Anais do V Simpsio Brasileiro de Sistemas Eltricos, Foz do Iguau PR, Brasil.

22-25/04/2014 ISSN 2177-6164

Resumo As redes auto-organizveis de Kohonen so redes
neurais que possuem alta capacidade de seleo e identificao de
padres. Utilizando-se dessa capacidade de identificao, este
artigo apresenta a proposta de um algoritmo capaz de realizar a
correta distino entre as correntes de magnetizao inrush e as
correntes de faltas internas na proteo diferencial de
transformadores de potncia atravs do treinamento e
implementao de uma rede neural de Kohonen com padres de
entrada baseados em um ndice que mede o deslocamento do
gradiente a partir de uma referncia, para todos os pontos da
janela de dados da corrente diferencial para as situaes de faltas
internas e correntes de inrush. A eficincia do mtodo proposto
foi testada atravs do desenvolvimento do algoritmo em Matlab

,
com base em diversas simulaes de faltas internas e correntes de
inrush em um sistema de potncia atravs do software
EMTP/ATP demonstrando resultados altamente satisfatrios.

Palavras Chave Correntes de Inrush, Gradiente da Corrente
Diferencial, Proteo Diferencial, Redes Auto-organizveis,
Transformadores de Potncia
I. INTRODUO
principal dificuldade encontrada no desempenho de rels
diferenciais na proteo de transformadores de potncia
a correta distino entre as correntes de curto-circuito interno
e as correntes de magnetizao inrush. Os rels diferenciais
atualmente disponveis geralmente realizam essa tarefa atravs
do mtodo denominado Restrio por Harmnicos, cuja
premissa se baseia no fato de que as correntes de inrush
possuem, geralmente, concentraes elevadas de componentes
harmnicas de segunda ordem, enquanto que as correntes de
curto-circuito so compostas, basicamente de componentes
frequncia fundamental. Entretanto, essa metodologia nem
sempre responde corretamente para todas as configuraes do
sistema eltrico, tendo em vista que certas situaes operativas
podem provocar o surgimento de correntes de inrush com
baixas concentraes de harmnicos e correntes de curto-
circuito com altos percentuais dessas componentes [1]-[2].
Tendo em vista a necessidade de uma operao rpida e
segura do rel diferencial no caso da ocorrncia de um curto-
circuito, faz-se necessrio o desenvolvimento e
implementao de uma metodologia confivel, que no seja
R. J . N. de Alencar, Dr. Professor Associado, GESEP, Instituto Federal
do Par IFPA, Belm, PA, Brasil (e-mail: raidson.alencar@ifpa.edu.br).
U. H. Bezerra, Dr. Professor Titular, PPGEE, ITEC, Universidade
Federal do Par UFPA, Belm, PA, Brasil (e-mail: bira@ufpa.br).
dependente das componentes harmnicas da corrente
diferencial e que ao mesmo tempo responda rapidamente no
caso da ocorrncia de curto-circuito interno no transformador
de potncia desconectando o equipamento do sistema eltrico,
bem como o mantenha em operao no caso da ocorrncia de
correntes de inrush.
Este trabalho apresenta os resultados dos testes de uma
nova metodologia, baseada na capacidade de seleo e
reconhecimento de padres das redes neurais auto-
organizveis de Kohonen. A tcnica foi exaustivamente
testada atravs da modelagem de um transformador de
potncia trifsico 25 MVA, 13.8/138 KV no EMTP/ATP e
desenvolvimento do algoritmo em MATLAB

demonstrando
resultados altamente promissores.
II. PROTEO DIFERENCIAL
A filosofia de proteo diferencial baseia-se no
pressuposto de que, em situaes normais de operao, as
correntes que circulam no secundrio dos transformadores de
corrente (TC) localizados nos lados primrio e secundrio do
transformador de potncia sero aproximadamente iguais. A
diferena entre essas correntes denominada de Corrente
Diferencial (

). Na prtica, uma pequena corrente diferencial

esperada, no entanto, essa corrente no suficientemente
significativa para sensibilizar o rel diferencial. Essa situao
tambm verificada quando ocorre uma falta externa zona
de proteo do rel diferencial, que definida pelos TCs
localizados nos lados primrio e secundrio do transformador
de potncia. A Fig. 1 a seguir ilustra o esquema de proteo
diferencial para um transformador de potncia monofsico
com dois enrolamentos.
Para que o rel diferencial entre em estado de potencial
operao necessrio que a corrente diferencial seja superior a
um determinado percentual de uma corrente de restrio de
acordo com a seguinte relao:

(1)

Onde K a Caracterstica diferencial percentual do rel.
Valores tpicos de K variam na faixa de 15% a 40%.

Aplicao de Redes Auto-organizveis de Kohonen
para Identificao de Correntes de Inrush na
Proteo de Transformadores de Potncia
Raidson J enner Negreiros de Alencar e Ubiratan Holanda Bezerra
A


Anais do V Simpsio Brasileiro de Sistemas Eltricos, Foz do Iguau PR, Brasil. 22-25/04/2014 ISSN 2177-6164


Figura 1 Esquema de Proteo Diferencial

A simples extrapolao da caracterstica diferencial
percentual do rel diferencial no resulta necessariamente na
atuao do rel, pois diversas situaes operativas podem
provocar o surgimento de correntes diferenciais significativas,
mesmo em situaes em que no haja nenhuma falta no
sistema eltrico de potncia. O exemplo mais comum onde
essa situao se verifica no caso das correntes de inrush.
Essas falsas correntes diferenciais podem provocar o
acionamento indevido do rel diferencial, provocando
desligamentos desnecessrios, logo, precisam ser identificadas
e bloqueadas. Os algoritmos tradicionais de proteo
diferencial se propem resolver este problema atravs da
anlise das componentes harmnicas da corrente diferencial,
pois comprovado que as correntes de inrush normalmente
possuem valores significativos da componente harmnica de
segunda ordem [3]. Por outro lado, as correntes de curto-
circuito possuem baixos percentuais de componentes
harmnicos.
III. ALGORITMO DE PROTEO DIFERENCIAL PROPOSTO
As Redes Neurais de Mapeamento Auto-organizvel de
Kohonen so redes neurais que apresentam elevada
capacidade de reconhecimento, seleo e classificao de
padres. Utilizando-se dessa capacidade intrnseca das Redes
de Kohonen e tambm do fato de que a forma de onda das
correntes de inrush possui caractersticas bastante peculiares
que a diferenciam das correntes de curto circuito ser
desenvolvido o algoritmo proposto nesse trabalho.
A. Mapeamento Auto-organizvel de Kohonen
O funcionamento do crtex cerebral biolgico se d de tal
forma que cada tarefa executada pelo organismo, tais como
viso, audio, controle motor e tato, possui regies
especficas responsveis pela sua execuo e que informaes
relacionadas a essas tarefas ocupam posies vizinhas a essas
regies. As redes neurais auto-organizveis de Kohonen
funcionam inspiradas nessa caracterstica, o que permite que
padres de entrada da rede sejam mapeados na superfcie
bidimensional que compe a rede neural [4].
Para cada estmulo apresentado na entrada da rede
calculado o valor da funo discriminante, que fornece o nvel
de ativao dos neurnios da camada de sada. Aquele
neurnio que obtiver o maior valor discriminante ser
identificado como o neurnio mais ativado e ser declarado de
neurnio vencedor (winner). A partir do momento em que a
rede neural consegue estabelecer similaridades nos padres de
entrada, desenvolve-se nela a habilidade de identificar
caractersticas intrnsecas nos estmulos de entrada agrupando-
os em clusters na superfcie de sada com caractersticas
similares de tal maneira que, a cada novo estmulo
apresentado rede, esta decidir se o agrupar em um cluster
j existente ou se formar um novo no mapa topolgico da
rede. O algoritmo de mapeamento auto-organizvel
basicamente composto por trs processos: Competitivo,
Cooperativo e Adaptativo.
O processo competitivo responsvel pela identificao do
neurnio vencedor, atravs do clculo da funo discriminante
utilizada, que dever ser capaz de refletir similaridades entre o
vetor de entrada normalizado e o vetor de pesos dos neurnios.
A funo discriminante adotada neste trabalho a medida da
Mnima Distncia Euclidiana entre vetores, dada pela equao
4:
( ) ( ) ( )

=
=
1
0
2
N
i
ij i i
t w t x d
(2)
Onde N o nmero de neurnios na camada de entrada,

() o estmulo de entrada da rede no tempo t e

() o
vetor de pesos do neurnio j no tempo t.
Apenas o neurnio vencedor, ou seja, aquele que
apresentar maior ativao, e aqueles que estiverem dentro de
um determinado raio de vizinhana [4], determinados pelo
processo cooperativo, tero seus pesos atualizados. Esta etapa
representa o processo adaptativo do treinamento auto-
organizvel:
B. O Reconhecimento da Forma de Onda
O uso de redes neurais na proteo diferencial de
transformadores de potncia vem demonstrando resultados
bastante satisfatrios [5], fato que motivou a pesquisa da
aplicabilidade das redes de Kohonen para realizao da tarefa.
Como se sabe, as correntes de inrush apresentam forma de
onda bastante distinta, quando comparadas com as correntes
de curto-circuito. Por outro lado, as redes auto-organizveis de
Kohonen possuem elevada capacidade de identificao e
reconhecimento de padres. Essas caractersticas, tanto das
redes de Kohonen quanto das correntes de inrush podem ser
utilizadas na proteo diferencial de transformadores de
potncia, desde que se tenha como extrair e representar
matematicamente as particularidades inerentes a cada tipo de
ocorrncia. Dessa forma, pode-se usar a capacidade de
reconhecimento e classificao de padres das redes de
mapeamento auto-organizvel de Kohonen para identificar o
tipo de ocorrncia de forma segura e confivel.
Aplicando-se os conceitos do vetor gradiente corrente
diferencial tem-se o gradiente da corrente diferencial dado por
[6]-[7]:
i
t
I
I
D
D

= (A/s) (3)
Onde:

Anais do V Simpsio Brasileiro de Sistemas Eltricos, Foz do Iguau PR, Brasil. 22-25/04/2014 ISSN 2177-6164

i

- Vetor unitrio na direo do eixo dos tempos

t
I
D

- Derivada de primeira ordem da corrente diferencial em

relao ao tempo t.
Considerando um vetor, denominado vetor gradiente,
tangente curva da corrente diferencial no ponto em anlise, o
ngulo do vetor gradiente em relao ao vetor unitrio , ser
dado por:

= tan
1

(Rad) (4)
Analisando-se o comportamento do gradiente da corrente
diferencial, refletido atravs do seu ngulo calculado em cada
ponto da janela de dados da corrente diferencial, conforme
Fig. 2 percebe-se o seguinte:
Para a corrente de curto-circuito, representada na Fig.
2(a), o valor absoluto do ngulo do gradiente da
corrente diferencial quase no varia ao longo do tempo,
permanecendo prximo de 90, com relao ao vetor
unitrio i

.
No caso da ocorrncia de correntes de magnetizao,
conforme Fig. 2(b), essa situao no se verifica, pois,
em virtude da caracterstica peculiar da forma de onda
das correntes de inrush, durante os semiciclos ausentes,
o ngulo do vetor gradiente reduzido, muitas vezes
prximo de zero.

Figura 2 Comportamento do Vetor Gradiente em: (a) Curto-circuito e (b)
Inrush
Tomando-se, portanto, essa caracterstica particular do
gradiente da corrente diferencial, define-se um ndice que
quantifique a mdia dos deslocamentos angulares do gradiente
da corrente diferencial, calculado levando-se em conta cada
ponto da janela de processamento, para todas as fases da
corrente diferencial, tomando-se como referncia o ngulo
padro de 90. Esse ndice ser dado por:
NS
NS
j
j
=

=
1
90
(5)
Onde NS o nmero de amostras da janela de dados, que
nesse trabalho de 84 amostras, e
j
o ngulo do gradiente
da corrente diferencial para cada ponto j.
Dividindo-se, portanto, a janela de dados, cuja largura
equivale a um ciclo de processamento, em quatro quartos de
ciclo, conforme Fig. 2, e calculando-se o ndice de
deslocamento angular, proposto na equao 8, para cada
quarto de ciclo, para as trs fases da corrente diferencial
(ABC) compem-se os vetores de treinamento que sero
utilizados como padres de entrada da rede neural, dado por:
[ ]
T
C C C C B B B B A A A A
T 4 3 2 1 4 3 2 1 4 3 2 1
=

A dimenso do vetor de treinamento
T
definir o nmero
de neurnios na camada de entrada da rede neural, que nesse
caso de 12 neurnios.
C. Treinamento da Rede Neural
Atravs do software EMTP/ATP foi gerado um conjunto
de padres de treinamento que incluram diversas situaes
operativas de energizao do transformador, inclusive com
energizao solidria, energizao sob falta, faltas internas
monofsicas, bifsicas e trifsicas e faltas internas
monofsicas, bifsicas e trifsicas entre espiras de
enrolamentos da mesma fase.
A rede neural utilizada foi quadrada, com 25 neurnios em
arranjo 5x5. A topologia dos neurnios utilizados foi
hexagonal, tendo em vista que essa topologia permite a
formao de at 06 conexes sinpticas para cada neurnio. O
tempo despendido no treinamento da rede foi de cerca de 22
minutos, destacando-se que o treinamento realizado off-line
apenas uma vez.
Foram gerados um total de 1358 padres de treinamento,
que aps realizada essa etapa foram mapeados na superfcie
bidimensional da rede de Kohonen, obtendo-se como
mapeamento final a superfcie mostrada na Fig. 3(a). Verifica-
se a formao de dois clusters com caractersticas distintas,
sendo a regio de bloqueio (amarelo) e de disparo do rel
(vermelho). Nesse caso o algoritmo realizar o monitoramento
da corrente diferencial do transformador de potncia mantendo
a ativao dos neurnios pertencentes regio de bloqueio
enquanto no for detectada nenhuma situao de falta interna.
Caso algum neurnio da regio de disparo for ativado, a rede
neural entender que uma falta interna estar ocorrendo
enviando comando de abertura do disjuntor. O mtodo
proposto nesse artigo ser denominado Kohonen .
IV. TESTES E RESULTADOS
O sistema eltrico de potncia usado nos testes do
algoritmo proposto uma subestao de gerao com um
gerador sncrono 13.8 KV, 60 Hz, 25 MVA, dois
transformadores de potncia trifsicos em paralelo 25 MVA -

Anais do V Simpsio Brasileiro de Sistemas Eltricos, Foz do Iguau PR, Brasil. 22-25/04/2014 ISSN 2177-6164

13.8/138 KV, uma linha de subtransmisso, uma carga de 25
MVA, Cos = 0.92. Os TCs usados foram 2000:5 A no
primrio e 125:5 A no secundrio, conforme Fig. 4. Os
enrolamentos do transformador foram subdivididos em 5%,
20%, 60%, 80% e 100% permitindo a simulao de faltas
internas em pores dos enrolamentos.




























Figura 3 Mapeamento fornecido pela Rede de Kohonen
As simulaes foram realizadas no transformador T1,
sendo que o transformador T2 foi utilizado apenas para a
simulao de sympathetic inrush. Os ngulos de incidncia
da fonte de tenso foram variados na faixa de 0 - 270 e os
ngulos de incidncia das faltas na faixa de 90 - 270. A
janela de dados utilizada deslizante com deslocamento de
um quarto de ciclo a cada processamento e com largura de um
ciclo (16,6 ms), o intervalo de amostragem foi de

=
0.2 ms, o que equivale a uma frequncia de amostragem de 5
KHz.
Do total de 1358 casos simulados, 988 cenrios foram
apresentados ao algoritmo proposto. Com o intuito de validar
a metodologia, foi realizada uma anlise comparativa entre o
desempenho do mtodo proposto com o mtodo tradicional da
restrio por harmnicos que foi executado
computacionalmente para essa finalidade. Neste trabalho, o
melhor desempenho do mtodo tradicional foi demonstrado
para 20% de declividade percentual. Como demonstrao do
desempenho do mtodo proposto inclui-se nesse trabalho trs
diferentes cenrios, que abrangem as trs diferentes situaes
possveis.
A. Energizao sob Falta
Nesse caso especfico, trata-se de um curto-circuito
monofsico na fase A, localizado a 5% do enrolamento
secundrio, com configurao em estrela. O ngulo de
incidncia da fonte de tenso foi 0. A Fig. 5 mostra a corrente
diferencial nas trs fases do transformador de potncia para o
caso simulado.
O desempenho do mtodo diante dessa situao foi
satisfatrio, conforme esperado, tendo em vista que identificou
a existncia da falta interna rapidamente, em tempo
aproximado de um ciclo de processamento. A Fig. 3(b) ilustra
a regio do mapa topolgico ativada durante a simulao

Figura 4 Diagrama Unifilar do Sistema de Potncia

Figura 5 - Corrente Diferencial para Energizao sob Falta
Em adio a esse exemplo, outras situaes de energizao
sob falta foram testadas. Em todos os eventos o algoritmo
proposto identificou corretamente a situao faltosa no
primeiro ciclo de processamento da janela de dados. A tabela I
mostra os resultados gerais obtidos pelo mtodo proposto, para
um total de 200 casos simulados, sendo 60 faltas monofsicas,
60 faltas bifsicas, 60 faltas bifsicas para a terra e 20 faltas
trifsicas. A tabela I mostra tambm os tempos mximos,
mnimos e mdios de ativao bem como os erros de
classificao obtidos pelos diferentes mtodos.
TABELA I - Resultado das Simulaes para Inrush sob Faltas Monofsicas,
Bifsicas e Trifsicas
Mtodo
Tempo de Ativao (ms) Erros
(Un)
Total
Max Min Med
Kohonen 16.6 16.6 16.6 - 200
Restrio por Harmnicos 100.69 16.6 19.16 05 200
B. Falta Interna
A Fig. 6 mostra as correntes diferenciais para as fases
ABC para uma falta monofsica localizada a 5% do
enrolamento secundrio da fase A.

Figura 6 - Corrente Diferencial nas Fases ABC para Falta Monofsica

(a) (b)

(c)
-Regio Ativada
-Regio de Bloqueio
-Regio de Disparo


Anais do V Simpsio Brasileiro de Sistemas Eltricos, Foz do Iguau PR, Brasil. 22-25/04/2014 ISSN 2177-6164

O transformador operava em plena carga e o ngulo de
incidncia da falta foi de 90 aps 0.1 de simulao. O
mtodo proposto identificou rapidamente a ocorrncia com
tempo de atuao de 9.03 ms aps a ocorrncia da falta, o que
demonstra a capacidade de atuao do mtodo proposto em
intervalo de tempo inferior a um ciclo de processamento aps
a ocorrncia da falta. A Fig. 3(b) mostra a regio do mapa
topolgico ativada pela ocorrncia, que no caso foi a mesma
regio ativada no caso da energizao sob falta.
Diversas outras ocorrncias de curto-circuito foram
simuladas nos enrolamentos primrios e secundrios num total
de 320 ocorrncias no primrio e 400 ocorrncias no
secundrio. As faltas simuladas foram monofsicas, bifsicas,
bifsicas+terra, trifsicas e faltas intraespira. A tabela II
mostra o sumrio dos resultados obtidos em todos os curtos-
circuitos simulados no primrio e secundrio, bem com os
tempos mximo, mnimo e mdio de ativao do rel para o
mtodo Kohonen e para o mtodo da restrio por
harmnicos.
C. Manobras No-treinadas
As sucesses de manobras realizadas nessa simulao no
foram includas na fase de treinamento da rede neural,
obrigando-a, portanto, a realizar interpolaes. A Fig. 7 ilustra
a corrente diferencial para o caso simulado. Durante todo o
perodo de simulao, ainda que tenham surgido correntes
diferenciais significativas e ainda que os padres em questo
no tenham sido includos na etapa de treinamento da rede
neural, o algoritmo identificou corretamente as ocorrncias
mantendo-se bloqueado, como ilustra a Fig. 3(c) indicando a
regio ativada durante as manobras, mantendo-se sempre
dentro da rea de bloqueio do rel. Vale ressaltar que entre as
manobras realizadas incluem-se correntes de inrush,
sympathetic inrush, corrente de operao normal e curto-
circuito fora da zona de proteo do rel diferencial.
D. Comparao com o Mtodo Tradicional
Cada um dos 988 casos simulados foi apresentado ao
algoritmo proposto e, com o intuito de validar a metodologia,
foi realizada uma anlise comparativa do desempenho obtido,
com o desempenho do mtodo tradicional da restrio por
harmnicos. Foi implementado computacionalmente o mtodo
denominado Second Harmonic-Cross Blocking Restraint
Method, encontrado na referncia [8]
Todos os 68 casos de energizao e energizao solidria
foram identificados corretamente pelo mtodo Kohonen ,
que se manteve bloqueado durante todo o perodo de
simulao, demonstrando sua capacidade de identificao de
correntes de inrush e sympathetic inrush. Da mesma forma, no
caso da energizao sob falta, o mtodo proposto identificou
corretamente todas as 200 ocorrncias dentro da primeira
janela de dados processada, ou seja, 16.6 ms. Por outro lado, o
mtodo tradicional apresentou 04 erros de classificao na
ocorrncia de energizao solidria (5.88%) e 05 erros de
identificao de energizao sob falta (2.5%). O mtodo
tradicional, em algumas ocorrncias, apresentou ainda atrasos
de tempos muito elevados, como demonstrados na tabela I,
que mostra o tempo mximo de atuao de 100.69ms.
Da mesma forma, para as ocorrncias de faltas internas nos
enrolamentos do transformador, o mtodo Kohonen
identificou corretamente as 720 ocorrncias simuladas com
tempo mdio de atuao de 4.74 ms para ocorrncias no
enrolamento secundrio e de 4.78 ms para ocorrncias no
enrolamento primrio. Por outro lado, o mtodo tradicional
apresentou tempo mdio de atuao de 16.18 ms para
ocorrncias no secundrio e 18.3 ms para ocorrncias no
primrio. Com base nos resultados obtidos, demonstra-se que
o mtodo proposto capaz de realizar rapidamente a distino
entre as correntes de inrush e de faltas internas com tempo
mdio de atuao prximo a um quarto de ciclo de
processamento aps a ocorrncia da falta. O tempo de atuao
do algoritmo constitui-se num fator de extrema importncia na
operao do rel diferencial. Quanto mais rpida for a atuao
do rel na ocorrncia de curtos-circuitos menor ser a
possibilidade de que danos irreversveis ocorram, fazendo com
que seja necessria a retirada do equipamento de operao
para manuteno, provocando a indisponibilidade do sistema
por longos perodos de tempo.
V. CONCLUSES
Neste trabalho, uma nova metodologia para proteo
diferencial de transformadores de potncia foi apresentada. O
mtodo baseado na identificao da forma de onda atravs
de redes neurais auto-organizveis de Kohonen com base no
comportamento do vetor gradiente, gerado a partir da
diferenciao numrica do sinal da corrente diferencial. O
mtodo foi desenvolvido em MATLAB

com base em
simulaes realizadas atravs do software EMTP/ATP.
Baseado nos resultados obtidos demonstrado que o
mtodo proposto capaz de realizar a distino entre as
correntes de inrush e de faltas internas em transformadores de
potncia rapidamente, com tempo mdio de identificao
inferior a meio ciclo de processamento aps a ocorrncia do
distrbio, sendo que, em diversas situaes o tempo de
atuao foi inferior a um quarto de ciclo. Em oposio, o
mtodo tradicional na maioria das ocorrncias apresentou
tempo de atuao prximo de um ciclo de processamento.
Os resultados obtidos demonstraram que o mtodo
proposto apresenta elevado potencial de identificao de
correntes de inrush na proteo diferencial de transformadores
de potncia com potencial para aplicaes reais.
VI. REFERNCIAS
[1] Sidhu, T. S., Sachdev, M. S., Wood, H. C. e Nagpal, M. (1992). Design,
Implementation and Testing of a Microprocessor-based High-speed
Relay for Detecting Transformer Winding Faults. IEEE Transactions
on Power Delivery, Vol. 7 No.1, J anuary 1992.
[2] Liu, P., Malik, O. P., Chen, D., Hope, G. S. e Guo, Y. (1992). Improved
Operation of Differential Protection of Power Transformers for Internal
Faults. IEEE Transactions on Power Delivery, Vol. 7, No. 4, October
1992.
[3] S. H. Horowitz and A. G. Phadke, Power System Relaying, 3Ed, John
Wiley & Sons Ltd, 2008.
[4] T. Kohonen, The self-organizing maps, Proceedings of the IEEE,
Vol. 78, No. 9, September, 1990
[5] Tripathy, M., Maheshwari, R. P. e Verma, H. K. Power Transformer
Differential Protection Based On Optimal Probabilistic Neural
Network. IEEE Transactions on Power Delivery, Vol. 25 No.1, J anuary
2010
[6] Alencar, R. J . N. e Bezerra, U. H. Power Transformer Differential
Protection Through Gradient of the Differential Current, J ournal of
Control, Automation and Electrical Systems, Vol. 24, No. 1-2, p. 162-
173, April 2013.

Anais do V Simpsio Brasileiro de Sistemas Eltricos, Foz do Iguau PR, Brasil. 22-25/04/2014 ISSN 2177-6164

[7] J . D. Hoffman, Numerical Methods for Engineers and Scientists, 2. Ed.
by Marcel Dekker, Inc, 2011.
[8] R. W. Patterson, W. P. McCannon and G. L. Kobet, A Consideration
of inrush restraint methods in transformer differential relays, 54th
Annual Georgia Tech Protective Relaying Conference, 3-5 May, 2000.


Figura 7 Corrente Diferencial para as Manobras Diversas
TABELA II Sumrio dos Curtos-circuitos Simulados
Curto-Circuito Monofsico
Mtodo
Secundrio Primrio
Tempo de Atuao (ms) Erros
(Un)
Total de
Simulaes
Tempo de Atuao (ms)
Erros (Un) Total de Simulaes
Max Min Med Max Min Med
Kohonen 11.13 2.73 5.25 - 75 9.09 2.73 4.52 - 75
Restrio por Harmnicos 19.56 11.16 15.94 - 75 19.56 15.33 17.17 - 75
Curto-Circuito Bifsico semTerra (2F)
Mtodo
Secundrio Primrio
Tempo de Atuao (ms) Erros
(Un)
Total de
Simulaes
Tempo de Atuao (ms)
Erros (Un) Total de Simulaes
Max Min Med Max Min Med
Kohonen 11.16 2.73 4.79 - 75 9.96 2.73 4.30 - 75
Restrio por Harmnicos 19.56 11.13 16.45 - 75 23.76 13.26 19.08 - 75
Curto-Circuito Bifsico +Terra (2F+T)
Mtodo
Secundrio Primrio
Tempo de Atuao (ms) Erros
(Un)
Total de
Simulaes
Tempo de Atuao (ms)
Erros (Un) Total de Simulaes
Max Min Med Max Min Med
Kohonen 6.96 2.73 4.4 - 75 4.89 4.83 4.86 - 45
Restrio por Harmnicos 19.56 13.23 16.50 - 75 21.69 17.43 18.77 - 45
Curto-Circuito Trifsico (3F)
Mtodo
Secundrio Primrio
Tempo de Atuao (ms) Erros
(Un)
Total de
Simulaes
Tempo de Atuao (ms)
Erros (Un) Total de Simulaes
Max Min Med Max Min Med
Kohonen 6.96 2.73 4.35 - 25 4.89 4.83 4.86 - 15
Restrio por Harmnicos 17.49 13.23 16.28 - 25 21.69 17.43 18.58 - 15
Curto-Circuito entre Espiras da mesma Fase (Intraespiras)
Mtodo
Secundrio Primrio
Tempo de Atuao (ms) Erros
(Un)
Total de
Simulaes
Tempo de Atuao (ms)
Erros (Un) Total de Simulaes
Max Min Med Max Min Med
Kohonen 9.09 2.73 5.02 - 150 13.26 2.73 5.43 - 110
Restrio por Harmnicos 19.56 7.46 15.73 - 150 23.76 13.23 17.88 - 110