Aprendizado de Máquina Fuzzy Incremental para Classificação de Faltas em Sistemas de Potência

  • Márcio Wladimir Santana Centro Federal de Educação Tecnológica de Minas Gerais - CEFET-MG
  • Daniel Furtado Leite Universidade Federal de Lavras - UFLA
Palavras-chave: Qualidade de energia. Classificação de distúrbios. Aprendizado incremental on-line. Sistemas fuzzy evolutivos.

Resumo

O conceito de Qualidade da Energia está relacionado a um conjunto de alterações que podem ocorrer no sistema elétrico. Tais alterações (distúrbios/faltas) podem ocorrer em várias partes do sistema de energia, sejam nas instalações elétricas dos consumidores ou no sistema supridor da concessionária, causando prejuízos financeiros a ambas as partes. Por isso, é de fundamental importância a detecção e classificação em tempo real desses distúrbios de modo automático. Para reconhecimento e classificação de padrões, são considerados modelos inteligentes evolutivos, ou seja, modelos equipados com algoritmos de aprendizado incrementais online capazes de alterar seus parâmetros e estrutura, conforme novas informações surgem  em um fluxo de dados. Em particular, é considerada a modelagem evolutiva baseada em conjuntos fuzzy (FBeM). Para o pré-processamento dos dados mensurados, e extração de variáveis indicadoras da presença de distúrbios, é considerado o filtro Hodrick-Prescott, a técnica de transformada rápida de Fourier e o valor eficaz da tensão. O modelo desenvolvido neste trabalho tem alcançado um desempenho comparável àqueles de modelos estado da arte na área de qualidade de energia. Detecção e classificação de distúrbios tais como elevação de tensão, sub-harmônico, transitório oscilatório, spikes e notching, ocorrendo de forma simultânea ou não, são alcançadas com acurácia de, aproximadamente, 99%.

Publicado
24-11-2020
Como Citar
Santana, M. W., & Leite, D. F. (2020). Aprendizado de Máquina Fuzzy Incremental para Classificação de Faltas em Sistemas de Potência. Abakós, 8(2), 03-28. https://doi.org/10.5752/P.2316-9451.2020v8n2p03-28
Seção
Artigos completos / Full papers