Pesquisadores da Islamic Azad University, no Irã, desenvolveram o modelo híbrido de IA AE-CBiLSTM, testado na rede IEEE 13-bus, para diagnosticar falhas monofásicas em redes de distribuição elétrica.
Arquitetura do modelo AE-CBiLSTM
O AE-CBiLSTM junta três elementos: um autoencoder que comprime e limpa os dados, uma rede neural convolucional que extrai padrões espaciais e uma LSTM bidirecional que capta relações temporais.
A combinação permite que o modelo aprenda tanto a estrutura espacial das medições como suas variações ao longo do tempo, o que melhora a detecção de falhas reais em comparação com abordagens que tratam essas dimensões separadamente.
Resistência sob ataques cibernéticos
Avaliado em condições normais e durante ataques de injeção de dados falsos, o modelo manteve desempenho elevado, segundo estudo publicado em Scientific Reports.
Diante de tentativas de manipulação de medições, o AE-CBiLSTM se mostrou mais robusto que modelos de referência, mantendo alta acurácia e F1-score mesmo com dados corrompidos.
A simulação foi feita com o software EMTP, com processamento em MATLAB, sobre a rede IEEE 13-bus, considerada um padrão para testes em sistemas de distribuição.
Autores e contexto da pesquisa
O estudo foi conduzido por Ahmad Ganjalikhani, Mahdiyeh Eslami, Mehdi Jafari Shahbazzadeh e Alimorad Khajehzadeh, todos vinculados ao Departamento de Engenharia Elétrica da Islamic Azad University, em Kerman.
Nenhum financiador apoiou a pesquisa, que está licenciada sob Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).
Publicado online em 7 de setembro de 2026, o trabalho aparece indexado na Nature Machine Intelligence, como parte da coleção Scientific Reports.
