Márcia Zanutto Barbosa Apresentação Márcia Zanutto Barbosa Universidade Federal do Paraná Programa de Pós-Graduação em Métodos Numéricos

Márcia Zanutto Barbosa. Orientador: Prof. Anselmo Chaves Neto Dr. RECONHECIMENTO E CLASSIFICAÇÃO DO ÓLEO MINERAL ISOLANTE COM BASE NO VETOR DE INFORMAÇÕES DAS ANÁLISES FISICO QUÍMICAS. Márcia Zanutto Barbosa. Orientador: Prof. Anselmo Chaves Neto Dr.

O Óleo Mineral Isolante O óleo mineral isolante é uma mistura na qual a maioria das moléculas é constituída basicamente por carbono e hidrogênio e é obtido através da destilação do petróleo natural, da fração de 300 a 4000C. O óleo mineral é usado em transformadores por apresentar rigidez dielétrica muito superior a do ar, elevada capacidade térmica e excelente coeficiente de transmissão de calor.

Tema de Estudo: Óleo Mineral Isolante O óleo mineral isolante em transformadores de potência está sujeito à deterioração devido às condições mecânicas e químicas de uso. O óleo em serviço é submetido a reações de oxidação devido à presença de oxigênio, água e metais. O acompanhamento e a manutenção da qualidade do óleo isolante são etapas essenciais para assegurar uma operação confiável dos transformadores.

Objetivo O trabalho tem como objetivo apresentar ferramentas estatísticas/ computacionais que permitam fazer a avaliação do óleo isolante em operação, usando os dados físicos e químicos adquiridos ao longo dos anos. O estudo envolve uma abordagem em Aprendizagem de Máquina para comparar com as técnicas estatísticas Multivariadas na área de reconhecimento e classificação de padrões.

Variáveis do Problema Índice de Neutralização: Medida da quantidade de KOH necessária para neutralizar os constituintes do óleo. Fator de Potência: Associado às perdas dielétricas Rigidez Dielétrica: Medida da capacidade de um líquido resistir ao impacto elétrico sem falhar. Tensão Interfacial: Força de atração entre as moléculas de água e óleo na superfície de separação de ambos. Teor de Água no Óleo Temperatura do Óleo

Implementações Todos os métodos aplicados, quando implementados, estabelecerão o reconhecimento e a classificação de novos indivíduos (novos dados de entrada ou observações) bem como a alocação dos mesmos em classes pré-estabelecidas.

Redes Neurais de Base Radial A rede RBF é uma estrutura composta pela camada (com dimensão n) de padrões de entrada, uma camada intermediária (camada escondida com dimensão m) e a camada de saída. Assim são chamadas por possuir em sua arquitetura uma camada escondida definida por um conjunto de funções de base radial.

Arquitetura da R.B.F proposta para o modelo Camada intermediária com 70 neurônios Camada de entrada com 6 neurônios Camada de saída com 3 neurônios 9

Redes de Base Radial - Treinamento 1º Estágio: O número de funções radiais e seus parâmetros são determinados por métodos não – supervisionados. 2º Estágio: Ajuste de pesos dos nodos de saída são determinados por métodos supervisionados.

Implementação R.B.F. O classificador R.B.F para o modelo deve associar cada padrão “desconhecido” à sua verdadeira classe de tal forma que o erro de classificação seja tão pequeno quanto se queira.

Máquina de Vetor Suporte-SVM A SVM é um sistema de aprendizado treinado com um algoritmo de otimização baseado na teoria estatística de aprendizagem que implementa a seguinte idéia: vetores do espaço de entrada são mapeados não linearmente para um espaço característico (E.V. com produto interno) de alta dimensionalidade, através de um mapeamento escolhido a priori e, nesse espaço uma superfície de decisão linear é construída, constituindo um hiperplano de separação ótima entre os exemplos.

Máquina de Vetor Suporte-SVM- Como Funciona Dadas duas classes e um conjunto de pontos pertencentes a essas classes, uma SVM determina um hiperplano que separa os pontos de forma a colocar o maior número de pontos da mesma classe do mesmo lado, enquanto maximiza a distância de cada classe ao hiperplano.

A Aprendizagem A aprendizagem é do tipo Supervisionada, onde: A “boa resposta” é fornecida durante o treinamento. Tem eficiência devido ao fornecimento de muitas informações. É útil para classificação, regressão e estimação de probabilidade condicional.

Classificação Binária Uma Máquina de vetor suporte constrói um classificador binário a partir de um conjunto de padrões, chamados exemplos de treinamento, em que a classificação é conhecida.

Máquina de Vetor Suporte Interpretação Geométrica Margem Hiperplano ótimo Vetores de suporte

Material e Coleta de Dados Para o estudo em questão, o óleo mineral isolante será classificado em três faixas de voltagem, correspondendo à tensão do transformador do qual foi extraído: -           Faixa 1: abaixo de 69kV e amostra com 2567 observações. -           Faixa 2: de 69kV a 240kV e amostra com 2912 observações. -           Faixa 3: acima de 240kV e amostra com 500 observações.

Erro Médio de Classificação(%) Erro de Classificação – Modelo SVM 4,65 6,57 7,05 12,35 9,33 7,82 10,46 16,32 21,99 Tamanho da Amostra Erro percentual 100 200 250 600 500 450 400 350 300  

Percentuais de Aceitações e de Rejeições Performance – Modelo SVM 20 40 60 80 100 Tamanho da Amostra Percentual de Classificação Aceitação - verdadeira amostra Rejeição -falsa amostra 200 300 400 500 600

Matriz de confusão – FAIXA 1 CLASSIFICAÇÃO PREVISTA   BOM 806 amostras A RECUPERAR 24 amostras A REGENERAR 147amostras CLASSIFICAÇÃO REAL FAIXA1 abaixo de 69 KV Taxa Aparente de Erro: APER = SVM RBF 748 92.80% 766 95.04% 9 1.1% 5 0.62% 19 2.4% 35 4.34% 1 4.2% 3 12.5% 23 95.83% 79.17% 0% 2 8.3% 1.36% 147 100.00% 143 97.28% APER SVM: 6 % RBF: 5 %   Total de amostras testadas = 977

RESULTADOS O Modelo RBF apresentou resultados com aproximadamente 95% de classificações corretas nas Faixas 1 e 2. O Modelo SVM , ainda em fase de testes, já apresenta um percentual de aproximadamente 94% de classificações corretas nas faixas 1 e 2.