Classificação da saturação de transformadores de corrente (TC) usando decomposição modal empírica (EMD) e máquina de vetores de relevância (RVM)

Por que isso importa para manter a luz acesa

Redes elétricas modernas dependem de dispositivos de proteção que precisam decidir, em poucos milésimos de segundo, se devem desconectar equipamentos quando ocorre uma falta. Essas decisões se baseiam em sensores chamados transformadores de corrente (TC), que reduzem correntes altas para que a eletrônica possa medi-las com segurança. Quando os TCs entram em “saturação”, eles deixam de reportar a corrente verdadeira, e os sistemas de proteção podem hesitar ou operar indevidamente—arriscar apagões ou danos ao equipamento. Este estudo apresenta um novo método dirigido por dados para detectar a saturação de TC de forma rápida e confiável, mesmo sob condições de rede ruidosas e rapidamente variáveis.

A fraqueza oculta em um sensor crítico

Transformadores de corrente atuam como funis de medição precisos, convertendo milhares de amperes em uma linha de energia em um sinal pequeno e manejável para relés e medidores. Mas durante faltas—como curtos em linhas de transmissão longas—o núcleo magnético do TC pode ser levado além de sua zona segura. Uma vez saturado, a forma de onda de saída fica distorcida e “achatada”, deixando de espelhar fielmente a corrente real. Relés de proteção que dependem desse sinal distorcido podem julgar mal se uma falta está dentro ou fora de uma zona protegida. Abordagens anteriores para detectar saturação tipicamente usavam limites fixos, declives simples da forma de onda ou modelos específicos de TC, e frequentemente enfrentavam dificuldades com ruído, cargas variáveis e saturação inicial sutil.

Simulando muitas maneiras de a rede falhar

Para testar rigorosamente novas ideias, os autores construíram um modelo detalhado de sistema de potência no PSCAD, conectando um gerador, linha de transmissão e equipamentos de proteção. Eles injetaram faltas em muitos pontos diferentes da linha, variaram tipos de falta (como falta terra-fase e faltas trifásicas), ajustaram a resistência da falta e alteraram o ângulo em que a falta começou na onda de tensão. Também modificaram fatores específicos do TC, como a carga no secundário, a remanência magnética no núcleo do TC e o nível de ruído nas medições. Usando um modelo realista de histerese para o TC, geraram mais de 200.000 exemplos de formas de onda de corrente abrangendo três categorias: sem saturação, saturação leve e saturação severa. Esse grande conjunto de dados, cuidadosamente estruturado, garantiu que o método fosse testado nas condições que engenheiros de proteção encontram na prática.

Dividindo ondas complexas em partes mais simples

O núcleo do esquema proposto é um método de processamento de sinal chamado Decomposição Modal Empírica (EMD). Em vez de assumir que todos os sinais podem ser descritos por senos fixos, a EMD divide adaptativamente cada forma de onda de corrente do TC em blocos construtivos mais simples chamados Funções de Modo Intrínseco. Esses componentes isolam naturalmente surtos de alta frequência e alterações sutis de forma que aparecem quando um TC começa a saturar. A partir desses componentes, os autores calculam um conjunto compacto de características descritivas: como a energia é distribuída nas frequências, quão “pontiaguda” ou assimétrica a onda se torna, como sua frequência instantânea salta e quão espalhada ou ordenada a energia está ao longo do tempo. Juntas, essas características capturam sinais de saturação óbvios e ocultos que passariam despercebidos a olho nu.

Deixando um classificador inteligente tomar a decisão

Uma vez extraídas as características, elas são alimentadas em um modelo de aprendizado de máquina chamado Máquina de Vetores de Relevância (RVM) e, para comparação, em uma Máquina de Vetores de Suporte (SVM) padrão. Ambos os classificadores aprendem com 80% dos casos simulados e são então testados nos 20% restantes. A RVM adota uma abordagem bayesiana: ela descarta automaticamente características não informativas, mantendo apenas um pequeno conjunto de “vetores de relevância” que importam mais para a decisão. Isso resulta em um modelo compacto que ainda fornece probabilidades para se um dado sinal é normal, levemente saturado ou severamente saturado. Os autores mostram que as características da EMD separam essas três classes de forma clara quando visualizadas, e que a RVM pode chegar a uma decisão em cerca de 23,5 milissegundos—rápido o suficiente para ficar bem à frente dos tempos típicos de decisão de relés de 50–60 milissegundos.

Quão bem funciona e próximos passos

Em milhares de casos de teste, ambos os classificadores detectam a saturação do TC com precisão muito alta, mas a RVM apresenta desempenho consistentemente superior. No geral, a RVM classifica corretamente cerca de 99,7% dos casos, com desempenho especialmente forte em condições normais e de saturação leve, onde distorções sutis são mais importantes. Ela precisa de muito menos pontos de suporte que a SVM, tornando-a computacionalmente eficiente e atraente para uso em tempo real em relés digitais. A equipe também construiu um arranjo de hardware-in-the-loop em laboratório para gerar formas de onda reais de TC sob condições de falta controladas, estabelecendo a base para validar o método além das simulações. Em termos simples, o estudo mostra que ao combinar decomposição adaptativa de sinais com um modelo de aprendizado probabilístico enxuto, concessionárias podem detectar a saturação de TC cedo e de forma confiável—ajudando relés de proteção a tomar decisões melhores e mais rápidas e melhorando a resiliência geral da rede elétrica.

Citação: Chothani, N., Vyas, P., Sonawane, C. et al. Current transformer (CT) saturation classification using empirical mode decomposition (EMD) and relevance vector machine (RVM). Sci Rep 16, 5754 (2026). https://doi.org/10.1038/s41598-026-35444-2

Palavras-chave: saturação de transformador de corrente, proteção de sistemas de energia, detecção de faltas, decomposição modal empírica, aprendizado de máquina em redes