Utilização de Abordagens de Múltiplos Classificadores para
Classificação de Falhas em Sistemas Elétricos
Sistemas Elétricos de Potência. Consciência da Situação.
Detecção de Falhas. Sistemas de Múltiplos Classificadores. Conjunto.
Seleção Dinâmica de Classificadores
A operação dos sistemas elétricos depende da detecção e classificação
rápida de falhas para atuar os sistemas de proteção e evitar danos maiores.
Os sistemas de classificação de falhas baseados em aprendizado de máquina
foram muito utilizados por ter um bom desempenho e facilidade de
interpretação. Os sistemas automatizados de proteção e supervisão podem
auxiliar os operadores detectando as anomalias e falhas, fornecendo uma
estrutura robusta para melhorar a Consciência Situacional. Contudo, as
metodologias atuais utilizam predominantemente os modelos monolíticos, que
não se adaptam bem aos dados em mudança, lidar com conjuntos de dados
desequilibrados e capturar padrões em ambientes ruidosos. Para superar
essas limitações, este estudo explora as abordagens do Sistema de
Classificadores Múltiplos (MCS), que possui vantagem sobre os modelos
monolíticos para este tipo de situação. Os resultados demonstram que os
múltiplos classificadores geralmente superam os modelos clássicos, com
abordagens dinâmicas como META-DES mostrando baixa degradação dos
resultados com o aumento do ruído. Essas análises evidenciam a importância
da diversificação dos modelos e as estratégias de conjunto na melhoria dos
resultados de classificação de falhas em condições ruidosas do mundo real.
Esta pesquisa enfatiza o potencial das técnicas de MCS como uma solução
robusta para aumentar a confiabilidade dos sistemas de detecção de falhas.