Os dados dos registros oscilogr´aficos tamb´em podem ser utilizados para avaliac¸˜ao da qualidade de energia. Atrav´es destes dados pode-se ava- liar afundamentos de tens˜ao, conte´udo harmˆonico, sobretens˜oes e uma s´erie de outros eventos relacionados a este tipo de an´alise. A quantidade de tra- balhos publicados nesta ´area ´e significativa e fazem uso de diversas t´ecnicas computacionais.
Dentre os trabalhos pesquisados no decorrer do desenvolvimento desta tese verificou-se que a maior variedade de metodologias que utilizam dados de RDPs foram propostas para avaliac¸˜ao da qualidade de energia.
Barros e Perez (2006) prop˜oem a utilizac¸˜ao de um Filtro de Kalman (FK) para estimar a magnitude da componente fundamental da tens˜ao e atrav´es da comparac¸˜ao deste valor com um limiar detectar o ocorrˆencia de um dist´urbio de qualidade de energia. A caracterizac¸˜ao dos eventos se d´a atrav´es da variac¸˜ao da amplitude da tens˜ao e da durac¸˜ao do dist´urbio. Limiares obtidos de padr˜oes internacionais s˜ao utilizados na classificac¸˜ao. A metodologia proposta pode ser utilizada em tempo real, visto que o filtro de Kalman ´e um processo recursivo em que a amostra atual do sinal ´e utilizada para estimar a pr´oxima amostra. Ou seja, o FK n˜ao necessita de todo o hist´orico de amostras anteriores.
Os mesmos autores propuseram uma modificac¸˜ao na metodologia, in- cluindo um sistema de segmentac¸˜ao em que al´em da amplitude estimada pelo FK s˜ao utilizados os coeficientes wavelet de detalhe de n´ıvel 1 (D1) (PEREZ; BARROS, 2008). Um limiar ´e aplicado no valor da amplitude dos coe- ficientes de modo a identificar o ´ınicio e fim do dist´urbio na tens˜ao.
Uma abordagem de segmentac¸˜ao semelhante ´e utilizada por Siu e Ngan (2004) para segmentar o sinal empregando os coeficientes de detalhe D1. O coeficiente de aproximac¸˜ao da decomposic¸˜ao wavelet (A1) tamb´em ´e utilizado, mas para a extrac¸˜ao de caracter´ısticas. A Transformada de Fourier (TF) ´e aplicada no sinal A1 de onde s˜ao extra´ıdas as carac-
ter´ısticas: valor da componente cont´ınua (CC); distorc¸˜ao harmˆonica total (THD) e variac¸˜ao da frequˆencia fundamental. Para cada segmento dos sinais de tens˜ao a TF tamb´em ´e aplicada. Ao final, caracter´ısticas como a variac¸˜ao da amplitude, durac¸˜ao do segmento, amplitude da componente CC e variac¸˜ao da THD s˜ao calculadas. Dois m´etodos de tomada de decis˜ao foram testados, um sistema especialista e uma RNA.
Cesar et al. (2006) tamb´em adotam o mesmo processo de segmentac¸˜ao para obter a durac¸˜ao do dist´urbio. Neste caso, as caracter´ısticas extra´ıdas dos sinais s˜ao as energias dos coeficientes wavelet de detalhe em relac¸˜ao as ener- gias obtidas a partir da decomposic¸˜ao de uma sen´oide de frequˆencia funda- mental. Os padr˜oes de caracter´ısticas obtidas s˜ao classificados por um tipo de rede neural chamado mapa auto-organiz´avel (SOM) ou mapa de Kohonen.
Utilizando o processo de segmentac¸˜ao descrito acima, Gaing (2004) utiliza a durac¸˜ao do transit´orio e a energia dos coeficientes wavelet como caracter´ısticas de entrada para uma rede neural probabil´ıstica respons´avel pela classificac¸˜ao dos eventos. Estas caracter´ısticas tamb´em s˜ao utilizadas em Dwivedi et al. (2007), onde o m´etodo de segmentac¸˜ao ´e baseado no erro de adaptac¸˜ao de um filtro adaptativo baseado nos m´ınimos quadrados ponde- rados. Apenas o m´etodo de segmentac¸˜ao foi proposto.
Algumas abordagens propostas n˜ao necessitam de m´etodos de segmentac¸˜ao pois utilizam todo sinal do registro para a obtenc¸˜ao de carac- ter´ısticas e posterior classificac¸˜ao. Em (KARIMI et al., 2000) ´e proposto um filtro adaptativo que “segue” a amplitude e fase da componente de frequˆencia fundamental. Um sinal de erro obtido com este filtro ´e decomposto por uma an´alise wavelet. A relac¸˜ao entre as amplitudes do sinal de erro e dos coeficientes wavelet formam as caracter´ısticas que s˜ao avaliadas por um m´etodo estat´ıstico de classificac¸˜ao (Maximum likelihood). Gargoom et al. (2008) utilizam os valores de energia dos coeficientes de uma an´alise multirresoluc¸˜ao usando a Transformada S (uma variac¸˜ao da transformada de fourier com janelamento). A classificac¸˜ao ´e feita com base em limiares (regras procedimentais).
Foram desenvolvidos tamb´em m´etodos para serem aplicados em tempo-real, que a cada nova amostra (ou conjunto de amostras) um di- agn´ostico ´e obtido. Um exemplo ´e o trabalho de Dash et al. (2000), que estima a amplitude da componente de frequˆencia fundamental por um filtro adaptativo. O valor da amplitude e sua variac¸˜ao a cada nova amostra do sinal s˜ao classificados por um sistema fuzzy o qual fornece uma resposta instantˆanea com a classificac¸˜ao do dist´urbio caso este venha a ocorrer.
nais de tens˜ao s˜ao obtidos atrav´es de um processo de janelamento com a trans- formada de Fourier. A variac¸˜ao dos componentes de frequˆencia obtidos para cada janela ´e utilizada para segmentar o sinal. A classificac¸˜ao dos eventos de qualidade de energia ´e feita com base em limiares propostos em padr˜oes internacionais.
Styvaktakis et al. (2001) propuseram a utilizac¸˜ao de filtros de Kalman para estimar com precis˜ao a amplitude da componente de frequˆencia fun- damental. Os res´ıduos de adaptac¸˜ao do FK s˜ao utilizados como ´ındices de detecc¸˜ao utilizados para segmentar o registro oscilogr´afico. Em cada seg- mento ´e calculada a magnitude m´edia de frequˆencia fundamental, a durac¸˜ao do intervalo e a distorc¸˜ao harmˆonica total. Um sistema especialista avalia as caracter´ısticas em cada intervalo, obtendo uma conclus˜ao acerca do dist´urbio de qualidade de energia. Um refinamento deste trabalho ´e apresentado em (STYVAKTAKIS et al., 2002b).
Um sistema especialista ´e tamb´em empregado pelos mesmos autores, por´em para processar dados oriundos de um registrador de valores eficazes e n˜ao de forma de onda (STYVAKTAKIS et al., 2002a). O ´ındice de detecc¸˜ao proposto consiste apenas no m´odulo da diferenc¸a entre amostras consecutivas do sinal. Assim, o sinal ´e segmentado e a amplitude m´edia em cada segmento ´e calculada. O sistema especialista ´e utilizado na tomada de decis˜ao. Um processo semelhante ´e utilizado por Shakya e Singh (2008), por´em neste caso ´e utilizado um classificador fuzzy.