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