Visão computacional aplicada a identificação de riscos em redes de distribuição de energia

Abstract

O gerenciamento de falhas em sistemas de energia é um dos principais desafios enfrentados pelas concessionárias de energia elétrica, à medida que se esforçam para garantir maior eficiência e confiabilidade, usando várias abordagens e métodos científicos que alavancam os avanços em informação, comunicação e tecnologia. Pelo fato desses sistemas estarem expostos ao ambiente atmosférico, as chances de ocorrência de falhas acabam sendo maiores, logo, devido as suas características, essas redes apresentam vários obstáculos técnicos, já que os sistemas a serem monitorados são distribuídos, muitas vezes em locais remotos, e dessa forma, a detecção rápida de falhas nas linhas de transmissão e distribuição permite o rápido isolamento da linha defeituosa e, portanto, protege-a dos efeitos prejudiciais da falha. Analisando esse cenário, foram utilizadas técnicas de visão computacional para auxiliar a gestão da manutenção, por meio de um método de identificação de riscos na rede de distribuição que potencialmente prejudicariam o fornecimento de energia aos consumidores, através do processamento de imagens e detecção de riscos por meio de redes neurais convolucionais. O método proposto consiste na coleta das imagens, que foi realizada em áreas de zona urbana da cidade de Caruaru-PE, criação de um banco de dados e posterior divisão das imagens em classes de acordo com as características de riscos que podem afetar a distribuição de energia, classificação das imagens através de CNNs (Convolutional Neural Networks), escolha da melhor rede, detecção dos riscos pela CNN e priorização dos riscos identificados. Foi comparado o desempenho de cinco redes pré-treinadas, LeNet, AlexNet, ResNet, GoogLeNet e VGG19, e também foi comparado o desempenho de três otimizadores, Adam, SGD, RMSprop. Após o treinamento das redes foi possível observar que a rede neural que apresentou os melhores resultados foi a VGG19, treinada com o algoritmo de otimização SGD, atingindo uma acurácia de 94% e valor de perda de 0,15, sendo, portanto, a rede escolhida. Também foi possível identificar os riscos que necessitam de priorização através da matriz de risco, e por meio dela indicar ações de manutenção que evitem que o risco evolua até uma falha na rede elétrica. Dessa forma, a precisão da análise computacional pode trazer uma grande economia de tempo e melhorias de qualidade para a empresa, uma vez que, com tal conhecimento prévio dos riscos identificados, os gestores podem direcionar melhor suas equipes de manutenção.