Diagnóstico Inteligente de Faltas em Transformadores por DGA

Comparação: Resultados do Mestrado × Novos Resultados

Otacílio Rodrigues Oliveira Filho
Orientador: Prof. Dr. Raphael Barros Teixeira

Objetivo

Diagnóstico de faltas incipientes em transformadores de potência a partir da Análise de Gases Dissolvidos (DGA) em óleo isolante, usando classificadores de aprendizado de máquina.

  • Dissertação de mestrado (UFPA): métodos KNN, RNA e DUVAL.
  • Este trabalho: revisitar o mesmo problema com novos modelos, comparando resultados sobre o mesmo conjunto de dados.

Contexto — DGA

A Análise de Gases Dissolvidos identifica falhas incipientes a partir das concentrações de gases característicos formados pela degradação do óleo isolante:

  • H2 (hidrogênio), CH4 (metano), C2H4 (etileno), C2H6 (etano), C2H2 (acetileno)

Classes de diagnóstico (padrão IEEE C57.104 / IEC 60599):

  • NO — normal
  • T1 / T2 / T3 — falhas térmicas (temperatura crescente)
  • D1 / D2 — descargas de baixa / alta energia
  • PD — descarga parcial

Dataset

DataSet/DataSetDGA.xlsx — 2004 amostras, sem valores nulos.

Rótulo Contagem
NO 1295
T2 190
T3 183
D2 96
PD 91
D1 80
T1 69

Distribuição desbalanceada: classe NO concentra ~65% das amostras.

Metodologia — Mestrado

Notebooks em ResultadosMestrado/:

  • KNN (Knn.ipynb) — busca de k ótimo, KNeighborsClassifier (scikit-learn), modelo serializado em knn_DGA.sav.
  • RNA (RNA.ipynb) — rede densa (Keras/TensorFlow), ativação selu, GridSearchCV para tuning, modelo serializado em meuRnn.pkl.
  • DUVAL — método clássico de triângulo/pentágono, usado como referência (SistemaDiagnosticoInteligente.ipynb).

Resultados — Mestrado (KNN)

Extraído da saída salva de Knn.ipynb:

              precision    recall  f1-score   support

           0       0.96      0.99      0.97       442
           1       0.94      0.91      0.93       129
           2       0.95      0.87      0.91        91

    accuracy                           0.96       662

Acurácia geral: 96%

Resultados — Mestrado (RNA)

Extraído da saída salva de RNA.ipynb:

  • Treinamento: 100 épocas, categorical_accuracy final ≈ 91.7% (treino)
  • Avaliação no conjunto de teste: categorical_accuracy ≈ 94.8%

Metodologia — Novos Resultados

Nota

Seção a preencher conforme os novos modelos forem desenvolvidos em ResultadosNovos/.

  • Algoritmo(s): a definir
  • Pré-processamento: a definir
  • Estratégia de validação: a definir (ex.: k-fold, balanceamento de classes)

Resultados — Novos Resultados

Nota

A preencher com métricas dos novos modelos (accuracy, precision/recall por classe, matriz de confusão, kappa).

Comparação — Mestrado × Novos

Métrica Mestrado (KNN) Mestrado (RNA) Novo modelo
Acurácia 96% ~94.8% a preencher
Precisão macro 0.95 — a preencher
Recall macro 0.92 — a preencher
Observações 3 classes agrupadas 100 épocas a preencher

Conclusões e Próximos Passos

  • Os modelos do mestrado alcançaram acurácia entre ~95–96% com poucas classes agrupadas.
  • Próximos passos:
    1. Treinar novos modelos em ResultadosNovos/ sobre as 7 classes originais (não agrupadas).
    2. Tratar o desbalanceamento de classes (ex.: NO domina ~65% dos dados).
    3. Atualizar esta apresentação com os resultados obtidos.

Referências