Diagnóstico de Faltas de Alta Impedância em Sistemas de Distribuição de Energia Elétrica Usando um Algoritmo Imunológico Artificial



Resumo—Neste artigo apresenta-se um método baseado nos sistemas imunológicos artificiais de seleção negativa para diagnóstico de faltas de alta impedância em sistemas de distribuição de energia elétrica. Partindo das medições realizadas em uma subestação de distribuição por um sistema de aquisição de dados SCADA, um algoritmo de seleção negativa (ASN) é usado visando realizar o processo de detecção, identificando anormalidades nas oscilografias do sistema. O ASN é baseado no princípio de próprio/não-próprio para diferenciar os sinais entre próprios (condição normal) e não-próprios (faltas). A principal aplicação desta nova ferramenta é auxiliar na tomada de decisões, facilitar a operação do sistema durante falhas e contribuir para o desenvolvimento de sistemas smart grid. Para avaliar a eficiência do método proposto, foram realizadas simulações no software EMTP de três sistemas de distribuição de energia elétrica, sendo os sistemas testes de 33 e 84 barras e o sistema real de 134 barras. Os resultados obtidos pelo método apresentam eficiência, robustez e precisão no diagnóstico de faltas de alta impedância.

Palavras-Chave— Diagnóstico, Faltas de Alta Impedância, Sistemas de Distribuição, Sistemas Imunológicos Artificiais, Algoritmo de Seleção Negativa.

I. INTRODUÇÃO

m novo conceito de sistemas elétricos, denominados “Smart Grids” tem sido o foco de diversas pesquisas e investimentos nos últimos anos, sendo o objetivo principal transformar os sistemas elétricos, proporcionando modernizações nos sistemas de geração, transmissão e, especialmente, na distribuição de energia elétrica. Neste novo conceito de redes elétricas inteligentes, existem abordagens como: preocupações com mudanças climáticas, envelhecimento de instalações atuais, melhorias na qualidade de energia e até a possibilidade de proporcionar ao usuário final maior participação no planejamento e operação do sistema elétrico [1], [2].

Os sistemas de smart grid devem ser compreendidos como um conceito que se baseia na utilização de tecnologias de automação, computação e telecomunicações para monitoramento e controle dos sistemas elétricos, permitindo a implantação de novas estratégias de controle, comunicação,

F. P. A. Lima e C. R. Minussi são do Departamento de Engenharia Elétrica da Faculdade de Engenharia de Ilha Solteira, UNESP -- Universidade Estadual Paulista. (e-mail: engfernandoparra@gmail.com, minussi@dee.feis.unesp.br).

proteção e otimização de forma que a eficiência dos sistemas, atualmente em uso seja aumentada [2].

Muitos profissionais e pesquisadores destacam que deverá ocorrer uma integração entre os sistemas de geração, transmissão e distribuição com tecnologias digitais e de informação [3], [4], como: sistemas de telecomunicações, análise e processamento de dados, novas formas de controle, automação, proteção e otimização, visando modificar a forma de operação dos sistemas elétricos, aumentando a eficiência e lucratividade, e principalmente facilitando a tomada de decisões [1], [5].

Conforme destacado pelos autores no artigo [1], os sistemas de smart grids devem possuir as seguintes características:

 Autorrecuperação: Capacidade de detectar, analisar, responder e restaurar falhas na rede elétrica, de forma automática;

 Qualidade de energia: Prover energia com a qualidade exigida pela sociedade digital;

 Redução do impacto ambiental: Criar estratégias para reduzir as perdas geradas pelo sistema produtor de eletricidade e utilizar fontes energéticas de baixo impacto ambiental;

 Filtragem de informações: Capacidade de ler, analisar, processar e distinguir informações que realmente são pertinentes para a solução de problemas;

 Tolerância a Ataques Externos: capacidade de mitigar e resistir a ataques físicos e cyber-ataques;

A transformação da rede de energia elétrica atual para as redes de Smart Grid deverá acontecer de forma incremental, em que para garantir a segurança e proteção dos sistemas elétricos de potência e facilitar a tomada de decisões, devem-se empregar todos os recursos disponíveis visando evitar ou, pelo menos, minimizar os efeitos causados por perturbações (distúrbios ou faltas), as quais são eventos de ocorrência frequente. Dentre estes recursos, destaca-se a ação preventiva. Trata-se de dispositivos/sistemas que integrem o monitoramento, análise e o desenvolvimento de medidas corretivas.

As tradicionais práticas de diagnóstico de falhas disponíveis e utilizadas em campo pelos profissionais é baseada na inspeção visual das oscilografias, e depende diretamente do julgamento dos operadores humanos, levando em conta sua experiência em análise e tomada de decisões. Esta prática não garante que todas as falhas podem ser identificadas, tornando

Diagnóstico de Faltas de Alta Impedância em

Sistemas de Distribuição de Energia Elétrica

Usando um Algoritmo Imunológico Artificial

F. P. A. Lima, C. R. Minussi

o processo ineficiente e inseguro. Neste sentido, o emprego de técnicas baseadas em inteligência se tornam possíveis soluções para o problema de diagnóstico de Faltas de Alta Impedância (FAI) em sistemas de distribuição de energia elétrica. Tais técnicas vêm sendo muito empregadas no desenvolvimento de novos métodos de monitoramento para auxiliar os operadores na operação dos sistemas, os quais proporcionam segurança, rapidez e eficiência no planejamento de ações corretivas.

Neste contexto, na sequência apresentam-se os trabalhos mais relevantes disponíveis na literatura.

Em [6] descreve o princípio de funcionamento de um equipamento utilizado para detecção de faltas de alta impedância utilizando dados pré-gravados. No trabalho [7] os autores apresentam um método para detecção de faltas de alta impedância, o qual utiliza a decomposição wavelet para extração das características do estado operativo do sistema e um sistema de inferência neuro-fuzzy (ANFIS [8]) para classificação do distúrbio. Em [9] é proposta uma técnica híbrida de reconhecimento de padrão utilizando a transformada S, a transformada TT e uma rede neural probabilística para detectar e classificar faltas de alta impedância.

Em [10] apresentou-se um método baseado em lógica fuzzy para detecção e classificação de faltas de alta impedância em sistemas elétricos de potência. Já em [11] os autores empregam o filtro de Kalman adaptativo juntamente com uma rede neural probabilística na detecção e classificação de faltas de alta impedância.

Na referência [12] é apresentada uma técnica baseada no uso combinado da transformada wavelet e uma rede neural multi-layer perceptron na detecção de faltas de alta impedância em alimentadores de distribuição. Em [13] é proposta uma metodologia baseada na transformada wavelet e uma rede neural ARTMAP-Fuzzy para detecção de faltas de alta impedância em alimentadores de distribuição de energia elétrica. Na referência [14] apresenta-se um algoritmo para a detecção de faltas de alta impedância utilizando o gradiente morfológico de multirresolução na extração de características no domínio do tempo e redes multi-layer perceptron.

Em [15] é apresentado um método para realizar o diagnóstico automático de distúrbios (tensão, curto-circuito e faltas de alta impedância) em sistemas de distribuição de energia elétrica. Neste método, foi usada a transformada

wavelet e a norma entropia para extrair e agregar o

conhecimento das oscilografias de corrente e tensão, que servirão de entrada para uma rede neural ARTMAP-Fuzzy responsável por classificar os distúrbios.

Na referância [16] é apresentada uma metodologia para análise da detecção de faltas de alta impedância utilizando redes neurais artificiais com topologias multi-layer perceptron e redes RBF. Já em [17] foi proposto um método para diagnóstico de faltas de alta impedância em alimentadores de distribuição através de um sistema de inferência fuzzy e teoria da evidência.

Através das buscas realizadas, na literatura especializada, não foi identificado nenhum trabalho baseado em Sistemas Imunológicos Artificiais (SIA) com aplicação no diagnóstico de faltas de alta impedância. Os SIA são técnicas promissoras

no campo da computação inteligente e sua concepção é inspirada nos sistemas imunológicos biológicos, com o objetivo de reproduzir computacionalmente suas principais características, propriedades e habilidades [18], [19]. Conforme destacado em [4], os SIA se mostram ferramentas adequadas para realizar diagnóstico, em razão de suas características naturais de reconhecimento de padrões. Também é possível incluir novos padrões de distúrbios no processo de diagnóstico, sem a necessidade de reiniciar a memória do sistema, isto é, permite uma aprendizagem contínua.

Neste sentido, neste artigo, expõe-se uma efetiva contribuição, apresentando uma nova abordagem para realizar o diagnóstico de faltas de alta impedância em sistemas de distribuição de energia elétrica, usando o Algoritmo de Seleção Negativa (ASN). Optou-se por empregar o ASN pelo motivo de ser uma arquitetura inteligente eficiente, com alta capacidade de reconhecimento, generalização, e robustez. Para avaliar o desempenho do método foram realizados testes com três sistemas de distribuição de energia elétrica, sendo os sistemas testes de 33 e 84 barras e um sistema real de 134 barras.

Este artigo está organizado conforme segue: Na seção II apresenta-se o algoritmo de seleção negativa. A modelagem e simulações realizadas são apresentadas na seção III. Na seção IV apresenta-se a metodologia proposta. Por fim, nas seções V e VI são apresentados os resultados e a conclusão para este trabalho respectivamente.

II. ALGORITMO DE SELEÇÃO NEGATIVA (ASN) O Algoritmo de Seleção Negativa (ASN) foi proposto por [20] para detecção de mudanças em sistemas computacionais. É inspirado na seleção negativa de linfócitos T que ocorre no timo, representando a análise que o organismo realiza para diferenciar as células entre próprias e não-próprias. Este algoritmo é executado em duas fases conforme descrito em [21]:

1. Censoriamento

a) Definir o conjunto de cadeias próprias (S) que se deseja proteger;

b) Gerar cadeias aleatórias e avaliar a afinidade (Match) entre cada uma delas e as cadeias próprias. Caso a afinidade seja superior a um limiar estipulado, deve-se rejeitar a cadeia. Caso contrário, deve-se armazenar em um conjunto de detectores (R).

2. Monitoramento

a) Dado o conjunto de cadeias que se deseja proteger (cadeias protegidas), avaliar 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.

Gere Cadeias Aleatoriamente Casou ? (Match) Cadeias Próprias (S) Rejeite Conjunto de Detectores (R) Não Sim

Figura 1 – Fluxograma da fase de censoriamento do ASN. Cadeias Protegidas (S) Casou ? (Match) Conjunto de Detectores (R) Não-próprio Detectado Sim Não

Figura 2 – Fluxograma da fase de monitoramento do ASN.

Na fase de censoriamento do ASN, são definidos, inicialmente, os de detectores próprios, que representam a condição normal do problema, sendo conhecido como cadeias próprias (S). O objetivo desta fase é gerar o conjunto de padrões detectores (R), que tenham a capacidade de reconhecer algum padrão não-próprio, na fase de monitoramento dos dados. Desta forma, a partir da leitura dos dados, escolhem-se cadeias aleatoriamente e avalia-se a afinidade comparando estas cadeias ao conjunto de cadeias próprias (S). Caso a afinidade seja superior a um limiar preestabelecido, rejeita-se a cadeia. Caso contrário, esta cadeia é aceita no conjunto de detectores (R), e será utilizada para realizar classificações no monitoramento dos dados. Os detectores são análogos às células do tipo T maturadas capazes de reconhecer agentes patogênicos, isto é, detectar praticamente qualquer elemento não-próprio, uma modificação ou erro nos dados que se deseja monitorar [22].

Na fase de monitoramento, faz-se um monitoramento nos dados visando identificar mudanças no comportamento das amostras e, então, classificar estas mudanças utilizando o conjunto de detectores criados na fase de censoriamento. Assim, analisando-se as cadeias protegidas (S) e comparando-as com o conjunto de detectores (R), avalia-se a afinidade entre cada uma das cadeias. Caso a afinidade seja superior a um determinado limiar, então, o elemento não-próprio é detectado e classificado. As fases de censoriamento e monitoramento do ASN são realizadas de modo off-line e

online respectivamente [19].

A. Critério de Casamento e Afinidade

Para avaliar a afinidade entre as cadeias e assegurar que são semelhantes, utiliza-se um critério denominado casamento. O casamento pode ser perfeito ou parcial.

O casamento perfeito é quando as duas cadeias, que estão sendo analisadas, têm os mesmos valores em todas as posições, ou seja, as duas cadeias necessariamente devem ser

iguais. Já no casamento parcial não existe a necessidade de que todas as posições das cadeias tenham o mesmo valor. No casamento parcial, apenas uma quantidade de posições entre as cadeias deve ter o mesmo valor para afirmar o casamento, sendo esta quantidade definida previamente. Esta quantidade é conhecida como a taxa de afinidade..

Neste artigo, optou-se por utilizar o casamento parcial proposto em [23], onde a taxa de afinidade representa o grau de semelhança que deve ocorrer entre as duas cadeias em análise para que o casamento seja confirmado.

A taxa de afinidade é definida através da seguinte equação [Bradley e Tyrrell, 2002]: 100 *        At An TAf ₍₁₎ sendo:

TAf : taxa de afinidade;

An : número de cadeias próprias no problema;

At : número total de cadeias no problema.

Através da equação (1), é possível calcular, de forma estatística, o valor da taxa de afinidade para o problema proposto.

A expressão (2) representa a forma de quantificar a afinidade total entre os padrões em análise [23]:

100 * 1 L Pc Af L i T



  (2) sendo: T

Af

: % de afinidade entre os padrões;

L

: quantidade total de posições do padrão;

Pc

: posição casada;



 L i

Pc

1

: quantidade de posições casadas.

Desta forma, se

Af

_T for maior ou igual a

TAf

ocorre o casamento entre os padrões, ou seja, eles são considerados semelhantes. Caso contrário, não ocorre o casamento entre os sinais.

III. PERTURBAÇÕES EM SISTEMAS DE DISTRIBUIÇÃO

Dentre os principais defeitos que afetam o sistema de distribuição de energia elétrica, podem-se destacar três classes de perturbações, sendo a falta de alta impedância, a falta de circuito e os distúrbios de tensão. A falta de curto-circuito e a falta de alta impedância se relacionam a problemas na corrente elétrica e os distúrbios de tensão, também conhecidos como distúrbios de qualidade de energia se relacionam a problemas na tensão elétrica [22].

Direcionando ao foco do trabalho, a falta de alta impedância é caracterizada pelo contato de um condutor energizado a superfícies de alta impedância, como, asfalto, calçadas e areia, ou objetos de alta impedância, como, galhos de árvores. Estes objetos e superfícies limitam os valores dos níveis de corrente de falta a valores inferiores aos detectáveis pelos equipamentos de proteção [24].

A. Modelagem e Simulações

A maior dificuldade em realizar pesquisas na área de diagnóstico de falhas é a falta de um conjunto de dados consistentes dos sistemas de distribuição de energia elétrica sob o efeito das perturbações. Portanto, é necessária a modelagem de sistemas testes, nos quais se podem realizar simulações de eventos (faltas de alta impedância, distúrbios de tensão, curtos-circuitos, entre outros), fornecendo dados a serem utilizados na avaliação das metodologias contribuindo para as pesquisas e a automação das subestações de energia elétrica.

Neste sentido, empregando o software EMTP [25] foram modelados três sistemas elétricos, sendo dois sistemas teste de 33 e 84 barras e um sistema real de 134 barras. Para as simulações de falta de alta impedância utilizou-se um modelo aproximado, proposto por [26] ilustrado na figura 3. O modelo aproximado possui duas fontes de tensão contínua (Vp e Vc),

conectadas de forma antiparalela por meio de dois diodos. A magnitude de arco de corrente é controlada pela impedância série (R e X).

Figura 3 – Modelo teórico de falta de alta impedância.

As simulações de faltas de alta impedância foram realizadas, considerando variações nos parâmetros R, X, Vp e

Vc, bem como a barra de localização.

Utilizando o software EMTP [25] com uma frequência de amostragem de 15,36 kHz, a qual corresponde a 256 amostras por ciclo, realizou-se um total de 2250 simulações de FAI, sendo 750 simulações para cada sistema modelado. Foi levado em consideração o local da falta (barra), ângulo de inserção (0º, 45º e 90º), fase (a, b e c), e variações dos parâmetros do modelo de falta de alta impedância. Os valores adotados para os parâmetros utilizados estão nos seguintes intervalos: R = [0, 100Ω], X = [0, 300Ω], Vp = [500, 2000V] eVc = [500, 2000V].

Tais simulações foram utilizadas para avaliar o método proposto. Adicionalmente foram realizadas 300 simulações em condições normais de operação para cada sistema, sendo que estas outras simulações (100 para cada sistema) foram utilizadas no processo de censoriamento, para compor o conjunto de detectores próprios.

IV. METODOLOGIA PROPOSTA

O sistema de diagnóstico de faltas de alta impedância apresentado nesta seção é baseado nos sistemas imunológicos artificiais, em especial no ASN [20].

O sistema de diagnóstico, proposto neste artigo, baseia-se na discriminação próprio/não-próprio, sendo que próprio representa o sistema elétrico em condição normal e não-próprio representa o sistema elétrico em falha.

O método proposto se divide em duas fases: censoriamento e o monitoramento dos dados. Na sequência apresentam-se as

fases de censoriamento e de monitoramento do sistema de diagnóstico de faltas de alta impedância.

A. Fase de Censoriamento

Nesta fase são gerados os detectores para serem utilizados pelo SIA durante o processo de monitoramento. Como o problema de diagnóstico de faltas de alta impedância possui apenas duas classes de padrões, isto é, próprio ou não-próprio, é necessário que o algoritmo tenha conhecimento apenas dos sinais normais (próprios), e com base nestas informações realize a discriminação do que é próprio (condição normal) e do que é não-próprio (falta). Sendo assim, o funcionamento desta fase é apresentado na figura 4, onde se ilustra como é realizado o processo de geração dos detectores próprios.

Figura 4. Esquema do censoriamento do ASN.

Conforme ilustrado no fluxograma da figura 4, a fase de censoriamento do ASN basicamente escolhe aleatoriamente sinais próprios (condições normais de operação) evitando repetição nas escolhas. Os sinais escolhidos são definidos como o conjunto de detectores próprios.

B. Fase de Monitoramento

A fase de monitoramento é dividida em dois módulos, os quais são responsáveis por fazer a aquisição dos dados e realizar a discriminação próprio/não-próprio identificando as anormalidades no sistema elétrico.

No módulo de aquisição de dados, utiliza-se um sistema de aquisição do tipo SCADA [24] com uma taxa de amostragem definida de 15,36 kHz a janela de tempo de um ciclo, que corresponde a um vetor de 256 posições. Os dados foram todos simulados no EMTP [25], com um tempo de simulação de 200 ms, que é correspondente à aproximadamente 12 janelas.

Após fazer a aquisição das oscilografias, os sinais são comparados com o conjunto de detectores próprios gerados previamente na fase de censoriamento. Realizando a comparação dos sinais com o conjunto de detectores, avalia-se o casamento e a afinidade entre os sinais e o conjunto de

detectores. Caso a afinidade seja satisfeita, ou seja, se existir semelhança entre os sinais, é considerado um casamento e, então, o sinal é diagnosticado como “próprio” ou condição normal de operação, por ter características próprias. Caso contrário, não existe o casamento entre os sinais em análise. Desta forma, o sinal é diagnosticado como “não-próprio”, indicando uma falta de alta impedância no sistema. Este processo é repetido em cada sinal que se deseja analisar, e assim é realizado o monitoramento dos dados.

A figura 5 ilustra o funcionamento do processo de monitoramento do sistema de diagnóstico.

Figura 5: Esquema do monitoramento do ASN.

V. RESULTADOS

Nesta seção, apresentam-se os resultados obtidos com a aplicação da metodologia proposta no diagnóstico de faltas de alta impedância. Todos os testes foram realizados 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 foi desenvolvido em MATLAB® [27].

Os resultados foram obtidos com a aplicação do método nos sistemas de 33 [28], 84 [29] e 134 barras [30] e são expressos a seguir.

A. Sistema teste de 33 Barras

O sistema de 33 barras é um sistema teste que possui 32 barras de carga, 1 subestação e 32 circuitos. Possui como tensão base de 12,66 kV. As condições de carga total ativa e reativa são de 3.715 kW e 2.315 kVAr [28].

Como parâmetros para o ASN foi utilizada uma taxa de afinidade (Tf = 66,66% calculada utilizando a equação (1)) e o desvio ε = 3% (tolerância para considerar o casamento entre os pontos). Na tabela 1 apresentam-se os resultados obtidos pelo método proposto para o sistema de 33 barras [28].

Tabela 1. Resultados para o sistema de 33 Barras.

Diagnóstico Padrões testados Acerto (%) Tempo (ms)

FAI 750 100,00 89,62

Os resultados ilustram o percentual de acertos na identificação das faltas de alta impedância, com relação à quantidade de padrões utilizados e o tempo computacional médio por sinal analisado.

B. Sistema teste de 84 Barras

O sistema de 84 barras é um sistema teste que possui 83 barras de carga, 1 subestação e 83 circuitos. Possui como tensão base de 11,4 kV. As condições de carga total ativa e reativa são de 28.350 kW e 20.700 kVAr [29].

Como parâmetros para o ASN foi utilizada uma taxa de afinidade (Tf = 66,66%) e o desvio ε = 3%. Na tabela 2 apresentam-se os resultados obtidos pelo método proposto para o sistema de 84 barras [29].

Tabela 2. Resultados para o sistema de 84 Barras.

Diagnóstico Padrões testados Acerto (%) Tempo (ms)

FAI 750 100,00 94,75

Os resultados ilustram o percentual de acertos na identificação das faltas de alta impedância, com relação à quantidade de padrões utilizados e o tempo computacional médio por sinal analisado.

C. Sistema real 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 [30]. A figura 6 ilustra a topologia do sistema.

Figura 6: Diagrama Unifilar do sistema de 134 barras.

Como parâmetros para o ASN foi utilizada uma taxa de afinidade (Tf = 66,66%) e o desvio ε = 3%.

Na tabela 3 apresentam-se os resultados obtidos pelo método proposto para o sistema de 134 barras [30].

Tabela 3. Resultados para o sistema de 134 Barras.

Diagnóstico Padrões testados Acerto (%) Tempo (ms)

FAI 750 100,00 89,24

Os resultados ilustram o percentual de acertos na identificação das faltas de alta impedância, com relação à quantidade de padrões utilizados e o tempo computacional médio por sinal analisado. Todos os parâmetros utilizados nos testes foram obtidos através de um ajuste empírico.

Através dos resultados pode-se destacar que o sistema imunológico de seleção negativa obteve êxito na detecção de todas as faltas de alta impedância, sendo capaz de identificar 100% dos sinais anormais.

VI. CONCLUSÃO

Neste artigo foi apresentado um novo método baseado no algoritmo de seleção negativa (ASN) para diagnóstico de faltas de alta impedância em sistemas de distribuição de energia elétrica. Foi utilizado o software EMTP [25], para realizar simulações, gerando o conjunto de dados. O algoritmo proposto apresentou excelentes resultados, obtendo um acerto de 100% no diagnóstico de faltas de alta impedância para as simulações testadas. A fase de censoriamento é executada de forma off-line não acarretando prejuízo ao algoritmo. A fase de monitoramento dos dados é executada rapidamente, com um tempo inferior a 100 milésimos de segundo, credenciando esta nova abordagem a ser utilizada em tempo real, visando auxiliar a tomada de decisões. Desta forma, conclui-se que o algoritmo de seleção negativa proposto neste artigo para diagnóstico de faltas de alta impedância possui muita precisão, robustez, eficiência e pode proporcional importantes aplicações, inclusive em ambiente Smart Grid.

VII. AGRADECIMENTOS

Os autores agradecem a FAPESP pelo apoio financeiro de pesquisa (Proc. Nº 2011/06394-5).

VIII. REFERÊNCIAS BIBLIOGRÁFICAS

[1] J. Dongli; X. Meng; X. Song. (2011). Study on Technology system of self-healing control in smart distribution grid. International Conference on Advanced Power System Automation and Protection, p. 1-5. [2] V. C. Gungor; D. Sahin; T. Kocak; S. Ergut; C. Buccella; C. Cecati; G.

P. Hancke. (2011). Smart Grid Technologies: Communication Technologies and Standards," IEEE Transactions on Industrial Informatics, Vol. 7, No. 4, pp. 529-540, 2011.

[3] J. D. Mcdonald. Electric power substations engineering. New York: CRC Press, 2003.

[4] F. P. A. Lima; A. D. P. Lotufo; C. R. Minussi. (2013). Artificial Immune Systems Applied to Voltage Disturbance Diagnosis in Distribution Electrical Systems, PowerTech-2013, Grenoble, France, June-2013, 6 p.

[5] J. Northcote-Green; R. WILSON. Control and automation of electrical power distribution systems. Boca Raton: CRC/Taylor & Francis, 2007. [6] V. L. Buchholz; M. Nagpal; J. B. Neilson; R. Parsi-Feraidoonian; W.

Zarecki. High impedance fault detection device tester. IEEE Transactions on Power Delivery, Pistacaway, v. 11, n. 1, p. 71-77, 1996. [7] A. H. Etemadi; M. Sanaye-Pasand. High-impedance fault detection using multiresolution signal decomposition and adaptive neural fuzzy inference system. IET Generation, Transmission and Distribution, Stevenage, v. 2, n. 1, p. 110–118, 2008.

[8] J. S. R. Jang. ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, Piscataway, v. 23, n. 3, p. 665–685, 1993.

[9] S. R. Samantaray; B. H. Panigrahi; P. K. Dash. High impedance fault detection in power distribution networks using time-frequency transform and probabilistic neural network. IET Generation, Transmission and Distribution, Stevenage, v. 2, n. 2, p. 261–270, 2008. [10] A. C. Barros. “Detecção e Classificação de Faltas de Alta Impedância

em sistemas Elétricos de Potência Usando Lógica Fuzzy”. Dissertação de Mestrado, Faculdade de Engenharia de Ilha Solteira, UNESP, Ilha Solteira, Brasil, 2009.

[11] S. R. Samantaray; B. H. Panigrahi; P. K. Dash. Adaptive Kalman filter and neural network based high impedance fault detection in power

distribution networks. International Journal of Electrical Power & Energy Systems, Oxford, v. 31, n. 4, p. 167–172, 2009.

[12] I. Baqui; I. Zamora; J. Mazón; G. Buigues. High impedance fault detection methodology using wavelet transform and artificial neural networks. Electric Power Systems Research, Lausanne, v. 81, n. 7, p. 1325–1333, 2011.

[13] M. S. Tonelli-Neto; J. G. M. S. Decanini; C. R. Minussi. Detecção de faltas de alta impedância em alimentadores de distribuição de energia elétrica usando transformada wavelet e uma rede neural ARTMAP

fuzzy. In: CONFERÊNCIA BRASILEIRA DE DINÂMICA,

CONTROLE E APLICAÇÕES, 10., 2011, Águas de Lindóia. Resumos... Ilha Solteira: Unesp/Feis, 2011a. p. 1-4.

[14] M. Sarlak; S. M. Shahrtash. High impedance fault detection using combination of layer perceptron neural networks based on multi-resolution morphological gradient features of current waveform. IET Generation, Transmission and Distribution, Stevenage, v. 5, n. 5, p. 588–595, 2011.

[15] M. S. Tonelli-Neto. “Formulação do Controle Preventivo em sistemas de Distribuição de Energia Elétrica Baseada na Lógica Fuzzy e Redes Neurais”. Dissertação de Mestrado, Faculdade de Engenharia de Ilha Solteira, UNESP, Ilha Solteira, Brasil, 2012.

[16] R. Z. Fanucchi; M. Oleskovicz; D. Barbosa. Análise da Detecção de Faltas de Alta Impedância Utilizando Redes Neurais Artificiais com Topologias Baseadas em Perceptron Multicamadas e Redes RBF. In: SBAI-2013, p. 1-6, 2013.

[17] M. S. Tonelli-Neto; J. G. M. S. Decanini; A. C. Barros; C. R. Minussi. Diagnóstico de Faltas de Alta Impedância em Alimentadores de Distribuição de Energia Elétrica via Sistema de Inferência Fuzzy e Teoria da Evidência. In: SBAI-2013, p. 1-6, 2013.

[18] D. Dasgupta. (1998). “Artficial Immune Systems and Their Applications”. Springer-Verlag New York, Inc., Secaucus, NJ, USA. [19] L. N. de Castro and J. Timmis. (2002). “Artificial Immune Systems: A

New Computational Intelligence Approach”, Springer. 1st edition. [20] S. Forrest; A. Perelson; L. Allen; R. Cherukuri. (1994), “Self-Nonself

Discrimination in a computer”, Proc. do IEEE Symposium on Research in Security and Privacy, pp. 202-212.

[21] L. N. de Castro. “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.

[22] F. P. A. Lima. “Análise de distúrbios de tensão em sistemas de distribuição de energia elétrica baseada em sistemas imunológicos artificiais”. Dissertação de Mestrado, Faculdade de Engenharia de Ilha Solteira, UNESP, Ilha Solteira, Brasil, 2013.

[23] D. W. Bradley; A. M. Tyrrell. (2002). 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.

[24] M. Wylie; M. Pleydell. (2008). Network Management Data Acquisition and Analysis, Road Transport Information and Control – RTIC 2008, United Kingdom, 20-22 p. 1-3.

[25] Emtp-Rv (2011). Eletromagnetic Transient Program, Powersys-Solutions, Le Puy-Sainte-Réparade, France.

[26] A. E. Emanuel; E. M. Gulachenski. High impedance fault arcing on sandy soil in 15kV distribution feeders: contributions to the evaluation of the low frequency spectrum. IEEE Transactions on Power Delivery, Piscataway, v. 5, n. 2, p. 676–686, 1990.

[27] Matlab (2011). 7.8 Version, Mathworks Company.

[28] M. E. Baran and F. F. Wu. (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. [29] J. P. Chiou; C. F. Chang; C. T. Su. Variable scaling hybrid differential

evolution for solving network reconfiguration of distribution systems. IEEE Transactions on Power Systems, New York, v. 20, n. 2, p. 668-674, 2005.

[30] LaPSEE, (2011). Practical 134 bus feeder data. Lines, Transactions of the AIEE, part III - Power Apparatus and Systems, v. 76 (Aug.), p. 518-539. Disponível em: http://www.dee.feis.unesp.br/lapsee/