PROPOSTA DE UM ALGORITMO GENRICO BASEADO EM RNA PARA A
PROTEO DE DISTNCIA DE LINHAS DE TRANSMISSO
Santos, R.C.
ricardo.santos@poli.usp.br
PEA-POLI-USP
Av. Professor Luciano Gualberto 158, Prdio da Engenharia Eltrica,
CEP 05508-900 - So Paulo - SP
ABSTRACT
This work presents an algorithm based on Artificial Neural
Networks (ANN) for the implementation of a distance relay
to be used in transmission lines. The main contribution of
the proposed algorithm is the possibility to protect any trans-
mission line (generic algorithm) independently of its voltage
level or configuration, without a new ANN process training.
Therefore, unlike previous works, this algorithm does not
need any adjustment in the ANN architecture and its parame-
ters, when applied to different electric systems. This charac-
teristic is the main differential of the solution presented here,
when compared to other ANN based algorithms, always de-
veloped to operate in only one particular transmission line
(tower geometry, cable, length and pre-determined voltage
level), which makes them unfit to be implemented in a com-
mercial relays.
KEYWORDS: Neural Networks, Protection, Relays, Trans-
mission Line.
RESUMO
Neste artigo apresentado um algoritmo baseado em Redes
Neurais Artificiais (RNA) para a implementao de uma pro-
teo de distncia de linhas de transmisso. Tal algoritmo
Artigo submetido em 14/09/2004
1a. Reviso em 30/03/2005
2a. Reviso em 31/05/2005
Aceito sob recomendao do Editor Associado
Prof. Takashi Yoneyama
Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006
Senger, E.C.
senger@pea.usp.br
possui como principal contribuio a possibilidade de ser uti-
lizado em qualquer linha de transmisso, independentemente
da configurao ou do nvel de tenso desta, dispensando um
novo processo de treinamento da rede neural. Portanto, este
algoritmo no necessita de nenhum ajuste na topologia ou
nos parmetros da RNA (retreinamento), quando aplicado
diferentes sistemas eltricos. Esta caracterstica diferen-
cia a soluo proposta, das demais baseadas em RNA, que
so sempre projetadas para operarem numa nica e exclusiva
linha de transmisso (geometria de torre, condutores, com-
primento e nvel de tenso pr-determinados), inviabilizando
sua implementao num rel comercial.
PALAVRAS-CHAVE: Redes Neurais, Rels, Proteo, Linhas
de Transmisso.
1 INTRODUO
Atualmente, inmeros trabalhos so publicados ressaltando
os promissores resultados obtidos quando se emprega algo-
ritmos baseados em RNA na proteo de linhas de trans-
misso. Entretanto, apesar desses resultados, tais algoritmos
no so utilizados na prtica devido, principalmente, ao fato
de que estes operam satisfatoriamente numa nica linha de
transmisso (a linha para a qual a rede foi treinada).
Entre os trabalhos publicados, destacam-se os algoritmos
propostos por Dalstein (1996), Kezunovic (1996), Vzquez
(1996), Jiali (1997), Oleskovics (1998), Li (2001), Vasilic
(2002), os quais fazem parte de um grupo de algoritmos
que atuam como classificadores, ou seja, indicam se a falta
49
encontra-se dentro ou fora da zona de proteo do rel. J
os trabalhos publicados por Salat (2000), Tawfik (2001) e
Bouthiba (2004) fazem parte de um grupo de algoritmos que
atuam como aproximadores de funo, indicando, direta ou
indiretamente, a distncia da falta. importante ressaltar que
todos os algoritmos propostos operam corretamente somente
para a linha de transmisso que gerou os sinais utilizados no
treinamento das RNA.
Considerando os algoritmos referenciados, os propostos por
Jiali (1997), Li (2001) e Bouthiba (2004) utilizam a tcnica
de Fourier para extrair os fasores da componente fundamen-
tal dos sinais de tenso e corrente, os quais so utilizados
como entradas das RNA. J os demais algoritmos apresen-
tados, com exceo do trabalho de Tawfik (2001), utilizam
como entradas das redes as amostras instantneas dos sinais
de tenso e/ou corrente.
Visando contornar as restries existentes e viabilizar a utili-
zao de algoritmos baseados em RNA, este artigo apresenta
um algoritmo, baseado nesta tcnica, que calcula com pre-
ciso, para qualquer linha de transmisso, a impedncia de
falta vista pelo rel. A partir desse resultado, utilizando-se o
mesmo procedimento dos algoritmos convencionais, testa-se
a impedncia calculada frente caracterstica de atuao do
rel (MHO ou QUADRILATERAL), visando determinar se
a falta encontra-se dentro ou fora da zona de proteo deste.
Para que o algoritmo proposto atenda o objetivo fixado so
desenvolvidos elementos de medio de impedncia (ele-
mentos de fase e elementos de terra) baseados em RNA. Nes-
tes elementos de medio existe um esquema com etapas de
pr e ps-processamento dos sinais de tenso e corrente, con-
forme ilustra a figura 1. Nesta figura os sinais V(k) e I(k)
so as amostras instantneas dos sinais de tenso e corrente
fornecidos pelos transformadores de potencial (TP) e de cor-
rente (TC), e no os correspondentes fasores dessas grande-
zas, como utilizado em alguns dos trabalhos referenciados
(Jiali, 1997; Li, 2001; Bouthiba, 2004). Como pode ser ob-
servado na figura 1, esses sinais de entrada, aps serem pr-
processados, so aplicados a duas redes neurais. A primeira
responsvel pela estimativa da parte resistiva e a segunda
pela estimativa da parte reativa da impedncia de falta. Con-
forme discutido no item 2.1, as estimativas de resistncia e
reatncia so realizadas no sistema por unidade (p.u.), torna-
se necessrio, portanto, a etapa de ps-processamento para
transformar esses valores para Ohms.
2 ELEMENTO DE MEDIO DE
IMPEDNCIA BASEADO EM RNA
Numa linha de transmisso trifsica os possveis tipos de fal-
tas so: monofsica (AN, BN e CN), dupla-fase (AB, BC
50 Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006
Elemento de Medio
_ _
V(k)...V(k-M+1)
_ _
RNA _
I(k)...I(k-M+1)
Resistncia R(k)
V(k) R(k)
Pr Ps
Processamento Processamento
I(k) _ X(k)
_ _ RNA X(k)
V(k)...V(k-M+1) Reatncia
_ _
I(k)...I(k-M+1)
Software
Figura 1: Elemento de medio de impedncia (genrico)
e CA), dupla-fase e terra (ABN, BCN e CAN), e trifsica
(ABC e ABCN). Como mostrado no Apndice A, seis equa-
es diferenciais de primeira ordem podem representar to-
dos esses dez tipos de falta numa linha trifsica simplificada
(sem as capacitncias). Todas essas equaes relacionam,
para cada tipo de falta especfico, as correntes e tenses cor-
respondentes com os parmetros de seqncia positiva da li-
nha (resistncia e reatncia). Como discutido em detalhes em
Santos e Senger (2004), esses resultados mostram que:
a) Para um defeito fase-terra AN os parmetros da impedn-
cia da falta (R1 e L1 ) podem ser obtidos a partir dos sinais
va , iar e iax . O mesmo raciocnio pode ser aplicado a to-
dos os demais tipos de falta. Isso leva a seis elementos de
medio, cada um correspondendo a uma dessas equaes
diferenciais e com seus respectivos sinais de entrada.
b) Cada uma dessas equaes diferenciais pode ser vista
como o equacionamento de uma linha monofsica (sem ca-
pacitncia), cuja impedncia srie igual impedncia de
seqncia positiva da linha trifsica considerada. Esse resul-
tado importante por possibilitar o treinamento das RNA a
partir de um circuito monofsico, como discutido no item 3.
Dessa forma, para a determinao da impedncia da falta, o
rel de distncia possui seis elementos de medio. Trs des-
ses elementos so denominados de elementos de fase (AB,
BC e CA) e cobrem os defeitos que envolvem mais de uma
fase. Os outros trs elementos, so denominados de elemen-
tos de terra (AN, BN e CN) e cobrem os casos de defeitos
que envolvem uma fase e a terra. Portanto, com esses seis
elementos de medio possvel cobrir os dez tipos de defei-
tos possveis numa linha de transmisso trifsica.
2.1 Etapa de Pr-Processamento
Na soluo proposta a etapa de pr-processamento gera os si-
nais de entrada para cada um dos seis elementos de medio
do rel de distncia. Isto significa que esta etapa respons-
 Elemento de Medio Os fatores Kr e Kx nas expresses 3 e 4 so utilizados,
quando se trabalha no domnio do tempo, para compensar
_ _
o efeito da impedncia de seqncia zero na corrente de falta
Vab(k)...Vab(k-M+1)
_ _
(Santos e Senger, 2004). J r 0 , r1 , l0 e l1 correspondem, res-
RNA _
Iab(k)...Iab(k-M+1)
Resistncia R(k) pectivamente, s resistncias (/km) e indutncias (H/km)
R(k)
Va(k)
Vb(k) Pr Ps de seqncia zero e positiva da linha de transmisso.
Ia(k) Processamento Processamento
Ib(k)
_ X(k)
_ _ RNA X(k) Os valores obtidos nas expresses 1 a 4 formam vetores,
Vab(k)...Vab(k-M+1) Reatncia
_ _ compostos por janelas de dados com M amostras de tenso
Iab(k)...Iab(k-M+1)
Software
e corrente. Tais vetores so inseridos em RNA previamente
treinadas para estimarem os valores de resistncia e reatncia
(R e X), conforme ilustram as figuras 2 e 3.
Figura 2: Elemento de fase AB
Sobre cada janela de dados de tenso e corrente (que for-
mam o vetor de entrada da RNA) aplicado o sistema por
Elemento de Medio
unidade (p.u.), desvinculando o algoritmo proposto do nvel
de tenso da linha de transmisso e satisfazendo a imposio
_ _ da funo de ativao das RNA, que s admite valores entre
Va(k)...Va(k-M+1)
_ _
RNA _
-1 e 1 (Tansig Tangente Hiberblica), conforme Demuth
Iar(k)...Iar(k-M+1)
Va(k)
Resistncia R(k)
R(k)
(1994).
Pr Ps
Processamento Processamento
O processo de aplicao do sistema p.u. consta em dividir
Ia(k) _ X(k)
_ _ RNA X(k) todos os elementos de uma janela de dados de M amostras,
Va(k)...Va(k-M+1) Reatncia
_ _ por seu maior elemento em valor absoluto. Quando esse pro-
Iax(k)...Iax(k-M+1)
Software
cesso ocorre numa janela de dados de tenso, esse elemento
denominado de tenso de base (V b). J quando o processo
ocorre para numa janela de dados de corrente, o maior ele-
Figura 3: Elemento de terra AN mento da janela denominado de corrente de base (Ib). A
exemplo do sistema p.u. convencional, atravs dos valores
de base de tenso e corrente, determina-se o valor da impe-
vel por gerar os vetores de entrada, com os sinais de tenso dncia de base (Zb), que neste caso calculado a cada nova
e corrente adequados, para as duas RNA presentes em cada amostra que chega s janelas de dados, conforme a expresso
elemento de medio. Este processo ilustrado nas figuras 2 7. Observa-se, nesta expresso, que todos os valores de base
e 3, para o elemento de fase AB e o elemento de terra AN. considerados so relativos a amostra mais recente k. A im-
pedncia de base utilizada na etapa de ps-processamento
Os sinais de entrada para as redes neurais do elemento de fase do algoritmo.
AB so gerados atravs das expresses 1 e 2, enquanto os si- V b(k)
nais de entrada para as redes neurais do elemento de terra AN Zb(k) = (7)
Ib(k)
so gerados atravs das expresses 3 a 6. Para os demais ele-
mentos de medio, procedimento anlogo ao descrito deve
Como exemplo, a seguir so apresentas as janelas de dados
ser efetuado, alterando-se apenas os sinais de entrada (ten-
do vetor de entrada do elemento AB. Notar que vab e iab
so de fase e corrente de linha) desses elementos (Santos e
correspondem a uma seqncia de M amostras provenientes
Senger, 2004; Blackburn, 1998; Horowitz e Phadke, 1996).
das expresses 1 e 2. Aps tais seqncias serem divididas
por seus respectivos valores de base Vbab(k) e Ibab(k) so
vab(k) = va(k) vb(k) (1)
geradas as janelas de dados em p.u. v ab e iab , cujo maior
iab(k) = ia(k) ib(k) (2) valor 1.
 
iar(k) = ia(k) + Kr.i0 (k) (3) vab = vab(k) vab(k1) vab(kM +1)
 
iax(k) = ia(k) + Kx.i0 (k) (4) iab = iab(k) iab(k1) iab(kM +1)

r0 r1
Kr = (5) V bab(k) = max[|vab(k) | |vab(k1) | |vab (k2) | |vab (kM +1) |]
r1
l0 l1
Kx = (6) Ibab(k) = max[|iab(k) | |iab(k1) | |iab(k2) | |iab(kM +1) |]
l1

Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006 51

 _
vab(k)
_
vab(k-M+1)
_ _
R ou X
Sada
_
iab(k)
3 camada
_
iab(k-M+1) 2 camada
Entrada
1 camada
Figura 4: Rede R e X do elemento de fase AB
vab  
v ab = = v ab(k) v ab(k1) v ab(kM +1)
V bab(k)
iab  
iab = = iab(k) iab(k1) iab(kM +1)
Ibab(k)
2.2 Etapa das RNA
A etapa das RNA o ncleo do algoritmo desenvolvido
e consta, basicamente, de redes previamente treinadas para
aproximar funes. Neste algoritmo so utilizados dois tipos
de redes neurais: a primeira treinada para determinar o valor
da resistncia (rede R); a segunda treinada para determinar
o valor de reatncia (rede X). Estas duas redes determinam
esses valores a partir das amostras de tenso e corrente, apli-
cadas nas suas entradas, por intermdio dos seus respectivos
vetores de entrada. Tanto os valores de entrada, como os va-
lores de sada da rede neural, encontram-se no sistema p.u..
A figura 4 apresenta a RNA utilizada para processar o vetor
de entrada do elemento de medio AB, supondo janelas de
dados com M amostras de tenso e corrente.
2.3 Etapa de Ps-Processamento
Esta etapa transforma em Ohms, os valores de resistncia e
reatncia (em p.u.) presentes nas sadas das RNA. Essa trans-
formao consiste em multiplicar a sada da rede pelo valor
de impedncia de base (Zb), calculado, a cada nova amostra,
conforme a expresso 7. A partir dos valores de resistncia
e reatncia em Ohms e da caracterstica de atuao ajustada
para o elemento de fase 21 ou para o elemento de terra 21N,
o rel pode gerar ou no o sinal de trip, isolando o trecho
faltoso da linha de transmisso. A figura 5 apresenta um dia-
grama exemplificando o processo de ps-processamento.
Este procedimento similar obteno dos valores em Ohms
quando se trabalha com o sistema p.u. convencional, a me-
nos de que, neste caso, os valores de base e, portanto, em
Ohms so recalculados a cada nova amostra que entra nas
janelas de dados de tenso e corrente. Sendo assim, o pro-
cesso apresentado pode ser entendido como um sistema p.u.
52 Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006
_
R (k)
RNA - R X R (k)
Vetor (k)
Caract. trip
Valores p.u. Zb (k) Valores Ohms Atuao
do Rel
Zb (k)
RNA - X _ X X (k)
X (k)
Figura 5: Etapa de Ps-Processamento
dinmico.
3 TREINAMENTO DAS RNA
Para o algoritmo proposto so necessrias duas categorias de
RNA: uma que estima o valor de resistncia (em p.u.) e outra
que estima o valor de reatncia (em p.u.), a partir de amos-
tras de tenso e corrente (em p.u.) contidas nos seus vetores
de entrada. Portanto, devem existir dois conjuntos de treina-
mento, um para treinar a rede R e outro para treinar a rede
X.
Nesta pesquisa optou-se pela utilizao de redes MLP (pr-
prias para a aproximao de funes), treinamento supervi-
sionado (para cada vetor de entrada apresentado o vetor de
sada desejado) e algoritmo de aprendizado Backpropagation
(Demuth, 1994; Wasserman, 1989).
3.1 Metodologia Utilizando Modelo
Monofsico de 1a Ordem
importante ressaltar que a utilizao de um modelo mo-
nofsico de primeira ordem para o treinamento das RNA
possvel devido ao esquema de pr-processamento adotado
para o algoritmo, pois este resulta em equaes envolvendo
somente os parmetros de seqncia positiva da linha (R1
e X1), conforme mostrado no Apndice A e detalhado por
Santos e Senger (2004). Este fato proporciona que as RNA
que atuaro numa linha de transmisso trifsica sejam trei-
nadas atravs de sinais provenientes do circuito apresentado
na figura 6. Tal possibilidade simplifica e agiliza significati-
vamente o processo de treinamento das RNA, uma vez que
evita a necessidade de modelagem do sistema trifsico com-
pleto para gerar os sinais de treinamento. Por outro lado,
convm ressaltar que o referido modelo no contempla a si-
tuao de ondas trafegantes, comum em linhas longas com




A partir das expresses 8 a 12, e admitindo-se uma taxa de
amostragem de N amostras por ciclo de 60 Hz e janelas de
dados com M amostras dos sinais de tenso e corrente, tem-
  se na situao de pr-falta as expresses 13 e 14, e na situao
de falta as expresses 13 e 15.
 

 
2
{vk } = V cos k+ (13)

 N
 
2
{ik } = Icarga cos k+ (14)
N

T 2
Figura 6: Sistema monofsico de primeira ordem {ik } = If alta . cos ( ) .e.k N + cos k+
N
(15)
onde: k = 0 . . . M 1 (tamanho da janela de dados).
nveis de tenso elevados. A influncia dessa restrio no
desempenho das RNA operando num sistema trifsico real As seqncias de amostras vk e ik devem ser submetidas ao
discutida nos itens seguintes. processo p.u., conforme discutido no item 2.1. Dessa forma:

O sistema monofsico de primeira ordem utilizado para ge- {vk }

{v k } = (16)
rar os sinais de treinamento das RNA mostrado na figura 6. Vb
Esse sistema consta da tenso da barra A alimentando uma  {ik }
carga atravs de uma resistncia e uma indutncia, represen- ik = (17)
tando a impedncia srie de seqncia positiva de uma linha Ib
de transmisso. A condio de falta simulada atravs do sendo,
fechamento de uma chave K no instante t = 0. V b = max {|vk |} (18)
Ib = max {|ik |} (19)
Os sinais referentes s possveis condies operativas dessa
linha de transmisso, nas condies de pr-falta (expresses Vb
Zb = (20)
8 e 9) e falta (expresses 8 e 10), considerando If alta >> Ib
Icarga , so:
v = V. cos(w.t + ) (8) Portanto, aps a aplicao do sistema p.u., a situao de pr-
falta representada pelas expresses 21, 22 e 24, e a situao
i = Icarga . cos (w.t + ) (9) de falta passa a ser representada pelas expresses 21, 23 e 25.

V cos 2


N k+
 
i = If alta . cos ( ) .e.t + cos (w.t + ) {v k } = (21)
(10) Vb
onde,
 Icarga cos 2


N k+
ik = (22)
= Fator de potncia do conjunto carga mais linha; Ib
h T
i
= ngulo da tenso que ocorre a falta; If alta. cos( ).e
.k N
+ cos( 2
N
k + )
ik =
Ib
= inverso da cte de tempo do sistema de primeira ordem. (23)
V
Z rel = [cos () + j sen ()] (24)
= arctag (wL1/R1). Icarga Zbase

As expresses 11 e 12 representam o valor da impedncia V

Z rel = [cos () + j sen ()] (25)
medida por um rel de distncia instalado na barra A, para as If alta Zbase
situaes de pr-falta e falta, respectivamente:
Conforme discutido na etapa de pr-processamento (item
V 2.1) os vetores de entrada das RNA devem estar no sistema
Zrel = [cos () + j sen ()] (11)
Icarga p.u.. Tal fato torna desnecessrio o treinamento das RNA
para todas as amplitudes possveis de tenso e corrente das
V diversas linhas de transmisso existentes. Assim, por exem-
Zrel = [cos () + j sen ()] (12) plo, um sinal com amplitude de 10 V gera os mesmos vetores
If alta

Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006 53

de treinamento (em p.u.) que um sinal com amplitude de 20 que representam situaes irreais, ou seja, no plausveis na
V. Isso ocorre porque neste ltimo caso o valor da tenso de prtica.
base (Vb), numa dada janela de dados, o dobro do Vb do
primeiro caso. Sendo assim, constata-se que a partir do m- Aps S situaes simuladas obtm-se dois conjuntos de trei-
todo adotado, o treinamento independe da amplitude dos si- namento: um para a rede R, com S vetores de entrada (forma-
nais de tenso e corrente, que, portanto, podem ser unitrios, dos por {v k } e ik ) associados a S valores de R (expresses
isto : V = 1,0 V; Icarga = 1,0 A; If alta = 1,0 A. Admitindo- 29 e 31); e um para a rede X, com os mesmos S vetores de
se os sinais de tenso e corrente unitrios, as expresses 26, entrada associados a S valores de X (expresses 30 e 32).
27, 29 e 30 geram os vetores de treinamento referentes as
situaes de pr-falta, enquanto as expresses 26, 28, 31 e 3.2 Arquitetura das RNA e Parmetros de
32, geram os vetores de treinamento referentes as situaes Treinamento
de falta. Tais vetores so utilizados para treinar uma RNA
capaz de responder a sinais de tenso e corrente provenien- Neste trabalho vrias configuraes de RNA e parmetros de
tes de qualquer linha de transmisso, independentemente do treinamento foram testados, frente aos conjuntos de treina-
nvel de tenso, comprimento ou geometria da mesma. mento gerados no item anterior. Na configurao final, os
parmetros de treinamento mais relevantes so:
cos 2


N k+
{v k } = (26)
Vb Momentum = 0,9
 cos 2


N k+ Taxa de Aprendizado = 0,01
ik = (27)
Ib
h
i Erro desejado = 1.10-9
T
cos ( ) .e.k N + cos 2N k +
Nmero mximo de iteraes = 500.000

ik =
Ib
(28) Algoritmo de aprendizado = Backpropagation
cos ()
R= (29)
Zb Funo de transferncia de todos os neurnios = Tansig
sen ()
X= (30)
Zb Para a implementao das RNA foi utilizado o software Ma-
cos () tlab (Neural Network Toolbox). O treinamento destas redes
R= (31) foi realizado mediante 4500 vetores de entrada/sada, prove-
Zb
nientes das expresses (26 a 32) representativas das janelas
sen () de dados de tenso e corrente do modelo monofsico de pri-
X= (32)
Zb meira ordem apresentado na figura 6.

A rotina (desenvolvida em linguagem Matlab) que executa as
expresses, 26 a 32, dividida em duas etapas, que so: ge-
rao das situaes operativas para o treinamento em regime
permanente (pr-falta); gerao das situaes operativas para
o treinamento com componente exponencial (falta). No pri-
meiro caso, os valores de e so sorteados numa faixa
de 0 a 2., representando qualquer possibilidade de fator de
potncia e ngulo de tenso, contemplando todos os estados
de operao do sistema em regime permanente. J no se-
gundo caso, os valores de e so sorteados numa faixa
limitada pelo perodo transitrio do defeito, ou seja, quando
encontra-se entre 0 e 2., representando qualquer ngulo
de tenso para a ocorrncia do defeito e entre -/6 e -,
representando a defasagem entre a tenso e a corrente du-
rante o curto-circuito. Os valores de so sorteados numa
faixa de 20 a 100, representando o inverso das constantes de
tempo das linhas de transmisso nos diversos nveis de ten-
ses adotados na prtica. O sorteio das variveis , , e , avaliadas durante a fase de concepo das RNA apresen-
nas faixas apresentadas, impede que sejam gerados vetores
Durante a fase de definio da arquitetura das RNA (R e X),
foram avaliadas redes com diversos tamanhos de janelas de
dados e taxas de amostragem. Os resultados alcanados no
treinamento dessas redes so apresentados em Santos e Sen-
ger (2004) e indicam, aps uma anlise detalhada, que redes
com janela de dados de 16 amostras e taxas de amostragem
de 32 amostras por ciclo (60 Hz) so mais apropriadas para a
implementao do algoritmo proposto. Tais redes receberam
as denominaes Rede-32-16-r e Rede-32-16-x em funo da
taxa de amostragem e da janela de dados utilizadas, alm do
tipo de resposta emitida por cada uma delas resistncia (r)
ou reatncia (x). Ambas as redes possuem quatro camadas
com: 32 neurnios de entrada; 65 e 8 neurnios nas cama-
das ocultas e 1 neurnio na camada de sada. No processo de
treinamento a Rede-32-16-r atingiu um erro de 6,42.105 e a
Rede-32-16-x atingiu um erro de 2,95.105. Um estudo de-
talhado sobre o treinamento e testes de todas as arquiteturas
tado na referncia citada neste pargrafo.

54 Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006

3.3 Validao das RNA
Para a avaliao das RNA frente a sinais no pertencentes
aos seus conjuntos de treinamento, so gerados sinais aleat-
rios representativos das condies de pr-falta e falta de uma
linha de transmisso monofsica. Estes sinais (j no sistema
p.u.), no formato de janela de dados de tenso e corrente,
com nmero de amostras e taxas de amostragem adequadas,
conforme as expresses 26 a 32, so agrupados para formar
os vetores de entrada das RNA. Para cada vetor de entrada,
os valores de resistncia e reatncia so previamente calcula-
dos, possibilitando a comparao entre estes e os valores de
resistncia e reatncia emitidos pelas RNA. importante res-
saltar que nesta primeira etapa de validao os sinais gerados
so baseados num sistema de primeira ordem (figura 6), no
contemplando, portanto, as situaes de ondas trafegantes.
Os resultados da validao das redes R e X so apresentados
na tabela 1.
importante destacar que cada rede foi submetida a 1500
casos de pr-falta e 1500 casos de falta. Na tabela 1 o nmero
em destaque representa os casos que a RNA calculou a sua
sada (R ou X) com um erro absoluto inferior a 3%, sendo nos
demais casos registrado um erro absoluto entre 3% e 5%.
Ressalta-se nesta avaliao um fato de extrema relevncia,
que corresponde capacidade das RNA filtrarem a com-
ponente exponencial (casos de falta), respondendo correta-
mente quando h ou no componente aperidica no sinal de
entrada.
Tabela 1: Resultado da Validao das RNA
Erro Absoluto ( ) Rede-32-16-r Rede-32-16-x
Casos de < 3% 1364 1356
Pr-falta 3%< <5% 136 144
Casos de < 3% 1047 1301
Falta 3%< <5% 453 199
4 RESULTADOS DO ALGORITMO
BASEADO EM RNA
Para avaliar o algoritmo proposto, apresentado generica-
mente na figura 1, este ser implementado com as duas RNA
validadas; Rede-32-16-r e Rede-32-16-x. Como foi obser-
vado, tais redes foram treinadas com sinais provenientes de
uma linha monofsica, representada atravs de um modelo de
primeira ordem. Dessa forma, resta avaliar as referidas redes
frente s condies reais de operao de uma linha de trans-
misso trifsica, possibilitando, inclusive, constatar a reao
dessas redes frente s situaes de defeito que resultam em
Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006
ondas trafegantes, situaes estas no contempladas no pro-
cesso de treinamento das RNA. Tal avaliao ser realizada
considerando os tempos de resposta do algoritmo, ou seja, os
tempos de trip (Ttrip) e estabilizao (Testab) do mesmo.
As linhas utilizadas para avaliar o algoritmo so tpicas
do sistema brasileiro nos nveis de 138kV, 230kV, 345kV,
500kV e 765kV, e possuem comprimento e carregamento
compatveis com esses nveis.
As situaes operativas das linhas de transmisso adotadas
foram geradas atravs do Simulink (Power System Toolbox),
considerando as seguintes variaes: tipo de defeito (fase-
terra, dupla-fase, dupla-fase-terra e trifsico); distncia do
defeito (20%, 50% e 80% do comprimento da linha de trans-
misso); resistncia de falta (0, 10 e 20); impedncia do
equivalente no terminal do rel (30%, 100% e 120% do valor
real); ngulo da tenso no instante do defeito (0o , 45o e 90o );
nvel de tenso (138kV, 230kV, 345kV, 500kV e 765kV).
Aps o algoritmo ser submetido 12 situaes operativas di-
ferentes em cada nvel de tenso considerado, a qualidade da
resposta emitida por este medida segundo dois indicadores
principais:
Ttrip: Tempo para o algoritmo gerar trs respostas conse-
cutivas no interior da primeira zona de proteo do rel
(Mho), ajustada para 85% da linha de transmisso.
Testab: Tempo para o algoritmo emitir respostas sucessi-
vas com um erro menor do que 5%, com relao ao
valor correto (Zcor ) da impedncia de falta. Matema-
ticamente, o Testab definido segundo a expresso 33.
|Z(t) Zcor |
< 0, 05 para t > Testab (33)
|Zcor |
A tabela 2 apresenta os tempos mdios de trip e estabilizao
do algoritmo, frente a 12 situaes operativas distintas, em
cada nvel de tenso considerado.
Tabela 2: Tempo mdio de estabilizao e trip (ms)
Tenso (kV) Testab Trip
138 12,70 8,72
230 15,91 8,54
345 17,00 10,55
500 35,08 7,63
765 39,25 8,04
Tempo mdio 23,99 8,69
A ttulo de exemplo as figuras 7, 8 e 9 apresentam, no plano
R-X, a impedncia calculada pelos elementos de medio do
55
 V (V)
V (V)

I (A)
I (A)

 

     

Figura 7: Comportamento dos elementos de fase do algo- Figura 8: Comportamento dos elementos de terra do algo-
ritmo 345 kV ritmo 345 kV

algoritmo proposto, frente a defeitos numa linha de trans-

misso de 345 kV e 145 km. Nos trs casos apresentados o
defeito ocorre no meio da linha de transmisso e o ngulo da
tenso de 45o . No primeiro caso, figura 7, os sinais Trip e
Testab foram gerados, respectivamente, aps 12,0 ms e 14,0
ms, para um defeito slido entre as fases A e B. No segundo
caso, figura 8, os sinais Trip e Testab foram gerados, respec-
tivamente, aps 9,5 ms e 13,5 ms, para um defeito monof-
sico (fase A) com resistncia de falta de 10 . J no terceiro
caso, figura 9, os sinais Trip e Testab foram gerados, respec-
tivamente, aps 8,0 ms e 13,5 ms, para um defeito trifsico
slido.
O sistema de 345 kV simulado e a torre utilizada na sua mo-
delagem so apresentados, respectivamente, nas figuras 10 e
11. As caractersticas dos demais sistemas eltricos utiliza-
dos 138 kV, 230 kV, 500 kV e 765 kV (parmetros de linha,
geometria das torres, comprimentos das linhas de transmis-
so, etc), so apresentados em Santos e Senger (2004).
Nas figuras 7, 8 e 9, alm dos sinais de tenso e corrente de
defeito, referentes a cada situao operativa simulada, pos-
svel visualizar o comportamento dos elementos de medio
do algoritmo. No caso do defeito bifsico (figura 7) somente
o elemento de fase AB penetrou a zona de proteo do rel,
enquanto que no caso do defeito trifsico (figura 9) todos
os trs elementos de fase penetraram a zona de proteo do
rel. J no caso do defeito monofsico (figura 8), somente o
elemento de terra AN penetrou a zona de proteo do rel.
Tal observao confirma que os esquemas propostos de pr-
processamento, RNA e ps-processamento desempenharam
a funo desejada, visto que em todos os casos os elementos
de medio calcularam, com preciso menor do que 5%, a
impedncia do defeito.
A torre apresentada na figura 11 composta por um circuito
simples com dois condutores por fase, flecha de 7,80 me-
tros e condutor tipo (Bluebird) ACSR 2156 MCM (84/19).
J o pra-raios possui flecha de 4,70 metros e dimetro de
7/16 (HS).

56 Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006

 7,4 m

5,0 m
V (V)

2,2 m

26,3 m
I (A)

18,8 m

Figura 11: Torre utilizada na modelagem do sistema de 345

 kV

de transmisso consideradas no presente estudo. Tais condi-

es operativas correspondem a 32 variaes nos parmetros
de simulao do sistema eltrico (instante do defeito, tipo de
   defeito, resistncia de falta, etc), alm de trs comprimentos
diferentes de linha de transmisso, em cada nvel de tenso
considerado (32 casos x 3 comprimentos x 5 nveis). A vari-
Figura 9: Comportamento dos elementos de fase do algo-
ao no comprimento das linhas de transmisso visa medir o
ritmo 345 kV
comportamento do algoritmo proposto diante de linhas cur-
tas, mdias e longas.
L.T. 345 kV
As tabelas 3 e 4 apresentam os tempos mdios de trip e es-
A
Rel
B tabilizao dos algoritmos em teste nas seguintes condies:
32 casos simulados em cada um dos trs comprimentos ado-
~ ~
tados para cada nvel de tenso. O nmero entre parnteses
S = 160 MVA 145 Km S = 154 MVA representa a quantidade de vezes que o algoritmo desenvol-
VA = 1 0 VB = 0,96 -5 vido respondeu mais rpido do que o algoritmo convencio-
nal.

Figura 10: Sistema de 345 kV utilizado na simulao
5 COMPARAO ENTRE OS
ALGORITMOS: RNA X FOURIER
Para mensurar a aplicabilidade do algoritmo proposto, este
ter seu desempenho comparado com o desempenho de um
algoritmo convencional utilizado na proteo de distncia -
Algoritmo de Fourier (Blackburn, 1998; Horowitz e Phadke,
1996; Senger e Santana, 1998). Esta comparao consta da
anlise das respostas de cada um desses algoritmos, frente a
480 simulaes de possveis condies operativas das linhas
Com relao a tabela 3, constata-se que o algoritmo baseado
em RNA possui melhor desempenho do que o algoritmo con-
vencional, pois independentemente da linha de transmisso e
do comprimento desta, o algoritmo desenvolvido possui tem-
pos mdios de trip significativamente mais baixos. J com
relao a tabela 4, constata-se que at o nvel de 345 kV o al-
goritmo baseado em RNA apresenta um desempenho ligeira-
mente superior ao algoritmo convencional. Entretanto, acima
desse nvel, o algoritmo de Fourier mostra-se mais adequado
do que o baseado em RNA, que tem seu desempenho com-
prometido devido ao efeito das ondas trafegantes, presentes
nas linhas mais longas. Tal limitao existe porque o treina-
mento das redes R e X do algoritmo foi realizado a partir de
um modelo de primeira ordem (figura 6), que no contempla

Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006 57

 A etapa de pr-processamento possui um papel importante
Tabela 3: Tempo mdio de trip (ms)
no algoritmo proposto, pois alm de proporcionar que este
Nvel Algoritmo 50 km 74 km 150 km
seja independente do nvel de tenso da linha, tambm pos-
06,88 08,16 06,90 sibilita que as RNA sejam treinadas atravs de um sistema
138kV RNA
(97%) (100%) (100%) monofsico de primeira ordem, simplificando e agilizando o
Fourier 14,20 15,63 13,7 processo de gerao dos conjuntos de treinamento.
80 km 100 km 200 km
09,00 08,83 07,90 Conforme apresentado na tabela 1, ressalta-se um fato de ex-
230kV RNA
(93%) (93%) (87%) trema relevncia, que corresponde a capacidade das RNA
Fourier 13,30 13,03 12,67 filtrarem a componente exponencial, respondendo correta-
100 km 145 km 300 km mente quando h ou no componente aperidica no sinal de
11,40 10,55 09,75 entrada. Nesta tabela observa-se que as RNA avaliadas res-
345kV RNA
(100%) (100%) (100%)
Fourier
ponderam, com a resistncia ou a reatncia, com erros me-
16,70 16,20 15,40
181 km 300 km 400 km
nores do que 5%. Na maioria dos casos, erros bem inferiores
07,60 06,77 06,17 a 3%.
500kV RNA
(97%) (97%) (97%)
Fourier 13,06 12,43 12,56 Quanto aos tempos de respostas pode-se dizer que, em ter-
265 km 350 km 500 km mos de tempo de trip, o algoritmo proposto leva vantagem
07,01 06,75 07,40 sobre o algoritmo convencional. J com relao ao tempo de
765kV RNA
(100%) (97%) (87%) estabilizao o algoritmo proposto mostrou-se a melhor op-
Fourier 13,46 13,10 12,93 o at o nvel de 345 kV, enquanto nos nveis de 500 kV
e 765 kV o algoritmo convencional teve o melhor desempe-
nho. Acredita-se que a limitao do algoritmo proposto, nos
Tabela 4: Tempo mdio de estabilizao (ms) nveis de 500kV e 765kV, ocorre porque os sinais de treina-
mento da RNA so provenientes de um sistema de primeira
Nvel Algoritmo 50 km 74 km 150 km ordem, que no contempla as situaes de ondas trafegantes,
12,28 13,65 12,17 comum em nveis mais altos e linhas mais longas.
138kV RNA
(94%) (97%) (100%)
Fourier 17,97 18,75 18,12
80 km 100 km 200 km REFERNCIAS
17,28 17,04 14,05
230kV RNA Blackburn, J.L. (1998). Protective Relaying Principles and
(72%) (72%) (88%)
Fourier 17,22 17,18 17,59 Applications. New York, Marcel Dekker, 3 ed..
100 km 145 km 300 km
Bouthiba, T. (2004). Fault Location in EHV Transmission
17,15 17,57 18,46
345kV RNA Lines Using Artificial Neural Networks. Int. J. Appl.
(75%) (69%) (72%)
Fourier 19,50 18,30 18,53 Math. Comput. Sci., vol 14, n.1, p.69-78.
181 km 300 km 400 km
Dalstein, T.; Friedrich, T.; Kulicke, B.; Sobajic, D. (1996).
36,85 35,03 44,42
500kV RNA Multi Neural Network Based Fault Area Estimation for
(41%) (47%) (38%)
Fourier 16,93 17,00 16,93 High Speed Protective Relaying. IEEE Transactions on
265 km 350 km 500 km Power Delivery, vol. 11, n.2, p.740-747.
36,70 35,54 41,48
765kV RNA
(41%) (38%) (44%) Demuth, H.; Beale, M. (1994). Neural Network Toolbox
Fourier 17,65 17,59 20,53 For Use With Matlab. The Math Works, 3 ed..
Horowitz, S.H.; Phadke, A.G. (1996). Power System Re-
laying. England, Research Studies Press, 2 ed..
as situaes de ondas trafegantes. Jiali, H.; Yuqian, D.; Yongli, L.; Shanshan, L. (1997).
Distance Relay Protection Based on Artificial Neural
6 CONCLUSO Network. 4th International Conference on Advances
in Power System Control, Operation and Management,
A principal contribuio do algoritmo apresentado a possi-
APSCOM-97, p.515-520.
bilidade deste ser aplicvel a qualquer linha de transmisso,
independentemente das peculiaridades da mesma, sem a ne- Kezunovic, M.; Rikalo, I. (1996). Detect and Classify Faults
cessidade de ajustes adicionais nos parmetros das RNA, ou Using Neural Nets. IEEE Computer Applications in
seja, do retreinamento destas. Power, p.42-47.

58 Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006

Li, Y.L.; Li, B.; Zhang, X.H.; He, J.L. (2001). An ANN- 2. Fase B em curto-circuito com a terra
Based Distance Protective Relays of Transmission Li-
nes. IEE Developments in Power System Protection, d
vb0 = 0 vb = R1 ibr + L1 ibx (35)
n.479, p.311-314. dt

Oleskovicz, M.; Coury, D.V.; Carvalho, A.P.L. (1998). Ar- 3. Fase C em curto-circuito com a terra
tificial Neural Network Applied to Power System Pro-
tection. Vth Brazilian Symposium on Neural Networks, d
vc0 = 0 vc = R1 icr + L1 icx (36)
Belo Horizonte. dt

Salat, R.; Osowski, S. (2000). Fault Location in Transmis- 4. Curto-circuito entre as fases A e B (AB ou ABN)
sion Line Using Self-Organizing Neural Network. Pro-
d
ceedings of ICSP2000, p.1585-1588. vab = R1 (ia ib ) + L1 (ia ib ) (37)
dt
Santos, R.C.; Senger, E.C. (2004). Algoritmo Baseado em
Redes Neurais Artificiais para a Proteo de Distncia 5. Curto-circuito entre as fases B e C (BC ou BCN)
de Linhas de Transmisso. Tese de Doutorado, EPUSP.
d
vbc = R1 (ib ic ) + L1 (ib ic ) (38)
Senger, E.C.; Santana, N.N. (1998) . Pr-Filtragem da Com- dt
ponente Aperidica Exponencial para os Algoritmos
Utilizados em Rels de Distncia. Seminrio Tcnico 6. Curto-circuito entre as fases C e A (CA ou CAN)
de Proteo e Controle STPC.
d
vca = R1 (ic ia ) + L1 (ic ia ) (39)
Tawfik, M.M.; Morcos, M.M. (2001). ANN-Based Techni- dt
ques for Estimating Fault Location on Transmission Li-
onde
nes Using Prony Method. IEEE Transactions on Power
Delivery, vol. 16, n.2, p.219-224. iar = ia + Kr io , iax = ia + Kx io ,
Vasilic, S.; Kezunovic, M. (2002). An Improved Neural Al- ibr = ib + Kr io , ibx = ib + Kx io ,
gorithm for Classifying the Transmission Line Faults. icr = ic + Kr io , icx = ic + Kx io ,
IEEE, p.918-923.
sendo,
Vzquez E.; Altuve, H.J.; Chacn O.L. (1996). Neu-
R0 R1 r 0 r 1
ral Network Approach To Fault Detection in Elec- Kr = R1 = r1
tric Power Systems. IEEE International Conference on L0 L1 l0 l1
Kx = L1 = l1
Neural Networks, vol 4, p. 2090 2095.
R1 , R0 = Resistncias de seqncia positiva e zero
Wasserman, P.D. (1989). Neural Computing Theory and do trecho com defeito (Ohms);
Practice. New York, Van Nostrand Reinhold.
r1 , r0 = Resistncias de seqncia positiva e zero
da linha (Ohms/km);
APNDICE A
    
 

Na figura 12 apresentado o modelo simplificado, adotado 



neste estudo, para uma linha de transmisso trifsica. Os
parmetros Rn e Ln representam a impedncia do caminho 
 


de retorno, percorrido pela corrente in.
 

O equacionamento da linha mostrada na figura 12 resulta nas 
 



equaes (34) (39), cada uma vlida para um determinado
 

tipo de falta slida.



 

1. Fase A em curto-circuito com a terra

d Figura 12: Modelo adotado para deduzir os vetores de en-

va0 = 0 va = R1 iar + L1 iax (34) trada das RNA
dt

Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006 59

 L0 , L1 = Indutncias de seqncia positiva e zero
do trecho com defeito (Ohms);
l0 , l1 = Indutncias de seqncia positiva e zero da
linha (Ohms/km);
va , vb e vc = Tenso nas fases A, B e C no local
do rel;
va , vb e vc = Tenso nas fases A, B e C no local
da falta;
ia , ib e ic = Corrente de linha nas fases A, B e C;
i0 = Corrente de seqncia zero;
Kr e Kx = Fator de compensao.

60 Revista Controle & Automao/Vol.17 no.1/Janeiro, Fevereiro e Maro 2006