Detecção e classificação de faltas em redes coletoras de parques eólicos via a transformada de Stockwell e redes neurais artificiais

• Ano de defesa: 2025
• Autor(a) principal: Oliveira, Matheus do Val
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: artificial neural networks; classificação de faltas; detecção de faltas; fault classification; fault detection; redes coletoras de parques eólicos; redes neurais artificiais; Stockwell transform; transformada de Stockwell; wind farm collector networks
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18154/tde-11082025-074640/

Este trabalho propõe o desenvolvimento de um sistema de detecção e classificação de faltas em Redes Coletoras de Parques Eólicos (RCPEs), utilizando a Transformada Discreta de Stockwell (TDS) como ferramenta de pré-processamento e Redes Neurais Artificiais (RNAs), baseadas na arquitetura Perceptron de Múltiplas Camadas (PMC), como classificador de padrões. A metodologia adotada envolveu a modelagem da RCPE por meio da divisão em Barras Coletoras (BCs) e suas respectivas Linhas Coletoras (LCs), nas quais foram simuladas diversas condições de falta representativas de cenários reais. Para o módulo de detecção, foi empregado o algoritmo Current Slope-Based (CSB), baseado em limiares, que obteve 100% de acurácia na detecção de faltas. No entanto, devido à sua alta sensibilidade, o método também apresentou falsos positivos causados por faltas severas em BCs adjacentes, exigindo a identificação da região em falta, se interna ou externa à medição. Para essa etapa, a TDS foi utilizada para processar os sinais de tensão e corrente, a partir dos quais foram extraídas instâncias em intervalos de tempo e frequência específicos. Com base nos resultados do módulo de identificação da região em falta, as mesmas instâncias selecionadas foram utilizadas para treinar uma RNA dedicada à classificação do tipo de falta. Os resultados demonstraram que o módulo de identificação da região em falta demonstrou desempenho promissor, com acurácia superior a 99% em condições ideais, e acima de 90%, mesmo com ruído de 40 dB. Por sua vez, o módulo de classificação do tipo de falta, embora tenha alcançado taxas de acerto superiores a 97%, mostrou-se mais sensível aos sinais com ruído, indicando a necessidade de futuras melhorias, especialmente no tratamento de ruídos. Assim, a metodologia proposta e os resultados obtidos fornecem uma base sólida para futuros estudos. Apesar da literatura já trazer algumas abordagens direcionais para RCPEs, este trabalho se destaca por utilizar apenas até meio ciclo após a detecção da falta, isto é, ainda na fase transitória intensa, e por empregar os dados brutos de amplitude da TSD, sem considerar informações de fase ou componentes de sequência. Mesmo com essas restrições, o método alcançou mais de 98% de acerto, reduzindo significativamente a taxa de falsos positivos, aumentando a seletividade do CSB e permitindo manter sua alta sensibilidade.