Resenha: Falta de Alta Impedância

Resenha: Falta de Alta Impedância

Sarlak e Shahrtash (2011) descreveram um método para detecção da FAI usando gradiente morfológico

de multi- resolução (MMG - Multi-resolution Morphological Gradient) em conjunto com redes neurais

perceptron de múltiplas camadas (MLPNNs - Multi-Layer Perceptron Neural Networks). O MMG fornece

uma descrição quantitativa das estruturas geometricas, sendo uma boa ferramenta para detectar e

extrair as muitas irregularidades na forma de ondas das FAIs. O algoritmo é proposto em três etapas:

geração de recursos, detecção da pertubação e tomada de decisão. Na geração de recursos foi aplicado

a MMG para extração de características, na detecção da pertubação foi usado um limiar para condição

com distúrbio e condição normal, e a tomada de decisão foi realizada por meio das MLPNNs. O método

foi validado com dados reais e dados simulados, como também, foram realizadas comparações com outras

ferramentas. O método apresentou 96,3% de segurança e 98,3% de confiabilidade. Não foram apresentados

resultados quanto a influência do ruído.

Milioudis, Andreou e Labridis (2012) citaram como solução para as tradicionais redes elétricas, às

redes elétricas inteligentes, nas quais novas tecnologias podem ser introduzidas. Um novo método

de identificação de FAI foi proposto usando PLC (Power Line Communications). O método é investigado

por meio de simulações, baseando-se no monitoramento da impedância de entrada da rede, (Zin ), em

determinadas faixas de frequências, visto que ao ocorrer uma FAI, essa impõe mudanças no valor da

impedância de entrada, possibilitando assim a identificação da FAI. Porém, considerou-se a impedância

de falta como uma constante, o que não é realista, pois a impedância de FAI é não-linear.