Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde
| Ano de defesa: | 2023 |
|---|---|
| Autor(a) principal: | |
| Orientador(a): | |
| Banca de defesa: | |
| Tipo de documento: | Dissertação |
| Tipo de acesso: | Acesso aberto |
| Idioma: | por |
| Instituição de defesa: |
Universidade Estadual Paulista (Unesp)
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: | |
| Palavras-chave em Inglês: | |
| Link de acesso: | https://hdl.handle.net/11449/251178 |
Resumo: | Transformadores de potência têm importância fundamental para o sistema elétrico de potência e a avaliação de suas condições de saúde é essencial para a operação confiável desses equipamentos, possibilitando ações de manutenção em tempo adequado e melhorando o planejamento de recursos energéticos e financeiros. Este trabalho apresenta uma metodologia para avaliação da condição de transformadores de potência de até 24,2 kV em termos do índice de saúde, ou Health Index, com aplicação de três algoritmos de aprendizado de máquina (AM) supervisionados na abordagem de regressão baseados em modelos múltiplos, denominados Random Forest (RF), Categorical Boosting (CatBoost) e Light Gradient Boosted Machine (LightGBM). A metodologia proposta utiliza um conjunto de dados formado por resultados de análises de qualidade do óleo isolante e cromatográfica, que é a base para geração de dados sintéticos, tendo como referência a evolução dos parâmetros de teste ao longo de 14 meses de operação de um transformador real da mesma classe de tensão. Dessa maneira, dobrando o número de amostras do conjunto, passando de 531 para 1062 amostras, as quais são aplicadas como os recursos de entrada para a determinação de valores de índice de saúde a partir da metodologia clássica e posteriormente pelas técnicas de aprendizado de máquina propostas. Para a implementação dos modelos propostos, o conjunto de dados passou pela etapa de pré-processamento e divisão, com 80% das amostras destinadas para treinamento dos modelos e 20% reservadas para testes. Os indicadores de desempenho e métricas de avaliação adequados para abordagem de regressão foram considerados nos resultados dos algoritmos para verificar os melhores desempenhos. A abordagem de regressão com os 13 atributos do conjunto de dados apresentou bons resultados em comparação com outros trabalhos da literatura, e o modelo Categorical Boosting (CatBoost) apresentou o melhor desempenho entre os propostos. A metodologia foi aplicada a um estudo de caso, utilizando os dados de análises físico-químicas e cromatográficas de oito transformadores de potência da mesma classe de tensão do conjunto de dados analisado, obtendo os estados de saúde e comparando com a avaliação de estado de saúde feita por especialistas. Como resultado, a metodologia indicou os transformadores a serem priorizados em intervenções de manutenção e o fatores ligados a degradação de transformadores, mostrando-se uma ferramenta estratégica para a gestão de transformadores. |
| id |
UNSP_66bf08143b285d688b957548631d4a8e |
|---|---|
| oai_identifier_str |
oai:repositorio.unesp.br:11449/251178 |
| network_acronym_str |
UNSP |
| network_name_str |
Repositório Institucional da UNESP |
| repository_id_str |
|
| spelling |
Matias Junior, Valdemir Sales [UNESP]Marafão, Fernando Pinhabel [UNESP]2023-10-31T15:32:52Z2023-10-31T15:32:52Z2023-06-30MATIAS JUNIOR, Valdemir Sales. Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde. 2023. 86 p. Dissertação (Mestrado em Engenharia Elétrica) – Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2023.https://hdl.handle.net/11449/25117833004170002P222369493880880570000000163180019Transformadores de potência têm importância fundamental para o sistema elétrico de potência e a avaliação de suas condições de saúde é essencial para a operação confiável desses equipamentos, possibilitando ações de manutenção em tempo adequado e melhorando o planejamento de recursos energéticos e financeiros. Este trabalho apresenta uma metodologia para avaliação da condição de transformadores de potência de até 24,2 kV em termos do índice de saúde, ou Health Index, com aplicação de três algoritmos de aprendizado de máquina (AM) supervisionados na abordagem de regressão baseados em modelos múltiplos, denominados Random Forest (RF), Categorical Boosting (CatBoost) e Light Gradient Boosted Machine (LightGBM). A metodologia proposta utiliza um conjunto de dados formado por resultados de análises de qualidade do óleo isolante e cromatográfica, que é a base para geração de dados sintéticos, tendo como referência a evolução dos parâmetros de teste ao longo de 14 meses de operação de um transformador real da mesma classe de tensão. Dessa maneira, dobrando o número de amostras do conjunto, passando de 531 para 1062 amostras, as quais são aplicadas como os recursos de entrada para a determinação de valores de índice de saúde a partir da metodologia clássica e posteriormente pelas técnicas de aprendizado de máquina propostas. Para a implementação dos modelos propostos, o conjunto de dados passou pela etapa de pré-processamento e divisão, com 80% das amostras destinadas para treinamento dos modelos e 20% reservadas para testes. Os indicadores de desempenho e métricas de avaliação adequados para abordagem de regressão foram considerados nos resultados dos algoritmos para verificar os melhores desempenhos. A abordagem de regressão com os 13 atributos do conjunto de dados apresentou bons resultados em comparação com outros trabalhos da literatura, e o modelo Categorical Boosting (CatBoost) apresentou o melhor desempenho entre os propostos. A metodologia foi aplicada a um estudo de caso, utilizando os dados de análises físico-químicas e cromatográficas de oito transformadores de potência da mesma classe de tensão do conjunto de dados analisado, obtendo os estados de saúde e comparando com a avaliação de estado de saúde feita por especialistas. Como resultado, a metodologia indicou os transformadores a serem priorizados em intervenções de manutenção e o fatores ligados a degradação de transformadores, mostrando-se uma ferramenta estratégica para a gestão de transformadores.Power transformers are of fundamental importance for the electric power system and the assessment of their health conditions is essential for the management of this equipment, enabling maintenance actions in a timely manner and improving the planning of energy and financial resources. This work presents a methodology for evaluating the condition of power transformers up to 24.2 kV in terms of the health index, with the application of three supervised machine learning (ML) algorithms in the regression approach based on models multiple, called Random Forest (RF), Categorical Boosting (CatBoost) and Light Gradient Boosted Machine (LightGBM). The proposed methodology uses a dataset formed by the results of the insulating oil and chromatographic quality analysis, which is the basis for generating synthetic data, having as reference the evolution of the test parameters over 14 months of operation of a transformer of the same voltage class. In this way, doubling the number of samples in the set, going from 531 to 1062 samples, which are applied as input resources for the determination of health index values from the classical methodology and later by the proposed machine learning techniques . For the implementation of the proposed models, the data set went through the pre-processing and division stage, with 80% of the samples destined for model training and 20% reserved for testing. The performance indicators and evaluation metrics suitable for the regression approach are considered in the results of the algorithms to verify the best performances. The regression approach with the 13 attributes of the data set presents good results compared to other works in the literature, and the Categorical Boosting model (CatBoost) presented the best performance among the proposed ones. The methodology was applied to a case study, using data from physical-chemical and chromatographic analyzes of eight power transformers of the same voltage class as the analyzed data set, obtaining the health states and comparing them with the state of health assessment. health by experts. As a result, the methodology indicated the transformers to be prioritized in maintenance interventions and the factors linked to the degradation of transformers, being a strategic tool for the management of transformers.Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)2016/08645-9porUniversidade Estadual Paulista (Unesp)Máquinas elétricas - Manutenção e reparosElectric machinery - Maintenance and repairTransformadores elétricosIsoladores e isolamentos elétricos - ÓleosVida útil (Engenharia)Electric insulators and insulation - OilsAprendizado do computadorMetodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúdeMethodology for evaluating transformers up to 24.2 kV using machine learning techniques to determine the health indexinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESPEngenharia Elétrica - FESJBV/ICTSAutomaçãoNão constaUniversidade Estadual Paulista (UNESP), Instituto de Ciência e Tecnologia, SorocabaOnlineBanca públicaPublication0bc7c43e-b5b0-4350-9d05-74d892acf9d1virtual::162970-10bc7c43e-b5b0-4350-9d05-74d892acf9d1virtual::162970-1e7cffd20-6a94-4af3-913a-7deed2f55f8avirtual::199645-1e7cffd20-6a94-4af3-913a-7deed2f55f8avirtual::199645-1LICENSElicense.txtWritten by org.dspace.content.LicenseUtilstext/plain; charset=utf-83133https://repositorio.unesp.br/bitstreams/6d880d5a-9652-4355-b6a1-be46fa965512/download00abd0f796df4590735508464c44fdffMD52falseAnonymousREADmatiasjunior_vs_autorizacao_soro.pdfapplication/pdf90554https://repositorio.unesp.br/bitstreams/b6cd3177-62d1-4871-930d-0182a3ddf152/downloaddd3deed8b9c24d6e19c60cfc76ae8041MD54falseORIGINALmatiasjunior_vs_me_soro.pdfmatiasjunior_vs_me_soro.pdfapplication/pdf6109789https://repositorio.unesp.br/bitstreams/28ffd1ed-8abc-4c31-a004-b9b5fccd4500/downloadcfc973c0671289b8c59225dec6ae55e5MD53trueAnonymousREADTEXTmatiasjunior_vs_me_soro.pdf.txtWritten by FormatFilter org.dspace.app.mediafilter.TikaTextExtractionFilter on 2023-12-16T06:24:47Z (GMT).Extracted texttext/plain103985https://repositorio.unesp.br/bitstreams/2ff3b083-6617-467c-aab5-f2499f95fd8b/download4b8b0bd825643c8de231f159ed669f12MD55falseAnonymousREADTHUMBNAILmatiasjunior_vs_me_soro.pdf.jpgWritten by FormatFilter org.dspace.app.mediafilter.PDFBoxThumbnail on 2023-12-16T06:24:47Z (GMT).Generated Thumbnailimage/jpeg2891https://repositorio.unesp.br/bitstreams/5dd973c0-1f74-4812-9016-94aea1994e1f/download2e9d01ba13bf69af542c37b0c0a5d046MD56falseAnonymousREAD11449/2511782026-01-26T14:07:54.870606Zopen.accessoai:repositorio.unesp.br:11449/251178https://repositorio.unesp.brRepositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462026-01-26T14:07:54Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)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 |
| dc.title.pt.fl_str_mv |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| dc.title.alternative.en.fl_str_mv |
Methodology for evaluating transformers up to 24.2 kV using machine learning techniques to determine the health index |
| title |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| spellingShingle |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde Matias Junior, Valdemir Sales [UNESP] Máquinas elétricas - Manutenção e reparos Electric machinery - Maintenance and repair Transformadores elétricos Isoladores e isolamentos elétricos - Óleos Vida útil (Engenharia) Electric insulators and insulation - Oils Aprendizado do computador |
| title_short |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| title_full |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| title_fullStr |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| title_full_unstemmed |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| title_sort |
Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde |
| author |
Matias Junior, Valdemir Sales [UNESP] |
| author_facet |
Matias Junior, Valdemir Sales [UNESP] |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
Matias Junior, Valdemir Sales [UNESP] |
| dc.contributor.advisor1.fl_str_mv |
Marafão, Fernando Pinhabel [UNESP] |
| contributor_str_mv |
Marafão, Fernando Pinhabel [UNESP] |
| dc.subject.por.fl_str_mv |
Máquinas elétricas - Manutenção e reparos Electric machinery - Maintenance and repair Transformadores elétricos Isoladores e isolamentos elétricos - Óleos Vida útil (Engenharia) |
| topic |
Máquinas elétricas - Manutenção e reparos Electric machinery - Maintenance and repair Transformadores elétricos Isoladores e isolamentos elétricos - Óleos Vida útil (Engenharia) Electric insulators and insulation - Oils Aprendizado do computador |
| dc.subject.eng.fl_str_mv |
Electric insulators and insulation - Oils Aprendizado do computador |
| description |
Transformadores de potência têm importância fundamental para o sistema elétrico de potência e a avaliação de suas condições de saúde é essencial para a operação confiável desses equipamentos, possibilitando ações de manutenção em tempo adequado e melhorando o planejamento de recursos energéticos e financeiros. Este trabalho apresenta uma metodologia para avaliação da condição de transformadores de potência de até 24,2 kV em termos do índice de saúde, ou Health Index, com aplicação de três algoritmos de aprendizado de máquina (AM) supervisionados na abordagem de regressão baseados em modelos múltiplos, denominados Random Forest (RF), Categorical Boosting (CatBoost) e Light Gradient Boosted Machine (LightGBM). A metodologia proposta utiliza um conjunto de dados formado por resultados de análises de qualidade do óleo isolante e cromatográfica, que é a base para geração de dados sintéticos, tendo como referência a evolução dos parâmetros de teste ao longo de 14 meses de operação de um transformador real da mesma classe de tensão. Dessa maneira, dobrando o número de amostras do conjunto, passando de 531 para 1062 amostras, as quais são aplicadas como os recursos de entrada para a determinação de valores de índice de saúde a partir da metodologia clássica e posteriormente pelas técnicas de aprendizado de máquina propostas. Para a implementação dos modelos propostos, o conjunto de dados passou pela etapa de pré-processamento e divisão, com 80% das amostras destinadas para treinamento dos modelos e 20% reservadas para testes. Os indicadores de desempenho e métricas de avaliação adequados para abordagem de regressão foram considerados nos resultados dos algoritmos para verificar os melhores desempenhos. A abordagem de regressão com os 13 atributos do conjunto de dados apresentou bons resultados em comparação com outros trabalhos da literatura, e o modelo Categorical Boosting (CatBoost) apresentou o melhor desempenho entre os propostos. A metodologia foi aplicada a um estudo de caso, utilizando os dados de análises físico-químicas e cromatográficas de oito transformadores de potência da mesma classe de tensão do conjunto de dados analisado, obtendo os estados de saúde e comparando com a avaliação de estado de saúde feita por especialistas. Como resultado, a metodologia indicou os transformadores a serem priorizados em intervenções de manutenção e o fatores ligados a degradação de transformadores, mostrando-se uma ferramenta estratégica para a gestão de transformadores. |
| publishDate |
2023 |
| dc.date.accessioned.fl_str_mv |
2023-10-31T15:32:52Z |
| dc.date.available.fl_str_mv |
2023-10-31T15:32:52Z |
| dc.date.issued.fl_str_mv |
2023-06-30 |
| 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 |
MATIAS JUNIOR, Valdemir Sales. Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde. 2023. 86 p. Dissertação (Mestrado em Engenharia Elétrica) – Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2023. |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/11449/251178 |
| dc.identifier.capes.none.fl_str_mv |
33004170002P2 |
| dc.identifier.lattes.none.fl_str_mv |
2236949388088057 |
| dc.identifier.orcid.none.fl_str_mv |
0000000163180019 |
| identifier_str_mv |
MATIAS JUNIOR, Valdemir Sales. Metodologia para avaliação de transformadores de até 24,2 kv através de técnicas de aprendizado de máquina para determinação do índice de saúde. 2023. 86 p. Dissertação (Mestrado em Engenharia Elétrica) – Instituto de Ciência e Tecnologia, Universidade Estadual Paulista, Sorocaba, 2023. 33004170002P2 2236949388088057 0000000163180019 |
| url |
https://hdl.handle.net/11449/251178 |
| 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 Estadual Paulista (Unesp) |
| publisher.none.fl_str_mv |
Universidade Estadual Paulista (Unesp) |
| dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UNESP instname:Universidade Estadual Paulista (UNESP) instacron:UNESP |
| instname_str |
Universidade Estadual Paulista (UNESP) |
| instacron_str |
UNESP |
| institution |
UNESP |
| reponame_str |
Repositório Institucional da UNESP |
| collection |
Repositório Institucional da UNESP |
| bitstream.url.fl_str_mv |
https://repositorio.unesp.br/bitstreams/6d880d5a-9652-4355-b6a1-be46fa965512/download https://repositorio.unesp.br/bitstreams/b6cd3177-62d1-4871-930d-0182a3ddf152/download https://repositorio.unesp.br/bitstreams/28ffd1ed-8abc-4c31-a004-b9b5fccd4500/download https://repositorio.unesp.br/bitstreams/2ff3b083-6617-467c-aab5-f2499f95fd8b/download https://repositorio.unesp.br/bitstreams/5dd973c0-1f74-4812-9016-94aea1994e1f/download |
| bitstream.checksum.fl_str_mv |
00abd0f796df4590735508464c44fdff dd3deed8b9c24d6e19c60cfc76ae8041 cfc973c0671289b8c59225dec6ae55e5 4b8b0bd825643c8de231f159ed669f12 2e9d01ba13bf69af542c37b0c0a5d046 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP) |
| repository.mail.fl_str_mv |
repositoriounesp@unesp.br |
| _version_ |
1878343921502781440 |