26

Tabela 2.1: Faixas de freqncia da aplicao da TWP ilustrada na Figura 2.11.

Folha
Sinal de entrada
A1,1
D1,1
A1,2
D1,2
A2,2
D2,2
A1,3
D1,3
A2,3
D2,3
A3,3
D3,3
A4,3
D4,3

No amostras
N
N/2
N/2
N/4
N/4
N/4
N/4
N/8
N/8
N/8
N/8
N/8
N/8
N/8
N/8

Faixa de freqncia (Hz)

0f
0 f/2
f/2 f
0 f/4
f/4 2f/4
2f/4 3f/4
3f/4 f
0 f/8
f/8 2f/8
2f/8 3f/8
3f/8 4f/8
4f/8 5f/8
5f/8 6f/8
6f/8 7f/8
7f/8 f

aos quais um transformador pode estar submetido.

2.3.2 Conceitos sobre a Lgica fuzzy

Muitos dos problemas da engenharia, para serem resolvidos computacionalmente, necessitam contar com a experincia humana. Portanto, o sistema que resolver o problema tem
que processar informaes de forma semelhante aos humanos. As pessoas so capazes de lidar
com processos bastante complexos, baseados em informaes imprecisas ou aproximadas, e a
estratgia de deciso adotada por elas , tambm, de natureza imprecisa (Zimmermann, 2001).
Por isto, a tomada de deciso, por parte dos humanos, nem sempre, se resume a um sim
ou no, a verdadeiro ou falso, ou a pertence ou no pertence, to pouco pode ser
expressa por uma exatido numrica. De acordo com Fialho (2007) o raciocnio humano conduz
a uma classificao, ou agregao qualitativa em categorias gerais ou conjuntos possveis de
solues, que podem ser expressas em termos lingsticos.
neste contexto que se insere a teoria dos conjuntos fuzzy (ou nebulosos) proposta por Zadeh
(1965), possibilitando o tratamento de informaes de carter impreciso ou vago a sistemas de
computadores. A computao nebulosa permite a tomada de deciso, e em conseqncia a
soluo do problema, baseada em valores qualitativos e na manipulao de variveis lingsticas
atravs de regras que descrevem o desejado.
Nesta seo sero apresentados alguns conceitos bsicos sobre os conjuntos fuzzy, o proce-

27

dimento de inferncia fuzzy e sobre a estrutura de um sistema fuzzy.

Conjuntos Fuzzy
A lgica clssica est definida sobre a concepo fundamentada dos conjuntos. De acordo
com esta concepo, um certo valor pode pertencer ou no a um determinado conjunto. Ento,
dado um conjunto A, definido em um universo X, os elementos deste universo pertencem ou
no pertencem a A. Esta relao pode ser mapeada pela funo caracterstica (ou de incluso)
A (x):

1, se x A
A (x) =
.

0, se x < A

(2.20)

No caso da LF, um valor qualquer pode pertencer a um conjunto, com um certo grau de
pertinncia. Esta idia flexibiliza a funo caracterstica, de modo que ela pode assumir um
nmero infinito de valores no intervalo [0, 1]. A funo de pertinncia de um conjunto nebuloso
A representada por:

A (x) : X [0; 1]; x X,

(2.21)

onde A (x) expressa o grau com que o elemento x, pertencente ao universo de discurso X, est
inserido no conjunto fuzzy A.
A forma de se representar um conjunto fuzzy depende, basicamente, da natureza e da
dimenso do universo de discurso ao qual seus elementos pertencem. Se o universo X for
discreto e finito, o conjunto fuzzy A pode ser representado por um vetor contendo os graus de
pertinncia no conjunto A dos elementos correspondentes de X, ou ainda, por meio da seguinte
P
notao (que no deve ser confundida com a soma algbrica, pois , nesse caso, significa a

coleo de todos os pontos (Mendel, 1995)):

A=

N
X

A (xi )/xi ,

(2.22)

i=1

onde cada termo A (xi )/xi fornece o grau de pertinncia do elemento xi em relao ao conjunto
fuzzy A.
Se o universo de discurso, X, for contnuo, emprega-se a seguinte notao:

28

A=

A (xi )/xi ,

(2.23)

i=1

onde

tem o mesmo significado do

da Equao (2.22).

As funes de pertinncia de um conjunto fuzzy podem ser de diversos tipos ou formatos.

A escolha do formato ideal da funo de pertinncia, nem sempre uma tarefa fcil, sendo
que um especialista deve determinar o melhor formado para cada aplicao. Os formatos de
funes de pertinncia mais utilizados so: Triangular, Trapezoidal e Gaussiana, ilustrados nas
Figuras 2.12(a), 2.12(b) e 2.12(c), respectivamente.
1
(x)

0.8

(x)

0.6
0.4

m
a

0.2
0
0

(a)

10

12

(x) =

0, se
se
se
0, se

xa
x [a, m]
x [m, b]
xb

0, se
se
1, se
bx
bn , se
0, se

xa
x [a, m]
x [m, n]
x [n, b]
xb

xa
ma ,
bx
bm ,

1
(x)
0.8

(x)

0.6
0.4

0.2
0
0

(b)

10

12

(x) =

xa
ma ,

(x)
0.8

(x)

0.6

0.4

0.2

(c)

10

(x) = exp(xm)

Figura 2.12: Tipos de funes de pertinncia fuzzy.

A seguir, enumera-se algumas importantes definies sobre conjuntos fuzzy:

1. Conjunto fuzzy normalizado: um conjunto fuzzy normalizado se, pelo menos um de
seus elementos, possuir grau de pertinncia igual a 1;

29

2. Suporte de um conjunto fuzzy: conjunto de pontos do universo de discurso, para os quais

A (x) possui valor positivo;
3. Singleton: um conjunto fuzzy normalizado, cujo suporte um nico ponto.

Operaes sobre Conjuntos Fuzzy

Os operadores bsicos que se aplicam aos conjuntos nebulosos so extenses dos operadores
utilizados em conjuntos tradicionais. Os principais operadores aplicados em conjuntos fuzzy
so: unio, interseco e complemento.
A referncia Zimmermann (2001) apresenta os operadores matemticos T-norma e S-norma,
a partir dos quais so definidos os operadores de interseco e unio, respectivamente. Para
um operador ser considerado como um operador de interseco, ele deve ser considerado como
um T-norma. Por sua vez, para ser considerado como um operador de unio, um certo operador
deve ser um S-norma.
Existem vrios exemplos de operadores que so considerados T-normas e, por isto, podem ser
utilizados para realizar a interseco. Entretanto, o operador T-norma mais utilizado o mnimo.
Fazendo a interseco com o operador de mnimo (Min), tem-se AB(xi ) = Min[A (xi ), B (xi )].
Um T-norma deve satisfazer as seguintes propriedades:
1. Contorno: T(0, 0) = 0 e T(A (x), 1) = A (x);
2. Comutativa: T(A (x), B (x)) = T(B (x), A (x));
3. Associativa: T(A (x), T(B (x), C (x))) = T(T(A (x), B (x)), C (x));
4. Monotonicidade: T(A (x), B (x)) T(C (x), D (x)) se A (x) C (x) e B (x) D (x).
J o principal operador de unio o mximo (Max), resultando em AB(xi ) = Max[A (xi ), B (xi )].
Contudo, existem outros operadores que tambm so considerados S-normas, e podem ser utilizados para unio. Um S-norma deve obedecer s seguintes propriedades:
1. Contorno: S(1, 1) = 1 e S(A (x), 0) = A (x);
2. Comutativa: S(A (x), B (x)) = S(B (x), A (x));
3. Associativa: S(A (x), S(B (x), C (x))) = S(S(A (x), B (x)), C (x));

30

4. Monotonicidade: S(A (x), B (x)) S(C (x), D (x)) se A (x) C (x) e B (x) D (x).
A outra operao bsica citada o complemento. O complemento A de A definido por
A (xi ) = 1 A (xi ). Alm destas, existem vrias outras operaes definidas para conjuntos

fuzzy, como por exemplo a normalizao. Outras operaes aplicveis a conjuntos fuzzy podem
ser encontradas e melhor explicadas por Zimmermann (2001).

Variveis Lingsticas e Inferncia Fuzzy

Segundo Zimmermann (2001), os sistemas de inferncia fuzzy permitem o tratamento e
manipulao de informaes incertas e imprecisas, as quais so representadas por uma famlia
de conjuntos fuzzy. Tais sistemas de inferncia permitem a modelagem de processos que tem
suas informaes fornecidas de forma qualitativa. O mecanismo de inferncia fuzzy composto
por variveis lingsticas que se associam por meio de conectivos para formar regras. Cada
regra implica em uma variavl de sada fuzzy, que tambm uma varivel lingstica. Por fim
as sadas fuzzy de cada regra precisam ser combinadas, de modo que, ao final do processo de
inferncia, seja fornecida apenas uma sada fuzzy.
Uma varivel lingstica tem a capacidade de classificar de modo impreciso uma informao,
em termos de conceitos qualitativos, no lugar de quantitativos.Tais variveis so compostas por
vrios termos lingsticos, que as caracterizam, com cada termo sendo representado por um
conjunto fuzzy. Uma varivel lingstica pode ser caracterizada pelos seguintes atributos:
nome (x); conjunto de termos (nomes) T(x) associados aos valores lingsticos da varivel
lingstica; pelo universo de discurso U(x) de definio da varivel lingstica e por suas
funes de pertinncia (x) que representam cada termo lingstico. A Figura 2.13 exemplifica
uma varivel lingstica e seus atributos, onde x = { % de Segundo Harmnico (%2H.)}; T(%2H.) =

{MB, BA, ME, AL, MA}; U(%2H.) = [0, 50] e funes de pertinncia (x) representadas pelos

conjuntos fuzzy retangulares (MB (%2H.) e MA (%2H.)) e triangulares (BA (%2H.), ME (%2H.) e
AL (%2H.)) ilustrados na figura.

As principais operaes realizadas com variveis lingsticas so feitas por meio dos conectivos E, OU e NO. Tais conectivos so utilizados para compor os relacionamentos
lgicos entre os termos das variveis lingsticas, ou seja, so utilizados nas regras de inferncia. Os termos E e OU so definidos por operadores de interseco (T-norma) e unio
(S-norma), respectivamente. Como comentado anteriormente, os principais operadores de in-

31

MB(% 2 H.)

(% 2 H.)

0.8
0.6

(% 2 H.)

ME

Muito Baixa (MB)

Baixa (BA)
Mdia (ME)
Alta (AL)
Muito Alta (MA)

AL(% 2 H.)

0.4
0.2

0
0

(% 2 H.)

BA

10

(% 2 H.)

MA

15

20
25
30
% de 2 Harmnico

35

40

45

50

Figura 2.13: Exemplo de uma varivel lingstica e seus atributos.

terseco e unio so o mnimo(Min) e o mximo (Max). J o operador de negao NO,

implementado pela operao de complemento, apresentada na seo anterior.
As regras de inferncia so do tipo SE <condio> ENTO <ao>, onde <condio>
so os antecedentes e <ao> so os conseqentes. Na inferncia fuzzy tanto os antecedentes
quanto os conseqentes so variveis lingsticas. Um exemplo de regra de inferncia fuzzy
seria: SE < Corrente Diferencial Alta E Segundo Harmnico Alto > ENTO < Evento
Energizao>.
Para tornar possvel o processo de inferncia, necessria a definio da operao fuzzy de
implicao (ENTO). Esse operador define a implicao de cada regra lingstica sobre uma
dada varivel lingstica de sada. Em outras palavras, ele relaciona o termo antecedente com
o conseqente. Zimmermann (2001) cita a existncia de vrios operadores de implicao, todos
definidos em termos das relaes de Max e Min. Entretanto, o operador de implicao mais
utilizado o de Mandani, definido pela operao de Min e tambm conhecido como mnimo
de Mandani.
Um SF, geralmente, composto por vrias regras de inferncia. Ento, necessria a
existncia de uma operao que combine as sadas de cada regra, de forma a se obter uma sada
nica. O operador de agregao o responsvel por unir as influncias de todas as regras, aps
a aplicao dos operadores de implicao, apresentando a conseqncia (resultado) do sistema
como um todo. A agregao o ltimo passo do processo de inferncia e pode ser realizada
por uma T-norma ou por uma S-norma. Geralmente, o operador mais utilizado para a agregao
o operador de mximo.

32

Percebe-se a preferncia, na maioria das vezes, pela utilizao das funes de mnimo e
de mximo para a definio das operaes fuzzy. Tal fato ocorre em virtude da rapidez e da
simplicidade de implementao computacional destas funes.

Estrutura de um Sistema Fuzzy

Este tpico tem por objetivo ilustrar a organizao dos mdulos que compe um SF, alm de
mostrar o sentido do fluxo da informao, desde a entrada dos dados no sistema at a tomada
e deciso. A Figura 2.14 apresenta os blocos que constituem um SF, e a seguir, as funes de
cada bloco sero explicadas.
Sistema Fuzzy
Base de
Dados

Interface de
Fuzzyficao

Base de
Conhecimento

Procedimento
de Inferncia

Interface de
Defuzzyficao

Entradas

Sensores

Sada

Processo

Atuadores

Figura 2.14: Estrutura de blocos dos mdulos de um SF.

A interface de fuzzyficao a parte do sistema fuzzy responsvel por receber as entradas

Crisp dos atuadores e convert-las em variveis lingsticas. A interface de fuzzyficao
desempenha sua tarefa transformando cada entrada em um Singleton. Para transformar as
entradas em Singletons, a interface de fuzzyficao faz uma consulta base de dados. A base
de dados armazena todas as informaes sobre discretizaes e normalizaes do universo de
discurso, alm de informaes sobre as funes de pertinncia.
Aps a fuzzyficao, tem-se incio o procedimento de inferncia, que processa os dados de
entrada fuzzy, em conjunto com as regras de inferncia, fornecendo a sada fuzzy do sistema.
Esse mdulo necessita, alm das informaes contidas na base de dados, das informaes da

33

base de conhecimento - que contm as regras sobre o comportamento do sistema. Os passos

do procedimento de inferncia so: encontrar as regras ativadas pelas variveis de entrada;
determinar a respectiva sada de cada regra e combinar todas as sadas para formar a regio
fuzzy de sada.
Por fim, a interface de defuzzyficao transforma a regio fuzzy de sada em uma resposta
no fuzzy, pertencente ao universo de discurso Crisp original. Tal procedimento se faz
necessrio porque em, aplicaes prticas, geralmente so requeridas sadas precisas. Os
principais mtodos de defuzzyficao so: o centro de rea; a mdia dos mximos; o do primeiro
mximo e o do ltimo mximo. Dentre estes mtodos o mais utilizado o de centro de rea.
Pelo apresentado, fica claro que a principal vantagem de um SF consiste na possibilidade
de representar o conhecimento de um especialista em termos de variveis e de regras lingsticas. Tal vantagem possibilita uma maior robustez ao sistema de deciso, o deixa com uma
maior tolerncia falhas e permite manipular informaes com impreciso e incertezas. Estas caractersticas so bastante estimulantes para a utilizao de SF em SEP, uma vez que as
grandezas observadas pelos transdutores contm um certo grau de incerteza. Alm disto, os
equipamentos transdutores tambm so susceptveis falhas que podem ocasionar erros nas
medies.

2.4 Publicaes Pertinentes ao Tema Proposto

A partir destas informaes e conceitos iniciais, como parte do contedo deste captulo,
ser apresentado um breve levantamento bibliogrfico, com alguns dos trabalhos recentemente
desenvolvidos sobre a temtica proposta nesta pesquisa, empregando principalmente a TW e a
LF.
Em Wiszniewski e Kasztenny (1995), foi apresentado um mtodo de proteo de transformadores que tem por base a utilizao de um algoritmo de mltiplos critrios baseado na LF.
Para a tomada da deciso de operao (TRIP) o algoritmo leva em conta trs critrios: a deteco
da falta interna; a ponderao dos custos pela operao errnea do rel, ou seja, de uma no
atuao, e se a quantidade de incerteza para a tomada da deciso relativamente aceitvel.
Os autores Chuanli, Yizhuang, Xiaoxu, Wenzhe, e GuoXing (Chuanli et al.), propem um
algoritmo para a diferenciao entre correntes de falta interna e correntes de energizao de
transformadores. Tal algoritmo tem por base a TW. De acordo com a lgica proposta, em caso