Classificação de Faltas em Linhas de Interconexão de Gerações Baseadas em Inversores: Desvendando o Potencial dos Métodos de Machine Learning

Considerando a crescente penetração das Gerações Baseadas em Inversores, do inglês Inverter-Based Resources (IBRs) em sistemas elétricos de potência, bem como os impactos observados nas funções de proteção e diagnóstico de faltas devido às suas características operacionais atípicas, este trabalho explora o potencial do emprego de métodos de Machine Learning (ML) para a classificação de faltas em linhas de transmissão para sistemas com IBRs. Inicialmente, o artigo comprova o impacto de IBRs em um método tradicional de classificação de faltas, mostrando também a influência das recentes padronizações e avanços nos controles de IBRs. Em seguida, apresenta-se uma metodologia para extração de características de sinais de tensão e corrente, baseada na Transformada Discreta de Wavelet (TDW), a qual é utilizada para gerar as instâncias de treinamento / testes para os métodos inteligentes avaliados neste trabalho. Os resultados evidenciam o potencial dos métodos ML para a classificação de faltas em linhas de interconexão de IBRs à rede, visto que percentuais de acerto muito promissores foram obtidos. Além disso, aspectos como a capacidade de generalização desses métodos e a influência do número e representatividade das instâncias de treinamento também foram discutidos. Para os estudos, um sistema com topologia tipicamente empregada para a conexão de IBRs à rede é modelado no software PSCAD, e vários cenários de contingência são avaliados.