Uma estrutura híbrida em conjunto e explicável de IA (XAI) para detecção de ilhamento sem falsos positivos em redes de distribuição

Por que manter as luzes seguras realmente importa

À medida que residências e cidades adicionam mais painéis solares em telhados, pequenas turbinas eólicas e outras fontes de energia locais, nossa rede elétrica torna-se mais limpa, mas também mais complexa. Um dos perigos mais sérios nesse novo cenário é o “ilhamanto” (islanding), uma situação em que um bairro continua a produzir eletricidade mesmo após ter sido desconectado da rede principal. Este artigo apresenta um sistema inteligente de inteligência artificial em duas etapas que visa detectar ilhamento de forma rápida e confiável, evitando cortes desnecessários que incomodam consumidores e sobrecarregam a rede.

Quando um bairro vira sua própria ilha

Imagine uma rua onde a linha de alimentação principal foi desligada para manutenção ou após uma falha, mas os sistemas solares de telhado continuam injetando eletricidade nos fios locais. Trabalhadores podem pensar que a linha está sem energia quando ela ainda está viva, e equipamentos podem ser danificados quando a rede é reconectada dessíncrona. Por causa desses riscos de segurança, normas internacionais exigem que os geradores locais parem de energizar uma seção ilhada dentro de dois segundos. Dispositivos de proteção tradicionais monitoram mudanças na tensão ou frequência, ou perturbam deliberadamente a rede para ver como ela reage, mas esses métodos ou deixam escapar alguns casos de ilhamento ou disparam com muita frequência durante eventos inofensivos, como partidas de motores ou comutação de capacitores. As concessionárias acabam forçadas a um compromisso entre perder ilhas perigosas e causar disparos incômodos.

Por que são necessárias ferramentas de aprendizado mais inteligentes

Pesquisadores recorreram ao aprendizado de máquina para distinguir ilhamento de outras perturbações aprendendo padrões diretamente dos dados. Estudos anteriores usaram modelos únicos como redes neurais ou árvores de decisão que respondem a uma simples pergunta sim/não: “isso é ilhamento ou não?” O problema é que a categoria “não” abrange muitas situações diferentes — faltas, operações de comutação, comportamento normal da rede — que podem parecer muito similares nas medições feitas em um único ponto da rede. Ajustar um único modelo para ser mais sensível reduz as chances de perder um ilhamento, mas geralmente aumenta o número de alarmes falsos. Da mesma forma, torná-lo menos propenso a disparos incômodos torna mais provável negligenciar um ilhamento real. Muitos desses modelos também são difíceis de interpretar, o que deixa os engenheiros de rede apreensivos em confiar neles para funções críticas de proteção.

Um guardião em duas etapas para a rede

Os autores propõem uma estratégia diferente: dividir a tarefa de proteção em duas etapas dedicadas que trabalham em conjunto. Na primeira etapa, um algoritmo “Isolation Forest” atua como um guardião sempre ativo treinado apenas no comportamento normal da rede. Sua função é muito simples — levantar um alerta sempre que as medições recebidas parecerem incomuns. Esta etapa é ajustada para ser extremamente sensível, de modo que quase qualquer desvio, incluindo casos sutis de ilhamento, seja detectado precocemente. Só quando tal anomalia é identificada é que a segunda etapa entra em ação. Aqui, um modelo poderoso, o “XGBoost”, faz uma verificação mais refinada, não apenas decidindo se o evento é ilhamento ou não, mas classificando-o em várias categorias, como ilhamento, faltas, comutação de capacitores, partidas de motores e variações rotineiras de carga. Ao ensinar o modelo a reconhecer essas assinaturas distintas separadamente, o sistema fica muito melhor em evitar disparos falsos sem relaxar sua vigilância.

Vendo dentro da caixa-preta com explicações

Para gerar confiança nesse tomador de decisão automatizado, a estrutura também usa uma ferramenta de explicação chamada SHAP. Para cada evento, o SHAP calcula quanto diferentes características — como a rapidez da variação de frequência da rede, a velocidade de deslocamento de potência ou o quanto a tensão foi distorcida — empurram a decisão em direção ou contra o ilhamento. Em tempo real, o sistema registra os poucos contribuintes mais importantes para que os operadores possam ver por que um disjuntor foi acionado ou manteve-se fechado. Durante os testes e ajustes, plots SHAP mais detalhados ajudam os pesquisadores a identificar onde o modelo está sendo confundido, por exemplo quando um evento de comutação de capacitor imita um ilhamento. Esses insights orientaram o desenho de um limiar de confiança adaptativo: o sistema exige evidências mais fortes antes de disparar quando os padrões são ambíguos, e pode relaxar um pouco quando as evidências são claras e consistentes.

Quão bem o novo sistema se sai

A equipe testou sua abordagem em um conjunto de dados de microgrid simulado, publicamente disponível, que inclui centenas de exemplos de eventos de ilhamento e não-ilhamento sob muitas condições operacionais. Após extrair sete características fisicamente significativas de janelas curtas de dados de tensão e corrente, eles treinaram e ajustaram ambas as etapas, e então avaliaram o desempenho em casos não vistos anteriormente. O sistema em cascata detectou 96% dos eventos de ilhamento, o que significa que muito poucas ilhas passaram despercebidas no teste, mantendo a taxa de alarmes falsos em cerca de 2,7%. A acurácia geral atingiu 96,8%, e o método superou modelos únicos de aprendizado de máquina e um esquema híbrido tradicional baseado em limiares. Mesmo quando ruído de medição realista foi adicionado, o desempenho caiu de forma gradual em vez de colapsar, e o tempo de processamento permaneceu abaixo de dez milissegundos — muito mais rápido do que o exigido pelas normas de rede.

O que isso significa para a confiabilidade do dia a dia

Para o público não especializado, a mensagem principal é que o artigo apresenta uma forma prática de obter “o melhor dos dois mundos” na proteção de uma rede moderna rica em renováveis. Ao primeiro perguntar “algo estranho está acontecendo?” e só então perguntar “exatamente o que está acontecendo?”, o sistema evita o trade-off usual entre detectar todas as ilhas perigosas e evitar desligamentos desnecessários. A camada adicional de explicações permite que os engenheiros vejam a lógica por trás de cada comando de disparo, transformando um algoritmo caixa-preta em uma ferramenta que eles podem inspecionar e aperfeiçoar. Embora o estudo dependa de dados simulados e precise ser comprovado com medições do mundo real, ele aponta para uma integração mais segura e confiável de painéis solares em telhados, pequenas fazendas eólicas e outros geradores distribuídos nos sistemas de energia cotidianos dos quais todos dependemos.

Citação: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Palavras-chave: detecção de ilhamento, geração distribuída, aprendizado de máquina, proteção de sistemas de energia, IA explicável