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: Matias Junior, Valdemir Sales
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: 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
• Link de acesso: https://hdl.handle.net/11449/251178

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.