Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.238
Aluno: Dioeliton Antonio Gomes dos Passos
Orientador: Prof. Paulo Salgado Gomes de Mattos Neto
Coorientador: Prof. Eraylson Galdino da Silva (UPE, Campus Garanhuns)
Título: Sistema Baseado em Árvores para Classificação de Falhas em Sistemas Elétricos
Data: 11/08/2025
Hora/Local: 15h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos (UFPE / Centro de Informática)
Prof. Manoel Henrique da Nóbrega Marinho (UPE / Escola Politécnica de Pernambuco)
Profa. Camila Ascendina Nunes Kamei (UFRPE / Unidade Acadêmica Belo Jardim)
RESUMO:
Nos sistemas de transmissão de energia elétrica, a ocorrência de falhas pode comprometer seriamente a estabilidade, a integridade dos equipamentos e a continuidade do fornecimento. Nesse contexto, técnicas de aprendizado de máquina têm se destacado como ferramentas promissoras, por aliarem bom desempenho preditivo à capacidade de adaptação a diferentes padrões operacionais. Além disso, tais técnicas oferecem potencial de explicabilidade, sendo atrativas em cenários nos quais a transparência nas decisões é um requisito essencial. No entanto, lidar com dados ruidosos e padrões complexos provenientes de medições elétricas continua sendo um desafio relevante, principalmente quando se busca aliar precisão e interpretabilidade. Nesse cenário, este trabalho propõe o uso de um sistema baseado em árvores, composto por um modelo tradicional de Árvore de Decisão e duas estratégias de ensemble: Bagging, utilizando o Bootstrap Aggregating, e Boosting, com o algoritmo AdaBoost. O objetivo é desenvolver um sistema interpretável e robusto para a classificação de falhas em sistemas elétricos. Foram utilizados inicialmente dois conjuntos de dados e, a partir desses, foram geradas treze novas variações dos bancos, inserindo diferentes níveis de ruído gaussiano. Para cada banco, avaliou-se sistematicamente o impacto dos hiperparâmetros relacionados à profundidade e ao número de folhas. A acurácia foi adotada como métrica principal de desempenho, enquanto o tamanho máximo das regras geradas foi utilizado como medida de interpretabilidade. Os resultados indicaram que o Boosting apresentou maior robustez em ambientes ruidosos, enquanto o Bagging demonstrou equilíbrio
entre desempenho e simplicidade. Já a Árvore de Decisão destacou-se por gerar regras mais concisas,
adequadas a cenários menos complexos. Esta pesquisa reforça o potencial dos modelos baseados em árvores como estratégias viáveis para a classificação de falhas em sistemas elétricos.
Palavras-chave: Classificação de Falhas; Interpretabilidade de Modelos; Sistemas Elétricos de Potência; Aprendizado de Máquina; Modelos Baseados em Árvores.
Comentários desativados