Sistema de Diagnóstico de Falta em Transformadores Baseados em Inteligência Computacional Evolutiva, Notas de estudo de Automação

Baixe Sistema de Diagnóstico de Falta em Transformadores Baseados em Inteligência Computacional Evolutiva e outras Notas de estudo em PDF para Automação, somente na Docsity! VI WORKSPOT- INTERNATIONAL WORKSHOP ON POWER TRANSFORMERS FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010 Sistema de Diagnóstico de Falta em Transformadores Baseado em Inteligência Computacional Evolutiva Daniel F. Leite*; Lucas O. Nascimentoº; Alan Barbosaº; Pyramo Costa Jr.º; Davidson G. Ferreira+; Fernando Gomide* danfl7@dca.fee.unicamp.br, on.lucas@gmail.com, alanacaiaca@gmail.com, pyramo@pucminas.br, davidson@cemig.com.br, gomide@dca.fee.unicamp.br * Universidade Estadual de Campinas, UNICAMP, Campinas - SP, Brasil º Universidade Católica de Minas Gerais, PUC-MG, Belo Horizonte - MG, Brasil + Companhia de Energia de Minas Gerais, CEMIG, Belo Horizonte - MG, Brasil RESUMO Neste artigo apresentamos um sistema de diagnóstico de falta em transformadores. O sistema usa dados de análises cromatográficas de óleo isolante, e emprega modelos estatísticos, fuzzy e neuro-evolutivos para detectar padrões de ocorrências em transformadores em operação. Mineração de dados e aprendizagem de modelos para extração de conhecimento são objetivos do sistema; diagnóstico da condição é saída do sistema. Em particular, usamos na construção do sistema um modelo linear de componentes principais para seleção dos atributos mais importantes em amostragens de gases dissolvidos no óleo isolante; modelo fuzzy baseado em regras para prover transparência ao sistema e lidar com incerteza nos dados; e redes neurais granulares evolutivas para adaptação da estrutura e parâmetros de modelos em ambiente dinâmico. Experimentos usando dados reais de transformadores mostram que o sistema de diagnóstico desenvolvido é capaz de capturar padrões de falta e sumarizar condições de operação em regras interpretáveis com eficiência. PALAVRAS CHAVE Análise de Componentes Principais; Cromatografia; Diagnóstico de Falta; Rede Neural Granular Evolutiva; Sistema de Regras Fuzzy; Transformador. VI WORKSPOT- INTERNATIONAL WORKSHOP ON POWER TRANSFORMERS FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010 1. INTRODUÇÃO Atualmente, não existe uma teoria geral que provê soluções universais para problemas não-lineares de diagnóstico de falta e nenhuma metodologia é unanimemente aceita como a mais efetiva e eficiente para detectar faltas em transformadores. Neste trabalho sugerimos uma abordagem de inteligência computacional para o problema de detecção e diagnóstico de falta em transformadores. Em particular, apresentamos um Sistema de Diagnóstico de Transformadores, SDT, produto de um projeto de pesquisa e desenvolvimento. O SDT se apóia em paradigmas de inteligência computacional - redes neurais artificiais, teoria de conjuntos fuzzy e aprendizagem incremental evolutiva - e em um método estatístico de seleção de características para prover diagnóstico de ocorrências em transformadores. Basicamente, o sistema proposto é baseado em dados provenientes de análise química de gases dissolvidos no óleo isolante de transformador, mineração dos dados, e aprendizagem de modelos para extração de conhecimento. De um ponto de vista mais geral, as abordagens de aprendizagem e extração de conhecimento para diagnóstico de falta utilizadas em SDT pertencem à categoria de métodos de redundância baseados em modelos. Para uma visão detalhada das diferentes abordagens para detecção e diagnóstico de falta, e aspectos de métodos de redundância analítica, veja os artigos de Gertler [1], Isermann [2], e Patton [3]. Neste artigo enfatizamos as ferramentas principais que recheiam SDT, e discutimos resultados do comportamento do sistema na detecção de padrões de operação de um transformador considerando dados reais. A próxima seção apresenta uma visão geral do sistema construído. A Seção 3 expõe a técnica de estatística multivariada que adotamos para seleção das componentes principais de vetores de atributos. A análise linear de componentes principais PCA empregada possibilitou a redução da complexidade e da redundância do problema. Na seção 4, um modelo fuzzy baseado em regras visando diagnóstico é abordado. O modelo provê interpretabilidade e transparência ao sistema SDT ao tempo que oferece um mecanismo para lidar com incerteza nos dados de entrada. Redes neurais granulares evolutivas são discutidas na Seção 5. Estas redes são munidas com procedimentos de aprendizagem incremental não-recursiva que permitem adaptação estrutural e paramétrica de modelos ao decorrer do tempo. As dinâmicas não-lineares não-estacionárias dos padrões de ocorrências em transformadores e do ambiente em que os transformadores se encontram são automaticamente capturadas por redes neurais granulares evolutivas. A Seção 6 discute os resultados do comportamento do sistema SDT em detecção e diagnóstico de falta. A Seção 7 conclui o artigo e revela a pesquisa em andamento. 2. DETECÇÃO E DIAGNÓSTICO DE FALTA 2.1. PRELÚDIO Faltas em transformadores são causadas por estresses que inevitavelmente agem sobre seus componentes. Os tipos de estresses podem ser agrupados em: térmicos, elétricos, eletromagnéticos, residuais, dinâmicos e ambientais [4], [5]. Caso estes estresses sejam mantidos em certos níveis nos estágios de projeto, manufatura, aplicação, instalação, operação e manutenção, transformadores funcionarão como esperado por longos períodos. Entretanto, caso alguns destes ultrapassem limiares de severidade, a vida útil dos transformadores reduzem devido à aparição de faltas incipientes. Sistemas de manutenção preditiva objetivando monitoramento de transformadores em operação têm sido desenvolvidos ao longo das últimas três décadas. O processo de pesquisa e desenvolvimento em detecção e diagnóstico de falta requer a devoção de considerável quantidade de tempo e esforço de investigação das condições específicas às quais os transformadores operam. Especialistas apóiam-se em experiência própria para identificar as variáveis principais para monitoramento e desenvolver esquemas de detecção adequados. O resultado final típico é um sistema de reconhecimento de padrões compacto, não-transparente e não-entendível para a maioria das pessoas. VI WORKSPOT- INTERNATIONAL WORKSHOP ON POWER TRANSFORMERS FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010 onde H2, CH4, CO, C2H2, C2H4, C2H6, GC e Tóleo significam os componentes hidrogênio, metano, monóxido de carbono, acetileno, etileno, etano, gás combustível e temperatura do óleo, respectivamente; Aj1 é a j-ésima função de pertinência definida no domínio do atributo H2, Aj2 é a j- ésima função de pertinência de CH4, e assim por diante; α1 e α2 são condições saudáveis ou faltosas do transformador; e κ1 e κ2 são fatores de certeza. Dentre as ocorrências capturadas por SDT estão: operação normal, taxa normal de evolução de gases, estabilidade ou instabilidade na evolução, elevada concentração de gases, mal-funcionamento devido a alta concentração de acetileno, transformador em manutenção, e óleo em regeneração. Consideramos um modelo fuzzy tipo Mamdani – implicação com T-norma min e agregação usando a S-norma max. O método de defuzificação utilizado é o centro de massa. Três funções de pertinência definem cada domínio dos atributos e cada domínio das classes. A configuração do modelo contou com auxílio de especialistas em cromatografia e com dados históricos de diagnóstico. 5. REDES NEURAIS ARTIFICIAIS 5.1. INTRODUÇÃO Através do uso de redes neurais artificiais conseguimos automatizar o processamento neural natural de especialistas humanos para detectar falta em transformadores. Uma vez que redes neurais são apropriadamente treinadas para exercer esta função, seus parâmetros e estrutura contêm o conhecimento necessário para indicar a existência de falta. Utilizamos dados históricos reais de transformadores para treinar redes neurais granulares evolutivas [11] na tarefa de detecção de falta. Este tipo de modelo neural revela características ímpares relacionadas a auto-adaptação contínua e em tempo real a novas informações surgindo em fluxos de dados. Redes neurais granulares evolutivas podem lidar com processos não-lineares não-estacionários usando uma estratégia de aprendizagem incremental não-recursiva, e grânulos de informação. 5.2 REDE NEURAL GRANULAR EVOLUTIVA Tratamos classificação adaptativa de padrões em SDT usando redes neurais granulares evolutivas, eGNN. O modelo eGNN é uma variação evolutiva de redes neuro-fuzzy granulares capaz de lidar com ambientes dinâmicos [11], [12]. A origem de eGNN está relacionada com pesquisa recente em processamento de dados sem a necessidade de re-treinamento completo de modelos. Colocado de uma maneira geral, o classificador eGNN sumariza o comportamento do sistema e suas classes usando uma descrição em um espaço de atributos e respectivos dados de treinamento. eGNN usa hiper-retângulos fuzzy para granular dados, e neurônios baseados em nullnormas para agregar atributos associados aos grânulos. O algoritmo de aprendizagem adapta parâmetros e estrutura da rede incrementalmente tão logo que o ambiente muda e a mudança é refletida nos dados. Além disso, o algoritmo trata dados rotulados e não-rotulados concomitantemente usando um procedimento único. Ele pode processar dados tanto numéricos como granulares. Redes eGNN aprendem a partir de um fluxo de dados x[h], h = 1, 2, ..., onde as instâncias podem ou não ser acompanhadas de um rótulo de classe C[h]. Cada grânulo de informação γi da coleção finita dos grânulos existentes γ = {γ1, ..., γc}, definido no espaço de atributos X ⊆ ℜn, é associado a uma classe Ck da coleção finita de classes C = {C1, ... Cm} em um espaço de saída Y ⊆ ℵ. eGNN associa o espaço de atributos e de saída usando grânulos e neurônios T-S [10], [12] nos passos de processamento. A rede neural tem uma estrutura em cinco camadas, como ilustra a Fig. 2. A camada de entrada insere vetores característicos x[h] = (x1, ..., xn) [h], h = 1, 2, ..., na rede neural; a camada granular consiste de um conjunto de grânulos de informação γi∀i formado como um escopo do fluxo de dados. Sobreposição parcial de grânulos são permitidas; a camada de agregação contém neurônios T-S, TSni∀i [11]. Eles VI WORKSPOT- INTERNATIONAL WORKSHOP ON POWER TRANSFORMERS FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010 agregam graus de pertinência para gerar medidas de compatibilidade oi∀i entre exemplo e grânulos; na camada de decisão, as medidas de compatibilidade são comparadas e a classe Ck associada ao grânulo γν que apresentou a maior compatibilidade para um exemplo é a saída; a camada de saída compreende indicadores de rótulos de classes. Todas as camadas, exceto a camada de entrada, evoluem dado x[h]. A adaptação paramétrica e estrutural do classificador eGNN pode ser realizada de diferentes maneiras dependendo da aplicação. Por exemplo, o número de classes pode ser automaticamente controlado quando temos esta informação de antemão. O número de grânulos na estrutura do modelo pode também ser limitado se memória e tempo de processamento são restrições. Em ambientes desconhecidos ambos, o número de grânulos e de classes, podem ser automaticamente controlados pelo algoritmo de aprendizagem. Fig. 2. Rede neural granular evolutiva Omitiremos derivações e formulações do algoritmo de treinamento de eGNN. Solicitamos que o leitor refira-se a [11] ou [12] para uma abordagem completa. Basicamente, o algoritmo eGNN compreende os seguintes procedimentos: (i) ajuste da granularidade; (ii) criação e refinamento de grânulos; (iii) monitoramento de distâncias; (iv) pré-rotulação de dados não-rotulados; (v) adaptação dos pesos da camada de agregação; (vi) poda de neurônios inativos; (vii) decisão de classificação; e (viii) detecção de outliers. Postos de forma sistemática, estes procedimentos formam o algoritmo eGNN. 6. RESULTADOS Dados de análises cromatográficas de gases dissolvidos no óleo isolante de um transformador foram considerados. Eles contém 10 classes que representam 6 condições de falta e 4 condições saudáveis do equipamento. Nenhum par de classes é linearmente separável. O número de componentes principais considerado a partir do processamento de PCA foram 8. Inicialmente são admitidos os atributos: H2, CH4, CO, C2H2, C2H4, C2H6, GC, Tóleo, além de O2 (oxigênio), N2 (nitrogênio), CO2 (dióxido de carbono), VGC (volume de gás combustível) e TR (temperatura do enrolamento). A unidade de medida é partícula por milhão para todos os atributos, com exceção das temperaturas que são dadas em ºC. Os atributos, j, são padronizados de acordo com: (Xj – min(Xj)) / (max(Xj) – min(Xj)) ∀j. VI WORKSPOT- INTERNATIONAL WORKSHOP ON POWER TRANSFORMERS FOZ DO IGUAÇÚ, PR – 25 A 28 DE ABRIL DE 2010 Para estabelecer as coordenadas do espaço de projeção PCA, usamos 60% das amostras de cromatografia disponíveis. Omitiremos detalhes a respeito dos autovalores e autovetores obtidos. Basicamente, PCA tem atuado reduzindo o espaço característico original de treze atributos para um espaço projetado contendo oito componentes sem acarretar perda significativa de desempenho do sistema. Noticiamos uma perda na taxa de classificações corretas menor que 0,1% quando replicamos as amostras usadas no treinamento. Em contraste, o algoritmo proveu uma melhoria na taxa de classificação geral do sistema de aproximadamente 2% quando fornecido o restante dos dados, aqueles não usados no treinamento. De uma maneira geral, PCA reduziu a complexidade e redundância do problema, e conseqüentemente promoveu melhoria de desempenho. Conduzimos experimentos para avaliar redes eGNN na detecção de falta de um transformador. Usamos três parametrizações diferentes de eGNN (vide detalhe do processo de parametrização em [13]) para permitir grânulos maiores ou menores. Cada experimento foi processado 5 vezes com os mesmos parâmetros. Em cada realização, os dados foram misturados para induzir diferentes ordens no fluxo. Os exemplos foram apresentados seqüencialmente apenas uma vez a eGNN. O modelo começa a aprender a partir de uma base de grânulos vazia e sem pré-treinamento. A Tabela I mostra o desempenho de eGNN comparado com o desempenho de modelos alternativos comumente adotados na resolução de problemas de reconhecimento de padrões: redes perceptron multi-camadas (MLP) e Elman, fuzzy C-means (FCM), Takagi-Sugeno estendido (xTS) e Takagi-Sugeno evolutivo (eTS). Tabela I – Desempenho de diferentes algoritmos para detecção de falta Modelo Número de protótipos Passos de treinamento Tempo de pro- cessamento (s) Taxa class. (% melhor) Taxa class. (% média) MLP 79 20000 1450 73,17 65,99 Elman 79 20000 2145 71,37 65,23 FCM 90 129 18 89,14 83,46 eTS Indisponível 1 2,5 90,03 88,09 xTS Indisponível 1 2,6 91,06 89,83 eGNN1 40 1 1,3 96,00 93,98 eGNN2 56 1 1,4 98,34 96,93 eGNN3 79 1 1,6 99,46 98,40 A Tabela I indica que redes neurais eGNN foram superiores a modelos não-lineares convencionais em taxa de classificação correta de padrões. Além disso, eGNN processa fluxo de dados não- recursivamente usando estruturas relativamente mais compactas. Os principais fatores que influenciaram os resultados da tabela foram as peculiaridades das diferentes abordagens de modelagem. No caso de eGNN foram o maior grau de flexibilidade dos neurônios fuzzy baseados em nullnorma, sua estrutura adaptativa e o processamento baseado em grânulos de informação. Em suma, modelos eGNN se mostraram eficientes em indicar ocorrências em transformadores em operação. A Fig. 3 mostra um exemplo da interface fuzzy do SDT. O painel principal é divido na parte de configuração, ajuste fino, de regras; e na parte de processamento de dados de análises cromatográficas. Relatórios de diagnóstico são gerados para os exemplos processados. A interface permite acesso à configuração básica do sistema mascarando códigos de programação em níveis mais baixos. 7. CONCLUSÃO Um sistema de diagnóstico de falta em transformadores foi desenvolvido. O sistema processa dados provenientes de análise de gases dissolvidos no óleo isolante de transformadores usando modelos neurais granulares, fuzzy e componentes principais para realizar classificação de padrões. Dados históricos de transformadores foram usados para avaliação da efetividade do sistema. As abordagens de modelagem adotadas permitiram extração de características de amostras cromatográficas, construção e adaptação de modelos e disponibilidade de informação interpretável, diagnóstico.