Banca de DEFESA: DIOELITON ANTONIO GOMES DOS PASSOS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DIOELITON ANTONIO GOMES DOS PASSOS
DATA : 11/08/2025
HORA: 15:00
LOCAL: Virtual
TÍTULO:

Sistema Baseado em Arvores para Classificacao de Falhas em Sistemas
Eletricos

PALAVRAS-CHAVES:

Classificação de Falhas; Interpretabilidade de Modelos;
Sistemas Elétricos de Potência; Aprendizado de Máquina; Modelos Baseados em Árvores.

 

PÁGINAS: 77
RESUMO:

Nos sistemas de transmissão de energia elétrica, a ocorrência de falhas
pode comprometer seriamente a estabilidade, a integridade dos equipamentos e a continuidade
do fornecimento. Nesse contexto, técnicas de aprendizado de máquina têm se
destacado como ferramentas promissoras, por aliarem bom desempenho
preditivo à capacidade de adaptação a diferentes padrões operacionais. Além
disso, tais técnicas oferecem potencial de explicabilidade, sendo atrativas
em cenários nos quais a transparência nas decisões é um requisito
essencial. No entanto, lidar com dados ruidosos e padrões complexos
provenientes de medições elétricas continua sendo um desafio relevante,
principalmente quando se busca aliar precisão e interpretabilidade. Nesse
cenário, este trabalho propõe o uso de um sistema baseado em árvores,
composto por um modelo tradicional de Árvore de Decisão e duas estratégias
de ensemble: Bagging, utilizando o Bootstrap Aggregating, e Boosting, com o
algoritmo AdaBoost. O objetivo é desenvolver um sistema interpretável e
robusto para a classificação de falhas em sistemas elétricos. Foram
utilizados inicialmente dois conjuntos de dados e, a partir desses, foram
geradas treze novas variações dos bancos, inserindo diferentes níveis de
ruído gaussiano. Para cada banco, avaliou-se sistematicamente o impacto dos
hiperparâmetros relacionados à profundidade e ao número de folhas. A
acurácia foi adotada como métrica principal de desempenho, enquanto o
tamanho máximo das regras geradas foi utilizado como medida de
interpretabilidade. Os resultados indicaram que o Boosting apresentou maior
robustez em ambientes ruidosos, enquanto o Bagging demonstrou equilíbrio
entre desempenho e simplicidade.
Já a Árvore de Decisão destacou-se por gerar regras mais concisas,
adequadas a cenários menos complexos. Esta pesquisa reforça o potencial dos modelos baseados em árvores como estratégias viáveis para a classificação de falhas em sistemas
elétricos.

 

MEMBROS DA BANCA:
Externa à Instituição - CAMILA ASCENDINA NUNES KAMEI - UFRPE
Externo à Instituição - MANOEL HENRIQUE DA NÓBREGA MARINHO - UPE
Presidente - 1890208 - PAULO SALGADO GOMES DE MATTOS NETO