Aplicação de aprendizado de máquinas na detecção de anomalias em componentes de linhas de transmissão

Abstract

O avanço da tecnologia ao longo dos anos mudou bastante o Sistema Elétrico de Potência (SEP) e a indústria, melhorando a segurança na entrega de energia para todos. A inspeção de linhas de transmissão é um processo essencial que garante o funcionamento do sistema elétrico, mas apresenta desafios. Tradicionalmente, as inspeções são realizadas por equipes que se deslocam até locais de difícil acesso, que envolve altos riscos e custos financeiros. Com os novos recursos de inteligência artificial, usar aprendizado de máquina tem se mostrado uma solução viável para otimizar o processo na identificação de problemas estruturais nas linhas de transmissão. Neste projeto, foi desenvolvido um sistema baseado em aprendizado de máquina para detectar e analisar equipamentos nas linhas de transmissão. O sistema usa o modelo YOLOv5 para encontrar as peças e identificar onde elas estão na imagem. Em seguida, a rede neural convolucional ResNet, que permite uma análise eficiente das imagens, classifica cada peça identificada, determinando se existe avaria ou não. Os componentes da linha de transmissão sem avaria possuem uma caixa delimitadora da cor verde, e as com avarias da cor vermelha. Nos testes feitos, o sistema acertou 90,6% das vezes ao encontrar as peças e 81% ao dizer se tinham defeito. No entanto foi constado alguns desafios, como a falta de certas amostras do próprio banco de dados, o que pode impactar o desempenho do modelo para determinados componentes. Assim, obter um conjunto de dados com mais imagens e robusto é fundamental para melhorar a eficácia do sistema. Este trabalho ajuda na modernização da manutenção das linhas de transmissão usando técnicas avançadas de aprendizado de máquina. Quando usado junto com sistemas de monitoramento remoto, pode diminuir gastos e riscos das inspeções feitas por pessoas. Além disso, permite a identificação de problemas previamente, tornando o sistema elétrico mais confiável e eficiente.