UMA NOVA ABORDAGEM BASEADA EM SELEÇÃO DE PARÂMETROS PARA CLASSIFICAÇÃO DE FALTAS EM LINHAS DE TRANSMISSÃO
Palavras-chave: Classificação de Faltas. Seleção de Parâmetros. Redução da Dimensionalidade. Aprendizado de Máquina. Front ends.
No contexto de Sistemas Elétricos de Potência (SEPs), as linhas de transmissão são os elementos mais suscetíveis a faltas, e entre elas, as mais comuns são do tipo curtocircuito. Para evitar maiores problemas, é necessário um diagnóstico de faltas que possa categorizá-las e dar suporte no processo de restauração do sistema, ou seja, um classificador de faltas do tipo curto-circuito. A maioria dos trabalhos na literatura utilizam front ends de maneira isolada como forma de representar o sinal a ser classificado. Este trabalho aborda a utilização de um front end que é uma concatenação dos front ends raw, RMS e wavelet, chamado de concatfrontend. Nos experimentos foram utilizados dados simulados, oriundos de uma base de dados pública chamada UFPAFaults. Foi realizada uma comparação entre o concatfrontend e os outros front ends, utilizando diferentes classificadores (redes neurais artificiais, kvizinhos mais próximos, máquinas de vetores de suporte e Random Forest). Além disso, foram utilizadas técnicas de seleção de parâmetros, de forma que a dimensionalidade dos dados de entrada seja reduzida e os parâmetros não relevantes sejam descartados. Os resultados mostraram que o concatfrontend teve as menores taxas de erro para todos os classificadores com exceção da máquina de vetores de suporte. No contexto de seleção de parâmetros foi possível gerar melhores resultados com menos parâmetros.