Modelagem Granular Neuro-Fuzzy Evolutiva para Classificação de Distúrbios em Sistemas de Distribuição de Potência

Abstract

Distúrbios de qualidade de energia elétrica ocorrem em várias partes de um sistema de potência e podem causar prejuízos financeiros a todos que estão a ele conectado. Portanto, é de fundamental importância a classificação automática destes distúrbios, com alto nível de acurácia e baixo custo computacional. São consideradas as redes neuro-fuzzy granulares evolutivas as quais são capazes de adaptar continuamente sua estrutura e atualizar seus parâmetros de acordo com um fluxo de dados. Devido ao seu processo de aprendizagem recursivo, as redes neuro-fuzzy evolutivas podem adaptar-se às não-estacionariedades que ocorrem em um sistema, evoluindo continuamente ao longo da vida. A rede neuro-fuzzy proposta é a eGNN (evolving Granular Neural Network). Na etapa de pré-processamento dos dados para extração de atributos é considerado o valor eficaz das tensões de fase e o filtro de Hodrick-Prescott. Este separa o sinal de entrada em componente de tendência e componente cíclica –suprimindo o ruído presente no sinal de tendência. A classificação de quatro distúrbios e da operação normal do sistema (problema de cinco classes) foi alcançada com acurácia média de 98%.