Aprendizado de máquina baseado em árvores de decisão para localização de falta em sistemas elétricos de potência

Abstract

Resumo : A capacidade de medir, transferir e armazenar sincrofasores da rede elétrica por meio de PMUs (Unidades de Medição Fasorial) viabiliza uma ampla gama de estudos sobre o comportamento dinâmico dos sistemas de potência. A obtenção de dados sincronizados por GPS, com taxas de amostragem de até uma vez por ciclo, proporciona um nível de visibilidade anteriormente restrito a dispositivos especializados, cuja análise era limitada a janelas de tempo curtas e específicas. Essa nova abordagem amplia significativamente as possibilidades de monitoramento e análise em tempo real, contribuindo para uma maior compreensão e gerenciamento do sistema elétrico. Este trabalho tem como objetivo aplicar a dados simulados referentes ao Sistema Benchmark IEEE-39 Bus System, um modelo de aprendizagem de máquina que a partir de uma rotulação prévia, aprende o comportamento do sistema considerando faltas em diferentes barras e linhas e consequentemente seja capaz de prever, se a falta ocorre no território da concessionária A ou no território da concessionária B. Por conseguinte, o trabalho apresenta não só uma análise em cima das métricas de validação de modelos de aprendizagem de máquina de classificação, como também visa elucidar formas de utilizar técnicas de aprendizagem de máquina para se extrair informações valiosas do comportamento do SEP. Decorrente da vasta literatura e do amplo campo de pesquisa, este trabalho foca na utilização de modelos baseados em Árvores de Decisão, e estende a análise para modelos Ensemble que agregam diferentes Árvores visando um modelo mais robusto e de melhor resultado. Os resultados apresentados em 5 mostram que o desempenho do modelo foi suficiente em diferenciar o local de falta entre área interna e externa, alcançando uma acurácia de 90%. Além disso, foi demonstrado como otimização de hiperparâmetros e etapas de pós-processamento podem aumentar este desempenho para 92% e 97% respectivamente. Por fim, são demonstrado resultados que descrevem o SEP a partir da análise do modelo, validando por exemplo, o aumento deste desempenho a partir do número de PMU’s fornecidas ao modelo, diferença de performance do modelo entre as faltas, entre outros resultados

Abstract : The ability to measure, transfer, and store synchrophasor data from the electrical grid through PMUs (Phasor Measurement Units) enables a wide range of studies on the dynamic behavior of power systems. The acquisition of GPS-synchronized data, with sampling rates of up to once per cycle, provides a level of visibility previously restricted to specialized devices, whose analysis was limited to short and specific time windows. This approach significantly broadens the possibilities for real-time monitoring and analysis, contributing to a better understanding and management of the electrical system. This study aims to apply machine learning models to simulated data from the IEEE-39 Bus Benchmark System. Through prior labeling, the model learns the system’s behavior by considering faults in different buses and lines, and is subsequently capable of predicting whether a fault occurs within the territory of concessionaire A or concessionaire B. Therefore, this work not only presents an analysis of the validation metrics of machine learning classification models but also aims to highlight how machine learning techniques can be used to extract valuable insights into the behavior of the power system (SEP). Due to the vast literature and broad field of research, this study focuses on the use of decision tree-based models and extends the analysis to ensemble methods that aggregate different trees, aiming for a more robust model with better performance. The results presented in ?? show that the model’s performance was sufficient to differentiate the fault location between internal and external areas, achieving an accuracy of 90%. Furthermore, it was demonstrated how hyperparameter optimization and post-processing steps can increase this performance to 92% and 97%, respectively. Finally, results are presented that describe the SEP based on the model analysis, validating, for instance, the improvement in performance with the increase in the number of PMUs provided to the model, the difference in model performance across faults, among other findings