Please use this identifier to cite or link to this item: http://repositorio.ufpa.br/jspui/handle/2011/12192
metadata.dc.type: Dissertação
Issue Date: 11-Sep-2019
metadata.dc.creator: MORAES, Hugo Riviere Silva
metadata.dc.contributor.advisor1: CASTRO, Adriana Rosa Garcez
Title: Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.
Other Titles: Deep neural networks applied to the diagnosis of incipient faults in transformers immersed in insulating oil.
metadata.dc.description.sponsorship: CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
Citation: MORAES, Hugo Riviere Silva. Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante. Orientadora:Adriana Rosa Garcez Castro. 21019. 68 f. Dissertação (Mestrado em Engenharia Elétrica) - Instituto de Tecnologia, Universidade Federal do Pará, Belém, 2019. Disponível em: http://repositorio.ufpa.br:8080/jspui/handle/2011/12192 . Acesso em:.
metadata.dc.description.resumo: Realizar o diagnóstico de faltas incipientes em transformadores mostra-se um grande desafio pois, devido à variabilidade das condições em que ocorrem as faltas, torna-se muito difícil definir a origem e o tipo de falta. Métodos convencionais baseados na análise dos gases dissolvidos em óleo vêm sendo utilizados pelas empresas para realizar o diagnóstico de faltas, porém, estes métodos ainda necessitam ser aplicados em conjunto para se chegar a um resultado satisfatório, além de dependerem bastante do conhecimento de um especialista da área. Visando solucionar as dificuldades relacionadas aos métodos convencionais, alguns sistemas baseados em Inteligência Computacional vêm sendo propostos na literatura e têm apresentado resultados promissores. Considerando a importância do diagnóstico de faltas em transformadores, este trabalho apresenta os resultados do estudo desenvolvido da aplicação de Redes Neurais profundas ao diagnóstico de faltas. Dois modelos são propostos utilizando Redes Neurais Convolucionais e Redes Neurais Autocodificadoras Empilhadas. Para o desenvolvimento dos sistemas foi utilizada a base de dados TC 10 com situações de transformadores faltosos. Esta base foi utilizada para desenvolvimento do método IEC 60599, que é um dos principais métodos usados pelas concessionárias de energia para diagnóstico de transformadores através da análise dos gases dissolvidos em óleo. Os resultados promissores alcançados com os dois modelos propostos (acurácia de 100% na base de teste) se sobressaíram a outros encontrados na literatura, mostrando a grande aplicabilidade das redes neurais profundas ao problema de diagnóstico de faltas incipientes de transformadores. Portanto, mostra-se uma melhor alternativa que os métodos convencionais geralmente utilizados.
Abstract: Diagnosing incipient faults in transformers is a major challenge because it is very difficult to define the source and type of fault, due to the variability in the conditions under which faults occur. Conventional methods based on the analysis of dissolved gases in oil have been used by companies to diagnose faults, however, these methods still need to be applied together to reach a satisfactory result, as well as relying heavily on the knowledge of a specialist. In order to solve the difficulties related to conventional methods, some systems based on Computational Intelligence have been proposed in the literature and have presented promising results. This paper presents the results of the study developed of the application of deep neural networks to fault diagnosis, considering then the importance of fault diagnosis in transformers. Two models are proposed using Convolutional Neural Networks and Stacked Autoencoding Neural Networks. For the development of the systems we used the TC 10 database with faulty transformer situations. This base was used to develop the IEC 60599 method, which is one of the main methods used by power utilities for transformer diagnostics through the analysis of dissolved gases in oil. The promising results achieved with the two proposed models (100% accuracy in the test base) show the great applicability of deep neural networks to the problem of incipient transformer fault diagnosis, however showing a great alternative to the conventional methods commonly used.
Keywords: Rede neural convolucional
Rede autocodificadora
Análise gascromatográfica
Faltas incipientes.
metadata.dc.subject.areadeconcentracao: COMPUTAÇÃO APLICADA
metadata.dc.subject.linhadepesquisa: INTELIGÊNCIA COMPUTACIONAL
metadata.dc.subject.cnpq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal do Pará
metadata.dc.publisher.initials: UFPA
metadata.dc.publisher.department: Instituto de Tecnologia
metadata.dc.publisher.program: Programa de Pós-Graduação em Engenharia Elétrica
metadata.dc.rights: Acesso Aberto
metadata.dc.source: 1 CD-ROM
Appears in Collections:Dissertações em Engenharia Elétrica (Mestrado) - PPGEE/ITEC

Files in This Item:
File Description SizeFormat 
Dissertacao_AplicacaoRedesNeurais.pdf1,29 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons