Diagnóstico de conversores CA-CC-CA através da aplicação de redes neurais convolucionais
Resumo
Devido à necessidade da redução da emissão dos gases poluentes e à busca
por meios mais sustentáveis de produção de energia, a energia eólica tem
sido uma das fontes renováveis que mais crescem no mundo. Entretanto, os
custos com operação e manutenção podem chegar a 15% do preço da energia
gerada, evidenciando a necessidade de aplicação de métodos para diagnóstico
correto de falhas, especialmente no sistema de conversão, que é responsável por
cerca de 13% das falhas por turbina ao ano. Diante disto, este trabalho busca
diagnosticar as falhas apresentadas por conversores de potência em uma planta
de geração eólica. Para tanto, foi implementada uma rede neural convolucional
(RNC) ResNet50 com os dados de entrada reais da planta representados como
gráficos de radar e divididos em 48 classes, sendo: uma delas do sistema em
condições normais de operação, outra para outros tipos de falhas e as demais
cada uma representando uma falha no sistema de conversão. Quanto aos
resultados, delineiam o progresso e os desafios enfrentados no desenvolvimento
da rede neural, no qual foi alcançada uma acurácia final de 91,66%, por
meio do ajuste dos hiperparâmetros e análise da complexidade dos padrões
aprendidos pela rede. Com isso, a partir da observação dos resultados, viu-se
que um dos principais ofensores para o aumento da acurácia do modelo é o
desbalanceamento de dados, sugere-se o uso de técnicas como data augmentation
gerando novos exemplos sintéticos visando equilibrar a distribuição. Afora,
este trabalho não apenas valida a eficácia do modelo proposto, mas também
lança luz sobre direções futuras promissoras, ampliando o debate acerca do uso
de redes neurais para diagnóstico de falhas em conversores, a fim de corroborar
com o aumento da disponibilidade da planta de geração
Collections
Os arquivos de licença a seguir estão associados a este item: