Metodologia de inteligência de dados para predição de nível de poluição dos isoladores de uma rede de distribuição de energia / Data intelligence methodology for predicting the pollution level of insulators in a power distribution network
DOI:
https://doi.org/10.34117/bjdv8n2-334Keywords:
Inteligência de dados, Machine Learning, Linhas de Transmissão, Poluição de Isoladores, Fatores Meteorológicos.Abstract
Os isoladores nas linhas de transmissão e nas subestações de energia elétrica desempenham um papel fundamental na confiabilidade e na preservação das redes de distribuição de energia. As concessionárias elétricas enfrentam problemas recorrentes com interrupções não programadas no fornecimento de energia, principalmente em regiões litorâneas como a ilha de São Luís no Maranhão, nas quais os isoladores estão expostos à deposição de poluições advindas de diferentes fontes e próximos a locais com tendência para receber poluição com alto teor de salinidade. Para manter a integridade do funcionamento do sistema de energia elétrica, esses isoladores precisam ser lavados regularmente. Objetivando inferir o nível de poluição sobre a superfície dos isoladores e orientar ações otimizadas de lavagem, desenvolvemos uma metodologia baseada em algoritmos de regressão Random Forest (RF) e eXtreme Gradiente Boosting (XGBoost), tendo como entrada variáveis meteorológicas, a distância do mar e os eventos de lavagem dos isoladores. Os modelos experimentais de RF e XGBoost foram treinados e testados a partir dos resultados obtidos de um Simulador de nível de poluição. Verificou-se que os modelos de regressão de poluição propostos são eficientes para a implementação operacional de predição da poluição sobre a superfície dos isoladores, com vistas à priorização do processo de lavagem.
References
AHMAD, S.; GHOSH, P. S.; ALJUNID, S. A. K.; AHMAD, H.; SAID, I.; HUSSAIN, H.Artificial Neural Network for Contamination Severity Assessment of High Voltage
Insulators Under Various Meteorological Conditions. AUPEC, Perth, 2001.
BEZERRA, R. C.; MELLO, D. R. DE; PORFIRIO, D. M.; ARAÚJO, F. E. R. DE; TEIXEIRA JR, J. M. T.; PINHEIRO, J. C.; ANDRADE, J. A. S.; ALVES NETO, O. F.; LEITE, R. C. Avaliação de isoladores poliméricos em linha de transmissão de 138 kV – estudo de caso. IV SBSE, 2012.
BREIMAN, L. Random Forests. Machine Learning, v. 45, n.1, p. 5-32, 2001.
CHEN, T.; GUESTRIN, C. XGBoost: A Scalable Tree Boosting System. In:
International Conference on Knowledge Discovery and Data Mining, 2016. Proceedings[...]. San Francisco: ACM, 2016, p. 785–794.
FINARDI, F.A.R.; HOLANDA, G. M.; ADORNI, C.Y.K.O.; NADER, M.V.P; PINHEIRO, K.R.C. Deep learning as innovation vector in the provisioning of new household electricity connections. Brazilian Journal of Development, v.7, n.8, 2021. Doi:10.34117/bjdv7n8-028
GOTO, S., NAKAMURA, M., NANAYAKKARA, N., TANIGUCHI, T. Accurate decision-making for timely washing of substation insulators, based on a pollution model
Control. Eng. Practice, v. 5, n. 12, p. 1683-1689, 1997.
HADIPOUR, M.; SHIRAN, M. A. Various Pollutions of Power Line Insulators, Majlesi Journal of Electrical Engineering, v.6, n.1, 2017.
HUSSAIN, M. M.; FAROKHI, S.; MCMEEKIN, S. G.; FARZANEH, M.; Mechanism of saline deposition and surface flashover on outdoor insulators near coastal areas part II: impact of various environment stresses, IEEE Transactions on Dielectrics and Electrical Insulation, v. 24, n. 2, p. 1068-1076, 2016.
IEC 60815, Guide for the selection of insulators in respect of polluted conditions, 1986.
KENNY, E. D.; SICA, Y. C.; CRUZ, O. M.; MENDES, P. R.; MENDES, J. C.; RAVAGLIO, M.; KAPP, W. A. Desenvolvimento de metodologia para monitoramento do grau de poluição nos alimentadores de 13,8 kV e 69 kV da ilha de São Luís. Parte II. III CITINEL, Florianópolis. Cong. de inovação tecnológica em energia elétrica, 2005.
LY, B.-T.; MATSUMI, Y.; VU, T. V.; SEKIGUCHI, K.; NGUYEN, T.-T.; PHAM, C.-T.; NGHIEM, T.-D.; NGO, I.-H.; KUROTSUCHI, Y.; NGUYEN, T.-H.; NAKAYAMA, T. The effects of meteorological conditions and long-range transport on PM2.5 levels in Hanoi revealed from multi-site measurement using compact sensors and machine learning approach. Journal of Aerosol Science, v. 152, 2021.
MEIRA, G. R.; PADARATZ, I. J. Efeito do distanciamento em relação ao mar na agressividade por cloretos. In.: 44º Congresso Brasileiro do Concreto. Anais.
IBRACON. Belo Horizonte, 2002.
MELLO, D. R. de, COSTA, R. T.D., BATISTA, J. T., MELO, M. E. Avaliação do grau de poluição em instalações de transmissão, subestações e distribuição. 2001.
MONTOYA, G.; RAMIREZ, I.; MONTOYA, J. I. Correlation among ESDD, NSDD and leakage current in distribution insulators. IEE Proc.-Gener. Transm. Distrib., v. 151, n.3, 2004.
MORCILLO, M.; CHICO, B.; OTERO, E.; MARIACA, L. Effect of marine aerosol on
atmospheric corrosion. Materials Performance, v. 38, p. 72-77, 1999.
NAN, J.; XU, T.; WAN, X.; LIANG, X. Fast contamination depositing characteristics of insulators under artificial horizontal wind field conditions. Proc. Chin. Soc. Electr. Eng. v. 37, n. 11, p. 3323–3330, 2017.
PIAZZOLA, J.; DESPIAU, S. Contribution of marine aerosols in the particle size distributions observed in Mediterranean coastal zone. Atmospheric Environment, v. 18, p. 2991-3009, 1997.
PONTES, R. B. Disseminação de íons cloreto na orla marítima do bairro de Boa Viagem, Recife - PE. Dissertação de Mestrado. Universidade Católica de Pernambuco, 2006.
PORTELLA, K. F.; PIAZZA, F.; INONE, P. C.; RIBEIRO Jr, S.; CABUSSÚ, M. S.; CERQUEIRA, D. P.; CHAVES, C. S. S. Efeitos da poluição atmosférica (litorânea e industrial) em isoladores da rede elétrica da região metropolitana de Salvador, Química Nova, v. 31, n.2, 2008.
CESP (Companhia Energética de São Paulo). Observações e medições nas estações de corrosão atmosféricas no litoral. Relatório Téc. nº 5A. Projeto Litoral. São Paulo, 1987.
REN, A., LI, Q., XIAO, H. Influence analysis and prediction of ESDD and NSDD based on random forest. Energies, v. 10, n.878, 2017.
SALEM, A. A., ABD-RAHMAN, R. A review of the Dynamic Modelling of pollution
flashover on high voltage outdoor insulators. J. Phys: Conf. Series, v. 1049, 2018.
SALEM, A. A.; RAHMAN, R. A.; AL-AMERI, S. Pollution Flashover Characteristics of High-Voltage Outdoor Insulators: Analytical Study. Arab J Sci Eng., 2021.
SICA, Y. C. Mapeamento da corrosividade atmosférica de São Luís - MA e a correlação das variáveis ambientais que influenciaram na degradação dos materiais metálicos. Dissertação de Mestrado, Universidade Federal do Paraná, Curitiba, Brasil, 2006.
SPIEL, D. E.; LEEUW, G. Formation and Production of Sea Spray Aerosol. J. Aerosol
Sci, v. 27, supl.1, 1996.
SUN, J.; ZHANG, H.; LI, Q.; LIU, H.; LU, X.; HOU, K. Contamination degree prediction of insulator surface based on exploratory factor analysis‐least square support vector machine combined model. The Inst. of Eng. and Tech., 2020.
THANH, P. N. T.; CHO, M.-Y.; DA, T., N. Insulator leakage current prediction using surface spark discharge data and particle swarm optimization based neural network. Electric Power Systems Research, v.191, 2021.
VERGÉS, G. R. Estudo do desempenho de sistemas de pintura para materiais das redes de distribuição de energia elétrica situadas em regiões litorâneas. Dissertação de Mestrado, Universidade Federal do Paraná, 2005.
WANG, H.; WANG, B.; LI, M.; LUO, P.; MA, H.; MA, F. Insulator
contamination perception based on feature fusion of infrared image and
meteorological parameters. Front. Energy Research, 2021.
ZEZZA, F.; MACRI, F. Marine aerosol and stone decay. The Science of the Total
Environment, v. 167, p. 123-143, 1995.
ZHICHENG, Z.; CUILIN; DELI, Q.; XINHAO, C.; XIA, R.; XUEFEI, Z. Preliminary assessment of numerical simulation of atmospheric particulate matter causing pollution flashover of grid equipment. 12th Int. Comp. Conf. on Wavelet Active Media Tech. and Information Processing (ICCWAMTIP), p. 487- 492, 2016.
