Este trabalho apresenta um esquema de proteção direcional para sistemas de transmissão, baseado na utilização de redes neurais artificiais, tentando solucionar as principais limitações dos esquemas então existentes. As redes neurais artificiais constituem uma nova ferramenta para a proteção, onde várias das limitações apresentadas pelos esquemas convencionais podem ser solucionadas. A escolha desta abordagem para a proteção das linhas de transmissão é uma decisão fundamentada principalmente na capacidade de generalização e abstração inerentes às redes neurais artificiais. Estas características, se bem exploradas, podem prover uma alta qualidade de resposta, aliada a uma elevada velocidade de decisão. Outro fator de interesse é que, dependendo de como se realizar o treinamento da rede, poderia gerar-se metodologias de proteção capaz de suportar com eficiência mudanças na configuração do sistema. Isto geraria possibilidade de diagnósticos de falta com adequada confiabilidade que por sua vez não dependeria da configuração do sistema em si. O esquema de proteção proposto, foi simulado utilizando os softwares Alternative Transients Program (ATP) e Stuttgart Neural Network Simulator (SNNS). Também programas em Fortran foram desenvolvidos (filtro digital, reamostragem, identificação do ponto de ocorrência de falta, etc.) de forma a se representar adequadamente as condições reais de funcionamento do esquema de proteção. Testes simulando as mais diversas condições de falta foram realizados, de forma a se verificar a eficiência do esquema proposto. Os resultados demonstraram a capacidade da metodologia proposta de analisar corretamente os padrões provenientes de situações faltosas mesmo quando não vistas na fase de treinamento. Desta forma configurou-se um alto grau de generalização e abstração do esquema.

This work presents a directional protection scheme for transmission systems, that uses artificial neural networks, and try to solve the main limitations of existing schemes. The artificial neural networks are a new tool for protection, were many of the limitations of conventional schemes can be solved. The choice of this approach for transmission fines protection is a decision based mainly on the capability of generalization and abstraction inherent to the artificial neural networks. These characteristics, if well explored, can provide a response of high quality, together with a high speed of decision. Another interesting Jactar is that, depending on how the learning on the artificial neural network is made, it can generate a protection methodology capable of supporting efficiently changes on the system configuration. This can generate reliable fault diagnostics, which is independent on network configuration. The proposed protection scheme was simulated using softwares like "Alternative Transients Program" (ATP) and "Stuttgart Neural Network Simulator" (SNNS). Other programs were written in Fortran (digital filter, resampling of data, fault poinf identification, etc.) in a way to correctly represent the real working conditions of the protection scheme. Tests simulating several fault conditions were made, in a way to verify the efficiency of the proposed scheme. The results demonstrate the capability of the proposed methodology of correctly analyzing the patterns generated from fault conditions even when not seen on the learning stage. In that way a high degree of generalization and abstraction of the scheme were configured.