Inrush Current Identification in Power Transformer

Differential Protection through Self-Organizing Maps

Raidson Jenner Negreiros de Alencar
Instituto Federal do Par, IFPA
Belm, Par, Brasil
raidson.alencar@ifpa.edu.br

Ubiratan Holanda Bezerra
Universidade Federal do Par, UFPA
Belm, Par, Brasil
bira@ufpa.br

Abstract This paper presents a new methodology for inrush
current and fault identification in power transformer differential
protection through Kohonen self-organizing maps. As input signal
to the neural network training it is used a vector containing four
levels of the standard deviation of the differential current gradient
vector angles in the three phases of the power transformer. The
effectiveness of the method was tested by simulating several
instances of internal faults and inrush currents including
sympathetic inrush in a power transformer using EMTP/ATP and
through implementation of the algorithm in MATLAB

, with highly
promising results.
Index Terms Differential protection, Gradient current, Inrush
currents, Power transformers, Self-organizing maps.
I. INTRODUO
A proteo diferencial o principal esquema de proteo
utilizado em grandes transformadores, especialmente aqueles com
potncia superior a 10 MVA. Estes transformadores
desempenham uma tarefa de fundamental importncia na
operao dos sistemas eltricos de potncia (SEP). Em funo
dessa importncia de do alto custo desses equipamentos faz-se
necessrio o desenvolvimento e implementao de um eficiente
sistema de proteo capaz de identificar a ocorrncia de faltas
internas e retirar de operao o equipamento o mais rapidamente
possvel. A principal dificuldade encontrada na proteo
diferencial de transformadores de potncia a correta distino
entre as correntes de inrush e as correntes de faltas internas.
Tradicionalmente os rels diferenciais executam esta tarefa
utilizando a tcnica de restrio por harmnicos baseada na
premissa de que as correntes de inrush possuem alta concentrao
de componentes harmnicas de segunda ordem, contudo essa
tcnica nem sempre eficaz.
Nos ltimos anos, diversos mtodos tm sido propostos com o
objetivo de resolver esta dificuldade. Tcnicas baseadas em
Transformadas Wavelet tm sido propostas, demonstrando
excelentes resultados [1]-[5]. A utilizao de Redes Neurais
Artificiais (RNA) como ferramenta para distino entre correntes
de inrush e faltas internas em transformadores de potncia
tambm tem ganhado bastante popularidade tendo em vista
apresentarem excelentes resultados [6]-[10]. Diversos autores tm
proposto outros mtodos para a distino de correntes de inrush e
faltas internas em transformadores de potncia. Algoritmos
baseados em Morfologia Matemtica [11], Mtodo da Diferena
de Tempo [12], Frequncia Instantnea do Sinal da Corrente
Diferencial [13] e Lgica Nebulosa [14], so exemplos a serem
destacados.
Neste artigo, uma nova metodologia para identificao de
correntes de inrush e de faltas internas em transformadores de
potncia usando mapas auto-organizveis de Kohonen
apresentada. A tcnica foi exaustivamente testada atravs da
modelagem de um transformador de potncia trifsico 25 MVA,
13.8/138 KV no EMTP/ATP e MATLAB

demonstrando
resultados altamente promissores.
II. PROTEO DIFERENCIAL
A filosofia de proteo diferencial baseada no fato de que,
em situaes normais de operao, as correntes que circulam no
secundrio dos transformadores de corrente (TC) instalados nos
lados primrio e secundrio do transformador de potncia
devero ser aproximadamente iguais. A diferena entre essas
correntes denominada de corrente diferencial

, com valor
absoluto aproximadamente nulo. Esta situao tambm
verificada quando ocorre uma falta externa ao transformador. Na
prtica, uma pequena corrente diferencial esperada, no entanto,
essa corrente no suficiente para ativar o rel diferencial. No
entanto, em situaes de falta interna a diferena entre essas
correntes torna-se significativa e o equilbrio diferencial fica
comprometido indicando a possvel operao do rel. A corrente
diferencial ser dada por [15]:

(1)
A figura 1 ilustra o esquema de instalao de um rel
diferencial percentual para um transformador monofsico de dois
enrolamentos.
Em virtude da possibilidade de ocorrncia de
desbalanceamentos de corrente em virtude dos TCs dos lados
primrio e secundrio do transformador de potncia no serem
perfeitamente acoplados, ou ainda em virtude da necessidade de
ajuste de Tap do transformador de potncia, define-se como
corrente de restrio corrente:

(2)
R. J. N. de Alencar is with Federal Institute of Education, Science and
Technology of Par, Belm, PA, Brazil (e-mail: raidson.alencar@ifpa.edu.br).
U. H. Bezerra is with Faculty of Electrical Engineering, Federal University of
Par, Belm, PA, Brazil (e-mail: bira@ufpa.br).

Figura 1 - Esquema de Proteo Diferencial
O rel ir operar de acordo com a relao:

(3)
Onde K a caracterstica diferencial percentual do rel. Valores
tpicos de K variam na faixa de 15% a 40%.
Em funo das caractersticas eltricas e magnticas dos
transformadores de potncia, certas condies de operao
podem causar o surgimento de correntes diferenciais
significativas capazes de sensibilizar o rel diferencial e provocar
operaes indevidas mesmo sem que haja uma falta interna no
transformador. A situao mais comum em que essa condio
ocorre na energizao dos enrolamentos primrios do
transformador de potncia ou na energizao de transformadores
em paralelo. Essas falsas correntes diferenciais, tendo em vista
sua potencial capacidade de provocar o desligamento dos
transformadores de potncia precisam ser identificadas e
bloqueadas. Os algoritmos tradicionais de proteo diferencial
tentam resolver este problema atravs da anlise das
componentes harmnicas da corrente diferencial. comprovado
que as correntes de inrush normalmente possuem valores
significativos da componente harmnica de segunda ordem [15].
Por outro lado, as correntes de curto-circuito possuem baixos
percentuais de componentes harmnicos. No entanto, estes
mtodos no respondem satisfatoriamente para situaes em que
a corrente diferencial, em situaes de falta interna possui
significativos percentuais de componentes harmnicos, bem
como em situaes em que as correntes de inrush possuem
baixas magnitudes de componentes de segunda ordem.
III. ALGORITMO DE PROTEO DIFERENCIAL PROPOSTO
O mtodo proposto neste trabalho baseia-se no fato de que as
correntes de inrush apresentam formas de onda bastante
peculiares. Trata-se, portanto, de um mtodo de reconhecimento
de forma de onda que no baseado nas componentes harmnicas
do sinal de corrente. A tarefa de identificao e reconhecimento
da forma de onda da corrente diferencial ser desempenhada por
uma rede neural auto-organizvel de Kohonen apropriadamente
treinada para identificar o tipo de ocorrncia.
A. O Gradiente da Corrente Diferencial
A corrente diferencial pode ser considerada como uma funo
dependente do tempo t, do magnetismo residual no ncleo do
transformador e do ngulo de incidncia da fonte de tenso |.
Aplicando-se os conceitos do vetor gradiente corrente
diferencial tem-se o gradiente da corrente diferencial dado por
[16]:

(4)
Sendo:
, e

- Vetores unitrios na direo dos eixos ortogonais t, e

|, respectivamente;

- Derivada de primeira ordem da corrente diferencial em

relao ao tempo;

- Derivada de primeira ordem da corrente diferencial em

relao ao magnetismo residual;

Derivada de primeira ordem da corrente diferencial em

relao ao ngulo de incidncia da tenso.
O mdulo do gradiente da corrente diferencial ser dado por:

(5)
Tomando-se como parmetro para estudo apenas a
componente da corrente diferencial que varia com o tempo, ou
seja, apenas a componente ortogonal pertencente ao eixo , a
equao 4 fica reduzida a:

(A/s) (6)
O ngulo do vetor gradiente em relao ao vetor unitrio
, ser dado por:

(Rad) (7)
De posse das equaes (6) e (7) ser possvel calcular o
mdulo e ngulo do vetor gradiente da corrente diferencial nas
trs fases do transformador de potncia.
A corrente diferencial

no uma funo algbrica, logo, o

clculo da derivada parcial

no pode ser realizado

atravs das tcnicas de derivao algbrica tradicionais. O
clculo dessa derivada dever ser realizado atravs de tcnicas de
derivao numricas denominadas forward-difference,
backward-difference e central-difference [17].
B. Redes Neurais Auto-organizveis de Kohonen
As redes neurais de Kohonen foram inspiradas no
comportamento do crtex cerebral biolgico, que possui regies
especficas para a execuo das diferentes tarefas do corpo
humano, tais como viso, audio, tato e controle motor. Essa
capacidade faz com que todas as informaes relacionadas a
essas atividades sejam armazenadas em posies
predeterminadas do crebro e informaes relacionadas a elas
ocupem posies vizinhas [18].
O tipo de treinamento utilizado nas redes de Kohonen
denominado de aprendizado competitivo, em que os neurnios da
camada de sada competem entre si para serem mais ativados.
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. A
figura 2 ilustra um exemplo de rede de Kohonen com m
neurnios na camada de entrada e uma superfcie bidimensional
de sada com 5x5 neurnios com topologia hexagonal.

Figura 2 Exemplo de Rede de Kohonen
A funo discriminante utilizada nas redes de Kohonen
dever ser capaz de refletir similaridades entre o vetor de entrada
normalizado e o vetor pesos dos neurnios. A funo
discriminante adotada neste trabalho a medida da Mnima
Distncia Euclidiana entre vetores, dada pela equao 8:
( ) ( ) ( )

=
=
1
0
2
N
i
ij i i
t w t x d
(8)
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 [19],
tero seus pesos atualizados pela equao:

(9)
C. O Reconhecimento da Forma de Onda
Como ficou estabelecido no item anterior, as redes auto-
organizveis de Kohonen possuem elevada capacidade de
reconhecimento e classificao de padres, selecionando e
agrupando os padres de entrada em clusters com caractersticas
similares. Baseando-se no fato de que as correntes de inrush
apresentam formas de onda bastante distinta, quando comparadas
com as correntes de curto-circuito, pode-se usar a capacidade de
reconhecimento e classificao de padres dessas redes para
identificar o tipo de ocorrncia de forma segura e confivel.
Aproveitando-se, ainda, os aspectos discriminantes do gradiente
da corrente diferencial, tomando-se como exemplo um ciclo de
informao da corrente, dividindo-se esse ciclo em quatro quartos
de ciclo, conforme figura 3, pode-se observar o seguinte:
- Para a corrente de curto-circuito, figura 3(a), o valor mdio
absoluto do ngulo do gradiente da corrente diferencial quase
no varia ao longo do tempo, permanecendo sempre elevado,
prximo de 90. Tomando-se, portanto, o desvio padro do
gradiente em cada quarto de ciclo, percebe-se seu valor
reduzido, prximo de 0 em todas as ocorrncias, conforme
indicam as figuras 3(c) e 3(e);
- No caso da ocorrncia de correntes de magnetizao, figura
3(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 valor do desvio
padro do gradiente da corrente diferencial ser elevado,
conforme indicam as figuras 3(d) e 3(f).
Tomando-se, portanto, os quarto nveis do desvio padro do
ngulo do gradiente da corrente diferencial dos quatro quartos de
ciclo da janela de dados, conforme figura 3(e) e 3(f), para as trs
fases (ABC), compem-se, portanto, 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
i 4 3 2 1 4 3 2 1 4 3 2 1
o o o o o o o o o o o o o =

A dimenso do vetor de treinamento

definir o nmero de
neurnios na camada de entrada da rede neural, nesse caso 12
neurnios.
D. A Etapa de Treinamento
A topologia da rede neural utilizada foi quadrada 7x7
neurnios. Os neurnios utilizados foram hexagonais, pois
permitem a formao de at 06 conexes sinpticas para cada
neurnio.
Um conjunto de padres de treinamento foi obtido atravs da
simulao de diversas situaes operativas as quais esto
includas as seguintes situaes:
- Energizao do transformador, incluindo situaes de
energizao solidria;
- Energizao do transformador sob falta;
- Faltas internas monofsicas, bifsicas e trifsicas nos
enrolamentos primrio e secundrio;
- Faltas internas monofsicas, bifsicas e trifsicas entre espiras
da mesma fase no primrio e secundrio.
Um total de 988 padres foi gerado e utilizado no treinamento
da rede neural de Kohonen. Aps a etapa de treinamento, feito o
mapeamento dos padres de treinamento na superfcie de sada,
obteve-se a configurao topolgica mostrada na figura 4(a).
Como podem ser verificados, dois clusters com caractersticas
distintas foram formados, referentes 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.



























Figura 3 Comportamento do Vetor Gradiente
VI. SIMULAES E RESULTADOS EXPERIMENTAIS
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 - 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 figura 5. Os enrolamentos do transformador foram
subdivididos em 5%, 20%, 60%, 80% e 100% permitindo a
simulao de faltas internas em pores dos enrolamentos. 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.

















Figura 4 Mapeamento fornecido pela Rede de Kohonen
Cada um dos 988 cenrios foi apresentado ao algoritmo
proposto e, 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, incluem-se
nesse trabalho trs diferentes cenrios, que abrangem as trs
diferentes situaes possveis.
A. Energizao do Transformador
Nesse cenrio, o transformador de potncia T1 foi energizado
sem carga no secundrio, com ngulo de incidncia de 0 e com o
transformador T2 desconectado da rede. Como a corrente de
inrush flui apenas nos enrolamentos primrios, essa situao pode
provocar o acionamento do rel diferencial, muito embora, em
regime permanente, essa corrente seja apenas de 1-2% da corrente
nominal, no momento da energizao ela apresenta valores
bastante elevados. A figura 6 ilustra o comportamento da corrente
diferencial durante o evento para as fases A (vermelha), B (verde)
e C (azul). A figura 4(b) ilustra, em azul, as regies do mapa
topolgico que foram ativadas durante a simulao. Percebe-se
que apenas neurnios pertencentes regio de bloqueio foram
ativados, conforme esperado. Sendo assim, durante todo o perodo
de simulao, o algoritmo manteve o rel bloqueado,
identificando corretamente a situao de inrush mesmo na
presena de corrente diferencial significativa e potencialmente
capaz de provocar o acionamento do rel.


(a) (b)

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



Figura 5 Diagrama Unifilar Sistema de Potncia

Figura 6 Forma de onda da corrente diferencial durante a energizao
Alm desse caso, diversas outras situaes de energizao
e energizao solidria foram testadas pelo mtodo proposto e
pelo mtodo tradicional da restrio por harmnicos num total
de 68 casos testados. A tabela 1 mostra um resumo dos
resultados obtidos.
Tabela 1 Resultado das Simulaes para Energizao e Energizao
Solidria
Mtodo
Erros
(Un)
Total de Casos
Inrush
Sympathetic
Inrush
Mapas Auto-organizveis - 36 32
Restrio por Harmnicos 04 36 32
B. Energizao sob Falta
A energizao sob falta ocorre quando o transformador
que ser energizado j apresenta um curto-circuito interno
nos seus enrolamentos, resultado de um defeito pr-
energizao. No momento do chaveamento do transformador,
alm da presena da corrente de inrush, existe tambm a
corrente de curto-circuito, que dependendo da localizao da
falta, poder se confundir com a corrente de inrush, fazendo
com que o rel se mantenha bloqueado no momento em que o
mesmo deveria atuar.
Nesse caso especfico, trata-se de um curto-circuito
monofsico na fase A, localizado a 5% do enrolamento
secundrio, com configurao em estrela. Trata-se, portanto,
de uma falta muito difcil de ser identificada, tendo em vista a
presena da corrente de magnetizao e a localizao do
defeito, muito prximo ao ponto neutro do enrolamento
secundrio. Vale salientar que os fabricantes de rels
comerciais no garantem a identificao desse tipo de falta
pelo rel diferencial baseado no critrio de restrio por
harmnicos, recomendando a utilizao de proteo de terra
restrito [20]. O ngulo de incidncia da fonte de tenso foi
180 A figura 7 mostra a corrente diferencial nas trs fases do
transformador de potncia para o caso simulado.


Figura 7 Corrente Diferencial para Energizao sob Falta
A figura 8 mostra a resposta do algoritmo para o caso em
estudo. 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 figura 4(c)
ilustra a regio do mapa topolgico ativada durante a
simulao. Percebe-se que o neurnio ativado pertence
regio de ativao do rel.

Figura 8 Resposta do Algoritmo para Energizao sob Falta

Em adio a esse exemplo, outras situaes de energizao
sob falta foram testados. Em todos os eventos o algoritmo
proposto identificou corretamente a situao faltosa no
primeiro ciclo de processamento da janela de dados. A tabela
2 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 2 mostra tambm os tempos
mximos, mnimos e mdios de ativao bem como os erros
de classificao obtidos pelos diferentes mtodos.
Table 2 Resultado das Simulaes para Inrush sob Faltas Monofsicas,
Bifsicas e Trifsicas.
Mtodo Tempo de Ativao (ms) Erros
(Un)
Total
Max Min Med
Mapas Auto-organizveis 16.6 16.6 16.6 - 200
Restrio por Harmnicos 100.69 16.6 19.16 05 200
C. Falta Interna
As faltas internas so ocorrncias que podem causar
grandes danos ao sistema eltrico de potncia se no forem
identificadas corretamente e o equipamento faltoso retirado de
operao o mais rpido possvel. As tcnicas tradicionais de
proteo diferencial, muitas vezes, apresentam dificuldades de
identificao de faltas localizadas muito prximas ao neutro
do enrolamento em Y. A figura 9 mostra as correntes
diferenciais para as fases ABC para uma falta monofsica
localizada a 5% do enrolamento secundrio da fase B. O
transformador operava em plena carga e o ngulo de
incidncia da falta foi de 180 aps de simulao. A
figura 10 mostra a resposta do algoritmo proposto para a
simulao. O mtodo proposto identificou rapidamente a
ocorrncia com tempo de atuao de 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 figura 3(d)
mostra a regio do mapa topolgico ativada pela ocorrncia.

Figura 9 Corrente Diferencial nas Fases ABC para Falta Monofsica.

Diversas outras ocorrncias de curto-circuito foram
simuladas nos enrolamentos primrio e secundrio 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 3 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
proposto e para o mtodo da restrio por harmnicos.


Figura 10 Resposta do Algoritmo para Falta Interna
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. Os rels diferenciais convencionais utilizam o
mtodo baseado na restrio por harmnicos. Para isso, o
sinal da corrente diferencial nas trs fases processado
atravs da Transformada Rpida de Fourier (Fast Fourier
Transform FFT), com o objetivo de encontrar as
componentes harmnicas do sinal. Foi implementado
computacionalmente o mtodo denominado Second
Harmonic-Cross Blocking Restraint Method, encontrado nas
literaturas [21] e [22]. A relao entre a componente de
segunda ordem e a componente fundamental foi, ento, usada
como critrio para identificao das correntes diferenciais.
Tipicamente utiliza-se a razo entre 15% e 35% da
componente fundamental para o bloqueio do rel diferencial.
No presente artigo foi utilizada a razo de 20%, que foi a
relao com resultados mais favorveis.
Todos os 68 casos de energizao e energizao solidria
foram identificados corretamente pelo mtodo proposto, 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, . Por outro lado,
o mtodo tradicional apresentou 04 erros de classificao na
ocorrncia de energizao solidria ( e 05 erros de
identificao de energizao sob falta . Esses 05 erros
de identificao de energizao sob falta referem-se a curtos-
circuitos monofsicos localizados a 5% do enrolamento em
Y. Em adio aos 04 erros de classificao de energizao
solidria e os 05 erros de identificao de energizao sob
falta, o mtodo tradicional, em algumas ocorrncias,
apresentou atrasos de tempos muito elevados, como
demonstrados na tabela 3, que mostra o tempo mximo de
atuao de 100.69 , o que equivale a mais de 06 ciclos de
processamento em 60 Hz. Atrasos dessa magnitude podem
ser extremamente danosos ao sistema de potncia, podendo
causar danos irreversveis ao equipamento faltoso,
instabilidades no sistema eltrico, desconexes indevidas ou
danos aos operadores do sistema.
Da mesma forma, para as ocorrncias de faltas internas
nos enrolamentos do transformador, o mtodo proposto
identificou corretamente as 720 ocorrncias simuladas com
tempo mdio de atuao de para ocorrncias no
enrolamento secundrio e de para ocorrncias no
enrolamento primrio. Por outro lado, o mtodo tradicional
apresentou tempo mdio de atuao de para
ocorrncias no secundrio e 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. Em contraste, o
mtodo tradicional apresentou, na maioria das ocorrncias,
tempo de atuao prximo de um ciclo de processamento,
muito superiores ao dobro do tempo obtido pelo mtodo
proposto.

Tabela 3 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
Mapas Auto-organizveis 11.16 2.73 5.81 - 75 9.09 2.73 4.91 - 75
Restrio por Harmnicos 19.56 11.16 15.94 - 75 19.56 15.33 17.17 - 75
Curto-Circuito Bifsico sem Terra (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
Mapas Auto-organizveis 11.16 2.73 5.53 - 75 9.06 2.73 4.41 - 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
Mapas Auto-organizveis 6.96 2.73 4.52 - 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
Mapas Auto-organizveis 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
Mapas Auto-organizveis 9.09 2.73 5.50 - 150 17.49 2.73 5.93 - 110
Restrio por Harmnicos 19.56 7.46 15.73 - 150 23.76 13.23 17.88 - 110

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] H. Mortazavi e H. Khorashadi-Zadeh, A new inrush restrain
algorithm for transformer differential relays using wavelet transform,
International Conference on Power System Technology
POWERCON 2004, Singapore, 21-24 November 2004.
[2] A. I. Megahed, A. Ramadan e W. El-Mahdy, Power Transformer
Differential Relay Using Wavelet Transform Energies Power and
Energy Society General Meeting, 20-24 July 2008.
[3] A. Rahmati e M. Sanaye-Pasand, New method for discrimination of
transformers internal faults from magnetizing inrush currents using
wavelet transform Joint International Conference on Power System
Technology and IEEE Power Indian Conference, 12-15 October 2008.
[4] S. A. Saleh e M. A. Rahman, Testing of a wavelet-packet-transform-
based differential protection for resistance-grounded three-phase
transformers, IEEE Transactions on Industry Applications, Vol. 46,
No. 3, May/June 2010.
[5] A. A. H. Eldin e M. A. Refaey, A novel algorithm for discrimination
between inrush current and internal faults in power transformer
differential protection based on discrete wavelet transforms, Electric
Power Systems Research 81 (2011) 19-24.
[6] B. Kasztenny, E. Rosolowski e M. Lukowicz, Multi-objetive
optimization of a neural network based differential relay for power
transformers, IEEE Transmission and Distribution Conference, 11-16
April, Vol. 2, 476-481, 1999.
[7] Y. P. Lu,L. L. Lai e L. D. Hua, New artificial neural network based
magnetizing inrush detection in digital differential protection for large
transformer, Proceedings of Fourth International Conference on
Machine Learning and Cybernetics, Guangzhou, 18-21 August, 2005.
[8] M. Tripathy, Optimal radial basis function neural network power
transformer differential protection, IEEE Bucharest Power Tech
Conference, 28 June 2 July, 2009.
[9] M. Tripathy, R. P. Maheshwari e H. K. Verma, Power transformer
differential protection based on optimal probabilistic neural network,
IEEE Transactions on Power Delivery, Vol. 25, No. 1, January 2010.
[10] H. Wu, H. Guo, C. H. Fu e C. Z. Chen, The magnetic inrush current
and internal fault types recognition in transformer based on
probabilistic neural network, Sixth International Conference on
Natural Computation, ICNC, IEEE Circuits and Systems Society,
2010.
[11] Z. Lu, W. Tang, T. Y. Ji, e Q. H. Wu, A Morphological scheme for
inrush identification in transformer protection, IEEE Transactions on
Power Delivery, Vol. 24, No. 2, April 2009.
[12] E. S. Jin, G. W. Xia, W. Z. Q. Bo e L. Hossenlopp, Study on the
current differential protection of transformer based on the time
difference method, Proceedings of the International Conference on
Modeling, Identification and Control, Okayama, Japan, 17-19 July,
2010.
[13] A. Hooshyar, S. Afsharnia, M. Sanaye-Pasand e B. M. Ebrahimi, A
New algorithm to identify magnetizing inrush conditions based on
instantaneous frequency of differential power signal, IEEE
Transactions on Power Delivery, Vol. 25, No. 4, October 2010.
[14] D. Barbosa, D. V. Coury, U. C. Netto e M. Oleskovicz, Lgica
nebulosa aplicada proteo diferencial de transformadores de
potncia, Controle & Automao, Volume 22, n 5, Set-Out 2011.
[15] S. H. Horowitz and A. G. Phadke, Power System Relaying, 3 Ed, John
Wiley & Sons Ltd, 2008.
[16] M. Attenborough, Mathematics for Electrical Engineering and
Computing. Ed. Newnes, 2003.
[17] J. D. Hoffman, Numerical Methods for Engineers and Scientists, 2.
Ed. by Marcel Dekker, Inc, 2011.
[18] S. Haykin, Neural Networks A Comprehensive Foundation, Ed. 2,
Pearson Education, Inc, 1999.
[19] T. Kohonen, The self-organizing maps, Proceedings of the IEEE,
Vol. 78, No. 9, September, 1990
[20] D. Barbosa, D, Sistema Hbrido Inteligente para o Monitoramente e
Proteo de Transformadores de Potncia. Tese de Doutorado, EESC,
USP, 2010.
[21] 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.
[22] J. Wang and R. Hamilton, Analysis of transformer inrush current and
comparison of harmonic restraint methods in transformer protection,
61st Annual Conference for Protective Relay Engineers, 1-3 April,
2008.