DETECÇÃOECLASSIFICAÇÃODEFALTASDECURTO-CIRCUITOEMSISTEMASDE
DISTRIBUIÇÃODEENERGIAELÉTRICAUSANDOUMAREDENEURALARTMAPFUZZY
MAURO S.TONELLI-NETO,JOSÉ G.M.S.DECANINI,CARLOS R.MINUSSI.
Programa de Pós-Graduação em Engenharia Elétrica Universidade Estadual Paulista - UNESP
Avenida Brasil, nº 56 – Centro – 15385-000, Ilha Solteira, SP, Brasil
E-mails: maurotonelli@gmail.com, zeguilherme1@bol.com.br, minussi@dee.feis.unesp.br Abstract This paper presents a method for detection and classification of short-circuit faults in real time distribution systems. This support tool for decision making accelerates the restoration procedures of normal operation providing greater security, relia-bility and profitarelia-bility for the utilities. An intelligent system, based on fuzzy ARTMAP neural network concepts, is applied in categorization of short-circuit types and to identify the fault resistance level. Short-circuits were simulated under various fault conditions in a real feeder, composed of 134-bus, using the ATP software. The results show that the diagnosis is realized with efficiency, high computational performance and flexibility, essential requirements for the substation automation implementation.
Keywords Distribution systems, substations automation, fault diagnosis, artificial neural networks.
Resumo Neste artigo apresenta-se um método alternativo para detecção e classificação de faltas de curto-circuito em sistemas
de distribuição de energia elétrica em tempo real. Esta ferramenta de apoio à tomada de decisão acelera os procedimentos para restabelecimento das condições normais de operação propiciando maior segurança, confiabilidade e lucratividade às concessionárias. Um sistema inteligente, baseado nos conceitos da rede neural ARTMAP fuzzy, é aplicado no processo de categorização dos tipos de curto-circuito e identificação do nível da resistência de falta. Foram simulados curtos-circuitos sob as diversas condições de faltas em um alimentador real, composto por 134 barras, utilizando o software ATP. Os resultados obtidos demonstram que o diagnóstico é realizado com eficiência, rapidez e flexibilidade, requisitos primordiais para a implantação da automação de subestações.
Palavras-chave Sistemas de distribuição de energia, automação de subestações, diagnóstico de faltas, redes neurais artificiais.
1 Introdução
Atualmente, grandes investimentos têm sido aplicados visando modernizar os sistemas elétricos de potência, em especial os sistemas de distribuição, no que concerne à automação de suas operações. Neste contexto, duas modalidades de tecnologias se destacam: (1) tecnologia digital; (2) tecnologia da informação. A primeira refere-se ao uso de compo-nentes semicondutores de alta velocidade, em siste-ma de comunicação, controle e proteção. A segunda compreende um grande conjunto de procedimentos e técnicas de processamento e de análise de informa-ções (Decanini e Minussi, 2010; Salim et al., 2008). Dentro desta perspectiva, faz-se necessário, então, desenvolver um sistema integrado, combinando a aquisição, processamento e a análise de dados a fim de proporcionar a assistência necessária para realizar o controle e a tomada de decisão no ambiente de subestações de distribuição de energia elétrica.
As tradicionais práticas de diagnóstico de defei-tos são fortemente baseadas no julgamento dos ope-radores. Durante a ocorrência de uma falta, sinais de alarme, recebidos nas subestações, caracterizam-se pelo status de abertura/fechamento dos relés e das chaves de proteção. Considerando estes eventos, indicativos de anormalidades, os operadores devem estimar a situação do defeito com a máxima rapidez. Esta tarefa é de difícil solução. Se os procedimentos forem tomados baseando-se somente na experiência dos operadores, torna-se quase impossível realizar a automação de forma eficiente. Neste sentido, as me-todologias fundamentadas na inteligência artificial
são procedimentos disponíveis com objetivo de ex-trair o conhecimento de processos complexos, como é o caso da automação de subestações. Estas técnicas buscam combinar a experiência dos operadores hu-manos e a habilidade de executar rotinas de forma segura e de alta rapidez de resposta. Trata-se de me-canismos que, se postos à disposição da operação, podem produzir grandes saltos qualitativos.
Com este propósito, pesquisas vêm sendo reali-zadas combinando técnicas de processamento de sinais e sistemas inteligentes. O trabalho de Baran e Kim (2006) propõe um módulo classificador de so-brecorrentes fundamentado em técnicas de proces-samento de sinais agregadas às redes neurais artifici-ais. Mais especificamente, Salim et al. (2008) utiliza dos conceitos da transformada wavelet para realizar o diagnóstico de faltas em alimentadores de distribui-ção de energia. Kezunovic e Edris (2008) discorrem sobre a implantação de sistemas automáticos para análises de eventos em subestações. Pereira et al. (2009) apresentam um método para localização de faltas baseado em medições esparsas da tensão. Por fim, na literatura especializada encontram-se publi-cações que utilizam distintas ferramentas para a au-tomação de subestações.
Neste artigo, propõe-se um método alternativo para realizar a detecção e classificação de faltas de curto-circuito em sistemas de distribuição de energia elétrica com eficiência, rapidez e flexibilidade, carac-terísticas imprescindíveis para o auxílio à tomada de decisão. O sistema implementado baseia-se nos si-nais de corrente elétrica na saída do alimentador da subestação, dos quais será extraída a assinatura do
estado operativo do sistema. Esta assinatura é anali-sada empregando-se uma rede neural artificial da família ART, ARTMAP fuzzy, cujo treinamento dar-se-á de forma supervisionada.
2 Sistema Teste
Em geral, as concessionárias e os centros de pesquisa não possuem uma base de dados sólida do comportamento de sistemas de distribuição de ener-gia elétrica sob perturbação. Com isso, obtiveram estes dados de curto-circuito modelando um alimen-tador real, trifásico, 13,8 kV, ramificado, composto por 134 barras, com fator de potência igual a 0,92 e potência de 7,065 MVA (LaPSEE, 2010) no software
Alternative Transients Program (ATP Rulebook). 3 Estrutura do Sistema Inteligente para
Diagnós-tico de Faltas de Curto-Circuito
Apresenta-se na Figura 1 a estrutura do sistema inteligente para detecção e classificação de faltas de curtos-circuitos. O processo de detecção de distúrbio é realizado permanentemente através do cálculo de
d0. Havendo anormalidade de corrente extraem-se três índices característicos do estado operativo do sistema (d1, d2 e d3), os quais são transladados, com-pondo o padrão de entrada da rede neural. Por conse-guinte, esta fornecerá, em sua saída, as fases envol-vidas no distúrbio e o nível da resistência de falta. Faltas monofásicas e trifásicas são classificadas dire-tamente pela rede neural ARTMAP fuzzy. Já quando houver duas fases ativas na saída da rede, efetua-se o cálculo do índice d4 que avaliará a presença ou não da terra no distúrbio. Assim, distinguem-se faltas bifásicas com conexão à terra de faltas bifásicas sem conexão à terra. Ic Cálculo de d0 Extração das características do estado operativo do sistema - -+ d1 d2 d3 P ré -p ro c e s s a m e n to C o m p o s iç ã o d o v e to r d e e n tr a d a O p e ra ç ã o c o m p le m e n to . . . . . . C o m p o s iç ã o d o v e to r d e e n tr a d a O p e ra ç ã o c o m p le m e n to . . . . . . . . . s1 s2 s3 s4
{
Ia Ib reset reset I = [a ac] O = [b bc] F1a F2a F0a ρa F2b F0b F1b ρb ρab Fab Mapeamento de campo Representação binária da falta e seu nível de impedância R e s u lt a d o Mono Tri Bi a-g b-g c-g abc (g) ab ac bc Presença da terra Cálculo de d4 Não ab-g ac-g bc-g Sim Wa Wb Wab baixa alta Rf Detecção de distúrbio Sim NãoFigura 1. Estrutura do sistema para diagnóstico de faltas de curto-circuito.
4 Detecção de Anormalidades de Corrente
Considerando que a corrente do alimentador da subestação de distribuição de energia elétrica está em constante monitoramento, executa-se, permanente-mente, o processo de detecção de distúrbios em jane-las de 1 ciclo, ao passo de 0,5 ciclo. Assim, pode-se estimar o valor da amplitude dos sinais de corrente conforme propostoporAl-Jufout(2007)(Figura 2).
Figura 2. Sinal de corrente discretizado.
A amplitude da corrente ( ) é obtida através
da equação (1) (Decanini e Minussi, 2010):
| * ( )+| (1) sendo: ( ) ( ) (radianos elétricos/s); k tempo discreto.
Calcula-se utilizando a equação (1) para
, sendo um número arbitrado (e.g., 3 vezes em um ciclo). Portanto, tem-se (Decanini e Minussi, 2010): ∑ √ (2) | | (3) (4) sendo:
: média aritmética dos L valores
eficazes do sinal de corrente;
: corrente nominal eficaz das
for-mas de onda (fases a, b e c) amostradas;
: índices calculados (fases a, b e c); : índice global de anormalidade de
corrente do alimentador.
Em um sinal senoidal puro, a aplicação da equa-ção (1) fornecerá o valor exato da amplitude. Caso haja qualquer anormalidade, esta será detectada atra-vés da discrepância em relação ao valor real
( ). Deste modo, aplica-se o seguinte
crité-rio para realização do diagnóstico:
Se
Indica existência de anormalidade de corrente;
Se
Indica que não há anormalidade relevante de corrente;
(6)
sendo:
: parâmetro a ser especificado baseando-se na
experiência do operador.
5 Extração das Características do Estado Opera-tivo do Sistema
5.1 Determinação das Fases Envolvidas
Dispondo das oscilografias registradas na saída do alimentador, identifica-se o valor máximo da corrente elétrica em cada fase (terna {a, b, c}). As-sim, calculam-se as grandezas:
(7) sendo:
MIa : valor máximo absoluto da corrente elétrica na
fase a;
MIb : valor máximo absoluto da corrente elétrica na
fase b;
MIc : valor máximo absoluto da corrente elétrica na
fase c.
Como se buscam índices característicos do esta-do operativo esta-do sistema elétrico, as grandezas da, db e dc são normalizadas e representadas de forma rela-tiva (Mahanty e Gupta, 2007):
* + (8) (9) (10)
Os índices d1, d2 e d3 estabelecem padrões carac-terísticos do estado operativo do sistema. Analisan-do-os, tem-se:
(11)
Conseqüentemente pode-se expressar d3 por:
( ) (12)
A dependência do índice d3 em relação aos índi-ces d1 e d2 facilita a resolução do problema de classi-ficação de curto-circuito.
Os valores destes índices estão compreendidos entre -1 e +1 definindo com exatidão as fases envol-vidas no distúrbio. Sua variação depende do tipo de curto-circuito, carregamento do sistema, ângulo de inserção, localização e resistência de falta.
5.2 Determinação da Presença da Terra
Nos casos de faltas bifásicas, os índices de en-volvimento das fases não distinguem se há presença ou ausência da terra. Desta forma, é necessária a inclusão de outro índice para esta função:
* + (13)
O parâmetro é baseado nos conceitos da cor-rente de sequência zero. Havendo faltas que possuem ligação com a terra, este índice apresentará valores muito superiores àquelas faltas sem ligação com a terra. Com isso, utiliza-se o seguinte critério:
Se
Indica a presença da terra na falta; (14)
Se
Indica a ausência da terra; (15) sendo:
: valor estabelecido baseando-se na
experi-ência do operador.
6 Análise Crítica das Características do Estado Operativo do Sistema
Operação Normal
A execução permanente do procedimento de de-tecção de anormalidades de corrente no alimenta-dor dar-se-á através do parâmetro d0. Na Tabela1 apresenta-se o valor do índice global de anorma-lidade ( ) considerando distintas condições ope-rativas do sistema de distribuição, e.g., resistência de falta (Rf), tipo de curto-circuito, e o valor limi-te para averiguação de faltas ( ).
Envolvimento das Fases
Os índices d1, d2 e d3 definem, com exatidão, as fases envolvidas no distúrbio. Caso o sistema seja submetido a uma falta monofásica ou trifásica o módulo de classificação realiza o diagnóstico com precisão concentrando-se apenas na avalia-ção destes três índices. Em faltas bifásicas identi-ficam-se plenamente as fases envolvidas no dis-túrbio. A Figura 3 mostra a distribuição destes índices para os possíveis tipos de faltas sob as condições apresentadas na Tabela 3.
Figura 3. Distribuição espacial dos índices indicativos das fases envolvidas (estrela: fase a, círculo: fase b, triângulo: fase c, qua-drado: fases a e b, losango: fases a e c, cruz: fases b e c, ponto:
fases a, b e c). Envolvimento da Terra
Como era de se esperar, os curtos-circuitos bifá-sicos sem conexão à terra e os bifábifá-sicos com
co-nexão à terra possuem as mesmas características responsáveis pela identificação das fases sob de-feito (d1, d2 e d3). Neste sentido, utiliza-se o pa-râmetro d4, o qual constata a presença ou ausên-cia da terra na falta, distinguindo-os perfeitamen-te. A Tabela 1 apresenta o valor do parâmetro considerando distintas condições operativas do sistema de distribuição e o valor limite para iden-tificação da presença da terra no distúrbio ( ). Tabela 1. Valor dos parâmetros responsáveis pela detecção de
distúrbios e pelo envolvimento da terra. Tipo de curto-circuito Rf ( ) a-g 0,1 440,23 1116,70 10 80,10 256,05 100 11,68 30,15 ac 0,1 967,14 4,42 10 58,60 1,44 100 34,83 0,69 bc-g 0,1 532,28 837,49 10 127,21 239,64 100 32,40 29,08 Op. normal - 0,01 0,6 Limites - 0,3
7 Redes Neurais da Família ART
As redes neurais artificiais da família ART (Ca-penter et al. 1992) possuem duas características fun-damentais que a habilitam para aplicações em mo-dernos sistemas de energia elétrica: estabilidade e plasticidade. A estabilidade corresponde à capacida-de capacida-de aprencapacida-der através do ajuste dos pesos e a plasti-cidade à capaplasti-cidade de continuar a aprender com a inclusão de novos padrões, sem perder a memória anteriormente adquirida.
7.1 Rede Neural ART fuzzy
A rede neural ART fuzzy incorpora cálculos da teoria dos conjuntos nebulosos, com capacidade de reconhecimento estável através de auto-organização em resposta a padrões de entrada analógicos ou biná-rios. A estrutura da rede ART é composta por três campos (F0, F1 e F2) como mostrado na Figura 1.
7.1.1 Dados de Entrada
Os dados de entrada são denotados pelo vetor a,
M-dimensional, que é normalizado para evitar a
proliferação de categorias. ̅ | | (16) sendo: | | ∑
A codificação do complemento é realizada para preservar a amplitude da informação.
̅ ̅ (17)
Então, o vetor de entrada será 2M-dimensional, denotado pela equação (18).
, ̅ ̅ - , ̅ ̅ ̅ ̅ - (18)
7.1.2 Parâmetros
Existem três parâmetros para o desempenho e o aprendizado da rede neural ART fuzzy de acordo com Carpenter et al. (1991):
Parâmetro de escolha ( ): atua na seleção de categorias;
Taxa de treinamento ( , -): controla a velocidade de adaptação da rede;
Parâmetro de vigilância ( , -): responsável pelo número de categorias criadas.
7.1.3 Inicialização dos Pesos
Inicialmente, todos os pesos da rede possuem o valor igual a um, indicando que não existe nenhuma categoria ativa.
7.1.4 Escolha da Categoria
Para cada nó j, a função de escolha é determi-nada pela equação (19):
| |
| | (19)
sendo definido pela equação (20):
( ) (20) A categoria é escolhida como o nó ativo J de acordo com Carpenter et al. (1991):
(21)
Se existir mais de uma categoria ativa, a catego-ria escolhida é aquela que tiver o menor índice.
7.1.5 Ressonância ou Reset
A ressonância ocorre se o critério de vigilância representado pela equação (22) for satisfeito:
| |
| | (22)
Se a equação (22) não for satisfeita, então ocorre o reset. Na ação reset, assume o valor igual a zero e então é escolhida uma nova categoria pela equação (21) para realizar o processo de ressonância. Este processo é executado até que a rede encontre uma categoria que satisfaça a equação (22).
7.1.6 Aprendizado
O processo de aprendizado é realizado após o es-tado de ressonância, onde ocorre a modificação do vetor de pesos através da equação (23).
( ) ( ) (23)
Dois tipos de treinamento, dependendo do valor de , são possíveis:
Treinamento rápido:
7.2 Rede Neural ARTMAP fuzzy
A estrutura da rede ARTMAP fuzzy é similar à da rede ART fuzzy. Esta rede é composta por dois módulos ART fuzzy: ARTa e ARTb, interconectados
por um módulo de memória associativa (inter-ART) como mostrada na Figura 1. O módulo inter-ART possui um mecanismo auto-regulador chamado
matchtracking, onde seu objetivo é maximizar a
generalização e minimizar o erro da rede (Carpenter et al., 1991; Lopes et al., 2005).
8 Pré-Processamento e Codificação
8.1 Pré-Processamento
O padrão de entrada da rede neural é formado pelos índices comportamentais d1, d2 e d3 pertencen-tes ao intervalo [-1, +1]. Os valores dos padrões de entrada da rede neural ARTMAP fuzzy devem estar compreendidos entre [0, +1]. Assim, efetua-se uma translação de eixo, conforme apresentada na equação (24):
(24) sendo:
: índice característico do sistema;
: índice característico transladado do sistema.
8.2 Codificação de Saída
A rede neural ARTMAP fuzzy fornecerá em sua saída um vetor indicativo das fases envolvidas na falta e o nível da resistência de falta ( ). A Tabela 2 apresenta as codificações de saída da rede neural.
Tabela 2. Codificação de saída da rede neural ARTMAP fuzzy. Fases envolvidas na falta Fase a (s1) Fase b (s2) Fase c (s3) Resistência de falta (s4) a 1 0 0 0 1 b 0 1 0 0 1 c 0 0 1 0 1 ab 1 1 0 0 1 bc 0 1 1 0 1 ca 1 0 1 0 1 abc(g) 1 1 1 0 1 sendo: { ( ) ( )
9 Resultados Obtidos e Discussões
O sistema de diagnóstico de anormalidades de corrente é empregado na detecção e classificação dos possíveis tipos de curto-circuito. Deve-se concebê-lo
considerando o dinamismo inerente dos sistemas elétricos de potência. Portanto, torna-se necessária uma base de dados consistente e representativa do comportamento do mesmo. Com este intuito, realiza-ram-se 1500 simulações do sistema teste no software ATP sob uma frequência de amostragem comumente disponibilizada nos equipamentos de medição, 15,36 kHz, considerando as variáveis influentes: resistência de falta, carregamento do sistema, localização da falta e ângulo de inserção da falta. Mais especifica-mente, 1050 vetores compõem o conjunto de treina-mento e 450 vetores o conjunto de teste da rede neu-ral, os quais são caracterizados pela combinação dos valores apresentados na Tabela 3.
Tabela 3. Parâmetros característicos das simulações de curto-circuito. Resistência de falta (Ω) Carregamento do sistema (%) Localização da falta (nº da barra) Ângulo de inserção (º) 0,1 60 4 0 2 80 29 90 10 100 78 - 50 - 120 - 100 - outras -
O processo contínuo de detecção de distúrbio obteve êxito em todos os diagnósticos com alto de-sempenho computacional, habilitando-o à operação
on-line.
O nível de eficiência na classificação do distúr-bio está diretamente relacionado à execução de um treinamento adequado e à correta especificação dos parâmetros da rede neural ARTMAP fuzzy. Dentro deste contexto, destaca-se a avaliação executada sob cinco distintas topologias da rede. A Tabela 4 apre-senta os valores dos parâmetros utilizados em cada topologia, o tempo de treinamento e o percentual de acerto.
Tabela 4. Resultados obtidos considerando variações nos parâme-tros da rede neural ARTMAP fuzzy.
Topologia 1 2 3 4 5 α 0,1 0,1 0,5 0,5 0,5 β 1,0 1,0 1,0 1,0 1,0 ρa 0,85 0,96 0,85 0,9 0,96 ρb 1,0 1,0 1,0 1,0 1,0 ρab 0,95 0,95 0,95 0,95 0,95 Treinamento (s) 6,50 6,60 6,51 6,56 6,58 Acerto (%) 91,56 98,00 91,56 95,33 98,22
A especificação ótima obtida corresponde à quinta topologia, a qual apresentou índice de acerto de 98,22%. Ressalta-se o reduzido tempo de treina-mento quando comparado às técnicas comumente empregadas na literatura especializada. A Tabela 5 detalha o desempenho do sistema inteligente para diagnóstico de faltas de curto-circuito. As simulações foram executadas utilizando um desktop Intel Core 2 Duo 2,93 GHz com 4 Gb de memória RAM.
A extração de características essenciais do esta-do operativo esta-do sistema integrada ao sistema inteli-gente proporcionou alta capacidade de generalização,
flexibilidade e eficiência, características imprescin-díveis para auxiliar à tomada de decisão.
Tabela 5. Desempenho do sistema inteligente para diagnóstico de faltas de curto-circuito. Curto-circuito Resistência de falta Padrões de treinamento Padrões de teste Acerto (%) a-g Baixa 65 25 100,00 Alta 40 20 100,00 b-g Baixa 61 29 100,00 Alta 44 16 100,00 c-g Baixa 58 32 100,00 Alta 43 17 100,00 ab Baixa 65 25 92,00 Alta 39 21 95,24 ac Baixa 62 28 100,0 Alta 49 11 100,00 bc Baixa 63 27 100,00 Alta 48 12 100,00 ab-g Baixa 66 24 95,83 Alta 41 19 89,47 ac-g Baixa 63 27 100,00 Alta 46 14 100,00 bc-g Baixa 51 39 100,00 Alta 43 17 100,00 abc(g) Baixa 63 27 92,59 Alta 40 20 100,00 Total - 1050 450 98,22 10 Conclusão
Nesta pesquisa foi proposto um método alterna-tivo moderno e eficiente para diagnóstico do estado operativo de sistemas de distribuição de energia elétrica em tempo real. Este sistema inteligente foi concebido tendo como foco o compromisso existente entre as necessidades atuais das concessionárias e suas condições técnicas e econômicas.
Esta estrutura pode ser implementada de forma simples e com baixos investimentos. Os principais requisitos são: sistema de aquisição de dados capaz de efetuar o monitoramento contínuo das correntes do alimentador e dispositivos de processamento de dados.
Este método apresentou robustez às diversas va-riáveis influentes no processo de diagnóstico de faltas de curto-circuito, e.g., carregamento do siste-ma, resistência de falta, ângulo de inserção de falta e localização da falta. O índice de acerto do sistema de detecção e classificação de faltas de curto-circuito foi de 98,22%. A possibilidade de inclusão do módulo de treinamento continuado (Marchiori, et al. 2011) representa outra vantagem desta arquitetura, ou seja, esta nova concepção de rede pode fornecer melhores resultados. Ao longo do tempo, este índice de acerto tenderá a 100%.
Por fim, os procedimentos de automação de su-bestações de energia elétrica fornecem, aos operado-res do sistema, informações vitais para sua tomada de decisão, refletindo diretamente na segurança, confia-bilidade e lucratividade das concessionárias.
Agradecimentos
Os autores agradecem à Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) pelo apoio financeiro recebido para a realização desta pesquisa.
Referências Bibliográficas
Al-Jufout, S. A. (2007). One-Line Condition-Monitoring of Electrical Power System Unbalance. International Journal of Energy Technology and Policy, Vol. 5, No. 6, pp. 684- 691.
Alternative Transients Program (ATP), Rulebook. Baran, M. E. and Jinsang Kim (2006). A Classifier for
Distribution Feeder Overcurrent Analysis. IEEE Transactions on Power Delivery, Vol. 21, No. 1, pp. 456- 462.
Carpenter, G. A.; Grossberg, S. and Rosen, D. B. (1991). Fuzzy ART: Fast Stable Learning and Cat-egorization of Analog Patterns by an Adaptive Resonance Theory. Neural Networks, Vol. 4, pp. 759– 771.
Carpenter G. A.; Grossberg S.; Markuzon, N.; Reyn-olds, J. H. and Rosen, D. B. (1992). Fuzzy ART-MAP: A Neural Network Architecture for Incre-mental Supervised Learning of Analog Multidi-mensional Maps. IEEE Transaction on Neural Networks, Vol. 3, No. 5, pp. 698– 713.
Decanini, J. G. M. S. e Minussi, C. R. (2010). Diagnós-tico do Estado Operativo de Sistemas de Distribui-ção de Energia Elétrica. Anais do XVIII Congresso Brasileiro de Automática, Vol. 1, pp. 1483- 1489. Kezunovic, M. and Edris, A. (2008). Automated
Analy-sis Systems for Monitoring, Maintenance and Con-trol of Power Systems. 12th International Middle-East Power Systems Conference, pp. 39- 43. LaPSEE “Practical 134 bus feeder data”, available:
http://www.dee.feis.unesp.br/lapsee/TestSystems/1 35_bus_feeder.pdf, Laboratório de Planejamento de Sistemas de Energia Elétrica, 2010.
Lopes, M. L. M.; Minussi, C. R. and Lotufo, A. D. P. (2005). Electric Load Forecasting Using a Fuzzy ART & ARTMAP Neural Network. Electric Power Systems Research, Vol. 5, No. 2, pp. 235- 244. Mahanty, R. N. and Gupta, P. B. D. (2007). A Fuzzy
Logic Based Fault Classification Approach Using Current Samples Only. Electric Power Systems Re-search, Vol. 77, No. 6-7, pp. 501- 507.
Marchiori, S.C.; Silveira, M.C.G.; Lotufo, A. D. P.; Minussi, C. R. and Lopes, M.L.M. (2011). Neural Network Based on Adaptive Resonance Theory With Continuous Training For Multi-Configuration Transient Stability Analysis Of Electric Power Sys-tems. Applied Soft Computing, Volume 11 Issue 1, January, 2011, pp. 706-715.
Salim, R. H.; de Oliveira, K.; Filomena, A. D.; Resener, M. and Bretas, A. S. (2008). Hybrid Fault Diagno-sis Scheme Implementation for Power Distribution Systems Automation. IEEE Transactions on Power Delivery, Vol. 23, No. 4, pp. 1846- 1856.
Pereira, R. A. F.; Silva, L. G. W.; Kezunovic, M. and Mantovani, J. R. S. (2009). Improved Fault Loca-tion on DistribuLoca-tion Feeders Based on Matching During-Fault Voltage Sags. IEEE Transactions on Power Delivery, Vol. 24, No. 2, pp. 852- 862.
