[pt] Quando ocorre algum tipo de falta em uma Linha de Transmissão (LT), sua localização exata é essencial para uma rápida recomposição do Sistema Elétrico. Métodos que utilizam tensão e corrente de apenas um terminal contêm simplificações que podem acarretar erros. Esta dissertação investiga a aplicação de Redes Neurais Artificiais (RNA) na obtenção de uma nova forma de identificar o tipo do curto- circuito e determinar a sua localização, utilizando dados obtidos em somente um terminal. O trabalho consiste de 4 partes principais: estudo bibliográfico da área de Redes Neurais; simulações de faltas para a obtenção de padrões; definição e implementação dos modelos de Redes Neurais para identificação e localização da falta; e estudos de casos. Na fase do estudo bibliográfico sobre RNA, foi verificado que as topologias de redes mais usuais são as Feed- Forward, que podem ter uma ou mais camadas de Elementos Processadores (EP), sendo as redes com múltiplas camadas (Multi-Layer) a configuração mais completa. Para treinamento da rede, o algoritmo de aprendizado mais utilizado é o Back Propagation. Como fruto deste estudo bibliográfico é apresentado neste trabalho um resumo sobre RNA. Nas simulações de faltas para obtenção dos padrões de treinamento e teste, foi utilizado um sistema automático que, através da combinação de vários parâmetros do sistema elétrico, gera situações diferentes de falta. Este sistema utiliza como base o programa Alternative Transient Program - ATP. Neste trabalho o sistema elétrico está representado por uma LT de 345 KV, com fontes equivalentes representando um sistema real de Furnas Centrais Elétricas. Todos o sinais de tensão e corrente utilizados são representados por fasores de 60 Hz, obtidos através da Transformada Discreta de Fourier (TDF). Os modelos de RNAs para identificação e localização de falta foram implementados com sub-rotinas de redes neurais do programa MATLAB ver. 6.0, representados por Redes Perceptron Multicamadas (Multi Layer Perceptron), treinadas com algoritmo Back Propagation com taxa de aprendizado adaptativa e o termo momentum fixo. Um modelo único de RNA identifica quais as fases (A, B, C e T) envolvidas, classificando o tipo de falta, que pode ser: Monofásica; Bifásica; Bifásica-Terra ou Trifásica. Para a localização da falta, foram definidas 4 arquiteturas de RNA, uma para cada tipo de falta. A ativação de cada topologia de RNA para localização é definida em função do tipo de falta classificada no modelo de identificação com RNA. Na etapa de estudo de casos testou-se o desempenho de cada modelo de RNA utilizando casos de testes em outras situações de falta, diferentes dos conjuntos de treinamento. A RNA de identificação de falta foi avaliada para situações de faltas envolvendo outras LTs, com diferentes níveis de tensão. Os resultados das 4 RNAs de localização da falta foram comparados com os resultados obtidos utilizando o método tradicional, tanto para os casos simulados quanto para algumas situações reais de falta. A utilização de RNAs para a identificação e a localização de falta mostrouse bastante eficiente para os casos analisados, comprovando a aplicabilidade das redes neurais nesse problema. / [en] When a kind of fault occurs in a Transmission Line, its exact location is essential for a fast reclosing of the Electric System. Methods that use voltages and currents from only one terminal contain simplifications that can to cause mistakes. This paper presents an investigation about application of Artificial Neural Network (ANN) obtaining a new way of identification for the type of the short circuit and its location, using data obtained only in one terminal. The work consists on the following 4 main parts: bibliographical study of Neural Network`s area; simulations of faults in order to obtain of patterns; definition and implementation of Neural Network`s models for identification and location of the fault; and studies of cases. In the bibliographical study step on ANN, it was verified that the topologies for the more usual nets are Feed- Forward,that can have one or more layers of Processor Elements (PE), being the nets with multiple layers the most complete configuration. For the net training, the more used learning algorithm is Back Propagation. Product of this bibliographical study presents in this work a summary about ANN. In the faults simulations in order to obtain the training patterns and test, it was used an automatic system that, through the combination of several parameters of the electric system, generates different fault situations. This system uses as base the program Alternative Transient Program - ATP. In this work the electric system is represented by a Transmission Line of 345 KV, with equivalent sources representing a real system of Furnas Centrais Elétricas. All the voltages and currents signs used are represented by fasors of 60 Hz, obtained from Discret Fourier Transformer (DFT). The ANN models for identification and fault location were implemented with subroutines of neural network of the program MATLAB version 6.0, represented by Multi Layer Perceptron, with algorithm Back Propagation with tax of adaptive learning and the term momentum fixed. Only one model of ANN identifies which phases (A, B, C and T) are involved, classifying the fault type, that can be: Singlephase; Phase-to-Phase; Double Phase-to-Ground or Three-phase. For the fault location, they were defined 4 architectures of ANN, one for each type of fault. The activation of each topology of ANN for location is defined depending on of the fault type classified in the identification model with ANN. In the stage of cases study the representation of each model of ANN was tested using cases of tests in other fault situations, different from the training groups. The ANN of fault identification was evaluated for situations of faults involving other Transmission Line, with different voltage levels. The results of 4 ANNs of fault location were compared with the obtained results using the traditional method, so much for the simulated cases as for some real situations of fault. The use of ANNs for the identification and the fault location has shown quite efficient for the analyzed cases, proving the applicability of the neural networks in that problem.