1 Sistema Implementação de Estabilizadores de Sistemas de Potência em Sistemas de Excitação de Geradores Síncronos da UHE de Tucuruí C. T. da Costa Jr., UFPA; W. Barra Jr., UFPA; M. N. Moutinho, UFPA; J. A. L. Barreiros, UFPA; J. D. Salgado, UFPA; Resumo – Este trabalho tem por objetivo a implementação prática de um compensador supervisionado por lógica fuzzy, usando a estrutura de um controle adaptativo a ganhos programáveis. O sistema de supervisão fuzzy consiste de um conjunto de leis de inferência fuzzy do tipo SE-ENTÃO realizadas por um sistema Takagi-Sugeno. Essas leis atuam sobre uma Rede de Compensadores Locais (RCL), formada por um conjunto de controladores linearizados para diferentes pontos de operação do sistema controlado. O objetivo do supervisor é sintetizar, por meio de uma combinação linear dos controladores da RCL, a lei de controle que melhor se adapte ao ponto operacional atual do sistema, durante o funcionamento do sistema. Para exemplificar a aplicabilidade prática dessa estratégia de controle e comparar seu desempenho com estratégias de controle convencionais, é projetado um Estabilizador de Sistema de Potência (ESP) supervisionado por lógica fuzzy, cuja implementação é realizada através de um sistema de controlador digital embutido. Os resultados mostram os bons resultados obtidos com a estratégia proposta. Palavras-chave — Sistemas Fuzzy, Rede de Compensadores Locais, Controle Adaptativo a Ganhos Programáveis. I. INTRODUÇÃO Geralmente, a linearização é uma das técnicas mais amplamente utilizadas para análise e projeto de sistemas de controle não-lineares. A linearização em torno de um ponto de operação fixo produz um modelo linear local, para o qual um controle pode ser projetado por métodos de controle linear convencionais. Entretando, qualquer mudança nas condições de operação do sistema poderá conduzir a mudanças no modelo linearizado, causando uma deterioração no desempenho do sistema em malha fechada. Para evitar isto, os parâmetros do controlador precisam ser modificados em resposta a variações das características da planta e/ou do ponto de operação. O desempenho do sistema de malha fechada irá depender dessas variações paramétricas e será satisfatório se a representação dessas variações forem precisas. Quando as relações entre os parâmetros do modelo linear e os pontos de operação são conhecidas com exatidão e os pontos de operação podem ser medidos, então as variações paramétricas são completamente especificadas. Freqüentemente, essas relações são funções não lineares, desconhecidas e complicadas. Mas, ao menos para alguns sistemas, os pontos de operação podem ser medidos ou inferidos. Para este tipo de sistema não linear, se o modelo linear, para um ponto de operação fixo, é chamado de representação local do sistema, então a representação global do sistema pode ser realizada via um conjunto de modelos locais parametrizados correspondendo a diferentes pontos de operação. Em outras palavras,pode-se expressar globalmente certos sistemas não lineares como um conjunto de sistemas lineares cujos parâmetros são funções não lineares desconhecidas de seus pontos de operação (Wang., 1994). Esse conjunto de modelos lineares dependentes do ponto de operação é chamado de Redes de Modelos Locais (RML) (Hunt et al., 1997). Como uma conseqüência direta da RML, que concerne o modelo do sistema controlado, existe uma estrutura de controle não linear conhecida como uma Rede de Compensadores Locais (RCL) (Júnior et al, 1999; Júnior, 1999). Esta estrutura consiste em uma combinação de um número finito de compensadores individuais, cada um dentre eles sendo válido (com melhor desempenho) localmente, de acordo com o ponto de operação. Então, para um ponto de funcionamento qualquer, o sinal de controle resultante será sempre uma interpolação não linear dos sinais de controle que os compensadores individualmente projetados para os pontos de funcionamento mais próximos produziriam. Neste trabalho, para o projeto de controle de sistemas não lineares, é usada uma estrutura similar à do controle adaptativo a ganhos programáveis (Aström and Wittenmark, 1995; Aström and Wittenmark, 1990), mas, em vez de se realizar uma mudança brusca dos parâmetros do controlador, que por si só é uma fonte de instabilidade (Limebeer, 1979), usa-se uma estratégia diferente que altera esses parâmetros de forma suave através de um sistema de supervisão baseado em lógica fuzzy (Wang, 1997) sobre uma rede de compensadores locais. Essa estratégia consiste primeiramente em escolher diversos pontos de operação do sistema. Para cada ponto, é encontrado um modelo linear utilizando em um algoritmo de identificação não recursivo do tipo erro na saída (Lijung, 1987). Baseado nesse modelo projeta-se um compensador linear local para cada ponto de operação, utilizando a técnica de alocação de pólos (Landau, 1993). O conjunto de compensadores é utilizado para construir uma RCL, a qual é armazenada em uma tabela. Em operação, a cada instante discreto o supervisor identifica o ponto de operação e atualiza os parâmetros do compensador baseado em um sistema fuzzy de Takagi-Sugeno (Wang, 1997). Aqui, essa técnica é aplicada na implementação de um estabi- 2 lizador de sistemas de potência (ESP) para melhorar a estabilidade dinâmica de um turbogerador pelo aumento do torque de amortecimento. O sistema de potência é emulado por um microcomputador PC e controlado, na prática por um controlador, que implementa a estratégia de controle. Será mostrado através de testes que o supervisor baseado em lógica fuzzy apresenta excelente desempenho em relação ao controle a parâmetros fixos. II. REDE DE COMPENSADORES LOCAIS Considere o sistema não linear representado por y (t ) = f [ y (t − 1), ..., y (t − na ), u (t − d ), u (t − d − 1), ..., u (t − d − nb )] + e(t ) (1) onde f (⋅) é uma função não linear sobre o vetor de onde, θ l = [al ,1 ... al ,n bl ,0 ... bl ,n ]T a b (8) * Para cada ponto de operação ψ l , o sistema não linear (1) pode ser representado por uma função de transferência Al / Bl e um controlador pode ser projetado para esse ponto de operação utilizando técnicas de controle linear. Neste trabalho o projeto desses controladores será realizado utilizando-se a técnica de alocação de pólos (Landau, 1993). Esta estratégia de controle tem uma estrutura em malha fechada R-S, como mostrada na figura 1. A função de transferência do controlador será dada por: S ( q −1 ) (9) u (t ) = − y (t ) R ( q −1 ) informação Ψ , definido por Os polinômios R(q −1 ) e S (q −1 ) são definidos como Ψ (t − 1) = [ − y (t − 1) ... y (t − na ) R (q −1 ) = 1 + r1q −1 + ... + rnr q − nr (10) S (q −1 ) = s0 + s1q −1 + ... + sns q − ns (11) u (t − d ) ... u (t − d − nb )] T (2) com a saída do sistema y(t ) . Os inteiros na e nb representam a ordem do sistema, d é o número inteiro de períodos de amostragem contidos no atraso de transporte e e(t ) é um sinal aleatório que corrompe os dados. Esse modelo é conhecido como Não-linear Auto-regressivo com Entradas Exógenas (NARX). A equação (1) pode ser escrita na sua forma regressiva como: y (t ) = f [ψ (t − 1)] + e(t ) Esses polinômios são obtidos pela resolução da equação de malha fechada do sistema, conhecida como equação diophantina (Aström and Wittenmark, 1995): (12) A(q −1 ) R(q −1 ) + B(q −1 )S (q −1 ) = P(q −1 ) = PD (q −1 ) PF (q −1 ) −1 −1 −1 onde Al ( q ) , Bl ( q ) e PD (q ) são conhecidos e a solução da equação fornece R(q −1 ) e S (q −1 ) . r(t)=0 S ( z −1 ) - R(z −1 ) u(t) z − d B( z −1 ) ∆ω(t) A( z −1 ) (3) Para o sistema (1) definimos um ponto de operação caracterizado por ψ l* , onde l é um índice. Um modelo linear do sistema em torno desse ponto é definido como um Modelo Local [5], e pode ser representado pela seguinte equação linear: Al (q −1 ) y (t ) = q − d Bl (q −1 )u (t ) + e(t ) (4) sendo os polinômios Al ( q −1 ) e B l ( q −1 ) por: representados Al ( q −1 ) = 1 + a l ,1 q −1 + ... + a l , na q − na (5) Bl (q −1 ) = bl , 0 + bl ,1q −1 + ... + bl ,nb q − nb (6) A equação (4) pode ser escrita na seguinte forma regressiva, conhecida na literatura como modelo linear Auto-Regressivo com Entradas Exógenas (ARX) (Lijung, 1987): y (t ) = ψ (t − 1)θ l + e(t ) (7) Figura 1: Diagrama de blocos do controlador R-S. O conjunto de relações lineares (7) representadas sobre um número finito de pontos de operação ψ l* será utilizada para construir uma Rede de Modelos Locais (RML), que representará de forma aproximada o sistema não linear (1). O conjunto de modelos (13), será utilizado para projetar uma Rede de Compensadores Locais (RCL). Dessa forma ao invés de habilitar um dos compensadores da RCL para realizar a lei de controle, chaveando sempre para o compensador projetado para o ponto de operação mais próximo do atual, tal como é feito no controle a ganhos programáveis, neste trabalho o controlador será obtido on line em função do ponto de operação do sistema, por um algoritmo de supervisão, o qual será visto mais adiante, aplicados sobre os compensadores lineares da RCL. Entretanto, é usada uma estrutura de controle similar à do controle adapatativo à ganhos programáveis, como mostra a figura 2. Para formalizar o conceito de uma Rede de Modelos Locais considere-se que a cada instante o comportamento do 3 sistema (1) é caracterizado por um vetor ponto de operação nφ φ (t )∈Φ ⊂ R . O conjunto de pontos de operação Φ é definido como domínio de operação do sistema. Define-se também um regime de operação local como o subconjunto Φ l ⊂ Φ caracterizado por um modelo local que rege o comportamento do sistema nas proximidades de um dado ponto operacional. Para cada regime de operação está associada uma função de validade semidefinida positiva ρ l (φ ) que determina a validade de um modelo local l para um ponto específico de operação φ . O número de funções de validade é nΦ . Essas funções de validade apresentam valores próximos da unidade para pontos φ ∈ Φ l e valores nulos para pontos φ ∉ Φl . Cada função de validação deve satisfazer a φl (l = 1,..., nφ ) considerados. No entanto, não foi explicitada na equação (16) a forma de combinação que deve ser utilizada para obtenção do compensador. Essa interpolação pode ser realizada através da utilização de aproximadores não lineares universais, funções matemáticas capazes de representar com um grau arbitrário de precisão qualquer função não linear. Neste trabalho será utilizado um sistema fuzzy para essa finalidade. ri ' s e s i ' s em um ponto de funcionamento diferente daqueles utilizados no projeto dos compensadores da rede serão obtidos a partir de regras do tipo SE-ENTÃO de um sistema supervisor fuzzy do tipo Sugeno. A figura 3 ilustra o processo em que são obtidos os parâmetros desconhecidos do compensador, ri e si, e a lei de controle u(t). Os coeficientes seguinte restrição: nΦ ∑ ρ (φ ) = 1 l l =1 (15) para todo φ∈Φ . Supervisor + RCL Parâmetros do Compensador Referência Compensador Sinal de Comando Saída Processo Figura 3: Estrutura de uma rede de compensadores locais supervisionada por lógica fuzzy. Figura 2: Estrutura de comando a ganhos programáveis supervisionado por lógica Fuzzy É possível provar, após algumas manipulações algébricas, (Júnior, 2000) que o sinal de controle produzido pela Rede de Compensadores Locais é dado por: nΦ u (t ) = ∑ψ C (t )θ lC ρ l (φ (t )) T l =1 (16) T [ θlC = rl ,1 L rl ,n r sl ,0 L sl ,ns ] (17) ψ C (t ) = [− u (t − 1) L − u (t − nr ) − y (t ) L − y (t − ns )] (18) T III. SUPERVISÃO BASEADA EM LÓGICA FUZZY A equação (16) mostra que a para um número finito nΦ de compensadores lineares locais, é possível obter, a partir da combinação adequada desses compensadores, uma lei de controle global quando o sistema não está funcionando sobre um dos regimes de operação Na primeira etapa do projeto do sistema de supervisão dos fuzzy o conjunto de parâmetros ri ' s e s i ' s compensadores da rede são armazenados em uma tabela de dados. Em seguida, através de um conjunto de regras de inferência fuzzy, o sistema fuzzy manipula as tabelas de dados e atribui um peso (associado às funções de validação dos modelos) para cada um dos coeficientes. Os pesos são calculados em função do vetor ponto de funcionamento φ atual, que é a entrada do supervisor. Utilizando a equação (16) o supervisor então determina o compensador S ( z −1 ) que produz a lei de controle u(t) R( z −1 ) Para encontrar o peso de cada um dos compensadores da rede, o sistema deve considerar cada uma das k variáveis do vetor ponto de funcionamento como sendo uma variável lingüística fuzzy com universo de discurso uniformemente particionado em ni conjuntos fuzzy (V1,i , V2,i , ... , V1,ni ) , de tal forma que cada variável lingüística, em um dado instante de tempo t , terá um valor de pertinência µVi , j (Vi (t )) associado a cada um de seus ni conjuntos fuzzy. Por simplicidade, as funções de pertinência utilizadas foram do 4 tipo triangulares e trapezoidais, sendo que as trapezoidais foram utilizadas apenas nos dois conjuntos extremos, conforme mostra a figura 4. É fácil verificar que, para cada uma das variáveis fuzzy, no máximo dois e no mínimo um conjunto fuzzy terão valores de pertinência diferentes de zero e a soma desses valores será sempre igual a um (Da Costa Júnior, 1999). O próximo passo é definir as regras de lógica fuzzy do sistema Fuzzy- Sugeno usando as variáveis lingüísticas do vetor φ (t ) . Cada regra de supervisão R(l) terá a seguinte forma: E l < Vk = V l k,p 1,i nΦ n1 l =1 i =1 ∑ wl = ∑ µV l (V1 ) x 1, i n2 ∑µ j =1 V2l , j (V2 ) np ∑µ x ... x p =1 Vkl , p (Vk ) (22) ∑µ ENTÃO c l é z j =1 onde l = 1, ... nΦ ; i = 1, ... n1 ; j = 1, ... n2 ; p = 1, ... nk ; z é um valor real e o número total destas regras (número total de pontos ou regime de operação), chamado nφ , é o número total de compensadores de uma RCL. Este número é dado por: k (19) (21) O denominador da equação (20) a partir de (21) pode então ser expresso por: ni i =1 k ,p φ (t ) , vale a expressão: > nφ = n1 × n2 × ... × nk = ∏ ni 2, j Assim, dado que, para qualquer variável lingüística R(l) : SE < V1 = V1,i > E < V2 = V2, j > l wl = µV l (V1 ) x µV l (V2 ) x ... x µV l (Vk ) Vil, j (Vi ) =1 Vi ∈ (23) Então, obtém- se que nΦ ∑w l =1 (24) l =1 Assim a equação (20) simplifica para: nφ c(φ (t )) = ∑ wl c l (25) l =1 Portanto, a partir das equações acima, pode-se enunciar os seguintes teoremas (Da Costa Júnior, 1999): µ[Vi (t)] Teorema 1: O peso wl da premissa R(l) em relação ao ponto de operação φ (t ) pode ser usado como a função de 1 validade ••• 0 Vi,1 Vi,2 Vi,3 Vi, n i − 2 ni Figura 4: Funções de pertinência para os de uma RCL. Teorema 2: O sistema fuzzy de Takagi- Sugeno pode inVi(t) terpolar suavemente os coeficientes dos compensadores da Vi, n i −1Vi, n i RCL a fim de produzir a saída do sistema compensado, dado pela Equação (16). e conjuntos fuzzy associados à variável Lingüística c(φ (t )) = ∑w c l =1 nφ IV. RESULTADOS Vi . Para cada ponto operacional φ (t ) , o compensador atual c = g (φ (t )) é obtido pela média ponderada: nφ ρ l (φ ) , definido na seção 2, do l-ésimo elemento l l ∑w Para avaliar o desempenho do supervisor fuzzy proposto neste trabalho foi realizado o projeto de um Estabilizador de Sistema de Potência (ESP) que foi aplicado sobre o sistema máquina síncrona-barra infinita, descrito na Figura 4. O modelo matemático da máquina síncrona é o modelo 4 descrito em (Arrilaga, 1983 ) l l =1 (20) O compensador atual do sistema é o resultado da média da parte ENTÃO de cada regra da base do sistema ponderada pelo correspondente valor global da sua premissa SE, representado pelos pesos wl . Esses pesos são calculados em função do ponto de operação atual φ (t ) como: Gerador Sícrono VT L.T. L.T. V∝∠00 Barramento Infinito Figure 5: Sistema Máquina-Barra Infinita. O sistema de excitação utilizado é descrito na figura 6. Corresponde ao tipo 1 descrito em [IEEE, 1981]. A função 5 de transferência contínua Hex(s) do sistema de excitação é dada por: H Ex (s) Ka Ta s + 1 Vref+VS-Vt (26) K a 1 + Ta s onde os polinômios R ( z −1 ) e S ( z −1 ) são encontrados a partir da resolução da equação (12), substituindo o operador q pela variável z. Efd Limitad Figura 6: Sistema de Excitação O diagrama de blocos desse sistema é mostrado na figura 6. Os limites do limitador são 6 e –6. Os demais parâmetros da máquina síncrona e do sistema de excitação são dados na Tabela 1. Tabela 1: Dados do Sistema Máquina Síncrona Barra Infinita e do Sistema de Excitação: resistências e reatâncias em pu (base de 100MVA), e constantes de tempo em seg. X 'd 0.316 R a 0.001 Tdo' 5.26 X d 1.445 X ''d 0.179 D X q 0.959 X 'q' 0.162 R e 0.02 K a 200 Ta 0.03 H Xe 4.27 0.415 0.000 Tdo'' 0.028 Tqo'' 0.157 Figura 8: Estrutura da implementação prática do E Para efeito de comparação, foi projetado um ESP digital a parâmetros fixos, com a mesma estrutura da Eq. (26), para o ponto operacional Po = 0,75 e Qo = 0,1. O ESP supervisionado por lógica fuzzy proposto neste trabalho e o ESP convencional a parâmetros fixos foram implementados no controlador industrial de plataforma embutida de uso geral, modelo 8411, fabricado pela ICPCON mostrado na figura7. Para o projeto do ESP supervisionado por lógica fuzzy escolheu-se os sinais de Potência Ativa, P e Reativa, Q para compor as variáveis lingüísticas do vetor ponto de funcionamento do sistema. O intervalo de valores de 0 a 1.2 pu (base 100MVA) foi escolhido como a faixa de variação do sinal P. Para o sinal Q, a faixa vai de –0.2 a 0.8 pu. Cada um desses universos de discursos foi particionado uniformemente em 7 funções de pertinência triangulares e trapezoidais, de forma semelhante ao mostrado na figura 4, totalizando dessa forma 49 pontos de interseção que formaram os modelos da RML do sistema. Cada modelo foi identificado off line pelo método de identificação paramétrica dos Mínimos Quadrados não recursivo. A entrada do modelo é a variação do sinal de referência do sistema de excitação e a saída é o desvio de velocidade da máquina ∆ω r . O modelo paramétrico escolhido é da seguinte forma: (b0 + b1 z −1 + b2 z −2 + b3 z −3 ) z −1 B ( z −1 ) = −1 A( z ) 1 + a1 z −1 + a 2 z − 2 + a 3 z −3 + a 4 z − 4 (27) O intervalo de amostragem do modelo foi de 50ms. Para cada um dos modelos (27) da RML foi projetado um ESP a parâmetros fixos utilizando-se o método de alocação de pólos, conforme descrito no item 2, formando uma RCL. O modelo dos controladores foi o seguinte: S ( z −1 ) g 0 + g 1 z −1 + g 2 z −2 + g 3 z −3 = R( z −1 ) 1 + h1 z −1 + h2 z − 2 + h3 z −3 (28) Figura 7: Controlador Industrial 8411 utilizado na implementação do supervisor fuzzy. Para avaliar o desempenho do ESP foram realizados dois testes de simulações de faltas severas sobre o sistema máquina síncrona barra infinita, realizados em laboratório utilizando-se a estrutura mostrada na figura 8. Um microcomputador PC será utilizado para simular o modelo dinâmico do sistema máquina síncrona barra infinita mostrado na figura 5. Através de uma placa de aquisição de dados ADA 812-PG e um sistema de condicionamento digital de sinais, o microcomputador comunica-se com o controlador enviando os sinais de potência ativa P, potência reati- 6 va Q e o sinal de desvio de velocidade ∆ω r através dos conversores D/A da placa, e lê, através dos conversores A/D, o sinal do estabilizador V S . O sistema de condicionamento de sinais é formado por circuitos de acoplamento e isolação para realizar o casamento de impedâncias entre os conversores do controlador e da placa ADA e por filtros anti-aliasing. O programa de supervisão fuzzy foi implementado no controlador 8411 utilizando a linguagem de programação C. A cada 50ms o controlador efetua a seguinte seqüência de ações: 1) lê os canais dos conversores A/D para obter os valores de P, Q e ∆ω r ; 2) formula a lei de controle do tipo (28) utilizando o algoritmo de supervisão fuzzy; e 3) aplica o sinal estabilizador V S no sistema. O primeiro teste consiste no aumento de 30% no valor da referência de potencia mecânica do sistema no instante t=5s. O ponto de operação inicial é (Po ,Qo) = ( 0.75, 0.2). Após o sistema se restabelecer em uma nova condição operacional, é aplicado um curto-circuito trifásico com uração de 50 ms, em t = 15s. A figura 9 mostra os resultados das curvas dos ângulos rotores deste teste, para os casos: a) sistema operando com o ESP digital a parâmetros fixos; e b) sistema operando com o ESP supervisionado por lógica fuzzy. Operando com o ESP a parâmetros fixos ou com o ESP supervisionado por lógica fuzzy o sistema responde bem à primeira falta apresentando um bom amortecimento. Isso ocorre porque a falta acontece no mesmo ponto de funcionamento para o qual o ESP a parâmetros fixos foi projetado. Na segunda falta a resposta do sistema com o ESP a parâmetros fixos é um pouco mais oscilatória que a resposta do ESP supervisionado por lógica fuzzy porque ocorreu uma pequena mudança no ponto de operação do sistema. No entanto, como essa mudança não foi muito significativa a resposta dos dois ESP não foi tão diferente. As vantagens da utilização de um ESP com capacidade adaptativa, como o proposto neste trabalho, ficam evidentes quando o sistema de potência opera em um ponto de funcionamento distante daquele utilizado para o projeto do ESP a parâmetros fixos convencional. Especificamente, quando o sistema passa a operar com valores negativos de Q e valores de P positivos e altos, existe grande necessidade da utilização de sinais estabilizantes auxiliares no sistema de excitação da máquina síncrona para o que a mesma apresente uma margem de estabilidade adequada e não perca o sincronismo com o restante do sistema após o transitório que sucede uma falta severa. O teste 2 contempla uma contingência operacional dessa natureza. Ele consiste na redução de 20% na referência de tensão terminal do sistema no instante t=5s, com o sistema operando nas mesmas condições operacionais anteriores, (Po ,Qo) = ( 0.75, 0.2), seguido de um curto circuito trifásico de duração 50ms em t = 15s. Na Figura 10, são mostradas as curvas dos ângulos dos rotores para o sistema: a) sistema com ESP digital a parâmetros fixos; e b) sistema compensado pelo ESP com ganhos supervisionados por lógica fuzzy. Mesmo o sistema operando com um ESP digital a parâmetros fixos ocorre à perda de sincronismo após a primeira falta devido à mudança brusca no ponto operacional do sistema. O ESP supervisionado por lógica fuzzy consegue responder de forma excelente as duas perturbações mantendo o sincronismo do sistema e amortecendo muito bem as oscilações eletromecânicas transitórias decorrentes das faltas. Esse teste evidencia a superioridade do ESP digital proposto neste trabalho em relação a um ESP a parâmetros fixos convencional. Figura 9: Ângulo do rotor (graus) para o teste 1 Figura 10: Ângulo do rotor (graus) para o teste 2 7 V. CONCLUSÕES O ESP proposto neste trabalho utiliza um sistema de inferência fuzzy, do tipo Sugeno, que atua sobre um conjunto de compensadores projetados para diferentes condições operacionais do sistema (RCL) armazenados na memória de um controlador industrial, sob a forma de uma tabela de dados. O sistema de supervisão fuzzy proposto consegue atualizar os parâmetros do ESP, para qualquer ponto operacional do sistema, a cada 50ms. Este ESP é capaz de melhorar bastante a estabilidade dinâmica do sistema mesmo quando o mesmo é submetido a uma falta de gravidade elevada que o leve a operar em uma região de funcionamento muito distante da condição operacional préfalta (como ficou evidenciado no teste 2). Nessas condições, um ESP a parâmetros fixos convencional apresenta uma resposta instável já que este tipo de ESP apresenta uma resposta boa somente para pontos de funcionamento próximos ao ponto de operação que foi utilizado no seu projeto. Quando os pontos de operação pré-falta e pós-falta são próximos ao ponto onde os ESP convencional foi projetado, este ESP e o ESP proposto apresentam desempenhos parecidos. Deve ser enfatizado que o estabilizador proposto aqui foi facilmente projetado, com o uso de um controlador industrial, o qual já vem sendo utilizado nos modernos reguladores automáticos de tensão de geradores síncronos. A carga computacional de síntese desses ESPs é baixa, em comparação a de ESPs adaptativos que envolvem a estimação permanente dos parâmetros do sistema, podendo o mesmo controlador usar o tempo economizado para a realização de outras tarefas, como monitoração, diagnóstico, alarme e outros controles do sistema. VI. REFERÊNCIAS BIBLIOGRÁFICAS [1] Anderson, P. M. and Fouad, A. A. (1977). Power Sistem Control and Stability, vol I. Science Press. [2] Arrilaga, J.; Arnold, C. P. and Harker, B. J. (1983). Computer Modelling of Eletrical Power Systems. John Wiley & Sons. [3] Aström,K. J. and Wittenmark,B. (1995). Adaptive Control. Addison Wesley, Reading, Massachusetts, Second Edition. [4] Aström,K. J. and Wittenmark,B. (1990). Computer-Controllers Systems: Theory and Desing. Prentice-Hall, Second Edition. [5] Da Costa Júnior, C. T.; Barreiros, J.A.L; Pierrat, L and Kueny, J.L. (1999). Stabilisateurs de Systemes de Puissance avec Gains Supervisés par Logique Fluo. Simpósio Brasileiro de Automação Inteligente. [6] Da Costa Júnior, C. T. (1999). Métodos de Comando Adaptativo de Supervisão para Regulação de um Gerador Acoplado a uma Turbina Hidráulica. Tese de doutorado, Institut National Polytechnique de Grenoble.. [7] Da Costa Júnior, C. T.; Barreiros, J.A.L; Picard, Daniel Brun and Junior, Walter Barra (2000). Adaptive Controller Adjusted by a Fuzzy Logic Based Supervisor from a Local Model Network. IFAC-MIM 2000 Symposium. [8] Gross, Charles A. (1986). Power System Analysis. Second Edition. New York: John Wiley & Sons Inc. [9] Hunt, K. J. and Johansen, T. A. (1997). Desing and Analysis of GainScheduled Control Using Local Controller Networks. International Journal of Control, Vol. 66, Nº 5, pp.619-651. [10] IEEE Committee Report. (1981). Excitation System Models for Power Systems Stability Studies. IEEE Transactions on Power Apparatus and Systems, v.PAS-100, n.2, pp. 494-509. [11] Kundur, Prabha. (1994). Power Systems Stability and Control. McGraw-Hill Inc. [12] Landau, I. D. (1993). Identification et commande de Systemes. Treite des Nouvelles Tecnologies, Seire Automatique. Ed. Hermes, Deuxième Edition. [13] Limebeer, D.J; Harley, R.G. and Natrass, H.L. (1979). Agile Computer Control for Synchronous Machines. Proc IEE, Vol.126, No. 5, pp 385-392. [14] Ljung, L. (1987). System Indentification: Theory for the User. Prentice-Hall International, Inc. [15] Wang, L. X. (1994). Adaptive Fuzzy Systems e Control: Design e Stability Analysis. PTR Prentice Hall, Englewood Cliffs, New Jersey. [16] Wang, L. X. (1997). A course in Fuzzy Systems and Control. PrenticeHall International, Inc.