Um conjunto de dados de oscilogramas do mundo real de redes elétricas

Por que pequenos solavancos elétricos importam

Cada segundo, vastas redes de energia mantêm silenciosamente nossas luzes acesas, hospitais em funcionamento e centros de dados operando. Escondidos dentro das subestações, dispositivos de proteção escutam constantemente o pulso da rede — sinais de tensão e corrente que revelam se tudo está saudável ou à beira de uma falha. Este artigo descreve um novo e público repositório desses “batimentos”, um conjunto de dados de oscilogramas do mundo real que captura como os sistemas de energia se comportam durante operação normal, perturbações leves e falhas graves. Ele foi projetado para ajudar engenheiros e sistemas de inteligência artificial a tornar nosso fornecimento de eletricidade mais confiável e resiliente.

Escutando a rede

Subestações modernas estão cheias de terminais de proteção por relés e automação, dispositivos que monitoram a rede e acionam instantaneamente disjuntores quando algo dá errado. À medida que os sistemas de energia se tornam mais complexos — com demanda flutuante, fontes renováveis e eletrônicos sensíveis — esses relés precisam distinguir flutuações inofensivas de falhas perigosas em frações de segundo. Eles fazem isso registrando oscilogramas: séries temporais detalhadas de tensões e correntes amostradas milhares de vezes por segundo. Até agora, a maior parte da pesquisa e muitos esquemas de proteção baseados em IA dependeram fortemente de sinais sintéticos gerados por computador, que não conseguem reproduzir totalmente a complexidade das redes reais, como erros de sensores, cargas imprevisíveis ou perturbações induzidas por raios.

Uma grande biblioteca de sinais do mundo real

Os autores reuniram um conjunto de dados com 50.765 oscilogramas coletados em subestações industriais, principalmente em redes de média tensão entre 0,4 e 35 quilovolts. Esses registros provêm de comissionamentos rotineiros de equipamentos e de investigações de eventos reais na rede. Todos os arquivos estão armazenados no formato padrão COMTRADE, amplamente usado na indústria de energia, e também são fornecidos como arquivos CSV pré-processados para análise de dados e aprendizado de máquina. Para proteger privacidade e informações comerciais, a equipe removeu nomes de instalações e fabricantes, datas de gravação e nomes originais dos arquivos, além de padronizar a forma como os sinais são rotulados, de modo que os usuários vejam um conjunto consistente de canais de tensão e corrente independentemente da marca do dispositivo ou da configuração da subestação.

Interpretando os sinais

Um subconjunto cuidadosamente selecionado de 480 oscilogramas recebeu anotações humanas detalhadas. Especialistas revisaram os sinais analógicos e dividiram cada momento no tempo em quatro grupos intuitivos: operação normal ou ruído puro, operações rotineiras de chaveamento como abertura de disjuntores ou partida de motores, eventos anormais que desviam das normas mas não exigem desligamento imediato, e eventos de falha graves que devem acionar dispositivos de proteção. Essa rotulagem de alta resolução permite que pesquisadores treinem e testem algoritmos que não apenas detectem que “algo aconteceu”, mas também reconheçam que tipo de evento foi. A equipe também filtrou a coleção mais ampla para identificar mais de 20.000 oscilogramas que contêm perturbações claras, fornecendo um ponto de partida focado para quem se interessa por comportamentos incomuns.

Das ondas brutas à proteção mais inteligente

Para verificar a qualidade de suas etiquetas, os autores treinaram vários tipos de redes neurais no subconjunto anotado. Primeiro, eles usaram um autoencoder — um modelo de IA que comprime sinais em uma descrição interna compacta e depois os reconstrói — para aprender características diretamente das formas de onda. Quando essas descrições comprimidas foram visualizadas, as quatro categorias de eventos formaram agrupamentos claramente separados, mostrando que as etiquetas de especialistas capturaram diferenças reais nos sinais. Classificadores padrão, como redes convolucionais e recorrentes, conseguiram então reconhecer os quatro tipos de evento com alta precisão, especialmente para eventos anormais e de falha. Isso demonstra que o conjunto de dados é bem adequado para desenvolver e avaliar métodos de aprendizado de máquina para monitoramento da rede.

Construindo uma base para a inteligência futura da rede

Para não-especialistas, a principal conclusão é que este conjunto de dados oferece um laboratório realista para melhorar como protegemos e controlamos redes elétricas. Como inclui dados rotulados e não rotulados, e porque as ferramentas de processamento são disponibilizadas abertamente, pesquisadores podem explorar desde detecção básica de anomalias até esquemas avançados de proteção adaptativa que se ajustam às condições variáveis da rede. Ao longo do tempo, modelos treinados e validados nesses oscilogramas reais podem ajudar concessionárias a detectar problemas mais cedo, reduzir apagões e integrar mais geração renovável com segurança — tornando a infraestrutura invisível por trás da vida cotidiana mais robusta e inteligente.

Citação: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

Palavras-chave: confiabilidade da rede elétrica, detecção de falhas, conjunto de dados de oscilogramas, proteção por relés, aprendizado de máquina em energia