Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27428
Title: Metodologia para classificação de nível de poluição de isoladores com base na medição da corrente de fuga utilizando inteligência artificial.
Other Titles: Methodology for classifying the pollution level of insulators based on the measurement of the leakage current using artificial intelligence.
???metadata.dc.creator???: SILVA, Nathanael Pereira.
???metadata.dc.contributor.advisor1???: LIRA, George Rossany Soares de.
???metadata.dc.contributor.referee1???: VILAR, Pablo Bezerra.
Keywords: Inteligência artificial;Poluição de isoladores;Corrente de fuga - medição;Isoladores;Mapas de Kohonen;Máquinas de vetor de suporte;Mapas auto-organizáveis - Kohonen e Naive Bayes;Kohonen e Naive Bayes - mapas;Contaminação em isoladores;Naive Bayes;Modelo SVM;Artificial intelligence;Pollution of insulators;Leakage current - measurement;Insulators;Maps of Kohonen;Support vector machines;Self-organizing maps - Kohonen and Naive Bayes;Kohonen and Naive Bayes - maps;Contamination in insulators;Naive Bayes;SVM model
Issue Date: 1-Apr-2022
Publisher: Universidade Federal de Campina Grande
Citation: SILVA, Nathanael Pereira. Metodologia para classificação de nível de poluição de isoladores com base na medição da corrente de fuga utilizando inteligência artificial. 2022. 63f. (Trabalho de Conclusão de Curso - Monografia), Curso de Bacharelado em Engenharia Elétrica, Centro de Engenharia Elétrica e Informática , Universidade Federal de Campina Grande – Paraíba - Brasil, 2022. Disponível em: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27428
???metadata.dc.description.resumo???: Os isoladores são equipamentos responsáveis por fornecer isolamento elétrico e sustentação mecânica aos condutores, sendo amplamente utilizados nos Sistemas Elétricos de Potência. A confiabilidade e continuidade do sistema dependem que esses equipamentos operem de forma correta. Devido à importância dos isoladores para o sistema elétrico, estudos que desenvolvam técnicas capazes de realizar o diagnóstico/prognóstico desses equipamentos, fazem-se necessários. Este trabalho apresenta uma técnica para classificação ou diagnóstico de isoladores a partir de parâmetros da corrente de fuga. Inicialmente, o banco de dados foi construído, por meio de ensaios elétricos para obtenção da corrente de fuga com isoladores de vidro poluídos artificialmente em cinco diferentes níveis: limpo, muito leve, leve, moderado e pesado. Os parâmetros da corrente de fuga que apresentaram maior correlação com a poluição foram: valor de pico, valor eficaz e a componente harmônica fundamental. Os modelos de classificação utilizados para determinar o nível de poluição, basearam-se em técnicas de inteligência artificial, sendo elas: Máquinas de Vetor de Suporte, Mapas Auto-Organizáveis de Kohonen e Naive Bayes. Indicadores de desempenho foram utilizados para avaliar a confiabilidade de cada uma das técnicas como também realizar uma análise comparativa entre elas. Os indicadores utilizados foram: acurácia, precisão, sensibilidade, f1-score e matriz de confusão. Verificou-se que os modelos de classificação apresentaram ótimos resultados, principalmente o algoritmo baseado em aprendizado não supervisionado, Mapas de Kohonen. Com isso, obteve-se um modelo de classificação com desempenho satisfatório que pode ser utilizado em um sistema de monitoramento e diagnóstico de isoladores capaz de auxiliar nos processos de tomada de decisão relacionados ao gerenciamento de ativos.
Abstract: Insulators are equipment responsible for providing electrical insulation and mechanical support to conductors, and are widely used in the Electric Power Systems. System reliability and continuity depend on these equipment operating correctly. Due to the importance of insulators for the electrical system, studies that develop techniques capable of performing the diagnosis/prognosis of this equipment are necessary. This work presents a technique for classification or diagnosis of insulators based on leakage current parameters. Initially, the database was built, through electrical tests to obtain the leakage current with artificially polluted glass insulators at five different levels: clean, very light, light, moderate and heavy. The leakage current parameters that presented the greatest correlation with pollution were: peak value, RMS value and the fundamental harmonic component. The classification models used to determine the level of pollution were based on artificial intelligence techniques, namely: Support Vector Machines, Kohonen Self-Organizing Maps and Naive Bayes. Performance indicators were used to assess the reliability of each of the techniques as well as perform a comparative analysis between them. The indicators used were: accuracy, precision, recall, f1-score and confusion matrix. It was verified that the classification models presented excellent results, mainly the algorithm based on unsupervised learning, Kohonen Maps. Thus, we obtained a classification model with satisfactory performance that can be used in an insulator monitoring and diagnosis system capable of assisting in decision-making processes related to asset management.
Keywords: Inteligência artificial
Poluição de isoladores
Corrente de fuga - medição
Isoladores
Mapas de Kohonen
Máquinas de vetor de suporte
Mapas auto-organizáveis - Kohonen e Naive Bayes
Kohonen e Naive Bayes - mapas
Contaminação em isoladores
Naive Bayes
Modelo SVM
Artificial intelligence
Pollution of insulators
Leakage current - measurement
Insulators
Maps of Kohonen
Support vector machines
Self-organizing maps - Kohonen and Naive Bayes
Kohonen and Naive Bayes - maps
Contamination in insulators
Naive Bayes
SVM model
???metadata.dc.subject.cnpq???: Engenharia Elétrica.
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/27428
Appears in Collections:Curso de Bacharelado em Engenharia Elétrica - CEEI - Monografias

Files in This Item:
File Description SizeFormat 
NATHANAEL PEREIRA SILVA - TCC ENG. ELÉTRICA CEEI 2022.pdfNathanael Pereira Silva -TCC Eng. Elétrica CEEI 2022.1.21 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.