gestores de Sistemas Elétricos de Potência (SEP). Dessa forma, é de suma importância tornar o
processo de localização de tais faltas cada vez mais eficiente, para que estas possam ser reparadas
o mais rápido possível. No presente estudo foram aplicados os Coeficientes de Frequência Mel
Cepstrais (MFCC) como ferramenta de pré-processamento dos sinais de tensão coletados nos
dois terminais da linha de transmissão durante a falta, além de um modelo de Aprendizado de
Máquina (AM), responsável pela localização das faltas na prática. Foram testados diferentes
modelos de AM, quais sejam: uma Rede Neural Artificial (RNA), uma Regressão de Vetores
de Suporte (SVR) e um Regressão de Vetores de Suporte com Mínimos Quadrados (LS-SVR),
dentre os quais se percebeu que a RNA teve o melhor resultado geral, sendo capaz de processar
todas as simulações. Utilizou-se uma linha de transmissão modelada com base em parâmetros de
uma linha real. No MATLAB, Vários cenários foram simulados com a RNA, que apresentou
os melhores resultados iniciais, e o método proposto forneceu resultados com alta precisão na
localização de faltas em ambientes não ruidosos, com Erro Médio Relativo (EMR) geral de
0,00004 % e Erro Médio Absoluto (EMA) geral de 0,13 m. Posteriormente, foram verificadas as
influências do tipo de falta, das resistências de faltas, dos ângulos de faltas e das distâncias de
faltas no método de localização, utilizando-se os resultados da melhor arquitetura da RNA. O
método proposto demonstrou ainda ser capaz de realizar a detecção rápida e precisa de faltas,
mesmo quando considerados percentuais pequenos da base de dados ou/e a partir da adição de
várias relações sinais-ruídos aos sinais de tensão. Esses resultados apontam que o procedimento
metodológico proposto é uma boa alternativa para localização de faltas em LT.