RESSALVA 

 

 

 

 
Atendendo solicitação da  

autora, o texto completo desta tese  

será disponibilizado somente a partir  

de 13/05/2019. 



Ilha SolteiraIlha Solteira

UNIVERSIDADE ESTADUAL PAULISTA

“JÚLIO DE MESQUITA FILHO”

Câmpus de Ilha Solteira - SP

GLORIA PATRICIA LÓPEZ SEPÚLVEDA

APLICAÇÃO DE INTELIGÊNCIA COMPUTACIONAL NA

RESOLUÇÃO DE PROBLEMAS DE SISTEMAS

ELÉTRICOS DE POTÊNCIA

Ilha Solteira

2017



GLORIA PATRICIA LÓPEZ SEPÚLVEDA

APLICAÇÃO DE INTELIGÊNCIA COMPUTACIONAL NA

RESOLUÇÃO DE PROBLEMAS DE SISTEMAS

ELÉTRICOS DE POTÊNCIA

Tese apresentada à Faculdade de
Engenharia - UNESP - Câmpus de Ilha
Solteira, para obtenção do título de
Doutora em Engenharia Elétrica.
Área de conhecimento: Automação.

Prof. Dr. Marcos Julio Rider Flores

Orientador

Ilha Solteira

2017







À minha família, em especial ao meu esposo Hugo, à minha filha Valentina, à minha mãe

Carmen, à minha vovó Dioselina e à meu vovô Jorge, por todo o amor, apoio, confiança e

incentivo em todas as batalhas enfrentadas ao longo da minhavida.



AGRADECIMENTOS

Meus agradecimentos a todos os familiares, amigos, professores e funcionários da FEIS-

UNESP, que direta ou indiretamente contribuíram para a realização deste trabalho. Em especial,

dedico meus agradecimentos:

• A Deus, por ter me dado força e saúde para chegar até aqui;

• A minha família pelo carinho, apoio e incentivo;

• Ao meu esposo Hugo Andres pelo amor, apoio, confiança e incentivo em todos os mo-

mentos;

• Ao Prof. Dr. Marcos Julio Rider Flores, por todo ensinamento, incentivo, confiança,

paciência e orientação;

• Ao Prof. Dr. Rubén Romero Lázaro, pelo acompanhamento durante este tempo, suges-

tões e incentivo;

• Ao Prof. Dr. Fredy Franco pela co-orientação, paciência e todos os ensinamentos;

• Ao Prof. Dr. Carlos Julio Zapata pela ajuda na obtenção de dados reais;

• Ao Engenheiro Julio Gomez por permitir executar os testes desta tese em sistemas reais;

• Aos meus amigos e colegas do laboratório que de forma direta ou indireta me ajudaram;

• A Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes), pela oportu-

nidade e apoio financeiro.



“Quando dois homens imaginam a mesma coisa,

ainda assim cada um tem sua própria ideia.”

Frege



RESUMO

Nesta tese são utilizados algoritmos de Inteligência Computacional para resolver quatro pro-

blemas da área de sistemas elétricos de potência, com o intuito de automatizar a tomada de

decisões em processos que normalmente são realizados por especialistas humanos ajudados de

métodos computacionais clássicos. Nesta tese são utilizados os algoritmos de aprendizado de

máquina: árvores de decisão, redes neurais artificiais e máquinas de vetor de suporte, para rea-

lizar o processo de aprendizado dos sistemas inteligentes epara realizar a mineração de dados.

Estes algoritmos podem ser treinados a partir das medições disponíveis e ações registradas nos

centros de controle dos sistemas de potência. Sistemas Inteligentes foram utilizados para re-

alizar: a) o controle centralizado Volt-VAr em modernos sistemas de distribuição de energia

elétrica em tempo real usando medições elétricas; b) a detecção de fraudes nas redes de dis-

tribuição de energia elétrica realizando um processo de mineração de dados para estabelecer

padrões de consumo que levem a possíveis clientes fraudadores; c) a localização de faltas nos

sistemas de transmissão de energia elétrica automatizandoo processo de localização e ajudando

para que uma ação de controle da falta seja realizada de formarápida e eficiente; e d) a coor-

denação de carga inteligente de veículos elétricos e dispositivos de armazenamento em tempo

real utilizando a tecnologia V2G, nos sistemas de distribuição de energia elétrica a partir de

medições elétricas. Para o problema de controle centralizado Volt-VAr os testes foram realiza-

dos em um sistema de 42 barras, para o problema de carregamento de veículos elétricos e de

dispositivos de armazenamento os testes foram realizados usando um sistema de 34 barras, e os

outros dois problemas foram testados com dados reais fornecidos por empresas do setor elétrico

colombiano. O software WEKA, versão 3.8.0, foi utilizado para gerenciar os três algoritmos

de aprendizado de máquina através do treinamento e validação dos algoritmos Multilayer Per-

ceptron/Backpropagation para as redes neurais artificiais, o J48/C4.5 para as árvores de decisão

e o SMO/PoliyKernel para as máquinas de vetor de suporte. Através dos resultados obtidos é

possível comprovar o potencial dos Sistemas Inteligentes eda Mineração de Dados no desen-

volvimento de algoritmos de automação para os quatro problemas da área de sistemas elétricos

de potência.

Palavras-chave: Aprendizado de máquina. Árvores de decisão. Carregamento de veículos

elétricos. Controle centralizado Volt-VAr. Detecção de fraudes. Inteligência computacional.

Localização de faltas. Máquinas de vetor de suporte. Mineração de dados. Redes neurais

artificiais. Sistemas inteligentes.



ABSTRACT

In this thesis Computational Intelligence algorithms are used to solve four problems of the area

of power electrical systems, in order to automate decision making in processes that are usually

performed by human experts aided by classical computational methods. In this thesis the ma-

chine learning algorithms are used: decision trees, artificial neural networks and support vector

machines to carry out the learning process of Intelligent Systems and to perform Data Mining.

These algorithms are trained from the available measurements and actions recorded in the con-

trol centers of the systems. Intelligent Systems were used to perform: a) the centralized control

Volt-VAr in modern systems of distribution of electrical energy in real time using electrical

measurements; b) detection of fraud in electricity distribution networks by performing a data

mining process to establish patterns of consumption that lead to possible fraudulent customers;

c) fault location in electric power transmission systems byautomating the localization process

and helping to ensure that a fault control action is performed quickly and efficiently; and d)

coordination of intelligent charging of electric vehiclesand storage devices using V2G tech-

nology in real-time, in electric power distribution systems using electrical measurements. For

the centralized control problem Volt-VAr was tested in 42-node distribution system, for the pro-

blem of loading electric vehicles and storage devices the tests were performed using a system of

34-node, and the other two problems were tested with actual data provided by companies in the

Colombian electric sector. The WEKA software, version 3.8.0, was used to manage the three

machine learning algorithms through the training and validation of the Multilayer Perceptron /

Backpropagation algorithms for the artificial neural networks, the J48 / C4.5 for the decision

trees and the SMO/PoliyKernel for vector support machines.Through the results obtained it is

possible to prove the potential of Intelligent Systems and Data Mining in the development of

automation algorithms for the four problems of the area of electrical power systems.

Keywords: Artificial neural networks. Intelligent systems. Centralized control Volt-VAr. Com-

putational intelligence. Data mining. Decision trees. Fault location. Fraud detection. Loading

of electric vehicles. Machine learning. Support vector machines.



LISTA DE FIGURAS

Figura 1 Taxonomia das metodologias utilizadas dentro da área de IC.. . . . . . . . 31

Figura 2 AD e as regiões de decisão no espaço de objetos.. . . . . . . . . . . . . . 37

Figura 3 Curva de aprendizagem do algoritmo de AD em 100 exemplos gerados alea-

toriamente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

Figura 4 Modelo matemático simples de um neurônio.. . . . . . . . . . . . . . . 40

Figura 5 (a) Rede neuralfeedforward. (b) Rede neural recorrente.. . . . . . . . . . 42

Figura 6 (a) Redeperceptroncom dois nós de entrada e dois nós de saída. (b) Rede

neural com dois nós entradas, uma camada oculta de dois nós e dois nós de

saída. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

Figura 7 Comparação de desempenho dos perceptrons e das ADs.. . . . . . . . . . 44

Figura 8 Estrutura de uma RNA. . . . . . . . . . . . . . . . . . . . . . . . . . . 45

Figura 9 MVS (a) Duas classes de pontos. (b) Separador de margem máxima . . . . . 50

Figura 10 Hierarquia entre Dado, Informação e Conhecimento.. . . . . . . . . . . . 53

Figura 11 Etapas do Processo de DCBD.. . . . . . . . . . . . . . . . . . . . . . . 56

Figura 12 Seleção de dados.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Figura 13 Redução de dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

Figura 14 Etapas do processo de DCBD.. . . . . . . . . . . . . . . . . . . . . . . 59

Figura 15 Descrição do processo de MD.. . . . . . . . . . . . . . . . . . . . . . 60

Figura 16 Diagrama das variáveis de entradas e saídas do SI.. . . . . . . . . . . . . 69

Figura 17 Descrição das variáveis de controle nos diferentes instantes de tempo. . . . 70

Figura 18 Sistema de distribuição de 42 nós.. . . . . . . . . . . . . . . . . . . . . 71

Figura 19 Banco de dados de treinamento.. . . . . . . . . . . . . . . . . . . . . . 72

Figura 20 Processo de treinamento realizado entre o MPLIM e o SI.. . . . . . . . . . 75



Figura 21 Perdas de energia calculadas e ação de controle definida pelos SIs durante 24

horas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

Figura 22 Tensão mínima calculada e ação de controle definida pelos SIsdurante 24

horas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

Figura 23 Processo de treinamento realizado entre o MPLIM e o SI.. . . . . . . . . 79

Figura 24 Perdas de energia calculadas e ação de controle definida peloSI durante 24

horas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

Figura 25 Tensão mínima calculadas e ação de controle definida pelo SI durante 24 horas.82

Figura 26 Características das perdas.. . . . . . . . . . . . . . . . . . . . . . . . . 86

Figura 27 Percentual de perdas de cada empresa distribuidora em 2014.. . . . . . . . 88

Figura 28 Percentual de Perdas em Relação à Energia Injetada no Sistema Global das

64 Distribuidoras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88

Figura 29 Percentual de perdas de cada empresa distribuidora em 2016.. . . . . . . . 89

Figura 30 Percentual de Perdas em Relação à Energia Injetada no Sistema Global das

63 Distribuidoras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

Figura 31 Tipos de fraudes nas redes de DEE.. . . . . . . . . . . . . . . . . . . . 97

Figura 32 Alteração do medidor.. . . . . . . . . . . . . . . . . . . . . . . . . . . 98

Figura 33 Pré-processamento dos dados.. . . . . . . . . . . . . . . . . . . . . . . 100

Figura 34 Árvore de Decisão (Atributo CLA_CON).. . . . . . . . . . . . . . . . . 101

Figura 35 Árvore de Decisão (Atriibuto ANOM). . . . . . . . . . . . . . . . . . . 103

Figura 36 Tipos de faltas nas linhas de transmissão.. . . . . . . . . . . . . . . . . 113

Figura 37 Causas das faltas nos sistemas de transmissão de energia elétrica. . . . . . . 114

Figura 38 Esquema geral de linha curta.. . . . . . . . . . . . . . . . . . . . . . . 117

Figura 39 Sinal de corrente. Registro dos relés em uma perturbação real da falta. . . . 119

Figura 40 Sinal de tensão. Registro dos relés em uma perturbação real da falta. . . . . 119

Figura 41 Esquema de medição utilizado para obtenção de dados.. . . . . . . . . . 120

Figura 42 Diagrama unifilar da rede de transmissão do sistema Colombiano. . . . . . 121

Figura 43 Modelo dos SIs com suas variáveis de entrada e saída.. . . . . . . . . . . 122



Figura 44 Processo descritivo do funcionamento dos SIs.. . . . . . . . . . . . . . . 123

Figura 45 Dados filtrados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Figura 46 Comparação do erro médio absoluto.. . . . . . . . . . . . . . . . . . . 126

Figura 47 Comparação da raiz do erro médio quadrado.. . . . . . . . . . . . . . . 126

Figura 48 Comparação do erro absoluto relativo.. . . . . . . . . . . . . . . . . . . 127

Figura 49 Comparação da raiz do erro relativo ao quadrado.. . . . . . . . . . . . . 127

Figura 50 Comparação do tempo de treinamento dado em segundos.. . . . . . . . . 128

Figura 51 Comparação do tempo de validação dado em segundos.. . . . . . . . . . 128

Figura 52 Localização de faltas ADs Vs falta simulada.. . . . . . . . . . . . . . . 129

Figura 53 Localização de faltas RNA Vs falta simulada.. . . . . . . . . . . . . . . 129

Figura 54 Localização de faltas RNA Vrs falta simulada.. . . . . . . . . . . . . . . 129

Figura 55 Localização de faltas ADs Vrs falta simulada.. . . . . . . . . . . . . . . 130

Figura 56 Diagrama de abstração de dados do MPLIM para criação da base de dados. . 138

Figura 57 Diagrama das variáveis de entradas e saídas do SI apartir da base de dados.. 139

Figura 58 Diagrama de avaliação de cada SI.. . . . . . . . . . . . . . . . . . . . . 140

Figura 59 Dados que compõem a base de dados inicial.. . . . . . . . . . . . . . . . 142

Figura 60 Dados da base de dados apos à aplicação do filtro.. . . . . . . . . . . . . 142

Figura 61 RNA MLP com 14 camadas ocultas.. . . . . . . . . . . . . . . . . . . . 143

Figura 62 RNA MLP com 3 camadas ocultas.. . . . . . . . . . . . . . . . . . . . . 143

Figura 63 Percentagem de classificação para os diferentes algoritmosque compõem os SIs144

Figura 64 Comparação de tempo de treinamento entre os algoritmos que compõem os SIs145

Figura 65 Comparação de tempo de validação entre os algoritmos que compõem os SIs 145

Figura 66 Janela inicial do WEKA (GUI Chooser).. . . . . . . . . . . . . . . . . . 163

Figura 67 Interface de linha de comando do WEKA.. . . . . . . . . . . . . . . . . 164

Figura 68 Ambiente Explorer. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

Figura 69 Menu do Open URL. . . . . . . . . . . . . . . . . . . . . . . . . . . . 166



Figura 70 Menu do Open DB. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

Figura 71 Menu do Generate DB. . . . . . . . . . . . . . . . . . . . . . . . . . . 168

Figura 72 Aplicação de filtros da interfaceExplorer . . . . . . . . . . . . . . . . . . 169

Figura 73 Interface de classificação.. . . . . . . . . . . . . . . . . . . . . . . . . 170

Figura 74 Menu de opções adicionais na interfaceClassify. . . . . . . . . . . . . . 171

Figura 75 Ambiente Knowledge Flow.. . . . . . . . . . . . . . . . . . . . . . . . 173

Figura 76 Ambiente Experimenter. . . . . . . . . . . . . . . . . . . . . . . . . . 174

Figura 77 Parâmetros a serem calibrados de uma RNA MLP.. . . . . . . . . . . . . 176

Figura 78 Parâmetros a serem calibrados de um algoritmo de MVS SMO.. . . . . . . 178

Figura 79 Parâmetros a serem calibrados de um algoritmo de MVS SMO.. . . . . . . 178

Figura 80 Parâmetros a serem calibrados de um algoritmo de AD J48.. . . . . . . . 179



LISTA DE TABELAS

Tabela 1 Perdas de energia do sistema obtidas durante uma semana usando as

diferentes metodologias . . . . . . . . . . . . . . . . . . . . . . . . . 75

Tabela 2 Valores calculados pelo MPLIM e definidos pelo SI dasperdas de ener-

gia do sistema hora a hora em kWh . . . . . . . . . . . . . . . . . . . 76

Tabela 3 Parâmetros utilizados para o treinamento da RNA . . .. . . . . . . . 79

Tabela 4 Perdas de energia em kWh obtidas durante uma semana usando as di-

ferentes metodologias . . . . . . . . . . . . . . . . . . . . . . . . . . 80

Tabela 5 Valores calculados pelo MPLIM e definidos pelo SI dasperdas do sis-

tema hora a hora em kWh . . . . . . . . . . . . . . . . . . . . . . . . 80

Tabela 6 Percentagem de acertos e DMA por variável para 20% devariação na

demanda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

Tabela 7 DMA dos valores obtidos (5% de variação da demanda) .. . . . . . . 83

Tabela 8 DMA dos valores obtidos (10% de variação da demanda). . . . . . . 83

Tabela 9 DMA dos valores obtidos (15% de variação da demanda). . . . . . . 83

Tabela 10 DMA dos valores obtidos (20% de variação da demanda) . . . . . . . 84

Tabela 11 Percentagem de resultados previstos com valores de DMA entre 0% e

20% . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

Tabela 12 Porcentagem de classificação usando Cross-Validation . . . . . . . . . 84

Tabela 13 Comparação de perdas globais entre os anos 2014 e 2016. . . . . . . 92

Tabela 14 Matriz de Confusão (Atributo OSC). . . . . . . . . . . . . .. . . . . 101

Tabela 15 Matriz de Confusão (Atributo ANOM). . . . . . . . . . . . .. . . . . 103

Tabela 16 Comparação dos resultados obtidos do algoritmo LibSVM. . . . . . . 105

Tabela 17 Comparação dos resultados obtidos do algoritmo SMO. . . . . . . . . 106

Tabela 18 Testes com o algoritmo de MVS . . . . . . . . . . . . . . . . . . .. 107

Tabela 19 Parâmetros do algoritmo de RNA . . . . . . . . . . . . . . . . .. . . 108



Tabela 20 Testes com o modelo RNA . . . . . . . . . . . . . . . . . . . . . . . 108

Tabela 21 Dados gerados pelo Digsilent. . . . . . . . . . . . . . . . . .. . . . 120

Tabela 22 Parâmetros da linha de transmissão. . . . . . . . . . . . .. . . . . . . 121

Tabela 23 Medidas estatisticas do erro absoluto. . . . . . . . . .. . . . . . . . . 128

Tabela 24 Percentagem de acerto na classificação durante a construção do mo-

delo para diferentes arquiteturas de RNAs MLP . . . . . . . . . . . .144

Tabela 25 Ferramentas que gerenciam SIs. . . . . . . . . . . . . . . . .. . . . . 162

Tabela 26 Descrição dos parâmetros associados a técnica de RNA. . . . . . . . . 177

Tabela 27 Descrição dos parâmetros associados a técnica de MVS. . . . . . . . . 179

Tabela 28 Descrição dos parâmetros associados ao algoritmoJ48. . . . . . . . . 180



LISTA DE ABREVIAÇÕES E SIGLAS

AD Arvore de Decisão

ABRADEE Associação Brasileira de Distribuidores de Energia Elétrica

AM Aprendizado de Máquina

AMPL A Modeling Language for Mathematical Programming

ANOM Anomalias

ANEEL Agência Nacional de Energia Elétrica

AR Alto Risco

BC Bancos de Capacitores

BR Baixo Risco

CA Consumo Alto

CB Consumo Baixo

CCIVE Coordenação de Carga Inteligente de Veículos Elétricos

CM Consumo Médio

CLA_CON Classificação do Consumo

CSV Comma-Separated Values

DA Dispositivos de Armazenamento

DCBD Descoberta do Conhecimento em Bases de Dados

DEE Distribuição de Energia Elétrica

ECEE Empresas Concessionárias de Energia Elétrica

ETEE Empresas de Transmissão de Energia Elétrica

GD Gerador Distribuido

IA Inteligência Artificial

IDC Internet Das Coisas

IC Inteligência Computacional

KDD Knowledge Discovery in Databases

MD Mineração de Dados

MLP MultiLayer Perceptron

MPLIM Modelo Matematico de Programação Linear Inteiro Misto

MR Médio Risco

MVS Máquinas de Vetor de Suporte

OLTC On-Load Tap Changers

OSC Oscilação

PCSOBM Programação Cônica de Segunda Ordem Binário Misto

PNLIM Programação Não Linear Inteiro Misto



POSD Planejamento da Operação dos Sistemas de Distribuição

PSO Particle Swarm Optimization

RNA Redes Neurais Artificiais

RIS Risco

RT Reguladores de Tensão

SBC Sistema Baseado em Conhecimento

SCADA Supervisão, Controle e Aquisição de Dados

SDEE Sistemas de Distribuição de Energia Elétrica

SETA Sistema Especialista para Tratamento de Alarmes

SEP Sistemas Elétricos de Potência

SI Sistemas Inteligentes

SMO Support Vector Machine

SR Sem Risco

STEE Sistemas de Transmissão de Energia Elétrica

VEs Veículos Elétricos

VEHs Veículos Elétricos Híbridos

WEKA Waikato Environment for Knoowledge Analysis



LISTA DE SÍMBOLOS

θi Ângulo de fase na barrai

gi j Condutância da linha no ramoi j

Y Conjunto das linhas que podem ou não serem adicionadas no ramo i j

Ωb Conjunto de barras

Ω1
l Conjunto de caminhos nos quais existem Linhas na configuração base

Ω2
l Conjunto de caminhos novos (onde serão adicionadas novos Linhas)

Ω0
l Conjunto de linhas existentes na configuração base

Ωl Conjunto de ramos

cn
i j Custo de construção das linhas no ramoi j

di Demanda na barrai

ε f Error da condição de factibilidade

εo Error da condição de otimalidade

εµ Error do parâmetro de barreira

γ Fator de segurança

f
0
i j Fluxo de potência ativa máximo nos ramos para o conjunto de linhas já existentes

f
1
i j Fluxo de potência ativa máximo nos ramos para o conjunto de linhas já existentes

ou linhas adicionadas em paralelo

f
2
i j Fluxo de potência ativa máximo nos ramos para o conjunto de linhas correspon-

dentes aos novos caminhos

f i j Fluxo de potência ativa máximo permitida no ramoi j para linhas novas

f 0
i j Fluxo de potência ativa nos ramos para o conjunto de linhas jáexistentes

f 1
i j Fluxo de potência ativa nos ramos para o conjunto de linhas jáexistentes ou linhas

adicionadas em paralelo

f 2
i j Fluxo de potência ativa nos ramos do conjunto de linhas correspondentes aos

novos caminhos

fi j Fluxo de potência ativa no ramoi j para linhas novas

fi j ,y Fluxo na linhay do ramoi j

pi Geração na barrai

pi Geração máxima na barrai

v Investimento devido às adições de Linhas no sistema - FunçãoObjetivo

i j Linha entre as barrasi e j

ni j Número de linhas adicionadas no ramoi j



n2
i j Número máximo de linhas em caminhos novos

n1
i j Número máximo de linhas que podem ser adicionadas em paralelo às linhas dos

caminhos já existentes

ni j Número máximo de Linhas que podem ser adicionados no ramoi j

n1
i j Número de linhas adicionadas em paralelo às linhas já existentes

n0
i j Número de linhas existentes na configuração base no ramoi j

n2
i j Número de linhas novas adicionadas no ramoi j

γi j Susceptância nas linhas do ramoi j

γ0
i j Susceptância nas linhas existente do ramoi j

wi j ,y Variável binária correspondente à linhay candidata a ser adicionada ou não no

ramoi j

xi j reatância do circuítoi j

qi vetor de geração de potência reativa na barrai

qi limite máximo de geração de potência reativa na barrai

qi limite mínimo de geração de potência reativa na barrai

ei vetor de demanda de potência reativa na barrai

Vi magnitude de tensão na barrai

Vi limite máximo da magnitude de tensão na barrai

Vi limite mínimo da magnitude de tensão na barrai

ei vetor de demanda de potência reativa na barrai

sde
i j fluxo de potência aparente (MVA) no ramoi j saindo do terminal

spara
i j fluxo de potência aparente (MVA) no ramoi j chegando no terminal

si j limite de fluxo de potência aparente (MVA) no ramoi j

θ i j diferença angular entre as barrai e j

Ωbi conjunto das barras vizinhas da barraI

gi j condutância da linha no ramoi j

g0
i j condutância existente da linha no ramoi j

bi j susceptância da linha no ramoi j

bsh
i j susceptância shunt da linha no ramoi j

bsh
i susceptância shunt na barrai

Gi j matriz de condutância

Bi j matriz de susceptância



SUMÁRIO

1 INTRODUÇÃO 22

1.1 CONTEXTO 24

1.2 OBJETIVOS 27

1.2.1 Objetivo geral 27

1.2.2 Objetivos específicos 27

1.3 CONTRIBUIÇÕES DA TESE 27

1.4 ESTRUTURA DA TESE 28

2 INTELIGÊNCIA COMPUTACIONAL 29

2.1 INTRODUÇÃO 29

2.2 SISTEMAS INTELIGENTES 32

2.3 PARADIGMAS DE APRENDIZAGEM 33

2.3.1 Paradigma simbólico 34

2.3.1.1 Aprendizagem em AD 35

2.3.1.2 Escolha de atributos 38

2.3.1.3 Generalização e super-adaptação 38

2.3.1.4 Aplicabilidade de AD 39

2.3.2 Paradigma conexionista 40

2.3.2.1 Redes Neurais Artificiais 40

2.3.2.2 Estrutura das RNAs 41

2.3.2.3 Rede Perceptron 43

2.3.2.4 Processo de Treinamento 47

2.3.3 Paradigma estatístico 49



2.3.3.1 Máquinas de Vetor de Suporte 49

2.4 MINERAÇÃO DE DADOS 52

2.4.1 Sistema Baseado em Conhecimento 53

2.4.2 Sistemas de Descoberta do Conhecimento em Bases de Dados 54

2.4.3 Etapas do processo de DCBD 55

2.4.3.1 Etapa de pré-processamento 56

2.4.3.2 Etapa de Mineração de Dados 59

2.4.3.3 Etapa de pós-processamento 61

2.5 CONSIDERAÇÕES FINAIS 62

3 APLICAÇÃO DE SIs NO CONTROLE CENTRALIZADO Volt-VAr EM

MODERNOS SDEE 64

3.1 INTRODUÇÃO 64

3.1.1 Formulação Cônica de Segunda Ordem Binário Misto parao Problema de

POSD Radiais 66

3.2 METODOLOGIA PROPOSTA 68

3.3 CASO DE ESTUDO E RESULTADOS 71

3.3.1 Treinamento dos SIs 74

3.3.2 Validação dos SIs 79

3.4 CONCLUSÕES DO CAPÍTULO 84

4 DETECÇÃO DE FRAUDES NAS REDES DE DISTRIBUIÇÃO DE ENER-

GIA ELÉTRICA UTILIZANDO TÉCNICAS DE MINERAÇÃO DE DADOS 86

4.1 INTRODUÇÃO 86

4.2 METODOLOGIA PROPOSTA 93

4.2.1 Etapa de Pré-processamento 94

4.2.2 Etapa de Mineração de Dados 96

4.2.3 Etapa de Pós-processamento 98

4.3 CASO DE ESTUDO E RESULTADOS 99



4.3.1 Pré-Processamento dos Dados 99

4.3.2 Mineração de Dados 100

4.3.2.1 Aplicação do Algoritmo de AD J48 101

4.3.2.2 Aplicação do algoritmo de MVS 104

4.3.2.3 Aplicação do algoritmo de RNA 107

4.3.3 Pós-processamento 109

4.4 CONCLUSÕES DO CAPÍTULO 109

5 LOCALIZAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO DE ENER-

GIA ELÉTRICA APLICANDO ALGORITMOS DE INTELIGÊNCIA COM-

PUTACIONAL 111

5.1 INTRODUÇÃO 111

5.2 MÉTODOS UTILIZADOS PARA LOCALIZAÇÃO DE FALTAS 115

5.3 METODOLOGIA PROPOSTA 118

5.4 CASO DE ESTUDO E RESULTADOS 123

5.5 CONCLUSÕES DO CAPÍTULO 130

6 SISTEMAS INTELIGENTES PARA COORDENAÇÃO DE CARGA ÓTIMA

DE VEÍCULOS ELÉTRICOS E DISPOSITIVOS DE ARMAZENAMENTO

CONSIDERANDO A TECNOLOGIA V2G 132

6.1 INTRODUÇÃO 132

6.1.1 Métodos utilizados para coordenação de carga de Veículos Elétricos 134

6.2 METODOLOGIA PROPOSTA 137

6.3 CASO DE ESTUDO E RESULTADOS 140

6.3.1 Treinamento e validação dos SIs 142

6.4 CONCLUSÕES DO CAPÍTULO 146

7 CONCLUSÕES E TRABALHOS FUTUROS 147

REFERÊNCIAS 151



APÊNDICE A - WEKA 161

A.1 INTRODUÇÃO 161

A.1.1 Escolha de plataforma de aprendizagem de máquina 162

A.2 DESCRIÇÃO DA FERRAMENTA WEKA 163

A.2.1 Simple CLI (Command Line Interface) 164

A.2.2 Explorer 164

A.2.2.1 Preprocess 166

A.2.2.2 Aplicação de Filtros 168

A.2.2.3 Classify 169

A.2.3 Knowledge Flow 172

A.2.4 Experimenter 173

A.2.5 Classificação com RNAs e MVSs no WEKA 175



22

1 INTRODUÇÃO

O crescimento mundial da demanda de energia elétrica, tem provocado preocupações a

nível mundial. Tal crescimento, basicamente é devido ao desenvolvimiento económico. No

Brasil, esta preocupação cresce, na medida em que o sistema elétrico brasileiro vem operando

com níveis de geração próximos às demandas dos usuários. Considerando os investimentos

estatais e privados, a preocupação permanece, pois o nível de crescimento atual supera os in-

vestimentos sendo realizados e já os compromete quando finalizados. As entidades reguladoras

do mercado de energia elétrica preocupadas com cenários como este, exigem das empresas ge-

radoras de energia a garantia do fornecimento para manter o consumo crescente. Neste contexto

é de fundamental importância a otimização dos processos relacionados com a transmissão e a

distribuição de energia elétrica, e para tal é necessário o uso de metodologias interdisciplinares

que auxiliem na otimização e na automação destes processos (BUSH, 2013).

Considerando a preocupação das empresas concessionárias dos sistemas de distribuição de

energia elétrica (SDEE) e dos sistemas de transmissão de energia elétrica (STEE) em serem

mais flexíveis aos avanços tecnológicos, ao aumento nos preços dos combustíveis e ao inte-

resse da conservação do meio ambiente, incentiva-se o desenvolvimento da geração distribuída,

sistemas de armazenamento de energia, programas de resposta à demanda e tecnologias de me-

dição sincronizada, como componentes essenciais para atingir as redes inteligentes ou também

conhecidas comosmart grids(WERBOS, 2011).

A denominação de rede inteligente gera a noção de "inteligência" embutida dentro da rede

de energia elétrica. Uma alternativa esta relacionada com ainteligência computacional (IC) ou

aprendizagem de máquina. Se esse é de fato o objetivo das redes inteligentes, a rede elétrica

deve ser projetada para suportar tal inteligência. Para tal, é necessário compreender os aspe-

tos de aprendizagem de máquina que provavelmente serão implementados na rede inteligente

(BUSH, 2013).

No entanto, o termo, inteligência não tem sido claramente definido. Portanto, isso ainda

deixa em aberto a noção do que realmente é a inteligência de máquina, como pode ser me-

dida e em que grau pode ser utilizada na rede de energia elétrica. Hernández-Orallo e Dowe

(2010) relata uma forma utilizada para quantificar a inteligência da máquina de maneira nova e

interessante, conhecida como teoria da informação algorítmica e tem a sua inspiração a partir

da complexidade de Kolmogorov, que relaciona a noção de complexidade de informação pelo

tamanho do menor programa que calcula a informação.

Diversos trabalhos têm sido publicados sobre a aplicação detécnicas de IC em Sistemas



1 INTRODUÇÃO 23

Elétricos de Potência (SEP) desde o aparecimento do artigo publicado em (WOLLENBERG,

1986). Os sistemas baseados em conhecimento, como são os Sistemas Inteligentes (SI), têm

sido amplamente utilizados para auxiliar o trabalho de profissionais da área dos SEP, principal-

mente aqueles que exercem funções que precisam de experiência para efetuarem tomadas de

decisões, (FORD, 1985). Especificamente na área dos SEP, onde as decisões devem ser toma-

das baseando-se em um conjunto muito grande de informações relevantes, cuja interpretação

depende a garantia do funcionamento contínuo do fornecimento do serviço de energia elétrica.

Assim, torna-se óbvia a importância de oferecer ao profissional da área dos SEP, ferramentas

com uma arquitetura que a torne apta a gerenciar aquelas informações.

Várias pesquisas reportam avanços na aplicação dos SI no auxílio à operação de SEP. A

importância desta alternativa aumenta à medida que estes sistemas crescem e se tornam mais

complexos, o que dificulta ao operador ter controle absolutoe seguro de todas as áreas envolvi-

das, diminuindo consideravelmente sua capacidade de tomada de decisões rápidas e eficientes

sem a assistência de um operador externo (VALIQUETTE; TORRES; MUKHEDKAR, 1991).

Considerando a complexidade dos SEP, e com o advento das subestações automatizadas,

os medidores inteligentes, assmart grids, e a carência de ferramentas numéricas tradicionais

que analisem as causas das interrupções não programadas, faltas na rede de transmissão, perdas

técnicas e não técnicas de energia , entre outras problemáticas, faz-se necessária uma abordagem

não tradicional, que permita ao engenheiro ou operador do sistema, entender melhor o SEP com

que trabalha, levando a realizar um gerenciamento ótimo do SEP.

Segundo (LAMBERT-TORRES et al., 1997), na medida em que os sistemas se tornam mais

complexos, mais imprescindível é o fato de que a decisão tomada esteja certa, e mais difícil se

torna para o profissional executar ações sem ajuda externa. Dado o grande número de mudanças

de estado operacional dos equipamentos, torna-se muito difícil para o engenheiro ou operador

do sistema ter uma imagem de um SEP sem as informações em indicadores representativos.

Portanto, faz-se necessário desenvolver SIs capazes de auxiliar na tomada de decisões, segundo

um aprendizagem baseado no conhecimento de um especialistahumano.

Considerando que tanto as concessionárias quanto as distribuidoras de energia elétrica utili-

zam sistemas que podem variar de uma concepção simples, até grandes aplicações mais comple-

xas de coleta e análise de dados, e comando de grandes processos industriais, os dados obtidos

(estado de equipamentos, valores de variáveis, alarmes, ultrapassagem de limites, identificador

dos usuários, etc) são armazenados e, com o passar do tempo, formam grandes bancos de da-

dos cheios de eventos e valores de variáveis ocorridos no processo sob supervisão e controle.

Esses históricos de dados formam a base para análise do comportamento dos processos. O

crescimento do volume de dados cria a necessidade de novas técnicas e ferramentas capazes

de transformar, de forma eficiente, automática e inteligente, esses dados em informações signi-

ficativas e em conhecimento. Essas informações, de grande importância para o planejamento,



1.1 CONTEXTO 24

controle, gestão e tomadas de decisão, podem estar implícitas ou escondidas sob um universo

de dados, e não podem ser descobertas ou, facilmente identificadas utilizando somente sistemas

convencionais de gerenciamento de banco de dados. Nesse contexto, é necessário a utiliza-

ção de metodologias ágeis que permitam realizar a análise degrandes quantidades de dados de

forma rápida e confiável, para assim lograr à automação de tarefas que precisam da inteligência

e da velocidade que pode ser aplicada mediante o uso da IC.

O objetivo das pesquisas em IC é capacitar o computador a executar funções que são de-

sempenhadas pelo ser humano usando conhecimento e raciocínio. Para que isto seja possível é

necessário que sejam analisados todos os aspetos relativosao desenvolvimento e uso da inteli-

gência. Dentro desse contexto, a capacidade humana de agir inteligentemente é frequentemente

associada ao conhecimento que se possui. Assim, torna-se evidente que a incorporação de

conhecimento e raciocínio são os requisitos fundamentais para a construção de sistemas com-

putacionais inteligentes.

1.1 CONTEXTO

A pergunta é, o que a IC pode fazer hoje? É difícil dar uma resposta concisa porque existem

muitas atividades em vários sub-campos. Nesta seção são analisadas algumas aplicações da IC

na área de engenharia elétrica, como pode ser visto a seguir:

Sistema SCADA:Um sistema especialista de Supervisão, Controle e Aquisição de Dados

(SCADA), é um sistema utilizado para coletar, armazenar, analisar e apresentar os dados de uma

subestação de energia elétrica, sob supervisão e controle.Em alguns desses sistemas, em fun-

ção dos dados coletados e analisados, algumas decisões são tomadas e enviadas aos atuadores

que interferem no processo controlado em tempo real. O sistema SCADA é um processo co-

mum de aplicação e controle, que adquire dados do processo por meio de estações remotas e os

enviam para processamento por um computador central. Uma aplicação do sistema especialista

SCADA pode ser vista no trabalho apresentado por Oliveira, Braz e Ferreira (1994). Neste tra-

balho é desenvolvido um sistema especialista protótipo para tratamento de alarmes (SETA) para

sistemas de tipo SCADA. Este sistema é baseado no conhecimento dos operadores do sistema

elétrico. Um simulador de eventos foi desenvolvido para gerar ocorrências de alarmes, as quais

podem ser de três tipos: aleatória, manual ou através de um arquivo de alarmes previamente

montado. Através deste último modo de simulação do alarme, épossível reproduzir situações

de emergência ocorridas num sistema elétrico real e os resultados obtidos com a utilização do

sistema SETA foram bastantes satisfatórios.

Sistema Inteligente para tomada rápida de decisões nos sistemas elétricos: A ideia

deste sistema inteligente desenvolvido por Filho (2006) foi auxiliar os operadores de uma con-

cessionária de energia elétrica brasileira na recomposição sistêmica da rede. Para isto, foi desen-



1.1 CONTEXTO 25

volvida uma metodologia que utiliza, além de uma base de conhecimento própria, a integração

com os sistemas da concessionária. Também foi utilizado um sistema extrator de conhecimento

de grandes bases de dados que funciona em conjunto com um sistema especialista. Este sistema

inteligente hierárquico aciona rotinas computacionais externas de apoio, bem como bases de

dados existentes na concessionária.

Aplicações da técnica de mineração de dados para previsão daestabilidade transitória

nos sistemas elétricos de potência:Tao et al. (2004) apresenta uma estrutura de mineração de

dados para a simulação dos dados históricos das unidades de medidas e posteriormente realizar

a previsão da estabilidade transitória nos sistemas de energia elétrica.

Mineração de dados para a detecção de barras sensíveis e barras influentes em um

sistema de potência sujeito a distúrbios:Segundo Tso et al. (2004), muitos tipos de pertur-

bações nos sistemas de potência podem conduzir a uma reduçãoda carga do sistema. Neste

trabalho uma técnica de Mineração de Dados (MD) foi aplicadaa um SEP em Hong Kong para

detetar as subestações mais sensíveis a distúrbios. Além disso, baseados nas análises de corre-

lação de perfil de tensão, são identificadas as barras mais influentes onde o ajuste mais eficaz de

tensão pode ser estrategicamente aplicado para auxiliar o barramento sensível, e a recuperação

de tensão decorrente da perturbação pode ser deduzida.

Uma abordagem probabilística para o planejamento de rede nos sistemas elétricos de

potência sob incertezas:Vassena et al. (2003) apresentam neste trabalho a utilização de uma

técnica de MD para analisar uma base de dados com grande quantidade de cenários simulados

usando Monte Carlo. O objetivo é utilizar a metodologia de MDpara realizar os estudos de

planejamento das redes de distribuição de energia elétricasob incertezas a longo prazo. Nesta

abordagem as principais incertezas externas durante o planejamento horizontal são modeladas

como macro-cenários em diferentes instantes de tempo futuros. Técnicas de MD, são aplicadas

para extrair informações do banco de dados, de modo a classificar cenários e reforços da rede

de acordo com diferentes critérios.

Um Hardware de detecção de anomalias em tempo real utilizando uma Rede Neural

Artificial para Proteção de Distância: Venkatesan e Balamurugan (2001) neste trabalho os

pesquisadores descrevem um detector de falhas em tempo realpara à aplicação de proteção a

distância, baseado em redes neurais artificiais. Uma estrutura de rede neural ótima com um

tempo de treinamento de curta duração é apresentada, para assim alcançar o objetivo em curto

prazo.

Localização de falhas nas linhas de transmissão usando redes neurais de domínio com-

plexo: Alves, Lima e Souza (2012) a localização da falha é uma tarefacrítica quando um dis-

túrbio severo é causado por falha de isolamento em uma linha de transmissão. Para evitar custos

económicos e sociais adicionais devido a interrupções de carga, o diagnóstico de falha deve ser

concluído o mais rápido possível. Considerando que os SI têmsido bem sucedidos em lidar com



1.1 CONTEXTO 26

problemas de diagnóstico de falhas, este artigo propõe a aplicação de redes neurais de domínio

complexo para mapear a relação entre sinais elétricos e localização de falha em linhas de trans-

missão. As redes neurais de domínio complexo permitem a representação de tensão/corrente

sem amplitude e fase arbitrariamente desacopladas. Além disso, são analisados vários esquemas

de representação de tensão e corrente, com base em informações eletromagnéticas transitórias

e estacionárias. Para fins comparativos, essas representações de entrada também são testadas

com redes neurais de domínio real. Os testes consideram condições realistas de operação/falha

e assumem que a classificação de falhas já foi tratada.

Gerenciamento de energia de um veículo elétrico híbrido baseado em aprendizagem

de máquina para minimizar o custo total operacional: Lin et al. (2015) neste artigo é es-

tudado o problema de gerenciamento de energia em veículos elétricos híbridos (VEHs) com

foco na minimização do custo operacional de um VEH, incluindo o custo de reposição de com-

bustível e bateria. Mais precisamente, o artigo apresenta uma pesquisa na qual é utilizado o

aprendizagem de forma aninhado em que tanto as ações ótimas (que incluem a seleção da rela-

ção de transmissão e o uso do motor de combustão interna versus o motor elétrico para conduzir

o veículo) e os limites na faixa do estado de carga da bateria são aprendidas sobre a marcha. O

ciclo interno do processo de aprendizagem é a chave para a minimização do uso de combustível,

ao passo que o ciclo externo do processo de aprendizado é crítico para minimizar o custo de re-

posição da bateria amortizada. Os resultados experimentais demonstram uma redução de custos

operacionais máxima de 48% pela política de gerenciamento de energia de VEH proposta neste

trabalho.

Modelagem elétrica da dinâmica da bateria de um veículo elétrico usando máquinas

do vetor de suporte:Majid et al. (2013) As baterias utilizadas em veículos elétricos (VE) são

muitas vezes limitadas pela capacidade. Quanto tempo você pode usar um VE é determinado

pela duração da bateria. No entanto, há dificuldade em modelar a relação entre a tensão de

carga e a corrente sob diferentes temperaturas e estados de carga (State of Charge - SOC), por

conta da não-linearidade das propriedades da bateria. O objetivo da pesquisa apresentada neste

artigo é modelar a dinâmica de carregamento da bateria usando a máquina de vetor de suporte,

que é uma poderosa ferramenta para se aproximar da função nãolinear. Uma bateria de 1000

mAh Li-Po/MH é utilizada para obter o modelo da bateria e criar a base de dados utilizados nos

testes de aprendizagem da máquina de vetor de suporte. Observa-se que o modelo da máquina

de vetor de de suporte pode simular a dinâmica de carregamento da bateria com quantidades de

dados experimentais limitados, obtendo como resultado final um baixo erro relativo.

Além destas aplicações, existe uma grande quantidade de pesquisas que estão sendo de-

senvolvidas na área de IC aplicada à solução de problemas de engenharia elétrica, uma ampla

revisão bibliografica sobre este tema pode ser encontrada em(BUSH, 2013).

Nesta tese são abordados quatro tipos de problemas diferentes da área da engenharia elétrica



1.2 OBJETIVOS 27

e têm sido aplicados diferentes métodos de IC que têm permitido chegar a soluções aceitáveis

quando comparadas com soluções calculadas mediante o uso demodelagem matemática.

1.2 OBJETIVOS

1.2.1 Objetivo geral

Desenvolver métodos derivados da IC baseados em Mineração de Dados e Sistemas Inte-

ligentes, para resolver problemas relacionados com gerenciamento de energia no SDEE e no

STEE, de forma a auxiliar ao operador do sistema na tomada de decisões.

1.2.2 Objetivos específicos

1. Utilizar a ferramentas computacional WEKA, que permitamo rápido treinamento dos

SIs, para realizar uma aplicação dos mesmos de forma eficiente para a extração do conhe-

cimento em bancos de dados, sendo uma solução rentável para as concessionárias.

2. Aplicar SIs para resolver o problema de controle centralizado Volt/VAr em modernos

SDEE usando medições elétricas.

3. Usar a mineração de dados para a identificação de fraudes nas redes de distribuição de

energia elétrica, analisando padrões de consumo;

4. Aplicar SIs para resolver o problema de localização de faltas nas redes de transmissão de

energia elétrica, usando histórico de medições das faltas na rede.

5. Utilizar algoritmos de IC para realizar à coordenação de carga ótima de VEs e de dispo-

sitivos de armazenamento de energia em um SDEE.

1.3 CONTRIBUIÇÕES DA TESE

As principais contribuições deste trabalho são apresentadas a seguir:

• A aplicação de três SIs para resolver o problema de controle centralizado Volt/VAr em

modernos SDEE usando medições elétricas.

• A aplicação de algoritmos de mineração de dados para resolver o problema de detecção

de fraudes nas redes de distribuição de energia elétrica, analisando padrões de consumo.

• Aprimoramento das técnicas atualmente utilizadas pelas empresas concessionárias de

energia elétrica na detecção de fraudes no SDEE.



1.4 ESTRUTURA DA TESE 28

• A aplicação de SIs para resolver o problema de localização defaltas nas redes de trans-

missão de energia elétrica, usando histórico de medições das faltas na rede.

• Um modelo flexível de RNA, MVS e AD para análise da otimização do carregamento de

VEs e de dispositivos de armazenamento de energia ao longo dodia.

• A exploração científica da IC e da MD como ferramentas para descoberta de conheci-

mento no domínio de distribuição e transmissão de energia elétrica, permitindo com que

a tomada de decisões possa ser feita em tempo real.

1.4 ESTRUTURA DA TESE

Esta tese de doutorado está organizada em sete capítulos, distribuídos da seguinte forma:

• No Capítulo 2 é apresentada a revisão bibliográfica sobre IC esuas aplicações na solução

de problemas na área da Engenharia Elétrica.

• No Capítulo 3 é desenvolvida a pesquisa para aplicação de SIsao problema de controle

centralizado Volt-VAr em modernos SDEEs.

• No Capítulo 4 é apresentada a aplicação de MD como solução ao problema de detecção

de fraudes nas redes de distribuição de energia elétrica.

• No Capítulo 5 é apresentada a aplicação de algoritmos de IC como solução ao problema

de localização de faltas em STEE.

• No Capítulo 6 é desenvolvida a pesquisa para aplicação de algoritmos de IC para realizar

à coordenação de carga ótima de VEs e de dispositivos de armazenamento de energia em

um SDEE.

• No Capítulo 7 apresentam-se as conclusões da tese e as propostas para trabalhos futuros.

• No apêndice A apresenta-se o software de livre distribuiçãoWEKA, que foi utilizado

para realizar os testes.



147

7 CONCLUSÕES E TRABALHOS FUTUROS

Nesta tese foi utilizada a IC mediante o uso dos algoritmos deAM para solucionar pro-

blemas de grande complexidade na área dos Sistemas Elétricos de Potência, como é o caso do

Controle centralizado Volt-VAR em modernos Sistemas de Distribuição de Energia Elétrica; a

detecção de fraudes nas redes de Distribuição de Energia Elétrica; a localização de faltas em

Linhas de Transmissão de Energia Elétrica; e a Coordenação de carga inteligente de veículos

elétricos e dispositivos de armazenamento considerando a tecnologia V2G. Dentre os algorit-

mos de AM utilizados como alternativa de solução encontram-se as RNAs, as MVS e as ADs.

Para realizar o gerenciamento adequado dos algoritmos foi usada a plataforma de AM WEKA.

Os resultados obtidos durante as simulações mostram que o software WEKA é uma po-

derosa ferramenta, que pode ser usada para gerenciar eficientemente os algoritmos de AM,

utilizados para resolver problemas de grande complexidadematemática na área dos Sistemas

Elétricos de Potência. Estes problemas se caracterizam porpossuir uma grande base de dados e

um número elevado de variáveis, o que dificulta a tomada de decisões e a obtenção de resultados

em tempos computacionais razoáveis quando solucionados através de modelos matemáticos.

Portanto, a metodologia proposta surge como uma alternativa interessante que permite obter

resultados satisfatórios em menor tempo.

Pode-se concluir que os principais aspectos a serem considerados na hora de resolver um

problema usando algoritmos de AM através da plataforma WEKA, são os seguintes:

• Criação da base de dados a partir de um conjunto de medições, ou resultados de um

modelo matemático.

• Definição do conjunto de variáveis de interesse do problema (entrada e saída).

• Obtenção de uma porcentagem de aprendizagem durante a etapade treinamento superior

a 95%. Cabe salientar que esta etapa é de maior complexidade,devido aos tempos de

simulação e o esforço computacional necessário para construir o modelo de aprendizado.

• Validar os resultados do modelo de aprendizado obtido pelo WEKA com os resultados

usados como referência.

De acordo com os resultados obtidos no desenvolvimento da tese, pode-se concluir que

o nível de aprendizado de cada algoritmo depende do problemaque está-se tratando. Para o

problema de Controle centralizado Volt/VAr o algoritmo queteve maior percentagem de apren-

dizado foi a MVS, apresentando 98,45% de classificação correta. Para o problema de detecçaõ



7 CONCLUSÕES E TRABALHOS FUTUROS 148

de fraudes o algoritmo de ADs apresentaram um percentual de aprendizado de 100%. No pro-

blema de localização de faltas, o algoritmo de ADs apresentou 96,54% no seu percentual de

aprendizado. Por último, no problema de CCIVEs e de DA, o algoritmo com maior nível de

aprendizado foi o de AD, seguido das MVS com um percentual de aprendizado de 96,07% e

96,02%, respetivamente.

Considerando os tempos de construção dos modelos dos algoritmos de AM pode-se con-

cluir que, mesmo que os algoritmos que compõem os SIs precisaram de um período de tempo

razoável, na hora de se realizar o processo de validação dos mesmos, os tempos de resposta são

de no máximo 1 segundo, o que leva a pensar que estas metodologias podem ser catalogadas

como aceitáveis quando comparadas com métodos matemáticosutilizados tanto para o controle

de magnitude de tensão e de potência reativa (Volt-VAr) em tempo real, quanto na coordenação

de carga de VE.

Por outro lado, pode ser concluído que, realizar o processo de localização de faltas nos

STEE utilizando SI garante obter resultados mais exatos e emmenor tempo, o que leva à dimi-

nuição dos tempos de localização e correção da falta, garantindo um melhor serviço por parte

das empresas de transmissão de energia elétrica aos seus clientes. Isto quer dizer, que podem

ser implementadas dentro do contexto das Redes Inteligentes para resolver o problema de faltas

em tempo real.

Segundo os resultados obtidos no desenvolvimento da tese, conclui-se que, pode ser consi-

derado o uso destas metodologias como alternativas rápidase eficientes de solução de problemas

da área dos Sistemas Elétricos de Potência, dado que a comparação entre os resultados obtidos

na solução de um modelo MPLIM tendo como objetivo a minimização das perdas do sistema

de distribuição, e os resultados obtidos usando os SIs, mostram erros de previsão baixos. Além

disso, considerando que poucos trabalhos têm sido desenvolvidos nesta área, as metodologias

propostas surgem como ferramenta adicional a ser considerada nas futuras pesquisas que abran-

gem a modernização e o controle dos SDEE e dos STEE, como é o caso das Redes Inteligentes.

Por outro lado, é possível concluir que, considerando que osalgoritmos de IC são tolerantes

a ruídos, é possível ter dados de entrada com perturbações e mesmo assim obter um resultado

final aceitável, o que leva a pensar que a utilização de métodos de IC são vantajosos dado que

permitem realizar o aprendizado das atividades normalmente realizadas por controladores do

sistema (humanos), sem que fatores externos afetem a tomadade decisões. Esta afirmação pode

ser validada a partir dos resultados obtidos, os quais apresentam erros baixos em comparação

com os resultados fornecidos por um modelo matemático, o quemostra a utilidade dos métodos

proposto.

Um outro fator a destacar é que esta tese permite concluir queas metodologias desenvolvi-

das são um importante aporte na área dos Sistemas Elétricos de Potência, pois, foram resolvidos

diversos problemas de forma eficiente, mesmo existindo aspetos e/ou fatores limitantes presen-



7 CONCLUSÕES E TRABALHOS FUTUROS 149

tes em outras abordagens. Embora seja necessário ter o conhecimento de um especialista na

área de determinado problema para sua modelagem, os SI depois de treinados, apresentam re-

sultados aceitáveis em tempos de resposta, quando comparados com o tempo de reação que

pode precisar o especialista humano para tomar uma decisão baseado na sua experiência.

Considerando a capacidade de adaptação dos algoritmos de AMpode-se concluir que, os

algoritmos de AM podem ser treinados quantas vezes for necessário caso a topologia da rede

mude, caso exista um aumento na quantidade de clientes de umaempresa, caso aumentem as

variáveis de um determinado problema, caso algum acontecimento novo surgir, mesmo assim,

o treinamento necessário para um determinado algoritmo de AM não tem como ser comparado

com o tempo de aprendizado de um especialista humano.

De modo geral, pode-se concluir que a utilização de IC permite representar de forma ade-

quada problemas reais sem limitações causadas pela falta ouexcesso de medições. Além disso,

o processo de tomada de decisões pode ser realizado sem precisar da representação detalhada

do modelo físico da rede, pois, dados de medições podem ser utilizados como entrada para o

treinamento do SI.

Durante o desenvolvimento de cada capítulo desta tese, foram feitas observações relevantes

que devem ser consideradas em trabalhos futuros.

No Capítulo 3:

• Testar outros algoritmos de aprendizado de máquina para determinar qual é mais eficiente

na realização do controle centralizado Volt/VAr em tempo real.

• Utilizar aprendizado por reforço e Deep Learning para realizar controle centralizado

Volt/VAr em tempo real.

No Capítulo 4:

• Testar a metodologia proposta em dados reais de uma empresa do setor elétrico brasileiro,

considerando uma nova variável, como é o caso da variação climática.

• Aplicar Big-Data utilizando informações de medidores inteligentes em tempo real na

detecção de clientes suspeitos de cometer algum tipo de fraude.

• Testar outros algoritmos de aprendizado de máquina para determinar qual é mais eficiente

na realização do processo de mineração de dados para detecção de clientes suspeitos de

cometer algum tipo de fraude.

No Capítulo 5:



7 CONCLUSÕES E TRABALHOS FUTUROS 150

• Testar a metodologia proposta em dados reais de uma empresa do setor elétrico brasileiro,

considerando a localização de faltas em longas linhas de transmissão.

• Testar outros algoritmos de aprendizado de máquina para determinar qual é mais eficiente

na realização da localização da falta em tempo real.

No Capítulo 6:

• Utilizar além das medições do sistema, variáveis estocásticas que ajudem a definir um

perfil de uso dos VEs por parte dos donos, e assim obter um SI mais preciso na hora de

realizar a CCIVEs e dos DA.

• Utilizar Big-Data para realizar o CCIVEs em um SDEE considerando medições obtidas

em tempo real.

• Treinar um SI para que, mediante o uso de um aplicativo móvel,o dono do VE consiga

ver em tempo real, uma distribuição ótima das estações de carregamento, evitando um

alto índice de coincidência em cada um destes lugares, e diminuindo o tempo de espera

por parte dos donos dos VEs.

• Treinar um SI para que permita realizar a predição dos veículos que podem chegar nas

próximas horas para serem carregados.



151

REFERÊNCIAS

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL. Condições gerais de
fornecimento de energia elétrica, resolução 456. Brasília, DF, ago. 2000. 57 p.

AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA - ANEEL.Metodologia de tratamento
regulatório para perdas não técnicas de energia elétrica. Brasília, DF, ago. 2015. 60 p. Nota
técnica 106.

ALVES, A. P.; LIMA, A.; SOUZA, S. M. Fault location on transmission lines using
complex-domain neural networks.International Journal of Electrical Power and Energy
Systems, London, v. 43, n. 1, p. 720–727, Fourth 2012. ISSN 0142-0615.

ARAÚJO, A. C.Considerações sobre as perdas na distribuição de energia eléctrica no Brasil.
125 f. Tese (Doutorado em Engenharia Elétrica) — Universidade Federal do Rio de Janeiro,
Rio de Janeiro, 2006.

ARAÚJO, R.; MEIRA, P.; ALMEIDA, M. Algorithms for operationplanning of electric
distribution networks.Journal of Control, Automation and Electrical Systems, Heidelberg,
v. 54, n. 3, p. 154 – 162, Jul. 2013.

ASSOCIAÇÃO BRASILEIRA DE DISTRIBUIÇÃO DE ENERGIA - ABRADE.CODIGO
08-05 perdas comerciais. Brasília, DF, ago. 2017.

BELLMAN, R. An introduction to artificial intelligence: can computers think? [S.l.]: Boyd &
Fraser, 1978. ISBN 9780878350667.

BILGIN, B.; MAGNE, P.; MALYSZ, P.; YANG, Y.; PANTELIC, V.; PREINDL, M.;
KOROBKINE, A.; JIANG, W.; LAWFORD, M.; EMADI, A. Making the case for electrified
transportation.IEEE Transactions on Transportation Electrification, Piscataway, v. 1, n. 1, p.
4–17, June 2015.

BISHOP, C. M.Pattern recognition and machine learning. [S.l.]: Springer-Verlag, 2007. 738 p.

BRADY, P.; DAI, C.; BAGHZOUZ, Y. Need to revise switched capacitor controls on feeders
with distributed generation.IEEE PES T&D Conf. Expo, Dallas, v. 2, p. 590 – 594, Apr. 2003.

BRAHMA, S. M.; GIRGIS, A. A. Fault location on a transmissionline using synchronized
voltage measurements.IEEE Transactions on Power Delivery, Piscataway, v. 19, n. 4, p.
1619–1622, Oct 2004. ISSN 0885-8977.

BUSH, S. F.Machine intelligence in the grid. [S.l.]: Wiley-IEEE, 2013. 576 p. ISBN
9781118820216.



REFERÊNCIAS 152

CABRAL, J. E.; PINTO, J. O.; GONTIJ, E. M.; REIS, J. Rough setsbased fraud detection in
electrical energy consumers rough sets based fraud detection in electrical energy consumers.
WSEAS International Conference on Mathematics and Computers in Phisics, Cancun, Mexico,
n. 1–4, Abr. 2004.

CAO, Y.; MIAO, Y.; MIN, G.; WANG, T.; ZHAO, Z.; SONG, H. Vehicular-publish/subscribe
(v-p/s) communication nabled on-the-move ev charging management.IEEE Communications
Magazine, Piscataway, v. 54, n. 12, p. 84–92, December 2016. ISSN 0163-6804.

CAO, Y.; WANG, T.; KAIWARTYA, O.; MIN, G.; AHMAD, N.; ABDULLA H, A. H. An ev
charging management system concerning drivers trip duration and mobility uncertainty.IEEE
Transactions on Systems, Man, and Cybernetics: Systems, Piscataway, v. PP, n. 99, p. 1–12,
Nov. 2017. ISSN 2168-2216.

CHEN-CHING, L.; PIERCE, D. A.; SONG, H. Intelligent system applications to power
systems.IEEE Computer Applications in Power, Piscataway, v. 10, n. 4, p. 21–22, 24, Oct
1997. ISSN 0895-0156.

COMPANHIA PARANAENSE DE ENERGIA-COPEL.Relatório de sustentabilidade COPEL
2016.Curitiba, ago. 2016. 99 p.

CPLEX DIVISION. CPLEX optimization subroutine library guide and reference. New York,
ago. 2009. 952 p.

DEILAMI, S.; MASOUM, A. S.; MOSES, P. S.; MASOUM, M. A. S. Real-time coordination
of plug-in electric vehicle charging in smart grids to minimize power losses and improve
voltage profile.IEEE Transactions on Smart Grid, Piscataway, v. 2, n. 3, p. 456–467, Sept
2011. ISSN 1949-3053.

DELGADO, J.Sistema de informação de apoio a detecção de perdas de energia eléctrica
- O caso da Electra. 140 f. Tese (Doutorado em Engenharia Eletrônica) — Universidade de
Aveiro, Santiago, 2010.

DIAGRAMA unifilar da rede de transmissão do sistema Colombiano. Medellin: [s.n.], 2016.
98 p. Dados obtidos de uma empresa cujo nome é confidencial.

ELLER, N. A. Arquitectura de informação para gestão de perdas comerciais de energia
elétrica. 114 f. Tese (Doutorado em Engenharia de Produção) — Universidade Federal de
Santa Catarina, Santa Catarina, 2003.

ENGELS, R.; THEUSINGER, C. Using a data metric for offering preprocessing advice in data
mining applications,. In: EUROPEAN CONFERENCE ON ARTIFICIAL INTELLIGENCE
ECAI,. Brighton, 1998.Proceedings... Brighton: ECAI, 1998, p. 430–434.

FANG, X.; MISRA, S.; XUE, G.; YANG, D. Smart grid. the new and improved power grid: A
survey.IEEE Communications Surveys Tutorials, Piscataway, v. 14, n. 4, p. 944–980, Fourth
2012. ISSN 1553-877X.



REFERÊNCIAS 153

FAYBISOVICH, V.; KHOROSHEV, M. I. Frequency domain double-ended method of fault
location for transmission lines. In: TRANSMISSION AND DISTRIBUTION CONFERENCE
AND EXPOSITION. IEEE/PES. Chicago, 2008.Proceedings... Piscataway: IEEE, 2008,
p. 1–6. ISSN 2160-8555.

FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P.From data mining to knowledge
discovery: an overview, in advances in knowledge discoveryin databases. Cambridge: MIT,
1996.

FENG, D.; XIANGJUN, Z.; CHAO, Y.; XIAO’AN, Q.; ZHIHUA, W. Novel traveling wave
location algorithm for transmission network based on information fusion technology. In:
INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY
AND AUTOMATION (ICICTA). [S.l.], 2008. Proceedings... Piscataway: IEEE, 2008, p.
1091–1095.

FILHO, J. R.; GONTIJO, E. M.; DELAIBA; MAZINA, E.; CABRAL, J.E.; PINTO,
J. O. Fraud identification in electricity company customersusing decision tree. In: IEEE
INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS (IEEE
CAT. NO.04CH37583). [S.l.], 2004.Proceedings... Piscataway: IEEE, 2004, p. 3730–3734.
ISSN 1062-922X.

FILHO, M. Sistema inteligente para tomada rápida de decisões nos sistemas elétricos. 1110 f.
Tese (Doutorado em Engenharia Elétrica) — Universidade Federal de Itajubá, Itajubá, 2006.

FORD, F. N. Decision support systems and expert systems: a comparison.Information &
Management, Elsevier, v. 8, n. 1, p. 21–26, 1985.

FOURER, R.; GAY, D. M.; KERNIGHAN, B. W.AMPL: A modeling language for
mathematical programming. 2. ed. [S.l.]: Pacific Grove, 2002. 540 p.

FULCZYK, M.; BALCEREK, P.; IZYKOWSKI, J.; ROSOLOWSKI, E. Two-end
unsynchronized fault location algorithm for double-circuit series compensated lines. In:
POWER AND ENERGY SOCIETY GENERAL MEETING - CONVERSION AND
DELIVERY OF ELECTRICAL ENERGY IN THE 21 CENTURY. Pittsburgh, PA, 2008.
Proceedings... Piscataway: IEEE, 2008, p. 1–9. ISSN 1932-5517.

GAMA, J.; FACELI, K.; LORENA, A. C.; CARVALHO, A. C.Inteligência artificial: uma
abordagem de aprendizado de máquina. Rio de Janeiro: Grupo Gen - LTC, 2011. ISBN
9788521618805. Disponível em:<https://books.google.com.br/books?id=4DwelAEACAAJ>.

GHARAVI, H.; GHAFURIAN, R. Smart grid: the electric energy system of the future.
Proceedings of the IEEE, Piscataway, v. 99, n. 6, p. 917–921, Jun. 2011.

GOLDSCHMIDT, R.; PASSOS, E.Data mining: um guia prático.Rio de Janeiro: Elsevier,
2005. 265 p.

GOLDSCHMIDT, R.; PASSOS, E.; BEZERRA, E.Data mining: conceitos, técnicas,
algoritmos, orientações e aplicações. 2. ed. Rio de Janeiro: Elsevier, 2015. 296 p. ISBN
978-85-352-7822-4.



REFERÊNCIAS 154

GOMES, L.; FARIA, P.; MORAIS, H.; VALE, Z.; RAMOS, C. Distributed, agent-based
intelligent system for demand response program simulationin smart grids.IEEE Intelligent
Systems, Piscataway, v. 29, n. 1, p. 56–65, Jan 2014. ISSN 1541-1672.

GONÇALVES, R.; ALVES, R. P.; FRANCO, J.; RIDER, M. J. Operation planning of electrical
distribution systems using a mixed integer linear model.Journal of Control, Automation and
Electrical Systems, Springer, v. 24, n. 5, p. 668–679, 2013.

GONÇALVES, R.; ALVES, R. P.; RIDER, M. J. Um modelo linear inteiro misto para o
planejamento da operação de redes de distribuição de energia elétrica. In: CONGRESSO
BRASILEIRO DE AUTOMÁTICA-CBA, 2012,. Goiania, 2012.Anais... Goiania: CBA, 2008.

GOPALAKRISHNAN, A.; KEZUNOVIC, M.; MCKENNA, S. M.; HAMAI, D. M. Fault
location using the distributed parameter transmission line model.IEEE Transactions on Power
Delivery, Piscataway, v. 15, n. 4, p. 1169–1174, Oct 2000. ISSN 0885-8977.

HAN, J.; MICHELINE, K.; JIAN, P.Data mining: concepts and techniques. 3. ed. Boston:
Morgan Kaufmann, 2012. 703 p. (The Morgan Kaufmann Series inData Management
Systems). ISBN 978-0-12-381479-1.

HAYKIN, S. Neural networks: a comprehensive foundation. 3. ed. Ontario Canada: Prentice
Hall, 2008. 842 p.

HEBB, D. O.The organization of behavior: a neuropsychological theory. 2. ed. New York:
Psychology Press, 2008. 335 p.

HERNÁNDEZ-ORALLO, J.; DOWE, D. L. Measuring universal intelligence: towards an
anytime intelligence test.Artificial Intelligence, Valencia, v. 174, n. 18, p. 1508 – 1539, 2010.
ISSN 0004-3702.

HU, X.; MURGOVSKI, N.; JOHANNESSON, L. M.; EGARDT, B. Optimal dimensioning
and power management of a fuel cell battery hybrid bus via convex programming.IEEE-ASME
Transactions on Mechatronics, Piscataway, v. 20, n. 1, p. 457–468, Feb 2015. ISSN 1083-4435.

INTERNATIONAL ENERGY AGENCY - IEA. World energy statistics 2017. França, Nov.
2017. 22 p. Disponível em:<https://www.iea.org/statistics/>. Acesso em: 13 Set. 2017.

JAFARI, M.; GAUCHIA, A.; ZHANG, K.; GAUCHIA, L. Simulation and analysis of the
effect of real-world driving styles in an ev battery performance and aging.IEEE Transactions
on Transportation Electrification, Piscataway, v. 1, n. 4, p. 391–401, Dec 2015.

JAHANGIRI, P.; ALIPRANTIS, D. C. Distributed volt/var control by pv inverters.IEEE
Transaction on Power Systems, New York, v. 28, n. 3, p. 3429–3439, Aug. 2013.

KARFOPOULOS, E. L.; HATZIARGYRIOU, N. D. A multi-agent system for controlled
charging of a large population of electric vehicles.IEEE Transactions on Power Systems,
Piscataway, v. 28, n. 2, p. 1196–1204, May 2013. ISSN 0885-8950.

KAWADY, T.; STENZEL, J. Investigation of practical problems for digital fault location
algorithms based on emtp simulation.IEEE/PES. Transmission and Distribution Conference
and Exhibition 2002, Yokohama, v. 1, p. 118 – 123, Oct. 2002.



REFERÊNCIAS 155

KERSTING, W. H.Distribution system modeling and analysis, regulation of voltages. 2. ed.
Las Cruzes, Nuevo Mexico: CRC, 2007. 425 p.

KIM, I. S. Nonlinear state of charge estimator for hybrid electric vehicle battery.IEEE
Transactions on Power Electronics, v. 23, n. 4, p. 2027–2034, July 2008. ISSN 0885-8993.

KIM, I. S. A technique for estimating the state of health of lithium batteries through a
dual-sliding-mode observer.IEEE Transactions on Power Electronics, Piscataway, v. 25, n. 4,
p. 1013–1022, April 2010. ISSN 0885-8993.

KURZWEIL, R. The age of intelligent machines. [S.l.]: MIT, 1990. 565 p.

LABERGE, R.The data warehouse mentor: practical data warehouse and business
intelligence insights. New York: McGraw-Hill, 2011. 416 p.

LAMBERT-TORRES, G.; RIBEIRO, G.; COSTA, C.; SILVA, A. A. da;QUINTANA, V.
Knowledge engineering tool for training power-substationoperators.IEEE Transactions on
Power Delivery, Piscataway, v. 12, n. 2, p. 694–699, Apr 1997. ISSN 0885-8977.

LIANG, R. H.; CHENG, C. K. Dispatch of main transformer ultc and capacitors in a
distribution system.IEEE Transactions on Power Delivery, Piscataway, v. 16, n. 4, p. 625–630,
Oct 2001. ISSN 0885-8977.

LIANG, R. H.; WANG, Y. S. Fuzzy-based reactive power and voltage control in a distribution
system.IEEE Transactions on Power Delivery, Piscataway, v. 18, n. 2, p. 610–618, April 2003.
ISSN 0885-8977.

LIANG, R. H.; WANG, Y. S. A universal fault location technique for n-terminal transmission
lines.IEEE Transactions on Power Delivery, Piscataway, v. 23, n. 3, p. 1366–1373, July 2008.
ISSN 0885-8977.

LIANG, Y.; WANG, G.; LI, H. A novel fault location for transmission line by the combination
of particle swarm optimization and least squares method. In: INTERNATIONAL POWER
ENGINEERING CONFERENCE (IPEC 2007). Singapore, 2007.Proceedings...Piscataway:
IEEE, 2007, p. 1151–1155. ISSN 1947-1262.

LIAO, Y.; KEZUNOVIC, M. Optimal estimate of transmission line fault location considering
measurement errors.IEEE Transactions on Power Delivery, Piscataway, v. 22, n. 3, p.
1335–1341, July 2007. ISSN 0885-8977.

LIN, X.; BOGDAN, P.; CHANG, N.; PEDRAM, M. Machine learning-based energy mana-
gement in a hybrid electric vehicle to minimize total operating cost. In: INTERNATIONAL
CONFERENCE ON COMPUTER-AIDED DESIGN (ICCAD). Austin, 2015. Proceedings...
Piscataway: IEEE/ACM, 2015, p. 627–634.

LIN, X.; MAO, P.; WENG, H.; WANG, B.; BO, Z. Q.; KLIMEK, A. Study on fault
location for high voltage overhead transmission lines based on neural network system. In:
INTERNATIONAL CONFERENCE ON INTELLIGENT SYSTEMS APPLICATIONS TO
POWER SYSTEMS. Toki Messe, 2011.Proceedings...Toki Messe, 2011, p. 1–5.



REFERÊNCIAS 156

MAHMOOD, A. M.; SATULURI, N.; KUPPA, M. R. An overview of recent and traditional
decision tree classifiers in machine learning.International Journal of Research and Reviews in
Ad Hoc Networks, New York, v. 1, n. 1, p. 1688–1697, Apr. 2011.

MAJID, I. A.; RAHMAN, R. F.; SETIAWAN, N. A.; CAHYADI, A. I. El ectric vehicle
battery dynamics modelling using support vector machine. In: JOINT INTERNATIONAL
CONFERENCE ON RURAL INFORMATION COMMUNICATION TECHNOLOGY
AND ELECTRIC-VEHICLE TECHNOLOGY (RICT ICEV-T). [S.l.], 2013. Procee-
dings...Piscataway: IEEE, 2013, p. 1–3.

MCCULLOCH, M. S.; PITTS, W. A logical calculus of the ideas immanent in nervous activity.
Bulletin of Mathematical Biophysics, Chicago, v. 5, n. 1, p. 115–133, Apr. 1943.

MEI, K.; ROVNYAK, S. M. Response-based decision trees to trigger oneshot stabilizing
control.IEEE Transactions on Power Systems, Piscataway, v. 19, n. 1, p. 531–537, May. 2004.

MENG, J.; LUO, G.; GAO, F. Lithium polymer battery state-of-charge estimation based on
adaptive unscented kalman filter and support vector machine. IEEE Transactions on Power
Electronics, Piscataway, v. 31, n. 3, p. 2226–2238, March 2016. ISSN 0885-8993.

METS, K.; D’HULST, R.; DEVELDER, C. Comparison of intelligent charging algorithms for
electric vehicles to reduce peak load and demand variability in a distribution grid.Journal of
Communications and Networks, Seoul, v. 14, n. 6, p. 672–681, Dec 2012. ISSN 1229-2370.

MITCHELL, T. M. Machine learning. [S.l.]: McGraw-Hill, 1997. 421 p. (McGraw-Hill
International Editions). ISBN 9780071154673.

MOHAPATRA, A.; BIJWE, P. R.; PANIGRAHI, B. K. An efficient hybrid approach for
volt/var control in distribution systems.IEEE Transactions on Power Delivery, Piscataway,
v. 29, n. 4, p. 1780–1788, Aug 2014. ISSN 0885-8977.

MOMOH, J. A.Electric power distribution, automation, protection, andcontrol. [S.l.]: CRC,
2017. 378 p.

MULLER, K.; MIKA, S.; RATSCH, G.; TSUDA, K.; SCHOLKOPF, B. Anintroduction to
kernel-based learning algorithms.IEEE Transactions on Neural Networks, New York, v. 12,
n. 2, p. 181–201, Mar 2001. ISSN 1045-9227.

NIKNAM, T.; ZARE, M.; AGHAEI, J. Scenario-based multiobjective volt/var control in
distribution networks including renewable energy sources. IEEE Transactions on Power
Delivery, New York, v. 27, n. 4, p. 2004–2019, Oct 2012. ISSN 0885-8977.

NILSSON, N. J.Artificial intelligence: a new synthesis. New York: Elsevier, 1998. 513 p.

NORTHCOTE-GREEN, J.; WILSON, R. G.Control and automation of electrical power
distribution systems. New York: CRC, 2006. 488 p.

OBA, C. C.; NUNES, A.; SINKITI, D.; PAPA, J. P. Identificationand feature selection of non-
technical losses for industrial consumers using the software weka. In: IAS INTERNATIONAL
CONFERENCE ON INDUSTRY APPLICATIONS (INDUSCON), 10., 2012,. Fortaleza,
2012.Proceedings... Piscataway: IEEE, 2012, p. 1–6.



REFERÊNCIAS 157

O’CONNELL, A.; FLYNN, D.; KEANE, A. Rolling multi-period optimization to control
electric vehicle charging in distribution networks.IEEE Transactions on Power Systems,
National Harbor, v. 29, n. 1, p. 340–348, Jan 2014. ISSN 0885-8950.

OLIVEIRA, E.; BRAZ, J.; FERREIRA, D. Um processador de alarme inteligente.SBA
Controle e Automação, Campinas, v. 4, n. 2, p. 55 – 61, May. 1994.

PARÂMETROS da linha de transmissão. Medellin: [s.n.], 2016. 87 p. Dados obtidos de uma
empresa cujo nome é confidencial.

PARK, J. Y.; NAM, S. R.; PARK, J. K. Control of a ultc considering the dispatch schedule of
capacitors in a distribution system.IEEE Transactions on Power Systems, Piscataway, v. 22,
n. 2, p. 755–761, May 2007. ISSN 0885-8950.

PLATT, J. C. Sequential minimal optimization: a fast algorithm for training support vector
machines. 1998.

QUEIROGA, R. M.Uso de técnicas de data mining para detecção de fraudes em energia
elétrica. 147 f. Tese (Doutorado em Informática)) — Universidade Federal do Espírito Santo,
Vitória:, 2005.

QUINLAN, J. R. Improved use of continuous attributes in c4.5. Journal of Artificial
Intelligence Research, New York, v. 4, n. 1, p. 77 – 90, Nov. 1996.

RAILEANU, L.; STOFFEL, K. Theoretical comparison between the gini index and information
gain criteria.Annals of mathematics and artificial intelligence, p. 77 – 93, Oct. 2004.

REZENDE, S. O.; PUGLIESE, J. B.; AO, F. M. V.Sistemas baseados em conhecimentos,
sistemas inteligentes. [S.l.]: Editora Manole, 2003.

RICH, E.; KNIGHT, K.Artificial intelligence. 2. ed. United States of American: McGraw-Hill,
1991. 640 p.

ROKACH, L.; MAIMON, O. Data mining with decision trees: theory and applications. Series
in machine perception and artificial intelligence. 2. ed. Singapore: World Scientific Publishing
Company, 2008. 244 p.

ROSENBLATT, F.Principles of neurodynamics: perceptrons and the theory ofbrain
mechanisms. Washington: Spartan Books, 1962. 616 p.

ROYTELMAN, I.; GANESAN, V. Coordinated local and centralized control in distribution
management systems.IEEE Transactions on Power Delivery, Piscataway, v. 15, n. 2, p. 718 –
724, Apr. 2000.

RUSSELL, S. J.; NORVIG, P.Artificial intelligence: a modern approach. 3. ed. New Jersey:
Pearson, 2009. 1152 p.

SABILLÓN, C.; FRANCO, J. F.; RIDER, M. J.; ROMERO, R. A new methodology for the
optimal charging coordination of electric vehicles considering vehicle-to-grid technology.
IEEE Transactions on Sustainable Energy, Piscataway, v. 7, n. 2, p. 596–607, April 2016.
ISSN 1949-3029.



REFERÊNCIAS 158

SABILLÓN, C. F.; FRANCO, J. F.; RIDER, M. J.; ROMERO, R. A milpmodel for optimal
charging coordination of storage devices and electric vehicles considering v2g technology.
In: INTERNATIONAL CONFERENCE ON ENVIRONMENT AND ELECTRICAL
ENGINEERING (EEEIC), 15., 2015. Rome, Italy, 2015.Proceedings... Piscataway: IEEE,
2015, p. 60–65.

SAHA, M. M.; DAS, R.; VERHO, P.; NOVOSEL, D. Review of fault location techniques
for distribution systems.Power Systems and Communications Infrastructures for the future,
Australia, v. 12, n. 2, p. 2670–2677, 2012.

SHAABAN, M. F.; ISMAIL, M.; EL-SAADANY, E. F.; ZHUANG, W. Real-time pev
charging/discharging coordination in smart distributionsystems.IEEE Transactions on Smart
Grid, Piscataway, v. 5, n. 4, p. 1797–1807, July 2014. ISSN 1949-3053.

SHAHID, N.; ALEEM, S. A.; NAQVI, I. H.; ZAFFAR, N. Support vector machine based fault
detection amp; classification in smart grids. In: GLOBECOM WORKSHOPS, 2012. [S.l.],
2012.Proceedings... Piscataway: IEEE, 2012, p. 1526–1531. ISSN 2166-0077.

SHANNON, C. E.; WEAVER, W.The mathematical theory of communication. Illinois:
University of Illinois, 1971. 144 p.

SHAWE-TAYLOR, J.; CRISTIANINI, N.Support vector machines and other kernel-based
learning methods. Cambridge: Cambridge University Press, 2000. 204 p.

SILVA, M. P. S.Mineração de dados - Conceitos, aplicações e experiência com WEKA. Rio
Janeiro: Escola regional de Informática de Rio de Janeiro, 2004.

SILVA, M. P. S.; ROBIN, J. R.SKDQL - Uma linguagem declarativa de especificação
de consultas e processos para descoberta de conhecimento embancos de dados e sua
implementação. [S.l.]: UFPE, 2003.

SUNIL, S.; VISHWAKARMA, D. N. Intelligent techniques for fault diagnosis in
transmission lines 2014: an overview. In: INTERNATIONAL CONFERENCE ON RECENT
DEVELOPMENTS IN CONTROL, AUTOMATION AND POWER ENGINEERING
(RDCAPE), 2015. Noida, 2015.Proceedings... Piscataway: IEEE, 2015, p. 280–285.

TAN, Y.; WANG, J. A support vector machine with a hybrid kernel and minimal vapnik-
chervonenkis dimension.IEEE Transactions on Knowledge and Data Engineering, Piscataway,
v. 16, n. 4, p. 385–395, April 2004. ISSN 1041-4347.

TANG, L.; RIZZONI, G.; ONORI, S. Energy management strategyfor hevs including battery
life optimization.IEEE Transactions on Transportation Electrification, Piscataway, v. 1, n. 3,
p. 211–222, Oct 2015.

TANG, Y.; ZHONG, J.; BOLLEN, M. Aggregated optimal chargingand vehicle-to-grid control
for electric vehicles under large electric vehicle population. IET Generation, Transmission
Distribution, Piscataway, v. 10, n. 8, p. 2012–2018, 2016. ISSN 1751-8687.

TAO, X.; RENMU, H.; PENG, W.; DONGJIE, X. Applications of data mining technique for
power system transient stability prediction.Electric Utility Deregulation, Restructuring and
Power Technologies, Beijing, v. 1, n. 1, p. 389–392, Apr. 2004.



REFERÊNCIAS 159

THOTA, L. S.; BADAWY, A. S.; CHANGALASETTY, S. B.; GHRIBI, W.Classify vehicles:
classification or clusterization? In: INTERNATIONAL CONFERENCE ON CIRCUITS,
POWER AND COMPUTING TECHNOLOGIES (ICCPCT), 2015]. Nagercoil, 2015.
Proceedings... Piscataway: IEEE, 2015, p. 1–7.

TRIPPE, A.; MASSIER, T.; HAMACHER, T. Optimized charging ofelectric vehicles with
regard to battery constraints - case study: Singaporean carpark. In: ENERGYTECH, 2013.
Cleveland, 2013.Proceedings... Piscataway: IEEE, 2013, p. 1–6.

TSO, S. K.; LIN, J. K.; HO, H. K.; MAK, C. M.; YUNG, K. M.; HO, Y. K. Data mining for
detection of sensitive buses and influential buses in a powersystem subjected to disturbances.
IEEE Transactions on Power Systems, Beijing, v. 19, n. 1, p. 563–568, Feb 2004. ISSN
0885-8950.

VALIQUETTE, B.; TORRES, L.; MUKHEDKAR, D. An expert system based diagnosis
and advisor tool for teaching power system operation emergency control strategies.IEEE
Transactions on Power Systems, Piscataway, v. 6, n. 3, p. 1315–1322, Aug 1991. ISSN
0885-8950.

VAPNIK, V. N. Statistical learning theory. New York: Wiley-Interscience, 1998. 768 p.

VASSENA, S.; MACK, P.; ROUSEAUX, P.; DRUET, C.; WEHENKEL, L.A probabilistic
approach to power system network planning under uncertainties. In: POWER TECH
CONFERENCE, 2003. Bologna, 2003.Proceedings... Piscataway: IEEE, 2013, p. 6 pp.
Vol.2–.

VENKATESAN, R.; BALAMURUGAN, B. A real-time hardware faultdetector using an
artificial neural network for distance protection.IEEE Transactions on Power Delivery,
Piscataway, v. 16, n. 1, p. 75 – 82, Jan. 2001.

VIAWAN, F. A.; KARLSSON, D. Voltage and reactive power control in systems with
synchronous machine-based distributed generation.IEEE Transactions on Power Delivery,
Piscataway, v. 23, n. 2, p. 1079 – 1087, Jan. 2008.

VILLACCI, D.; BONTEMPI, G.; VACCARO, A. An adaptive local learning-based
methodology for voltage regulation in distribution networks with dispersed generation.IEEE
Transactions On Power Systems, Piscataway, v. 21, n. 3, p. 1131 – 1140, Aug. 2006.

VILLALOBOS, J. G. ia; ZAMORA, I.; IN, J. I. S. M.; ASENSIO, F. J.; APERRIBAY,
V. Plug-in electric vehicles in electric distribution networks: a review of smart charging
approaches.Renewable and Sustainable Energy Reviews, Elsevier, Kidlington, v. 38, p.
717–731, 2014. ISSN 1364-0321.

WANG, B.; DONG, X.; BO, Z.; KLIMEK, A. Impedance phase faultslocation algorithm
for uhv transmission lines. In: IEEE/PES TRANSMISSION AND DISTRIBUTION
CONFERENCE AND EXPOSITION: LATIN AMERICA, 2008. Bogotá, 2008.Proceedings...
Piscataway: IEEE, 2008, p. 1–4.



REFERÊNCIAS 160

WANG, N.; ARAVINTHAN, V.; DING, Y. Feeder-level fault detection and classification
with multiple sensors: A smart grid scenario. In: WORKSHOP ON STATISTICAL SIGNAL
PROCESSING (SSP), 2014. Gold Coast, 2014.Proceedings... Piscataway: IEEE, 2014, p.
37–40. ISSN 2373-0803.

WANG, R.; XIAO, G.; WANG, P. Hybrid centralized-decentralized (hcd) charging control
of electric vehicles.IEEE Transactions on Vehicular Technology, Piscataway, v. 66, n. 8, p.
6728–6741, Aug 2017. ISSN 0018-9545.

WERBOS, P. J. Computational intelligence for the smart grid-history, challenges, and
oportunities.IEEE Computational Intelligence Magazine, Piscataway, v. 6, n. 3, p. 14–21, Aug
2011. ISSN 1556-603X.

WINSTON, P. H.Artificial intelligence. 3. ed. New York: Pearson, 1992. 737 p.

WITTEN, I. H.; FRANK, E. Data mining: practical machine learning tools with JAVA
implementations. United States of America: Morgan Kaufmann Publisher, 2000. 558 p.

WITTEN, I. H.; FRANK, E.Data mining: practical machine learning tools and techniques. 3.
ed. United States of America: Morgan Kaufmann Publisher, 2011. 664 p.

WITTEN, I. H.; FRANK, E.; HALL, M. A.; PAL, C. J.Data mining: practical machine
learning tools and techniques. 4. ed. [S.l.]: Elsevier Science, 2016. 654 p. (The Morgan
Kaufmann Series in Data Management Systems). ISBN 9780128043578.

WOLLENBERG, B. F. Feasibility study for an energy management system intelligent alarm
processor.IEEE Transactions on Power Systems, Piscataway, v. 1, n. 2, p. 241 – 247, 1986.

YILMAZ, M.; KREIN, P. T. Review of battery charger topologies, charging power levels,
and infrastructure for plug-in electric and hybrid vehicles. IEEE Transactions on Power
Electronics, Piscataway, v. 28, n. 5, p. 2151–2169, May 2013. ISSN 0885-8993.

ZHANG, F.; LIANG, J.; ZHANG, L.; YUN, Z. A new fault location method avoiding wave
speed and based on traveling waves for ehv transmission line. In: THIRD INTERNATIONAL
CONFERENCE ON ELECTRIC UTILITY DEREGULATION AND RESTRUCTURING
AND POWER TECHNOLOGIES, 2008. Nanjing, 2008.Proceedings... Nanjing, 2015, p.
1753–1757.

ZHAO, Y.; ZHANG, Y.; SATULURI, N.; KUPPA, M. R. Comparison ofdecision tree methods
for finding active objects.National Astronomical Observatories, Advances of Space Research,
Bejing, v. 1, n. 1, p. 1 – 10, Jul. 2007.