Utilização de Métodos de Aprendizado de Máquina para a Localização de Curtos-Circuitos em um Parque Eólico Onshore

• Processo: 24/23217-0
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Mário Oleskovicz
• Beneficiário: Miguel Rodrigues Fonseca
• Instituição Sede: Escola de Engenharia de São Carlos (EESC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Fontes Eólicas Interfaceadas por Inversores | Localização de faltas elétricas | Apredizado de Máquina

Resumo

Com o aumento do uso de recursos baseados em inversores, do inglês Inverter-Based Resources(IBRs), na rede elétrica e no contexto de energias renováveis como a eólica e a solar, foramacrescentados novos desafios aos métodos de localização de faltas (curtos-circuitos) convencionalmente utilizados, pois as características das contribuições das IBRs para faltas são influenciadaspelos inversores utilizados para a conexão desses geradores à rede elétrica. Sob essa perspectiva,estudos que analisem o impacto das IBRs nestes métodos de localização ainda são escassos naliteratura, bem como novas propostas que levem em consideração esses novos impactos. Nessecontexto, visando a análise e um melhor encaminhamento desses problemas, o aumento dadisponibilidade de dados aferidos em sistemas de transmissão torna-se um potencial aliado nautilização de métodos de aprendizado de máquina, do inglês Machine-Learning (ML), uma vezque tais métodos dependem de bancos de dados massivos para um treinamento adequado. Assim,com esse projeto, pretende-se explorar uma metodologia que englobe métodos de ML para alocalização de faltas em um parque eólico onshore real, sendo avaliados os desempenhos dediferentes métodos de ML disponíveis na biblioteca Scikit-Learn desenvolvida em Python paraessa finalidade. Para isso, será utilizada uma base de dados preexistente que engloba formas deonda de vários cenários de falta obtidos via simulações computacionais dispondo do softwarePSCAD. Os desempenhos de diferentes métodos de ML serão comparados com o objetivo dedeterminar quais deles serão os mais eficientes e apropriados para compor uma futura metodologia delocalização de faltas elétricas.