Navegando por Autor "Dantas, Ingrid Thaís Azevêdo"
Agora exibindo 1 - 1 de 1
- Resultados por página
- Opções de Ordenação
Dissertação Industry 4.0-Compliant Artificial Intelligence-based power transformer fault classification method during data missing conditions(Universidade Federal do Rio Grande do Norte, 2025-03-28) Dantas, Ingrid Thaís Azevêdo; Costa, Flávio Bezerra; Medeiros, Rodrigo Prado de; https://orcid.org/0000-0002-7554-1480; http://lattes.cnpq.br/7510091283933216; http://lattes.cnpq.br/6791400579819527; Silveira, Luiz Felipe de Queiroz; Oleskovicz, MárioTransformadores de potência são elementos fundamentais em sistemas elétricos, responsáveis pela transferência eficiente de energia entre diferentes níveis de tensão. Apesar de sua robustez, esses equipamentos estão sujeitos a falhas ao longo do tempo, como faltas elétricas internas, que comprometem não apenas o próprio transformador, mas também a estabilidade de todo o sistema interligado. Diante desse cenário, torna-se cada vez mais relevante o uso de soluções inteligentes que viabilizem o monitoramento contínuo e a classificação precisa das faltas, contribuindo para diagnósticos mais ágeis, para assim reduzir o tempo de indisponibilidade dos equipamentos. Este trabalho propõe uma abordagem inovadora para a classificação de faltas internas em transformadores de potência, com foco especial naquelas que ocorrem nas buchas. A proposta baseia-se no desenvolvimento de um método que alia técnicas matemáticas avançadas a modelos de aprendizado de máquina supervisionado. Um dos diferenciais da abordagem está na sua capacidade de operar mesmo com dados incompletos, uma condição frequentemente observada em ambientes industriais reais, em que falhas de comunicação, defeitos em sensores ou ruídos nos sinais, por exemplo, podem afetar a integridade medições e consequentemente, dos diagnósticos. A metodologia combina a Transformada Wavelet Estacionária com Bordas em Tempo Real (RT-BSWT) com modelos de aprendizado de máquina. Após a aplicação dessa transformada, são extraídas as energias dos coeficientes que formam a base para a etapa seguinte do método utilizando aprendizado de máquina. Três algoritmos supervisionados foram utilizados na implementação do sistema: Árvore de Decisão, Floresta Aleatória e Regressão Logística. A escolha desses modelos se deu com base em sua boa performance em tarefas de classificação e por sua interpretabilidade. O sistema foi avaliado a partir de uma base de dados simulada, composta por diferentes tipos de faltas internas na bucha do transformador, incluindo faltas monofásicas, bifásicas, trifásicas e fase-terra, aplicadas tanto no lado primário quanto no secundário. Os testes também consideraram variações de ângulo e resistência de falta, condições de carga, presença de ruído e, principalmente, a perda de uma das correntes, com o objetivo de simular condições operacionais realistas. Os resultados demonstraram que a abordagem proposta é altamente eficaz, alcançando taxas de acurácia superiores a 95% em cenários ideais. Entre os algoritmos testados, a Floresta Aleatória apresentou o melhor desempenho. A eficácia do método também foi validada por meio de uma comparação direta com a abordagem baseada apenas em processamento por wavelets, sem uso de aprendizado de máquina. Embora o método tradicional tenha apresentado desempenho razoável em cenários ideais (acurácia de até 85%), sua performance foi severamente afetada por perda de dados e presença de ruído, chegando a 36,9% de acurácia em condições adversas. Além disso, ele foi limitado na identificação de certos tipos de falta, como bifásica com terra do lado secundário ou trifásica na falta de um dado. Por outro lado, o método com aprendizado de máquina demonstrou maior precisão e adaptabilidade, classificando corretamente todos os 20 tipos de faltas avaliados, mesmo sob perdas de sinal e com diferentes níveis de ruído. Além da contribuição técnica, este trabalho está alinhado aos conceitos da Indústria 4.0, ao integrar técnicas de análise inteligente, capacidade de resposta em tempo real e robustez frente à perda de dados. Isso amplia consideravelmente o potencial de aplicação da metodologia em ambientes industriais modernos. O sistema desenvolvido pode ser incorporado a arquiteturas existentes de proteção e monitoramento, oferecendo suporte direto à tomada de decisão operacional. Em síntese, este trabalho oferece uma contribuição significativa para a área de diagnóstico e classificação de faltas internas em transformadores de potência. A capacidade de operar sob condições adversas e de manter alta acurácia mesmo com dados incompletos torna o método promissor tanto para aplicações acadêmicas quanto industriais. Espera-se que esta proposta sirva de base para o desenvolvimento de sistemas de proteção mais inteligentes, contribuindo com a segurança e eficiência no setor elétrico.