AVALIAÇÃO DE ALGORITMOS PARA CLASSIFICAÇÃO DE SEQUENCIAS REPRESENTANDO FALTAS DO TIPO CURTO-CIRCUÍTO EM LINHAS DE TRANSMISSÃO DE ENERGIA
Sistema Elétrico de Potência, Classificação de Faltas, Arquitetura FBSC, Algoritmo KNN-DTW e HMM
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 sequências 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 é a arquitetura de classificação de sequências baseada em quadros (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 (baseada em recurso), também existem outras técnicas como KNN-DTW (K-Nearest Neighbor associado a medida de similaridade Dynamic Time Warping (DTW)(Baseada em distância) e o HMM (Hidden Markov Model)(Baseada em modelo). Estes classificadores são capazes de lidar diretamente com as sequências de tamanhos diferentes, diminuindo o pipeline imposto pela arquitetura FBSC. Este trabalho propõe uma metodologia de avaliação dos algoritmos (FBSC), (KNN-DTW) e (HMM) que melhor se adequem a classificação de faltas do tipo curto-circuito em linhas de transmissão de energia levando em consideração taxa de erro, tempo de processamento e custo computacional. 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 acurácia (taxa de erro) entre o classificador KNN-DTW, HMM 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 parciais obtidos indicam a necessidade de um classificador com baixa parametrização, o algoritmo KNN-DTW e HMM mostram-se como uma alternativa viável, mesmo que sua acurácia tenha sido inferior se comparado à algumas técnicas da arquitetura FBSC.