Determinação de pontos críticos de avarias em unidades transformadoras através de descoberta de conhecimento em texto

A interrupção no fornecimento da distribuição de energia elétrica é um grande transtorno tanto para os clientes quanto para as concessionárias responsáveis. Vários desses eventos são acarretados por avarias em transformadores de média tensão, fatos que requerem ações de manutenção demoradas e dispendiosas. À vista disso, o registro de tais acontecimentos é imprescindível para o emprego de futuras medidas preventivas. No entanto, esses apontamentos tornam-se incapazes de claras interpretações a partir do momento que transfiguram à grandes volumes de dados armazenados. Este trabalho propõe a análise de inconsistências nos registros de banco de dados de ocorrências encerradas de avarias em transformadores e especificação de níveis de criticidade (normal, crítico e muito crítico) inerentes à localização física das instalações, através da análise de reincidências. Com base em Descoberta de Conhecimento em Textos (Knowledge-Discovery in Text ou KDT) e algoritmo de aprendizagem por Redes Bayesianas, elaborou-se um meio de extrair informações presentes nas observações das ocorrências encerradas de maneira a reconhecer casos de avarias. A partir disso, a utilização de uma árvore de decisão a fim de especificar o quão crítico são os locais de instalação desses equipamentos. Os treinamentos dos algoritmos são apresentados através de métricas de qualidade (matrizes de confusão, curva ROC, coeficiente Kappa) e os resultados disponibilizados em gráficos e mapas dos pontos classificados representando o conhecimento extraído.The outage in the electric power supply is unsuitable for customers and distribution utilities. Several forced outages are due to medium voltage transformers failures, which requires maintenance and costly actions. . Therefore, the recording of such events is essential to future preventive measures. However, these records become unable to support correct interpretations when large volumes of data are stored. This work proposes to examine inconsistencies in event records of database containing information about transformer damages and specify severity levels (normal, critical and very critical) inherent to the installation location of transformers in the network by analyzing recurrences. Based on Knowledge Discovery in Text (KDT) and learning algorithm by Bayesian networks, the methodology implements a method of extracting information contained in the occurrence in order to recognize instances of damage. After that, the methodology specifies how critical it’s the location of equipment by a decision tree. The training algorithms are defined by quality metrics (confusion matrices, ROC curve, kappa coefficient) and the results shown in graphs and maps with points ranked representing the extracted knowledge