CLASSIFICAÇÃO DE FALTAS DO TIPO CURTO CIRCUITO EM LINHAS DE TRANSMISSÃO UTILIZANDO KNN-DTW
Sistema Elétrico de Potência, Classificação de Faltas, Arquitetura FBSC, Algoritmo KNN-DTW.
Os sistemas de classificação de faltas em linha de transmissão podem ser divididos em dois tipos: sistemas de classificação on-line e pós-falta. Este trabalho foca na classificação de sequências representado faltas do tipo curto-circuito em linhas de transmissão em um cenário pós-falta. Neste cenário as sequências possuem comprimento (duração) variável. Na classificação de sequência é possível utilizar classificadores convencionais tais como Redes Neurais artificiais. Neste caso, o processo de classificação requer um pré-processamento ou um estágio de front end que converta os dados brutos em parâmetros sensíveis para alimentar o classificador. Uma solução para este problema são as arquiteturas baseada em frames (FBSC). O problema da arquitetura FBSC é que esta possui muitos graus de liberdade na concepção do modelo (front end mais classificador) devendo este ser avaliado usando conjunto de dados completo e uma metodologia rigorosa para evitar conclusões tendenciosas. Alternativamente à arquitetura FBSC, este trabalho propõe o classificador K-Nearest Neighbor associado a medida de similaridade Dynamic Time Warping (DTW) denominado de KNN-DTW para classificação de faltas. Este classificador é capaz de lidar diretamente com as sequências de tamanhos diferentes, sem a necessidade do uso de um front end, diminuindo o pipeline imposto pela arquitetura FBSC. Nos experimentos foram utilizados dados simulados de faltas do tipo curto-circuito, oriundos de uma base de dados pública chamada UFPAFaults. Foi realizada uma comparação em termos de desempenho entre o classificador KNN-DTW e a arquitetura FBSC. No caso da arquitetura FBSC diferentes front ends (ex. wavelet e rms) e classificadores convencionais (ex. máquinas de vetores de suporte e redes neurais) foram testados. Os resultados obtidos indicam que o classificador KNN-DTW, mesmo em um cenário com ruído nas amostras, apresenta desempenho próximo à arquitetura FBSC, porém sem a necessidade do uso de front end o que diminui o custo computacional desse classificador.