Texto completo
| |
| Autor(es): |
Orlem Lima dos Santos
Número total de Autores: 1
|
| Tipo de documento: | Dissertação de Mestrado |
| Imprenta: | Campinas, SP. |
| Instituição: | Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação |
| Data de defesa: | 0000-00-00 |
| Membros da banca: |
Daniel Dotta;
Fernando José Von Zuben;
Ildemar Cassana Decker
|
| Orientador: | Daniel Dotta |
| Resumo | |
Atualmente, uma grande quantidade de dados é coletada pelos WAMS (Wide Area Measurement Systems). Portanto, existe uma clara necessidade de métodos de aprendizagem de máquina (ML - Machine Learning), capazes de extrair informações relevantes e confiáveis dos dados de sincrofasores. Entre as abordagens de ML, os modelos de Rede Neural Profunda (DNN - Deep Neural Network) têm a vantagem de aprender diretamente com os dados, tornando essas abordagens não dependentes das técnicas de extração de atributos. No entanto, esses modelos profundos produzem classificadores caixa-preta (black-box) que podem suscitar preocupações quando aplicados a ambientes de alto risco (infraestrutura crítica), como o sistema elétrico de potência (EPS-Electric Power Systems). Neste trabalho, a aplicação de um método orientado a dados (data-driven) explicável é realizada a fim de inspecionar o desempenho do classificador DNN para identificação de eventos usando medições de sincrofasores. O classificador DNN é uma LSTM (Long-Short Term Memory) que tem demostrado bom desempenho na extração de características dinâmicas. A principal vantagem dessa abordagem é o uso de uma inspeção baseada em interpretabilidade denominada SHAP (SHapley Additive exPlanation), que é baseada na teoria dos jogos cooperativos (valores Shapley), que fornece os meios para avaliar as previsões da LSTM, destacando as partes das séries temporais de entrada que mais contribuíram para a identificação dos eventos e detecção de possíveis vieses. Além disso, usando a inspeção SHAP juntamente com o conhecimento de domínio (domain knowledge) sobre o problema, o desempenho e a coerência do classificador LSTM são aprimorados ao escolher o classificador que não apenas possui a maior acurácia de identificação (IAR - Identification Accuracy Rate), mas também é coerente com o conhecimento de domínio do problema, minimizando possíveis vieses detectados. O uso dessa abordagem interpretável é útil porque: i) explica como o classificador LSTM está tomando suas decisões; ii) ajuda o designer a melhorar o treinamento do classificador; iii) certifica que o classificador resultante tem um desempenho consistente e coerente de acordo com o conhecimento do domínio; iv) quando o usuário entende que o classificador está tomando decisões coerentes, reduz claramente as preocupações da aplicação dos métodos DNN em uma infraestrutura crítica. O método proposto é avaliado usando registros reais de eventos sincrofasores do Sistema Interligado Nacional (SIN) (AU) | |
| Processo FAPESP: | 17/25425-5 - Análise de metodologias baseadas em redes neurais artificiais para a classificação de eventos usando Sincrofasores |
| Beneficiário: | Orlem Lima dos Santos |
| Modalidade de apoio: | Bolsas no Brasil - Mestrado |