Diagnóstico de falhas em unidades geradoras eólicas por meio dos métodos de decomposição EMD, VDM, CEEMDAN com auxílio da análise das características obtidas pelos algoritmos de aprendizado de máquina 1D CNN, SVM e KNN

• Processo: 23/09184-9
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2023
• Data de Término da vigência: 31 de outubro de 2024
• Área de conhecimento: Engenharias - Engenharia Elétrica - Sistemas Elétricos de Potência
• Pesquisador responsável: Mateus Giesbrecht
• Beneficiário: Sophia Bosso Romano
• Instituição Sede: Faculdade de Engenharia Elétrica e de Computação (FEEC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Assunto(s): Aprendizado computacional Diagnóstico de falhas Métodos de decomposição
• Palavra(s)-Chave do Pesquisador: algoritmos de aprendizado de máquina | diagnóstico de falhas | Métodos de decomposição | Unidades geradoras eólicas | unidades geradoras eólicas

Resumo

As fontes renováveis, com destaque para a energia eólica, desempenham um papel fundamental na sustentabilidade energética global. No entanto, para maximizar seu aproveitamento é necessário o desenvolvimento de ferramentas de diagnóstico de falhas para unidades geradoras eólicas (UGs). Portanto, este projeto de pesquisa tem como principal objetivo comparar os métodos de decomposição de séries temporais para a geração de características para algoritmos classificadores aplicados ao diagnóstico de falhas de UGs. A técnica de decompor os sinais antes da apresentação a algoritmos classificadores tem sido utilizada recentemente para diagnóstico de falhas, entretanto a comparação entre diferentes técnicas atuais de decomposição ainda é incipiente na literatura, motivando este trabalho. Com isso, serão analisadas as propriedades dos dados de falhas em UGs por meio dos métodos Decomposição de Modo Empírico (EMD), Decomposição de Modo Variacional (VDM) e Decomposição de Modo Empírico de Conjunto Completo com Ruído Adaptativo (CEEMDAN). Em seguida, será realizado o treinamento dos modelos classificadores Rede Neural Convolucional Unidimensional (1D CNN), Máquina de Vetores de Suporte (SVM) e K-ésimo Vizinho Mais Próximo (KNN) a partir das características extraídas dos componentes dos sinais. Por fim, será classificado o conjunto de testes para avaliar se as ferramentas de decomposição são capazes de fornecer características relevantes para o diagnóstico de falhas e, em caso afirmativo, encontrar qual desses métodos de decomposição possuirá melhor resultado nas métricas de desempenho utilizando diferentes algoritmos classificadores.