Redes neurais artificiais aplicadas na análise de fluxo de potência

Abstract

Este trabalho investiga a aplicação de Redes Neurais Artificiais (RNAs) para a análise de fluxo de potência em sistemas elétricos, propondo um pipeline híbrido que integra modelagem física clássica e aprendizado supervisionado. A etapa de aprendizado de máquina utiliza Random Forest e XGBoost para determinar a importância das variáveis e orientar a engenharia de features, culminando no treinamento de uma RNA do tipo Perceptron Multicamadas (MLP) implementada em TensorFlow/Keras. O método permite comparar o desempenho da RNA em relação aos métodos clássicos Newton-Raphson e Gauss-Seidel, considerando precisão, robustez e tempo computacional. O estudo adota o sistema IEEE de 14 barras como caso-base, modelado no Pandapower e alimentado por dados reais da curva de carga horária da região Sudeste (ONS, 2023). Os resultados demonstram que a RNA reproduz o comportamento do fluxo de potência de referência com R² ≈ 0,995 para ângulos de tensão e R² ≈ 0,955 para magnitudes, alcançando uma redução superior a 99 % no tempo de inferência. Conclui-se que o uso de RNAs na estimativa de variáveis elétricas é uma alternativa viável e eficiente, com potencial para aplicações em sistemas elétricos inteligentes e operações em tempo real.

This work investigates the application of Artificial Neural Networks (ANNs) to power flow analysis in electrical systems, proposing a hybrid pipeline that integrates classical physical modeling with supervised learning techniques. The machine learning stage employed Random Forest and XGBoost to evaluate feature importance and guide feature engineering, followed by training of a Multilayer Perceptron (MLP) implemented in TensorFlow/Keras. The methodology enables direct comparison of ANN performance with classical methods such as Newton-Raphson and Gauss-Seidel, assessing accuracy, robustness, and computational efficiency. The IEEE 14-bus system was adopted as the test case, modeled using Pandapower and fed with real data from the hourly load curve of the Southeast region of Brazil (ONS, 2023). The ANN reproduces the reference power-flow behavior, with R² ≈ 0.995 for voltage angles and R² ≈ 0.955 for voltage magnitudes, while reducing inference time by more than 99 %. The results confirm the feasibility and effectiveness of ANNs for real-time estimation of electrical variables, highlighting their potential in smart grid environments and intelligent power-system operations.