Made available in DSpace on 2013-08-07T18:53:41Z (GMT). No. of bitstreams: 1 000403015-Texto+Completo-0.pdf: 1369362 bytes, checksum: 80f10cb0cad2240a06c6783c86c07472 (MD5) Previous issue date: 2008 / Forced outages are one of the most relevant elements of influence in the energy supply interruption and, thus, in the service quality. A correct identification of the causes that led to an outage become essential, once it provides a better way to allocate resources and investments to reduce problems in the electrical system, and, as a consequence, the improvement of reliability indices. To achieve this goal it is necessary to develop tools for the management, analysis and diagnostic of forced outage causes in the electric distribution system. This dissertation presents two methodologies to identify forced outage causes: a probabilistic model using Bayesian Networks, and an Artificial Neural Networks model. Initially, theoretical concepts and definitions required to understand Bayesian Networks and Artificial Neural Networks are presented, followed by a review on basic definitions of distribution system reliability and forced outage causes in the distribution system. After, are described training and validation steps of both forced outage cause identification methods. The knowledge base used for the network learning process was extracted from an event database provided by an electric utility. The knowledge discovery process comprised several stages, including one of data mining. This process turns the database into a more reliable and appropriate format, resulting in 8888 samples for construction, generation of the training and validation dataset of the proposed Bayesian Network and Neural Network models. Both heuristics were validated through the split-half method. The learning process of the Bayesian Network was done using the Expectation Maximization Algorithm, while for Neural Network was used Resilient back propagation learning algorithm, chosen specially because of its fast convergence and good performance. / Os desligamentos não programados são um dos fatores que mais contribuem para a interrupção do fornecimento de energia e, portanto, na qualidade do serviço prestado. Uma correta identificação das causas que originaram os desligamentos tornase cada vez mais indispensável para distribuir de forma mais eficaz os investimentos e recursos para a redução de problemas no sistema elétrico, trazendo como conseqüência direta destes investimentos a melhoria dos índices de confiabilidade. Dessa forma, torna-se necessário o desenvolvimento de ferramentas para gerenciamento, análise e diagnóstico de causas de eventos não programados que ocorrem nos sistema de distribuição das empresas. Nesta dissertação são apresentados dois métodos para identificação da causa de desligamentos não programados na rede de distribuição: um modelo probabilístico utilizando Redes Bayesianas e um modelo usando Redes Neurais Artificiais. Inicialmente é apresentada uma conceituação sobre aspectos teóricos fundamentais ao entendimento de Redes Bayesianas e Redes Neurais Artificiais, seguida de uma revisão sobre definições básicas acerca de confiabilidade e causas de desligamentos em sistemas de distribuição. Após, são descritas as etapas realizadas para treinamento e validação dos dois sistemas de identificação da causa de desligamentos não programados. A base de conhecimento utilizada para o aprendizado foi extraída de um banco de dados de eventos fornecido por uma concessionária de energia, cujo processo de extração de conhecimento consistiu em uma série de etapas, incluindo uma de mineração de dados. Esse processo tornou a base de dados mais confiável e adequada resultando em 8888 amostras para a construção, geração dos conjuntos de treinamento e validação dos modelos de Rede Bayesiana e de Rede Neural utilizados. Ambas heurísticas foram validadas através do método da prova bipartida (split-half method). O processo de aprendizagem da Rede Bayesiana foi realizado através do algoritmo de maximização da expectância (Expectation Maximization), enquanto que para a Rede Neural o algoritmo de treinamento escolhido foi o Resilient back propagation, devido as suas características de desempenho e velocidade de convergência.