NOVA ABORDAGEM PARA SELEÇÃO E EXTRAÇÃO DE CARACTERÍSTICAS ATRAVÉS DE PROGRAMAÇÃO GENÉTICA: APLICAÇÃO EM DIAGNÓSTICO DE FALTAS INCIPIENTES EM TRANSFORMADORES DE POTÊNCIA
programação genética, agrupamento de dados, mineração de dados, Redes Neurais Artificiais, Autoencoder.
A tarefa de classificação de dados depende do desenvolvimento de ótimos classificadores capazes de aprender padrões em meio a uma quantidade de informações que muitas vezes se encontram em um conjunto com redundâncias ou com atributos irrelevantes para o problema. Técnicas para seleção e extração de características são então muito importantes para o processo de otimização do conjunto de dados a ser usado para o desenvolvimento de classificadores. Desta forma, neste trabalho é proposta uma nova abordagem baseada em Programação Genética (PG) para a extração e seleção de características para problemas com conjuntos de atributos reais. A técnica considera a otimização de uma função fitness baseada no índice de silhueta para a criação de um espaço n-dimensional de características que sejam capazes de realizar a compactação intraclasse enquanto realizam a separação interclasse. A eficiência da metodologia, bem como a importância das características extraídas são verificadas através da aplicação da técnica no processo de desenvolvimento de um sistema de Diagnóstico de faltas em transformadores baseado na análise dos gases dissolvidos em óleo (DGA - Dissolved Gas Analysis), sendo o sistema classificador desenvolvido usando redes Perceptron Multicamadas e rede Varational Autoencoder (VAE), que foi utilizada para lidar com o problema de desbalanceamento dos dados da base de dados usada para treinamento do classificador. Os resultados obtidos a partir das métricas de avaliação de desempenho do classificador demonstram a eficiência e aplicabilidade da abordagem proposta.
artigo :
J. F. Vidal and A. R. G. Castro, "Diagnosing Faults in Power Transformers With Variational Autoencoder, Genetic Programming, and Neural Network," in IEEE Access, vol. 11, pp. 30529-30545, 2023, doi: 10.1109/ACCESS.2023.3258544.