A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning (2025)
- Authors:
- Autor USP: OLIVEIRA, DANIEL FAGUNDES - EESC
- Unidade: EESC
- Sigla do Departamento: SEL
- Subjects: TRANSFORMADA DE FOURIER; SISTEMAS ELÉTRICOS DE POTÊNCIA; PROTEÇÃO DE SISTEMAS ELÉTRICOS; ENERGIA EÓLICA; APRENDIZADO COMPUTACIONAL
- Keywords: Classificação de faltas; Machine learning; PyCaret; Transformada Discreta de Fourier
- Language: Português
- Abstract: A crescente integração de Fontes Eólicas Interfaceadas por Inversores (FEIIs) em linhas de transmissão impõe desafios significativos aos métodos convencionais de classificação de faltas, uma vez que as contribuições de curto-circuito dessas fontes são determinadas pelas estratégias de controle empregadas em seus inversores. Por isso, as contribuições para faltas das FEIIs diferem significativamente das de geradores convencionais, o que desafia métodos de classificação convencionais. Neste contexto, o Aprendizado de Máquina (AM) surge como uma abordagem promissora para superar essas limitações. Este trabalho avaliou sete classificadores quanto à sua capacidade de generalização frente a diferentes parâmetros de curtos-circuitos e terminais de medição. Os modelos foram treinados e testados com características extraídas por meio da Transformada Discreta de Fourier (TDF) de sinais de tensão e corrente obtidos em simulações computacionais no software PSCAD. A biblioteca PyCaret foi utilizada para automatizar o treinamento e a comparação sistemática dos classificadores. Os resultados demonstraram que o algoritmo Random Forest apresentou o melhor desempenho entre os métodos avaliados neste trabalho, com alta acurácia na maioria dos cenários, além de notável robustez à presença de ruído e capacidade de generalização para parâmetros de falta não observados durante o treinamento
- Imprenta:
- Publisher place: São Carlos
- Date published: 2025
-
ABNT
OLIVEIRA, Daniel Fagundes. A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning. 2025. Trabalho de Conclusão de Curso (Graduação) – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2025. Disponível em: https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf. Acesso em: 19 jan. 2026. -
APA
Oliveira, D. F. (2025). A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning (Trabalho de Conclusão de Curso (Graduação). Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf -
NLM
Oliveira DF. A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning [Internet]. 2025 ;[citado 2026 jan. 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf -
Vancouver
Oliveira DF. A classificação de faltas em linhas de transmissão com alta penetração de fontes eólicas interfaceadas por inversores: uma abordagem via Machine Learning [Internet]. 2025 ;[citado 2026 jan. 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/c1b01eb9-b4ea-48f1-8b01-e5b45cfe5f56/Oliveira_Daniel_Fagundes.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Oliveira_Daniel_Fagundes.... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
