Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.

Detalhes bibliográficos
Ano de defesa: 2019
Autor(a) principal: MORAES, Hugo Riviere Silva lattes
Orientador(a): CASTRO, Adriana Rosa Garcez lattes
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Federal do Pará
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica
Departamento: Instituto de Tecnologia
País: Brasil
Palavras-chave em Português:
Rede neural convolucional
Rede autocodificadora
Análise gascromatográfica
Faltas incipientes.
Palavras-chave em Inglês:
Convolutional neural networks
Stacked autoencoder
Gaschromatography
Incipient faults
Área do conhecimento CNPq:
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Link de acesso: http://repositorio.ufpa.br:8080/jspui/handle/2011/12192
Resumo: Realizar o diagnóstico de faltas incipientes em transformadores mostra-se um grande desafio pois, devido à variabilidade das condições em que ocorrem as faltas, torna-se muito difícil definir a origem e o tipo de falta. Métodos convencionais baseados na análise dos gases dissolvidos em óleo vêm sendo utilizados pelas empresas para realizar o diagnóstico de faltas, porém, estes métodos ainda necessitam ser aplicados em conjunto para se chegar a um resultado satisfatório, além de dependerem bastante do conhecimento de um especialista da área. Visando solucionar as dificuldades relacionadas aos métodos convencionais, alguns sistemas baseados em Inteligência Computacional vêm sendo propostos na literatura e têm apresentado resultados promissores. Considerando a importância do diagnóstico de faltas em transformadores, este trabalho apresenta os resultados do estudo desenvolvido da aplicação de Redes Neurais profundas ao diagnóstico de faltas. Dois modelos são propostos utilizando Redes Neurais Convolucionais e Redes Neurais Autocodificadoras Empilhadas. Para o desenvolvimento dos sistemas foi utilizada a base de dados TC 10 com situações de transformadores faltosos. Esta base foi utilizada para desenvolvimento do método IEC 60599, que é um dos principais métodos usados pelas concessionárias de energia para diagnóstico de transformadores através da análise dos gases dissolvidos em óleo. Os resultados promissores alcançados com os dois modelos propostos (acurácia de 100% na base de teste) se sobressaíram a outros encontrados na literatura, mostrando a grande aplicabilidade das redes neurais profundas ao problema de diagnóstico de faltas incipientes de transformadores. Portanto, mostra-se uma melhor alternativa que os métodos convencionais geralmente utilizados.
id UFPA_e5b22c88330bec4e53bdea6962bb8139
oai_identifier_str oai:repositorio.ufpa.br:2011/12192
network_acronym_str UFPA
network_name_str Repositório Institucional da UFPA
repository_id_str
spelling 2020-01-22T13:24:00Z2020-01-22T13:24:00Z2019-09-11MORAES, Hugo Riviere Silva. Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante. Orientadora:Adriana Rosa Garcez Castro. 21019. 68 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12192 . Acesso em:.http://repositorio.ufpa.br:8080/jspui/handle/2011/12192Realizar o diagnóstico de faltas incipientes em transformadores mostra-se um grande desafio pois, devido à variabilidade das condições em que ocorrem as faltas, torna-se muito difícil definir a origem e o tipo de falta. Métodos convencionais baseados na análise dos gases dissolvidos em óleo vêm sendo utilizados pelas empresas para realizar o diagnóstico de faltas, porém, estes métodos ainda necessitam ser aplicados em conjunto para se chegar a um resultado satisfatório, além de dependerem bastante do conhecimento de um especialista da área. Visando solucionar as dificuldades relacionadas aos métodos convencionais, alguns sistemas baseados em Inteligência Computacional vêm sendo propostos na literatura e têm apresentado resultados promissores. Considerando a importância do diagnóstico de faltas em transformadores, este trabalho apresenta os resultados do estudo desenvolvido da aplicação de Redes Neurais profundas ao diagnóstico de faltas. Dois modelos são propostos utilizando Redes Neurais Convolucionais e Redes Neurais Autocodificadoras Empilhadas. Para o desenvolvimento dos sistemas foi utilizada a base de dados TC 10 com situações de transformadores faltosos. Esta base foi utilizada para desenvolvimento do método IEC 60599, que é um dos principais métodos usados pelas concessionárias de energia para diagnóstico de transformadores através da análise dos gases dissolvidos em óleo. Os resultados promissores alcançados com os dois modelos propostos (acurácia de 100% na base de teste) se sobressaíram a outros encontrados na literatura, mostrando a grande aplicabilidade das redes neurais profundas ao problema de diagnóstico de faltas incipientes de transformadores. Portanto, mostra-se uma melhor alternativa que os métodos convencionais geralmente utilizados.Diagnosing incipient faults in transformers is a major challenge because it is very difficult to define the source and type of fault, due to the variability in the conditions under which faults occur. Conventional methods based on the analysis of dissolved gases in oil have been used by companies to diagnose faults, however, these methods still need to be applied together to reach a satisfactory result, as well as relying heavily on the knowledge of a specialist. In order to solve the difficulties related to conventional methods, some systems based on Computational Intelligence have been proposed in the literature and have presented promising results. This paper presents the results of the study developed of the application of deep neural networks to fault diagnosis, considering then the importance of fault diagnosis in transformers. Two models are proposed using Convolutional Neural Networks and Stacked Autoencoding Neural Networks. For the development of the systems we used the TC 10 database with faulty transformer situations. This base was used to develop the IEC 60599 method, which is one of the main methods used by power utilities for transformer diagnostics through the analysis of dissolved gases in oil. The promising results achieved with the two proposed models (100% accuracy in the test base) show the great applicability of deep neural networks to the problem of incipient transformer fault diagnosis, however showing a great alternative to the conventional methods commonly used.Submitted by Luciclea Silva (luci@ufpa.br) on 2020-01-22T13:23:33Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_AplicacaoRedesNeurais.pdf: 1324183 bytes, checksum: 92e9fe6bf1af73d6d4f44ee8e051f114 (MD5)Approved for entry into archive by Luciclea Silva (luci@ufpa.br) on 2020-01-22T13:23:59Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_AplicacaoRedesNeurais.pdf: 1324183 bytes, checksum: 92e9fe6bf1af73d6d4f44ee8e051f114 (MD5)Made available in DSpace on 2020-01-22T13:24:00Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_AplicacaoRedesNeurais.pdf: 1324183 bytes, checksum: 92e9fe6bf1af73d6d4f44ee8e051f114 (MD5) Previous issue date: 2019-09-11CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal do ParáPrograma de Pós-Graduação em Engenharia ElétricaUFPABrasilInstituto de Tecnologia1 CD-ROMreponame:Repositório Institucional da UFPAinstname:Universidade Federal do Pará (UFPA)instacron:UFPACNPQ::ENGENHARIAS::ENGENHARIA ELETRICAINTELIGÊNCIA COMPUTACIONALCOMPUTAÇÃO APLICADARede neural convolucionalRede autocodificadoraAnálise gascromatográficaFaltas incipientes.Convolutional neural networksStacked autoencoderGaschromatographyIncipient faultsRedes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.Deep neural networks applied to the diagnosis of incipient faults in transformers immersed in insulating oil.info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisCASTRO, Adriana Rosa Garcezhttp://lattes.cnpq.br/5273686389382860http://lattes.cnpq.br/0556548060131646MORAES, Hugo Riviere Silvainfo:eu-repo/semantics/openAccessORIGINALDissertacao_AplicacaoRedesNeurais.pdfDissertacao_AplicacaoRedesNeurais.pdfapplication/pdf1324183https://repositorio.ufpa.br/oai/bitstream/2011/12192/1/Dissertacao_AplicacaoRedesNeurais.pdf92e9fe6bf1af73d6d4f44ee8e051f114MD51CC-LICENSElicense_urllicense_urltext/plain; charset=utf-843https://repositorio.ufpa.br/oai/bitstream/2011/12192/2/license_url321f3992dd3875151d8801b773ab32edMD52license_textlicense_texttext/html; charset=utf-80https://repositorio.ufpa.br/oai/bitstream/2011/12192/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80https://repositorio.ufpa.br/oai/bitstream/2011/12192/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54LICENSElicense.txtlicense.txttext/plain; charset=utf-81899https://repositorio.ufpa.br/oai/bitstream/2011/12192/5/license.txt9d4d300cff78e8f375d89aab37134138MD55TEXTDissertacao_AplicacaoRedesNeurais.pdf.txtDissertacao_AplicacaoRedesNeurais.pdf.txtExtracted texttext/plain116616https://repositorio.ufpa.br/oai/bitstream/2011/12192/6/Dissertacao_AplicacaoRedesNeurais.pdf.txt455e290ddb3025e97036455a861b5799MD562011/121922022-02-21 13:07:26.381oai:repositorio.ufpa.br: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ório InstitucionalPUBhttp://repositorio.ufpa.br/oai/requestriufpabc@ufpa.bropendoar:21232022-02-21T16:07:26Repositório Institucional da UFPA - Universidade Federal do Pará (UFPA)false
dc.title.pt_BR.fl_str_mv Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
dc.title.alternative.pt_BR.fl_str_mv Deep neural networks applied to the diagnosis of incipient faults in transformers immersed in insulating oil.
title Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
spellingShingle Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
MORAES, Hugo Riviere Silva
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Rede neural convolucional
Rede autocodificadora
Análise gascromatográfica
Faltas incipientes.
Convolutional neural networks
Stacked autoencoder
Gaschromatography
Incipient faults
INTELIGÊNCIA COMPUTACIONAL
COMPUTAÇÃO APLICADA
title_short Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
title_full Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
title_fullStr Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
title_full_unstemmed Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
title_sort Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
author MORAES, Hugo Riviere Silva
author_facet MORAES, Hugo Riviere Silva
author_role author
dc.contributor.advisor1.fl_str_mv CASTRO, Adriana Rosa Garcez
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/5273686389382860
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/0556548060131646
dc.contributor.author.fl_str_mv MORAES, Hugo Riviere Silva
contributor_str_mv CASTRO, Adriana Rosa Garcez
dc.subject.cnpq.fl_str_mv CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
topic CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Rede neural convolucional
Rede autocodificadora
Análise gascromatográfica
Faltas incipientes.
Convolutional neural networks
Stacked autoencoder
Gaschromatography
Incipient faults
INTELIGÊNCIA COMPUTACIONAL
COMPUTAÇÃO APLICADA
dc.subject.por.fl_str_mv Rede neural convolucional
Rede autocodificadora
Análise gascromatográfica
Faltas incipientes.
dc.subject.eng.fl_str_mv Convolutional neural networks
Stacked autoencoder
Gaschromatography
Incipient faults
dc.subject.linhadepesquisa.pt_BR.fl_str_mv INTELIGÊNCIA COMPUTACIONAL
dc.subject.areadeconcentracao.pt_BR.fl_str_mv COMPUTAÇÃO APLICADA
description Realizar o diagnóstico de faltas incipientes em transformadores mostra-se um grande desafio pois, devido à variabilidade das condições em que ocorrem as faltas, torna-se muito difícil definir a origem e o tipo de falta. Métodos convencionais baseados na análise dos gases dissolvidos em óleo vêm sendo utilizados pelas empresas para realizar o diagnóstico de faltas, porém, estes métodos ainda necessitam ser aplicados em conjunto para se chegar a um resultado satisfatório, além de dependerem bastante do conhecimento de um especialista da área. Visando solucionar as dificuldades relacionadas aos métodos convencionais, alguns sistemas baseados em Inteligência Computacional vêm sendo propostos na literatura e têm apresentado resultados promissores. Considerando a importância do diagnóstico de faltas em transformadores, este trabalho apresenta os resultados do estudo desenvolvido da aplicação de Redes Neurais profundas ao diagnóstico de faltas. Dois modelos são propostos utilizando Redes Neurais Convolucionais e Redes Neurais Autocodificadoras Empilhadas. Para o desenvolvimento dos sistemas foi utilizada a base de dados TC 10 com situações de transformadores faltosos. Esta base foi utilizada para desenvolvimento do método IEC 60599, que é um dos principais métodos usados pelas concessionárias de energia para diagnóstico de transformadores através da análise dos gases dissolvidos em óleo. Os resultados promissores alcançados com os dois modelos propostos (acurácia de 100% na base de teste) se sobressaíram a outros encontrados na literatura, mostrando a grande aplicabilidade das redes neurais profundas ao problema de diagnóstico de faltas incipientes de transformadores. Portanto, mostra-se uma melhor alternativa que os métodos convencionais geralmente utilizados.
publishDate 2019
dc.date.issued.fl_str_mv 2019-09-11
dc.date.accessioned.fl_str_mv 2020-01-22T13:24:00Z
dc.date.available.fl_str_mv 2020-01-22T13:24:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv MORAES, Hugo Riviere Silva. Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante. Orientadora:Adriana Rosa Garcez Castro. 21019. 68 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12192 . Acesso em:.
dc.identifier.uri.fl_str_mv http://repositorio.ufpa.br:8080/jspui/handle/2011/12192
identifier_str_mv MORAES, Hugo Riviere Silva. Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante. Orientadora:Adriana Rosa Garcez Castro. 21019. 68 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12192 . Acesso em:.
url http://repositorio.ufpa.br:8080/jspui/handle/2011/12192
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Pará
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Engenharia Elétrica
dc.publisher.initials.fl_str_mv UFPA
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto de Tecnologia
publisher.none.fl_str_mv Universidade Federal do Pará
dc.source.pt_BR.fl_str_mv 1 CD-ROM
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPA
instname:Universidade Federal do Pará (UFPA)
instacron:UFPA
instname_str Universidade Federal do Pará (UFPA)
instacron_str UFPA
institution UFPA
reponame_str Repositório Institucional da UFPA
collection Repositório Institucional da UFPA
bitstream.url.fl_str_mv https://repositorio.ufpa.br/oai/bitstream/2011/12192/1/Dissertacao_AplicacaoRedesNeurais.pdf
https://repositorio.ufpa.br/oai/bitstream/2011/12192/2/license_url
https://repositorio.ufpa.br/oai/bitstream/2011/12192/3/license_text
https://repositorio.ufpa.br/oai/bitstream/2011/12192/4/license_rdf
https://repositorio.ufpa.br/oai/bitstream/2011/12192/5/license.txt
https://repositorio.ufpa.br/oai/bitstream/2011/12192/6/Dissertacao_AplicacaoRedesNeurais.pdf.txt
bitstream.checksum.fl_str_mv 92e9fe6bf1af73d6d4f44ee8e051f114
321f3992dd3875151d8801b773ab32ed
d41d8cd98f00b204e9800998ecf8427e
d41d8cd98f00b204e9800998ecf8427e
9d4d300cff78e8f375d89aab37134138
455e290ddb3025e97036455a861b5799
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPA - Universidade Federal do Pará (UFPA)
repository.mail.fl_str_mv riufpabc@ufpa.br
_version_ 1842907929126109184

Registros relacionados