APLICAÇÃO DA MINERAÇÃO DE DADOS COMO TÉCNICA DE ANÁLISE PARA DIAGNÓSTICO DE FALHAS EM TRANSFORMADORES DE DISTRIBUIÇÃO

Abstract

Os dados originados através da análise dos gases dissolvidos (DGA), em transformadores, são consideráveis. Tarefas de análise e extração de informações desse banco de dados tornam-se extremamente custosas para um analista humano. No processo de Mineração de Dados a análise e extração do conhecimento é realizada procurando padrões consistentes e/ou relacionamentos sistemáticos entre as instâncias destes dados. Na implementação dessa técnica, métodos baseados na Inteligência Artificial são usados a fim de melhorar o processo de análise. Este projeto visa determinar padrões utilizando a ferramenta Diferencial Evolution com o intuito de minerar os dados, e identificar falhas em Transformadores de Distribuição. Sendo elas divididas em três parâmetros: falha térmica, falha elétrica e condição normal de operação. Conforme a literatura pesquisada a validação de um modelo pode ser descrita como o processo de aceitação ou rejeição do mesmo. Esta análise está condicionada a vários fatores, prevalecendo o confronto dos dados reais com os resultados obtidos a partir da simulação do modelo. Como um modelo matemático dificilmente descreve todas as características de um sistema real, ele pode ser considerado válido quando representar as características fundamentais do sistema que será modelado de forma satisfatória. A formulação desse problema considerou 224 amostras (valores de concentração dos gases em ppm), de análise de gases dissolvidos para transformadores de 13,8KV a 230Kv, com e sem comutador sob carga (OLTC).O desempenho do Algoritmo de Otimização Differential Evolution na resolução do Problema de Classificação de Padrões através da Mineração de Dados demostrou ser válido, no entanto existem pontos que necessitam de melhoria, um exemplo seria a falha na identificação da Classe B. Vale ressaltar que o desempenho de um modelo matemático depende da característica dos dados selecionados e quanto maior for essa disponibilidade de dados melhor será a taxa de aprendizado do programa, com isso os resultados também tendem a melhorar consideravelmente.