UNIVERSIDADE ESTADUAL PAULISTA - UNESP FACULDADE DE ENGENHARIA DE ILHA SOLTEIRA PROGRAMA DE PS-GRADUAO EM ENGENHARIA ELTRICA

Desenvolvimento de um Sistema para Anlise da Estabilidade Transitria de Sistemas de Energia Eltrica via Redes Neurais

Sandra Cristina Marchiori Carlos Roberto Minussi

(Orientador)

Tese de Doutorado submetida ao Programa de Ps-graduao em Engenharia Eltrica da

Faculdade de Engenharia de Ilha Solteira UNESP, como parte dos requisitos para a obteno do ttulo de Doutor em Engenharia Eltrica.

Ilha Solteira SP, fevereiro de 2006.

Esta tese de doutorado foi desenvolvida com o apoio (bolsa de estudo e reserva tcnica) da Fundao de Amparo Pesquisa do Estado de So Paulo FAPESP, processo n 01/10689-9. i

Aos meus pais Norival e Odelir. ii

Ao meu marido, Wesley. iii

Agradecimentos

Ao Prof. Dr. Carlos Roberto Minussi, pela orientao precisa, pela confiana e tolerncia demonstradas, que foram fundamentais para a concluso deste trabalho. Aos professores do curso de ps-graduao do departamento de engenharia eltrica, especificamente queles com os quais convivi ao longo do curso, pela experincia e conceitos transmitidos, que contriburam para a execuo deste trabalho. Em particular, agradeo a Prof. Dra. Anna Diva pela presteza e apoio sempre que solicitado. Aos membros da banca de avaliao desta tese (Joo Onofre Pereira Pinto, Arlan Luiz Bettiol, Antonio Padilha Feltrin, Maria do Carmo Gomes da Silveira), pelas valiosas crticas e sugestes que enriqueceram o contedo. Aos colegas da ps-graduao pelos momentos importantes que compartilhamos. Aos funcionrios da seo de ps-graduao, pela ateno e dedicao. Aos funcionrios do Departamento de Engenharia Eltrica DEE, com ateno especial para o setor de informtica e para a secretaria. Aos meus pais, Norival e Odelir, e a meus irmos, Selma e Paulo, por sempre estarem presente em minha vida, apoiando-me e incentivando-me em todos os momentos. Ao meu marido, Wesley, pelo carinho e compreenso nos momentos mais difceis, expresso meus melhores sentimentos. queles que no foram citados, mas que de alguma forma, contriburam para a realizao deste trabalho.

iv

Agradecimento Especial

Fundao de Amparo Pesquisa do Estado de So Paulo FAPESP, pelo auxlio financeiro dado a esta pesquisa (bolsa de estudo e reserva tcnica, processo n 01/10689-9).

Biografia da Autora

Nascida em 04 de janeiro de 1977, em Guararapes, estado de So Paulo.

Graduada em Matemtica pela Universidade Federal de Mato Grosso do Sul UFMS, em 1998.

Mestre em Engenharia Eltrica pela Universidade Estadual Paulista UNESP, em 2001.

Autora e co-autora de 05 trabalhos publicados na rea de Estabilidade Transitria de Sistemas de Energia Eltrica.

vi

Resumo

Esta pesquisa apresenta uma metodologia para a anlise da estabilidade transitria de primeira oscilao de sistemas de energia eltrica usando uma rede neural baseada na arquitetura ART (Adaptive Resonance Theory), designada rede neural ARTMAP Euclidiana. A margem de segurana (mtodo da energia) empregada como critrio de anlise de estabilidade transitria, considerando-se, na forma preliminar, o modelo clssico e defeitos tipo curto-circuito trifsico com sada de linha de transmisso. A metodologia proposta est concebida, ainda, com a possibilidade de se considerar modelos mais elaborados (e.g., o modelo de Park), se comparados ao modelo clssico. Esta alternativa pode se tornar exeqvel, por meio do uso de um segundo mdulo neural e de um ndice, para fins de treinamento, gerado considerando-se uma combinao, por exemplo, da margem de segurana (anlise quantitativa / qualitativa com mdia preciso) e de informaes fornecidas por processo de simulao (anlise qualitativa com alta preciso). As arquiteturas ART apresentam as caractersticas de estabilidade e plasticidade, as quais so imprescindveis para a realizao do treinamento e execuo da anlise de forma rpida. A verso ARTMAP Euclidiana proporciona solues mais precisas e mais rpidas, se comparada configurao ARTMAP nebulosa. O funcionamento da rede constitudo por trs fases principais: treinamento (ou aprendizado), anlise e treinamento continuado. A realizao da fase de treinamento requer uma grande quantidade de processamento, enquanto que a fase de anlise efetivada, praticamente, sem esforo computacional. Esta , portanto, a principal justificativa para o uso de redes neurais para a resoluo de problemas complexos que exigem solues rpidas, como o caso de aplicaes em tempo real. O treinamento continuado constitui-se de um procedimento que permite manter, permanentemente, a extrao do conhecimento do problema da anlise de estabilidade transitria a partir do treinamento realizado e informaes disponibilizadas na operao do sistema: resultados das anlises via simulao, etc. Por conseguinte, nesta pesquisa ser, tambm, formulada a rotina referente ao treinamento continuado. A rede neural proposta permite abordar, simultaneamente, vrias topologias da rede eltrica, constituindo, deste modo, uma alternativa de anlise da estabilidade transitria de sistemas reais em tempo real. Como forma de ilustrar a estrutura neural proposta, apresenta-se uma aplicao considerando-se um sistema eltrico (multimquinas) composto por 10 mquinas sncronas, 45 barras e 73 linhas de transmisso. vii

Abstract

This work presents a methodology for transient stability analysis of first swing of electrical energy systems, using a neural network based on ART (Adaptive Resonance Theory), named Euclidean ARTMAP neural network. The security margin (energy method) is used as a criterion for transient stability analysis, considering, in the preliminary form, the classical model and faults like three-phase short-circuit with outage of a transmission line. The proposed methodology is conceived, even that, with the possibility to consider more elaborated models (e.g., the Park model), when compared to the classical model. This alternative can become executable, through the use of a second neural module and an index for training, generated considering a combination, for example, the security margin (quantitative / qualitative analysis with precision average) and information provided by simulation process (qualitative analysis with precision high). The ART neural network presents stability and plasticity characteristics, which are very important for realization of the training and analysis, executed in a very fast way. The Euclidean ARTMAP version gives more accurate solutions and more fast, when compared to the Fuzzy ARTMAP. The performance of neural network is constituted of three principal phases: training (or learning), analysis and continuous training. The training phase needs a great quantity of processing time for the realization, whereas the analysis phase is effectuated almost without computational effort. Therefore, this is the principal justification to use neural network for solving complex problems that need fast solutions, as the case of real time applications. The continuous training is constituted of a procedure that allows to maintain, permanently, the extraction of the knowledge from the problem of the transient stability analysis starting from the accomplished training and available information in the operation of the system: analysis results through simulation, etc. Consequently, in this work it will also be formulated the routine referring to continuous training. The proposed neural network permits to treat, concomitantly, various topologies of the electrical power system, constituting, this way, an alternative to transient stability analysis of systems in real time. To illustrate the proposed neural framing, an application is presented considering an electric system (multimachine) composed of 10 synchronous machines, 45 buses, and 73 transmission lines.

viii

Notao e Simbologia

Letras no estilo negrito, maisculas e minsculas, representam matrizes e vetores, respectivamente. Os vetores seguem a representao por linha, ao invs por coluna como comumente adotada na literatura. Esta opo torna-se mais atrativa quando se empregam redes neurais, baseadas na Teoria da Ressonncia Adaptativa, que se constituem a base do desenvolvimento desta tese. MDL SEE RNA ART CA ng PTi PGi Wcini
fs 0

= = = = = = = = = = = =

Mtodo Direto de Lyapunov Sistemas de Energia Eltrica Redes Neurais Artificiais Adaptive Resonance Theory (Teoria da Ressonncia Adaptativa) Centro de ngulos nmero de mquinas sncronas potncia mecnica do eixo da turbina potncia eltrica gerada energia cintica total do gerador mais turbina freqncia nominal do sistema potncia referente s perdas eltricas energia cintica da i-sima mquina sncrona medida na freqncia nominal posio angular do rotor em relao a uma referncia que gira de modo sncrono

Pd i

Wcini0

ix

Di

um parmetro positivo da mquina sncrona denominado constante de amortecimento do rotor

Hi Pmi Pei Pri

constante de inrcia definida por: potncia mecnica de entrada (pu) potncia eltrica de sada (pu) potncia nominal total da i-sima mquina sncrona

velocidade sncrona (rad. elt./s) ngulo do rotor da i-sima mquina sncrona referida ao CA (rad. elt.) = ngulo do rotor da i-sima mquina sncrona medida com relao a uma mquina que gira velocidade sncrona (rad. elt.)

i i

PCOA NG

potncia acelerante do Centro de ngulos conjunto de ndices das mquinas que compem o sistema

Mr
Ecrit r Eer

=
= =

margem de segurana
energia total crtica do sistema energia total do sistema avaliada no instante de eliminao do defeito (te)

nmero de contingncias energia total do sistema

energia cintica energia potencial

E (, ) = Ec () Ep ( )

p
PEBS

= =

ponto de equilbrio ps-falta

Potential Energy Boundary Surface (Superfcie Limite de Energia Potencial)

D ( )
.,.

=
=

derivada direcional da Energia Potencial

produto interno de dois vetores n-dimensionais;

norma euclidiana

LTM STM

= = = = =

Long Term Memory (Memria de Longo Prazo) Short Term Memory (Memria de Curto Prazo)
campo de pr-processamento de neurnios campo de neurnios que processa os dados de entrada campo de neurnios que agrupa os padres de treinamento em categorias de reconhecimento

F0 F1 F2

ai Tj
wj

= = = = = = = = =

parmetro de vigilncia parmetro de escolha taxa de treinamento padro de entrada para a rede ART nebulosa funo escolha vetor de pesos operador nebuloso AND operador de interseo crisp max{Tj : j = 1, ..., M} ndice da categoria escolhida atualizao do vetor de pesos tamanho do retngulo Rj xi

TJ J
( w Jnovo )

Rj

v j = u cj

vj uj

= = =

vetor bi-dimensional pertencente ao vrtice de Rj vetor bi-dimensional pertencente ao vrtice de Rj ativao do neurnio vazio (categoria de reconhecimento sem a presena de nenhum padro de entrada)

T0

Xr

vetor padro de entrada da rede neural ARTMAP Euclidiana (entrada do mdulo ARTa) correspondente r-sima contingncia

Pi Qi

= = =

potncia eltrica ativa da i-sima barra do sistema potncia eltrica reativa da i-sima barra do sistema vetor que contm os ndices das contingncias e informao sobre a topologia do sistema, representado em cdigo binrio [0,+1]

ns nc

= =

nmero de barras do sistema nmero de bits correspondente ao nmero (ndice) da contingncia e configurao do sistema

PG0 QG0 PL0 QL0

= = = = =

vetor de potncia ativa dos geradores do caso base vetor de potncia reativa dos geradores do caso base vetor de potncia ativa das cargas do caso base vetor de potncia reativa das cargas do caso base potncia ativa no i-simo gerador, fixada aleatoriamente (ou pseudoaleatoriamente)

PGi

(G)

= =

conjunto de barras de gerao percentual de variao da demanda (valores positivos e negativos: por exemplo, PER = 10% correspondem a 90 e 110% do caso base, respectivamente) xii

PER

AGi

nmero aleatrio de uma seqncia de NG nmeros gerados a partir de uma semente dada. Variando-se a semente, ter-se- uma seqncia diferente de valores, cujo espectro de variao est compreendido entre 0 e 1: AGi [0, 1]

PLi ALi

= =

potncia ativa na i-sima carga fixada aleatoriamente nmero aleatrio de uma seqncia de NL nmeros gerados a partir de uma semente dada, ALi [0, 1]

(L)

= = = = = = = =

conjunto de barras de cargas esforo de deslocamento da margem de segurana valor da margem de segurana inicial do intervalo valor da margem de segurana final do intervalo intervalo da margem de segurana ndice que indica o k-simo intervalo margem de segurana mnima preestabelecida margem de segurana mxima preestabelecida vetor sada da rede neural ARTMAP Euclidiana (entrada do mdulo ARTb) vetor correspondente ao k-simo intervalo da margem de segurana associada contingncia representada em cdigo binrio

MA MB

IMS k
Mmin Mmax Y IMS k

Ncmin

nmero mnimo de membros que uma categoria, formada na fase de treinamento, deve conter para ser considerada eficiente para realizar uma boa predio

Nmin

nmero

mnimo

de

membros

que

uma

categoria

indexada

como

indeterminada deve conter para ser definida como novidade

xiii

Nmax

nmero

mximo

de

iteraes

que

uma

categoria

indexada

como

indeterminada, sem ter atingido Nmin, deve aguardar para ser rejeitada como nova informao e eliminada do processo.

xiv

Sumrio

1 2

Introduo ............................................................................................................ Modelo do Sistema ............................................................................................... 2.1 2.2 2.3 2.4 Introduo..................................................................................................... Modelo da Mquina Sncrona ......................................................................

1 6 6 8

Modelo do Sistema Referido ao Centro de ngulos .................................... 12 Concluso ..................................................................................................... 15

Anlise de Estabilidade Transitria ................................................................... 16 3.1 3.2 3.3 3.4 Introduo..................................................................................................... 16 Margem de Segurana .................................................................................. 17 Critrio e Algoritmo de Anlise da Estabilidade Transitria ....................... 19 Concluso ..................................................................................................... 21

Redes Neurais Artificiais..................................................................................... 22 4.1 4.2 4.3 4.4 4.5 Introduo..................................................................................................... 22 Inspirao Biolgica..................................................................................... 23 Histrico ....................................................................................................... 25 Modelo Artificial .......................................................................................... 26 Caractersticas Gerais das Redes Neurais..................................................... 29 4.5.1 Estrutura da Rede Neural................................................................... 30 4.5.2 Treinamento da Rede Neural ............................................................. 31 4.6 Regras de Adaptao dos Pesos ................................................................... 33 4.6.1 Aprendizagem pela Regra de Hebb ................................................... 34 4.6.2 Aprendizagem pela Regra de Delta ................................................... 35 4.6.3 Aprendizagem Competitiva ............................................................... 35 xv

4.7 5

Concluso ..................................................................................................... 36

Teoria da Ressonncia Adaptativa..................................................................... 37 5.1 5.2 5.3 5.4 5.5 5.6 5.7 Introduo..................................................................................................... 37 Redes Baseadas na Teoria da Ressonncia Adaptativa ................................ 38 Caractersticas Bsicas dos Sistemas ART................................................... 40 Algoritmo ART Nebuloso ............................................................................ 44 Representao Geomtrica do Algoritmo ART Nebuloso ........................... 47 Algoritmo ARTMAP Nebuloso ................................................................... 51 Concluso ..................................................................................................... 53

Rede Neural ARTMAP Baseada na Distncia Euclidiana............................... 54 6.1 6.2 6.3 Introduo..................................................................................................... 54 ARTMAP Euclidiana ................................................................................... 55 Concluso ..................................................................................................... 60

Anlise de Estabilidade Transitria: Soluo Proposta via Rede ................... 61 Neural ARTMAP Euclidiana 7.1 7.2 7.3 7.4 7.5 Introduo..................................................................................................... 61 Estmulos de Entrada.................................................................................... 62 Estmulos de Sada ....................................................................................... 65 Representao Esquemtica do Trabalho Proposto...................................... 70 Concluso ..................................................................................................... 74 75

Algoritmo de Execuo do Treinamento Continuado 8.1 8.2

Introduo..................................................................................................... 75 Algoritmo de Execuo do Treinamento Continuado .................................. 75 8.2.1 Critrio para incluso e rejeio dos dados ....................................... 76

8.3 9

Concluso ..................................................................................................... 78

Aplicao............................................................................................................... 79

xvi

9.1 9.2 9.3 9.3 10

Introduo..................................................................................................... 79 Configurao do Sistema.............................................................................. 79 Resultados Considerando o Treinamento Continuado ................................. 89 Concluso ..................................................................................................... 92

Concluso e Sugestes Para Trabalhos Futuros ............................................... 93 10.1 Concluso ..................................................................................................... 93 10.2 Sugestes para Trabalhos Futuros ................................................................ 94

11

Referncias Bibliogrficas................................................................................... 96 Apndice A Algoritmo Computacional para a Determinao da ................. 103 Margem de Segurana Apndice B Apndice C Dados do Sistema de Energia Eltrica....................................... 105 Artigos Publicados Relacionados com a Pesquisa de............... 110 Doutorado

xvii

Captulo 1

Introduo

A anlise de estabilidade (de ngulo e de tenso) constitui-se num importante procedimento de investigao em sistemas eltricos de potncia. Ela tem por objetivo analisar e executar estratgias que visem garantir o suprimento de energia com qualidade e, ainda, evitar, ou pelo menos, minimizar a interrupo do fornecimento de energia aos consumidores. A estabilidade associadas aos ngulos corresponde estabilidade transitria que consiste na avaliao dos efeitos procedentes de perturbaes que causam grandes e indesejveis oscilaes nos ngulos das mquinas sncronas [Pai, 1981]. Esta anlise pode ser realizada atravs das solues das equaes diferenciais no-lineares que descrevem a dinmica do sistema (equao de oscilao da mquina sncrona) e, posteriormente, via anlise da evoluo da posio angular de cada mquina sncrona ao longo do tempo, constituindo-se na rotina conhecida como simulao [Stott, 1979]. As tcnicas utilizadas para a simulao so precisas e no apresentam restries quanto ao tipo de modelo empregado. Porm, demandam um tempo de CPU considervel, tendo em vista que envolve clculos complexos. Tambm, via de regra, fornece somente a informao qualitativa, ou seja, o sistema estvel ou instvel para uma determinada contingncia. Este tipo de informao nem sempre til operao, principalmente nos casos instveis em que se faz necessria a adoo de medidas preventivas (realocao de gerao, corte de carga, etc.), as quais so quantificadas em funo do conhecimento de quanto (informao quantitativa) instvel o sistema. Um procedimento alternativo consiste na obteno da anlise sem resolver tais equaes diferenciais. Neste contexto, encontra-se o Mtodo Direto de Lyapunov (MDL), cujos resultados so considerados satisfatrios quando se emprega, principalmente, o modelo clssico [Pai, 1981]. Tendo em vista a grande quantidade de defeitos a serem analisados, a complexidade e a grande dimenso dos atuais Sistemas de Energia Eltrica (SEE), a simulao, assim como o mtodo direto de Lyapunov, so alternativas que ainda no
1

oferecem totais condies para aplicaes em tempo-real. Novas abordagens de anlise, baseadas na inteligncia artificial, em especial as redes neurais, tm sido abordadas na literatura com o propsito de superar tais dificuldades. Assim sendo, este trabalho visa investigar a aplicao de Redes Neurais Artificiais (RNA) na anlise da estabilidade transitria de SEE. As contingncias consideradas neste trabalho so defeitos de curto-circuito trifsico equilibrado com sada de linha de transmisso. Esta proposta permite, ainda, considerar vrias topologias da rede eltrica que, certamente, um cenrio mais plausvel, do ponto de vista da operao, se comparado a uma nica topologia como comumente adotado na literatura. Trata-se, por conseguinte, de um procedimento inovador, no contexo de aplicaes de redes neurais, se comparado s demais propostas atualmente disponveis. A anlise de estabilidade transitria, utilizando redes neurais, tem sido feita de forma geral via emprego de redes feedforward, com treinamento baseado no algoritmo retropropagao (backpropagation). Esta tcnica tem se mostrado eficiente, sendo considerada, pela literatura especializada, como um benchmark em termos de preciso. Contudo, o tempo de processamento relativamente alto. Ressalta-se que na literatura especializada encontram-se poucas referncias que abordam o problema da anlise de estabilidade atravs do emprego de redes neurais [Marchiori et al., 2002; Minussi et al., 2001; Pao & Sobajic, 1991; Silveira et al., 2003], entre outras referncias. Desta forma, pretende-se investigar o uso da rede neural ARTMAP Euclidiana [Vuskovic & Du, 2002a]. Esta rede faz parte de um conjunto de propostas (ART, ART1, ART2 e ARTMAP) [Carpenter et al., 1992] destinadas classificao de padres binrios e/ou analgicos, com treinamento supervisionado ou no-supervisionado. A rede ARTMAP uma arquitetura baseada no treinamento supervisionado para mapeamentos multientradas e multisadas. A rede ART (Adaptive Resonance Theory ) [Carpenter et al., 1992] possui a caracterstica de estabilidade (capacidade de aprender atravs do ajuste dos seus pesos) e plasticidade (capacidade de continuar a aprender com a incluso de novos padres sem perder a memria com relao aos padres anteriores). A rede ARTMAP Euclidiana foi proposta na literatura como alternativa para superar algumas dificuldades operacionais encontradas nas redes neurais da famlia ART. Os dados de entrada para a rede, diferente da rede neural ARTMAP, no so necessariamente normalizados e codificados, o que reduz, metade, a dimenso do vetor de entrada e diminui o tempo de execuo do treinamento e anlise. A preciso dos resultados tambm melhorada com essa concepo, pois a representao geomtrica das categorias da rede neural, que antes era de hiper-retngulos, passa a ser
2

representada por crculos, que, em muitos casos, pode ser a melhor forma para agrupar dados. Outra vantagem do emprego desta estrutura neural, refere-se propriedade de realizao do treinamento de forma continuada. Com este recurso, a rede neural pode ser treinada de modo off-line, considerando um conjunto de pares treinados gerado por um programa computacional professor, e permanentemente atualizado o treinamento, a partir de bases de dados ou dados simulados junto as empresas do setor eltrico. Este procedimento, a princpio pode ser implementado, via redes neurais da famlia ART, tendo em vista que uma arquitetura plstica e de funcionamento (treinamento, treinamento continuado e anlise) com tempo de execuo baixssimo, sendo, portanto, compatvel com aplicaes on-line. Visando ilustrar o mtodo proposto apresentam-se os resultados considerando-se um sistema multimquinas. Nesta tese de doutorado ser dada uma ateno especial ao desenvolvimento da rede neural, como anteriormente esboada, tendo em vista que ela dever ser bastante til, tambm, para a resoluo de outros problemas de engenharia eltrica, assim como de outras reas do conhecimento humano. Assim sendo, as principais contribuies desta pesquisa podem ser resumidas nos seguintes itens: 1. desenvolvimento de uma metodologia neural para anlise de estabilidade transitria, baseada na rede neural ARTMAP Euclidiana. Esta arquitetura tem proporcionado a obteno de resultados mais precisos e mais rpidos, em comparao arquitetura ARTMAP nebulosa [Silveira, 2003]. A maior rapidez se observa por usar vetores padres de entrada de dimenso equivalente a 50% da dimenso de tais vetores usados na verso ARTMAP nebulosa, ou seja, no h necessidade de duplicao da dimenso como estabelecida na rotina codificao complementar da famlia ART nebulosa; 2. so consideradas as anlises de sistemas para diferentes topologias e diferentes perfis de gerao / carga do sistema. Esta representao possibilita a anlise de sistemas de forma mais realista, em comparao aos habituais procedimentos adotados na literatura especializada; 3. proposto, tambm, um esquema que permite contemplar o treinamento continuado, ou seja, o treinamento realizado considerando-se um pequeno conjunto de dados, o suficiente para que a rede neural tenha atingido o aprendizado de forma satisfatria. Posteriormente, durante o processo de anlise, a intensificao do treinamento ser efetivada, atravs de um mecanismo similar adaptao de pesos na fase de treinamento,
3

toda vez que o algoritmo julgar importante a incluso de novos padres na base de dados sinpticos (memria neural). Acredita-se que este mecanismo permitir realizar a anlise de estabilidade transitria em tempo real considerando-se modelos mais elaborados, se comparados ao modelo clssico, por exemplo, o modelo completo de Park [Anderson & Fouad, 2003]. Com isto poder ser possvel gerar funes complexas (ndices de estabilidade), tambm, por meio de uma segunda rede neural, que contemple a composio da informao quantitativa (algum ndice baseado na margem de segurana) e da informao qualitativa fornecida, por exemplo, por processo de simulao. Na simulao, a informao produzida constitui-se na indicao de que certa contingncia, associada determinada topologia, perfil de gerao e carga, estvel ou instvel. Da decorre o fato de ser uma tcnica de anlise qualitativa. Assim sendo, este texto est organizado em captulos e apndices, cujos contedos so assim descritos: Captulo 2. Apresentar-se- o modelo dinmico, com vistas anlise de estabilidade transitria de sistemas eltricos de potncia, representado pelo modelo clssico. Captulo 3. Ser apresentado o critrio de anlise da estabilidade transitria baseado no conceito de energia total do sistema. Captulo 4. Sero apresentados os principais conceitos sobre redes neurais artificiais. Captulo 5. Sero abordados os principais conceitos sobre as redes neurais baseadas na teoria da ressonncia adaptativa. Captulo 6. Ser apresentada a formulao da rede neural ARTMAP baseada na distncia Euclidiana que constitui o contedo principal desta pesquisa. Captulo 7. Sero estabelecidas as entradas e sadas que sero usadas no treinamento da rede neural ARTMAP Euclidiana. Captulo 8. Ser apresentada uma proposta para a realizao do treinamento continuado, baseado no conceito de deteco de novidade, bem como de anomalia, no contexto das redes neurais ART descendentes.

Captulo 9. Apresentar-se-o os resultados da anlise da estabilidade transitria, atravs da rede neural ARTMAP Euclidiana, considerando-se uma verso do sistema da regio sul do Brasil, composta por 45 barras, 73 linhas de transmisso e 10 mquinas sncronas. Captulo 10. Sero apresentadas as concluses. Captulo 11. Encontram-se relacionadas as referncias bibliogrficas. Apndice A. apresentado o algoritmo computacional para o clculo da margem de segurana. Apndice B. Dados do Sistema Teste (verso do sistema eltrico de potncia da regio sul do Brasil). Apndice C. Trabalhos completos publicados que esto relacionados com a pesquisa de doutorado.

Captulo 2

Modelo do Sistema

2.1 Introduo

Apresenta-se, neste captulo, o modelo que descreve a dinmica do sistema de energia eltrica, considerando-se as grandes oscilaes (grande aumento de carga, perda de equipamento eltrico, curto-circuito, etc.). Trata-se do modelo da mquina sncrona e sua integrao ao sistema. Este modelo representado por equaes algbricas e diferenciais nolineares. A anlise deste modelo permite inferir sobre a estabilidade do sistema. Os defeitos a serem considerados so curtos-circuitos trifsicos combinados com a sada das linhas sob defeito. Esta idealizao baseada na observao de que um curto-circuito causado por descarga atmosfrica, que incide sobre o sistema de transmisso, ocorre em linha exposta, visto que os demais equipamentos encontram-se protegidos. Deste modo, quando ocorrer este evento, para fins de simplificao, transfere-se o defeito para o barramento mais prximo. A eliminao do defeito consiste, ento, na retirada de operao, via proteo do sistema, da linha onde ocorreu a descarga atmosfrica que rompeu o isolamento e provocou o curtocircuito. O curto-circuito trifsico adotado por ser o mais severo, ainda que a sua ocorrncia seja a mais rara entre todos os tipos de curtos-circuitos. Considerando-se o caso mais severo, permite efetuar a anlise para a situao mais crtica. O objetivo desta pesquisa investigar a aplicao de redes neurais artificiais (rede neural da famlia ART [Carpenter et al., 1992]) para a realizao da anlise de estabilidade transitria, mais especificamente, a rede neural ARTMAP Euclidiana [Vuskovic & Du, 2002a]. Considera-se a anlise de estabilidade de primeira oscilao onde se pode empregar o chamado modelo clssico [Anderson & Fouad, 2003; Pai, 1981; Fouad & Vittal, 1992; Pavella et al., 2000]. A opo por esta abordagem mais simples de modelo deve-se ao fato de que, para extrair o conhecimento deste problema, via redes neurais, necessrio impor uma
6

rotina de dados que constitui a fase de treinamento da rede. Estes dados devem conter informaes quantitativas e qualitativas de cada uma das contingncias. Para efetivamente constituir uma boa capacidade de generalizao (anlise de situaes no previstas nos casos simulados), faz-se necessria a utilizao de um grande nmero de dados de entrada e de sada para a fase do treinamento da rede neural. Para atender estas caractersticas, no momento, salvo melhor julgamento, somente podem ser proporcionados quando se utilizam os mtodos diretos de anlise, mais especificamente, os mtodos de energia [EPRI, 1981; Pai, 1981; Fouad & Vittal, 1992]. Estes mtodos, embora tenham apresentado grande evoluo nos ltimos anos, ainda h carncia de resultados prticos para modelos mais elaborados. Deve-se destacar que a simulao (resoluo do sistema de equaes algbricas/diferenciais no-lineares e exame das solues obtidas) considerada, pela literatura especializada, um benchmark de anlise de transitrios eletromecnicos. Nesta metodologia, pode-se simular qualquer modelo (qualquer que seja a sua sofisticao). Contudo, o grande obstculo reside na obteno somente da anlise qualitativa, ou seja, a informao se o sistema ou no estvel para uma contingncia em particular. No possvel, a princpio, a menos que se empregue o mtodo de tentativa e erro, saber quanto estvel ou instvel o sistema. Alm disto, os mtodos de simulao consomem grande quantidade de tempo para a anlise, isto porque empregam, entre outras rotinas, mtodos de integrao numrica, registros das curvas de oscilao, etc., tudo isto efetuando uma simulao por vez. Em vista disto, nesta pesquisa, ser abordado o problema da anlise de estabilidade transitria atravs de redes neurais, levando-se em conta o modelo clssico. Os dados de entrada e de sada sero fornecidos por um programa computacional que foi implementado baseado na proposta apresentada na referncia [Fonseca & Decker., 1985], que uma metodologia que emprega a resoluo das equaes diferenciais (mtodo indireto) e o mtodo da energia (mtodo direto). Este mtodo , portanto, hbrido e iterativo pois fornece o clculo da margem de segurana (e o tempo crtico) do sistema para uma lista preestabelecida de contingncias. Os resultados so bastante precisos, cujos erros observados so apenas procedentes de arredondamentos e da tolerncia adotada. Deve-se ressaltar que no h restrio quanto a adoo de modelos mais elaborados, inclusive, via simulao, para a abordagem via redes neurais. Apenas preciso evidenciar a necessidade de resultados mais completos (saber quanto estvel ou instvel o sistema frente a uma certa perturbao). Se utilizada a simulao como gerador dos estmulos
7

de entrada/sada, a informao que se poderia obter da rede neural seria apenas: o sistema estvel, ou o sistema instvel associado a cada contingncia. Quando se emprega o modelo clssico e um mtodo de anlise fundamentado na funo energia do sistema, a representao dos ngulos das mquinas sncronas, referidas ao Centro de ngulos (CA) [Epri, 1981; Pai, 1981; Fouad & Vittal, 1992], constitui a melhor opo [Athay et al., 1979], visto que as perdas eltricas, que so o grande obstculo para a aplicao dos mtodos da energia, podem ser mais facilmente incorporadas no modelo. Esta ser, ento, a alternativa a ser seguida nesta pesquisa.

2.2 Modelo da Mquina Sncrona

Considerao 1. Defeito. Considera-se, nesta pesquisa, defeito como sendo um curto-circuito trifsico, equilibrado, metlico e incidente em um barramento do sistema, cuja extino dar-se- com a retirada definitiva de operao de uma linha de transmisso (ou seja, no retornando mais operao), por meio da atuao do sistema de proteo com a abertura de rels.

Assim sendo, as equaes que descrevem o comportamento dos geradores so conhecidas como equaes de oscilao. So equaes diferenciais que consideram, por exemplo, as posies angulares das mquinas, a velocidade de resposta ao distrbio, se este for equilibrado ou desequilibrado [Elgerd, 1971]. Considere, portanto, um sistema composto de ng mquinas sncronas, sendo que PTi a potncia mecnica do eixo da turbina e PGi a potncia eltrica gerada. Se estas duas potncias forem iguais, desprezadas as perdas, o gerador estar funcionando com velocidade sncrona constante [Elgerd, 1971]. Caso contrrio, se existir uma diferena, esta diferena ser usada para mudar a energia cintica ou a velocidade e dominar o conjugado de amortecimento nos enrolamentos de amortecimento.

A equao matemtica de acordo com as referncias [Elgerd, 1971], [Kundur, 1994] e [Venikov, 1970] pode ser expressa como:

PTi PGi =

d (Wcini ) + Pd i dt

(2.2.1)

sendo:

Wcini

energia cintica total do gerador mais turbina

f = i0 Wcini0 ; f f0 Pd i
= freqncia nominal do sistema; = potncia referente s perdas;

(2.2.2)

Wcini0

= energia cintica da i-sima mquina sncrona medida na freqncia nominal.

A freqncia fi pode ser expressa, considerando-se as variaes em torno da freqncia nominal, da seguinte forma:

fi = f 0 + fi .
Ento:
f 0 + fi Wcini0 Wcini = 0 f
2

(2.2.3)

(2.2.4)

f f = 1 + 2 0 i + 0 i f f

0 Wcini .

Como as variaes de freqncia fi so pequenas, pode-se usar a seguinte aproximao:

9

 f Wcini 1 + 2 0 i Wcini0 . f

(2.2.5)

A derivada temporal da energia cintica total da i-sima mquina sncrona pode ser expressa por [Elgerd, 1971]: 2Wcini0 d d (Wcini ) = fi . dt f 0 dt

(2.2.6)

Como [Elgerd, 1971]:

fi =
ento:

1 d ( i ) 2 dt

(2.2.7)

d2 d fi = 2 dt dt

1 i 2

(2.2.8)

1 d 2 i = 2 dt 2 sendo:

(2.2.9)

= posio angular do rotor em relao a uma referncia que gira de modo sncrono. Substituindo (2.2.9) em (2.2.6), obtm-se:
0 2 d (Wcini ) = Wcin0i d i . dt f dt 2

(2.2.10)

Deve-se observar que, havendo desvios da velocidade do rotor em relao velocidade sncrona, haver a induo de correntes nos enrolamentos de amortecimento do rotor, as quais causam foras que tendem a impedir os movimentos. Este conjugado tende a crescer com a velocidade relativa
d i , de tal forma que [Elgerd, 1971]: dt
10

Pd i Di

d i dt

(2.2.11)

sendo:

Di

= um parmetro positivo da mquina, denominado constante de amortecimento do rotor. Considerando as equaes (2.2.10) e (2.2.11), a equao (2.2.1) pode ser escrita

da seguinte forma:

Wcini0 d 2 i d PTi PGi = + Di i . 0 2 dt f dt

(2.2.12)

Colocando a equao (2.2.12) em pu (por unidade), uma vez que dada em MW, cuja base adotada a potncia nominal da i-sima mquina sncrona, tem-se [Elgerd, 1971]:

H i d 2 i d Pmi Pei = + Di i 0 2 dt f dt

(2.2.13)

sendo:

Hi

constante de inrcia definida por: Wcini0 ; = Pri

(2.2.14)

Pmi

potncia mecnica de entrada (pu)

PTi ; Pri

(2.2.15)

Pei

potncia eltrica de sada (pu)

PGi ; Pri

Pri

= potncia nominal total da i-sima mquina sncrona.

11

Adaptando-se estas equaes ao modelo clssico, e desconsiderando o amortecimento, tem-se as seguintes equaes, apresentadas na Seo 2.3, que descrevem o comportamento dinmico das mquinas sncronas referidas ao Centro de ngulos.

2.3 Modelo do Sistema Referido ao Centro de ngulos

O comportamento dinmico da i-sima mquina pode ser descrito pela seguinte equao diferencial (equao de oscilao da mquina sncrona) [Anderson & Fouad, 2003; Pai, 1981]:

Mi

d 2 i g i ( ) = 0, i NG dt 2

(2.3.1)

sendo:

g i ( )

= Pmi Pei ( M i PCOA) / MT ;

2H i

(2.3.2)

Mi

velocidade sncrona (rad. elt./s)

= 2 f 0 ;

ngulo do rotor da i-sima mquina sncrona referida ao CA (rad. elt.)

= i 0 ;

= ngulo do rotor da i-sima mquina sncrona medida com relao a uma mquina que gira velocidade sncrona (rad. elt.);

j NG

j ;

12

PCOA potncia acelerante do CA

=

j NG

(Pm M
j

Pe j ) ;

MT

j NG

NG

{1, 2, ..., ng }

= conjunto de ndices das mquinas que compem o sistema;

ng

= nmero de mquinas sncronas.

A potncia eltrica usada na equao (2.3.2), considerando-se as simplificaes introduzidas no modelo clssico, pode ser calculada de vrias formas. Uma delas e mais comum consiste em realizar o clculo, a partir da matriz de admitncia reduzida s barras internas de gerao, como proposto em [Anderson & Fouad, 2003; Pai, 1981]. Trata-se de um procedimento rpido do clculo da potncia eltrica, principalmente, quando esta se refere condio de defeito (perodo de permanncia do curto-circuito) e ps- defeito (eliminao do defeito com sada da linha de transmisso), empregando o mtodo proposto na referncia [Minussi & Freitas Filho, 1998]. O modelo do sistema referido ao centro de ngulos (equao (2.3.1)) apresenta as seguintes propriedades:

Propriedade 1. A potncia acelerante do centro de ngulos, quando calculada no ponto de

equilbrio estvel, nula [Pai, 1981; Minussi, 1990].

Propriedade 2. O somatrio do produto da posio angular pela inrcia de cada mquina

sncrona do sistema igual a zero, ou seja [Pai, 1981; Minussi, 1990]:

13

j NG

j = 0.

(2.3.3)

Propriedade 3. O somatrio do produto da velocidade angular pela inrcia de cada

mquina sncrona do sistema igual a zero, ou seja [Pai, 1981; Minussi, 1990]:

j NG

j = 0.

(2.3.4)

A Propriedade 1 estabelecida a partir da formulao do problema do fluxo de potncia que determinado fazendo-se (Pm Pe = 0) para todas as mquinas que compem o sistema. Isto representa a obteno de um ponto de operao (equilbrio). Deste modo, conclui-se que a PCOA nula quando avaliada em um ponto de operao estvel do sistema. A PCOA ser diferente de zero sempre que houver deslocamento do estado em torno do ponto de equilbrio, ou seja, durante as oscilaes eletromecnicas. Da Propriedade 2 conclui-se que os ngulos is so linearmente dependentes. O mesmo ocorre com as velocidades is (Propriedade 3). Por conseguinte, o conhecimento de (ns 2) variveis de estado do sistema permite o clculo das duas variveis restantes utilizando-se as equaes (2.3.3) e (2.3.4). Estas propriedades sero teis na determinao da funo energia total do sistema, como ser abordada no Captulo 3. Outras definies e termos utilizados em problemas de estabilidade de sistemas de energia eltrica podem ser encontrados na referncia [IEEE Task Force, 1982]. Trata-se de um importante texto de referncia nesta rea de conhecimento.

14

2.4 Concluso

Foi apresentado, neste captulo, o modelo clssico que representa a dinmica das mquinas sncronas em sistemas interligados. Este modelo visa inferir sobre a anlise de estabilidade transitria de sistemas eltricos de potncia no perodo conhecido como de primeira oscilao. Este modelo encontra-se referido ao centro de ngulos que uma forma bastante adequada e pertinente, quando se emprega metodologia de anlise via mtodos diretos (ou similares), pois permite a incluso dos efeitos das perdas. No modelo clssico, com reduo s barras internas de gerao, estas perdas representam as perdas procedentes dos equipamentos eltricos, principalmente da transmisso, e de uma parcela importante referente s cargas. Neste caso, no consider-las resultaro em erros significativos a ponto de prejudicar ou invalidar as anlises. Portanto, a incluso destas perdas um item de grande importncia. Este modelo ser utilizado nos prximos captulos em que ser apresentado o mtodo de anlise e sero realizadas as simulaes, com o propsito de gerar as informaes de entrada e sada para a execuo do treinamento da rede neural.

15

Captulo 3

Anlise de Estabilidade Transitria

3.1 Introduo

A anlise de estabilidade transitria de sistemas de energia eltrica tem como objetivo verificar o comportamento destes sistemas, aps a ocorrncia de uma perturbao do tipo curto-circuito, desligamento de linha de transmisso, perda de unidades geradoras, etc. Esta anlise pode ser realizada, por exemplo, via simulao passo a passo no domnio do tempo, o que requer a soluo de dois conjuntos de equaes provenientes da modelagem dos diversos componentes do sistema: um conjunto de equaes diferenciais que descrevem basicamente os geradores sncronos e seus controles; e um conjunto de equaes algbricas que representam os estatores das mquinas sncronas, rede de transmisso e cargas. Atualmente, a simulao atravs da integrao numrica a melhor ferramenta disponvel, por permitir a representao de modelos mais abrangentes e fornecer resultados confiveis. As limitaes ficam por conta do esforo computacional envolvido e pela ausncia de resultados que informem o grau de estabilidade ou instabilidade. Outras alternativas de anlise so os mtodos diretos de resoluo, que exigem menor custo computacional, mas por outro lado, tm como desvantagem a dificuldade de modelar os vrios componentes do sistema. Neste captulo, apresenta-se o conceito de margem de segurana, que um ndice que aponta o grau de estabilidade ou instabilidade do sistema aps a ocorrncia de uma falha, o critrio e algoritmo para a anlise de estabilidade transitria, baseada em uma metodologia hbrida que combina o Mtodo Direto de Lyapunov (MDL) e a resoluo das equaes diferenciais, considerando defeito correspondente a um curto-circuito com sada de operao de linha de transmisso.
16

3.2 Margem de Segurana

O diagnstico da estabilidade transitria de Sistemas de Energia Eltrica, considerando-se uma contingncia de ndice r, pode ser efetuado atravs do emprego do conceito da margem de segurana definida por [Fonseca & Decker, 1985; Fouad & Vittal, 1992]:
Mr = Ecrit r Eer Ecrit r

(3.2.1)

sendo:
Ecrit r Eer

= energia total crtica do sistema; = energia total do sistema avaliada no instante de eliminao do defeito (te).

A margem de segurana pode ser interpretada como uma medida de distncia em relao situao de instabilidade do sistema [Freitas Filho, 1996]. A estabilidade do sistema para a r-sima contingncia pode ser avaliada, mediante o emprego do conceito da margem de segurana, atravs do seguinte critrio [Athay et al., 1979; Fonseca & Decker, 1985; Freitas Filho, 1996; Minussi, 1990; Minussi & Freitas Filho,1998]:

Mr < 0, Mr 0,

o sistema instvel do ponto de vista da estabilidade transitria; o sistema estvel do ponto de vista da estabilidade transitria.

Ressalta-se que, quando so consideradas as condutncias de transferncia, a expresso (2.3.2) no se caracteriza como fora potencial [Minussi, 1990], conseqentemente, no possvel determinar uma funo energia potencial do sistema representada pela primeira integral do movimento que se constitui dependente do caminho de integrao, descaracterizando-a como energia potencial. Porm, por abuso de linguagem, nesta pesquisa,
17

o termo energia total do sistema ser utilizado sempre que houver referncia funo tipo energia. Por conseguinte, a energia total relativa ao sistema (2.3.1) dada por [Athay et al., 1979; Pai, 1981; Fonseca & Decker, 1985; Minussi, 1990; Freitas Filho, 1996; Minussi & Freitas Filho, 1998]:
E ( , ) = Ec () + Ep ( )

(3.2.2)

sendo:
Ec () energia cintica

1 M i i2 2 i NG

(3.2.3)

Ep ( ) energia potencial

i NG

g i ( ) d i .

(3.2.4)

ip

O superescrito (p) refere-se ao ponto de equilbrio ps-defeito e g i ( ) dada pela equao (2.3.2). Desenvolvendo a expresso referente a energia potencial, obtm-se [Minussi, 1990; Freitas Filho, 1996]:
i i i

Ep( ) =

iNG p
i

Pm d + Pe d + (M
i i iNG p
i

iNG p
i

/ MT )PCOA d i .

(3.2.5)

Como a potncia mecnica considerada constante (desconsidera-se a ao do regulador de velocidade) e utilizando-se da Propriedade 3 (o terceiro membro de (3.2.5) tornase nulo) a energia total do sistema dada por [Athay,1979; Fonseca & Decker, 1985; Pai, 1981; Minussi, 1990]:

E ( , ) =

1 M i d i + Pmi 2 i NG i NG

i p d i +

i NG p i

Pe d
i

(3.2.6)

18

Observa-se que, em funo da considerao das condutncias de transferncia, a funo energia total do sistema (equao (3.2.6)) dependente do caminho de integrao [Fonseca & Decker, 1985; Pai, 1981; Minussi, 1990]. Para solucionar este problema, ser tomada a seguinte medida: avaliar-se- a integral medida que se conhece a evoluo dos ngulos das mquinas. Portanto, o caminho de integrao entre dois pontos quaisquer conhecido, assim a integral facilmente determinada. Esta formulao no introduz erros significativos e a integral avaliada fazendo-se uso da regra trapezoidal [Fonseca & Decker, 1985].

3.3 Critrio e Algoritmo de Anlise da Estabilidade Transitria

A energia crtica, energia mxima que o sistema pode acumular para que a sua estabilidade seja preservada, assim como o tempo crtico, so determinados, nesta pesquisa, baseados no algoritmo PEBS (Potential Energy Boundary Surface) Iterativo [Athay, 1979, Fonseca & Decker, 1985]. Para efetuar esta metodologia necessrio algum indicativo para que se possa identificar a PEBS como discutido a seguir.

Definio 1.

Derivada Direcional da Energia Potencial definida como sendo [Athay, 1979, Fonseca & Decker, 1985]: g ( ), ( p
p
e

D ( ) =

(3.3.1)

sendo: . , .
g ( )

= produto interno de dois vetores n-dimensionais; =

[ g1 ( )

g 2 ( ) K g n ( ) ] ;

g i ( )

Pmi Pei

Mi PCOA ; MT
19

= norma euclidiana.

Definio 2.

Superfcie Limite de Energia Potencial (PEBS em ingls) [Athay, 1979,

Fonseca & Decker, 1985] definida como os pontos correspondentes aos zeros da derivada direcional (3.3.1), excetuando o ponto de equilbrio estvel do sistema.

A PEBS representa, portanto, os pontos dos mximos direcionais da energia potencial, os quais circundam o ponto de equilbrio estvel do sistema [Minussi, 1990].

Propriedade 4. A derivada direcional D ( ) possui a propriedade de se manter sempre

positiva para trajetrias estveis [Athay, 1979].

A anlise de estabilidade transitria, utilizando-se o conceito da PEBS, consiste na determinao de um ponto sobre a trajetria de defeito, por processo iterativo, de tal modo que a evoluo da trajetria ps-defeito, que comea neste ponto, encontre a mxima aproximao da superfcie limite de energia potencial. O programa computacional deste mtodo encontra-se implementado no LC (Laboratrio Computacional) do Departamento de Engenharia Eltrica da Faculdade de Engenharia de Ilha Solteira UNESP. Trata-se de um programa em linguagem Fortran, verso para microcomputador. Este algoritmo refere-se ao apresentado na referncia Fonseca & Decker, 1985. No Apndice A apresentado este algoritmo passo a passo. Deve-se ressaltar que a opo pelo mtodo PEBS, na qualidade de professor para o processo de treinamento da rede neural, como ser abordado em captulos subseqentes, foi motivada por ser uma tcnica que se encontra disponvel no Laboratrio Computacional, precisa (equiparvel simulao, quando se emprega o modelo clssico) e
20

rpida. Contudo, a rede neural desenvolvida, nesta pesquisa, no mantm relao de compromisso com o mtodo PEBS. Qualquer outro procedimento pode ser perfeitamente usado para este fim, ficando, apenas a exigncia, de pelo menos, ser preciso e que gere um ndice qualitativo / quantitativo similar ao associado margem de segurana como aqui adotado.

3.4 Concluso

Neste captulo foi apresentado o critrio utilizado como indicativo da estabilidade transitria, fornecendo o conceito de margem de segurana, sendo que, esta fornece-nos uma idia de quanto o sistema se encontra estvel ou instvel. Tambm foram apresentados a metodologia PEBS Iterativa [Fonseca & Decker, 1985] e respectivo algoritmo computacional. Este algoritmo est sendo utilizado com o intuito de obter os estmulos de entrada e sada para o treinamento e diagnstico da rede neural (rede neural ARTMAP Euclidiana [Vuskovic & Du, 2002a]), que a metodologia de anlise de estabilidade transitria de sistemas de energia eltrica proposta nesta pesquisa.

21

Captulo 4

Redes Neurais Artificiais

4.1 Introduo

A simulao de capacidades cognitivas de um ser humano tem sido uma rea de pesquisa amplamente investigada. Projetam-se mquinas capazes de exibir um

comportamento inteligente, como se fossem reaes humanas. A inteligncia humana a mais avanada dentro do universo das criaturas. Essa inteligncia, dentro do corpo humano, est localizada no crebro. As entidades bsicas so os neurnios, interconectados em redes o que permitem a troca de informao entre eles, criando a inteligncia biolgica. Uma ambio bvia, que surge dessas observaes, a tentativa de copiar a estrutura e o funcionamento do crebro em um ambiente tcnico. Isso significa que a pesquisa tenta entender o funcionamento da inteligncia residente nos neurnios e mape-la para uma estrutura artificial, por exemplo uma combinao de hardware e de software, assim transformando as redes neurais biolgicas em redes neurais artificiais. Redes Neurais Artificiais (RNA) so tcnicas computacionais que apresentam um modelo matemtico inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento atravs da experincia [Simpson, 1989; Wasserman, 1989; Widrow & Lehr, 1990; Kung, 1993; Haykin, 1994; Kartalopoulos, 1996; Jain et al., 1996; Mendes Filho & Carvalho, 1997; King, 1998]. A proliferao, nos ltimos anos, de modelos de redes neurais artificiais bastante significativa. Hoje, a quantidade de modelos inspirados, sob o paradigma neural, de ordem de dezenas. Sabe-se, entretanto, que os modelos artificiais tm pouco em comum com as redes neurais reais. Por outro lado, existem paralelos entre os dois mundos que prometem que as redes neurais artificiais sejam uma aproximao apropriada para resolver problemas cognitivos complexos.
22

As redes neurais vm sendo usadas, com sucesso, na soluo de problemas de reconhecimento de padro, otimizao combinatorial, modelagem de sistemas, representao de conhecimento, aproximao de funes, diagnstico e classificao, monitoramento e controle, processamento de voz e imagem, recuperao de informaes, previso, diagnsticos mdicos, composio musical, etc. Neste captulo, sero apresentados os principais conceitos sobre a teoria de redes neurais artificiais, com o objetivo de auxiliar a compreenso da metodologia proposta, a ser apresentada nos prximos captulos, a qual refere-se anlise de estabilidade transitria de sistemas de energia eltrica por redes neurais baseadas na teoria da ressonncia adaptativa [Carpenter & Grossberg, 1991c].

4.2 Inspirao Biolgica

As mais importantes caractersticas do crebro humano, que o capacitam de um comportamento inteligente, que so especialmente atrativas de serem simuladas em uma rede neural artificial, podem ser resumidas como: Robustez e tolerncia a falhas: a eliminao de alguns neurnios no afeta a funcionalidade global. Capacidade de aprendizagem: o crebro capaz de aprender novas tarefas que nunca foram executadas antes. Processamento de informao incerta: mesmo que a informao fornecida esteja incompleta, afetada por rudo ou parcialmente contraditria, um raciocnio correto possvel. Paralelismo: um imenso nmero de neurnios est ativo ao mesmo tempo. No existe a restrio de um processador que obrigatoriamente trabalhe uma instruo aps a outra.

23

Uma rede neural artificial um mecanismo (implementao em hardware e/ou software) que emula o modo como o crebro realiza uma tarefa particular ou funo de interesse [Haykin, 1994]. A rede neural artificial assemelha-se com o crebro em dois aspectos: o conhecimento adquirido pela rede, atravs de um processo de treinamento ou aprendizado; e as conexes entre os neurnios, conhecidos como pesos sinpticos, so usados para armazenar o conhecimento. O sistema nervoso formado por um conjunto bastante complexo de clulas, os neurnios. Estes neurnios possuem um papel essencial na determinao do funcionamento e comportamento do corpo humano e do raciocnio [Haykin, 1994]. O processamento local de informao no crebro efetua-se em cerca de 100 bilhes de unidades (os neurnios) que possuem uma estrutura relativamente simples. O neurnio uma clula com ncleo e corpo celular (sma do idioma grego) em que reaes qumicas e eltricas representam o processamento de informao. A sada da informao do corpo celular realizada por impulsos eltricos que se propagam atravs do axnio. No final do axnio existem inmeras ramificaes que distribuem a informao para outros neurnios vizinhos. A ligao com os outros neurnios realizada atravs de sinapses que esto conectadas a um dendrito do neurnio receptor. A sinapse dispara uma substncia qumica quando for excitada pelo impulso do axnio. A substncia se transmite entre sinapse e dendrito realizando a conexo entre dois neurnios vizinhos. Conforme as excitaes (ou inibies) que clulas vizinhas transmitem para a clula em considerao ela processa a informao novamente e a transmite via seu axnio [Simpson, 1989; Haykin, 1994; Mendes Filho & Carvalho, 1997]. Na Figura 4.1 apresenta-se o modelo simplificado de um nico neurnio biolgico e as partes que o compem. Ressalta-se que, vrios tipos de neurnios tm sido identificados, cada qual se distingue dos demais pela forma do corpo celular. Estas diferenas morfolgicas exibem especializaes funcionais importantes.

24

Ncleo Corpo celular

Axnio

Sinapse

Dendrito

Figura 4.1 Componentes de um neurnio biolgico.

4.3 Histrico

Os estudos de RNA constituem-se num dos maiores ramos da inteligncia artificial. O primeiro modelo de neurnio artificial foi formulado pelo neurofisiologista McCulloch e pelo matemtico Pitts, em 1943, cujo trabalho fazia uma analogia entre clulas vivas e o processo eletrnico, simulando o comportamento do neurnio natural, em que o neurnio possua apenas uma sada, que era uma funo de entrada (threshold) da soma do valor de suas diversas sadas [Haykin, 1994; Mendes Filho & Carvalho, 1997]. Em 1949 o psiclogo Donald Hebb, demonstrou que a capacidade da aprendizagem em redes neurais vem da alterao da eficincia sinptica, i.e., a conexo somente reforada, se tanto as clulas pr-sinpticas quanto as ps-sinpticas estiverem excitadas [Tutorial, 2005]. Hebb foi o primeiro a propor uma lei de aprendizagem especfica para as sinapses dos neurnios, servindo de inspirao para que muitos outros pesquisadores perseguissem a mesma idia. Em 1958 Rosemblatt desenvolveu o perceptron, que uma das estruturas neurais mais empregadas na literatura especializada. Nesse modelo, os neurnios esto organizados em camada de entrada e sada, em que os pesos das conexes so adaptados a fim de se atingir a eficincia sinptica [Tutorial, 2005]. No ano de 1960 surgiu a rede ADALINE (ADAptive LInear NEtwork) e a rede MADALINE (Many ADALINE), proposta por Widrow e Hoff. Na rede MADALINE foram usadas sadas analgicas em uma arquitetura de trs camadas [Widrow & Lehr,1990].
25

Entre as dcadas de 60 e 70, poucas pesquisas foram publicadas pelo fato de pouca credibilidade ter sido dada aos estudos desta rea, marcada por um entusiasmo exagerado de muitos pesquisadores, que passaram a publicar muitos artigos e livros que faziam uma previso pouco confivel para a poca, sobre mquinas to poderosas quanto o crebro humano que surgiriam em um curto espao de tempo. Porm, alguns pesquisadores que realizaram importantes trabalhos nesse perodo sobre modelos de redes neurais em viso, memria, controle e auto-organizao devem ser citados: Amari, Anderson, Cooper, Cowan, Fukushima, Grossberg, Kohonen e Von der Malsburg. Em 1974, Werbos apresentou o algoritmo retropropagao (backpropagation) que possui a capacidade de treinar redes multicamadas [Werbos, 1974]. Em 1982, o fsico e bilogo Hopfield relatou a utilizao de redes simtricas para otimizao, atravs de um algoritmo de aprendizagem que estabilizava uma rede binria simtrica com realimentao. Na rede perceptron, o modelo de McCulloch-Pitts foi substitudo por um modelo diferencivel baseado em uma funo sigmoidal, permitindo que todos os pesos da rede neural possam ser adaptados pelo algoritmo retropropagao. Portanto, estas redes neurais so aplicveis, tambm, para problemas no-lineares, levando as redes neurais a um novo estgio de pesquisa. Os estudos sobre redes neurais sofreram uma grande revoluo a partir dos anos 80. A partir da, cada vez mais, esta rea de estudos tem se destacado, seja pelas promissoras caractersticas apresentadas pelos modelos de redes neurais propostos, ou pelas condies tecnolgicas atuais de implementao, que permitem desenvolver arrojadas arquiteturas neurais paralelas em hardware dedicados, obtendo assim timos desempenhos destes sistemas, bastante superiores aos sistemas convencionais.

4.4 Modelo Artificial

Assim como o sistema nervoso (de humanos) composto por bilhes de clulas nervosas, a rede neural artificial, tambm, deve ser formada por unidades que nada mais so que pequenos mdulos que simulam o funcionamento de um neurnio biolgico. Estes

26

mdulos devem funcionar de acordo com os elementos em que foram inspirados, recebendo e retransmitindo informaes. Na Figura 4.2 mostra-se o modelo de um neurnio artificial de McCulloch e Pitts [Haykin, 1994], que foi o primeiro modelo a ser formulado. Este modelo tenta simular as realidades biolgicas que ocorrem dentro de uma clula do sistema nervoso (compare com a Figura 4.1). A informao fornecida por outros neurnios consiste em n entradas, xj, para o neurnio processador. Cada entrada est associada a um peso, wj, que reflete a importncia da entrada xj. Seu processamento consiste na soma ponderada dos valores de suas entradas, resultando no chamado potencial de ativao. Neste primeiro processamento, os pesos multiplicativos, associados s entradas, emulam o efeito da intensidade das sinapses. Se o peso positivo diz-se que a conexo excitatria, caso contrrio, ela dita inibitria [Haykin, 1994; Mendes Filho & Carvalho, 1997]. Quando o potencial de ativao tem valor superior a um limiar de disparo preestabelecido, , o neurnio produz um sinal de sada de valor igual a 1. Se a ativao inferior ao limiar, ento a sada gerada tem valor 0. Essa sada ser enviada aos demais neurnios.

x1 x2
Sinais de Entrada

wi1
Funo de Ativao

wi 2

Combinao Linear

Sada

yi

M
xn

M
win
Pesos Sinpticos

i
Threshold

Figura 4.2 Diagrama esquemtico de um neurnio artificial de McCulloch-Pitts.

A sada do isimo neurnio, segundo esse modelo, expressa como [Kartalopoulos, 1996]:

27

yi (t + 1) =

n f wij x j (t ) i j =1

(4.4.1)

sendo: t = instante de tempo em que so observadas as entradas;

wij = peso da conexo da sada da clula j a entrada desta clula; xj = valor da sada da clula j;

i = limiar de disparo desta clula;

f = funo de ativao degrau definida por [Kung, 1993; Kartalopoulos, 1996]:
1, se a 0 f (a ) = . 0, se a < 0

(4.4.2)

A unidade de McCulloch-Pitts o mais popular modelo de neurnio artificial. Mas, assim como existem diversos tipos de neurnios biolgicos especializados, de acordo com o tipo de processamento a que se dedicam, tambm existem diferentes modelos de neurnios artificiais, cada um adequado a um tipo de problema especfico. Uma das modificaes mais comuns do neurnio artificial de McCulloch-Pitts o uso de outras funes de ativao. A funo de ativao define a sada de um neurnio, em termos do nvel de atividade da sua entrada. A Figura 4.3 mostra alguns exemplos de funes de ativao [Mendes Filho & Carvalho, 1997]. As funes do tipo rel so apropriadas para dados binrios, enquanto que as funes sigmoidais podem ser empregadas tanto para dados analgicos como binrios. Alm disso, as funes sigmoidais apresentam adicionalmente a vantagem de serem diferenciveis em todos os pontos [Kartalopoulos, 1996].

28

f (s)

f (s)

f (s)

1, se s k (a) f (s ) = s, se - k < s < k 0, se s k

1, se s 0 (b) f (s ) = 1, se s 0

(c) f (s ) =

1 1 + e s

Figura 4.3 Exemplos de funes de ativao: (a) Linear por partes; (b) Rel; (c) Sigmoidal. sendo: k = constante qualquer;
= inclinao da funo sigmoidal.

Definiu-se uma entidade de processamento relativamente simples que calcula uma funo de sada y, a partir de entradas xj e dos pesos wj, com uma funo de ativao predefinida. O potencial e flexibilidade do clculo, baseado em redes neurais, vm da criao de conjuntos de neurnios que esto interligados entre si. Esse paralelismo de elementos, com processamento local, cria a inteligncia global da rede. Um elemento da rede recebe um estmulo nas suas entradas, processa esse sinal e emite um novo sinal de sada que, por sua vez, recebido pelos outros elementos.

4.5 Caractersticas Gerais das Redes Neurais

Arquiteturas neurais so tipicamente organizadas em camadas, com unidades que podem estar conectadas s unidades da camada posterior. Usualmente as camadas so
29

classificadas em trs grupos: camada de entrada, onde os padres so apresentados rede; camadas intermedirias ou escondidas, onde feita a maior parte do processamento atravs das conexes ponderadas; e camada de sada, onde o resultado final concludo e apresentado [Haykin, 1994]. Uma rede neural especificada, principalmente, pela sua topologia, caractersticas dos ns e regras de treinamento. A seguir, ser analisada a classificao das redes neurais de acordo com sua estrutura e processos de treinamento.

4.5.1 Estrutura da Rede Neural

As redes neurais podem ser classificadas em dois tipos quanto a sua estrutura, que se refere ao mtodo de propagao da informao recebida [Simpson, 1989; Wasserman, 1989; Haykin, 1994; Kartalopoulos, 1996; Mendes Filho & Carvalho, 1997]:

Redes Neurais Recorrentes. Uma rede definida como recorrente se ela contm laos de realimentao, ou seja, contm conexes das sadas de uma determinada camada para a entrada da mesma ou de camadas anteriores.

Redes Neurais No-recorrentes. Esta rede se caracteriza estruturalmente por estar disposta em camadas. Nestas redes cada camada de neurnios recebe sinais somente das camadas anteriores, ou seja, elas no possuem laos de realimentao.

As redes que possuem uma estrutura recorrente desenvolvem uma memria nos neurnios internos. As redes no-recorrentes ou feedforward no possuem memria, sendo que, sua sada exclusivamente determinada em funo da entrada e dos valores dos pesos. A Figura 4.4 ilustra os dois tipos de redes descritos.

30

(a)

(b)

Figura 4.4 Principais topologias de redes neurais artificiais: (a) Rede neural no-recorrente; (b) Rede neural recorrente.

4.5.2 Treinamento da Rede Neural

Uma vez definida a rede neural, essa tem de ser treinada. A propriedade mais importante das redes neurais a habilidade de aprender e com isso melhorar seu desempenho. Isso feito atravs de um processo iterativo de ajustes aplicado a seus pesos que corresponde o treinamento. O aprendizado ocorre quando a rede neural atinge uma soluo generalizada para uma classe de problemas. A maioria dos modelos de redes neurais possui alguma regra de treinamento, em que os pesos de suas conexes so ajustados de acordo com os padres apresentados. Em outras palavras, elas aprendem atravs de exemplos. A rede neural passa por um processo de treinamento a partir de casos reais conhecidos, adquirindo a sistemtica necessria para executar adequadamente o processamento desejado dos dados fornecidos. Sendo assim, a rede neural capaz de extrair regras bsicas a partir de dados reais, diferindo da computao programada, em que necessrio um conjunto de regras pr-fixadas e algoritmos. O processo de treinamento da rede pode ser entendido como um problema de atualizao dos pesos de conexo tal que ela possa realizar eficientemente uma tarefa especfica. Existem muitos tipos de algoritmos de treinamento especficos para determinados
31

modelos de redes neurais. Estes algoritmos diferem entre si principalmente pelo modo como os pesos so modificados. Outro fator importante a maneira pela qual uma rede neural se relaciona com o ambiente. Nesse contexto existem, basicamente, os seguintes paradigmas de treinamento [Kung, 1993; Haykin, 1994]:

Treinamento Supervisionado. Consiste no ajuste de pesos de uma rede neural para fornecer sadas desejadas, considerando-se o conjunto de padres de entrada.

Treinamento No-supervisionado. Consiste no ajuste de pesos de uma rede neural levando-se em conta somente o conjunto de padres de entrada.

Treinamento Hbrido. Combina treinamento supervisionado e treinamento nosupervisionado. Parte dos pesos so ajustados atravs do treinamento supervisionado, enquanto outros so obtidos atravs de treinamento no-supervisionado.

No treinamento supervisionado, a rede neural treinada com o auxlio de um professor. Para tanto, a rede necessita de um vetor de entrada e vetor alvo representando a sada desejada. Juntos eles so chamados de par de treinamento. Toda vez que for apresentada rede uma entrada, deve-se verificar se a sada obtida (gerada a partir de clculos efetuados com os pesos que a rede possui) confere com a sada desejada para quela entrada. Sendo diferente, a rede dever ajustar os pesos de forma que armazene o conhecimento desejado. Essa iteratividade dever ser repetida com todo o conjunto de treinamento (entradas e sadas), at que a taxa de acerto esteja dentro de uma faixa considerada satisfatria. Um dos algoritmos mais difundidos para treinamento deste tipo de rede o algoritmo retropropagao (backpropagation no idioma ingls) [Werbos, 1974; Wasserman, 1989; Haykin, 1994; Jain et al., 1996]. Este algoritmo foi proposto por Werbos em 1974 [Werbos, 1974].

32

O treinamento no-supervisionado no necessita de um alvo para as sadas e, portanto, nenhuma comparao necessria para respostas predeterminadas. O conjunto de treinamento consiste exclusivamente de vetores de entrada. A rede processa essas entradas e se organiza de modo que acabe classificando-as usando, para isso, seus prprios critrios. Esse tipo de rede utiliza os neurnios como classificadores, e os dados de entrada, como elementos para classificao. O processo de classificao fica por conta da rede neural e o seu algoritmo de aprendizado. A auto-organizao demonstrada nas redes neurais nosupervisionadas, envolve o processo de competio e o processo de cooperao entre os neurnios da rede. A Figura 4.5 ilustra os dois paradigmas de treinamentos mencionados.

Estmulo

REDE NEURAL

Sada

Estmulo

REDE NEURAL

Sada

REGRA DE APRENDIZADO

REGRA DE APRENDIZADO

Sada desejada

(a)

(b)

Figura 4.5 Principais modos de treinamentos de uma rede neural: (a) Treinamento supervisionado; (b) Treinamento no-supervisionado.

4.6 Regras de Adaptao dos Pesos

Durante o processo de aprendizagem os pesos normalmente percorrem uma modificao iterativa. Na iterao l o peso entre o neurnio i e o neurnio j (vide Figura 4.6),
( wijl ) , influencia a funo calculada pela rede. O algoritmo de treinamento julga a qualidade do ( peso e eventualmente determina se o peso deve sofrer uma modificao wijl ) no seu valor na

33

prxima iterao l + 1. Assim, se define a regra bsica de adaptao dos pesos [Rauber, 2005]:
( ( ( wijl +1) = wijl ) + wijl ) .

(4.6.1)

Costuma-se iniciar os pesos aleatoriamente. O algoritmo de aprendizagem percorre um nmero fixo de iteraes e/ou at que uma condio de parada seja atingida.

w ji wii
Neurnio i

wij
Neurnio j

w jj

Figura 4.6 Pesos entre neurnios (caso geral com realimentao).

4.6.1 Aprendizagem pela Regra de Hebb

Um dos trabalhos pioneiros nos estudos de sistemas capazes de adquirir conhecimento foi desenvolvido por Hebb, em 1949. Ele criou uma hiptese de que o peso de ligao entre dois neurnios que esto ativos ao mesmo tempo deve ser reforado. Essa lei traduz-se para a regra de aprendizagem de Hebb [Rauber, 2005]:

wij = yi y j

(4.6.1.1)

em que a taxa de aprendizagem um fator de escala positivo que determina a velocidade da aprendizagem. A definio dessa regra baseia-se em estudos biolgicos do crebro, mas como j foi constatada, a correspondncia do modelo matemtico com a realidade biolgica somente uma idealizao aproximada. A regra de Hebb define um algoritmo de adaptao dos pesos, porm sem a definio de um objetivo a atingir, por exemplo, minimizar um erro entre um valor desejado e calculado.
34

4.6.2 Aprendizagem pela Regra de Delta

A regra de delta, ou regra de Widrow-Hoff, como tambm conhecida, uma regra de adaptao de pesos com um objetivo bem visvel [Widrow, 1990]. Um funo y 'j calculada na sada (neurnio j) da rede. O valor desejado y j que a rede deve calcular conhecido durante o treinamento supervisionado. Assim, pode-se calcular o erro e j = y j y 'j entre o valor calculado e o valor desejado. O peso entre o neurnio i e o neurnio j que responsvel por esse erro deve ser, ento, modificado proporcional ativao e ao erro, escalado por uma taxa de aprendizagem [Rauber, 2005]:
wij = e j y i = y j y 'j y i .

(4.6.2.1)

Para esta regra, o objetivo do algoritmo de treinamento minimizar o erro entre os valores calculados pela rede e desejados pelos exemplos fornecidos num problema de aprendizagem supervisionada.

4.6.3 Aprendizagem Competitiva

No treinamento competitivo, consideram-se as redes neurais em que um nico neurnio pode ser ativo ao mesmo tempo. Isso significa que somente o vencedor i* emite um sinal de ativao y i* = 1 , e todos os outros neurnios tm ativao igual a zero, yi = 0 para

i i*. um aprendizado no-supervisionado, e essa regra pode ser descrita pela seguinte equao, sendo a taxa de aprendizagem [Rauber, 2005]: wij = yi xi wij .

(4.6.3.1)

O efeito dessa regra que os pesos wi se deslocam em direo ao estmulo (entrada) da rede, x. Quando o aprendizado competitivo utilizado, os neurnios competem entre si pelo direito de atualizar seus pesos. Estes algoritmos de aprendizado tm sido mais
35

usados em problemas que abordam a classificao, a extrao de caractersticas, a compresso de dados e a formao de clusters (agrupamentos). Exemplos de redes neurais que utilizam aprendizagem competitiva para adaptar os pesos so o modelo auto-organizvel de Kohonen [Kohonen, 1987] e as redes da famlia ART [Carpenter & Grossberg, 1991c].

4.7 Concluso

Neste captulo, foram apresentados os principais conceitos, envolvendo redes neurais artificiais, a estrutura bsica de um neurnio biolgico, e as principais caractersticas associadas s diferentes estruturas de neurnio artificial. Foram apresentados os principais paradigmas de treinamento e regras de aprendizagem para a adaptao dos pesos da rede. No prximo captulo, ser dada ateno especial a uma classe de redes neurais, as redes baseadas na Teoria da Ressonncia Adaptativa [Carpenter & Grossberg, 1991c] que ser a essncia da pesquisa proposta.

36

Captulo 5

Teoria da Ressonncia Adaptativa

5.1 Introduo

Umas das mais importantes caractersticas das Redes Neurais Artificiais (RNA) refere-se a capacidade de generalizao, ou seja, produzir respostas para padres de entradas que so similares, mas no idnticos, aos padres apresentados rede durante o seu treinamento. Quando uma rede multicamadas treinada com o algoritmo retropropagao (backpropagation) [Werbos, 1974], e.g., espera-se que ela fornea como resposta a classificao correta correspondente ao padro de entrada, e que ela continue a responder satisfatoriamente a quaisquer padres de entrada, dentro do domnio, apresentados futuramente. Entretanto, o conhecimento a respeito de determinado domnio do mundo real pode se modificar ao longo do tempo. O mesmo acontece com os padres de entrada de uma RNA, que podem modificar com o tempo para acomodar as mudanas ocorridas. Assim, para um nmero de aplicaes, o desempenho da rede pode decair gradativamente medida que o tempo passa, uma vez que os pesos definidos na fase de treinamento no refletem as novas situaes. Para adaptar novos padres de entrada indefinidamente, um algoritmo de aprendizado de RNA deve ser plstico. Uma alternativa para solucionar este problema seria retreinar a rede com os novos padres de entrada. Entretanto, isto pode levar perda de informaes aprendidas anteriormente. Para preservar o conhecimento previamente aprendido, um algoritmo de treinamento de RNA no deve ser somente plstico, mas tambm estvel. Uma outra soluo seria retreinar a rede freqentemente com os novos e os antigos padres. Isto resolveria o problema, mas est longe de representar uma soluo vivel. Este conflito conhecido como dilema estabilidade-plasticidade [Carpenter & Grossberg, 1991c].
37

Sendo assim, necessrio, ento, um modelo de RNA incremental, que no precise recomear seu treinamento do ponto inicial a cada vez que aparecerem novos padres de entrada e que preserve o conhecimento adquirido anteriormente. Uma famlia de RNA denominada ART (Adaptive Resonance Theory) [Carpenter & Grossberg, 1991c] foi desenvolvida para solucionar este dilema. Neste trabalho, faz-se o uso de uma arquitetura neural da Teoria da Ressonncia Adaptativa, designada ARTMAP Euclidiana [Vuskovic & Du, 2002a], que uma generalizao da rede ART1 [Carpenter & Grossberg, 1987a]. Sendo assim, a seguir, apresentam-se os principais conceitos sobre redes neurais desta teoria, os quais so a essncia da pesquisa proposta.

5.2 Redes Baseadas na Teoria da Ressonncia Adaptativa

A origem da Teoria da Ressonncia Adaptativa (ART, de Adaptive Resonance Theory) pode ser dada a Von der Malsburg, em 1973, que foi um dos primeiros a apresentar uma rede neural artificial com caracterstica auto-organizvel para modelagem do crtex visual dos maiores vertebrados, e influenciou o trabalho de Teuvo Kohonen e Steven Grossberg [Anagnostopoulos, 2001]. Para emular a atividade neural organizada em sistemas biolgicos sem ter de implementar conexes de realimentao no-lineares, Kohonen desenvolveu o mapa de caractersticas auto-organizvel, designado rede SOFM (Self Organizing Feature Map), com treinamento no-supervisionado [Kohonen, 1982], e posteriormente desenvolveu a arquitetura de quantizao de vetores de aprendizagem, LVQ (Learning Vector Quantization), com treinamento supervisionado [Kohonen, 1987]. De outro lado, Grossberg levantou questes sobre o dilema estabilidadeplasticidade [Grossberg, 1976]: como pode um sistema treinado permanecer plstico (adaptativo) em resposta a uma nova informao, e ainda permanecer estvel em resposta a informaes irrelevantes? Como pode um sistema preservar seu conhecimento j adquirido e ao mesmo ser flexvel o suficiente para armazenar nova informao? Como pode um sistema decidir quando passar do estado estvel ao plstico e vice-versa? Grossberg respondeu a essas questes com a teoria da ressonncia adaptativa (ART). Em uma rede baseada na teoria da
38

ressonncia adaptativa, informaes so trocadas entre as camadas da rede. O treinamento possvel na rede quando ocorre ressonncia da atividade neural, ou seja, quando um padro j treinado apresentado e a rede o reconhece; e quando um novo padro de entrada apresentado e a rede percebe que o padro constitui uma nova informao e, ento, entra em estado ressonante para memoriz-lo. Assim, a primeira arquitetura baseada na teoria da ressonncia adaptativa a rede Grossberg, denominada GN (Grossberg Network) [Grossberg, 1976]. A rede GN apresenta duas camadas, sendo que a primeira realiza a normalizao dos dados de entrada enquanto a segunda, que uma camada competitiva com conectividade de realimentao no-linear, realiza a seleo dos padres de sada e os armazena na memria de curto prazo. Adicionalmente, os pesos adaptativos representam a memria de longo prazo do modelo. O comportamento do modelo descrito por um conjunto de equaes diferenciais no-lineares. Baseado no modelo de Grossberg, GN, a arquitetura ART1 foi desenvolvida para realizar agrupamentos de padres binrios, por Carpenter e Grossberg em 1987, realizando o treinamento no-supervisionado [Carpenter & Grossberg, 1987a]. A partir de ento, a arquitetura ART1 tornou-se o mais famoso modelo da famlia ART, em termos de pesquisa relacionada e aplicaes. No mesmo ano, 1987, ART1 foi estendida para manipular padres com valores reais e a arquitetura foi designada ART2 [Carpenter & Grossberg, 1987b]. A rede ARTMAP, composta por dois mdulos ART1, foi a primeira arquitetura baseada na teoria da ressonncia adaptativa apropriada para a tarefa de classificao, apresentando treinamento supervisionado [Carpenter et al., 1991a]. Numa concepo diferenciada de ART2, a rede ART Nebulosa foi tambm designada para agrupamentos de padres com valores reais [Carpenter et al., 1991b]. Em 1992, a arquitetura ARTMAP foi estendida para ARTMAP Nebulosa para a classificao de padres com valores reais, usando o treinamento supervisionado [Carpenter et al., 1992]. Diversas variaes da arquitetura ART tm sido desenvolvidas desde ento. Pesquisas em todo o mundo foram e esto sendo realizadas no sentido de melhorar as propriedades de generalizao destas arquiteturas, tornando-as mais eficientes tanto no sentido de rapidez no processamento da rede quanto de preciso de resultados, cada qual visando adaptar-se aos problemas que pretendem resolver e maximizar o seu desempenho. Dentre as diversas variaes pode-se citar: PROBART [Marriott, 1995], ART-EMAP [Carpenter & Ross, 1995], ARTMAP GAUSSIANA [Williamson, 1996], ARTMAP-FD

39

[Carpenter et al., 1997], ARTMAP Boosted [Verzi et al., 1998], ARTMAP [Goms-Snches et al., 2002], etc.

5.3 Caractersticas Bsicas dos Sistemas ART

A teoria da ressonncia adaptativa apropriada para aplicaes de reconhecimento de padres, e indicada para classificao de padres. ART um sistema que auto-organiza padres de entrada em categorias de reconhecimento, mantendo um equilbrio entre as propriedades de plasticidade e de estabilidade. A propriedade de plasticidade define a habilidade da rede em criar novas categorias de reconhecimento, quando padres estranhos estimulam a rede ART. A propriedade de estabilidade responsvel pela habilidade em agrupar padres similares na mesma categoria de reconhecimento. Uma regra de similaridade, que define onde agrupar um padro, determinada por um grau de semelhana entre um padro previamente armazenado. A rede ART um modelo de treinamento competitivo no-supervisionado. destinada para treinar, rpida e estavelmente, categorias de reconhecimento em resposta a uma seqncia arbitrria de padres de entradas. ART formada por dois principais subsistemas [Carpenter & Grossberg, 1991c]: o subsistema de ateno e o subsistema de orientao (vide Figura 5.1). O subsistema de ateno consiste de dois campos de neurnios: F1, que processa os dados de entrada; e F2, que agrupa os padres de treinamento em categorias de reconhecimento, em que cada campo pode consistir de vrias camadas de neurnios. Estes campos so conectados com pesos de conexo, que so responsveis pelo armazenamento das informaes atravs de um processo que envolve a escolha da categoria, critrio de equalizao e treinamento. O subsistema de orientao controlado por um parmetro de vigilncia (), que determina se um padro de entrada pode ser includo em uma das categorias existentes. Os neurnios da camada F2, camada que representa as categorias de reconhecimento, so de dois tipos: comprometidos e descomprometidos (ou livres) [Carpenter & Grossberg, 1991c]. Os ns comprometidos so aqueles que armazenam as informaes dos padres j apresentados rede, representando categorias reais, e os ns descomprometidos so ns vazios, que representam a memria em branco da rede.
40

Subsistema de ateno

SADA

Subsistema de orientao

F2

...

...

reajuste

F1

...

ENTRADA

Figura 5.1 Arquitetura bsica da rede ART.

A formao dos pesos de conexo alocados entre as camadas F1 e F2 detalhada na Figura 5.2. Trata-se de uma conexo entre N componentes de atividade correspondentes aos componentes do vetor de entrada a (em F1) e M neurnios na atividade F2. A escolha do nmero M arbitrria, porm, deve ser suficiente para abrigar todas as categorias formadas em F2. Assim sendo, costuma-se adotar o nmero M igual ao nmero de vetores padres a serem armazenados, ou seja, ter-se-iam, no mximo, M categorias formadas (uma para cada padro). Essa situao pouco plausvel do ponto de vista prtico, considerando que algumas categorias podem ficar vazias, ou seja, no armazenam nenhuma informao, mas ocupam memria no sistema. Outra alternativa que pode ser adotada a criao contnua de novos neurnios medida que novas categorias so formadas, sendo esta mais interessante se comparada anterior, visto que trabalha com um nmero reduzido de neurnios, sendo, portanto, mais rpida. Estas duas alternativas podem ser facilmente implementadas nas redes neurais ART.

41

Neurnio vencedor

F2

...

j+1

...

...

T j (funo escolha)

w j1 w j 2 w j 3

w jN ...
N-1

w j = [ w j1

w j 2 K w jN ]

F1

a (vetor de entrada)

Figura 5.2 Formao do vetor de peso que conecta as camadas F1 e F2 da rede ART.

O processo de classificao de rede ART consiste de quatro fases principais: reconhecimento, comparao, busca e treinamento [Carpenter & Grossberg, 1991c].

1) Reconhecimento

Cada neurnio do campo F1 (camada de entrada) recebe sinais de baixo para cima do vetor de entrada e de cima para baixo do campo F2 (camada de sada, que representa a categoria ativa). A atividade calculada e o vetor resultante comparado com todos os vetores de pesos j armazenados na rede (memria) para encontrar o que mais se assemelha ao padro de entrada atual. O neurnio do campo F2, com maior valor de ativao, selecionado como provvel categoria para armazenar o novo padro. O neurnio selecionado envia ao campo F1 seu prottipo.

2) Comparao Nesta fase acontece um mecanismo de reajuste, que responsvel por testar a similaridade entre o vetor de entrada e o vetor de comparao, z, que o vetor resultante da
42

atividade calculada no campo F1 mediante o vetor prottipo dado pelo campo F2 aps a fase de reconhecimento. A maneira pela qual se define como de que modo a comparao ir ocorrer definida por um parmetro chamado vigilncia (), que determina se um padro de entrada pode ser includo em uma das categorias existentes. Se o valor da comparao for maior do que , ento o padro de entrada includo na categoria ativa, caso contrrio, a rede entre em fase de busca.

3) Busca Durante esta fase, a rede procura um novo neurnio do campo F2 para representar o vetor de entrada atual. O neurnio da camada de sada rejeitado na fase de comparao anterior desabilitado nesta seleo. O vetor de entrada reapresentado, e a rede entra novamente na fase de comparao, que termina com o teste no mecanismo de reajuste para determinar a similaridade entre o novo prottipo escolhido e o vetor de entrada atual. Este processo repetido, desabilitando neurnios da camada de sada, at encontrar um neurnio de sada que melhor se assemelhe ao vetor de entrada corrente, dentro dos limites do parmetro de vigilncia . Se nenhum neurnio de sada for encontrado, o vetor de entrada ento considerado de uma classe desconhecida, sendo alocado um neurnio de sada que no esteja associado ainda a nenhuma categoria para represent-lo.

4) Treinamento O algoritmo de aprendizado da rede ART no-supervisionado e pode ser ativado a qualquer momento, permitindo que a rede aprenda novos padres continuamente. H dois tipos de treinamento para a rede ART: aprendizado rpido e aprendizado lento [Carpenter & Grossberg, 1991c]. No aprendizado rpido, os pesos de conexo so ajustados para seus valores timos em poucos ciclos, geralmente em apenas um ciclo de treinamento. No aprendizado lento, os pesos so ajustados lentamente em vrios ciclos de treinamento, possibilitando um ajuste melhor dos pesos da rede aos padres de treinamento.

43

As redes ARTs so muito sensveis a variaes em seus parmetros durante o treinamento. O parmetro mais crtico o parmetro de vigilncia () que controla a resoluo do processo de classificao. Se assume um valor baixo, e.g., a rede permite que padres no muitos semelhantes sejam agrupados na mesma categoria de reconhecimento, criando poucas classes. Se a for atribudo um valor alto (prximo a 1), pequenas variaes nos padres de entrada levaro criao de novas classes. A seguir, apresenta-se o algoritmo da arquitetura ART nebulosa, que uma generalizao da rede ART1.

5.4 Algoritmo ART Nebuloso

ART nebulosa uma generalizao da rede ART1. A generalizao alcanada usando as operaes da teoria de conjuntos nebulosos [McNEIL & Thro, 1994; Terano et al., 1987] ao invs das operaes da teoria de conjuntos binrios. A estrutura geral da rede ART Nebulosa essencialmente a mesma de ART1. A arquitetura consiste de um campo de prprocessamento de neurnios, F0, que modifica o vetor de entrada atual a, e um campo F1 que recebe ambas entradas de F0 e entradas de F2. A camada F1 possui 2N ns (neurnios), enquanto a camada F2 possui um nmero suficiente de ns para acomodar os padres de entrada em categorias de reconhecimento e realizar o treinamento. O algoritmo resumido da rede neural ART nebulosa consiste, basicamente, nos seguintes passos [Carpenter et al., 1991b; Carpenter & Grossberg, 1991c; Carpenter et al. 1992]:

Passo 1. Inicializao de pesos e parmetros da rede Inicialmente, todos os pesos dos neurnios so fixados iguais a 1, wij = 1 , o

parmetro de vigilncia escolhido entre 0 e 1, [0, 1], o parmetro de escolha escolhido maior do que 0, > 0, e o parmetro da taxa de treinamento escolhido entre 0 e 1, [0, 1].
44

Passo 2. Codificao do vetor de entrada

Um novo padro de entrada a = [a1 a2 ... aN] de N elementos (em que cada elemento ai um nmero real no intervalo [0,1]) sofre uma codificao complementar preliminar. Isto produz um vetor de entrada I de 2N elementos, tal que:

I a a c = a1

] [

a2 K a N

a1c

c a2

c K aN .

(5.4.1)

Sendo: a ic = 1 ai. Esta codificao complementar uma regra de normalizao que preserva a informao de amplitude. Note que:
I = a ac =

i =1

ai + N

i =1

ai

(5.4.2)

= N.

Passo 3. Escolha da categoria

A ativao Tj calculada para cada neurnio j de F2, usando a funo escolha:

I wj

Tj =

+ wj

(5.4.3)

em que o operador o operador nebuloso AND, definido por [McNEIL & Thru, 1994; Terano et al., 1987]:

( p q )i min( pi , qi )
45

(5.4.4)

e a norma |.| definida por:

p pi .
i =1 2N

(5.4.5)

O sistema dito fazer a escolha da categoria quando no mximo um neurnio torna-se ativo. A categoria escolhida indexada por J, em que: TJ = max {Tj : j = 1, ..., M}. (5.4.6)

Passo 4. Teste de vigilncia

A ressonncia ocorre se a funo match, I w J satisfaz o critrio de vigilncia:

I wJ I .

da categoria escolhida

(5.4.7)

O treinamento, ento, resulta como definido no Passo 5. Do contrrio, se o critrio de vigilncia falhar para a categoria escolhida, o valor da funo escolha TJ fixado em 0 at que o critrio seja satisfeito para aquela entrada. Um novo ndice J , ento, escolhido pela equao (5.4.6). O processo de busca continua at que o ndice J escolhido satisfaa a equao (5.4.7).

Passo 5. Atualizao do vetor prottipo

Encerrada a busca, o vetor peso wJ atualizado de acordo com a seguinte equao [Carpenter & Grossberg, 1991c]:
( ( ( w Jnovo ) = I w Jvelho ) + (1 ) w Jvelho ) .

(5.4.8)

O treinamento rpido corresponde a fixar = 1.

46

A substituio do operador de interseo crisp (no-nebuloso) () , que descreve a dinmica da rede ART1, pelo operador nebuloso AND ( ) da teoria de conjuntos nebulosos [McNEIL & Thru, 1994; Terano et al., 1987] na escolha, busca e leis de treinamento de ART1 (Tabela 5.1), leva a uma verso mais poderosa da rede ART1. Esta generalizao no sentido de melhorar o desempenho da rede no que se refere, principalmente, ao tempo de execuo do treinamento e, tambm, no processamento de dados analgicos.

Tabela 5.1 Comparao de ART1 e ART nebulosa. Mdulo Escolha da categoria Critrio Match Treinamento ART1 (binrio) Tj = I wj ART nebulosa (analgico) Tj = I wj

+ wj

+ wj

I wj I
( ( ( w Jnovo ) = I w Jvelho ) + (1 )w Jvelho )

I wj I
( ( ( w Jnovo ) = I w Jvelho ) + (1 )w Jvelho )

5.5 Representao Geomtrica do Algoritmo ART Nebuloso

A rede ART Nebulosa usa hiper-retngulos para representar suas categorias de reconhecimento [Carpenter et al., 1992]. Por simplicidade, considera-se o vetor de entrada bidimensional. Aps a codificao complementar o padro a = [ a1 a2] torna-se (considerandose a [0, 1]):
I = a a c = [a1

a 2 1 a1 1 a 2 ] .

(5.5.1)

Do mesmo modo, o vetor peso w codificado como:

47

wj = uj v j
sendo:
v j = u cj .

(5.5.2)

A interpretao geomtrica de cada categoria j pode ser entendida como um retngulo R j , em que os vetores u j e v j esto situados em vrtices opostos de R j , sendo u j e v j vetores bi-dimensionais. O tamanho deste retngulo definido como a soma de sua base por sua altura, ou seja [Carpenter et al., 1992]:
Rj = = v j uj

(5.5.3)

(v (v

1j

u1 j )(v 2 j u 2 j ) u1 j ) + (v 2 j u 2 j )

1j

sendo:

v j = v1 j

v2 j ;

uj =

[u1 j

u2 j .

Considerando que a rede ART realiza o treinamento rpido, com = 1 , quando

um neurnio descomprometido J da camada F2 selecionado para armazenar um prottipo ai, o vetor peso correspondente w J = ai ponto a (Figura 5.3 (a)). Quando a categoria J escolhida novamente pelo padro ak , o vetor peso agora atualizado por:

aic , sendo sua representao geomtrica dada pelo

48

w J = (a k ai ) = (a k ai ) = uJ

vJ

(a k ai )c ]

(a

c k

aic

)]

(5.5.4)

sendo o operador nebuloso AND, , definido pela equao (5.4.4); e o operador nebuloso OR,

, definido por [McNEIL & Thru, 1994; Terano et al., 1987]:

( p q )i max( pi , qi ) .

(5.5.5)

ai RJ = ai ai = 0

ai RJ

(a k ai )c
ak
1

(ak ai )
0 1 0

(a)

(b)

(a v J )
RJ RJ a

(a u J )
0

a
1

(c) Figura 5.3 Representao geomtrica dos pesos da rede neural ART. (a) Categoria composta por um padro. (b) Categoria composta por dois padres. (c) Expanso da categoria J durante o treinamento rpido para RJ a.
49

Assim, a categoria J expandida e representada por um retngulo, como mostra a Figura 5.3 (b). O treinamento aumenta o tamanho de Rj enquanto o tamanho de wj diminui. Durante o processo de treinamento rpido RJ expandido para RJ a, representando o menor retngulo contendo RJ e a (Figura 5.3 (c)). Os vrtices de RJ a so dados por (a u J ) e

(a v J ) . O tamanho de RJ a , ento, definido por [Carpenter et al., 1992]:

R J a (a v J ) (a u J ) .

(5.5.6)

Cada categoria j representada pelo menor retngulo que contm todos os padres escolhidos/armazenados durante o treinamento para aquela categoria. Esta propriedade demonstra que a arquitetura ART inerentemente estvel, ou seja, o conhecimento j adquirido pela rede sempre preservado. O tamanho mximo de Rj condicionado ao parmetro de vigilncia , com a condio de que:
R J a 2 (1 ) .

(5.5.7)

Em geral, se a tem dimenso M, o hiper-retngulo Rj inclui os dois vrtices j a e j a , em que o i-simo componente de cada vetor definido por [Carpenter et al., 1992]:

( a )
j

= min{a i : a codificado pela categoria j} = max{ai : a codificado pela categoria j} .

(5.5.8) (5.5.9)

( a )
j

Do mesmo modo que as equaes (5.5.2) e (5.5.3), o tamanho de Rj dado por:

Rj = j a j a
e o vetor peso wj dado por:

(5.5.10)

wj = j a

( a ) ] .
c j

(5.5.11)

50

Assim:
w j = ( j a )i + [1 ( a )i ] = M j a j a
i i

(5.5.12)

e o tamanho do hiper-retngulo Rj conseqentemente, Rj = M w j . A partir das equaes (5.4.2), (5.4.7) e (5.4.8), conclui-se que: wj M ; e das equaes (5.5.13) e (5.5.14), tm-se: R j (1 )M . (5.5.14) (5.5.13)

(5.5.15)

Assim, alto valor para o parmetro de vigilncia ( 1) leva a Rj de baixa dimenso enquanto um valor baixo para o parmetro de vigilncia ( 0) gera Rj de alta dimenso.

5.6 Algoritmo ARTMAP Nebuloso

A arquitetura ARTMAP, introduzida recentemente [Carpenter et al., 1991a], uma rede mais sofisticada. designada para treinar e realizar o mapeamento entre dois espaos de vetores, usando ambas leis de treinamento supervisionado e no-supervisionado. Este modelo composto por duas sub-redes ART1: ARTa e ARTb. A primeira rede ARTMAP foi utilizada para classificar vetores de entradas binrios, cada elemento do vetor indicando a presena ou ausncia de uma dada caracterstica. Uma rede ARTMAP mais geral foi proposta para classificar vetores de entrada cujos elementos assumem valores nebulosos, entre 0 e 1, indicando o nvel de presena de cada caracterstica. Esta generalizao
51

alcanada substituindo os mdulos ART1 de ARTMAP por mdulos ART nebuloso. A nova rede conhecida como rede ARTMAP nebulosa [Carpenter et al., 1992]. O sistema ARTMAP nebuloso na sua forma geral, inclui dois mdulos ART nebuloso (ARTa e ARTb) cujas camadas so ligadas por um mdulo inter-ART que inclui um campo de mapeamento controlando o treinamento de um mapa associativo de categorias de reconhecimento de ARTa para categorias de reconhecimento de ARTb [Carpenter & Grossberg, 1991c; Carpenter et al., 1992]. O campo de mapeamento tambm controla a regra
matching tracking, que aumenta o parmetro de vigilncia da rede ARTa por uma quantia

mnima necessria para corrigir um erro preditivo [Carpenter et al., 1992]. As redes ARTa e ARTb so de estruturas iguais como a rede ART nebulosa descrita na seo anterior, exceto que em ARTa h uma vigilncia bsica usada para controlar o sistema. A arquitetura ARTMAP nebulosa mostrada na Figura 5.4. Durante o treinamento supervisionado ARTa recebe uma corrente de padres de entrada {a } e ARTb recebe uma corrente de padres {bM}, em que bM a predio correta dada aM. Quando uma predio em ARTa no confirmada por ARTb, a inibio da memria associativa inter-ART ativa o processo match tracking. Este processo aumenta a vigilncia em ARTa por uma quantia mnima necessria para o sistema ativar uma outra categoria em ARTa que iguala a categoria em ARTb, ou para treinar uma nova categoria em ARTa. Os mecanismos de controle interno das ARTMAPs criam categorias de reconhecimento estveis, de forma tima, via maximizao da generalizao preditiva em operaes em tempo real [Carpenter & Grossberg, 1991c; Carpenter et al., 1992]. A rede neural ARTMAP nebulosa realiza treinamento supervisionado como o backpropagation [Werbos, 1974]. Mas diferente do algoritmo backpropagation, a rede ARTMAP nebulosa auto-organizvel, autoestabilizvel e apropriada para treinamento em tempo-real. Baseada na observao que o treinamento da rede ARTMAP leva a diferentes pesos adaptativos e diferentes categorias de reconhecimento para diferentes ordenaes de um dado conjunto de treinamento, introduz-se uma estratgia de votao [Carpenter et al., 1992]. A estrtegia de votao usa um sistema ARTMAP que treinado diversas vezes com diferentes ordenaes para o mesmo conjunto de treinamento. A predio final dada pelas solues geradas com maior freqncia. Como o conjunto de elementos que fazem predies
M

52

errneas varia de uma simulao para a prxima, esta estratgia cancela muitos erros que ocorrem na fase de anlise (diagnstico).

b (Treinamento) ARTb

a
Match Tracking

Mapeamento

ARTa a

Figura 5.4 Arquitetura ARTMAP nebulosa.

5.7 Concluso

Foram apresentados, neste captulo, os principais conceitos sobre as redes da Teoria da Ressonncia Adaptativa, redes ART, em particular as redes ART1, ART nebulosa e ARTMAP nebulosa. Este captulo introduz os conceitos necessrios para a apresentao da rede ARTMAP Euclidiana, que ser tratada no prximo captulo e a arquitetura usada neste trabalho para o diagnstico da estabilidade transitria de sistemas de energia eltrica multimquinas.

53

Captulo 6

Rede Neural ARTMAP Baseada na Distncia Euclidiana

6.1 Introduo

A rede neural ARTMAP adequada para a resoluo de uma srie de problemas complexos. Por exemplo, em sistemas eltricos de potncia: anlise de segurana, anlise de estabilidade transitria, previso de carga, etc. A importncia do emprego deste sistema refere-se s caractersticas de estabilidade e plasticidade, as quais oferecem rede neural uma aprendizagem estvel, mltipla generalizao e convergncia rpida. Porm, as redes neurais da famlia ART apresentam algumas dificuldades operacionais: razovel sensibilidade aos parmetros da rede (parmetro de vigilncia, etc.) e a preciso das anlises. Os efeitos da sensibilidade paramtrica tm sido resolvidos, ou atenuados, atravs do emprego de novas concepes de treinamento e de arquitetura das redes neurais ART [Williamson, 1996]. Igualmente, vrias propostas tm sido apresentadas na literatura especializada visando sanar o problema da impreciso. Grande parte da impreciso decorre em conseqncia, principalmente, do mecanismo de escolha de categorias e do teste de vigilncia que necessita de aperfeioamento. Neste contexto, apresenta-se, neste captulo, a arquitetura neural ARTMAP Euclidiana, que ser o modelo utilizado nesta pesquisa para a soluo do problema da anlise da estabilidade transitria. Trata-se de uma concepo que visa melhorar a qualidade das solues (maior preciso sem afetar o tempo de clculo necessrio realizao do treinamento e demais rotinas), se comparada formulao da rede neural ARTMAP convencional.

54

6.2 ARTMAP Euclidiana

A rede neural ARTMAP Nebulosa utiliza hiper-retngulos para representar geometricamente suas categorias, que so responsveis por resumir os padres de entrada [Carpenter et al., 1992]. O uso de hiper-retngulo para representar as categorias induz ao uso da norma-L1, a qual usada no clculo da funo de ativao e, tambm, da funo match na rede ARTMAP Nebulosa. No entanto, em muitos casos, hiper-retngulos podem no ser, necessariamente, a melhor forma para agrupar os dados de entrada, nem a geometria baseada na norma-L1 leva necessariamente a resultados de classificao timos em comparao com outras geometrias. Considere, por exemplo, um esquema de dados bi-dimensional que implica uma representao de categoria elipsoidal, como mostra a Figura 6.1. Neste caso, o uso de retngulos seria um caminho ineficiente para descrever os padres, observando que os cantos do retngulo assumem a presena de padres adicionais [Anagnostopoulos, 2001].

Padres Adicionais

Figura 6.1 Representao de categoria elipsoidal versus representao retangular.

Considerando os fatos mencionados anteriormente, de grande interesse encontrar diferentes tipos de geometrias para representar mais eficientemente as categorias das redes neurais ART descendentes. A primeira investigao sobre essa concepo foi com a rede neural ARTMAP Gaussiana, desenvolvida por Williamson em 1996 [Williamson, 1996], em que a norma-L2 foi adotada e as distncias foram definidas em termos da distncia de Mahalanobis.
55

Deve-se ressaltar que as redes neurais ART descendentes, baseadas na distncia Euclidiana, constitui-se num caso particular de redes ART de Mahalanobis. Contudo, a opo, nesta pesquisa, pela distncia Euclidiana, decorre do fato de que a concepo Mahalanobiana no preserva a caracterstica de plasticidade. A rede ARTMAP Nebulosa tradicional requer a normalizao e codificao complementar dos padres de entrada, que duplica a dimenso da rede e introduz um considervel custo computacional. Neste sentido, as redes neurais ART e ARTMAP baseadas na distncia Euclidiana [Vuskovic & Du, 2002a] e distncia de Mahalanobis [Vuskovic & Du, 2002b], foram desenvolvidas, em que a normalizao e a codificao complementar do vetor de entrada no so necessrias. Neste caso, a dimenso do vetor de entrada a metade, se comparada dimenso para o caso do algoritmo ARTMAP nebuloso convencional.

Definio 3.

A distncia

Euclidiana

entre dois

pontos x = [x1 x2 . . . xp] e

y = [y1 y2 ... yp] em um espao p-dimensional, definida como [URL, 2005]:

d E (x, y) =

(x1 y1 )2 + ... + (x p y p )2
2 2 = x1 + K + x 2 = p

( x y )( x y )T

(6.2.1)

e d E ( x ,0 ) = x

x x T a norma Euclidiana de x.

Definio 4.

A distncia de Mahalanobis entre dois pontos x = [x1 x2 . . . xp] e y = [y1 y2 ... yp] em um espao p-dimensional, definida como [URL, 2005]: d S (x, y) = e d s (x , 0) = x
=

(x y)

S 1 ( x y )T

(6.2.2)

x S 1 x T a norma de x. S a matriz de covarincia.

56

Na arquitetura neural ARTMAP baseada na distncia Euclidiana, a distncia Euclidiana usada nas funes de ativao e funo match da rede neural ART e ARTMAP [Vuskovic & Du, 2002a]: T j = ( a w j )( a w j ) FM J = TJ
T

(6.2.3)

max a a T , w J w T J

(6.2.4)

Diferente de ART e ARTMAP a escolha da categoria candidata aquela que tem ativao mnima e a ressonncia ocorre se a funo match da categoria escolhida encontra o critrio de vigilncia. Assim: TJ = min {Tj : j = 1, ..., M} FM J < (6.2.5) (6.2.6)

Baixa vigilncia, agora, resulta em rigorosa condio de ressonncia e um maior nmero de ns de sada. A funo de adaptao (vetor de pesos) permanece a mesma da arquitetura ARTMAP tradicional:
( ( w Jk +1) = (a ) + (1 ) w Jk )

(6.2.7)

O algoritmo de treinamento da rede essencialmente o mesmo como em ARTMAP clssico. Uma diferena est no parmetro de vigilncia, que reduzido ao valor mnimo da funo de ativao menos um valor positivo pequeno, caso o critrio de vigilncia falhe [Vuskovic & Du, 2002a]. A classificao decidida pela distncia Euclidiana, ou seja, o padro cuja distncia Euclidiana com o modelo seja mnima, a predio correta. As representaes geomtricas dos modelos, que so representados pela mdia dos exemplos, da arquitetura neural ARTMAP baseada na distncia Euclidiana, so crculos centrados na mdia dos exemplos com raio (parmetro de vigilncia). A Figura 6.2 apresenta um fluxograma do algoritmo da rede neural ARTMAP Euclidiana.
57

Como inovao, acrescido, na fase de predio, um mecanismo de atualizao das categorias de reconhecimento. O critrio consiste em estabelecer um nmero mnimo de membros, exigido para cada categoria gerada na fase de treinamento (NCmin). Durante a apresentao de um padro de entrada na fase de predio, a classe predita avaliada e, se ela possuir um nmero inferior ao preestabelecido, ento, o padro em questo adicionado a essa classe, por meio da atualizao dos vetores de peso, aumentando em um o nmero de vetores pertencentes quela categoria, e assim sucessivamente, para todos os padres que forem apresentados rede. Esse mecanismo permite que as categorias sejam constantemente atualizadas, melhorando sua regio de definio e, conseqentemente, a preciso dos resultados. Durante a apresentao dos vetores de entrada, na fase de treinamento e predio, incorporado rede um neurnio vazio, representando uma categoria de reconhecimento sem a presena de nenhum padro de entrada, com um nvel de ativao (valor da funo de ativao) T0. Essa idia foi originalmente proposta na referncia Vakil-Baghmished e Pavesic (2003) para a rede neural ARTMAP Nebulosa, diminuindo grande parte do tempo gasto na fase do treinamento, pois ao estabelecer um valor mnimo que a funo de ativao pode assumir (0 T0 1), diminui o nmero de candidatos a vencedor, e, conseqentemente, diminui o nmero de neurnios na competio.

58

Iniciao de pesos e parmetros

Leitura dos vetores padres: entrada / sada desejada aeb

Fim

Nova entrada S Inicie a

ARTa T ja = a w a a w a j j

ARTb

)(

T jb = b w b b w b j j

)(

Winner-take-all a y J = 1, se TJa = min T ja y a = 0, se j J j

{ }

Winner-take-all y b = 1, se TJb = min T jb J y b = 0, se j J j

{ }

a a max a a T ,w J w J

TJa

(T )

< a

TJa = 0

< max (b b ,w w )
T b J b (T ) J

TJa = 0 TJb

N
b

TJb = 0

Atualizar os pesos:
* a

= MJ

ab yb w J

< ab

a ( k +1) wJ b ( k +1) wJ ab ( k +1) wJ

a = (a ) + (1 )w J b = (b ) + (1 )w J

(k ) (k ) (k )

ab = (a ) + (1 )w J

Figura 6.2 Fluxograma do algoritmo da rede neural ARTMAP Euclidiana.

Nesta pesquisa, a idia estabelecer uma distncia mxima que um vetor pode ter com uma determinada categoria de reconhecimento, uma vez que a rede neural ARTMAP baseada na distncia Euclidiana sugere a escolha de uma categoria candidata com ativao
59

mnima. Com isso, o nmero de neurnios candidatos a vencedor (Tj), para representar o vetor de entrada (categoria de reconhecimento), reduzido, e o tempo para terminar a busca por esse neurnio torna-se menor. Esse valor mximo, T0, determinado, a princpio, experimentalmente. Se durante o treinamento o neurnio T0 selecionado para representar o vetor de entrada atual, ento uma nova categoria criada. Na fase de predio T0 mantido, e se ele escolhido como categoria vencedora, ento se diz que para aquela entrada no houve predio. Sugere-se fazer uma anlise mais detalhada desse vetor para verificar a possibilidade de inseri-lo na rede como nova informao (treinamento continuado).

6.3 Concluso

Neste captulo foi apresentada a rede neural ARTMAP baseada na distncia Euclidiana, designada ARTMAP Euclidiana, que ser a arquitetura neural usada no diagnstico da estabilidade transitria de sistema de energia eltrica. A principal vantagem do uso desta arquitetura neural refere-se preciso e uma reduo do volume computacional em comparao rede neural ARTMAP nebulosa tradicional. O menor volume de clculo observado, tendo em vista que a dimenso do vetor de entrada na rede ARTMAP Euclidiana consideravelmente menor, ou seja, a metade da dimenso do vetor padro de entrada da rede ARTMAP nebulosa.

60

Captulo 7

Anlise de Estabilidade Transitria: Soluo Proposta via Rede Neural ARTMAP Euclidiana

7.1 Introduo

Neste captulo ser apresentado um esquema de anlise de estabilidade transitria baseado na rede neural ARTMAP Euclidiana. Este esquema proposto contempla as fases de treinamento, treinamento continuado e anlise. Trata-se de um mecanismo em que realizado o treinamento usando dados e resultados gerados por simulao e, permanentemente, realizado o treinamento continuado, medida que as anlises forem efetivadas. Para tanto, sero estabelecidas as entradas e sadas da rede neural. Estas informaes so fornecidas por um programa computacional de anlise de estabilidade transitria que, a partir dos dados da rede eltrica, considerando-se uma lista de contingncias (curto-circuito trifsico com sada de linha de transmisso) e diferentes topologias, provem os valores das margens de segurana associadas. Na seqncia, procedem-se a escolha e o pr-processamento das informaes que sero usadas no treinamento da rede neural, compondo os estmulos de entrada/sada. A entrada constituda por dados analgicos (potncias ativa e reativa nodais) e binrios (associados s contingncias: barra de defeito e ns terminais do circuito que sai de operao). A sada essencialmente representada por cdigo binrio. Deve-se ressaltar que a considerao de vrias topologias da rede eltrica, para fins de anlise, constitui-se num fator diferencial em relao s demais propostas na literatura. Trata-se de um dispositivo que busca realizar, de forma mais realista, o que efetivamente ocorre na operao dos sistemas eltricos de potncia, ou seja, trabalham-se com topologias diversificadas e no uma topologia fixa.

61

7.2 Estmulos de Entrada

A estrutura neural proposta visa a anlise da estabilidade transitria de sistemas de energia eltrica que corresponde determinao da margem de segurana, considerando-se defeitos de curto-circuito trifsico com sada de linha de transmisso. Os estmulos de entrada (X) e de sada (Y), para a fase de treinamento, so definidos usando um programa computacional hbrido [Fonseca & Decker, 1985], que emprega o conceito de simulao e o Mtodo Direto de Lyapunov (mtodo da energia). Assim, os vetores padres de entrada da rede neural (entrada do mdulo ARTa) so definidos como [Minussi et al., 2001]: X r [ P Q r ] sendo: P Q Pi Qi = [ P1 P2 . . . Pns ]; = [ Q1 Q2 . . . Qns ]; = potncia eltrica ativa da i-sima barra do sistema; = potncia eltrica reativa da i-sima barra do sistema; = vetor que contm os ndices das contingncias e informao sobre a topologia do sistema, representado em cdigo binrio [0,+1]. O padro X um vetor n-dimensional: n = 2ns + nc em que: ns nc = nmero de barras do sistema; = nmero de bits correspondente ao nmero (ndice) da contingncia e configurao do sistema; (7.2.2) (7.2.1)

62

Neste caso, levando-se em conta o modelo clssico [Anderson & Fouad, 1977; Pai, 1981; Ribbens-Pavella & Evans, 1985; Fouad & Vittal, 1992], razovel utilizar somente as potncias ativa e reativa para a avaliao da estabilidade transitria, que corresponde anlise usando-se o critrio da margem de segurana. Isto porque a topologia da rede e demais parmetros (constante de inrcia, reatncia transitria, etc.) so considerados constantes. A idia utilizar somente as variveis causais (potncias ativa e reativa) e os parmetros que expressam alteraes na rede (representao das contingncias). O nmero de bits (nc) de consideravelmente menor do que 2ns. Deste modo, a dimenso do vetor padro (7.2.1) significativamente menor, se comparada s principais propostas encontradas na literatura para a resoluo do problema usando redes neurais [Sobajic & Pao, 1989; Pao & Sobajic, 1991; Park et al., 1997]. Para a realizao do treinamento da rede neural deve-se proceder a apresentao de um conjunto de dados, no caso, X r [ P Q r ] (entrada) e Y (sada), constituindo o conjunto de pares de treinamento. Trata-se da gerao dos vetores P e Q, para a gerao e para a carga do sistema por um procedimento de distribuio aleatria da gerao (despacho aleatrio para atender a demanda) e, tambm, de distribuio aleatria (ou pseudo-aleatria) da carga (demanda aleatria ou pseudo-aleatria), como mostrado a seguir [Lotufo, 2004]. Considere que um sistema com uma determinada topologia contendo NB barras, sendo que so NG barras de gerao e as demais so barras de carga (NL = NB NG). Considere, ainda, que se deseja realizar o despacho de gerao para atender uma demanda varivel tomando-se como referncia o caso base: PG0, QG0, PL0 e QL0, sendo: PG0 QG0 PL0 QL0 = vetor de potncia ativa dos geradores do caso base; = vetor de potncia reativa dos geradores do caso base; = vetor de potncia ativa das cargas do caso base; = vetor de potncia reativa das cargas do caso base.

Para se gerar um grande espectro de variao da demanda, o critrio a ser usado refere-se a distribuio aleatria da demanda e, conseqentemente, da gerao para atender a
63

demanda, tomando-se variaes percentuais da carga e da gerao em torno do caso base (considerado como sendo o perfil de gerao/carga de 100%). Por exemplo, arbitrando-se um percentual de 10%, pode-se realizar vrios perfis de gerao e de carga realizando despachos de gerao e definio da carga do sistema distribuindo-se a gerao e a carga de forma aleatria nas barras do sistema, respeitando-se o percentual arbitrado [Lotufo, 2004]. As potncias ativas das barras de gerao podem ser definidas por [Lotufo, 2004]:

PGi = PGi0 + PGi

sendo:

(7.2.3)

PGi

= potncia ativa no i-simo gerador, fixada aleatoriamente (ou pseudoaleatoriamente);

PGi

0 = PGtotal PER AGi KG ;

(7.2.4) (7.2.5)

0 PGtotal =

i G

PG ( )

0 i

(G)
PER

= conjunto de barras de gerao; = percentual de variao da demanda (valores positivos e negativos: por exemplo,

PER = 10% correspondem a 90 e 110% do caso base, respectivamente); AGi

= nmero aleatrio de uma seqncia de NG nmeros gerados a partir de uma semente dada. Variando-se a semente, ter-se- uma seqncia diferente de valores, cujo espectro de variao est compreendido entre 0 e 1: AGi [0, 1];

KG

= 100 AGtotal;

(7.2.6) (7.2.7)

AGtotal =

i (G )

AG

As potncias reativas das mquinas sncronas so determinadas na rotina referente ao clculo do fluxo de potncia (barras PV).
64

Com relao as cargas ativas, os perfis de variao (curva varivel de demanda) podem ser, ento, obtidos por [Lotufo, 2004]:

PLi = PL0 + PLi i

sendo:

(7.2.8)

PLi

= potncia ativa na i-sima carga fixada aleatoriamente; = PL0 PER ALi KL ; total = (7.2.9) (7.2.10)

PLi
PL0 total ALi

i L

PL ( )

0 i

= nmero aleatrio de uma seqncia de NL nmeros gerados a partir de uma semente dada, ALi [0, 1];

KL ALtotal

= 100 ALtotal; =

(7.2.11) (7.2.12)

i ( L )

AL

(L)

= conjunto de barras de cargas. As cargas reativas so fixadas considerando-se uma distribuio que preserva o

fator de potncia referente ao caso base. Este procedimento tenta estabelecer uma distribuio com um nvel de inter-relao entre a potncia ativa [Lotufo, 2004].

7.3 Estmulos de Sada

Os estmulos a serem aplicados no mdulo ARTb da rede neural ARTMAP Euclidiana so as margens de segurana correspondentes aos vetores padres de entrada (mdulo ARTa) descritos pela equao (7.2.1).

65

A estratgia proposta neste trabalho a utilizao de intervalos de margem de segurana em que as contingncias se encontram. Por exemplo, uma contingncia com margem de segurana igual a 0,5 pode ser convencionada como pertencendo ao intervalo (0,4; 0,6). Esta forma permite que se representem as contingncias atravs de cdigo binrio e reduz o nmero de classes no mdulo ARTb, que uma forma mais adequada para trabalhar com a rede ARTMAP, tornando o treinamento mais rpido e a anlise mais confivel (h sempre a garantia da obteno de solues). Deve-se destacar que este procedimento, desde que observados os devidos cuidados, pertinente, pois para os centros de controle no h grande necessidade de dispor de nmeros com grande preciso e sim, a informao de quanto estvel ou instvel o sistema para determinada contingncia. Ressalta-se que este procedimento pode ser implementado tomando um nmero maior ou menor de intervalos, sem esforos adicionais, a critrio da entidade usuria. Com o propsito de estabelecer estes intervalos, ser proposto o uso do conceito de Esforo de Deslocamento da Margem de

Segurana, conforme estabelecido a seguir [Minussi, 1990, Minussi & Freitas Filho, 1998]:

Esforo de Deslocamento da Margem de Segurana (EDMS). Define-se EDMS como

sendo uma funo que relaciona as margens de segurana inicial e final de um determinado intervalo da seguinte forma [Minussi, 1990; Minussi & Freitas Filho, 1998]: 1 MA 1 1 MB

(7.3.1)

sendo:

MA MB

= esforo de deslocamento da margem de segurana; = valor da margem de segurana inicial do intervalo; = valor da margem de segurana final do intervalo.

Deste modo, o intervalo, em termos do conceito de margem de segurana, pode ser definido como:
66

IMS MkA , MkB

(7.3.2)

em que:
IMS = intervalo considerado; k

= ndice que indica o k-simo intervalo. A equao (7.3.1) d a noo de quanto a relao Ee Ecrit (Ee = valor da energia

da contingncia e Ecrit = energia crtica da contingncia), referente margem de segurana final (MB), menor se comparada ao valor desta relao calculada na condio inicial (MA). A unidade subtrada em (7.3.1) empregada para ajustar a equao de tal modo que se tenha

= 0 quando MB = MA (neste caso, nenhum esforo observado). Nota-se que definido

no intervalo [0, +) e possui crescimento significativo medida que MB se aproxima de 1. O conceito de EDMS foi empregado nas referncias Minussi (1990) e Minussi & Freitas Filho (1998) com o propsito de resolver o problema de controle de segurana que corresponde determinao de um perfil de gerao que atenda a carga do sistema, de forma segura, do ponto de vista da estabilidade transitria. A correo a ser efetuada no sistema, a partir de um estado inseguro (M < 0), determinada atravs de vrios passos at atingir um resultado desejado (M > Mmin, sendo Mmin = margem de segurana mnima preestabelecida). Estes passos so idealizados via sucessivas linearizaes do modelo de um sistema no-linear bastante complexo (conjunto de equaes algbricas e diferenciais nolineares). Atribuindo-se um valor fixo para , os intervalos de linearizaes podem ser inferidos, ou seja, o erro, em cada segmento, mantm-se na mesma ordem de grandeza. Portanto, o EDMS serve como um parmetro para estabelecer a validade das linearizaes e, conseqentemente, estimar a regio, no espao de estado, em que se pode resolver o referido problema, atravs de um modelo linear, sem que haja comprometimento da preciso dos resultados. Esta concepo ser utilizada neste trabalho para definir os intervalos associados s contingncias, conforme mostrado na Tabela 7.1, considerando-se = 0,35 e os valores da margem de segurana compreendidos em (3, 1).

67

O esforo da margem de segurana pode ser atribudo, com segurana, at o valor igual a 1,5 [Minussi, 1990], i.e., o erro a ser observado relativamente pequeno. A escolha de

= 0,35 foi fixada visando formar um grupo de intervalos que cubra todo o espectro de
variao da margem de segurana e com um nmero razovel de segmentao. Deve-se destacar que este nmero pode ser arbitrado livremente, sem necessidade de efetuar alteraes substanciais na rede neural. O que muda apenas o nmero de bits na representao binria da contingncia. Para uma maior preciso da margem de segurana, maior dever ser o nmero de intervalos. Como ilustrao, considerando-se 4, 5 e 6 bits pode-se trabalhar, respectivamente, com 15, 31 e 63 intervalos.

Tabela 7.1 Representao binria da sada da rede neural ARTMAP nebulosa.

Margem de Segurana (M) Intervalo da Margem de Segurana (IMS ) Representao Binria da Sada (IMS)

Nmero

1 2 3 4 5 6 7 8 9 10

3 1,9630 1,1948 0,6258 0,2043 0,10790 0,33920 0,51050 0,63740 0,73140

Menor ou igual do que -3 (3 ; 1,9630 ]

0001 0010 0011 0100 0101 0110 0111 1000 1001 1010

(1,9630 ; 1,1948 ] (1,1948 ; 0,6258 ] (0,6258 ; 0,2043 ] (0,2043 ; 0,10790 ] (0,10790 ; 0,33920 ] (0,33920 ; 0,51050 ] (0,51050 ; 0,63740 ] maior do que 0,63740

O uso, na Tabela 7.1, de uma margem de segurana igual a 3 como limite inferior de referncia, decorre do fato de que valores menores (mais negativos) so contingncias de altssimo grau de instabilidade o que, via de regra, conduzem aos casos de perdas de unidades geradoras, podendo chegar a um indesejvel blackout, se no tomadas as medidas preventivas de forma correta. Portanto, no intervalo 1 (M < 3) so agrupadas as contingncias que produzem grandes instabilidades no sistema. Para contingncias associadas
68

s margens de segurana prximas da unidade, por exemplo, inclusas no intervalo 10, o sistema se comporta de forma efetivamente robusta. Com esta representao (Tabela 7.1), tm-se 10 classes de sada,

independentemente do nmero de contingncias. Esta alternativa de soluo bastante vantajosa para o treinamento da rede e, principalmente, para a atividade do treinamento continuado, pois facilmente podem inserir-se novas informaes com o objetivo de tornar a extrao do conhecimento mais efetiva. Ainda que as magnitudes dos intervalos sejam diferentes entre si, ou seja, tornamse menores medida que h aproximao da margem de segurana unitria, as distncias, em termos de energia, so equivalentes. Para exemplificar, a quantidade de potncia redespachada no sistema que produz uma alterao na margem de segurana de 3 para 1,9630 (Intervalo 2), produziria uma alterao da margem de segurana de 0,6374 para 0,7314 (Intervalo 10). Pode-se estender esta observao, tambm, aos demais intervalos. Estes resultados tm sido observados nas simulaes apresentadas nas referncias [Minussi, 1990] e [Minussi & Freitas Filho, 1998]. Nota-se que neste trabalho no se aplica o redespacho de gerao ou qualquer outra ao corretiva. O exemplo abordado apenas ilustrativo, que serve unicamente para evidenciar a coerncia de seu uso para a determinao dos referidos intervalos. Ento, a sada ser definida por:
Y [IMSk ]

(7.3.3)

sendo:
Y

= vetor de sada da rede neural;

IMS k = vetor correspondente ao k-simo intervalo da margem de segurana associada

contingncia representada em cdigo binrio.

O k-simo intervalo IMSk associado i-sima contingncia (margem de segurana Mi) definido observando-se a relao Mi IMSk .
69

A Figura 7.1 ilustra o esquema de estmulos (entrada e sada) da rede neural durante as fases de treinamento e diagnstico.

TREINAMENTO X (treinamento) Entrada REDE NEURAL ARTIFICIAL

Entrada

Y (treinamento) Sada

Sada

Y (anlise) X (anlise) ANLISE / TREINAMENTO CONTINUADO ANLISE

Figura 7.1 Esquema de Estmulos da rede neural.

7.4 Representao Esquemtica do Trabalho Proposto

Nesta seo, apresenta-se o esquema bsico de resoluo do problema da anlise de estabilidade transitria de sistemas de energia eltrica por redes neurais proposto nesta pesquisa. A rede neural empregada corresponde a uma verso da rede neural da famlia ART (ARTMAP Euclidiana), com treinamento supervisionado. Trata-se de uma abordagem de anlise para aplicaes em tempo real. O funcionamento das redes neurais constitudo por trs fases fundamentais, que so o treinamento, treinamento continuado e a anlise. A fase de treinamento requer uma grande quantidade de processamento para a sua realizao, enquanto que a fase de anlise efetivada, praticamente, sem esforo computacional. A fase de treinamento continuado est incorporada fase de anlise, atravs da execuo de vrias rotinas: aquisio de dados da operao, processamento e ajuste de pesos de forma similar rotina de treinamento da rede neural. A metodologia proposta nesta pesquisa para a anlise de estabilidade transitria, basicamente, constituda por 3 fases:

70

Fase 1: Gerao de dados (de entrada e de sada) para uso no treinamento da rede neural e

treinamento da rede neural Consiste na gerao de um grande nmero de simulaes de estabilidade transitria (de primeira oscilao) de sistemas de energia eltrica usando um programa computacional denominado Simul [Fonseca & Decker, 1985]. usado um conjunto extenso de perfis de gerao e de carga, os quais so gerados, por processo aleatrio (ou pseudo-aleatrio), com o objetivo de simular os nveis de gerao necessrios para atender a demanda diria durante um perodo preestabelecido. Este procedimento visa substituir o uso do despacho econmico. Como resultado, ter-se- um procedimento que demanda um menor tempo de processamento sem comprometer a qualidade das solues, pois o que efetivamente ocorre simular um nmero grande de possveis perfis de gerao e carga do sistema. Usando-se os dados obtidos a partir das simulaes realizadas na Fase 1, preparado o conjunto de dados (de entrada e de sada) para a fase de treinamento da rede neural, conforme foi proposto nas Sees 7.2 e 7.3. Trata-se de um procedimento de extrao do conhecimento atravs da experincia: os exemplos, correspondentes aos dados simulados, so apresentados rede neural. Esta fase realizada off-line.

Fase 2: Anlise

Uma vez concludo o treinamento da rede neural, pode-se executar a anlise de estabilidade transitria. Esta fase realizada on-line. Os perfis de gerao e de carga, nesta fase, correspondem aos casos reais que se deseja analisar, ou seja, no so idnticos aos dados empregados no treinamento. Deve-se observar que os dados de treinamento constituem os exemplos que servem para ensinar a rede neural.

Fase 3: Treinamento Continuado

Na Figura 7.2 mostram-se as principais rotinas que compem a metodologia de anlise de estabilidade transitria de sistemas eltricos de potncia via redes neurais.

71

A rede neural assim proposta estar apta a realizar as anlises. Contudo, pode-se incorporar outras rotinas visando tornar a metodologia mais eficiente. Neste sentido, o esquema pode conter um dispositivo que permita o treinamento continuado. Este dispositivo deve estar agregado ao mdulo de anlise, ou seja, aps o treinamento ter sido concludo. Trata-se do desenvolvimento de um esquema que possibilita manter, permanentemente, a extrao do conhecimento do problema a ser abordado (anlise de estabilidade transitria), a partir do treinamento realizado, considerando-se os dados gerados via simulao computacional, utilizando os resultados da anlise do centro de operao. Consiste, portanto, de mdulos de filtros (considerar ou rejeitar as informaes) e memria (armazenamento, atualizao (reforo) e diagnstico). Esta etapa distingue-se da fase inicial do treinamento, tendo em vista que a operao dispe de um grande nmero de dados e de resultados que podem ser aproveitados ou no. Da decorre a necessidade de desenvolver rotinas adequadas para processar, armazenar e utilizar tais informaes. O mdulo treinamento continuado pode ser aperfeioado a ponto de ser considerado, tambm, modelos mais elaborados (e.g., modelo completo de Park). Ainda que no haja a disponibilidade de se gerar um ndice para modelos mais elaborados, por exemplo, via simulao, possvel, por meio de redes neurais, se gerar um ndice hbrido combinando a simulao e algum mtodo baseado no emprego da funo energia. Este dispositivo dever ser objeto de estudo em pesquisas futuras. A exeqibilidade do desenvolvimento deste procedimento, certamente, produzir resultados significativos para a operao de sistemas de energia eltrica, ou seja, uma possibilidade de realizao efetiva da anlise, de qualidade, em tempo-real. No Captulo 8 ser apresentado um esquema para realizao do treinamento continuado.

72

Fase 1
Dados do Sistema: - Estrutura - Parmentros - Lista de contingncias - Dados de potncia - Etc.

Pr-processamento - Preparao dos dados de entrada e de sada para a fase de treinamento da rede neural

Gerao de perfil de gerao e de carga por processo aleatrio ou pseudoaleatrio

Treinamento da rede neural ARTMAP Euclidiana

Anlise de estabilidade transitria por simulao - Gerao de ndice de segurana (margem de segurana) Armazenar: - Pesos da rede neural - Etc. Armazenar: - Margem de segurana - Etc.

Atividades off-line

Leitura de Dados: - Gerao - Carga - Lista de contingncias - Etc.

Fases 2 e 3

Treinamento continuado

Anlise de estabilidade transitria via rede neural ARTMAP Euclidiana

Anlise comparativa?

sim

Anlise de estabilidade transitria por simulao

no Armazenar: - Margem de segurana - Pesos atualizados - Etc. Mostrar os resultados

Anlise em tempo real

Figura 7.2 - Diagrama esquemtico de anlise de estabilidade transitria por redes neurais.

73

7.5 Concluso

Neste captulo foram abordadas, basicamente, as particularidades referentes estrutura neural para a resoluo do problema de anlise da estabilidade transitria, a escolha das informaes que constituem as entradas e sadas para a fase de treinamento e as entradas para o mdulo de anlise (diagnstico). No Captulo 8 ser apresentado um esquema destinado realizao do treinamento continuado, com o propsito de compor o algoritmo de execuo da anlise de estabilidade transitria (Figura 7.2) relativo fase 3. Estes resultados sero, por conseguinte, implementados no captulo subseqente, que versar sobre as aplicaes, considerando-se um sistema de energia eltrica multimquinas.

74

Captulo 8

Algoritmo de Execuo do Treinamento Continuado

8.1 Introduo

No esquema para anlise de estabilidade transitria, por redes neurais ART descendente (ARTMAP Euclidiana), abordado no Captulo 7, contempla a rotina de treinamento continuado. Trata-se de um recurso que visa tornar o sistema de anlise mais eficiente, ou seja, a extrao do conhecimento realizada de modo permanente. Esta rotina se constitui, a princpio, numa efetiva possibilidade do emprego de redes neurais na anlise em tempo real, destruindo o conceito, at ento, sobre as limitaes (instabilidade e noplasticidade) das redes neurais no trato de problemas reais o que tem conferido pouca confiabilidade de aplicao. Assim sendo, na seqncia, ser apresentado um procedimento para a implementao do treinamento continuado, que est fundamentado no conceito de deteco de novidade e de anomalia.

8.2 Treinamento Continuado

Para o desenvolvimento do sistema que integra o treinamento continuado na rede neural ARTMAP Euclidiana, foram investigados trabalhos baseados no conceito de Deteco de Novidade (DN) (Novelty Detection) [Bishop, 1994] e Deteco de Anomalia (DA) (Anomaly Detection) [Liao et. al., 2005] como critrio para acionar a incluso de um novo padro no banco de memria da rede neural. A DN um conceito semelhante DA. Porm, a diferena que a DN se refere ao descobrimento de novos eventos que aparecem no ambiente que se est abordando. Ou seja, no detectar anomalias e sim algo que novidade. Trata-se de identificaes importantes, pois, na maioria das vezes, estes eventos so causadores de
75

dados considerveis (prejuzos materiais, ataque integridade pessoal, etc.). A antecipao a grande aliada para prevenir a ocorrncia de sinistros, ou, pelo menos, minimizar as suas conseqncias. utilizando esta mesma conceituao que foi desenvolvida a rotina para a ativao da incluso de novos padres a partir do mecanismo match tracking da rede neural ARTMAP Euclidiana. Esta estratgia dever ser usada, sempre que necessrio, a partir de dados simulados e, principalmente, de informaes disponveis na base de dados das empresas do setor eltrico. O procedimento adotado nesta pesquisa, visa o desenvolvimento de um mecanismo de definio do momento em que ser necessrio realizar o treinamento continuado e, tambm, principalmente, quando houver disponibilidade de dados, incluir ou rejeitar estes dados nas matrizes de pesos da rede neural. A seguir, descreve-se esse procedimento.

8.2.1 Critrio para incluso e rejeio dos dados

O funcionamento adaptativo das redes neurais da famlia ART permite que novos padres sejam includos a memria da rede permanentemente, melhorando, assim, seu desempenho e tornando seu funcionamento mais eficaz. Para que essa rotina funcione eficientemente necessrio um mecanismo que selecione os dados que so realmente importantes para fazer parte da memria da rede. Neste sentido, a partir do neurnio vazio, T0, introduzido na rede neural ARTMAP Euclidiana, como descrito no Captulo 6, realizado o exame do padro atual, que durante a fase de anlise, foi alocado nesta categoria (T0). Se o neurnio T0 foi escolhido como categoria vencedora, ento uma nova categoria criada (composta por esse nico padro) e o padro em questo indexado como indeterminado, e faz-se necessria uma anlise para saber se realmente este padro importante para ser acrescido memria da rede ou no. Essa importncia medida a partir da apresentao dos padres subseqentes rede neural. Se outros padres forem indexados nova categoria, ento, a partir de um nmero mnimo preestabelecido (Nmin), a categoria considerada como novidade, e seu vetor peso passa a fazer parte da memria da rede. Do contrrio, depois de um certo nmero de incluso de vetores na rede (Nmax) sem que Nmin seja atingido, a
76

categoria dita indeterminada eliminada do processo. Vrias categorias designadas indeterminadas podem estar ativas ao mesmo tempo, desde que T0 tenha sido selecionado a cada apresentao dos padres subseqentes. Essas categorias so eliminadas ou includas na rede, de acordo com Nmin e Nmax estabelecidos. Pode haver a necessidade, tambm, de se apagar memria da rede neural. Ou seja, depois de realizado o treinamento e treinamento continuado, podem ocorrer que algumas categorias fiquem inativas, sem ter feito previso alguma, pois nenhum padro semelhante ao treinado foi apresentado rede. Essas categorias podem ser eliminadas do processo, simplesmente com a excluso do vetor peso correspondente, e se, no futuro, se julgar necessrio incluir novamente tal categoria, isso pode ser feito atravs do treinamento continuado. O treinamento continuado efetivado, tambm, a partir do critrio de atualizao de categorias de reconhecimento, estabelecido no Captulo 6. Os passos a seguir, descrevem o funcionamento do mdulo treinamento continuado, caso ele seja acionado durante a fase de anlise:

Passo 1. Apresentao do vetor de entrada rede neural ARTMAP Euclidiana. Passo 2. Se a categoria vencedora (categoria escolhida para alocar o padro atual) tiver ativao T0, ou seja, nenhuma das classes existentes semelhante o suficiente com o padro atual para aloc-lo, ento, cria-se uma nova categoria indexada como indeterminada, e segue-se com a apresentao de um novo padro rede (Passo 1). Passo 3. Se a categoria vencedora, TJ, for uma das categorias existentes, a predio realizada. Tambm, se o nmero mnimo de exemplares dessa categoria (NCmin) ainda no foi atingido, ento adicionar o novo padro a essa classe. Caso contrrio, seguir com a apresentao de um novo padro (Passo 1). Passo 4. Se a categoria vencedora for uma categoria indeterminada existente, ento adicionar o padro atual categoria e verificar se Nmin foi atingido. Caso Nmin tenha sido atingido, ento a categoria passa a ser considerada como novidade e
77

finalmente ela adicionada memria da rede como nova informao. Caso contrrio, seguir com a apresentao de um novo padro (Passo 1). Passo 5. Eliminar do processo as categorias indexadas como indeterminada cujo nmero mnimo de exemplos dessa categoria (Nmin) no tenha sido atingido aps um nmero mximo de vetores (Nmax) terem sido apresentado rede.

Considerando os passos descritos acima, os principais parmetros envolvidos no processo podem ser resumidos da seguinte forma: Ncmin : nmero mnimo de membros que uma categoria, formada na fase de treinamento, deve conter para ser considerada eficiente para realizar uma boa predio. Nmin : nmero mnimo de membros que uma categoria indexada como indeterminada deve conter para ser definida como novidade. Nmax : nmero mximo que uma categoria indexada como indeterminada, sem ter atingido Nmin, deve aguardar para ser rejeitada como nova informao e eliminada do processo.

8.3 Concluso

Neste captulo foi proposto um esquema para a realizao do treinamento continuado. Este mecanismo est fundamentado no conceito de deteco de novidade e de anomalia que, de forma adequada, pde ser adaptado para executar a tarefa de realizao de filtro (considerar ou rejeitar as informaes) durante o processo de anlise da estabilidade transitria. Processo este que busca adquirir o conhecimento de forma contnua. Com estes resultados suficientemente lapidados, no Captulo 9 sero, ento, realizados os testes da metodologia proposta.

78

Captulo 9

Aplicao

9.1 Introduo

Neste captulo sero apresentados os resultados da anlise de estabilidade transitria de sistemas eltricos de potncia, atravs da rede neural ARTMAP Euclidiana [Vuskovic, 2002a], considerando-se um sistema teste que corresponde a uma possvel configurao do sistema eltrico Sul-brasileiro (10 unidades geradoras, 45 ns e 73 linhas de transmisso). O modelo da dinmica do sistema corresponde ao modelo clssico. Os resultados obtidos, por redes neurais, so comparados com os resultados produzidos por simulao hbrida e com a rede neural ARTMAP nebulosa. Esta comparao tem por objetivo testar a metodologia proposta. Deve-se ressaltar que, o que se pretende propor uma metodologia de anlise da estabilidade transitria para aplicaes on-line, ou seja, que gere os diagnsticos, de forma rpida e, evidentemente, que sejam confiveis. Os resultados de simulao apresentados foram obtidos usando-se um microcomputador Pentium IV de 1.8 GHz.

9.2 Configurao do Sistema

O sistema utilizado para testar a metodologia proposta composto por 10 mquinas sncronas (cada mquina sncrona representando o conjunto gerador), 73 linhas de transmisso e 45 barras [Freitas Filho, 1996; Minussi & Freitas Filho, 1998]. O diagrama unifilar deste sistema mostrado na Figura 9.1, e os respectivos dados encontram-se relacionados no Apndice B.

79

Nestes estudos, consideram-se defeitos tipo curto-circuito trifsico com tempo de eliminao igual a 9 ciclos (0,15s) com sada de linha de transmisso. O treinamento da rede realizado usando-se um conjunto de perfis de gerao e de carga e respectivas margens de segurana, associadas a um conjunto de contingncias. Cada perfil corresponde a um despacho de gerao, em relao ao caso base, realizado de forma aleatria para atender a demanda, tambm estabelecida randomicamente em cada barra do sistema. O universo de variao da gerao e da carga est compreendido entre 80 e 130% em relao ao caso base do sistema. Portanto, cada perfil gerado considerando uma variao percentual em torno do estado nominal (caso base) e uma determinada semente para o processo de gerao da seqncia randmica. Assim, para um mesmo percentual, diferentes sementes geram diferentes despachos de gerao e diferentes perfis de carga. Este procedimento gera um conjunto adequado de padres para a fase de treinamento.
Londrina
230
(71) (72) (68) (69) (70) (24)

Campo Mouro
230 kV
(73)

Maring
230 kV
43

Curitiba-Norte
525
12 (1)
(2)

42
(5)

525

44 41

Ivaipor Areia
11
(3)

27

(67)

(4)

525 4
(39) (41) (44)

Apucarana
230 kV

Curitiba 525 230

(29) (30)

Salto Osrio 3

Segredo
525
33
(52) (43)

3
(22)

230
18

S. Santiago

4
(40)

(31)

5
(23)

(51)

26

21

13.8

10

10
(58)

36

230
19

25

S. Mateus 230
(26) (28) (45)

(27)

Joinvile
Blumenau 230
(36)

13.8
(21)

Pato 230 Branco

17

20
(42)

230
(32) (33)

Barraco
525 13.8
(6)

22

28

23
(35) (34)

525

230 (19)
(50) (20)

Xanxer
16
(16) (17)

Passo Fundo
2

29 1

Rancho Queimado 24 230

(38) (37)

(15)

Pinheiro
525

15 32
(48) (18)

2
(11)

Farroupilha
230
(7)

(46)

J. Lacerda 230 230 Siderpolis

13
(9) (8)

6
(54) (53)

14

13.8

Itaba
13.8 230kV
(65)

V. Aires
525 kV 230 kV
(49) (66) (62) (63) (64)

(13) (14)

Ceci (12) 230

(59) (60) (61)

45

Forquilinha 230
(57)

34

6 7
B

13.8 13.8
35
(55)

37

(47)

30

9
9

31 40

38 230

13.8
(56)

39

525 Gravata

13.8

(--) Nmero das linhas de transmisso.

Figura 9.1 Diagrama unifilar do sistema baseado na configurao da regio sul do Brasil.
80

Tabela 9.1 - Conjunto de contingncias Defeito Nmero do defeito 1 2 3 4 5 Barra sob curto-circuito 17 41 43 44 44 Sada de circuito Barra inicial 16 41 43 18 41 Barra final 17 42 44 44 44

Na fase de anlise, so considerados diferentes perfis de gerao e de cargas (obtidos com diferentes sementes), se comparados aos dados usados na fase de treinamento. O conjunto de contingncias mostrado na Tabela 9.1. So consideradas 5 contingncias (escolhidas arbitrariamente) visando ilustrar a metodologia proposta. Entretanto, este nmero pode ser aumentado de acordo com as necessidades do usurio sem nenhum problema quanto a sua formulao. O treinamento da rede neural realizado considerando um conjunto em torno de 1500 perfis (em mdia 100 por contingncia para cada configurao do sistema) de gerao e de carga e as margens de segurana correspondentes (para as 5 contingncias). Nestes experimentos consideram-se 3 configuraes diferentes: (1) Sistema operando com todas as linhas de transmisso; (2) Sistema operando com a retirada da linha entre os ns 16 e 18 e (3) Sistema operando com a retirada da linha entre os ns 18 e 19. Este procedimento visa ilustrar a possibilidade de realizar a anlise, considerandose vrios perfis de potncia, bem como vrias topologias que, certamente, mais plausvel do ponto de vista operacional. Aps a realizao do treinamento da rede neural ARTMAP Euclidiana, procede-se a obteno das anlises de contingncias. Pretende-se apresentar a anlise comparativa entre os resultados padres (gerados via execuo do programa Simul [Fonseca & Decker, 1985],
81

verso para microcomputador) e os resultados obtidos pela rede neural ARTMAP Nebulosa e rede neural ARTMAP Euclidiana. Os resultados gerados pelo programa Simul so usados como referncia, por serem precisos, considerando-se o modelo clssico. Deve-se ressaltar que se pode empregar qualquer mtodo de anlise de estabilidade transitria como agente professor, desde que a metodologia escolhida seja dotada de recurso que gere um ndice de estabilidade e no, apenas, a informao de que estvel ou instvel, como acontece, por exemplo, na simulao convencional [Stott, 1979]. As comparaes so efetivadas usando como funo de inferncia o intervalo da margem de segurana (IMS). Como visto anteriormente, o intervalo IMS refere-se ao conjunto de valores da margem de segurana compreendido entre um valor mnimo (Mmin) e um valor mximo (Mmax). Os limites de cada intervalo, IMS, so definidos usando o conceito de esforo de deslocamento da margem de segurana ( ). Assim, cada contingncia estando contida em um determinado intervalo IMS (Mmin, Mmax), ter uma margem de segurana esperada entre Mmin e Mmax que, neste trabalho, foram definidos na Tabela 7.1 (Captulo 7), considerando-se para = 0,35. O acerto ou no desta predio observado comparando-o com o intervalo IMS indicado pelo mtodo de simulao hbrida (Simul). Pode-se, ainda, implementar um esquema mais segmentado (maior nmero de intervalos IMS) adotando-se valores menores para com o propsito de tornar a anlise mais precisa. Neste caso, ter-se- 5 ou mais bits para a representao das sadas (em cdigo binrio). Deste modo, so apresentados os resultados das anlises de contingncias considerando-se os nveis de carregamento compreendido entre 80 e 130%. De acordo com a estratgia de votao [Carpenter et al., 1992], foram executados 5 treinamentos considerando-se ordens aleatrias diferentes. Tomando como resoluo do problema as solues geradas com maior freqncia, est-se eliminando possveis previses errneas. Este processo, ainda que realizado com repetio de treinamento, bastante rpido. O treinamento, com a incluso da estratgia de votao, realizado na ordem de 1 segundo com o equipamento computacional como anteriormente especificado (Pentium IV / 1.8 GHz). Considerando-se, portanto, a maior freqncia de ocorrncia nos casos treinados, apresenta-se na Tabela 9.2 as previses fornecidas (intervalos IMSs) pela rede neural ARTMAP Euclidiana. Nesta tabela constam, tambm, os resultados obtidos por simulao (resultados de referncia) e pela rede neural ARTMAP Nebulosa para fins comparativos. A

82

coluna 1 da Tabela 9.2, representa o nmero do defeito (considerando as 5 contingncias adotadas) e sua respectiva configurao (considerando as 3 topologias diferentes). O percentual e a semente usados nas anlises encontram-se indicados nas colunas 2 e 3, respectivamente. Ressalta-se que o erro no diagnstico, entre as trs metodologias, proporcional diferena entre as classes indicadas, respectivamente. Por exemplo, se a indicao, para determinada contingncia analisada, for observada na ordem de classes 3, 1 e 2, respectivamente, via Simul, ARTMAP nebulosa e ARTMAP Euclidiana, a anlise pela rede neural ARTMAP apresenta um maior erro (conseqentemente, menos precisa) em comparao rede ARTMAP Euclidiana. Ou seja, a distncia entre a classe correta 2 e 1 respectivamente. Contudo, deve-se observar um detalhe importante, no apenas enfocando a referida distncia, como tambm, se a classe se encontra direita ou esquerda da classe correta, tendo em vista que indicaes esquerda prefervel por se tratar de um diagnstico mais crtico. O treinamento da rede neural ARTMAP Euclidiana foi realizado utilizando-se os seguintes parmetros, determinados experimentalmente:

Parmetro de vigilncia inicial da rede ARTa ( a ) = 0,97; Parmetro de vigilncia da rede ARTb (b) = 0,20;

Parmetro de vigilncia do mdulo inter-ART (ab) = 0,95; Parmetro de treinamento Nmero de intervalos (IMS ) = 0,01; = 10.

83

Tabela 9.2 Resultados da anlise de estabilidade transitria, obtidos por simulao (resultados de referncia), rede neural ARTMAP Nebulosa e pela rede neural ARTMAP Euclidiana. Intervalo da margem de segurana ( IMS ) Simul 3 4 3 5 7 6 6 9 7 9 4 6 5 6 6 7 8 9 9 9 5 5 8 6 7 7 9 8 8 8
84

No. do defeito/ Config. 1/1 1/1 1/1 1/1 1/1 1/1 1/1 1/1 1/1 1/1 2/1 2/1 2/1 2/1 2/1 2/1 2/1 2/1 2/1 2/1 3 /1 3/1 3/1 3/1 3/1 3/1 3/1 3/1 3/1 3/1

Perfil de gerao/carga % do caso base 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 semente 427 383 143 440 499 945 845 793 747 771 8 14 18 174 259 308 265 468 473 277 841 928 785 590 844 911 680 824 476 293

ARTMAP ARMAP Nebulosa Euclidiana 4 4 5 5 7 6 6 8 7 8 5 5 5 6 7 7 8 8 8 8 4 5 7 6 6 6 8 8 8 8 4 4 4 4 7 6 6 8 7 8 4 6 5 6 6 7 8 8 8 8 4 5 7 6 7 7 8 8 8 8

No. do defeito/ Config. 4/1 4/1 4/1 4/1 4/1 4/1 4/1 4/1 4/1 4/1 5/1 5/1 5/1 5/1 5/1 5/1 5/1 5/1 5/1 5/1 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 2/2 2/2 2/2 2/2

Perfil de gerao/carga % do caso base 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 semente 549 539 825 930 991 948 798 819 728 573 121 93 138 286 392 989 840 809 688 814 815 755 914 962 449 902 603 811 493 89 399 803 751 289
85

Intervalo da margem de segurana ( IMS ) Simul 4 4 6 6 5 6 7 7 8 9 3 2 3 4 5 6 7 7 8 8 4 4 3 3 5 4 5 6 5 6 3 3 6 6 ARTMAP ARTMAP Nebulosa Euclidiana 4 5 6 6 5 6 7 7 7 8 4 4 4 4 5 6 7 7 8 8 4 4 4 4 5 4 5 6 6 6 4 4 6 6 4 4 6 6 5 6 7 7 7 8 4 4 3 4 5 6 7 7 8 8 4 4 4 4 5 4 5 6 5 6 4 4 6 6

No. do defeito/ Config. 2/2 2/2 2/2 2/2 2/2 2/2 3/2 3/2 3/2 3/2 3/2 3/2 3/2 3/2 3/2 3/2 4/2 4/2 4/2 4/2 4/2 4/2 4/2 4/2 4/2 4/2 5/2 5/2 5/2 5/2 5/2 5/2 5/2 5/2

Perfil de gerao/carga % do caso base 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 semente 441 370 276 212 25 380 748 799 990 831 350 249 852 810 913 445 505 662 763 903 349 951 964 760 398 756 641 889 790 949 981 923 648 698
86

Intervalo da margem de segurana ( IMS ) Simul 7 7 9 8 5 8 3 3 6 6 6 6 7 7 6 7 3 5 3 4 4 4 6 5 5 8 3 4 5 4 3 5 6 6 ARTMAP ARTMAP Nebulosa Euclidiana 7 7 8 8 6 7 3 3 6 6 6 6 6 6 6 7 4 5 5 5 4 4 6 5 5 7 4 4 4 4 4 5 6 6 7 7 8 8 5 7 4 4 6 6 6 6 7 7 6 7 4 5 4 4 4 4 6 5 5 7 4 4 5 4 4 5 6 6

No. do defeito/ Config. 5/2 5/2 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 1/3 2/3 2/3 2/3 2/3 2/3 2/3 2/3 2/3 2/3 2/3 3/3 3/3 3/3 3/3 3/3 3/3 3/3 3/3 3/3 3/3 4/3 4/3

Perfil de gerao/carga % do caso base 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 130 125 semente 670 720 544 816 886 934 924 938 892 812 562 665 395 500 33 171 317 869 932 946 769 571 546 749 596 916 992 723 521 966 944 522 296 642
87

Intervalo da margem de segurana ( IMS ) Simul 8 9 1 1 1 2 2 3 3 3 5 5 1 4 3 1 5 5 6 7 7 7 4 3 3 3 4 4 5 7 6 9 3 3 ARTMAP ARTMAP Nebulosa Euclidiana 8 8 4 4 4 4 4 4 4 3 5 5 4 4 3 4 5 5 6 7 7 7 4 3 3 3 4 4 5 7 6 9 4 3 8 8 4 4 4 4 4 4 3 3 5 5 4 4 3 4 5 5 6 7 7 7 4 3 3 3 4 4 5 7 6 8 4 3

No. do defeito/ Config. 4/3 4/3 4/3 4/3 4/3 4/3 4/3 4/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3 5/3

Perfil de gerao/carga % do caso base 120 115 110 105 95 90 85 80 130 125 120 115 110 105 95 90 85 80 semente 875 474 135 418 377 443 246 419 24 483 409 848 794 548 795 887 689 797

Intervalo da margem de segurana ( IMS ) Simul 3 3 3 3 4 3 4 5 1 1 1 1 2 2 3 3 3 3 ARTMAP ARTMAP Nebulosa Euclidiana 3 3 3 3 4 4 4 5 4 4 4 4 4 4 3 3 3 3 3 4 3 3 4 4 4 5 4 4 4 4 4 4 3 3 3 3

Na Tabela 9.2 constam 150 anlises da estabilidade transitria, considerando-se as mesmas contingncias usadas na fase de treinamento, porm, so considerados diferentes perfis de gerao e de cargas (obtidos com diferentes sementes). Os resultados destacados com sombreamento referem-se s anlises consideradas com melhoria, comparados com os resultados previstos anteriormente pela rede neural ARTMAP Nebulosa. Essa melhoria refere-se coincidncia ou aproximao com o intervalo da margem de segurana dado pelo mtodo de referncia (Simul). Os resultados destacados em negrito correspondem a no confirmao, atravs da rede neural ARTMAP Euclidiana, um resultado antes considerado melhor pela rede neural ARTMAP Nebulosa. Analisando-se esses resultados, pode-se concluir que a rede neural ARTMAP Euclidiana proporciona solues que podem ser consideradas satisfatrias, em termos de preciso. Em alguns casos, no houve coincidncia

88

entre a previso via rede neural ARTMAP Euclidiana e o mtodo de simulao (considerado como referncia em termos de preciso). Isto ocorreu, provavelmente, em conseqncia do nmero pequeno de exemplos empregados no treinamento, principalmente em algumas classes particulares. Por exemplo, os exemplos pertencentes s classes 1, 2 e 3, fizeram a maioria de suas predies na classe 4, significando que essas classes (1, 2 e 3) no tiveram dados de treinamento suficientes para representar bem sua categoria no mdulo ART. A preciso aumenta medida que se emprega um conjunto de treinamento mais volumoso (maior nmero de estmulos). Este problema tender a ser superado, medida que for executada a rotina referente ao treinamento continuado. Em relao rede neural ARTMAP Nebulosa, alm de ter sido alcanado uma melhoria em relao ao tempo de processamento, a preciso tambm foi melhorada (resultados destacados com sombreamento), embora algumas predies que foram dadas corretamente pela rede neural ARTMAP Nebulosa, tenham sido no confirmadas pela rede neural ARTMAP Euclidiana (resultados destacados em negrito). Mesmo assim, o nmero de acertos aumentou, superando os erros, como pode ser observado.

9.3 Resultados Considerando o Treinamento Continuado

Considerando o treinamento continuado, como descrito na Seo 7.4, foram realizados testes com os mesmos dados usados durante a fase de anlise, cujos resultados foram mostrados na seo anterior. O treinamento continuado considera os dados que esto sendo apresentados a rede e, se necessrio, adiciona esses dados memria da rede para aperfeioar a regio de definio das categorias existentes ou cria novas categorias, considerando os dados como nova informao. A Tabela 9.3 apresenta esses resultados, comparando-os com os resultados dado pela rede neural ARTMAP Euclidiana sem a incluso do treinamento continuado. Os parmetros adotados foram: NCmin = 100; Nmin = 5; Nmax = 1000.
89

Tabela 9.3 Resultados da anlise de estabilidade transitria, obtidos por simulao (resultados de referncia) e pela rede neural ARTMAP Euclidiana, considerando o treinamento continuado (TC). Intervalo da margem de segurana ( IMS ) Simul 9 9 8 8 3 3 3 3 3 8 3 1 1 2 1 9 3 3 1 1 1 1 2 ARTMAP Euclidiana 8 8 7 7 4 4 4 4 4 7 4 4 4 4 4 8 4 4 4 4 4 4 4 ARMAP Euclidiana com TC 9 9 8 8 3 3 3 3 3 8 3 2 2 3 3 9 3 3 3 3 2 1 2

No. do defeito/ Config. 2/1 2/1 3/1 4/1 5/1 1/2 1/2 3/2 3/2 4/2 5/2 1/3 1/3 1/3 2/3 3/3 4/3 4/3 5/3 5/3 5/3 5/3 5/3

Perfil de gerao/carga % do caso base 85 80 120 85 130 120 115 130 125 80 110 125 120 110 130 80 130 115 130 125 120 115 110 semente 473 277 785 728 121 914 962 748 799 756 981 816 886 924 395 522 296 474 24 483 409 848 794

Para a execuo do treinamento continuado, foram considerados os mesmos 150 padres usados para a anlise de estabilidade transitria, cujos resultados foram apresentados na Tabela 9.2. Na Tabela 9.3 apresentam-se 23 anlises de estabilidade transitria que
90

sofreram alterao. Esses resultados referem-se aos dados que tiveram sua predio melhorada com a incluso da rotina referente ao treinamento continuado, comparado-os com os resultados dados pela rede neural ARTMAP Euclidiana, sem a execuo dessa rotina. As outras anlises (127 padres) mantiveram suas predies. Verificando-se os resultados apresentados na Tabela 9.3, pode-se concluir que o treinamento continuado possibilita melhores resultados, ou seja, alguns padres coincidiram o intervalo da margem de segurana dado pelo resultado de referncia, e outros se aproximaram do intervalo correto, pois permitida a incluso de padres a memria da rede, mesmo durante a fase de anlise. Essa incluso melhora a definio das categorias de reconhecimento formadas durante a fase de treinamento, melhorando a predio dos resultados, continuamente. Os padres podem ainda ser reconhecidos como novidade, criando uma nova categoria e permitindo que uma nova situao seja reconhecida pelo processo. Observase, por exemplo, que os padres que deviam ter a predio nas classes 1,2 e 3, conseguiram fazer uma melhor distino das categorias e uma melhor predio, com alguns erros ainda, que tendem a ser superados medida que novos padres forem apresentados rede, no processo de anlise, e incorporados memria da rede ARTMAP Euclidiana, conforme descrito no algoritmo mostrado na Figura 7.2. Ou, ainda, realizando o treinamento continuado, considerando-se novas simulaes disponibilizadas, atravs da execuo de um programa professor, e.g., o programa Simul. Deve-se observar que o maior erro ocorreu com relao s contingncias situadas no intervalo 1 (contingncias supercrticas). Fato este constatado, tendo em vista baixa disponibilidade de exemplos. Contudo, medida que se disporem de mais dados padres para a execuo do treinamento continuado, o desempenho da rede neural ARTMAP Euclidiana tender melhorar, ou seja, esta rede neural tornar-se- mais experiente. O treinamento continuado trata de uma rotina muito importante para que a rede continue funcionando medida que mudanas no sistema sejam detectadas. Ainda, permite que as categorias existentes sejam continuamente melhoradas, fazendo predies mais precisas.

91

9.4 Concluso

Neste Captulo foram realizadas as anlises da estabilidade transitria atravs de uma rede neural ARTMAP Euclidiana. O sistema exemplo refere-se a um sistema de energia eltrica composto por 10 mquinas sncronas, 73 linhas de transmisso e 45 barras. Estes resultados foram comparados com os obtidos via metodologia hbrida, Simul [Fonseca & Decker, 1985]. Pode-se concluir que esta rede obtm respostas com grande rapidez, sempre encontra uma soluo (caracterstica de estabilidade) e permite a implementao de esquemas que contemple o aprendizado permanente (caracterstica de plasticidade) sem haver necessidade de iniciar novamente o treinamento. Estas solues podem ser consideradas satisfatrias, tambm, em termos de preciso. De um modo geral, pode-se concluir que a rede neural ARTMAP Euclidiana, com incluso do treinamento continuado, constitui-se numa tima alternativa de anlise de estabilidade transitria, principalmente em anlise on-line. A preciso dos resultados est diretamente relacionada com a quantidade de padres de treinamento e, especialmente, com o uso de um esquema que contemple o reforo do treinamento (treinamento continuado). Deste ponto de vista, a rede neural ARTMAP Euclidiana proporcionar uma maior eficincia com a implementao de um esquema adequado de treinamento continuado, conferindo-a maior experincia e, conseqentemente, proporcionando maior qualidade das solues. Ou seja, havendo maior disponibilidade de dados, maior dever ser qualidade da anlise.

92

Captulo 10

Concluso e Sugestes Para Trabalhos Futuros

10.1 Concluso

Foi desenvolvido, nesta pesquisa, um procedimento de anlise de estabilidade transitria de sistemas de energia eltrica multimquinas, atravs de uma rede neural ARTMAP Euclidiana. Com esta arquitetura pde-se idealizar um procedimento de anlise de estabilidade transitria de sistemas eltricos de potncia. Como ilustrao da metodologia foram apresentados os resultados da anlise de estabilidade transitria, via rede neural ARTMAP Euclidiana, considerando-se um sistema eltrico de potncia correspondente a uma possvel configurao do sistema da regio sul do Brasil composto por 45 barras, 73 linhas de transmisso e 10 mquinas sncronas. Os estmulos de entrada da rede neural so constitudos pelos vetores de potncias ativa e reativa nodais (dados analgicos) e pelos dados das contingncias e configurao do sistema (dados binrios). As sadas correspondem s margens de segurana do sistema representadas por intervalos compreendidos entre os valores mnimo e mximo. Deste modo, foi possvel representar as sadas em cdigo binrio (sadas binrias). O treinamento foi realizado considerando-se 5 contingncias (curto-circuito trifsico slido com sada de linha de transmisso) e trs possveis configuraes do sistema. Ressalta-se que este procedimento permite que se considerem vrias topologias da rede eltrica, que uma novidade entre as propostas disponveis na literatura. As contingncias foram arbitradas como incidentes em vrios pontos da rede eltrica (5 localizaes). Foram considerados nveis de carregamentos arbitrados de forma aleatria dentro de um universo compreendido entre 80 e 130% da carga total do sistema. Para a fase de predio, foi implementado um esquema que inclui novos padres memria da rede, melhorando a regio de definio das categorias de reconhecimento e, conseqentemente, a preciso dos
93

resultados. Os resultados obtidos podem ser considerados satisfatrios, ou seja, atingiram os objetivos propostos. Estes objetivos foram: investigar a aplicao de redes neurais para execuo de diagnsticos da estabilidade transitria SEE. A rede neural ARTMAP Euclidiana tem proporcionado a obteno de solues bastante rpidas (menos de 1 segundo utilizando um microcomputador Pentium IV de 1,8 MHz, considerando-se a execuo da estratgia de votao com 5 repeties de treinamento). A qualidade das solues pode ser considerada adequada. Concluindo-se, a rede neural ARTMAP Euclidiana obtm respostas com grande rapidez (h compatibilidade com as aplicaes on-line) e a preciso dependente da implementao de um esquema adequado de treinamento, adotando-se um volume de dados de entrada/sada bem elaborado (em quantidade e qualidade suficientes). O principal destaque da rede neural ARTMAP refere-se caracterstica de plasticidade. Com esta propriedade pode-se conceber mecanismos que contemplem o treinamento continuado (reforo do treinamento) sem destruir o conhecimento extrado anteriormente (observa-se que na maioria das redes neurais propostas na literatura especializada, o reforo do treinamento pressupe a reinicializao do processo, destruindo o conhecimento adquirido anteriormente). Deste modo, a rede neural estar permanentemente se aperfeioando o que ir proporcionar solues cada vez mais precisas, conforme comentado anteriormente. Este assunto dever ser investigado em pesquisa futura. As principais contribuies desta pesquisa so assim destacadas: (1) metodologia neural (ARTMAP Euclidiana) para anlise da estabilidade transitria de sistemas de energia eltrica mais eficiente (mais rpida e mais precisa), se comparada s redes neurais ARTMAP nebulosa; (2) metodologia que permite o trabalho com diferentes topologias; (3) encontra-se incluso o mecanismo do treinamento continuado. Esta alternativa possibilita que se estude e, finalmente, seja implementada a anlise de estabilidade transitria em tempo real.

10.2 Sugestes Para Trabalhos Futuros

Os resultados desta pesquisa podem ser considerados satisfatrios (no contexto da preciso e da rapidez na obteno das solues), conforme argumentado anteriormente.

94

Porm, sugerem-se algumas melhorias e procedimentos que podem ser implementados com o propsito de tornar esta metodologia mais eficiente: 1) Desenvolvimento de estruturas neurais alternativas rede ARTMAP Euclidiana, empregando, por exemplo, outras distncias geomtricas como propostas nas referncias Dagher (2005a) e Dagher (2005b). Tratam-se de procedimentos mais gerais que buscam estabelecer a formao de classes de forma mais precisas em comparao aos resultados aqui apresentados; 2) Desenvolvimento de metodologias mais eficientes de realizao do treinamento continuado que possam avanar ainda mais as pesquisas deste mecanismo. Ressalta-se que o resultado de uma eventual melhoria poder, tambm, ser bastante til para a resoluo de grande variedade de problemas da vida real que efetivamente necessitam da extrao continuada do conhecimento, e.g., anlise de sinais, previso de carga, anlise de imagens, etc.; 3) Desenvolvimento de uma metodologia neural ART descendente para anlise da estabilidade transitria considerando-se modelos mais elaborados que o modelo clssico, por exemplo, o modelo completo de Park [Stott, 1979]. Esta rotina poder ser implementada, atravs do emprego de um segundo mdulo neural para a obteno de um ndice constitudo a partir da combinao de um ndice quantitativo / qualitativo (e.g., semelhante ao ndice da margem de segurana (equao (3.2.1)), e de um ndice qualitativo, baseados em resultados apurados via simulao, e resultados disponveis na operao do sistema de energia eltrica. Assim, o desafio est lanado.

95

Captulo 11

Referncias Bibliogrficas
ANAGNOSTOPOULOS, G. C. Novel Approaches Adaptive Resonance Theory for Machine Learning, Dissertation of Doctor, Department of Electrical Engineering, University of Central Florida, Orlando, Florida, 2001.

ANDERSON, P. M.; FOUAD, A. A. Power System Control and Stability, IEEE Series on Power Engineering, USA, Second Edition, 2003.

ATHAY, T.; SHERKET, V. R.; PODMORE, R.; VIRMANI, S.; PUECH, C. Transient Energy Stability Analysis, Conference on 'System Engineering For Power', Davos, Switzerland, 1979.

BISHOP, C. M. Novelty Detection and Neural Network Validation, IEE Proceedings Vision, Image and Signal Processing, Vol. 141, Issue: 4, pp. 217-222, August, 1994.

CARPENTER, G. A.; ROSS, W. D. ART-EMAP: A Neural Network Architecture for Object Recognition by Evidence Accumulation, IEEE Transactions on Neural Networks, Vol. 6, 805-818, 1995.

CARPENTER, G. A.; RUBIN, M. A.; STREILEIN, W. W. ARTMAP-FD: Familiarity Discrimination Applied to Radar Target Recognition, Proceeding International Conference on Neural Network, Vol. III, pp. 1459-1464, 1997.

CARPENTER, G. A.; GROSSBERG, S. A Massively Parallel Aschitecture for a Selforganizing Neural Pattern Recognition Machine, Computer Vision, Graphics, and Image Processing, Vol. 37, pp. 54-115, 1987a.

96

CARPENTER, G. A.; GROSSBERG, S. ART2: Self-organizing of Stable Category Recognition Codes for Analog Input Patterns, Applied Optics, 26(23), pp. 4919-4930, 1987b.

CARPENTER, G. A.; GROSSBERG, S.; MARKUZON, N.; REYNOLDS, J. H.; ROSEN, D. B. Fuzzy ARTMAP: A Neural Network Architecture for Incremental Supervised Learning of Analog Multidimensional Maps, IEEE Transaction on Neural Networks, 3(5), pp. 698-713, 1992.

CARPENTER, G. A.; GROSSBERG, S.; REYNOLDS, J. H. ARTMAP: Supervised Realtime Learning and Classification of Non-stationary data by a Self-organizing Neural Network, Neural Networks, Vol. 6, pp. 565-588, 1991a.

CARPENTER, G. A.; GROSSBERG, S.; ROSEN, D. B. Fuzzy ART: Fast Stable Learning and Categorization of Analog Patterns by an Adaptive Resonance System, Neural Networks, 4(6), pp. 759-771, 1991b.

CARPENTER, G. A.; GROSSBERG, S. Pattern Recognition by Self-Organizing Neural Networks, The MIT Press, Cambridge, Massachusetts, USA, 1991c.

DAGHER, I. L-p Fuzzy ARTMAP Neural Network Architecture, Soft Computer, 2005.

DAGHER, I. ART Networks with Geometrical Distances, Journal of Discrete Algorithms, In Press, Corrected Proof, Available online 15 July 2005, 16p.

ELGERD, O. I. Electric Energy Systems Theory: An Introduction, New York, NY, MacGraw Hill Book Company, 1971.

EPRI Transient Stability Margin as a Tool For Dynamic Security Assessment, Iowa State University, EPRI EL-1755, Project 1355-3, Ames, Iowa, 1981.

FONSECA, L. G. S.; DECKER, I. C. "Iterative Algorithm for Critical Energy Determination in Transient Stability of Power System", IFAC - Symposium Planning & Operation in Electric Energy System, Rio de Janeiro RJ, Brazil, pp. 483-489, 1985.
97

FOUAD, A. A.; VITTAL, V. Power System Transient Stability Analysis Using the Transient Energy Function Method, Prentice Hall, Englewood Cliffs, New Jersey, 1992.

FREITAS FILHO, W. Controle de Segurana Dinmica de Sistemas de Energia Eltrica via Anlise de Sensibilidade e Redes Neurais, Dissertao de Mestrado, Programa de Psgraduao em Engenharia Eltrica UNESP, Ilha Solteira SP, Dezembro, 1996.

GOMS-SNCHEZ, E.; DIMITRIADIS, Y. A.; CANO-IZQUIERDO, J. M.; LPEZCORONADO, J. ARTMAP: use of mutual information for category reduction in Fuzzy ARTMAP, IEEE Transactions on Neural Networks, Vol. 13, No. 1, 58-69, 2002.

GROSSBERG, S. Adaptive Pattern Recognition and Universal Encoding II: Feedback, Expectation, Olfaction, and Illusions, Biological Cybernetics, Vol. 23, pp. 187-202, 1976.

HAYKIN, S. Neural Networks: A Comprehensive Foundation, Prentice-Hall, Upper Saddle River, New Jersey, USA, 1994.

IEEE TASK FORCE Proposed Terms & Definitions for Power System Stability, IEEE Transactions on Power Apparatus and Systems, Vol. PAS 101, No. 7, pp. 1894-1898, July, 1982.

JAIN, A. K.; MAO, J.; MOHIUDDIN, K. M. Artificial Neural Networks: A Tutorial, IEEE Computer, Vol. 29, No. 3, pp. 31-44, March, 1996.

KARTALOPOULOS, S. V. Understanding Neural Networks and Fuzzy Logic, IEEE Press, New York, 1996.

KING, R. L. Artificial Neural Networks And Computational Intelligence, IEEE Computer Application in Power, pp. 14-29, October, 1998.

98

KOHONEN, T. Self-Organized Formation of Topologically Correct Feature Maps, Biological Cybernetics, Vo. 43, pp. 59-69, 1982. KOHONEN, T. Self-Organizing and Associative Memory, 2nd edition, Springer-Verlag, Berlin, Germany, 1987. KUNDUR, P. Power System Stability and Control, McGraw Hill, Palo Alto, CA, U.S.A., EPRI Editors, 1994.

KUNG, S. Y. Digital Neural Networks, PTR Prentice-Hall, Englewood Cliffs, N. Jersey, USA, 1993.

LIAO, Y.; VEMURI, V. R.; PASOS A. Adaptive Anomaly Detection With Evolving Connectionist Systems, Journal of Network and Computer Applications, In Press, Corrected Proof, Available online 26 August 2005, 22p.

LOTUFO, A. D. P. Anlise de Sensibilidade por Redes Neurais para Estudos da Estabilidade Transitria de Sistemas Eltricos de Potncia, Tese de doutorado, Programa de Psgraduao em Engenharia Eltrica UNESP, Ilha Solteira SP, Agosto, 2004.

MARCHIORI, S. C.; MINUSSI, C. R., LOTUFO, A. D. P. Rede Neural ARTMAP Nebulosa para Anlise de Estabilidade Transitria de Sistemas de Energia Eltrica, Revista da Sociedade Brasileira de Redes Neurais Learning and Nonlinear Models, Vol.1, No.1, pp.61-78, 2002.

MARRIOTT, S.; HARRISON, R. F. A Modified Fuzzy ARTMAP Architecture for the Approximation of Noisy Mappings, Neural Networks, Vol. 8, No. 4, pp. 619-641, 1995.

McNEIL, F. M.; THRO, E. Fuzzy Logic a Practical Approach, Academic Press, 1994.

MENDES FILHO, E. F.; CARVALHO, A. C. P. L. Tutorial Introdutrio Sobre Redes Neurais Artificiais, Departamento de Cincias de Computao e Estatstica USP, Fevereiro, 1997.

99

MINUSSI, C. R. Controle de Segurana Dinmica em Sistemas de Energia Eltrica, Tese de Doutorado, Programa de Ps-graduao em Engenharia Eltrica UFSC, Florianpolis SC, Novembro, 1990.

MINUSSI, C. R.; FREITAS FILHO, W. Sensitivity Analysis For Transient Stability, IEE Proceedings on Generation, Transmission And Distribution, Vol. 145, No. 6, pp. 669674, 1998.

MINUSSI, C. R.; RAMOS, L. M.; MARCHIORI, S. C.; LOPES, M. L. M.; LOTUFO, A. D. P. Neural Networks to Transient Stability Analysis of Electrical Power Systems, V Congresso Brasileiro de Redes Neurais, pp. 31-36, Rio de Janeiro RJ, 2001.

PAI, M. A. Power System Stability, North Holland Control Series, 1981.

PAO, Y. H.; SOBAJIC, D. J. Combined Use of Unsupervised And supervised Learning For Dynamic Security Assessment, IEEE PICA-91, pp. 278-284, 1991.

PARK, Y. M.; KIN, G. -W.; CHO, H. -S; LEE, K. Y. A New Algorithm for Kohonen Layer Learning With Application to Power System Stability Analysis, IEEE Transactions on Systems, Man, And Cybernetics, Vol. 27, No. 6, pp. 1030-1033, December, 1997.

PAVELLA, M.; ERNST, D.; RUIZ-VEGA, D. Transient Stability of Power Systems a Unified Approach to Assessment and Control, Boston, U.S.A., Kluwer Academic Publisher, 2000.

RAUBER,

T.

W.

Redes

Neurais

Artificiais,

disponvel

em

http://

www.lia.ufc.br/~eti/2003/menu/modulos/RNA/RNA-RedesNeuraisArtificiaisII.pdf. Acesso em 9 de junho de 2005.

RIBBENS-PAVELLA, M.; EVANS, P. J. "Direct Methods For Studying Dynamics of Large-scale Electric Power Systems - A Survey", Automatica, Vol. 21, pp. 1-2, 1985.

100

SILVEIRA, M. C.G. Anlise de Estabilidade Transitria de Sistemas Eltricos por Redes neurais ARTMAP Nebulosas Modulares, Tese de Doutorado, Programa de Psgraduao em Engenharia Eltrica Faculdade de Engenharia de Ilha Solteira UNESP, Outubro-2003.

SILVEIRA, M. C. G.; LOTUFO, A. D. P.; MINUSSI, C. R. Transient Stability Analysis of Electrical Power Systems Using a Neural Network Based on Fuzzy ARTMAP, IEEE Bologna Power Tech 2003 Conference, Bologna Italy, 7p, 2003.

SIMPSON, P. K. Artificial Neural Systems: Foundations, Paradigms, Applications, and Implementations, Pergamon Press, New York, 1989.

SOBAJIC, D. J.; PAO, Y-H. Artificial Neural-Net Based Dynamic Security Assessment for Electric Power Systems, IEEE Transactions on Power Systems, Vol. 4, No. 1, pp. 220227, February, 1989.

STOTT, B. Power System Dynamic Response Calculations, Proceedings of the IEEE, Vol. 67, No. 2, pp. 219 241, January, 1979.

TERANO, T.; ASAI, K.; SUGENO, M. Fuzzy Systems Theory And Its Application, Academic Press, New York, USA, 1987.

Tutorial http://www.din.uem.br/ia/neurais/. Acesso em 2 de maro de 2005.

URL http://allserv.ugent.be/~svaelst/courses/distance.pdf. Acesso em 15 de agosto de 2005.

VAKIL-BAGHMISHED, M-T.; PAVESIC, N. A Fast Simplified Fuzzy ARTMAP Network, Neural Processing Letters, Vol.17, pp. 273 316, 2003.

VENIKOV, V. A.; ANISIMOVA, N. D.; EZHKOV, V. V.; ZHUKOV, L. A.; LIKTENS, J. V.; FIEDOROV, D. A.; TSOVIANOV, A. N. Calculos de Estabilidad de Sistemas Electricos Automatizados, Editora Mir, Moscou, Russia, 1970.

101

VERZI, S. J.; HEILEMAN, G. L.; GEORGIOPOULOS, M.; HEALY, M. J. Boosting the performance of ARTMAP, Proceedings of IJCNN 98, pp. 396-401, 1998.

VUSKOVIC, M.; DU, S. Classification of EMG Patterns with Simplified Fuzzy ARTMAP Networks, Proceeding of the 2002 International Joint Conference on Neural Networks, Networks, Honolulu Hawaii, May 12-17, 2002a.

VUSKOVIC, M.; DU, S. Simplified ARTMAP Network Based on Mahalanobis Distance, Proceeding of the 2002 International Conference on Mathematics and Engineering Techniques in Medicine and Biological Science, Las Vegas, Nevada, June 27-27, 2002b.

WASSERMAN, P. D. "Neural Computing - Theory And Practice", Van Nostrand Reinhold, New York, USA, 1989.

WERBOS, P. J. Beyond Regression: New Tools For Prediction And Analysis in The Behavioral Sciences, Master Thesis, Harvard University, 1974.

WIDROW, B.; LEHR, M. A. 30 Years of Adaptive Neural Networks: Perceptron, Madaline, and Backpropagation, Proceedings of the IEEE, Vol. 78, No. 9, pp. 1415-1442, September, 1990.

WILLIAMSON, J. R. Gaussian ARTMAP: A Neural Network for Fast Incremental Learning of Noisy Multidimensional Maps, Neural Networks, Vol. 9, No. 5, pp. 881-897, 1996.

102

Apndice A

Algoritmo Computacional para a Determinao da Margem de Segurana

Considerando os conceitos apresentados no Captulo 3, pode-se descrever o algoritmo de anlise de estabilidade transitria de sistemas de energia eltrica (Mtodo PEBS Iterativo), mediante os seguintes passos [Fonseca & Decker, 1985]:

Passo 1.

Ler os dados.

Passo 2.

Determinar o fluxo de potncia do sistema pr-defeito.

Passo 3.

Iniciar o contador de contingncias: r 1.

Passo 4.

Contador de contingncias: r r + 1.

Passo 5.

Calcular as matrizes reduzidas s barras internas de gerao para as configuraes de defeito e de ps-defeito.

Passo 6.

Calcular o ponto de equilbrio ps-defeito. Emprega-se, neste caso, o mtodo de Newton, considerando a topologia da rede reduzida s barras internas de gerao.

Passo 7.

O ponto de equilbrio ps-defeito estvel? Se verdadeiro, ir ao passo 8. Do contrrio, emitir mensagem que a contingncia no possui ponto de equilbrio e,
103

conseqentemente, o sistema considerado instvel para a contingncia analisada e retornar ao passo 4.

Passo 8.

Determinar o tempo crtico e a energia crtica: (a) o clculo das trajetrias, sob defeito e ps- defeito, determinado usando o mtodo Runge-Kutta de segunda ordem (integrao numrica das equaes diferenciais (2.3.1)); (b) energia e tempo crtico determinados utilizando-se o algoritmo proposto na [Fonseca et al., 1985]. A funo de Lyapunov, tipo energia, avaliada de acordo com as expresses (3.2.2)-(3.2.4).

Passo 9.

ltima contingncia? Se verdadeira, ir ao passo 10. Do contrrio, retornar ao passo4.

Passo 10. Emitir relatrio, em forma de tabelas, contendo os principais dados e resultados (tempo crtico, energia crtica, energia correspondente ao instante de eliminao de defeito, margem de segurana, etc.).

Passo 10. Finalizar o processo de clculo.

104

Apndice B

Dados do Sistema de Energia Eltrica

A seguir, apresentam-se os dados e o diagrama unifilar referentes a uma configurao-teste baseada no sistema sul-brasileiro composto por 10 mquinas sncronas, 45 barras e 73 linhas de transmisso. Os dados referem-se a uma base de 100 MVA.

Tabela A1 Dados de barras do sistema sul-brasileiro (10 mquinas). IDENTIFICAO N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 NOME Barraco 13,8 P. Fundo 13,8 S. Osrio 13,8 F. Areia 13,8 S. Santiago 13,8 J. Lacerda A 13,8 J. Lacerda B 13,8 J. Lacerda C 13,8 Itaba 13,8 Segredo 13,8 Ivaipor 525 Londrina 525 Siderpolis 230 Farroupilha 230 P. Fundo 230 Xanxer 230 TENSO MD. 1,020 1,040 1,020 1,022 1,018 1,030 1,030 1,030 1,000 1,020 1,007 0,995 0,969 0,978 0,978 0,946 NG. -11,430 -17,100 5,080 -6,380 3,290 -29,920 -28,380 -27,020 -16,150 0,000 -11,180 -13,510 -37,470 -37,240 -22,680 -17,990 CARGA MW 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 1,770 1,910 1,710 1,260 MVAr 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 -2,130 0,000 0,680 0,420 0,185 0,470 GERAO MW 6,500 2,150 10,500 11,100 13,250 0,900 1,200 2,410 4,900 13,640 0,000 0,000 0,000 0,000 0,000 0,000 MVAr 1,007 1,496 2,450 3,377 1,651 0,465 0,548 0,905 1,365 2,051 0,000 0,000 0,000 0,000 0,000 0,000

105

Tabela A1 - Continuao. IDENTIFICAO N 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 NOME Pato Branco 230 S. Osrio 230 Areia 230 S. Mateus 230 Curitiba 230 Joinville 230 Blumenau 230 R. Queimado 230 Areia 525 Curitiba 525 Cur. Norte 525 Blumenau 525 Barraco 525 Gravata 525 V. Aires 525 Pinheiro 525 S. Santiago 525 J. Lacerda 138 J. Lacerda 230 Segredo 525 Ceci 230 Gravata 230 Itaba 230 V. Aires 230 Apucarana 230 Londrina 230 Maring 230 C. Mouro 230 Forquilinha 230 TENSO MD. 0,954 0,999 0,978 0,997 0,991 0,952 0,967 0,963 1,003 0,986 0,988 0,968 1,010 1,019 1,027 1,018 1,010 0,994 0,996 1,010 1,012 1,026 0,975 1,029 0,973 0,989 0,983 0,981 0,977 NG. -10,870 -1,660 -15,420 -26,600 -26,760 -33,640 -32,190 -34,310 -10,550 -24,330 -22,750 -30,100 -16,350 -33,630 -26,790 -13,680 -5,150 -34,310 -33,090 -5,160 -37,550 -36,940 -22,960 -29,400 -18,930 -15,600 -18,900 -15,340 -37,360 CARGA MW 0,460 2,810 2,790 1,300 4,270 3,100 4,240 1,170 0,000 0,000 3,680 0,000 1,740 0,000 0,000 0,000 0,000 1,260 0,000 0,000 8,130 6,120 4,040 3,930 2,620 2,290 1,840 1,390 0,901 MVAr 0,147 0,565 0,607 -0,706 -1,250 0,410 0,094 0,531 0,000 -1,447 -0,756 0,000 -1,138 -1,596 -1,603 -1,615 0,000 0,398 0,000 0,000 1,100 -4,550 1,350 -1,110 0,132 0,830 -0,398 -0,463 -0,447 GERAO MW 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 MVAr 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000

106

Tabela A2 - Dados do sistema de transmisso IMPEDNCIA BARRA DE DESTINO R(%) Londrina 525 Londrina 525 Areia 525 S. Santiago 525 Londrina 230 Barraco 525 Farroupilha 230 J. Lacerda 230 Forquilinha 230 P. Fundo 230 P. Fundo 230 Ceci 230 Ceci 230 Ceci 230 P. Fundo 230 Xanxer 230 Xanxer 230 Itaba 230 P. Branco 230 S. Osrio 230 S. Osrio 230 S. Osrio 230 Areia 230 C. Mouro 230 C. Mouro 230 S. Mateus 230 Areia 525 Curitiba 230 Joinville 230 Joinville 230 0,07 0,07 0,18 0,14 0,00 0,00 3,86 0,96 0,33 4,63 4,63 1,77 1,77 1,77 0,00 1,63 1,63 2,50 1,63 3,16 1,53 0,00 3,06 3,44 3,44 2,45 0,00 0,88 1,82 1,82 X(%) 1,45 1,45 2,27 2,04 0,63 1,36 19,85 4,91 1,67 23,78 23,78 9,10 9,10 9,10 4,60 8,35 8,35 15,48 8,35 16,21 8,61 1,14 15,23 17,60 17,60 12,56 3,00 4,15 9,35 9,35

N 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

BARRA DE ORIGEM Ivaipor 525 Ivaipor 525 Ivaipor 525 Ivaipor 525 Londrina 525 Barraco 13,8 Siderpolis 230 Siderpolis 230 Siderpolis 230 Farroupilha 230 Farroupilha 230 Farroupilha 230 Farroupilha 230 Farroupilha 230 P. Fundo 13,8 P. Fundo 230 P. Fundo 230 P. Fundo 230 Xanxer 230 Xanxer 230 P. Branco 230 S. Osrio 13,8 S. Osrio 230 S. Osrio 230 S. Osrio 230 Areia 230 Areia 230 S. Mateus 230 Curitiba 230 Curitiba 230

107

Tabela A2 - Continuao. IMPEDNCIA BARRA DE DESTINO R(%) Curitiba 525 Blumenau 230 Blumenau 230 R. Queimado 230 R. Queimado 230 Blumenau 525 J. Lacerda 230 J. Lacerda 230 Areia 525 Curitiba 525 Cur. Norte 425 Barraco 525 Segredo 525 Cur. Norte 525 Blumenau 525 Gravata 525 Gravata 230 Pinheiro 525 V. Aires 230 S. Santiago 525 S. Santiago 525 Segredo 525 J. Lacerda 13,8 J. Lacerda 230 J. Lacerda 230 J. Lacerda 230 Forquilinha 230 Segredo 525 Gravata 230 Gravata 230 0,00 1,54 1,54 2,16 2,16 0,00 1,80 1,80 0,00 0,19 0,19 0,14 0,05 0,05 0,12 0,21 0,00 0,22 0,00 0,14 0,00 0,05 0,00 0,00 0,00 0,00 1,29 0,00 0,22 0,22 X(%) 0,62 7,76 7,76 11,05 11,05 0,62 9,20 9,20 0,67 2,80 2,74 1,95 0,70 0,69 1,75 3,09 0,62 3,00 0,62 1,95 1,14 0,70 8,71 5,90 7,01 4,50 6,57 0,68 1,11 1,11

N 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

BARRA DE ORIGEM Curitiba 230 Joinville 230 Joinville 230 Blumenau 230 Blumenau 230 Blumenau 230 R. Queimado 230 R. Queimado 230 F. Areia 13,8 Areia 525 Areia 525 Areia 525 Areia 525 Curitiba 525 Curitiba 525 Barraco 525 Gravata 525 V. Aires 525 V. Aires 525 Pinheiro 525 S. Santiago 13,8 S. Santiago 525 J. Lacerda A 13,8 J. Lacerda 13,8 J. Lacerda B 13,8 J. Lacerda C 13,8 J. Lacerda 230 Segredo 13,8 Ceci 230 Ceci 230

108

Tabela A2 - Continuao. IMPEDNCIA BARRA DE DESTINO R(%) Gravata 230 V. Aires 230 V. Aires 230 V. Aires 230 Itaba 230 V. Aires 230 Londrina 230 Londrina 230 Maring 230 C. Mouro 230 Maring 230 Maring 230 C. Mouro 230 0,22 2,07 2,07 2,07 0,00 2,02 1,25 0,89 1,10 2,29 1,72 1,72 1,81 X(%) 1,11 9,33 9,33 9,33 2,36 11,29 6,40 4,61 11,84 11,74 8,84 8,84 9,29

N 61 62 63 64 65 66 67 68 69 70 71 72 73

BARRA DE ORIGEM Ceci 230 Ceci 230 Ceci 230 Ceci 230 Itaba 13,8 Itaba 230 Apucarana 230 Apucarana 230 Apucarana 230 Apucarana 230 Londrina 230 Londrina 230 Maring 230

Tabela A3 - Dados das mquinas sncronas. N MQUINA 1 2 3 4 5 6 7 8 9 10 POTNCIA MECNICA (pu) 6,50 2,15 10,50 11,10 13,25 0,90 1,20 2,41 4,90 Referncia

Xd (%) 3,67 10,37 2,84 2,41 2,43 13,52 15,34 8,00 4,32 2,16

H(s) 30,44 10,56 38,34 62,25 55,24 4,37 6,80 12,50 20,24 62,46

109

Apndice C

Artigos Publicados Relacionados com a Pesquisa de Doutorado

De acordo com as exigncias do Regulamento do PPGEE (Programa de Psgraduao em Engenharia Eltrica) da Faculdade de Engenharia de Ilha Solteira UNESP, Art. 45, Pargrafo nico, o aluno de Doutorado dever ter publicado ou ter sido aceito para publicao, no mnimo, dois artigos completos, relacionados com a pesquisa, em peridicos, congressos ou eventos similares que possuem corpo tcnico de revisores de competncia reconhecida pela comunidade cientfica. Assim sendo, neste Apndice so apresentados os artigos que foram publicados relacionados com a pesquisa de doutorado: 1. MARCHIORI, S. C.; MINUSSI, C. R., LOTUFO, A. D. P. Rede Neural ARTMAP Nebulosa para Anlise de Estabilidade Transitria de Sistemas de Energia Eltrica, Revista da Sociedade Brasileira de Redes Neurais Learning and Nonlinear Models, Vol.1, No.1, pp. 61-78, 2002. 2. SILVEIRA, M. C. G.; FERREIRA, W. P.; MARCHIORI, S. C.; MINUSSI, C. R. Anlise de Estabilidade Transitria de Sistemas de Energia Eltrica Usando uma Rede Neural ARTMAP Nebulosa, XIV Congresso Brasileiro de Automtica, pp. 3171-3177, Natal RN, 2002. 3. MARCHIORI, S. C.; MINUSSI, C. R. Rede Neural ARTMAP Euclidiana para Anlise da Estabilidade Transitria de Sistemas Eltricos, XXV Congresso da Sociedade Brasileira de Computao e V Encontro Nacional de Inteligncia Artificial, pp.573-582, So Leopoldo RS, 2005. 4. MARCHIORI, S. C.; LOTUFO, A. D. P.; MINUSSI, C. R. Anlise de Estabilidade Transitria de Sistemas de Energia Eltrica Por Rede Neural ARTMAP Euclidiana, VII Simpsio Brasileiro de Automao Inteligente, So Lus MA, 2005.
110