Framework Híbrido com Machine Learning e Programação Linear Inteira Mista para Resiliência em Sistemas de Distribuição de Energia Elétrica diante de Eventos Climáticos Extremos

A resiliência de sistemas de distribuição de energia elétrica frente a eventos climáticos extremos exige decisões rápidas e otimizadas. Este trabalho propõe uma metodologia híbrida para análise de resiliência em redes de distribuição de energia elétrica, integrando Machine learning (ML) e Programação Linear Inteira Mista (MILP). Um classificador XGBoost estima probabilidades de falha em barramentos com base em características topológicas e operacionais. Esses parâmetros alimentam um modelo MILP que determina a reconfiguração ótima da rede e o plano de corte de carga sob contingências, respeitando restrições físico-topológicas. Validada no sistema IEEE 69-barras com falha simulada na linha 61, a abordagem apresentou ROC AUC de 0,61. O otimizador MILP convergiu para a solução ótima em 0,84 s, mantendo 59 barras plenamente atendidas (e 64 conectadas à subestação) e reduzindo a energia não suprida para 0,0465 MW (46,5 kW), o que representa aproximadamente 1,2% da demanda total do sistema.