Detecção de faltas de alta impedância: uma abordagem utilizando diferentes técnicas de aprendizado de máquina

• Ano de defesa: 2024
• Autor(a) principal: Kilian, Eduardo Davila
• Orientador(a): Santos, Eduardo Machado dos
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Pampa
• Programa de Pós-Graduação: Mestrado Acadêmico em Engenharia Elétrica
• Departamento: Campus Alegrete
• País: Brasil
• Palavras-chave em Português: Engenharia elétrica; Impedância (Eletricidade); Aprendizado do computador; Adaptação de impedância; Impedance (Electricity); Impedance matching; Machine learning; Electrical engineering
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS
• Link de acesso: https://repositorio.unipampa.edu.br/jspui/handle/riu/10017

Este Trabalho apresenta uma abordagem para a aplicação de técnicas de machine learning (ML) no contexto da detecção de faltas de alta impedância (FAI) em redes elétricas de distribuição. A metodologia proposta visa detectar a ocorrência de FAIs a partir da extração de características do sinal de corrente da subestação, evitando falsos alarmes de outros eventos, como chaveamento de bancos de capacitores, energização de transformadores e entrada de carga. Para isso, as características utilizadas são extraídas da distribuição estatística dos dados dentro de uma janela móvel, que percorre o sinal de corrente. Além disso, é aplicada uma técnica de seleção de características para avaliar o impacto de cada uma delas no desempenho dos algoritmos de ML e verificar se a remoção de alguma característica afeta negativamente a capacidade de classificação do modelo. Foram realizadas 1722 simulações, sendo 864 casos de FAI e 856 de outros eventos que ocorrem no sistema elétrico de distribuição. Adicionalmente, foi criado um conjunto de validação composto por 574 casos, sendo 288 de FAI e 286 de outros eventos. Por fim, um conjunto de teste foi utilizado, com o mesmo número de casos do conjunto de validação. No conjunto de teste, para avaliar a robustez da metodologia frente a diferentes níveis de ruído, foram introduzidos valores de SNR entre 20 dB e 100 dB. Os resultados mostraram que a metodologia combinada com diferentes modelos de ML, conseguiu manter métricas de desempenho acima de 90% para níveis de ruído superiores a 40 dB, mostrando-se uma ferramenta robusta para a correta detecção de FAIs. Palavras-chave: Falta de Alta Impedância, Aprendizagem de Máquina, Proteção de Sistemas Elétricos de Potência, Sistema de Distribuição, Arco Elétrico.