Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/41079| Título: | Desenvolvimento de proteção diferencial restrita a terra utilizando técnicas de análise de dados e aprendizagem de máquina |
| Título(s) alternativo(s): | Development of restricted earth-fault differential protection using data analysis and machine learning techniques |
| Autor(es): | Coelho, Elias Junio Muller |
| Orientador(es): | Silva, Murilo da |
| Palavras-chave: | Transformadores elétricos Aprendizado do computador Sistemas especialistas (Computação) Electric transformers Machine learning Expert systems (Computer science) |
| Data do documento: | 1-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Cornelio Procopio |
| Citação: | COELHO, Elias Junio Muller. Desenvolvimento de proteção diferencial restrita a terra utilizando técnicas de análise de dados e aprendizagem de máquina. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2025. |
| Resumo: | No sistema de transmissão e distribuição de energia elétrica, o equipamento de maior importância técnica, operacional e maior custo financeiro é o transformador de potência. Este equipamento necessita de uma proteção que seja confiável e segura, geralmente utilizada a proteção diferencial. Esta utiliza como critério de atuação a diferença vetorial das correntes lidas na entrada e na saída do equipamento a qual pretende-se proteger. Entretanto, para transformadores de potência ligados em delta- estrela aterrada, uma falta interna próxima ao neutro gera pouca corrente nas linhas, desta forma, não ocorre a diferença vetorial entre as correntes e, consequentemente, a proteção não atua. Diante o exposto, evidencia-se o estudo de novas formas de proteger ou sinalizar os problemas desta natureza. Este trabalho buscou desenvolver uma proteção diferencial restrita a terra a partir de técnicas de análise de dados e algoritmos de aprendizagem de máquina. Desta forma, foi utilizado um banco de dados com 50435 casos e sinais de quatro correntes no domínio da frequência, medidas do lado estrela do transformador. As quatro correntes representam as correntes de fase e de neutro e, os componentes de frequências estudados foram os componentes corrente contínua (0 Hz), fundamental (60Hz) e componentes harmônicos de até 5a ordem (300 Hz). Os casos foram submetidos a três métodos de seleção de atributos, ranqueando assim os atributos mais significativos para realizar a detecção de faltas internas próximas ao neutro. Posteriormente, cinco algoritmos de aprendizagem de máquina foram utilizados como classificadores e submetidos a métodos de ajuste de parâmetros em grade e validação cruzada. Com isso, os algoritmos árvore de decisão e floresta aleatória apresentaram, respectivamente, acurácias de 99,51% e 99,59% e comportamentos estáveis a partir de análises de desvio padrão e variância. Assim, estes algoritmos mostraram potenciais para a criação de um algoritmo classificador para proteção restrita a terra, fornecendo uma análise inicial para desenvolvimento em trabalhos futuros. |
| Abstract: | In power transmission and distribution systems, the most technically, operationally, and financially significant equipment is the power transformer. This device requires reliable and secure protection, typically achieved through differential protection. This method operates based on the vector difference of currents measured at the input and output of the equipment to be protected. However, for delta-wye grounded connected power transformers, an internal fault near the neutral generates low line currents, which prevents the occurrence of a vector difference between currents and, consequently, the protection does not operate. Given this limitation, new approaches to protect or signal such issues are required. This work aimed to develop a Restricted Earth Fault (REF) differential protection scheme using data analysis techniques and machine learning algorithms. A database of 50,435 cases was used, containing signals of four currents in the frequency domain, measured on the wye side of the transformer. These currents represent phase and neutral currents, and the frequency components studied included DC (0 Hz), fundamental (60 Hz), and harmonic components up to the 5th order (300 Hz). The cases were subjected to three feature selection methods, ranking the most significant attributes for detecting internal faults near the neutral. Subsequently, five machine learning algorithms were applied as classifiers, with parameter tuning using grid search and cross-validation. As a result, the decision tree and random forest algorithms achieved accuracies of 99.51% and 99.59%, respectively, and demonstrated stable behavior based on standard deviation and variance analyses. Thus, these algorithms showed potential for the development of a Restricted Earth Fault classifier, providing an initial analysis for future research. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/41079 |
| Aparece nas coleções: | CP - Engenharia Elétrica |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| desenvolvimentoprotecaodiferencial.pdf | 1,37 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
