IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO.

5, SEPTEMBER 2006 345

Sistema Digital de Detecção e Classificação de

Eventos de Qualidade de Energia
Augusto S. Cerqueira, Carlos A. Duque, Member, IEEE, Moisés V. Ribeiro, Member, IEEE, e Rogério
M. Trindade

 de onda de tensão. Considerando a forma de onda de tensão,

Abstract-- Este trabalho introduz um novo algoritmo de baixo
esforço computacional para a detecção e a classificação de
eventos elétricos relacionados com a qualidade de energia
elétrica. A detecção dos eventos é realizada com base na análise
de características estatísticas da energia do sinal de erro que é
definido como a diferença entre o sinal amostrado e sua
componente senoidal fundamental, gerada pelo algoritmo
proposto. Para a classificação de eventos, é proposta a utilização
da técnica de processamento multi-taxa para a extração de
vetores reduzidos de parâmetros dos sinais de erro. Estes vetores
são apresentados a uma rede neural perceptron multicamada
para que a mesma aproxime as superfícies de separação entre as
diferentes classes de eventos associadas aos distúrbios
comumente encontrados nas redes elétricas. Resultados
numéricos, obtidos através de simulações computacionais,
apontam para uma eficiência bastante satisfatória da técnica
proposta para a classificação de eventos.
Index Terms— neural network, pattern recognition, power
quality, signal processing, instrumentation.
I. INTRODUÇÃO
O tema qualidade de energia tem se tornado um assunto de
extrema importância no mercado atual de energia
elétrica. Dentre os vários motivos para esta importância,
podemos ressaltar os seguintes: (1) a falta de padrões
definidos para estabelecer índices capazes de estimar de forma
consistente a qualidade da energia fornecida pelas
concessionárias, (2) o desenvolvimento e a utilização cada vez
maior de equipamentos, tais como, como inversores e
conversores para acionamento de cargas de potências cada vez
maiores, (3) a proliferação de sistemas microprocessados
bastante sensíveis às perturbações do sistema elétrico e ainda,
(4) a crescente interligação dos sistemas de potência com
diferentes matrizes geradoras de energia [1]-[2]. Estes
aspectos, levantados como motivadores das discussões sobre
qualidade de energia, tornam a preocupação com a
confiabilidade e o bom funcionamento do sistema elétrico um
compromisso não apenas das concessionárias, mas também
dos consumidores.
De maneira geral, os eventos de qualidade de energia
elétrica (QEE) se manifestam como deformidades nas formas
Este trabalho foi financiado pela CAPES, CNPq (Proc. no. 550178/2005-8
e 150064/2005-5) e FAPEMIG (EDT 231/05), Brasil.
Os autores estão vinculados ao Departamento de Engenharia Elétrica da
Universidade Federal de Juiz de Fora, Juiz de Fora, 36036-330, Brasil. (e-
mails: santiago@lacee.ufjf.br, carlos.duque@ufjf.edu.br, mribeiro@ieee.org,
rogerio_marques@yahoo.com.br ).
podemos encontrar vários tipos de eventos tais como notches,
harmônicos, faltas, sobre-tensão (swell), afundamentos (sag),
flickers, impulsos (spikes, notches), transitórios de
chaveamento, etc. [18]. Estes eventos podem ter duração entre
50ns e vários minutos com componentes espectrais atingindo
5 MHz (no caso de transitórios impulsivos). Desta forma,
quando tais eventos são monitorados por oscilógrafos, geram
arquivos de dados de grande extensão que, além de serem
difíceis de armazenar, trazem muitas vezes informações
desnecessárias para a avaliação da QEE.
Deve-se ressaltar que a análise dos eventos, acima listados,
demanda o uso de sofisticadas técnicas de processamento de
sinais e inteligência computacional, uma vez que tais eventos
são aleatórios e podem ocorrer conjuntamente.
Neste trabalho, apresenta-se um novo algoritmo capaz de
detectar e classificar eventos de QEE. A detecção é feita a
partir da monitoração do sinal de erro, definido como a
diferença entre o sinal de tensão, obtido da rede elétrica e a
componente senoidal fundamental do sistema, gerada pelo
próprio algoritmo. Recentes contribuições evidenciam que o
uso de tal abordagem apresenta desempenho bastante razoável
para a detecção de eventos de QEE [3]-[6].
Uma proposta inovadora deste trabalho é realizar a
classificação com base no sinal de erro obtido pelo algoritmo
de detecção numa direção diferente daquela adotada em [7].
De fato, a presente contribuição, diferentemente das
antecessoras [7]-[14], extrai um conjunto de parâmetros,
constituído de amostras do sinal erro, baseando-se no
processamento multi-taxa de sinais [15]. A vantagem dessa
abordagem reside no fato de que um baixíssimo custo
computacional é necessário para a extração deste vetor de
parâmetros. A seguir, uma rede neural perceptron
multicamada [16] é aplicada para a classificação de eventos.
Na próxima seção, é apresentada uma visão geral do
funcionamento de todo o algoritmo, na seção III, a estrutura
de obtenção do sinal de erro e detecção de evento é mostrada,
considerando a utilização de processamento multi-taxa para a
estimação dos parâmetros da componente fundamental. O
sistema de classificação é abordado na seção IV e os
resultados obtidos são mostrados na seção V. As
considerações finais são resumidas na seção VI.
II. VISÃO GERAL DO SISTEMA DE DETECÇÃO E CLASSIFICAÇÃO
DE EVENTOS DE QUALIDADE DE ENERGIA
O sinal amostrado nas redes elétricas pode ser modelado
346
pela a adição de vários tipos de eventos e expresso por
x( n) f (n)  h( n)  i ( n)  t (n)  v ( n) (1)
onde,
f (n) A0 cos(nZ0  T 0 ) (2-a)
, sinal f(n) sofra uma alteração, por exemplo um deslocamento
M (2-b)
h( n ) ¦ i 1
Ai cos(nZ i  T i ) ,
J (2-c)
i ( n) ¦ j 1
AI , j cos(nZ I , j  T I , j ) ,
K (2-d)
t ( n) ¦ t
k 1 k
( n)
e a seqüência {v(n)} é constituída de amostras i.i.d., as quais
são independentes de f (n) , h(n) , i (n) e t (n) e têm
distribuição Gaussiana N (0, V v2 ) . Note que f (n ) , h(n) ,
i (n) e t (n) representam as componentes fundamental,
harmônicas, inter-harmônicas e os transitórios (notches,
spikes, etc), respectivamente.
A Fig. 1 mostra um diagrama de blocos da estrutura
completa do algoritmo de detecção e classificação de eventos.
Conforme observado, o bloco Evento de QEE representa as
amostras da forma de onda de tensão do sistema elétrico que
está sendo monitorado. Estas amostras alimentam o Estimador
de Parâmetros, que é o bloco responsável por estimar a
amplitude, freqüência e fase da componente fundamental do
sistema. O Gerador Senoidal utiliza as características
estimadas no bloco anterior para reproduzir a componente
senoidal fundamental do sistema e subtraí-la do sinal x (n) ,
resultando no sinal de erro dado por,
e(n) e f (n)  h(n)  i(n)  t (n)  v(n) (3)
onde e f ( n) f (n)  fˆ ( n) é o resíduo que surge devido ao
fato de que a componente fundamental não é perfeitamente
estimada. Adotando-se o estimador de parâmetros senoidais e
o gerador senoidal discutidos na Seção III, tem-se que
e f (n)  1 .
Fig. 1. Visão geral do algoritmo.
A estrutura destacada na Fig.1 por um retângulo tracejado
tem um comportamento semelhante ao de um filtro notch com
freqüência de sintonização ajustada para w0 (n) 2Sf 0 (n) f s
rad/s, sendo f 0 ( n ) a freqüência da componente fundamental
e f s a freqüência de amostragem.
O comportamento do sinal de erro é monitorado no bloco
de Detecção de Eventos, onde o princípio de inovação da
energia do sinal de erro [3] é utilizado para detectar a
ocorrência de um evento no sistema elétrico sob
monitoramento e disparar a gravação em mídia digital das
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
formas de onda de tensão e do sinal de erro referentes ao
evento detectado.
Conforme mostrado na Fig. 1 o sinal monitorado f(n) é
subtraído da sua componente fundamental estimada. Caso o
de ângulo de fase na sua componente fundamental, o sinal de
erro será alterado, e pelo princípio da inovação do erro um
novo evento de QEE será detectado. Caso a componente
fundamental entre num novo regime permanente, o gerador da
componente fundamental será atualizado para o novo estado,
reduzindo assim a energia do sinal do erro. Neste caso, o
sistema entenderá que esta variação foi devida a um ajuste do
gerador e não ao acontecimento de um novo distúrbio no
sistema, conforme descrito em [3].
No bloco Classificação de Eventos, técnicas de
processamentos de sinais e de inteligência computacional são
aplicadas para a classificação dos eventos monitorados, vide
Seção III.
III. GERAÇÃO DO SINAL DE ERRO E DETECÇÃO DE EVENTOS
Vários eventos de QEE apresentam componentes de alta
freqüência como chaveamento de bancos de capacitores e
transitórios rápidos, desta forma, para que os dados
armazenados representem o distúrbio ocorrido com uma
ampla faixa de freqüência, se faz necessário o uso de uma alta
taxa de amostragem. O algoritmo proposto utiliza uma taxa de
amostragem f s 256 u 60 Hz. No entanto, tal consideração
aumenta o custo computacional da técnica adotada para a
estimação dos parâmetros da componente fundamental e a
geração de uma estimativa da sua forma de onda.
Objetivando diminuir a complexidade computacional, é
proposto neste trabalho o uso combinado de técnicas de
filtragem e decimação para fazer o pré-processamento deste
sinal (vide Fig. 2). Conseqüentemente, a versão do sinal x (n )
na entrada do bloco Estimador de parâmetros é dada por,
Lh 1 (4)
x d ( n) ¦i 0
h(i) x( Mn  i )
L 1
onde M é o fator de decimação e {h( n)}n h 0 é a resposta
impulsiva do filtro passa-baixa (filtro decimador) cuja
freqüência angular de corte é Zc . Deste modo, a estimação
dos parâmetros é realizada em uma freqüência mais baixa que
a utilizada para amostrar o sinal do sistema elétrico. Como o
sinal fˆ (n) é gerado no bloco Gerador Senoidal à taxa f , s
tem-se que o sobre-amostrador (up-sampler) e o filtro de
interpolação [15] do sinal não são necessários.
O bloco Controle de Atualização do Gerador monitora,
através do cálculo de estatísticas de 2ª ordem do sinal [3], os
parâmetros estimados da componente fundamental e faz com
que o Gerador Senoidal seja atualizado sempre que um novo
regime permanente se estabelecer no sinal de tensão. Além
disso, não permite que o gerador seja atualizado durante os
distúrbios do sistema elétrico, que normalmente causam
oscilações dos parâmetros estimados.
S. CERQUEIRA et al.: DIGITAL SYSTEM FOR DETECTION 347

Evento de x(n) e(n) janelas arquivadas do sinal monitorado. Estas janelas foram
Qualidade + Detecção de
Eventos
de Energia obtidas através da simulação de eventos típicos de QEE, em
Filtro - fˆ (n) (a) é mostrado um evento oscilatório, em (b) e (c) são
Passa-baixa
Classificação
de Eventos
apresentados um afundamento e sobre-tensão,
respectivamente, em (d) e (e) aparecem a presença de notches
M e spikes no sinal de entrada. Cada janela é composta por 1024
Estimador Controle de
xd (n) de Atualização
Gerador amostras. As janelas armazenadas do sinal de erro referentes
Senoidal
Parâmetros do Gerador
aos eventos mostrados na Fig. 4 podem ser vistas na Fig. 5.
Fig. 2. Processamento multi-taxa utilizado na estimação dos parâmetros da O processo de classificação é descrito na seção seguinte.
componente fundamental do sistema.

Na Fig. 3 é apresentada a estrutura de detecção de eventos a

partir da análise do sinal de erro. O primeiro passo é gerar o
valor RMS, H (n) , do sinal de erro através de um filtro de
média móvel de ordem N.

Fig. 3. Estrutura de detecção de eventos. Fig. 4 Janelas típicas armazenadas do sinal de entrada com seus respectivos
distúrbios: (a) evento oscilatório, (b) afundamento de tensão, (c) sobre-tensão,
(d) notches, e (e) spikes.
As N amostras do sinal H (n) são agrupadas formando a Janelas do sinal de erro
1

janela de dados j, cuja média E ( j ) é calculada. A seguir é 0 (a)

estimada a relação de estacionaridade e não-estacionaridade -1
100 200 300 400 500 600 700 800 900 1000
SNSR (Stationary to Non- Stationary Ratio) definida por [3] 1

ª§ 1 N 1
ˆ 2 (n ) · / E ( j )º
0 (b)
SNSR 10 log10 « ¨ ¦ A0 ¸ » (5) -1
¬© N n 0 ¹ ¼, 1
100 200 300 400 500 600 700 800 900 1000

onde Aˆ 0 (n) é a estimativa da amplitude da componente 0 (c)

-1
100 200 300 400 500 600 700 800 900 1000
fundamental. O valor de SNSR expressa a relação entre a 1

componente estacionária do sinal, f 0 (n) , e a componente não 0 (d)

estacionária, e(n) dada por (3). Se o valor de SNSR for menor -1

1
100 200 300 400 500 600 700 800 900 1000

que um limiar K, o nível de não estacionaridade é alto, e 0 (e)

provavelmente ocorreu um evento dentro da j-ésima janela de -1
100 200 300 400 500 600 700 800 900 1000
sinal. O limiar K está associado à relação sinal ruído (SNR) do Amostras
sistema elétrico que está sendo monitorado e com a Fig. 5 Janelas típicas armazenadas do sinal de erro com seus respectivos
sensibilidade de detecção do algoritmo [3]. O próximo passo distúrbios: (a) evento oscilatório, (b) afundamento de tensão, (c) sobre-tensão,
(d) notches, e (e) spikes.
consiste em analisar a janela do sinal de erro para descobrir se
esta contém alguma inovação. A prática tem mostrado que o
IV. SISTEMA DE CLASSIFICAÇÃO DE EVENTOS
uso de estatística de 2ª ordem é suficiente para detectar
inovações na janela de sinal de erro. Portanto, se o módulo da A classificação dos eventos diretamente a partir do vetor de
diferença entre a energia do sinal de erro na janela atual e a amostras do sinal monitorado não é indicado por duas razões
energia de referência ER for maior que o limiar de variação da [17]: i) o vetor de amostras dado pela seqüência ^x(n)`nL 10
energia entre as janelas ETh, então fica caracterizada a apresenta informações redundantes que podem reduzir o
ocorrência de um novo evento. desempenho das técnicas de classificação de eventos e ii) o
Quando um evento é detectado, as respectivas janelas do
sinal de erro e do sinal monitorado são gravadas e a Energia uso da seqüência ^x(n)`nL10 quando L é grande aumenta
de Referência ER é atualizada. A Fig. 4 mostra algumas consideravelmente a complexidade computacional da técnica
348
de classificação de eventos. Visando minimizar estes
problemas, técnicas de extração de padrões têm sido aplicadas
para a obtenção de parâmetros representativos dos sinais
monitorados.
A principal abordagem utilizada para a extração de
parâmetros é a projeção do sinal {x (n)} em um espaço
vetorial que revele as características dos distúrbios. Tais
espaços vetoriais, obtidos a partir de técnicas de
transformação (Wavelet, Short-time Fourier Transform,
transformada S, transformada Lapped, FFT, etc) [7]-[15]
permitem que conjuntos representativos de parâmetros sejam
extraídos dos sinais monitorados e bons resultados têm sido
alcançados.
Geralmente o esforço computacional necessário para
realizar a projeção do sinal {x (n)} no espaço vetorial
associado a um técnica de transformação é proibitivo para as
aplicações de monitoramento descentralizado da QEE com
equipamentos que demandam baixo custo.
Objetivando propor uma alternativa a esta abordagem
tradicional, aplicada para a classificação de eventos, uma
proposta inovadora é realizar a classificação dos eventos com
base nas janelas de erro armazenadas pela etapa de detecção
do algoritmo, conforme discutido na Seção II. Tal estratégia
pode ser representada pelo diagrama de blocos mostrado na
Fig. 6.
A principal motivação para a utilização desta estratégia é
considerar que a maior parcela da energia do sinal amostrado
que contém o evento é devida à presença da componente
fundamental do sinal, que não contribui para a classificação.
Por outro lado, na janela de erro, a energia do sinal é, em sua
maior parte, proveniente da ocorrência do distúrbio. Esta
janela de erro é então aplicada diretamente a uma técnica de
reconhecimento de padrões para a classificação dos eventos de
QEE. Sabe-se que os resultados ótimos de classificação são
obtidos quando os classificadores Bayesianos são aplicados
[17]. No entanto, tais técnicas apresentam elevada
complexidade computacional, além de seu desempenho
depender da restrição apresentada acima. Desta forma, é
proposta a aplicação da rede neural perceptron multicamada
[16] para aproximar as superfícies de separação entre as
classes de distúrbios.
A. Etapa de Pré-Processamento do Sinal de Erro
A primeira etapa de pré-processamento consiste no
alinhamento dos eventos pelo seu início dentro da janela de
erro. Na Fig. 5, pode-se observar pelas janelas dos cinco
eventos selecionados, que inicialmente o erro é próximo de
zero, e a partir de um instante distinto para cada evento, o erro
torna-se diferente de zero caracterizando o início do distúrbio
no sinal de erro.
O alinhamento é necessário para que se evite a utilização de
sinal sem informação relevante na classificação, uma vez que
as amostras anteriores ao início do evento (ruído) são
descartadas no alinhamento.
Portanto, a janela de erro, que contém 1024 amostras, passa
por um algoritmo baseado num filtro de média móvel (10
IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006
coeficientes) que identifica a amostra onde o evento se inicia.
O número de coeficientes do filtro foi escolhido de forma a
tornar o sistema robusto, mas com a preocupação de evitar
aumento do custo computacional.
Depois do alinhamento, é necessário definir o comprimento
da janela de erro a ser apresentada à rede. A utilização de um
comprimento pequeno, como 64 amostras do sinal (1/4
período da fundamental), se mostra inadequada uma vez que a
classificação dos eventos seria realizada através das
características transitórias do sinal de erro. Isto limitaria o
desempenho da classificação, já que é desprezada a
informação de estado permanente do sinal, ocasionando
dificuldade para a classificação de eventos que possuem
características periódicas como os afundamentos e sobre-
tensões, spikes e notches. Conseqüentemente, a janela é
truncada com 512 amostras, o que corresponde a 2 ciclos do
sinal senoidal de 60 Hz.
A última etapa de pré-processamento do sinal consiste
numa diminuição, ainda maior, da dimensão dos eventos a
serem apresentados à rede, uma vez que o fator de redução
conseguido através do alinhamento e truncamento do sinal foi
de apenas 2. Com esta dimensão dos dados na entrada da rede,
resultando num sinal de 512 amostras, a complexidade
computacional ainda é bastante alta, influenciando também no
desempenho do processo de classificação.
A redução no número de amostras foi obtida através da sub-
amostragem do sinal. O fator de sub-amostragem utilizado foi
8, resultando num sinal de 64 amostras. No total, o pré-
processamento reduziu a dimensão da janela original de erro
por um fator de 16.
É importante lembrar que o processo de sub-amostragem do
sinal de erro introduz aliasing [15] no sinal original, uma vez
que o filtro anti-aliasing não foi implementado visando uma
menor complexidade computacional. Como o objetivo não é a
reconstrução do sinal de erro, mas sim sua classificação, este
aliasing não é problema, como fica claro através dos
resultados obtidos na classificação e que serão descritos na
próxima seção. Esta afirmação pode ser generalizada para
qualquer situação, no sentido de que quando deseja-se
classificar eventos, podem-se usar formas de pré-
processamento diversas que podem inclusive inserir
“deformidades” no sinal original, como o aliasing. No
entanto, para cada caso deve-se analisar se a performance do
algoritmo de classificação melhora ou piora.
O diagrama de blocos de todo o processo pode ser visto na
Fig. 6. A forma típica dos vetores de parâmetros apresentados
ao classificador para cada classe de eventos é mostrada na Fig.
7. Estes vetores de parâmetros são referentes aos eventos
mostrados na Fig. 4.
B. Os Classificadores Ótimo e Sub-Ótimo
Seja Ei [ PEi ,1 " PEi , M ]T , i 1, ..., C a matriz de
vetores de parâmetros associados à i-ésima classe de distúrbio
e qn [eq (n) " eq (n  Lq  1)]T o n-ésimo vetor de
parâmetros extraídos do sinal {e(n)} de acordo com o
S. CERQUEIRA et al.: DIGITAL SYSTEM FOR DETECTION 349

esquema mostrado na Fig. 6 e C o número de classes de A técnica ML escolhe a hipótese cuja função de
distúrbios. verossimilhança ou a função logaritmo da verossimilhança
seja maximizada, ou seja,
Janela do sinal de erro e(n) Alinhamento 512 H i* arg max ln P( H i | q n ), i 1,..., C (7)
(1024 amostras) do evento amostras Hi ,
Supondo-se que as incertezas em torno dos elementos dos
vetores μ Ei , j , j 1,..., M , sejam modeladas por uma variável
64 e p (n) Classi- Evento aleatória com distribuição Gaussiana N(0,ı2q), tem-se que a
8
amostras ficador classificado
densidade conjunta de probabilidade do vetor qn
Fig. 6 Diagrama esquemático do processo de classificação.
condicionada à hipótese H i é dada por
Entrada da Rede Neural M
1
P(H i | q n ) ¦ P( PEi , j )p(q n | PEi , j )
j 1
0 (a)
(8)
M
ª 1 T
¦ P1Ei , j q n  PEi , j º» ,
-1

1
10 20 30 40 50 60
j 1

¦ P ( PEi , j ) exp «  q n  PEi , j
¬ 2
  ¼

0 (b)
onde Ȉ μ E V q2 I , μ Ei , j  Ei e I é a matriz identidade.
i ,k
-1
1
10 20 30 40 50 60
Levando-se em consideração que a probabilidade a priori é
0 (c)
dada por
-1 1
1
10 20 30 40 50 60 P(μ Ei , j ) , i 1,..., C , j 1,..., M (9)
C ,,
0 (d)
tem-se que a função de verossimilhança pode ser aproximada
-1
10 20 30 40 50 60
por
1
l (H i | qn ) #
0 (e)

M
1 T (10)
¦ exp «¬ª  2  q  q 
 PEi , j ȼ
-1
10 20 30
Amostras
40 50 60
n  PEi , j 6 P1E n
Fig. 7 Janelas apresentadas à rede referentes aos eventos mostradas na Fig. 4. j 1
i, j
¼
Em (a) evento oscilatório, (b) afundamento, (c) sobre-tensão, (d) presença de
notches, (e) spikes.
Logo, a probabilidade condicional de erro é dada por,

Baseando-se na teoria de Bayes, tem-se que a classificação P(erro | H i ) 1  P[l ( H i | q n )  l ( H j | q n ), i z j ]

(11)
do distúrbio no sinal {x(n)} , a partir do vetor de parâmetros ,
e, conseqüentemente, a probabilidade de erro é expressa por
qn , atinge a taxa mínima de erro quando a probabilidade a- C
1
posteriori máxima é encontrada em
Pe
C ¦ P(erro | H )
i 1
i (12)
P(Ei | qn ) p(q n | Ei )P(Ei )
Note que P[l ( H i | q n )  l ( H j | q n ), i z j ] fornece, de
M (6)
¦ p(qn | PEi , j )P(PEi , j ), i 1, ...,C acordo com o critério ML, a que classe pertence o distúrbio
j 1

ou seja, quando o critério MAP (maximum a posteriori) é
maximizado. Supondo-se que a probabilidade a priori de
ocorrência dos distúrbios seja uniforme e que os mesmos são
independentes, então o classificador ótimo dos distúrbios é
denominado classificador de máxima verossimilhança
(maximum likelihood - ML). Note que o classificador ML
acha a probabilidade condicional máxima dentre as
probabilidades condicionais p(q n | Ei ), i 1,..., C
classificação dos distúrbios.
Baseando-se nestas informações e na teoria de detecção, a
classificação dos distúrbios pode ser considerada como testes
de hipóteses acerca das C classes de distúrbios. Neste caso, a
hipótese é representada por H i : a classe é i 1,..., C .
associado ao vetor de parâmetros q n . Supondo-se que outras
distribuições de probabilidade sejam usadas para modelar as
incertezas em torno dos elementos dos vetores
μ Ei , j , j 1,..., M , diferentes funções de verossimilhança e de
probabilidade de erro são obtidas.
Apesar do classificador baseado na teoria de Bayes ser
ótimo, tem-se que o mesmo apresenta elevada complexidade
para a computacional para a implementação das superfícies de
separação entre as C classes de distúrbios. Soluções sub-
ótimas podem ser derivadas com técnicas de classificação
baseadas em inteligência computacional [17]. Dentre as
técnicas de inteligência computacional encontradas na
literatura, o uso da rede neural MLP (multi-layer perceptron)
[16] tem sido, recentemente, empregada para tais tipo de
problemas, uma vez que a mesma permite aproximar com
razoável desempenho as superfícies de separação entre as
350 IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006

classes de distúrbios e não demanda elevada carga wJ (w ( n))

computacional. wz ( n)
^
 B( n) ªe( n) : M ' (u( n)) º
¬ ¼ `, (19-b)
A rede MLP com uma camada escondida pode se expressa
T
por uma formulação de matrizes de estados dada por: wz (n) '
ª wM (s(n)) wM (s( n)) º
ªx(n) º M (s(n)) « " » (19-c)
s( n) AT ( n ) « (13) ws(n) «¬ ws1 (n) ws N n ( n) »¼ ,
»
¬ 1 ¼,
ws( n) ª x ( n) º
A ( n) [a1 (n) " a N n (n)]  ƒ ( N e 1)u N n , (14) « 1 » (19-d)
wa( n) ¬ ¼,
e
T T
z ( n) M (s(n)) ªM ( s1 (n)) " M ( s N ( n)) º (15) wM(u (n)) ª wM (u ( n)) wM (u (n)) º
¬ n ¼ , '
M (u (n)) « " » (19-e)
wu (n) «¬ wu1 (n) wu N s (n) »
¼
T § ª z ( n) º · resultando em
y ( n) ª y1 (n) " y N (n) º
¬ ¼ M ¨¨ BT (n) « » ¸¸ (16-a)
S
© ¬1 ¼ ¹ , ’J A ( n ) (w (n))

[b1 (n ) " bNs (n )]  ƒ(N n  1)uNs

T
B(n ) ª x( n) º ª ' (20)
,
(16-b) «
¬ 1 ¼ ¬«
» ¬^
M (s(n)) : B(n) ªe(n) : M ' (u(n)) º º
¼ ¼» `
M (˜) tanh(˜) (16-c)
, e
Onde x(n ) é o vetor de entrada da rede, A(n ) é a matriz de
ª z ( n) º ' T
pesos entre a entrada da rede e a camada escondida; z(n ) é o ’J B ( n ) (w (n))  « » ª M  u ( n )  : e( n ) º (21)
¬ ¼
vetor de saída da camada escondida, y(n ) é o vetor de saída ¬ 1 ¼ ,
onde : é o produto de Hadarmard entre dois vetores,
da rede, B(n ) é a matriz de pesos entre as camadas escondidas
,
conforme
e de saída e M (˜) é a função de ativação dos neurônios da
ª r1 º ª s1 º ª r1s1 º
rede. « » « » « »
Seja w(n ) o vetor constituído por todos os pesos da rede r:s «# »:« # » « # »
MLP, conforme a Equação (17-a), o critério a ser minimizado «r » «s » «r s »
é o erro médio quadrático na saída (Equação (17-b)). ¬« p ¼» ¬« p ¼» ¬« p p ¼» .
Portanto, a regra de atualização do vetor de pesos, w (n ) ,
T
w(n ) ª aT (n ) " aT (n ) bT (n ) " bT (n )º (17-a) utilizada para o treinamento da rede neural MLP é dada pela
¬ 1 L ¼ por
,
1 2 1 2 w(n  1) w(n )  K’J  w(n )  D w(n  1) (22)
J (w (n)) e ( n) ªy d (n)  y (n) º¼ , (17-b)
2 2¬ onde K  ƒ é o passo de adaptação e 0  D  1 é a constante
de momento.
onde yd (n ) [y1,d (n ) " yNs ,d (n )]T é o vetor de saída Para a classificação sub-ótima de distúrbios baseada na
desejada. rede MLP considerou-se N e 64 e N s 4 . Note que o vetor
Similarmente ao algoritmo least mean square (LMS) [16], de entrada da rede é constituído de amostras do sinal
o gradiente descendente instantâneo é utilizado para obtenção {e p (n)} .
da atualização dos parâmetros livres da rede, ou seja, dos
Com base nos sinais de erro pré-processados (ver Fig. 7),
pesos w(n ) . Na Equação (18), vemos o gradiente aplicado ao
foram definidas 4 classes de eventos: i) a dos chaveamentos
critério de minimização. de capacitor, ii) dos afundamentos e sobre-tensões, iii) dos
T
ª’J TA ( w ( n)) ’J TB (w ( n)) º
’J ( w ( n)) (18) notches e a iv) dos spikes. Como pode ser observado, as
¬ ¼ janelas referentes aos eventos de afundamento e sobre-tensão,
,
Os vetores gradiente ’J A (w (n)) e ’J B (w (n)) são submetidas à rede, apresentam o mesmo perfil de parâmetros,
relativos as matrizes dos pesos entre a camada de entrada e a desta forma, estes dois eventos foram agrupados em uma
camada escondida e entre a camada escondida e a saída da única classe.
rede, equações (14-a) e (15-a) respectivamente. Os padrões de resposta apresentados à rede foram os
Utilizando a regra da cadeia, pode-se calcular o termo de seguintes: yd [1 1 1 1]T para eventos oscilatórios
atualização dos pesos, como: (classe 1), yd [ 1 1 1 1]T para afundamentos e sobre-
§ wJ (w (n)) wz (n) · § ws(n) ·
’J A ( n ) (w (n)) ¨ : ¸¨ ¸ (19-a) tensão (classe 2), yd [1 1 1 1]T para a presença de
© wz (n) ws(n) ¹ © wa(n) ¹ ,
notches (classe 3), e finalmente, yd [1 1 1 1]T
S. CERQUEIRA et al.: DIGITAL SYSTEM FOR DETECTION
representando a presença de spikes. Desta forma, o critério
adotado para definição da classe do evento foi o do neurônio
com maior valor de saída.
Sucessivos testes foram realizados com o objetivo de
definir o número de neurônios da camada intermediária da
rede, estes testes mostraram que um bom compromisso entre a
performance alcançada na classificação e o tempo de
processamento, foi obtido utilizando-se 8 neurônios na
camada intermediária.
A complexidade computacional do sistema de classificação
de eventos pode ser calculada através do pré-processamento
da janela de erro e pela projeção do sinal resultante na rede
neural. Na Tab. 1, temos o número máximo de operações
realizadas durante o processo de alinhamento dos eventos,
351
Depois de terminado o período de treinamento, com os
valores das sinapses fixos, foram utilizados mais 100 eventos
de cada classe, que não haviam sido utilizados previamente,
com a finalidade de simular a implementação do sistema.
As taxas de classificação alcançadas foram de 100% para
eventos oscilatórios, 99% para afundamentos e sobre-tensão,
99% para a presença de notches e 98% para a presença de
spikes, totalizando um desempenho médio igual a 99%. A
Tab. 3 resume as taxas de classificação obtidas durante o teste
do classificador proposto.
TABELA 1
ESFORÇO COMPUTACIONAL PARA ALINHAR OS EVENTOS
Operações Numero máximo de operações

Adições: N J / 2  N  1  5030
lembrando que, devido ao processo de detecção utilizado, o
Multiplicações: J / 2  N 1 503
início do evento sempre ocorre na primeira metade da janela,
não sendo necessário que o filtro percorra toda a janela. As TABELA 2
letras J e N nas equações da primeira coluna da Tab. 1 ESFORÇO COMPUTACIONAL DA REDE NEURAL MLP
representam o número total de amostras da janela armazenada Operações Total
Multiplicações: N N  N N 544
do sinal de erro (1024) e o número de coeficientes do filtro de e n n s
média móvel (10), respectivamente. Adições: Ne Nn  Nn Ns 544
Na Tab. 2, vemos um resumo do esforço computacional Busca da função de ativação: 12
para a classificação dos eventos pela rede neural.A Nn  Ns
complexidade computacional do sistema de classificação de
eventos pode ser calculada através do pré-processamento da TABELA 3
janela de erro e pela projeção do sinal resultante na rede. RESULTADOS DO CLASSIFICADOR
Evento Número de Taxa de
Ainda na Tabela 2, vemos um resumo do esforço eventos Classificação
computacional para a classificação dos eventos pela rede (%)
neural quando N e 64 , N n 8 e N s 4 . Oscilatório 100 100
Afundamentos e sobretensão 100 99
A preocupação com a complexidade computacional do
Notches 100 99
algoritmo visa sua implementação on-line. Neste tipo de Spikes 100 98
aplicação, quanto maior a complexidade computacional, maior
é o tempo para execução da tarefa, o que pode até inviabilizar VI. CONCLUSÃO
a aplicação ou requerer um hardware com custo elevado para
Este trabalho apresentou um algoritmo de detecção,
atender às necessidades de tempo real.
armazenamento e classificação de eventos relacionados com
QEE. As principais contribuições são:
V. RESULTADOS
i) a aplicação de processamento multi-taxa para a estimação
Para verificação do funcionamento do sistema proposto, dos parâmetros da componente fundamental do sistema de
dois grupos de eventos foram utilizados, um na fase de forma eficiente e a proposta de classificação utilizando o sinal
treinamento da rede que foi dividido em conjunto de de erro gerado pelo algoritmo;
treinamento e de teste, e um para simular a implementação do ii) a implementação do processo de estimação dos
sistema. Para os resultados mostrados a seguir adotou-se o parâmetros da componente fundamental do sistema em baixa
fator de decimação M 8 . Todos os sinais foram taxa de amostragem para gerar uma redução no tempo de
corrompidos com ruído Gaussiano de modo a produzir uma processamento e ainda, o uso do filtro passa-baixa utilizado no
signal-to-noise ratio SNR de 27 dB. estágio de decimação do sinal de entrada contribui para
Um conjunto de dados com 120 eventos para cada classe minimizar as distorções causadas pelas componentes de alta
foi utilizado na etapa de treinamento da rede. Dentre os 120 freqüência na estimação dos parâmetros;
eventos de cada classe, 80 foram utilizados para atualização iii) a classificação de eventos de QEE através do sinal de
dos pesos da rede e os 40 restantes (eventos de teste) foram erro aplicado diretamente a uma rede neural se mostrou
utilizados apenas para verificar o desempenho da rede na eficiente na solução do problema de classificação.
classificação de eventos que não foram apresentados a ela Adicionalmente, a utilização de redes neuronais associa
previamente. Isto indica uma boa generalização da rede, ou portabilidade ao algoritmo, uma vez que a mesma pode ser
seja, uma boa performance mesmo para eventos que não treinada para diferentes padrões de eventos de acordo com a
participaram do processo de atualização dos pesos. necessidade e a origem dos dados monitorados.
Durante o processo de treinamento, a rede alcançou uma Uma característica importante do sistema de classificação é
taxa de classificação de 100% em todas as classes analisadas.
352 IEEE LATIN AMERICA TRANSACTIONS, VOL. 4, NO. 5, SEPTEMBER 2006

a sua independência do tamanho do evento de QEE ocorrido, Augusto S. Cerqueira nasceu no Rio de Janeiro, Brasil, em 1974. Tornou-se
Engenheiro Eletrônico pela Universidade Federal do Rio de Janeiro (UFRJ),
ou seja, com apenas 64 amostras, correspondendo a 2 ciclos Brasil, em 1998 e, Doutor em Engenharia Elétrica pela COPPE/UFRJ, em
do sinal da rede elétrica, o sistema é capaz de classificar, com 2002. Desde 2003 ele é Professor Adjunto da Faculdade de Engenharia da
elevada taxa de acerto, eventos de qualquer duração. Universidade Federal de Juiz de Fora (UFJF). Atualmente ele desenvolve
A continuidade do trabalho será dada pela inclusão de mais pesquisas nas área de processamento analógico e digital de sinais,
instrumentação eletrônica e análise da qualidade de energia.
eventos de QEE para serem analisados pelo sistema de
classificação e, posteriormente, pela implementação on-line de Carlos A. Duque (M’91) nasceu em Juiz de Fora, Brasil, em 1962. Ele
todo o sistema de detecção e classificação. recebeu o grau de Bachareu em Engenharia Elétrica em 1986 pela UFJF e os
títulos M.Sc e Dr. Eng. respectivamente em 1990 e 1997 na PUC-RJ. Desde
1989 é professor do Departamento de Circuitos Elétricos da Faculdade de
VII. REFERÊNCIAS Engenharia da UFJF. Suas áreas de interesse são: qualidade de energia,
[1] J. Arrilaga, M. H. J. Bollen, and N. R. Watson, “Power quality following instrumentação digital, processamento digital de sinais e automação industrial.
deregulation,” Proc. of the IEEE, vol. 88, no. 2, pp. 246-261, Feb. 2000.
[2] IEEE Recommended Practice for Monitoring Electrical Power Quality, Moisés Vidal Ribeiro (S’03-M´05) nasceu em Três Rios, Brasil, em 1974.
IEEE Std. 1159, 1995. Recebeu o diploma de engenheiro eletricista pela Universidade Federal de Juiz
[3] C. A. Duque, M. V. Ribeiro, F. R. Ramos, and J. Szczupak, “Power de Fora (UFJF) em 1999, os diplomas de mestre e doutor em Engenharia
quality event detection based on the principle of divide to conquer and Elétrica pela Universidade Estadual de Campinas em 2001 e 2005,
innovation concept,” IEEE Trans. on Power Delivery, vol. 20, no. 4, pp. respectivamente.
2361-2369, Oct. 2005.
[4] O. Poisson, P. Rioual, and M. Meunier, “Detection and measurement of
Atualmente, Dr. Ribeiro é professor visitante na Universidade Federal de Juiz
power quality disturbances using wavelet transform,” IEEE Trans. on
de Fora (UFJF), onde atua na Graduação e Pós-Graduação. Foi pesquisador
Power Delivery, vol. 15, no. 3, pp. 1039–1044, Jul. 2000.
visitante na Universidade da Califórnia, Santa Barbara, em 2004, pós-doutor
[5] H.-T. Yang and C.-C. Liao, “A de-noising scheme for enhancing
na UNICAMP entre Maio e Junho/2005. É editor convidado do EURASIP
wavelet-based power quality monitoring system,” IEEE Trans. on Power
Journal on Applied Signal Processing, Special Issue on Emerging Signal
Delivery, vol. 16, no. 3, pp. 353–360, Jul. 2001.
Processing Techniques for Power Quality Applications e Special Issue on
[6] M. Karimi, H. Mokhtari, and M. R. Iravani, “Wavelet based on-line
Advanced Signal Processing and Computational Intelligence Techniques for
disturbance detection for power quality applications,” IEEE Trans. on
Power Line Communications. É revisor de periódicos internacionais, publicou
Power Delivery, vol. 15, no. 4, pp. 1212–1220, Oct. 2000.
11 artigos em periódicos especializados e 26 trabalhos em anais de eventos.
[7] M. V. Ribeiro, J. M. T. Romano, and S. M. Deckmann, “Adaptive
Possui 1 patente e 6 pedidos de patente depositados. Recebeu 2 prêmios em
filtering, wavelet and Lapped transforms for power quality problem
congressos internacionais do IEEE. Atua na área de Engenharia Elétrica, com
detection and identification,” IEEE International Symposium on
ênfase em processamento de sinais, inteligência computacional, transmissão
Industrial Electronics, pp. 301–306, 2003.
digital de dados, rede de sensores, qualidade de energia, telemedicina e power
[8] S. Santoso, W. M. Grady, E. J. Powers, J. Lamoore, and S. C. Bhatt,
line communications.
“Characterization of distribution power quality events with Fourier and
wavelet transforms,” IEEE Trans. on Power Delivery, vol. 15, no. 1, pp.
247–254, Jan. 2000. Dr. Ribeiro Recebeu 2 prêmios em congressos internacionais do IEEE
[9] M. Wang and A. V. Mamishev, “Classification of power quality events (IECON'01 e ISIE'03). É membro do technical program committee (TPC) do
using optimal time-frequency representations – Part 1: Theory,” IEEE IEEE-ISPLC'06, IEEE-CERMA’06 e IEEE-ANDESCOM’06. É membro do
Trans. on Power Delivery, vol. 19, no. 3, pp. 1488-1495, Jul. 2004. IEEE ComSoc Technical Committee on Power Line Communications.
[10] M. Wang, G. I. Rowe, and A. V. Mamishev, “Classification of power
quality events using optimal time-frequency representations – Part 2: Rogério M. Trindade nasceu em Santos Dumont, Brasil, em 1978. Recebeu o
Application,” IEEE Trans. on Power Delivery, vol. 19, no. 3, pp. 1496- diploma de Engenheiro Eletricista pela Universidade Federal de São João del
1503, Jul. 2004. Rei (UFSJ), Brasil, em 2003 e, tornou-se Mestre em Engenharia Elétrica pela
[11] T. X. Zhu, K. Tao, and K. L. Lo, “Wavelet-based fuzzy reasoning Universidade Federal de Juiz de Fora (UFJF), Brasil, em 2005.
approach to power-quality disturbance recognition,” IEEE Trans. on
Power Delivery, vol. 19, no. 4, pp. 1928-1935, Oct. 2004
[12] Z.-L. Gaing, “Wavelet-based neural network for power disturbance
recognition and classification,” IEEE Trans. on Power Delivery, vol. 19,
no. 4, pp. 1496-1503, Oct. 2004.
[13] J. V. Wijayakulasooriya, G. A. Putrus, and P. D. Minns, “Electric power
quality disturbance classification using self-adapting artificial neural
networks,” IEE Proc.-Gener. Trans. Distrib., vol. 149, no. 1, pp. 98-101,
Jan. 2002.
[14] M. S. Azam, Fang Tu, K. R. Pattipati and R. Karanamam, “A
dependency model-based approach for identifying and evaluating power
quality problems,” IEEE Trans. on Power Delivery, vol. 19, no. 3, pp.
1154-1166, Jul. 2004.
[15] S. K. Mitra, Digital Signal Processing - A Computer Based Approach,
2nd Ed. NJ: McGraw-Hill, 2001.
[16] S. Haykin, Neural Networks. A Comprehensive Foundation, 2nd Ed.,
Prentice Hall, NJ, 1999.
[17] S. Theodoridis, K. Koutroumbas, Pattern Recognition, Academic Press,
San Diego, 1999.
[18] S. Santoso, H. W. Beaty, R. C. Dugan, and M. F. McGranaghan,
Electrical Power Systems Quality, 2nd Ed., McGraw-Hill, 2002.