See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/260210612

Análise de Distúrbios de Tensão em Sistemas de Distribuição de Energia

Elétrica Usando o Algoritmo de Seleção Negativa

Conference Paper · October 2012

DOI: 10.13140/RG.2.1.3443.4081

CITATIONS READS

4 242

2 authors:

Fernando Parra dos Anjos Lima Carlos Roberto Minussi

Instituto Federal de Educação, Ciência e Tecnologia de Mato Grosso (IFMT) São Paulo State University
42 PUBLICATIONS   129 CITATIONS    89 PUBLICATIONS   575 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Graduation course completion work View project

All content following this page was uploaded by Fernando Parra dos Anjos Lima on 18 February 2014.

The user has requested enhancement of the downloaded file.

 Análise de Distúrbios de Tensão em Sistemas de Distribuição
de Energia Elétrica Usando o Algoritmo de Seleção Negativa
Fernando P. A. Lima1, Carlos R. Minussi1
1
Departamento de Engenharia Elétrica – Faculdade de Engenharia de Ilha Solteira
(FEIS), Universidade Estadual Paulista “Júlio de Mesquita Filho” ( UNESP), Caixa
Postal 31, 15385-000 – Ilha Solteira – SP – Brasil
fernandoparra@aluno.feis.unesp.br, minussi@dee.feis.unesp.br

Abstract. This paper presents a method for the diagnostics of voltage

disturbances in distribution systems of electric power, aerial and radials. This
method uses voltage measurements in three phases, obtained from the
substation to perform the monitoring system. An artificial immune system
drawing on the negative selection algorithm was used. The main application
of this method is to assist the operation of the system during faults as well as
overseeing the protection system. Tree distribution systems are used to
evaluate the proposed methodology, two test systems of 5 and 33 bars and the
other a real system of 134 bars.

Resumo. Este artigo apresenta um método para diagnóstico de distúrbios de

tensão em sistemas de distribuição de energia elétrica, aéreos e radiais. Este
método utiliza as medições de tensão nas três fases, obtidas na subestação,
para realizar o monitoramento do sistema. Um sistema imunológico artificial,
tomando como base o algoritmo de seleção negativa, foi utilizado. A principal
aplicação deste método é auxiliar a operação do sistema durante falhas, bem
como supervisionar o sistema de proteção. Três sistemas de distribuição são
utilizados para avaliar a metodologia proposta, sendo dois sistemas teste de 5
e 33 barras e outro um sistema real de 134 barras.

1. Introdução
Os sistemas de distribuição de energia elétrica estão sofrendo modernizações, através da
automatização de seus processos, neste contexto, duas categorias de tecnologias vêm se
destacando, a tecnologia digital e a tecnologia da informação. A tecnologia digital se
refere ao uso de componentes semicondutores de alta velocidade, em sistemas de
comunicação, controle, proteção, entre outras funções (Kezunovic e Abur, 2005). A
tecnologia da informação se baseia em um grande conjunto de procedimentos de análise
e processamento de sinais (oscilografias, e informações como a configuração do
sistema, etc.).
Considerando um sistema de distribuição de energia moderno, o objetivo é
satisfazer requisitos como a melhoria da confiabilidade, segurança do sistema e
eficiência. Tendo como base esta perspectiva, é necessário que se desenvolva sistemas
integrados que tenham a capacidade de combinação de várias técnicas como: aquisição
de sinais, análise e processamento de dados, com o objetivo de proporcionar o auxílio
necessário para realizar a automação, controle e tomada de decisão no ambiente de
distribuição de energia elétrica. (Northcote-Green e Wilson, 2007; Decanini, 2008;
Barros, 2009).
Estas melhorias nos sistemas de distribuição estão diretamente relacionadas ao
produto energia, que diferente de outros, não pode ser armazenado. A produção assim
como o consumo acontece ao mesmo tempo. Dessa forma, o comércio de energia
elétrica se torna cada vez mais exigente quanto à continuidade e qualidade deste
produto, pois a energia é um fator fundamental para os consumidores. Com estes fatores
levantados, torna-se essencial o uso de ferramentas de auxílio e apoio à operação do
sistema. Neste contexto realizando-se uma busca na literatura especializada encontram-
se trabalhos que têm sido publicados ao longo dos anos, que merecem mérito e destaque
pela contribuição para este assunto. Nos trabalhos de (Stringfield et al., 1957; Srinivasan
e St-Jacques, 1989) são apresentados ferramentas desenvolvidas para uso na operação
com a finalidade de dar apoio ao diagnóstico de falhas. Outros trabalhos como em
(Fukui e Kawakami, 1986; Monsef et al., 1997) apresentam ferramentas que são
concebidas com base em Sistemas Especialistas (SES). Esses sistemas são baseados na
experiência dos profissionais da área de operação e no estado dos alarmes e sinalizações
ligados à proteção do sistema elétrico. Embora essas ferramentas baseadas em SES
produzam bons resultados, elas enfrentam alguns problemas tais como tempo de
execução, muitas vezes não apropriado para aplicação em tempo real, e dificuldades
tanto na obtenção do conhecimento especialista, como na sua implementação. Na
literatura também se observa a utilização de sistemas inteligentes na tarefa de detecção
de falhas em sistemas de distribuição de energia elétrica, onde as técnicas de
inteligência artificial (IA), adequam-se bem ao diagnóstico de falhas devido à ausência
de uma formulação analítica eficaz, capaz de solucionar o problema. Muitas ferramentas
foram desenvolvidas baseadas em diversas técnicas de IA. Entre estas destacam-se as
redes neurais artificiais (Vale et al., 2006; Amis e Carpenter, 2010; Carpenter et al.,
1992; Kartalopoulos, 1996; Tonelli-Neto, 2012), a lógica fuzzy (Chen et al., 2000; Chen
e Pham, 2006; Kartalopoulos, 1996; Zadeh, 1965; Decanini et al., 2008), a busca tabu
(Chang e Wen, 1998) e o algoritmo genético (Wen e Chang, 1997). Existe também a
aplicação de métodos, tais como redes de Petri (Lo et al., 1997), e os Sistemas
Imunológicos Artificiais (SIA), como em (Carvalho et al., 2009).
O SIA é um promissor campo da Inteligência Artificial inspirado nos Sistemas
Imunológicos Biológicos para reproduzir computacionalmente suas principais
características, propriedades e habilidades (de Castro, 2001; Dasgupta, 1998). O SIA se
mostra uma ferramenta adequada para ser aplicada no diagnóstico de falhas em sistemas
elétricos, devido a sua característica de detecção de anomalias no comportamento do
sistema (de Castro, 2001).
Neste artigo apresenta-se um método para diagnóstico de distúrbios de tensão
em redes aéreas de distribuição radiais, utilizando os SIA, em específico o algoritmo de
seleção negativa (ASN). Para comprovar a eficácia da metodologia foram testados dois
sistemas de distribuição, sendo um de 33 e o outro de 134 barras.
Este artigo esta organizado como a seguir. Na seção 2 apresenta-se o algoritmo
de seleção negativa (ASN). A descrição para os distúrbios de tensão está na seção 3. Na
seção 4 apresenta-se a metodologia proposta. Os resultados estão apresentados na seção
5 e na seção 6 está a conclusão para este trabalho.
2. Algoritmo de Seleção Negativa (ASN)
O ASN proposto por Forrest et al. (1994) para detecção de mudanças em sistemas é
baseado na seleção negativa de linfócitos T dentro do timo. Este processo trabalha com
a discriminação de células próprias e não-próprias. O algoritmo é executado em duas
fases, como a seguir (de Castro, 2001):
1. Censoriamento
a) Defina o conjunto de cadeias próprias (S) que se deseja proteger;
b) Gere cadeias aleatórias e avalie a afinidade (Match) entre cada uma delas e as
cadeias próprias. Caso a afinidade seja superior a um limiar estipulado, rejeite a cadeia.
Caso contrário, armazene-a em um conjunto de detectores (R).
2. Monitoramento
a) Dado o conjunto de cadeias que se deseja proteger (cadeias protegidas), avalie 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.
Cadeias
Próprias (S)

Gere Cadeias Casou ? Conjunto de

NÃO
aleatoriamente (Match) Detectores (R)

SIM

Rejeita

Figura 1. Fluxograma da fase de Censoriamento do ASN.

Conjunto de
Detectores (R)

Cadeias Casou ? NÃO

Protegidas (S) (Match)

SIM

Não-próprio
detectado

Figura 2. Fluxograma da fase de Monitoramento do ASN.

O ASN consiste-se basicamente em gerar um conjunto de detectores, a partir de

candidatos escolhidos aleatoriamente e descartar aqueles que reconhecem dados
próprios ao sistema monitorado. Os detectores são análogos às células tipo T maturadas
capazes de reconhecer agentes patogênicos e são, assim, utilizados para detectar
praticamente qualquer elemento não-próprio, isto é, uma modificação ou erro do sistema
que se quer monitorar. Vale salientar que a fase de censoriamento ocorre de modo off-
line enquanto que a fase de monitoramento ocorre em tempo real. (de Castro e Timmis,
2002).

3. Distúrbios de Tensão
Todos os sistemas de distribuição de energia elétrica estão susceptíveis a problemas e
falhas em sua operação. Sendo estas falhas provocadas por mau funcionamento de
equipamentos, queimadas, contatos de animais às partes energizadas, fenômenos
naturais, entre outros. Estes eventos podem causar a interrupção do fornecimento de
energia, ou afetar a qualidade da energia, introduzindo harmônicos e degradando os
índices de qualidade de energia elétrica das concessionárias, e então elevar os custos
operacionais.
Em relação à qualidade de energia, a categoria de distúrbios de tensão
corresponde ao conjunto de distúrbios mais graves, devido às consequências prejudiciais
do seu efeito sobre equipamentos ligados à rede. Os distúrbios de tensão tem a
característica de apresentar variações de curta duração na magnitude da tensão a partir
de um valor nominal. Dependendo da magnitude da variação, os distúrbios são
classificados como interrupções, elevações e afundamentos, dependendo de sua duração
que pode ser instantânea, momentânea ou temporária. (Decanini et al., 2011).
Os distúrbios de tensão podem causar interferências nos sistemas de
comunicação, superaquecimento de condutores, medições imprecisas e atuação indevida
de relés, comprometendo a qualidade da energia para os consumidores e as empresas de
distribuição de energia (Decanini, 2008).

3.1. Modelagem e Simulações dos Distúrbios

A maior dificuldade em realizar pesquisas nesta área é a falta de um conjunto de dados
sólidos 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 destes eventos (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 contexto, utilizando o software EMTP (Electromagnetic Transient
Simulation Software), foram modelados dois sistemas de distribuição de energia
elétrica. A frequência de amostragem utilizada nas simulações foi de 15,36 kHz, a qual
corresponde a 256 amostras por ciclo e o tempo de simulação foi de 200 ms.
Para as simulações de distúrbios de tensão foi utilizado um modelo teórico
proposto por Abdel-Galil et al. (2004), o qual é apresentado na Tabelas 1, onde tem-se
as equações e os parâmetros utilizados para simulação de cada distúrbio.
No software EMTP (EMTP-RV, 2011) utilizou a rotina models apresentada por
(Dubé, 1996), para modelar fontes geradoras para cada um dos tipos de distúrbios de
tensão apresentados na Tabela 1, sendo estas fontes responsáveis por fornecer tensão aos
sistemas elétricos modelados. No total foram feitas 1584 simulações, sendo realizadas
336 simulações para o sistema de 5 barras e 624 simulações para cada um dos sistemas
elétricos de 33 e 134 barras. As simulações foram realizadas considerando a fase na qual
o distúrbio ocorria, os carregamentos do sistema, que variavam de 50% até 120% e os
 parâmetros, conforme a tabela 1. Na tabela 2 apresenta-se o número de simulações para
cada tipo de distúrbio de tensão simulado para os sistemas simulados.

Tabela 1. Equações e parâmetros utilizados para modelagem dos distúrbios.

Distúrbio Equações Parâmetros
0 , t  0 0 ,9    1
Outage  
v  t   A 1    u  t  t1   u  t  t2   sen t  , t1  t2 , u  t   
T  t1  t2  12T
1, t  0
 1sen t    3 sen  3t   1  1
v t   A 
Harmônico
  sen  5t    sen  7t   0,05  3,5,7  0,15
 5 7 
0,1    0,8
Swell  
v  t   A 1    u  t  t1   u  t  t2   sen t  , t1  t2 , u  t   0, t  0
T  t1  t2  12T
1, t  0
0 , t  0 0,1    0,9
Sag  
v  t   A 1    u  t  t1   u  t  t2   sen t  , t1  t2 , u  t   
T  t1  t2  12T
1, t  0
 1sen t   1  1
  u  t  t1     0 , t  0
Swell com
v  t   A 1    

   3 sen  3t   , t1  t2 , u  t    0,05  3,5  0,15
Harmônico 

 u  t  t   
 2   1, t  0 0,1    0,8
  5 sen  5t   T  t1  t2  12T
1  1
 1sen t  
  u  t  t1      0 , t  0 0,05  3,5  0,15
Sag com
v  t   A 1        3 sen  3t   , t1  t2 , u  t   
Harmônico 

 u  t  t   
 2   1, t  0 0,1    0,9
  5 sen  5t   T  t1  t2  12T
2  b  2
Transitório
Oscilatório 
v  t   A sen t   be
  t t1 
sen tr  t  t1    50    100
500 Hz  ftr  1500 Hz

Tabela 2. Quantidade de simulações realizadas para cada sistema.

Sistema
Distúrbio de Tensão
5 Barras 33 Barras 134 Barras
Outage 24 48 48
Harmônico 72 144 144
Swell 48 72 72
Sag 48 72 72
Swell com Harmônico 48 96 96
Sag com Harmônico 48 96 96
Transitório
48 96 96
Oscilatório
Total 336 624 624

4. Metodologia Proposta
Esta metodologia proposta para diagnóstico de distúrbios de tensão é dividida em duas
fases, a fase de censoriamento e a fase de monitoramento. Estas fases são descritas a
seguir:
4.1. Censoriamento
Nesta fase, geram-se os detectores para o SIA, processo o qual é feito em modo off-line.
Inicialmente definem-se quais são os sinais que devem ser protegidos, ou seja, os sinais
próprios. Os sinais próprios têm as características de operação normal do sistema, então
tudo que for diferente do estado operacional normal é uma anormalidade. Então a partir
dos dados simulados os detectores são gerados aleatoriamente. Assim os dados
simulados são testados para verificar se casam com algum sinal próprio, se um
casamento é encontrado o vetor aleatório é rejeitado, caso contrário, é aceito como
detector no conjunto de detectores para o distúrbio em questão. Esse processo é repetido
até que um número desejado de detectores seja obtido para cada distúrbio. Este processo
nada mais faz do que extrair as características de cada tipo de distúrbio e armazenar na
memória para realizar as detecções e classificações. Utiliza-se o casamento parcial
proposto por (Bradlay, 2002), onde se necessita que somente parte dos detectores sejam
acionados para indicar a presença de uma anomalia.
4.2. Monitoramento dos dados
A fase de monitoramento é dividida em três módulos, os quais são responsáveis por
fazer a aquisição dos dados, a detecção próprio/não-próprio e a classificação dos
distúrbios. A figura 3 ilustra o fluxograma da fase de monitoramento dos dados.
Inicio

Leitura dos Sinais Módulo: Aquisição dos Dados

Não

Detecção dos Distúrbios

Módulo: Detecção

Encontrou sinal
não-próprio ?

Sim

Classificação do distúrbio Módulo: Classificação

Impressão do Diagnóstico

Figura 3. Fluxograma da fase de Monitoramento

No módulo de aquisição de dados o algoritmo faz a leitura das oscilografias de

tensão medidas na subestação (via sistema de aquisição de dados (SCADA)). Essa
captura ocorre visando realizar o monitoramento do erro, e captura é feita em tempo
real.
O módulo de detecção é o responsável por fazer o reconhecimento dos dados,
classificando-os em próprios e não-próprios. Sendo os sinais próprios o estado normal
de operação do sistema, e os sinais não-próprios a identificação de uma anomalia. A
figura 4 ilustra o processo de detecção.

Detectores
Fase A Módulo Detector

Fase A SIA Fase A

Detectores
Fase B
Entrada de dados

Saída
Fase B SIA Fase B
Próprio/não-próprio

Detectores
Fase C

Fase C SIA Fase C

Figura 4. Fluxograma da fase de Monitoramento

Como se observa na figura 4, para cada fase do sistema existe um sistema

imunológico artificial com seus respectivos detectores, sendo assim caso seja
identificado alguma anomalia naquela fase o sistema irá acusar na saída como próprio
ou não-próprio. A tabela 3 a seguir apresenta a codificação para a saída na fase de
detecção.

Tabela 3. Codificação da saída próprio/não-próprio.

Não-próprio Não-próprio Não-próprio
Saída
na Fase A na Fase B na Fase C
Fase A 1 0 0
Fase B 0 1 0
Fase C 0 0 1
Sendo que “0” representa um sinal próprio, e “1” representa um sinal não-
próprio.
No momento de monitoramento próprio/não-próprio se o sistema detecta alguma
anomalia em alguma fase o módulo de classificação é acionado e executado somente na
fase a qual foi identificada uma anomalia. O módulo de classificação é responsável por
identificar a que tipo de distúrbio a anomalia se enquadra e classificá-la dentre os
distúrbios de tensão.
 A execução do módulo é semelhante à detecção próprio/não-próprio, porém é
executada somente na fase que foi acionado a detecção. Então na fase acionada um SIA
juntamente com seu conjunto de detectores para cada tipo de distúrbio, faz a análise do
sinal e retorna uma saída codificada para os 7 tipos de distúrbios trabalhados neste
artigo, a saída indica a qual distúrbio o sinal analisado representa. A tabela 4 apresenta a
codificação para o diagnóstico encontrado pelo sistema.

Tabela 4. Codificação do diagnóstico encontrado.

Sag com Swell com Transitório
Sag Swell Outage Harmônico
Harmônico Harmônico Oscilatório
1 0 0 0 0 0 0
0 1 0 0 0 0 0
0 0 1 0 0 0 0
Saída 0 0 0 1 0 0 0
0 0 0 0 1 0 0
0 0 0 0 0 1 0
0 0 0 0 0 0 1

5. Resultados
A metodologia proposta foi desenvolvida na linguagem MATLAB. Todas as simulações
foram realizadas 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 proposto foi aplicado
aos dados dos sistemas de distribuição de energia elétrica de 5, 33 e 134 barras. Os
dados de linhas e de carga dos sistemas de 33 e 134 são encontrados em (Baran e Wu,
1989; LaPSEE, 2011). Os dados do sistema de 5 barras são apresentados no Apêndice
deste artigo. Nas tabelas 6 e 7 encontram-se os dados de linhas e de carga, e na figura 5
é ilustrado o diagrama unifilar do sistema.

5.1. Características dos sistemas elétricos

O sistema de 5 barras é um sistema teste que possui 4 barras de carga, 1 subestação e 4
circuitos, tem como tensão base 11,5 kV, e as condições de carga total ativa e reativa
são de 15,3 kW e 8,8 kVAr.
O sistema de 33 barras é um sistema teste que possui 32 barras de carga, 1
subestação e 32 circuitos, tem como tensão base 12,66 kV, e as condições de carga total
ativa e reativa são de 3.715 kW e 2.315 kVAr. (Baran e Wu, 1989).
O sistema de 134 barras 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. (LaPSEE,
2011).

5.2. Resultados Obtidos

A Tabela 5 apresenta os resultados obtidos na detecção e classificação dos
distúrbios de tensão para os sistemas de 5, 33 e 134 barras.
 Tabela 5. Resultados para os sistema testados.
Sistema de 5 Barras Sistema de 33 Barras Sistema de 134 Barras
Padrões Padrões Padrões
Diagnóstico Acerto (%) Acerto (%) Acerto (%)
testados testados testados
Swell 48 100,00 72 100,00 72 100,00
Sag 48 97,22 72 98,61 72 94,44
Outage 24 100,00 48 100,00 48 100,00
Harmônico 72 100,00 144 100,00 144 100,00
Swell com
48 100,00 96 100,00 96 100,00
Harmônico
Sag com
48 97,91 96 97,91 96 97,91
Harmônico
Transitório
48 100,00 96 100,00 96 100,00
Oscilatório
Total 336 99,30 624 99,51 624 98,97

6. Conclusão
Neste artigo foi apresentado um método de detecção e classificação de distúrbios de
tensão em sistemas de distribuição de energia elétrica baseado no SIA. Foram descritas
as principais etapas e características do ASN e sua aplicação no problema proposto.
Simulações para validação do algoritmo foram realizadas. Como dados de entrada do
sistema, o algoritmo precisa apenas dos dados oscilográficos das tensões nas fases
medidas na subestação. Por causa da indisponibilidade de se fazer medições em campo,
foi utilizado o software EMTP, próprio para simulação de transitórios eletromagnéticos
em sistemas elétricos. O algoritmo proposto apresentou excelentes resultados obtendo
um ótimo índice de acerto, tendo uma média de 99,26% de acerto em todos os dados
dos três sistemas simulados. A fase de geração de detectores é a que demanda maior
tempo computacional, mas como é executada de forma off-line não acarretando prejuízo
ao algoritmo. A fase de monitoramento do sistema, a partir da coleta dos dados, é
realizada rapidamente (inferior a 100 milésimos de segundo), o que credencia o
algoritmo a ser utilizado em tempo real, já que as decisões precisam ser tomadas
rapidamente.
Sendo assim, conclui-se que os sistemas imunológicos artificiais, com base no
algoritmo de seleção negativa, tem um desempenho satisfatório nos testes realizados nos
dois sistemas elétricos propostos, então a metodologia proposta é bastante confiável
para a detecção e classificação de distúrbios de tensão. Na sequência desta pesquisa
serão enfocadas outras estratégias de sistemas imunológicos visando tornar a aplicação
mais competitiva (eficiência, confiabilidade e com tempo de processamento bastante
reduzido, entre outros requisitos). Neste caso, será investigada a possibilidade de
aplicação em ambiente de sistemas de distribuição em caráter antecipatório
(Vachtsevanos et al., 2005). Ou seja, identificar e localizar situações críticas, em um
estágio incipiente, de faltas ou percursores de faltas que potencialmente podem provocar
danos em componentes do sistema e, principalmente, a interrupção do fornecimento de
energia aos consumidores.
Agradecimentos

Agradecemos primeiramente a Deus, as nossas famílias, e por fim um especial

agradecimento a CAPES pelo apoio (concessão de bolsa de Mestrado). Os
autores agradecem à FAPESP (Fundação de Amparo à Pesquisa do Estado de São
Paulo) pelo apoio financeiro de pesquisa (Proc. Nº 2011/06394-5).

Referências
Abdel-Galil, T. K. et al. Power quality disturbance classification using inductive
inference approach. IEEE Transactions on Power Delivery, Piscataway, v. 19, n. 4, p.
1812–1818, 2004.
Amis, G. P.; Carpenter, G.A. Self-supervised ARTMAP. Neural Networks, Oxford, v.
23, n. 2, p. 265–282, 2010.
Baran, M. E. and Wu, F. F. (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.
Barros, A. C.. Detecção e classificação de faltas de alta impedância em sistemas
elétricos de Potência usando lógica fuzzy. 94 f. Dissertação (Mestrado em
Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista, Ilha
Solteira, 2009.
Bradley, D.W.; Tyrrell, A.M. 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, Jun 2002.
Carvalho, R. Alves, H. N. e Protásio, C. (2009). Algoritmo Baseado em Sistemas
Imunológicos para Detecção de Faltas em Sistemas de Transmissão, IV Congresso de
Pesquisa e Inovação da Rede Norte Nordeste de Educação Tecnológica, Belém- Pa.
Carpenter, G. A. et al. Fuzzy ARTMAP: a neural network architecture for incremental
supervised learning of analog multidimensional maps. IEEE Transactions on Neural
Networks, vol. 3, no. 5, pp. 698–713, 1992.
Chang, C. S. e Wen, F. S. (1998). Tabu search based approach to trouble call analysis.
IEE Proc.-Gener. Transm. Distrib., Vol. 145, No. 6, p. 731-738.
Chen, G.; PHAM, T. T. Introduction to fuzzy systems. Boca Raton: Chapman &
Hall/CRC Press, 2006.
Chen, W.-H. et al. On-line fault diagnosis of distribution substations using hybrid cause-
effect network and fuzzy rule-based method. IEEE Transactions on Power Delivery,
Piscataway, v. 15, n. 2, p. 710–717, 2000.
Dasgupta, D. (1998). “Artficial Immune Systems and Their Applications”. Springer-
Verlag New York, Inc., Secaucus, NJ, USA.
de Castro, L. N. “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.
de Castro, L. N. and Timmis, J. (2002). “Artificial Immune Systems: A New
Computational Intelligence Approach”, Springer. 1st edition.
Decanini, J. G. M. S.; Tonelli-Neto, M.S.; Malange, F. C. V. and Minussi, C.R.
“Detection and classification of voltage disturbances using a fuzzy-ARTMAP-
wavelet network,” Elec. Power Syst. Research, v. 81, n. 12, pp. 2057–2065, 2011.
Decanini, J. G. M. S. Detecção e classificação de faltas de curto-circuito em sistemas de
distribuição de energia elétrica usando lógica nebulosa. 110 f. Dissertação (Mestrado
em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista,
Ilha Solteira, 2008.
Dubé, L. How to use MODELS-based user-defined network components in ATP. In:
EUROPEAN EMTP USERS GROUP MEETING, 1996, Budapest. Proceedings…
Siegen: EEUG, 1996. p. 10–12, 1996.
EMTP-RV. Electromagnetic Transient Program, Powersys-Solutions, Le Puy-Sainte-
Réparade, France, 2011.
Forrest, S., A. Perelson, Allen, L. & Cherukuri, R. (1994), “Self-Nonself Discrimination
in a computer”, Proc. do IEEE Symposium on Research in Security and Privacy, pp.
202-212.
Fukui, C. e Kawakami, J. (1986). An expert system for fault section estimation using
information from protective relays and circuit breakers,” IEEE Trans. On PWRD,
vol. 1, no. 4, pp. 83–90.
Kartalopoulos, S. V. Understanding neural networks and fuzzy logic: basic concepts and
applications. Piscataway: IEEE Press, 1996.
Kezunovic, M.; Abur, A. Merging the temporal and spatial aspects of data and
information for improved power system monitoring applications. Proceedings of the
IEEE, Piscataway, v. 93, n. 11, p. 1909–1119, 2005.
LaPSEE, 2011. Practical 134 bus feeder data. Disponível em:
http://www.dee.feis.unesp.br/lapsee/ Lines, Transactions of the AIEE, part III -
Power Apparatus and Systems, v. 76 (Aug.), p. 518-539.
Lo, K. L.; Ng, H. S.; Trecat, J. (1997). Power system fault diagnosis using Petri nets.
IEE Proc.- Gener. Transm. Distrib., Vol. 144, No. 3, p. 231-236.
MATLAB (2011). Software version 7.8 Mathworks company.
Monsef, H.; Ranjbar, A. M.; Jadid, S. (1997). Fuzzy rule-based expert system fault
diagnosis. IEE Proc.-Gener. Transm. Distrib., Vol. 144, No. 2 (Mar.), p. 186-192.
Northcote-Green, J.; Wilson, R. (1997). Control and automation of electrical power
distribution systems. Boca Raton: CRC/Taylor & Francis.
Srinivasan, K. e St-Jacques, A. (1989). A New Fault Location Algorithm for Radial
Transmission Lines With Loads, IEEE Transactions on Power Delivery, v. 04, n. 03
(July 1989), p. 1676-1682.
Stringfield, T. W., Marihart D. J. e Stevens R. F. (1957). Fault Location Methods for
Overhead.
 Tonelli-Neto, M. S. Formulação do controle preventivo em sistemas de distribuição de
energia elétrica baseada na lógica fuzzy e redes neurais. 134 f. Dissertação (Mestrado
em Engenharia Elétrica) – Faculdade de Engenharia, Universidade Estadual Paulista,
Ilha Solteira, 2012.
Vachtsevanos, G.V.; Lewis, F.; Roemer, M. Hess, A. and Wu, B. “Intelligent Fault
Diagnosis And Prognosis For Engineering Systems”, John Wiley & Sons, 2005.
Vale, D. T.; Coser, J. e Rolim, J. G. (2006). F-LOC – Ferramenta Inteligente para
Diagnóstico de Faltas em Sistemas de Distribuição de Energia.
Wen, F. S. e Chang, C. S. (1997). Probabilistic approach for fault-section estimation in
power systems based on a refined genetic algorithm. IEE Proc.-Gener. Transm.
Distrib., Vol. 144, No. 2, p. 160-168.
Zadeh, L. A. Fuzzy sets. Information and Control, Maryland Heights, v. 8, n. 3, p. 338–
353, 1965.

Apêndice
Os dados de carga e linhas do sistema de 5 barras estão apresentados nas tabelas 6 e 7 a
seguir:
Tabela 6. Dados de Barra Tabela 7. Dados de Linha

Barra PD QD S Linha Barra Barra Resistência Reatância

kW kVar Kva De Para Ω Ω
1 0 0 5000 1 1 2 0.2 0.25
2 10000 5000 - 2 1 3 0.3 0.5
3 3000 2000 - 3 1 4 0.1 0.15
4 1000 650 - 4 4 5 0.15 0.28
5 800 500 -

A Figura a seguir ilustra o sistema de 5 Barras simulado.

Figura 5. Diagrama unifilar do sistema de 5 Barras.

View publication stats