ApresentaçãoApresentaçãoMárcia Zanutto Barbosa

Universidade Federal do ParanáPrograma de Pós-Graduação em Métodos Numéricos

RECONHECIMENTO E CLASSIFICAÇÃO RECONHECIMENTO E CLASSIFICAÇÃO DO ÓLEO MINERAL ISOLANTE COM DO ÓLEO MINERAL ISOLANTE COM

BASE NO VETOR DE INFORMAÇÕES BASE NO VETOR DE INFORMAÇÕES DAS ANÁLISES FISICO QUÍMICAS.DAS ANÁLISES FISICO QUÍMICAS.

Márcia Zanutto Barbosa. Orientador: Prof. Anselmo Chaves Neto Dr.

O Óleo Mineral IsolanteO Óleo Mineral IsolanteO 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.

3

Tema de Estudo: Óleo Mineral Tema de Estudo: Óleo Mineral IsolanteIsolante

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.

4

ObjetivoObjetivo

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.

5

Variáveis do ProblemaVariáveis 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 ÓleoTemperatura do Óleo

6

ImplementaçõesImplementaçõesTodos 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.

7

Redes Neurais de Base RadialRedes Neurais de Base RadialA 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.

8

Arquitetura daArquitetura da R.B.F proposta para o modeloR.B.F proposta para o modelo

Camada de entrada com 6 neurônios

Camada intermediária com 70 neurônios

Camada de saída com 3 neurônios

9

Redes de Base Radial - TreinamentoRedes de Base Radial - Treinamento1º 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.

10

Implementação R.B.F.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.

11

Máquina de Vetor Suporte-SVMMáquina 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.

12

Máquina de Vetor Suporte-SVM-Máquina de Vetor Suporte-SVM-Como FuncionaComo 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.

13

A Aprendizagem 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.

14

Classificação BináriaClassificação BináriaUma 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.

15

Máquina de Vetor Suporte Máquina de Vetor Suporte Interpretação GeométricaInterpretação Geométrica

Margem

Hiperplano ótimo

Vetores de suporte

Vetores de suporte

16

Material e Coleta de DadosMaterial 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.17

Erro Médio de Classificação(%)Erro Médio de Classificação(%)

 

Erro de Classificação – Modelo SVM

4,656,577,05

12,359,337,82

10,46

16,32

21,99

Tamanho da Amostra

Err

o p

erce

ntu

al

100 200 250 600500450400350300

18

Percentuais de Aceitações Percentuais de Aceitações e de Rejeiçõese de Rejeições

Performance – Modelo SVM

0

20

40

60

80

100

Tamanho da Amostra

Per

cen

tual

de

Cla

ssif

icaç

ão

Aceitação - verdadeira amostra

Rejeição -falsa amostra

100 200 300 400 500 600

19

20

Matriz de confusão – FAIXA 1Matriz de confusão – FAIXA 1CLASSIFICAÇÃO PREVISTA

 BOM806 amostras

A RECUPERAR24 amostras

A REGENERAR147amostras

CLASSIFICAÇÃOREAL

FAIXA1 abaixo de 69 KV

Taxa Aparente de Erro:

APER =

BOMSVM

RBF

748

92.80%766

95.04%

9

1.1%5

0.62%

19

2.4%35

4.34%

A RECUPERARSVM

RBF

1

4.2%3

12.5%

23

95.83%19

79.17%

0

0%2

8.3%A REGENERARSVM

RBF

0

0%2

1.36%

0

0%2

1.36%

147

100.00%143

97.28%

APER SVM: 6 %RBF: 5 %   Total de amostras testadas = 977

RESULTADOSRESULTADOS

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.

21