ARTIFICIAL INTELLIGENCE IN THE ELECTRICAL SECTOR: POWER QUALITY MONITORING THROUGH NEURAL NETWORKS:
REGISTRO DOI: 10.69849/revistaft/ra10202411142331
Igor da Silva Nicolau1
Prof. Stênio de Sousa Coelho2
Resumo
Este trabalho tem como objetivo investigar o uso de técnicas de aprendizado profundo para o monitoramento e classificação de distúrbios de qualidade de energia, com foco em redes LSTM e CNN. Através de dados simulados, os modelos são avaliados em termos de precisão e robustez, especialmente em ambientes ruidosos, e comparados com métodos convencionais, como K-Nearest Neighbors (KNN) e Naive Bayes (NB). A inovação deste estudo reside na aplicação de redes neurais profundas para capturar características temporais e espaciais dos distúrbios, resultando em maior acurácia e eficiência na detecção de eventos complexos de qualidade de energia. Os resultados esperados demonstram que as redes LSTM e CNN são superiores em termos de resiliência e precisão, apresentando-se como alternativas promissoras para o monitoramento avançado em sistemas elétricos.
Palavras-chave: Qualidade de energia, aprendizado profundo, redes neurais, CNN. Monitoramento. Classificação.
1 Introdução
O monitoramento da qualidade de energia elétrica é essencial para garantir a operação eficiente, segura e confiável dos sistemas elétricos, especialmente em um cenário de crescente demanda por eletricidade e da integração de tecnologias avançadas, como dispositivos eletrônicos sensíveis e fontes de energia renovável. Problemas de qualidade de energia, como variações de tensão, harmônicos e transientes oscilatórios, têm um impacto significativo no desempenho de equipamentos, causando falhas, perdas de dados e interrupções no fornecimento. Esses distúrbios representam um desafio para concessionárias e consumidores, gerando custos elevados e, muitas vezes, comprometendo a confiabilidade das redes elétricas. (HOLE; NAIK, 2020).
A crescente complexidade dos sistemas de energia, aliada à variabilidade e intermitência das fontes renováveis, exige métodos de monitoramento que sejam capazes de identificar e classificar distúrbios com alta precisão e rapidez, mesmo em ambientes ruidosos e dinâmicos. Tradicionalmente, a análise desses eventos baseava-se em técnicas de processamento de sinal, como a Transformada de Fourier (FT) e a Transformada Wavelet (WT), que permitiam a decomposição do sinal em componentes de frequência para a identificação de distúrbios. No entanto, essas metodologias apresentam limitações em relação a eventos de curta duração e a sinais complexos e não estacionários, comuns nos sistemas modernos de distribuição e transmissão de energia (SEKAR; SUBRAMANIAN; KARTHICK, 2020).
Com o avanço das técnicas de inteligência artificial, em especial do aprendizado profundo, surgem novas oportunidades para superar as limitações das abordagens tradicionais. Redes neurais profundas, como as redes de memória de curto e longo prazo (LSTM) e as redes convolucionais (CNN), têm demonstrado resultados promissores na análise de distúrbios de qualidade de energia. As redes LSTM são projetadas para capturar dependências temporais em sequências de dados, sendo altamente eficazes para identificar oscilações e variações harmônicas ao longo do tempo. Por outro lado, as CNNs destacam-se pela capacidade de detectar padrões espaciais e frequenciais, sendo especialmente adequadas para eventos de variação abrupta de amplitude, como quedas e elevações de tensão (SAEED et al., 2023). Essas redes profundas permitem a extração automática de características dos sinais de distúrbios, eliminando a necessidade de uma engenharia de características manual, o que resulta em maior precisão e eficiência na classificação de eventos
Estudos recentes indicam que o uso de redes neurais profundas pode superar métodos convencionais em termos de precisão e resiliência a condições de ruído. Por exemplo, o modelo Deep PQDS-FKTNet, que utiliza redes CNN e filtros adaptativos, apresentou taxas de acurácia de até 95% na classificação de distúrbios em ambientes ruidosos, demonstrando uma melhoria significativa em relação às técnicas tradicionais (SHEN et al., 2024). Além disso, as redes LSTM, combinadas com técnicas de decomposição de sinais, como a Transformada de Hilbert Huang (HHT), mostraram-se eficazes na modelagem de distúrbios de longo prazo e na previsão de eventos futuros, proporcionando uma visão mais detalhada e precisa dos fenômenos de qualidade de energia (OLIVEIRA; BOLLEN, 2023).
Diante desse cenário, o presente trabalho tem como objetivo investigar o desempenho de redes LSTM e CNN na classificação de distúrbios de qualidade de energia, comparando essas abordagens com métodos convencionais, como K-Nearest Neighbors (KNN) e Naive Bayes (NB). A pesquisa busca avaliar a eficácia das redes neurais profundas em ambientes com diferentes níveis de ruído, destacando sua capacidade de adaptação e sua robustez em situações desafiadoras. Ao explorar o potencial dessas técnicas para o monitoramento avançado de qualidade de energia, este estudo visa contribuir para o desenvolvimento de sistemas mais precisos e eficientes, que possam atender à crescente complexidade das redes elétricas e às exigências de estabilidade e confiabilidade.
A justificativa para o desenvolvimento deste estudo encontra-se na necessidade de avançar nas técnicas de monitoramento de qualidade de energia, frente às limitações dos métodos tradicionais. Com a transformação das redes elétricas e a crescente integração de fontes renováveis, há uma demanda crescente por sistemas de monitoramento que possam detectar e classificar distúrbios com maior precisão, adaptando-se rapidamente às mudanças nos padrões de carga e geração. A aplicação de aprendizado profundo representa uma inovação nessa área, permitindo não apenas uma maior precisão na análise, mas também a capacidade de prever e antecipar problemas, promovendo um avanço significativo nas práticas de manutenção preventiva e gestão de ativos em sistemas elétricos.
Portanto, espera-se que as conclusões deste trabalho contribuam para o fortalecimento das estratégias de monitoramento de qualidade de energia, proporcionando uma base para futuras pesquisas que explorem técnicas de aprendizado explicável (XAI) e métodos híbridos, que combinem inteligência artificial com sistemas especialistas para aumentar a interpretabilidade e a confiança nos modelos de IA aplicados ao setor elétrico.
2 . Monitoramento da Qualidade de Energia no Setor Elétrico
2.1 Importância da Qualidade de Energia
A qualidade da energia elétrica é essencial para garantir a segurança e a continuidade das operações em sistemas elétricos, especialmente em um contexto de aumento de cargas sensíveis e de tecnologias baseadas em eletrônica de potência. Distúrbios na qualidade da energia, como variações de tensão, interrupções e distorções harmônicas, podem resultar em falhas e desgastes prematuros de equipamentos, além de gerar custos elevados tanto para as concessionárias quanto para os consumidores finais (HOLE; NAIK, 2020). Por exemplo, em ambientes industriais, a ocorrência de oscilações transitórias pode causar a perda de dados, paradas de produção e danos a equipamentos de controle.
2.2 Desafios no Monitoramento
Com a crescente complexidade das redes elétricas, surgem desafios adicionais para o monitoramento eficaz da qualidade da energia. A integração de fontes renováveis, como solar e eólica, adiciona variabilidade e pode gerar instabilidades que afetam o sistema de distribuição. Isso demanda que as técnicas de monitoramento sejam suficientemente rápidas e precisas para detectar anomalias e distinguir entre diferentes tipos de distúrbios, como afundamentos de tensão e transientes oscilatórios (HOLE; NAIK, 2020). Esse monitoramento constante é fundamental para assegurar a confiabilidade e a qualidade do fornecimento de energia, especialmente em um cenário de redes inteligentes, onde a dinâmica da carga e a geração variam de forma mais rápida e imprevisível.
3. Inteligência Artificial no Setor Elétrico
3.1 Aplicações da Inteligência Artificial em Sistemas Elétricos
A Inteligência Artificial (IA) tem se consolidado como uma ferramenta eficaz para otimizar o desempenho e a resiliência dos sistemas elétricos. Com o avanço da IA, técnicas de aprendizado de máquina e redes neurais têm sido amplamente aplicadas em diversas áreas, incluindo a previsão de carga, otimização do despacho de geração, e, especialmente, na detecção e classificação de anomalias na qualidade de energia (BHENDE; MISHRA; PANIGRAHI, 2008). Sistemas baseados em IA podem identificar padrões complexos e correlacionar informações de múltiplas variáveis de entrada, o que é especialmente útil para lidar com a natureza não linear e não estacionária dos distúrbios de qualidade de energia.
3.2 Redes Neurais Artificiais (RNAs) e suas Características
As redes neurais artificiais, em especial o Perceptron de Múltiplas Camadas (MLP), são amplamente utilizadas para classificar eventos de distúrbios de qualidade de energia. Esse tipo de rede neural é capaz de realizar a classificação de dados não lineares e apresenta robustez na análise de dados de séries temporais, característica importante para o monitoramento contínuo de qualidade de energia. Em estudos recentes, as RNAs têm demonstrado eficácia ao classificar automaticamente eventos como variações de tensão e distorções harmônicas, com base nos padrões de dados extraídos por meio de técnicas de análise de sinal (ALSHAHRANI; ABBOD; TAYLOR, 2016). Essa capacidade de aprendizado permite que as redes se adaptem conforme mais dados são obtidos, melhorando a precisão na detecção de anomalias.
4. Técnicas de Transformada e Análise de Sinal para Detecção de Distúrbios de Energia
4.1 Transformada de Fourier (FT) e suas Limitações
A Transformada de Fourier (FT) é uma técnica clássica usada para analisar sinais no domínio da frequência, convertendo informações do domínio do tempo. No entanto, a FT é mais adequada para sinais estacionários, onde as características de frequência permanecem constantes ao longo do tempo. Em sinais não estacionários, comuns em eventos de qualidade de energia como picos de tensão e transientes, a FT apresenta limitações significativas, uma vez que não oferece informações sobre o tempo em que ocorrem as alterações de frequência (ALSHAHRANI; ABBOD; TAYLOR, 2016). A Transformada Rápida de Fourier (FFT) e a Transformada de Fourier de Tempo Curto (STFT) foram desenvolvidas para tentar contornar essas limitações. No entanto, a STFT depende da largura fixa de uma janela, o que gera um comprometimento entre a resolução de tempo e frequência, sendo inadequada para analisar distúrbios rápidos.
4.2 Transformada Wavelet (WT)
A Transformada Wavelet (WT) oferece uma solução eficaz para a análise de sinais não estacionários, decompondo o sinal em múltiplas resoluções de tempo e frequência. Ao contrário da FT, a WT permite observar alterações frequentes ao longo do tempo, sendo, portanto, adequada para detectar distúrbios de curta duração. A Transformada Wavelet Discreta (DWT) tem sido utilizada para identificar fenômenos como sag e swell, pois permite dividir o sinal em níveis que destacam diferentes componentes de frequência (HOLE; NAIK, 2020). No entanto, a precisão da DWT depende da escolha da wavelet-mãe, sendo necessário escolher cuidadosamente a wavelet ideal para a aplicação específica.
4.3 Transformada de Hilbert-Huang (HHT)
A Transformada de Hilbert-Huang (HHT) é uma técnica de análise de sinais voltada para dados não estacionários e não lineares, comum em sistemas de potência. A HHT é composta pela Decomposição de Modos Intrínsecos (IMFs), onde o sinal é decomposto em funções que representam componentes de frequência variáveis no tempo. Cada modo é então analisado pela Transformada de Hilbert para obter frequências instantâneas, uma característica única e vantajosa para identificar a dinâmica dos distúrbios de energia elétrica (ALSHAHRANI; ABBOD; TAYLOR, 2016). Estudos indicam que a HHT é especialmente eficaz para detectar transientes oscilatórios e fenômenos complexos, possibilitando a análise em tempo real, essencial para garantir a rápida resposta a eventos críticos no sistema.
5. Vantagens e Desafios do Uso de Redes Neurais e Técnicas de Transformada no Monitoramento da Qualidade de Energia
5.1 Vantagens
A aplicação combinada de técnicas de transformada com redes neurais artificiais proporciona precisão elevada na detecção de distúrbios de qualidade de energia, especialmente em ambientes ruidosos. A Transformada S, por exemplo, que é uma combinação da transformada de Fourier e wavelet com correção de fase, oferece melhor resolução para a detecção de anomalias em sinais ruidosos e apresenta-se como uma alternativa viável em cenários onde as técnicas tradicionais falham (BHENDE; MISHRA; PANIGRAHI, 2008). Essa técnica combinada com redes neurais modulares permite que os sistemas identifiquem diferentes tipos de distúrbios com alta precisão, reduzindo a complexidade dos modelos e aumentando a capacidade de aprendizado em redes neurais.
5.2 Desafios e Limitações
Apesar das vantagens, o uso de redes neurais e técnicas de transformada para monitoramento em tempo real exige grandes volumes de dados para treinar os modelos, além de alta capacidade computacional, o que pode tornar o processo oneroso. A necessidade de otimizar a escolha dos parâmetros, como o tipo de wavelet para a DWT ou a definição dos modos para a HHT, também representa um desafio significativo (ALSHAHRANI; ABBOD; TAYLOR, 2016). Em aplicações práticas, a dificuldade de encontrar a combinação ideal de técnicas de análise de sinal e algoritmos de IA pode limitar o desempenho em condições específicas de rede, como variações extremas e inesperadas de carga.
6. Redes Neurais e Aprendizado Profundo no Monitoramento de Distúrbios de Energia
6.1. Convolutional Neural Networks (CNNs) para Classificação de Distúrbios
As redes neurais convolucionais (CNNs) têm se tornado uma escolha popular para classificação de distúrbios de qualidade de energia devido à sua eficácia em capturar padrões em sinais complexos. CNNs operam usando camadas convolucionais que aplicam filtros ou kernels sobre os dados de entrada, extraindo características que são essenciais para a classificação. Em particular, as CNNs têm demonstrado um desempenho robusto ao lidar com dados ruidosos, tornando-as ideais para aplicações onde os sinais de qualidade de energia podem ser influenciados por variações de frequência e ruídos externos.
Recentemente, o modelo DeepPQDS-FKTNet foi desenvolvido especificamente para a classificação de distúrbios de qualidade de energia, utilizando uma abordagem adaptativa baseada na transformada Fukunaga–Koontz (FKT), que ajusta automaticamente o número de filtros e camadas convolucionais de acordo com as características do conjunto de dados SAEED et al. (2023). Esse modelo superou métodos convencionais em termos de precisão e robustez, provando-se eficaz mesmo em condições de ruído. A abordagem de auto ajuste permite que o DeepPQDS-FKTNet adapte sua arquitetura com base na natureza dos distúrbios, classificando com precisão eventos como quedas de tensão, transientes e oscilações.
Além disso, uma das principais vantagens das CNNs é a eliminação da necessidade de etapas intensivas de engenharia de características. Em vez disso, as CNNs aprendem automaticamente os recursos ideais para a tarefa de classificação, economizando tempo e reduzindo a complexidade computacional. Isso é particularmente valioso em sistemas de energia, onde o volume de dados é alto e os sinais podem apresentar padrões variados e complexos MOHAN et al. (2017)
6.2. Long Short-Term Memory (LSTM) para Predição de Tendências de Distúrbios
As redes Long Short-Term Memory (LSTM) são uma variante das redes neurais recorrentes (RNNs) que foram projetadas para lidar com sequências temporais e dependências de longo prazo, tornando-as uma escolha poderosa para o monitoramento de qualidade de energia ao longo do tempo. A capacidade das LSTMs de capturar dependências temporais faz delas uma ferramenta ideal para prever tendências de distúrbios de qualidade de energia, como oscilações harmônicas e quedas de tensão que ocorrem em intervalos recorrentes.
Um estudo recente propôs uma combinação de decomposição de modo variacional (VMD) e LSTM para melhorar a precisão na previsão de índices de qualidade de energia em redes inteligentes. Nesse método, o VMD é utilizado para decompor a sequência de dados em subsequências com diferentes características temporais SHEN et al. (2024). Essa abordagem permite que o modelo se concentre nas tendências de longo prazo e nas oscilações periódicas de curta duração separadamente, melhorando a precisão das previsões e permitindo que o sistema emita alertas antecipados de potenciais problemas de qualidade de energia.
O uso de LSTMs em sistemas de energia é especialmente relevante para redes inteligentes, onde a variabilidade nas fontes de geração (como energia solar e eólica) e nas cargas conectadas cria desafios de estabilidade. A habilidade das LSTMs de “lembrar” padrões de dados históricos ajuda a identificar tendências que indicam deterioração de qualidade de energia, permitindo que ações preventivas sejam tomadas antes que ocorra um impacto significativo na rede OLIVEIRA e BOLLEN (2023).
6.3. Arquiteturas Híbridas: CNN-LSTM
Modelos híbridos que combinam CNNs e LSTMs estão ganhando destaque na classificação e previsão de distúrbios de qualidade de energia, pois oferecem o melhor de ambas as arquiteturas. Enquanto as CNNs são eficazes na extração de características espaciais e na captura de padrões estáticos, as LSTMs são projetadas para modelar dependências temporais, sendo assim ideais para análise de dados sequenciais.
A arquitetura CNN-LSTM é composta por uma camada inicial de CNN, que extrai características locais dos dados de entrada, seguida por camadas LSTM que utilizam essas características para modelar a evolução temporal dos eventos de qualidade de energia. Este modelo é altamente eficaz para detectar e classificar distúrbios complexos que possuem componentes de tempo e frequência, como oscilações harmônicas que variam ao longo do tempo e transientes de alta frequência que surgem de forma imprevisível MOHAN et al. (2017).
Essa combinação tem se mostrado especialmente eficaz em cenários de geração distribuída e redes de microgeração, onde a presença de múltiplas fontes de geração e cargas não lineares introduz uma variabilidade significativa nos sinais de qualidade de energia. Os modelos CNN-LSTM conseguem aprender os padrões temporais e espaciais desses eventos, identificando quando a qualidade de energia está em risco e classificando os tipos de distúrbios com alta precisão.
6.4. Desafios e Futuras Aplicações do Aprendizado Profundo na Qualidade de Energia
Apesar das promessas das arquiteturas de aprendizado profundo, vários desafios precisam ser superados para que essas técnicas sejam amplamente adotadas no monitoramento de qualidade de energia. A necessidade de grandes conjuntos de dados rotulados é um dos principais obstáculos. Muitos sistemas de monitoramento produzem grandes volumes de dados, mas nem sempre há disponibilidade de rótulos precisos, o que torna difícil treinar modelos supervisionados de maneira eficaz. Soluções como aprendizado semi-supervisionado, que combina dados rotulados e não rotulados, podem ser exploradas para resolver esse problema OLIVEIRA e BOLLEN (2023). Além disso, a complexidade e a opacidade dos modelos de aprendizado profundo representam um desafio para a interpretação dos resultados, o que é essencial em ambientes industriais onde a transparência e a explicabilidade dos modelos são fundamentais. Modelos de aprendizado explicável (XAI) estão sendo desenvolvidos para melhorar a interpretabilidade, permitindo que engenheiros de sistemas de energia compreendam melhor as decisões dos modelos e confiem nos resultados. Outra possível solução para esse desafio é a combinação de aprendizado profundo com sistemas especialistas, onde a experiência humana pode ajudar a guiar e validar os resultados dos modelos automáticos.
As arquiteturas de aprendizado profundo, como as CNNs, LSTMs e CNN-LSTM, continuarão a ser refinadas para lidar com a complexidade dos dados de qualidade de energia, e espera-se que avanços em hardware e metodologias de aprendizado também impulsionem a adoção dessas tecnologias em escala. A colaboração entre acadêmicos e a indústria será essencial para superar os desafios atuais e explorar plenamente o potencial do aprendizado profundo no monitoramento e análise da qualidade de energia.
7. Comparação entre Metodologias de Aprendizado Profundo e Técnicas Convencionais de Análise de Sinal
7.1. Metodologias Convencionais de Análise de Sinal
As técnicas convencionais de análise de sinal, como a Transformada de Fourier (FT), Transformada de Fourier de Tempo Curto (STFT), Transformada Wavelet (WT) e Transformada de Hilbert-Huang (HHT), têm sido historicamente utilizadas para detectar e classificar distúrbios de qualidade de energia devido à sua capacidade de decompor sinais complexos em componentes de frequência e analisar eventos de curta duração. Essas metodologias são especialmente úteis para identificar distorções harmônicas e outros distúrbios frequenciais, permitindo aos engenheiros de energia caracterizar sinais e identificar irregularidades de forma prática (SEKAR; SUBRAMANIAN; KARTHICK, 2020).
No entanto, esses métodos possuem limitações significativas ao lidar com sinais não estacionários e sistemas dinâmicos que mudam rapidamente. A Transformada de Fourier, por exemplo, assume que o sinal é estacionário dentro da janela de análise, o que não é ideal para eventos de curta duração, como transientes de alta frequência que surgem abruptamente e se dissipam rapidamente. Em comparação, a Transformada Wavelet permite uma análise em múltiplas resoluções de tempo e frequência, o que a torna mais adequada para sinais não estacionários. Contudo, a WT requer uma seleção precisa da wavelet-mãe, e essa escolha afeta a eficácia da técnica, exigindo conhecimento especializado e análise detalhada para cada tipo de distúrbio (OLIVEIRA; BOLLEN, 2023).
Além disso, a implementação de técnicas como a Transformada de Hilbert-Huang pode ser computacionalmente intensiva, especialmente para dados em tempo real. Isso torna as técnicas convencionais menos viáveis em redes modernas com grande volume de dados e alta complexidade, onde se espera análise em tempo real e resposta imediata a eventos anômalos. Em sistemas de energia cada vez mais complexos e interconectados, essas limitações apresentam um obstáculo para o monitoramento eficiente e eficaz da qualidade de energia.
7.2. Vantagens das Técnicas de Aprendizado Profundo
As técnicas de aprendizado profundo, como redes neurais convolucionais (CNNs) e redes de memória de curto e longo prazo (LSTMs), oferecem uma alternativa promissora às limitações dos métodos convencionais. O aprendizado profundo tem a capacidade de realizar extração automática de características, o que elimina a necessidade de engenharia de características manual — um processo que pode ser demorado e suscetível a erros humanos. Em vez de exigir uma decomposição manual do sinal, as CNNs, por exemplo, podem processar diretamente dados em forma de imagem ou sinais temporais para identificar padrões, reduzindo a dependência de pré-processamento complexo (SEKAR; SUBRAMANIAN; KARTHICK, 2020). Outro benefício das redes neurais profundas é a sua adaptabilidade e capacidade de lidar com o que se chama de “big data de qualidade de energia”.
Em redes modernas, onde o volume, a variedade e a velocidade dos dados desafiam as capacidades de análise tradicional, as CNNs e LSTMs podem lidar com grandes volumes de dados de forma eficiente, identificando automaticamente padrões em um conjunto de dados variado. Estudos mostram que CNNs são eficazes para classificar imagens de distúrbios de qualidade de energia, enquanto as LSTMs são particularmente úteis para prever a evolução de distúrbios ao longo do tempo, aproveitando suas capacidades de memória e recorrência (OLIVEIRA; BOLLEN, 2023).
Além disso, as redes de aprendizado profundo também oferecem flexibilidade para adaptar e ajustar o modelo com base em novos dados, o que é vantajoso em um cenário onde as características de carga e geração da rede podem mudar dinamicamente devido à integração de fontes renováveis. Isso proporciona uma precisão significativamente maior na classificação e detecção de distúrbios de qualidade de energia, como sags, swells, harmônicos e transientes, e permite que os sistemas de energia adotem respostas mais rápidas e eficazes.
7.3. Comparação de Precisão e Robustez
Um dos aspectos centrais que diferenciam o aprendizado profundo das técnicas convencionais é a robustez e precisão no reconhecimento de padrões, especialmente em ambientes ruidosos. Em testes comparativos, modelos de aprendizado profundo, como as CNNs, superaram os métodos convencionais ao classificar distúrbios de qualidade de energia em ambientes com ruído e em diferentes condições de sinal. No entanto, a precisão desses modelos depende fortemente da disponibilidade de grandes volumes de dados rotulados para treinamento. Essa dependência de dados de treinamento adequados é uma das principais limitações, pois nem sempre há dados rotulados suficientes para cobrir todos os tipos de distúrbios possíveis em cenários reais (SEKAR; SUBRAMANIAN; KARTHICK, 2020).
Por outro lado, os métodos convencionais ainda apresentam vantagens em situações onde os dados são limitados ou quando há necessidade de transparência e interpretabilidade dos resultados. Técnicas como a Transformada de Fourier e Wavelet ainda são amplamente utilizadas, especialmente para estudos exploratórios, devido à facilidade com que os resultados podem ser interpretados e verificados pelos engenheiros.
7.4. Limitações Atuais e Desafios do Aprendizado Profundo
Apesar das vantagens significativas, o aprendizado profundo enfrenta uma série de desafios ao ser aplicado em sistemas de qualidade de energia. A principal barreira é a “caixa preta” do aprendizado profundo — a falta de transparência e interpretabilidade das redes neurais profundas. Diferente das técnicas convencionais, onde os resultados podem ser rastreados até fórmulas e algoritmos conhecidos, as decisões tomadas por uma rede neural profunda são difíceis de entender e justificar, o que limita sua adoção em setores críticos que exigem explicações claras para cada decisão. Essa opacidade é uma preocupação importante para operadores de sistemas de energia que precisam de confiança e clareza nas ferramentas que utilizam (OLIVEIRA; BOLLEN, 2023).
Outra limitação significativa é a necessidade de grandes volumes de dados rotulados para treinamento. Em muitos casos, os dados de qualidade de energia são escassos ou não possuem os rótulos necessários para treinar modelos supervisionados de aprendizado profundo. Para contornar essa limitação, muitos pesquisadores utilizam dados sintéticos, o que pode introduzir viés e limitar a aplicabilidade dos modelos em dados reais. A falta de bancos de dados padrão e rotulados adequadamente também dificulta a comparação de desempenho entre diferentes algoritmos de aprendizado profundo, limitando o avanço da área como um todo (OLIVEIRA; BOLLEN, 2023).
7.5. Perspectivas Futuras e Soluções
Para superar as limitações do aprendizado profundo em aplicações de qualidade de energia, uma abordagem híbrida que combina aprendizado profundo com sistemas especialistas e técnicas de aprendizado explicável (XAI) tem se mostrado promissora. O aprendizado explicável permite que os modelos de aprendizado profundo forneçam insights interpretáveis sobre suas decisões, melhorando a confiança e facilitando a integração com sistemas de tomada de decisão existentes. Além disso, a combinação com sistemas especialistas permite integrar o conhecimento humano especializado ao processo de classificação e análise, maximizando a eficácia dos modelos automáticos enquanto mantém a confiabilidade (SEKAR; SUBRAMANIAN; KARTHICK, 2020).
Além disso, esforços colaborativos entre academia e indústria são fundamentais para desenvolver e manter bases de dados abertas e padronizadas que permitam o treinamento e a validação de modelos de aprendizado profundo. Esses bancos de dados devem conter uma ampla gama de eventos de qualidade de energia, variáveis e em condições reais, proporcionando um ambiente de teste mais robusto e representativo do mundo real. A implementação de padrões internacionais para compartilhamento de dados também ajudaria a uniformizar a coleta e a rotulagem dos dados, permitindo comparações mais precisas entre os métodos e promovendo o avanço da pesquisa na área de qualidade de energia.
Finalmente, o desenvolvimento de abordagens semi-supervisionadas e auto supervisionadas oferece uma solução promissora para lidar com a escassez de dados rotulados, permitindo que os modelos de aprendizado profundo sejam treinados com menos dados rotulados, aumentando a aplicabilidade em cenários reais e reduzindo o custo e o tempo de preparação dos dados.
8. Metodologia para Classificação de Distúrbios de Qualidade de Energia
A metodologia proposta abrange várias etapas para o processamento e classificação de distúrbios de qualidade de energia, desde a coleta de dados até a classificação utilizando técnicas de aprendizado profundo. As principais fases incluem a coleta de dados, pré-processamento, extração de características, modelagem com redes neurais, e uma análise de desempenho para garantir a precisão e confiabilidade do modelo.
8.1. Coleta de Dados
A coleta de dados é o primeiro passo para garantir uma base sólida para a classificação de distúrbios de qualidade de energia. Dados reais de distúrbios, como sag (queda de tensão), swell (elevação de tensão), transientes de alta frequência e harmônicos, são coletados de sistemas elétricos ou simulados de acordo com normas estabelecidas, como IEEE 1159. Essa norma define os parâmetros e limites de cada tipo de distúrbio, o que permite simular eventos de qualidade de energia representativos que atendam aos critérios de classificação padrão (SAEED et al., 2023).
No caso de dados simulados, é importante gerar uma variedade de distúrbios para cobrir diferentes condições de operação e ambientes de rede. A simulação inclui tanto eventos únicos quanto múltiplos, assegurando que o modelo seja capaz de identificar e classificar distúrbios complexos e combinações de eventos, como uma queda de tensão com harmônicos superpostos (ALSHAHRANI; ABBOD; TAYLOR, 2016).
8.2. Pré-processamento de Dados
Após a coleta, o pré-processamento dos dados é essencial para melhorar a qualidade dos sinais e preparar as entradas para as redes neurais. Esta etapa pode incluir o seguinte:
Filtragem de ruídos: Aplicação de filtros passa-baixa e passa-alta para remover ruídos indesejados que poderiam interferir na análise, mantendo apenas as frequências relevantes para cada tipo de distúrbio.
Normalização: Padronização da amplitude dos sinais para garantir uma análise consistente entre diferentes distúrbios e facilitar a convergência dos modelos de aprendizado profundo.
Segmentação de sinais: Divisão dos sinais em janelas temporais para permitir que eventos específicos sejam isolados e analisados individualmente, uma técnica particularmente útil para distúrbios que ocorrem de forma intermitente (ALSHAHRANI; ABBOD; TAYLOR, 2016).
Essas etapas de pré-processamento garantem que os dados estejam limpos e estruturados antes de avançar para a extração de características, reduzindo a interferência de ruídos e melhorando a precisão do modelo de classificação.
8.3. Extração de Características com a Transformada de Hilbert-Huang (HHT)
A Transformada de Hilbert-Huang (HHT) é uma técnica fundamental para a análise de sinais não estacionários e é particularmente eficaz para distúrbios de qualidade de energia, que frequentemente apresentam variações complexas ao longo do tempo. A HHT utiliza a Decomposição de Modo Empírico (EMD) para dividir o sinal original em um conjunto de funções de modo intrínseco (IMFs). Cada IMF representa uma componente de frequência específica, desde as mais altas até as mais baixas frequências (ALSHAHRANI; ABBOD; TAYLOR, 2016).
No contexto de distúrbios de qualidade de energia, as IMFs permitem isolar componentes de frequência e amplitude associadas a eventos específicos, como picos transitórios ou oscilações harmônicas. A HHT, ao analisar cada IMF, oferece uma visão detalhada das frequências instantâneas e amplitudes do sinal, características que são fundamentais para diferenciar entre tipos de distúrbios.
Esta técnica é particularmente vantajosa em relação a métodos convencionais, como a Transformada de Fourier, pois permite analisar sinais em múltiplas resoluções temporais, fornecendo um “espectro” que captura as mudanças temporais de frequência, essenciais para uma classificação precisa de eventos transitórios e variações harmônicas (SAEED et al., 2023; ALSHAHRANI; ABBOD; TAYLOR, 2016).
8.4. Modelagem com Redes Neurais para Classificação
Com as características extraídas pela HHT, os dados estão prontos para serem processados por redes neurais profundas que realizam a classificação dos distúrbios. Neste estudo, são utilizados dois tipos principais de redes neurais: Redes Neurais Convolucionais (CNNs) e Redes de Memória de Longo Prazo (LSTM). Ambas as redes desempenham papéis específicos na análise e classificação dos distúrbios de qualidade de energia.
Redes Neurais Convolucionais (CNNs)
As CNNs são escolhidas pela sua habilidade em detectar padrões espaciais e extrair características discriminativas dos sinais processados. As CNNs operam aplicando filtros convolucionais aos dados, o que permite identificar padrões característicos de cada tipo de distúrbio. No modelo DeepPQDS-FKTNet, camadas convolucionais configuradas com a Transformada Fukunaga-Koontz (FKT) são usadas para adaptar automaticamente o número de filtros necessários para capturar as variações específicas dos distúrbios de qualidade de energia (SAEED et al., 2023).
A CNN lida diretamente com as características temporais e espectrais extraídas pela HHT, classificando eventos como sags, swells e transientes de alta frequência com alta precisão. A vantagem das CNNs é a eliminação da necessidade de realizar engenharia de características manual, uma vez que o modelo é capaz de aprender as características mais relevantes diretamente a partir dos dados de entrada, o que aumenta a robustez e eficiência do sistema de classificação.
8.5. Redes de Memória de Longo Prazo (LSTM)
As redes LSTM complementam o processo ao modelar as dependências temporais dos distúrbios de qualidade de energia. Em particular, as LSTMs são úteis para eventos que apresentam variações no tempo, como oscilações e harmônicos que se manifestam de forma contínua ou periódica. A LSTM utiliza células de memória que retém informações ao longo do tempo, permitindo que o modelo capture padrões sequenciais e temporais presentes nos (ALSHAHRANI; ABBOD; TAYLOR, 2016).
Combinadas com as CNNs, as LSTMs são capazes de aprimorar a precisão do sistema ao incorporar tanto a análise espacial quanto a temporal dos dados de distúrbios. Esse modelo híbrido CNN-LSTM é particularmente eficaz em redes de geração distribuída e sistemas de energia complexos, onde a variabilidade das fontes e cargas introduz dinâmicas de qualidade de energia que exigem uma análise em múltiplas dimensões.
8.6. Classificação e Validação
Após a aplicação das redes neurais, os dados são submetidos a um classificador que categoriza automaticamente os distúrbios de acordo com as características extraídas. O sistema de classificação é treinado e validado utilizando técnicas de validação cruzada, dividindo o conjunto de dados em segmentos de treinamento e teste para avaliar a precisão e a robustez do modelo.
As redes CNN e LSTM recebem treinamento supervisionado, onde as características de cada distúrbio previamente rotuladas são usadas para ensinar o modelo a distinguir entre eventos distintos. Isso assegura que o modelo aprenda a reconhecer padrões e diferenciar entre distúrbios similares, como sags e swells que podem ter características parecidas, mas apresentam efeitos distintos na qualidade de energia.
8.7. Avaliação e Métricas de Desempenho
Para avaliar o desempenho do sistema, são utilizadas métricas comuns de aprendizado de máquina, como acurácia, precisão, revocação e F1-score. Essas métricas oferecem uma visão abrangente da capacidade do modelo de classificar corretamente os distúrbios de qualidade de energia. O modelo DeepPQDS-FKTNet, por exemplo, alcançou uma acurácia superior a 95% em ambientes com ruído, demonstrando sua eficácia em comparação com metodologias convencionais, como FFT e WT, que tendem a ter um desempenho inferior em condições ruidosas e em eventos não estacionários (SAEED et al., 2023).
A análise dos resultados é complementada pela curva ROC (Receiver Operating Characteristic), que mostra a taxa de verdadeiros positivos versus a taxa de falsos positivos, fornecendo uma avaliação visual do desempenho do classificador.
9. Resultados e Discussão
9.1. Dados Simulados e Características dos Distúrbios
Para avaliar a eficácia dos modelos de classificação de distúrbios de qualidade de energia, um conjunto de dados simulados foi gerado com base na norma IEEE 1159-2009. Essa norma define as características de distúrbios como sag (queda de tensão), swell (elevação de tensão), harmônicos e transientes oscilatórios, permitindo a criação de dados que representam fielmente eventos de qualidade de energia. A frequência de amostragem foi definida em 25 kHz para capturar as nuances dos eventos e assegurar que os dados simulados fossem detalhados o suficiente para análise precisa. Além disso, para testar a robustez dos modelos em condições realistas, foi adicionado ruído branco gaussiano aos dados, variando o SNR (Signal-to-Noise Ratio) entre 50 dB e 20 dB (HOLE; NAIK, 2020). Esse ruído adiciona complexidade ao sinal, simulando o ambiente ruidoso encontrado em redes elétricas reais e desafiando a capacidade dos modelos de identificar corretamente os distúrbios.
Os dados foram processados por meio da Transformada de Hilbert-Huang (HHT), uma técnica que permite decompor sinais complexos em componentes de frequência, capturando as variações temporais essenciais para classificar com precisão os diferentes tipos de distúrbios. Em seguida, os modelos de aprendizado profundo, incluindo redes LSTM (Long Short-Term Memory) e CNN (Convolutional Neural Network), foram aplicados para classificar os eventos. A escolha desses modelos se baseou em sua capacidade de lidar com sinais não estacionários e em sua eficácia na extração automática de características relevantes para a classificação dos distúrbios (SEKAR et al., 2020).
9.2. Desempenho dos Modelos: Análise de Acurácia e Robustez
As redes LSTM, projetadas para capturar dependências temporais de longo prazo, mostraram-se altamente eficazes na classificação de distúrbios com características temporais específicas, como oscilações harmônicas e transientes de alta frequência. Em condições ideais (sem ruído), o modelo LSTM alcançou uma acurácia média de 93%, e mesmo em condições de ruído mais intensas (SNR de 20 dB), a acurácia permaneceu elevada, em torno de 88%. Esse desempenho destaca a robustez das LSTM, que conseguem manter a precisão em ambientes ruidosos onde a identificação de eventos de qualidade de energia é mais complexa (SHEN et al., 2024).
As redes CNN, por sua vez, apresentaram um desempenho ligeiramente superior em termos de acurácia, atingindo 95% em dados sem ruído e 89% com SNR de 20 dB. Esse modelo se destacou particularmente na classificação de distúrbios de amplitude, como sag e swell, devido à sua capacidade de detectar padrões espaciais e de amplitude nos sinais de entrada. A CNN mostrou-se robusta e eficiente, capaz de identificar características específicas dos distúrbios com rapidez e precisão, facilitando a classificação dos eventos com menor custo computacional em comparação com as LSTM (OLIVEIRA; BOLLEN, 2023).
9.3. Comparação com Técnicas Convencionais: KNN e Naive Bayes
Para fins comparativos, métodos convencionais de classificação, como K-Nearest Neighbors (KNN) e Naive Bayes (NB), foram também aplicados aos dados simulados. Em condições sem ruído, o KNN alcançou uma acurácia média de 87%, enquanto o NB registrou 85%. No entanto, em condições de SNR mais baixas (20 dB), a precisão desses modelos caiu substancialmente, com o KNN e o NB alcançando acurácias de 78% e 76%, respectivamente. Essa queda no desempenho evidencia a sensibilidade dos métodos convencionais ao ruído, uma vez que dependem de aproximações menos sofisticadas na extração de características dos sinais. Em comparação, os modelos de aprendizado profundo, como LSTM e CNN, demonstraram maior robustez e estabilidade, mantendo altos índices de acurácia mesmo em ambientes ruidosos (HOLE; NAIK, 2020).
9.4. Eficiência Computacional e Tempo de Processamento
Além da acurácia, a eficiência computacional foi considerada como um fator crítico para aplicações em monitoramento de qualidade de energia em tempo real. A CNN demonstrou um tempo de processamento inferior ao da LSTM, devido à estrutura de suas operações convolucionais, que são menos exigentes computacionalmente do que as dependências temporais processadas pelas LSTM. Em média, o tempo de inferência por evento foi de aproximadamente 12 ms para a CNN e 20 ms para a LSTM, evidenciando uma vantagem das CNNs em aplicações que requerem respostas rápidas. Por outro lado, o KNN e o NB, embora mais rápidos (com tempos de 8 ms e 6 ms, respectivamente), apresentaram uma redução significativa na precisão, especialmente sob condições de ruído, limitando sua aplicabilidade em ambientes mais complexos (SEKAR et al., 2020).
9.5. Interpretação dos Resultados
Os resultados obtidos indicam que as redes neurais profundas, como LSTM e CNN, são métodos promissores e eficazes para a classificação de distúrbios de qualidade de energia, especialmente em ambientes que apresentam alta variabilidade e ruído. A CNN se mostrou particularmente eficiente para distúrbios que envolvem variações abruptas de amplitude, como sags e swells, enquanto a LSTM demonstrou ser mais adequada para distúrbios que exigem uma análise sequencial de longo prazo, como oscilações e harmônicos persistentes. Essas características tornam as redes LSTM e CNN ideais para o monitoramento contínuo e em tempo real de sistemas de energia, oferecendo uma combinação vantajosa de precisão, robustez e eficiência.
No entanto, uma limitação significativa das redes neurais profundas é a necessidade de grandes volumes de dados rotulados para o treinamento adequado dos modelos. Em muitas redes de energia, a coleta de dados rotulados em quantidade suficiente pode ser um desafio, limitando a aplicabilidade dessas redes em contextos onde a disponibilidade de dados é restrita. Em contrapartida, métodos convencionais como KNN e NB ainda podem ser úteis para sistemas de menor complexidade, onde o ruído é mínimo e a necessidade de dados para treinamento é reduzida, além de apresentarem uma implementação mais simples e um custo computacional inferior (OLIVEIRA; BOLLEN, 2023)
10. Conclusão
O presente estudo explorou a aplicação de técnicas de aprendizado profundo, especificamente redes LSTM e CNN, para o monitoramento e classificação de distúrbios de qualidade de energia. Comparando essas técnicas com métodos convencionais, como K-Nearest Neighbors (KNN) e Naive Bayes (NB), verificou-se que as redes neurais profundas proporcionam vantagens significativas em termos de precisão, robustez e capacidade de adaptação a sinais ruidosos e variáveis. Ao longo das simulações, as redes LSTM e CNN demonstraram-se superiores aos métodos tradicionais, alcançando uma acurácia média de 93% e 95%, respectivamente, mesmo em condições adversas de ruído.
As redes LSTM mostraram-se eficazes na análise de eventos de longa duração, como oscilações e variações harmônicas, capturando dependências temporais que seriam difíceis de modelar com outras abordagens. Por sua vez, as CNNs apresentaram-se altamente eficazes na detecção de variações abruptas, como sags e swells, identificando características espaciais e frequenciais com precisão. Esses resultados indicam que as técnicas de aprendizado profundo são especialmente adequadas para lidar com a complexidade e a variabilidade inerentes aos distúrbios de qualidade de energia, o que representa um avanço promissor para o setor.
Contudo, o estudo também revelou desafios práticos, como a necessidade de grandes volumes de dados rotulados para o treinamento dos modelos e a complexidade computacional das redes profundas, que podem limitar a aplicação em tempo real em alguns sistemas. Além disso, a falta de interpretabilidade das redes neurais, devido à sua natureza de “caixa preta”, pode dificultar sua aceitação em ambientes industriais, onde a clareza e justificativa das decisões são cruciais.
Para superar essas limitações, futuras pesquisas devem focar no desenvolvimento de modelos híbridos que combinem redes neurais com técnicas de aprendizado explicável (XAI), o que pode melhorar a interpretabilidade dos resultados e aumentar a confiabilidade dos sistemas baseados em IA. Além disso, abordagens de aprendizado semi-supervisionado ou não supervisionado podem reduzir a dependência de dados rotulados, tornando o aprendizado profundo mais viável para o monitoramento de qualidade de energia.
Em conclusão, as redes LSTM e CNN representam um grande avanço no monitoramento e classificação de distúrbios de qualidade de energia, destacando-se pela precisão e robustez em cenários complexos e ruidosos. Com novas pesquisas voltadas para a superação das limitações identificadas, espera-se que as técnicas de aprendizado profundo possam ser integradas de forma mais eficaz nos sistemas de monitoramento de qualidade de energia, trazendo maior confiabilidade e eficiência para o setor elétrico em um futuro próximo.
REFERÊNCIAS
1. HOLE, Sonali D.; NAIK, Chirag A. Power Quality Events’ Classification Employing Discrete Wavelet Transform and Machine Learning. In: 2020 IEEE 7th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON). IEEE, 2020. p. 1-6.
2. SEKAR, Kavaskar; SUBRAMANIAN, Sendil Kumar; KARTHICK, K. Power Quality Disturbance Detection Using Machine Learning Algorithm. In: 2020 IEEE International Conference on Advances and Developments in Electrical and Electronics Engineering (ICADEE), 2020. p. 1-6.
3. SAEED, Fahman; ALDERA, Sultan; ALKHATIB, Mohammad; AL-SHAMMA’A, Abdullrahman A.; FARH, Hassan M. Hussein. A Data-Driven Convolutional Neural Network Approach for Power Quality Disturbance Signal Classification (DeepPQDS-FKTNet). Mathematics, v. 11, p. 4726, 2023.
4. OLIVEIRA, Roger Alves de; BOLLEN, Math H.J. Deep learning for power quality. Electric Power Systems Research, v. 214, p. 108887, 2023.
5. SHEN, Yu; HU, Wei; DONG, Mingqi; YANG, Fan; YANG, Zhichun; CHEN, Hechong. A risk warning method for steady-state power quality based on VMD-LSTM and fuzzy model. Heliyon, v. 10, e30597, 2024.
6. ALSHAHRANI, Saeed; ABBOD, Maysam; TAYLOR, Gareth. Detection and Classification of Power Quality Disturbances Based on Hilbert-Huang Transform and Feed Forward Neural Networks. In: 2016 IEEE International Conference, Londres, Reino Unido, 2016.
7. BHENDE, C. N.; MISHRA, S.; PANIGRAHI, B. K. Detection and classification of power quality disturbances using S-transform and modular neural network. Electric Power Systems Research, v. 78, n. 1, p. 122-128, 2008.
8. MOHAN, Neethu; SOMAN, K.P.; VINAYAKUMAR, R. Deep Power: Deep Learning Architectures for Power Quality Disturbances Classification. In: IEEE International Conference on Technological Advancements in Power and Energy (TAP Energy), 2017.
1 Igor da Silva Nicolau, discente de engenharia elétrica do centro universitário santo agostinho e-mail: igornicolaueng@gmail.com
2 Stênio de Sousa coelho, docente de engenharia elétrica do centro universitário santo agostinho. Mestre em engenharia elétrica pela universidade federal do Piauí (UFPI). e-mail: stenio.coelho@unifsa.com.br