Comparativo de técnicas de aprendizado de máquinas para a previsão de faltas elétricas

Abstract

Neste estudo é elaborado um modelo de previsão de faltas na rede de distribuição de energia no estado do Espírito Santo, Brasil, demonstrando quais regiões têm mais possibilidades de serem afetadas. Para isso, serão utilizados dados históricos de falhas, previsão numérica do tempo, cobertura terrestre e infraestrutura da rede. Essas informações são combinadas em regiões com o sistema de geocódigo Geohash e agrupadas por dia, servido assim de entrada para o modelo de aprendizado de máquina como Decision Tree (DT), Randon Florest(RF), K-Nearest Neighbors (KNN) e Support Vector Machine (SVM). Os resultados indicaram que a abordagem proposta apresentou uma precisão significativa na identificação da localização de falta, apresentando uma acurácia de 0.707 e um erro quadrático médio de 0.293.