Uma nova abordagem baseada em RNA para detecção e classificação de faltas em linhas de transmissão modernas compensadas por TCSC integradas com parques eólicos DFIG utilizando WST

Por que manter as luzes acesas está se tornando mais difícil

À medida que mais eletricidade vem de parques eólicos, nossa rede elétrica fica mais limpa, mas também mais complexa de proteger. Dispositivos que aumentam a capacidade das linhas de transmissão e os geradores especiais usados em parques eólicos modernos podem alterar a aparência das faltas elétricas para os relés de proteção. Este estudo explora uma nova forma de detectar e classificar tais faltas de maneira rápida e confiável, ajudando a prevenir apagões e danos a equipamentos em uma rede com alta participação de fontes renováveis.

Energia eólica e hardware inteligente na linha

O trabalho foca em linhas de alta tensão longas que transportam energia de um parque eólico e estão equipadas com um dispositivo série chamado capacitor série controlado por tiristor. Esse dispositivo permite aos operadores ajustar quanto a linha pode transportar ao alterar sua rigidez elétrica efetiva. Ao mesmo tempo, o parque eólico utiliza um tipo de gerador que permite controle fino de potência, mas produz correntes de falta diferentes das usinas tradicionais. Em conjunto, essas características tornam as faltas na linha mais difíceis de reconhecer usando métodos clássicos de proteção que assumem um comportamento mais estável e previsível.

Por que detectores antigos têm dificuldade

A proteção digital tradicional muitas vezes depende de ferramentas que dissecam sinais em bandas de frequência, como a transformada discreta de wavelet. Na prática, esses métodos podem ser frágeis. Seu desempenho depende de escolhas como taxa de amostragem e número de níveis, e eles são sensíveis ao exato momento do ciclo de tensão em que a falta começa. Em um sistema onde a velocidade do vento varia, o capacitor série é ajustado constantemente e operações de chaveamento ou ruído perturbam os sinais, esses detectores podem errar qual fase está em falta ou até deixar de identificar um evento perigoso. Muitos esquemas existentes também precisam de medições nas duas extremidades da linha e de um link de comunicação, aumentando custo e complexidade.

Uma nova forma de ouvir a rede

Os autores propõem uma abordagem diferente que escuta apenas as correntes das três fases e a corrente de terra em um único ponto do lado da rede. Eles aplicam uma ferramenta de processamento de sinais chamada transformada de espalhamento por wavelet, que constrói uma descrição em camadas de como a forma de onda da corrente muda no tempo e na frequência. Diferentemente dos métodos antigos, suas características são projetadas para ser estáveis quando os sinais se deslocam no tempo, e robustas a ruído e pequenas distorções. A partir das muitas saídas do espalhamento, o método seleciona um conjunto compacto dos valores mais informativos, reduzindo muito a quantidade de dados enquanto preserva os padrões-chave que revelam que tipo de falta ocorreu.

Treinando uma rede neural para nomear a falta

Essas características destiladas são então alimentadas em uma rede neural feedforward que foi treinada para reconhecer dez tipos comuns de falta, incluindo diferentes combinações de fases e conexões à terra. Para testar a ideia, os pesquisadores construíram um modelo computacional detalhado de uma linha de 100 quilômetros e 120 kilovolts com um parque eólico e capacitor série realistas, e simularam mais de três mil casos de falta. Variaram a localização da falta, resistência, ângulo de partida, velocidade do vento e nível de compensação, e depois testaram a rede treinada em centenas de novos casos, incluindo eventos de chaveamento, medições com ruído e faltas muito fracas que produzem correntes pequenas.

Desempenho do novo esquema

Quando compararam sua abordagem a métodos mais convencionais que usam coeficientes de wavelet como características, a diferença foi notável. Os esquemas antigos alcançaram, na melhor das hipóteses, cerca de 98% de sucesso em simplesmente decidir que uma falta existe, e caíram para aproximadamente metade dessa taxa quando solicitados a rotular o tipo exato de falta. Em contraste, as características baseadas em espalhamento permitiram que a rede neural atingisse precisão perfeita tanto na detecção quanto na classificação em todos os cenários de teste. O método também distinguiu claramente entre faltas reais e eventos inofensivos, como variações de carga ou chaveamento de capacitores, e permaneceu confiável mesmo quando os transformadores de corrente estavam saturados ou ruído forte foi adicionado.

O que isso significa para redes futuras

Para não especialistas, a mensagem principal é que o estudo oferece um ouvido mais inteligente para a rede, capaz de identificar o som do problema em um ambiente movimentado e ruidoso moldado pela energia renovável. Ao combinar uma forma robusta de descrever formas de onda de corrente com uma rede neural treinada, o método fornece decisões rápidas e precisas sobre faltas usando medições em um único local. Isso pode ajudar concessionárias a proteger corredores de transmissão complexos que incluem dispositivos avançados de compensação e grandes parques eólicos, tornando mais fácil manter as luzes acesas à medida que a transição energética se acelera.

Citação: Oda, E.S., Habib, A.M.M., Elnaghi, B.E. et al. A novel ANN-based approach for fault detection and classification in modern TCSC-compensated transmission lines integrated with DFIG-based wind farms utilizing WST. Sci Rep 16, 15707 (2026). https://doi.org/10.1038/s41598-026-51960-7

Palavras-chave: proteção de sistemas de potência, integração de parques eólicos, faltas em linhas de transmissão, classificador por rede neural, transformada de espalhamento por wavelet