1
Localizador de faltas em Sistemas Eltricos aplicando
Algoritmos Evolutivos
W. Guerra and N. Kagan
Centro de Estudos em Regulao e Energia Eltrica (Enerq-ct) Escola Politcnica - USP
Resumo-- Este trabalho tem por objetivo apresentar o
desenvolvimento e a implementao dos Algoritmos Evolutivos,
para solucionar o problema de localizao de faltas. Aplicou-se as
Estratgias Evolutivas em todas as etapas de otimizao, desde a
gerao da populao, reproduo, mutao e cruzamento de
indivduos. Tambm foram implementadas estratgias, de como
direcionar o processo de otimizao para encontrar o ponto de
ocorrncia do defeito. Apresentam-se os resultados de um sistema
de 30 barras IEEE, para demonstrar a eficincia da metodologia.
Palavras chaves-- Otimizao, Localizador de
Algoritmos Evolutivos, Estratgias Evolutivas.
I. INTRODUO
A S exigncias cada vez maiores do mercado, referente aos
padres de qualidade de energia eltrica, levam s
empresas a adequar a operao das suas redes eltricas,
utilizando softwares e hardwares que fazem com que operem
de forma mais eficientemente.
A qualidade de energia eltrica de forma geral se divide em
dois grandes tpicos, a qualidade do produto e a qualidade do
servio. Este ltimo tpico se relaciona com a continuidade.
Este aspecto aborda o problema de localizao de faltas, que
causa interrupo da energia. Sendo esta, aleatria e tambm
imprevisvel. A interrupo de energia realizada por
equipamentos de proteo, visando proteger os equipamentos
envolvidos nas redes de transmisso de energia e resguardar
sua estabilidade. O rpido restabelecimento do fornecimento
de energia depende da localizao do ponto onde ocorreu a
falta no sistema e da realizao de reparos necessrios [1].
As faltas das linhas de transmisso podem ocorrer devido a
diversos fatores, tais como: problemas na isolao, queimadas
prximas s linhas de transmisso, contatos entre linhas de
transmisso (devido ao envolvimento de agentes externos),
entre outros. A maioria de faltas em linhas de transmisso
envolve o contato de uma das fases com a terra (fase-terra)
[1]. Onde as correntes de curto circuito so pequenas,
dificultando que os equipamentos de proteo enxerguem a
falta e atuem.
Para a localizao aproximada do ponto de ocorrncia de
uma falta necessrio que os parmetros caractersticos das
linhas, transformadores e demais equipamentos que formam
W. Guerra pode ser contatado na USP - So Paulo em ENERQ (e-mail:
wilingthon.guerra@poli.usp.br
N Kagan pode ser contatado na USP-PEA, (e-mail: . nelsonk@pea.usp.br).
um sistema sejam conhecidos. Tambm seria preciso o
conhecimento do tipo de falta e impedncia de defeito. Outra
questo crtica, alm das mencionadas, a incerteza da carga
que dificulta a soluo do problema. Na maioria dos casos
estas grandezas no so conhecidas, o que constitui em
desafio na estimativa do calculo do local de defeito.
Por outro lado, nas redes de transmisso existem
medidores, na maioria, medidores de energia e poucos deles
faltas,
relativos qualidade. Estes na maioria dos casos foram
instalando no visando o problema de localizao de faltas, ou
seja, que estes possam monitorar todas as faltas no sistema. O
fato de ter poucos medidores de qualidade contribui para que
o problema de localizao da falta seja de difcil soluo.
Na bibliografia estudada h alguns trabalhos que tratam da
soluo deste problema. Um grupo aplicou Redes Neurais [2]
utilizando dados de um extremo da linha, o que reduziu a
quantidade de dados. Em [3] se aplica o Teorema de Bayes
atravs de probabilidades, aplicado a sistemas de comunicao
complexos. Estes trabalhos utilizam valores dos equipamentos
e cargas fornecidos. O que tem diferencia com a realidade,
onde os dados esto incompletos.
Este trabalho ilustra a aplicao de Algoritmos
Evolucionrios (AEs) [4], para a soluo do problema de
localizao de faltas nos Sistemas de Transmisso. Os AEs
so amplamente conhecidos para a soluo de problemas de
inteligncia artificial e tem muitas aplicaes em Engenharia
Eltrica. A aplicao desta tcnica tem uma diferente
concepo da evoluo natural de espcies, diferente aos
Algoritmos Genticos (AGs). Onde a mutao nos AEs
constitui o principal operador de evoluo. Introduzindo uma
inovao na populao, para gerar variaes nos indivduos.
A partir de uma populao so utilizados os operadores de
seleo, mutao e cruzamento dentro do processo de
otimizao.
So apresentados os resultados para um sistema de 30
barras IEEE.
II. ALGORITMOS EVOLUTIVOS(AES)
Trs algoritmos foram descritos [4], que formam a famlia
dos conceitos de computao evolutiva: Algoritmos
Genticos, Programao Evolutiva, Estratgias Evolutivas.
Este ltimo j apresentou resultados impressionantes nos

incios da sua aplicao. No entanto de modo similar a outras
iniciativas de propor mtodos de soluo de problemas
inspirados na natureza, tais como redes neurais artificiais e
sistemas nebulosos tiveram que passar por processos de
reconhecimento da comunidade cientfica. Nos anos 90 estas
tcnicas demonstraram o poder impressionante de resolver
problemas de elevada complexidade.
A estrutura de um algoritmo evolutivo pode ser dada da
seguinte forma:
t = 0;
Star P(t)
Assess P(t)
While (test for stopping not satisfied) do:
P' (t) = Change P(t) ;
Assess P' (t)
Q(t) = f [P(t)];
P(t +1) = selection [P' (t) Q(t)];
t =t +1
End
Onde, P(t) denota a populao de P' (t) indivduos na
gerao t. Q representa um conjunto de indivduos que podem
ser considerados para a seleo. Para o problema de
localizao ser um local da falta caracterizado por
cromossomas. Q uma funo da populao P(t) . Ou seja,
uma nova gerao de indivduos P(t) de tamanho P(t) gerada
pela variao do conjunto P(t) atravs de operadores tais
como mutao e recombinao. Os novos indivduos so uma cadeia.
avaliados medindo a distancia deles com a soluo tima do
problema. Para o localizador ser a distancia dos valores
calculados at os valores lidos com os medidores instalados na
rede. Ento uma nova populao t+1 formada com os
melhores indivduos. Ou seja, os indivduos melhores
adaptados formaro parte da nova populao.
Aps um determinado numero de geraes, a condio de
parada deve ser atendida, a qual usualmente indica a
exigncia, na populao, de um individuo que represente uma
soluo aceitvel para o problema ou o numero de geraes
foi atingido.
III. LOCALIZADOR DE FALTAS
A. Descrio do Problema
Quando ocorre um defeito permanente em uma das linhas
de transmisso, o trabalho das equipes de emergncia para
localizar o ponto de falta habitualmente mais demorado, uma
vez que no se sabe exatamente qual o trecho onde o defeito
ocorreu. Isto implica aumento dos custos em manuteno e
reduo da confiabilidade do sistema.
Desta forma necessrio que as concessionrias
disponham de um sistema de localizao de faltas, que permita
identificar os pontos de ocorrncia das faltas, minimizando
2
desta forma o tempo de deslocamento das equipes de
manuteno e aumentando a confiabilidade do sistema.
B. Metodologia proposta para localizao de faltas
A metodologia aplica as estratgias evolutivas [4]. Como
mencionado acima, a grande diferencia a conceio da
evoluo natural de espcies. Sero aplicadas estratgias para
a aplicao dos operadores da evoluo. O algoritmo baseia-se
nos processo j mencionado acima.
Inicialmente se estabelecem a codificao dos indivduos,
os parmetros iniciais que sero detalhados mais para frente,
para logo comear o processo de otimizao.
Codificao: Os indivduos so representados atravs de
parmetros do problema, que representam um local de falta.
Para isso utilizam-se variveis discretas e continuas que
representam os cromossomas de cada individuo. O seguinte
exemplo representa um individuo:
Fig. 1. Representao de um indivduo
Local da Falta; este cromossoma (varivel continua)
representa o ponto exato onde o curto circuito ser simulado.
Para isso a rede se agrupara como se fosse s uma, formando
Tipo de falta; este cromossoma (varivel discreta) representa o
tipo de curto circuito. Foram considerados quatro tipos de
curto circuito: trifsico, bifsica, fase terra e duas fases terra
com impedncia de defeito.
Impedncia de defeito; este cromossoma (varivel continua)
representa a impedncia de defeito. Para o qual considerada
uma faixa entre 0 20 .
C. Populao
O nmero de indivduos da populao fixado a priori,
dependendo do tamanho da rede. Para rede testada
considerou-se uma populao de 80 indivduos.
Foi gerado aleatoriamente o grupo de indivduos
considerando uma taxa de falta em cada trecho, assim, os
indivduos mais ajustados tm maior probabilidade de se
reproduzirem nas geraes futuras. Aplicou-se o mtodo
baseado na roleta [5]. Neste mtodo cada individuo ocupa
uma fatia da roleta que proporcional ao seu ajuste do
problema, isto proporcional funo objetivo. O tipo de
curto circuito s ilustrativo, j que a funo objetivo
avaliada para todos os curtos circuitos. O esforo
computacional mnimo para um ou mais curtos circuitos.
Consideram-se os seguintes tipos de curtos:
 3

pacm,k
1
Falta Trifsica
Falta Bifsica
Falta Monofsica a Terra Aleatrio 2
3

Falta Duas Fases Terra

1

n
k
n-1

Foi gerado um numero entre 0 20 para determinar a

impedncia de defeito.
indivduos
1 2 3 k n-1 n
D. Avaliao da funo objetivo
Fig. 2. Seleo de indivduos pelo mtodo da roleta
A funo de avaliao deve ser um ndice de mrito no
negativo. Para o problema de localizao ser a distancia, Na figura 2, no eixo das ordenadas, so dispostos os
calculada entre os valores das tenses lidas pelos medidores valores da funo de avaliao (distancia entres valores
instalados e os valores calculados. Para isso aplicamos o calculados e medidos) acumulados, de modo que cada
mtodo de Mnimos Quadrados. individuo contribua com seu cumprimento de fatia sua
probabilidade. A probabilidade acumulada de um individuo k
faval = [(Vmi A VcA)2 +(Vmi B VcB)2 +(VmiC VcC)2] / 3 (1) dada pela seguinte expresso:
Onde:
k
Vmi A : Modulo da tenso lida pelo medidor mi na fase A; f
j =1
aval , j
(2)
Pacum , k =
VcA : Modulo da tenso calculada na fase A; n

f
j =1
aval , j

Na maioria dos problemas de otimizao tem a existncia

de restries. Para o problema estudado sero as restries Este procedimento garante que aqueles indivduos mais
prprias para o calculo de curto circuito. Este clculo foi feito ajustados tenham maior probabilidade de serem reproduzidos
atravs de uma ferramenta computacional SINAP t&d. na gerao posterior.

E. Construo de lista de trechos G. Mutao

Para efeitos de direcionar o processo de otimizao na etapa
da mutao, foi construda uma lista, contendo o nome de um
trecho e um valor (funo objetivo) associado ao trecho. Este
valor calculado, fazendo 3 curtos circuitos no trecho: nas
barras e no meio do trecho. Para depois avaliar a funo
objetivo de cada local, utilizando o mtodo j ilustrado.
Finalmente calculado a media aritmtica dos trs valores
(trs locais de falta). Este valor ser associado ao trecho. Este
processo feito para todos os tipos de curtos circuitos
considerados. Considerou-se uma impedncia de defeito igual
a zero.
A mutao consiste no principal operador da evoluo nos
AEs. Este operador atua em cada indivduo com uma taxa de
mutao pm entre 0 e 1. sorteado um numero (0-1), se este
menor que pm, ento se realiza o processo de mutao.
Adicionando um valor aleatrio pertencente a uma
distribuio normal com media zero e desvio padro . Desta
forma a gerao de filhos criada a partir da mutao como
apresentado na equao a seguir.
x' i = xi + N i (0,1) (3)

Para cada tipo de curto se ordenara a lista de acordo com o
valor da sua funo objetivo. E ser trocado este valor pelo
seu respectivo nome do trecho. Assim, teremos s quatro
colunas com nomes dos trechos.
F. Reproduo
Este processo tem por objetivo copiar indivduos de uma
gerao para outra, de modo que aqueles indivduos mais
ajustados tenham maior probabilidade de se reproduzirem nas
geraes futuras. O mtodo escolhido foi baseado na roleta
Onde N i (0,1) um numero aleatrio com desvio padro
unitrio e media nula. O desvio padro representa o passo
da mutao para a gerao dos indivduos filhos. Este passo
para o algoritmo no ser constante, de forma a controlar este
parmetro. Em [6] introduziu novos parmetros para
conseguir este controle. Tais parmetros proporcionam a auto-
adaptao dos indivduos. Atravs da seguinte equao:
'i = i exp( 'N (0,1) + N i (0,1)) (4)
x'i = xi + 'i N i (0,1) (5)

[5]. Assim ao gira a roleta, a probabilidade de cada individuo

ser selecionado ser diretamente proporcional funo Onde:
i: variao do parmetro de ndice i;
objetivo.
i: passo de mutao;
 4

Ni(0,1):valor sorteado a cada gerao com distribuio normal L falta (indiv 3 ) = ( L falta (indiv 1 ) + L falta (indiv 2 )) / 2 (6)
de mdia 0 e desvio padro 1;
N(0,1): valor sorteado com distribuio normal de mdia 0 e Z falta (indiv 3 ) = ( Z falta (indiv 1 ) + Z falta (indiv 2 )) / 2 (7)
desvio padro 1. Este se mantm constante para cada
indivduo. Onde L falta e Z falta ponto de ocorrncia da falta e
: taxa de aprendizado ( ( 2 ) 1 ) impedncia de defeito respectivamente.
: taxa de aprendizado ( ( 2 ) 1 )

Utiliza-se freqentemente =2, como mencionado na IV. SISTEMA TESTADO

referncia [6].
Nesta seo sero apresentados os resultados obtidos
Mutao do local da falta: Utilizou-se um critrio para ter
utilizando os AEs. Este mtodo foi implementado em um
viso das distancias entre um local de falta e outro. Para isso,
ambiente de programao C++, sobre a base do software
utilizou-se a lista de trechos descrita no item E. Com a
SINAP t&d.
finalidade de ter uma viso geral da distancia dos demais
locais de falta com respeito ao individuo avaliado.
Utilizou-se um sistema de 30 barras IEEE ilustrado na Fig.
3. O cumprimento total deste sistema 360 km. Com 3 nveis
Previamente ser localizado o nome do trecho na coluna
de tenso 132/33/11 kV. Para instalar os medidores foi
respectiva (lista de trechos) do individuo a ser mutado.
implementado uma tcnica de otimizao com a finalidade de
Reordenar-se- tomando como referencia o nome do
obter o menor numero de medidores que enxerguem todos os
individuo. Assim, ter uma viso de caminhar mais prximo
defeitos. Foram calculados seis medidores, que registram
ou no do individuo a ser mutado.
valores de tenso.
Para isto, aplica-se a expresso (4) e (5). O passo
aumentara at chegar a um mxima, para depois voltar a
seus valores iniciais.

Mutao do tipo de falta: Como dito nos itens anteriores, o

tipo de falta ilustrativo, porque, a avaliao da funo
objetivo feita para todos os tipos de curtos circuitos.
Considerou-se aquele que tem menor valor de funo
objetivo.

Mutao da impedncia de falta: Utilizaram-se as expresses

(4) e (5). Similarmente quando se alcance um mximo,
reiniciar as expresses.

H. Cruzamento
Este operador aliado mutao tem por objeto introduzir
variabilidade busca aleatria da soluo do problema. O
principio a troca de informaes genticas entre indivduos
de uma mesma espcie. Em alguns casos at pode evitar que o
algoritmo convirja para timos locais.

Uma das formas de realizar o cruzamento consiste em obter
os parmetros de um par de indivduos da populao. Esta
troca de gerar filhos atravs da media aritmtica das
caractersticas dos pais. Sempre que o numero gerado entre 0-
1 seja menor taxa de cruzamento pc.
TABELA I. Seleo de indivduos pelo mtodo da roleta
A tabela 1 ilustra os resultados para trs eventos de falta
gerados aleatoriamente. Pode-se ver que os erros so menores
a 0,5 km. O que demonstra que a metodologia eficiente.

Caso seja feito o cruzamento, estabelecem-se O algoritmo empregando as estratgias evolutivas

aleatoriamente quantos genes vo-se cruzar. Para o caso do ilustrado na figura 4, de forma resumida. Os passos detalhados
local e impedncia de defeito ser atravs da expresso foram ilustrados nos itens anteriores.
seguinte:
 5

media de erro de 2%.

A construo de uma lista com os trechos e seus

respectivos valores de funo objetivo, fez ter uma viso das
proximidades dos locais de falta. Este critrio permitiu
direcionar o processo de otimizao.

Fig. 3. Sistema de 30 barras IEEE

V. CONCLUSES

As metaheursticas proporcionam mecanismos adequados

para sair dos timos locais. Estes diferem muito dos timos
globais, e, dessa forma, tm impacto prtico das melhorias dos
resultados obtidos com as metaheursticas em relao s
heursticas tradicionais. Pode-se observar isto atravs dos
resultados neste trabalho.

Este trabalho apresentou o desenvolvimento de uma

metodologia para a localizao de faltas em linhas de
transmisso, utilizando as Estratgias Evolutivas. Alm de
apresentar os resultados para uma rede de 30 barras IEEE.

As estratgias utilizadas no processo de da gerao da

populao, reproduo, mutao e cruzamento foram
adequadas, j que encontraram os pontos de falta com uma Fig. 4. Algoritmo resumido
 6

A estratgia de auto-adaptao utilizada para o processo de

mutao fez ao algoritmo controlar o passo de modo a
intensificar e diversificar o processo de otimizao.

Um aspecto necessrio de mencionar a observabilidade

dos medidores. Isto que quando uma falta na enxergada
por algum medidor, ento, o algoritmo no encontra o ponto
onde ocorreu a falta. Na realidade, os medidores so
instalados nas redes, no sempre tendo em considerao a
localizao das faltas. O que constituir um desafio a mais
para resolver o problema quando se apresente estes casos.

VI. AGRADECIMENTOS
Os autores agradecem CAPES pelo financiamento do
projeto de pesquisa, que originou os resultados apresentados
neste artigo.

VII. REFERNCIAS

[1] Mora. J. Voltage Sag Characterization and Classification for Diagnosis

in Electric Power Quality Domain, Master dissertation. University of
Girona, Espaa. 2003
[2] Calhau D. Vinicius D. Andr C. and Carvalho A. Localizao de Faltas
em Linhas de Transmisso de Energia Eltrica Utilizando
Reconhecimento de Padres, Proceedings of the IV Brazilian
Conference on Neural Networks - IV Congresso Brasileiro de Redes
Neurais, pp 061-066, 1999.
[3] Steinder M. and Sethi S. Probabilistic Fault Localization in
Communication Systems Using Belief Networks, IEEE/ACM
Transactions on Networking, Vol. 12, No. 5, October 2004
[4] D. E. Goldberg: Genetic Algorithms in Search, Optimization, and
Machine Learning, Addison-Wesley Publishing Company, Inc. USA,
1953.
[5] N. Kagan: Configurao de Redes de Distribuio Atravs de
Algoritmos Genticos e Tomada de Deciso Fuzzy, Tese de Livre
Docncia: EPUSP, 1999.
[6] T. Back and H.-P. Schwefel, "Evolutionary Computation: An
Overview," in Proceedings of IEEE International Conference on
Evolutionary Computation, 1996, pp. 20-29.