Sistemas de distribuição normalmente possuem uma característica aérea, tornando-os vulneráveis a condições climáticas como ventos, descargas elétricas e a possíveis acidentes. Essas falhas podem ser tanto momentâneas, como galhos de árvores encostando no condutor, ou permanentes como as ocasionadas por acidentes que levam ao rompimento do cabo condutor. As faltas podem ainda serem classificadas como de alta ou de baixa impedância. As de baixa impedância são detectadas pelos sistemas de proteção, enquanto as de alta impedância não sensibilizam esses sistemas devido as baixas correntes geradas pelo curto-circuito.
Ainda não existem métodos confiáveis para detecção e localização de faltas de alta impedância. Devido a isso, essa pesquisa busca aprimorar um método já existente para localização de faltas de alta impedância. Esse método utiliza um modelo matemático único para representar o comportamento da curva tensão x corrente durante faltas em diferentes tipos de solos. O fato de ser utilizado apenas um modelo para os diferentes tipos de solos limita o desempenho do método, pois o modelo deve ser generalista de modo a aproximar as diferentes curvas. A proposta dessa pesquisa é utilizar uma rede neural artificial generalizadora (GeneralizedRegression Neural Network) para identificar em qual tipo de solo ocorreu a falta. Essa informação então será usada para tornar o método especifico para cada tipo de solo, ou seja, será possível utilizar um modelo matemático para cada tipo de solo.Com isso, espera-se que aumente a precisão da estimação do local da falta.
O método utilizado consiste na simulação de faltas de alta impedância em diferentes tipos de solos. Os dados de tensão e corrente medidos na subestação durante a simulação são utilizados para estimar a corrente no ponto de falta. Essa corrente é então utilizada como dado de treinamento na rede neural artificial (RNA). Sendo assim, quando uma falta de alta impedância é identificada, o algoritmo estima a corrente no ponto de falta e utiliza essa informação com entrada na RNA. A RNA, por sua vez, apresenta na sua saída o tipo de solo em que a falta está ocorrendo. Dessa forma, o algoritmo de localização pode utilizar um modelo matemático específico para aquele tipo de solo.
A rede apresentou uma boa performance quando treinada com a corrente no ponto de falta simulada. Entretanto, quando, a rede foi treinada através da corrente de falta estimada seu desempenho não foi satisfatório. Isso ocorre devido aos erros gerados pelo método utilizado para chegar nessa estimação. Sendo assim, como continuidade da pesquisa, é necessário aprimorar o método de estimação da corrente de falta para que a rede neural obtenha resultados similares aos obtidos ao usar a corrente de falta simulada.