Classificação de Faltas em Sistemas de Distribuição com Inserção de Geração Distribuída via Autoencoder e Perceptron Multicamadas

Resumo

A integração massiva de geração distribuída (GD) traz desafios significativos para a operação dos sistemas de distribuição de energia elétrica (SDEEs) [3]. Nos últimos anos, a produção de energia a partir de fontes renováveis cresceu consideravelmente devido aos esforços globais para atender às metas de descarbonização [2]. Entre essas fontes, destacam-se os sistemas fotovoltaicos (PVs), que representam cerca de 84% das instalações de GD no Brasil [1]. Em redes com alta penetração PVs, as variações nos sinais de corrente podem comprometer a atuação dos relés de sobrecorrente, dificultando a detecção e classificação de faltas [4]. Diante da complexidade introduzida pelos sistemas PVs nos SDEEs, especialmente devido à natureza intermitente da geração solar, este estudo propõe a implementação de Autoencoders (AEs) na etapa de pré-processamento para redução da dimensionalidade e extração das principais características dos sinais de correntes. Os AEs são conformados por uma arquitetura de rede neural do tipo Multilayer Perceptron (MLP) e são amplamente empregados para aprendizado de representações de dados. Esses modelos realizam transformações não lineares para capturar e organizar informações discriminativas, possibilitando a obtenção de uma codificação direta ou de um mapeamento paramétrico da entrada para uma representação mais significativa [5]. O vetor resultante, denominado espaço latente, concentra as principais informações para alimentar o classificador. As diversas condições de faltas foram simuladas no sistema teste IEEE-34 barras, modelado no ATP/ATPDraw, considerando diferentes variações, incluindo a quantidade de sistemas PVs (0 PV e 10 PVs), a resistência da falta, o tipo de falta, a barra de localização e o ângulo de inserção. A rede neural MLP foi empregada como classificador. O problema foi formulado como uma classificação multiclasse, abrangendo sete classes correspondentes aos curtos-circuitos (Ag, Ab, Ac, ACg/AC, ABg/AB, BCg/BC e ABCg/ABC) e uma classe adicional correspondente ao estado operativo normal do sistema [4]. Os resultados são apresentados na Tabela 1. As simulações são feitas a partir de duas abordagens: a janela composta pelos sinais de corrente completos e a janela processada pelo AE, com o objetivo de avaliar sua eficiência. Observa-se que todas as métricas apresentaram um desempenho superior no Cenário 1 com os sinais processados pelo AE em comparação ao uso do sinal completo. A acurácia, por exemplo, teve uma leve melhoria, passando de 97,55% para 98,91%. No Cenário 2, no qual são conectados 10 sistemas PVs, essa melhora é mais significativa. Todas as métricas foram substancialmente aprimoradas, com incrementos na acurácia, no recall macro e no F₁-Score de 38,35%, 71,45% e 72,27%, respectivamente. Esses resultados destacam a eficácia do AE na redução da dimensionalidade dos dados e na melhoria do desempenho do classificador, especialmente em cenários com alta penetração de sistemas PVs. Além disso, observa-se o impacto dos sistemas PVs no estágio de classificação, provocado principalmente pelas variações nas magnitudes das correntes, o que reforça a importância do pré-processamento para aprimorar a precisão do classificador. [...]