Localizacao de faltas em sistemas eletricos com multiplas areas usando aprendizado de maquina

Abstract

Resumo : Este trabalho aborda um dos principais desafios enfrentados pelos sistemas elétricos modernos: a detecção e localização precisa de falhas. Com o aumento da complexidade das redes elétricas e a crescente demanda por confiabilidade e eficiência, torna-se essencial desenvolver métodos avançados para monitoramento e diagnóstico. A aplicação de aprendizado de máquina nesse contexto surge como uma abordagem promissora, capaz de identificar padrões em grandes volumes de dados, reduzindo o tempo de resposta e minimizando os impactos das falhas. Essa tecnologia não apenas melhora a gestão e manutenção das redes elétricas, mas também contribui para a segurança energética e a sustentabilidade do setor. Este trabalho propõe desenvolver um modelo de aprendizado de máquina para detectar e localizar falhas em um sistema elétrico. Utilizando dados simulados, o modelo será treinado para identificar padrões de falhas e determinar a área de ocorrência do evento. A aplicação de aprendizado de máquina visa melhorar a confiabilidade da rede elétrica, representando uma contribuição significativa para a inovação tecnológica e o desenvolvimento sustentável no setor de energia. O sistema elétrico analisado é o modelo de 39 barras do IEEE, extraído de bibliografia referenciada e modelado no software Anatem. Após a validação do modelo, foram realizadas diversas simulações de falhas para a geração de dados, abrangendo eventos como abertura de linha, curto-circuito na barra, afundamento de tensão, curto-circuito na linha e desligamento de barra. Esses eventos foram armazenados no Matlab como amostras temporais de variáveis físicas, como tensão, corrente e frequência, simulando dados coletados por equipamentos reais de monitoramento. Os dados foram usados para treinar quatro modelos de aprendizado de máquina, destinados a identificar a área de ocorrência das falhas. Os dois primeiros modelos, um de regressão logística e outro baseado em rede neural, foram aplicados à detecção de falhas em um sistema dividido em duas áreas. O terceiro modelo, também uma rede neural, realizou a detecção em quatro áreas, enquanto o quarto modelo aprimorou o desempenho deste último. Os resultados mostraram que o primeiro modelo apresentou precisão de cerca de 60%, enquanto o segundo, com base em redes neurais, alcançou 99,57% de acurácia para dados de teste. O terceiro modelo obteve 55,05% de precisão para validação, e o quarto modelo, 68,84%, destacando o potencial de melhorias. Esses resultados indicam a viabilidade de aplicar aprendizado de máquina para detecção e localização de falhas, com avanços significativos em cenários mais complexos. O trabalho evidencia o potencial para desenvolver modelos ainda mais robustos, contribuindo para redes elétricas mais confiáveis e resilientes.

Abstract : This work addresses one of the main challenges faced by modern power systems: the accurate detection and localization of faults. With the increasing complexity of power grids and the growing demand for reliability and efficiency, it becomes essential to develop advanced methods for monitoring and diagnostics. The application of machine learning in this context emerges as a promising approach, capable of identifying patterns in large volumes of data, reducing response times, and minimizing the impacts of faults. This technology not only improves the management and maintenance of power grids but also contributes to energy security and the sustainability of the sector. This work proposes the development of a machine learning model to detect and locate faults in a power system. Using simulated data, the model will be trained to identify fault patterns and determine the area of occurrence of the event. The application of machine learning aims to improve the reliability of the power grid, representing a significant contribution to technological innovation and sustainable development in the energy sector. The analyzed power system is the IEEE 39-bus model, extracted from referenced literature and modeled in the Anatem software. After model validation, various fault simulations were conducted to generate data, covering events such as line outages, bus short circuits, voltage sags, line short circuits, and bus disconnections. These events were stored in Matlab as temporal samples of physical variables, such as voltage, current, and frequency, simulating data collected by real monitoring equipment. The data were used to train four machine learning models designed to identify the fault occurrence area. The first two models, one based on logistic regression and the other on a neural network, were applied to fault detection in a system divided into two areas. The third model, also a neural network, performed detection in four areas, while the fourth model improved the performance of the latter. The results showed that the first model achieved an accuracy of about 60%, while the second, based on neural networks, reached 99.57% accuracy for test data. The third model achieved 55.05% accuracy for validation, and the fourth model achieved 68.84%, highlighting the potential for improvement. These results indicate the feasibility of applying machine learning for fault detection and localization, with significant advancements in more complex scenarios. The work demonstrates the potential to develop even more robust models, contributing to more reliable and resilient power grids.