Classificação de distúrbios de Qualidade de Energia Elétrica via transformada Wavelet e Aprendizado de Máquina.

Abstract

A crescente complexidade das redes elétricas modernas e a proliferação de cargas não lineares intensificam a suscetibilidade dos sistemas a distúrbios de qualidade de energia elétrica (PQD), exigindo métodos de diagnóstico automáticos, escaláveis e robustos. O desafio central na classificação automática de PQDs reside na identificação de eventos transitórios e distúrbios combinados operando sob regimes severos de ruído e variações estocásticas. Neste contexto, este trabalho desenvolve e avalia um pipeline computacional para a classificação de 16 classes de PQD baseadas na norma IEEE 1159. Para reduzir o risco de sobreajuste, construiu-se um banco de dados sintético de grande porte composto por 160.000 sinais, submetidos a variações paramétricas aleatórias (profundidade, duração) e a diferentes níveis de ruído branco gaussiano aditivo (AWGN). O ângulo de fase foi mantido fixo, reconhecendo-se essa escolha como uma limitação do experimento. A representação no domínio tempo-frequência foi conduzida pela transformada wavelet packet (WPT, família db8, nível 4), extraindo-se um vetor de 208 atributos com foco em formulações entrópicas (Log-Energy, Permutação, Shannon e Rényi). O benchmark preditivo comparou a análise discriminante linear (LDA), o random forest (RF) e a rede perceptron multicamadas (MLP). Os resultados indicam empiricamente a não linearidade do espaço de características sob estresse ruidoso, evidenciada pela estagnação do LDA em 85,39% de acurácia e alto log-loss. A MLP atingiu 95,21% de acurácia global e 0,95 de Macro-F1. A análise de poder discriminativo pelo Fisher Score indica que as métricas de entropia estão entre os atributos mais discriminativos, preservando a assinatura topológica da desorganização da falha mesmo quando a amplitude é mascarada pelo ruído. Conclui-se que a extração wavelet orientada à entropia, aliada a classificadores não lineares clássicos, apresenta generalização competitiva com a literatura recente, prescindindo do elevado custo computacional de arquiteturas profundas.