Classificação de faltas em linhas de transmissão utilizando métodos de aprendizado de máquina
Rocket. MiniRocket. Classificação de faltas. Linhas de transmissão. Filtro notch. Florestas Aleatórias.
As linhas de transmissão de energia elétrica são componentes altamente susceptíveis a faltas. Diversos fatores como animais, falha humana e descargas elétricas podem levar a essa ocorrência. Além disso, a crescente demanda de geração, distribuição e transmissão de energia elétrica tem contribuído cada vez mais para que esse se torne um problema recorrente. Diversos trabalhos já exploraram o uso de inteligência computacional, processamento de sinais e outras técnicas na construção de métodos protetivos para rápida verificação e atuação na ocorrência de faltas nas linhas de transmissão. Muitos desses trabalhos focam em abordagens utilizando processamento de sinais como transformada de Fourier ou wavelet. Com o avanço do aprendizado de máquina, algumas técnicas clássicas passaram a ser utilizadas nessa área obtendo êxito. Este Trabalho foca na classificação de faltas investigando o uso de técnicas clássicas como filtro notch e florestas aleatórias. Para efeito comparativo, foram utilizadas técnicas criadas recentemente, chamadas de Rocket e MiniRocket, para a extração de características em séries temporais e bons resultados foram obtidos na identificação das faltas ocorridas na linha de transmissão. Como resultado dessa dissertação, acurácias superiores a 93% foram alcançadas considerando-se até 1/16 ciclo pós falta. Para sinais com 1 e 1/2 ciclo pós falta foram obtidas acurácias superiores a 97%