Proposta de ponderação automática na otimização de diretriz de traçado de novas linhas de transmissão de energia elétrica usando redes neurais artificiais

Orientador: Prof. Dr. Daniel Rodrigues dos SantosDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências da Terra, Programa de Pós-Graduação em Ciências Geodésicas. Defesa : Curitiba, 27/09/2021Inclui referências: p. 98-100Resumo: De acordo com a ONS (Operador Nacional de Sistema Elétrico), há uma previsão deconstrução de aproximadamente 39,8 mil quilômetros de novas Linhas deTransmissão (LTs) com tensões entre 230 kV e 500 kV no país. Levando emconsideração a largura da faixa de abrangência de uma nova obra que é de 5 km(segundo legislação vigente), têm-se uma área potencial indireta a ser afetada de 199mil km² e direta de mais de 2 mil km². Um dos fatores preponderantes na construçãode LTs é a fase de planejamento do traçado de diretrizes (definição traçado inicial eexperimental), que envolve o conhecimento prévio de fatores restritivos presentes naárea de instalação do empreendimento. Em abordagens convencionais, oplanejamento do traçado de diretriz de LTs é realizado de forma manual, com baseem um conjunto de dados extraídos de cartas topográficas do exército, imagens desatélite, entre outras bases de dados disponíveis, dependendo também do profissionalque realiza essa análise e a ponderação de critérios são subjetivos. Dessa forma, oobjetivo principal deste estudo é utilizar inteligência artificial (IA) para o cálculo dospesos de cada variável de forma homogênea visando minimizar impactos sociais,ambientais, culturais e econômicos na fase de diretriz de traçados na construção denovas linhas de transmissão. A RNA utilizada é a Neuralnet, baseada em linguagemR, utilizando a entropia cruzada como métrica de erro. Foram utilizados como dadosde entrada da rede as variáveis: uso do solo, declividade, áreas de proteção integral,aeródromos, áreas indígenas, altimetria, linhas de transmissão existentes eempreendimentos lineares, composto pelas camadas de ferrovias, rodovias edutovias. Foi realizado o treinamento da RNA utilizando 2 mil e 20 mil amostras,escolhidas aleatoriamente, sendo 60% delas utilizadas para a checagem da qualidadedo modelo treinado. Verificou-se que a utilização de 5 neurônios ocultos é suficientepara a geração automática dos pesos usando a RNA. A taxa de sucesso máximaalcançada pelo modelo treinado foi de 69% utilizando a quantidade maior de amostras.A taxa de sucesso encontrada é resultado da baixa qualidade das amostrasempregadas, uma vez que há inúmeras camadas utilizadas para entrada do modeloque não foram consideradas na construção das linhas de transmissão usadas, nestetrabalho, como amostras positivas.Abstract: As reported by NESO (National Electric System Operator), there are plans to buildapproximately 39.8 thousand kilometers of new Transmission Lines (TLs) with voltagesbetween 230 kV and 500 kV in the national territory. According to current legislation,the width of the range of a new Transmission Line construction is 5 km, thus, there isa potential indirect area of 199 thousand km² to be changed and a direct area of morethan 2 thousand km². One of the most important factors in the construction of TLs isthe planning phase of the guideline layout (initial and experimental route definition),which involves prior knowledge of restrictive factors present in the area of the project.In conventional approaches, the LT's guideline path planning is done manually, basedon a set of data extracted from Army topographic maps, satellite images, among otheravailable databases. This planning depending on the professional who performs thisanalysis and, thus, the criteria weighting are subjective. Hence, the main objective ofthis study is to use Artificial Intelligence (AI) to calculate the weights of each variablein a homogeneous way, in order to minimize social, environmental, cultural, andeconomic impacts in the guideline path phase of the construction of new TransmissionLines. For this purpose, the Artificial Neural Network (ANN) used is Neuralnet, whichis based on the R language, using cross-entropy as an error metric. The followingvariables were used as input data for the network: land use, slope, integral protectionareas, airfields, indigenous areas, altimetry, existing transmission lines, and linearenterprises (layers of railroads, highways, and pipelines). The ANN was trained using2 thousand and 20 thousand randomly chosen samples, 60% of which were used tocheck the quality of the trained model. It was found that the use of 5 hidden neurons issufficient for the automatic generation of the weights using ANN. The maximumsuccess rate achieved by the trained model was 69% using the larger amount ofsamples. The success rate found is a result of the low quality of the used samples,since there are numerous layers used for model input that were not considered in theconstruction of the transmission lines used as positive samples in this work