto em [5].
Considerando o vetor alarme recebido (A) e a matriz padrão de eventos (E), apresentados na seção III.B desse trabalho, é possível definir o cálculo da FA como sendo:
A equação (2) calcula o grau percentual de similaridade entre o vetor alarme recebido e o evento e da matriz padrão de eventos. O critério maximizador define que a classificação do evento será determinado para o evento que obtiver maior similaridade com o alarme recebido, ou seja, obtiver maior valor de FA.
Se para um evento i a Força de Aceitação calculada for igual ao valor máximo (FA=1), significará que o vetor evento i corresponde exatamente ao vetor alarme recebido e, consequentemente, escolhido como a classificação do evento.
Pelo fato da função objetivo ser limitada ao valor máximo de 1, poderá ocorrer situações onde surja empates nas classificações da FA. Geralmente, esse tipo de situação ocorre quando existem muitos eventos com alarmes falsos e falhos na matriz padrões de funcionamento. Para tratar esses empates, foi elaborada uma técnica que prioriza eventos íntegros e, seguindo a escala de prioridade, eventos com alarmes falhos e eventos com alarmes falsos. Assim, o desempate da FA é dado por:
onde v é vetor contendo os coeficientes positivos de pesos, que definem o grau de prioridade de cada evento. Nesse trabalho foram estabelecidos os pesos 1, 2 e 3 para alarmes falsos, alarmes falhos e eventos íntegros, respectivamente. O maior valor resultante na equação (3) será a classificação do alarme recebido. Para o padrão mostrado na Tabela III, o vetor v é:
A FA também pode ser aplicada no diagnóstico de falta em sistemas de potência como gerador de suspeitos (secções em falta). Os suspeitos servem como entrada ao algoritmo de otimização que identificará o local exato do distúrbio no sistema.
D. Método de Bayes
A classificação das faltas por conceitos de probabilidade exige dados estatísticos sobre a freqüência das diferentes faltas e suas probabilidades, Tabela V, bem como a operação da proteção e suas probabilidades.
A Tabela I é usada como base para os cálculos das probabilidades condicionais . Os alarmes são comparados um a um, comparando os recebidos com os alarmes dos 5 padrões de falta. Os cálculos são realizados de maneira simples. Por exemplo, na falta interna envolvendo a terra (e1), o valor 1 do evento Pi representa a probabilidade de
operação correta, enquanto o valor 0 representa a falha na operação. Num curto-circuito interno (e2), o valor 1 para a DIF,
Bu e S, representam a probabilidade de operação correta, enquanto o valor 0 corresponde à falha de operação. Valor 0 para RN e SN representa a probabilidade de 1, o que significa que a proteção não deve atuar no caso de este tipo de falta, ou seja, é correta. O valor 1 para o RN e SN denota operação indevida. Assim deve ser utilizado o valor da Tabela II de falha do relé em questão.
O teorema de Bayes que permite o cálculo desejado das probabilidades de diferentes eventos através da equação (4):
(4)
TABELA V
PROBABILIDADES DE OCORRÊNCIA DE FALTAS Faltas no
sistema de potência
Falta interna envolvendo a terra P(F1)=0.08 Curto circuito interno P(F2)=0.08 Falta externa ao terra P(F3)=0.45 Curto circuito externo P(F4)=0.20 Não falta Operação indevida P(F5)=0.19
Para exemplificar considere Ar=[1 1 1 0 0] sendo esta falta analisada como sendo um possível curto-circuito interno, desta forma e5=[1 0 1 0 1]. Então teríamos:
* 0.08 = 0.08 * = 5.48328x10-5 IV. RESULTADOS
A fim de poder comparar os testes, utilizou-se os mesmos testes de [4]. A matriz R mostra todas as possíveis combinações testadas, e a sequência nas quais foram testados, assim o vetor coluna Ar1 da matriz R mostra o primeiro caso testado nos
algoritmos.
Os testes foram executados em Matlab num computador Intel Core 2 Duo 2.1 GHz, com 4 GB de memória RAM e sistema operacional Windows 7. A Tabela VI mostra o desempenho comparativo entre os métodos analisados para todos os testes da matriz T. A tabela mostra o número de acertos de cada um dos métodos para os 32 eventos testados.
TABELA VI
RESULTADOS OBTIDOS PELOS MÉTODOS ANALISADOS Método Tipo de Padrão de Eventos Empregado
Básico Expandido Probabilístico
GRNN 19 22 29
HC 18 15 27
FA 21 28 22
Bayes - - 32
Ao considerar as probabilidades de erro no recebimento e envio de sinais de disparo de relés, o desempenho entre os métodos possuem respostas semelhantes. Como os resultados obtidos no método de Bayes são os mais próximos da realidade enfrentada em uma subestação, algoritmos que não utilizam taxas de probabilidade tendem a ter problemas em classificar um evento corretamente. Métodos capazes de utilizar o conhecimento dos operadores contornam facilmente problemas de múltiplas respostas boas. Porém, bancos de dados com históricos de atuação de equipamentos não são facilmente encontrados, o que torna inviável a utilização de métodos probabilísticos em sistemas reais.
Desta forma modelos capazes de distinguir possíveis alarmes falsos e falhos na ausência das taxas probabilísticas tornam-se imprescindíveis. Os resultados apontam o algoritmo de força de aceitação como sendo a melhor ferramenta para classificação de eventos, uma vez que essa heurística obteve desempenho satisfatório e semelhante aos métodos com dados probabilísticos analisados.
A Tabela VII apresenta o tempo de processamentos médio de cada método para testar todas as 32 possíveis combinações e apresentar as devidas respostas.
Embora as redes GRNN tenham apresentado tempos computacionais maiores em relação aos outros métodos, elas apresentaram bons resultados tanto para padrões probabilísticos quanto para padrões binários.
TABELA VII
TEMPO DE PROCESSAMENTO DOS MÉTODOS Método Tipo de Padrão de Eventos Empregado
Básico (ms) Expandido (ms) Probabilístico (ms)
GRNN 794 189 800
HC 48 5 3
FA 47 150 162
Bayes - - 10
Os outros métodos apresentaram tempos baixos de processamento. A FA teve poderia ser facilmente aplicado a um sistema de grande porte, pois além do baixo tempo computacional obteve os melhores resultados com os padrões mais básicos. A HC obteve o menor tempo computacional com os padrões expandidos, porém não obteve bons resultados com os padrões que não incluem taxas de probabilidade.
V. CONCLUSÕES
As ferramentas analisadas neste artigo são algoritmos simples e de tempos computacionais baixos, entretanto, um melhor desempenho da HC e da GRNN depende do uso das taxas de falhas dos relés. Além disso, a rede GRNN necessita de treinamento e, conseqüentemente, deve superar todos os problemas inerentes à seleção de padrões para o treinamento, para manutenção e atualizações da base de dados.
Os padrões que incluem taxas de probabilidades de atuação de relés dificilmente poderão ser utilizados numa situação real devido à dificuldade de lidar com tais informações.
Considerando a análise do tempo computacional, facilidade de implementação e precisão de resultados, o algoritmo FA obteve ótimos resultados com o padrão expandido da base de dados, não necessitando um estudo prévio sobre o histórico de atuação de cada relé envolvido na proteção do equipamento em questão. Desta forma, poderia ser empregada tanto para um relé já em atuação quanto a novos relés adicionados à proteção de um equipamento do sistema elétrico.
VI. AGRADECIMENTOS
Os autores gostariam de agradecer a contribuição financeira da CEEE-GT através do programa P&D ANEEL ciclo/2010 com a parceria entre a CEEE-GT e a UFSM, o que tornou possível a realização deste trabalho. E também agradecer especialmente ao Engenheiro Assis Rogério G. Paulo gerente do P&D CEEE-GT pelo suporte fornecido.
VII. BIBLIOGRAFIA
[1] Cardoso Jr., G.; Rolim, J. G.; Zurn, H. H.; “Identifying the primary fault section after contingencies in bulk power systems”. IEEE Transactions on Power Delivery, Vol. 3, No. 3, July 2008, pp. 1335-1342.
[2] Fritzen, P. C.; Cardoso Jr, G.; Zauk, J. M.; Morais, A. P.; Bezerra, U. H.; Beck. J. A. P.; “Alarm Processing and Fault Diagnosis in Power Systems Using Artificial Neural Networks and Genetic Algorithms”. In: IEEE International Conference on Industrial Technology, 2010, Chile. IEEE International Conference on Industrial Technology - ICIT 2010, p. 1-6.
[3] de Souza J., Meza E., Schilling M., and M. D. C. Filho, “Alarm processing in electrical power systems through a neuro fuzzy approach”, IEEE Trans. Power Del., vol. 19, no. 2, pp. 537–544, Apr. 2004.
[4] Zauk, J. M.; Fritzen, P.C.; Cardoso Jr, G.; Araújo, O. B.; dos Santos, E. M.; Corrêa, R.; “Análise Crítica de Técnicas Computacionais Utilizadas na Classificação de Eventos com Base no Disparo de Relés de Proteção”. In IEEE/PES T&D 2010 Latin América, São Paulo-SP, Novembro, 2010.
[5] Huang, Y. C.; “Fault Section Estimation in Power Systems Using a Novel Decision Support System”. IEEE Transactions on Power Systems, Vol. 17, no. 2, Maio 2002.
[6] Specht, D. F., “A General Regression Neural Network”. IEEE Transactions on Neural Networks, Vol. 2, Nº 6 (Nov.), 1991, pp. 558–576.
[7] Babnik, T.; Gubina, F.; “Fast transformer fault classification by means of recorded protection signals”. Proceedings of 2001 IEEE Power Tech, 6pp. vol. 3, Porto, Portugal, 10-13 September 2001.
