Detecção de Falhas Não Intrusiva em Sistemas de Energia Bordo de Navios usando Redes Neurais Gráficas de Wavelet

Os sistemas de energia a bordo de navios (SPS) estão rapidamente adotando a eletrificação, resultando em cargas que geram correntes de pulsação e enfrentam transientes substanciais. No entanto, as características convencionais baseadas em tempo são inadequadas para monitorar e proteger efetivamente essas cargas contra falhas. Isso destaca a necessidade crítica de métodos avançados baseados em aprendizado de máquina para discernir e diferenciar entre os vários estágios transitórios dentro do perfil de carga. Neste artigo, propomos um modelo de Rede Neural Gráfica de Wavelet (WGNN) para detecção de falhas não intrusiva em SPS. O sistema de detecção de falhas utiliza o modelo dinâmico do SPS para treinar e testar o desempenho com diferentes cenários de falhas. A estrutura subjacente e a interdependência entre os estados dos componentes na rede SPS são efetivamente capturadas usando o modelo WGNN, resultando em acurácias acima de 99% para detecção de falhas intrusivas e 97% para detecção de falhas não intrusivas. O modelo WGNN desenvolvido também demonstrou ser robusto na presença de cargas pulsantes e ruído, alcançando uma acurácia superior a 95%. No final, uma simulação em tempo real do método proposto é validada em um sistema Hardware-in-the-loop, garantindo a alta fidelidade e baixa latência da abordagem proposta. Esses achados validam a efetividade do modelo WGNN proposto para detecção de falhas e aplicações do mundo real em SPS.