Modelos de Inteligência Artificial aplicados à estimação de ângulo de tensão nodal em sistemas elétricos de potência: das redes neurais artificiais aos Sistemas Neuro-Fuzzy adaptativos

Abstract

A estimação precisa de ângulos de tensão nodal é essencial para o monitoramento, controle e operação segura de sistemas elétricos de potência. Contudo, as abordagens tradicionais dependem de processos numéricos iterativos e da solução prévia do fluxo de potência, o que impõe limitações computacionais e elevado custo de processamento em cenários de tempo real ou de grande escala. Para superar esses gargalos, este trabalho investiga a estimação direta de variáveis de estado empregando técnicas de inteligência artificial aplicadas aos sistemas-teste IEEE 14, 30 e 57 barras. A pesquisa avalia duas abordagens complementares sob diferentes condições de carregamento: Redes Neurais Artificiais (RNA) do tipo Multilayer Perceptron treinadas pelo algoritmo backpropagation e associadas à análise de sensibilidade e normalização de dados; e Sistemas de Inferência Neuro-Fuzzy Adaptativos (ANFIS) baseados em agrupamento subtrativo e otimizados via algoritmo híbrido (backpropagation e mínimos quadrados). Ambas as metodologias demonstraram elevadíssima capacidade de generalização e precisão preditiva, alcançando coeficientes de determinação e correlação (R^2 e R) superiores a 0,99 e erros quadráticos médios da ordem de 10^(-3) a 10^(-5) nas etapas de validação e teste. A abordagem via RNA permitiu obter as curvas P-θ e identificar o ponto de carregamento máximo com redução de cerca de 80% no esforço computacional em relação ao fluxo de potência convencional, enquanto a análise de sensibilidade mapeou as variáveis de maior impacto na resposta da rede. Por sua vez, o modelo ANFIS apresentou desempenho preditivo ligeiramente superior e competitivo quando comparado às RNAs. Os resultados confirmam que ambos os modelos representam soluções robustas, confiáveis e computacionalmente eficientes, com elevado potencial de aplicação no monitoramento e na estimação de estado em tempo real de redes elétricas.

Accurate estimation of nodal voltage angles is essential for the monitoring, control, and secure operation of electrical power systems. However, traditional approaches rely on iterative numerical procedures and the prior solution of the power flow problem, imposing computational limitations and high processing costs in realtime or large-scale scenarios. To overcome these bottlenecks, this study investigates the direct estimation of state variables using artificial intelligence techniques applied to the IEEE 14-, 30-, and 57-bus test systems. The research evaluates two complementary approaches under various loading conditions: Multilayer Perceptron Artificial Neural Networks (ANN) trained with the backpropagation algorithm and integrated with sensitivity analysis and data normalization; and Adaptive Neuro-Fuzzy Inference Systems (ANFIS) based on subtractive clustering and optimized via a hybrid algorithm (backpropagation and least-squares). Both methodologies demonstrated exceptionally high generalization capability and predictive accuracy, achieving coefficients of determination and correlation (𝑅 2 and 𝑅) above 0.99 and mean squared errors on the order of 10−3 to 10−5 during validation and testing phases. The ANN approach successfully generated 𝑃 − 𝜃 curves and identified the maximum loading point with an approximate 80% reduction in computational effort compared to traditional power flow, while sensitivity analysis mapped the variables with the greatest impact on the network's response. In turn, the ANFIS model exhibited slightly superior predictive performance while remaining highly competitive with ANNs. The results confirm that both models provide robust, reliable, and computationally efficient solutions with significant potential for real-time state estimation and monitoring applications in power grids.