Banca de DEFESA: Patricia Drapal da Silva

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: Patricia Drapal da Silva
DATA : 02/08/2023
HORA: 15:00
LOCAL: Virtual
TÍTULO:

eXplainable Anomaly Detector for Thermal Power Plants

PALAVRAS-CHAVES:

Detecção Explicável de Anomalias, Agrupamento, Usinas Térmicas, Inteligência Artificial Explicável.

PÁGINAS: 70
RESUMO:

As Usinas Térmicas (UTEs) produzem eletricidade a partir da queima de combustíveis como carvão e óleo combustível. No Brasil, as UTEs são fundamentais para garantir o abastecimento de energia em períodos de condições climáticas críticas, como complemento à geração hidrelétrica. Falhas em equipamentos de UTE podem causar interrupções não programadas por um longo período de tempo, o que pode prejudicar o fornecimento de energia elétrica e resultar em custos excessivos. Para contornar este problema, soluções baseadas em algoritmos de Machine Learning e Deep Learning para detecção de anomalias em equipamentos de UTEs têm sido amplamente exploradas a fim de evitar possíveis indisponibilidades, entretanto não são focados no cenário brasileiro, onde o parque termoelétrico fica inoperante a maior parte do ano. Além disso, a falta de transparência desses algoritmos pode torná-los tendenciosos e levar a situações perigosas. Vale ressaltar também que, amparados pela Lei Geral de Proteção de Dados, os usuários de sistemas automáticos têm o direito de ser informados sobre os motivos e/ou a lógica que levou o sistema automático a produzir uma determinada saída.
O presente artigo aborda o problema de detecção e explicabilidade de anomalias em dados de sensores usados para monitorar as condições de equipamentos de UTEs. No trabalho desenvolvido, combinamos técnicas de agrupamento e estatística para detectar anomalias no sistema de arrefecimento de uma UTE brasileira. Experimentos foram realizados em casos reais de desligamento não planejado na UTE a fim de verificar se o método de detecção de anomalias poderia antecipar as falhas observadas. O método desenvolvido foi capaz de detectar os casos anômalos com vários minutos de antecedência, ao mesmo tempo em que obteve menos falsos alarmes em comparação com um método comparativo encontrado na literatura. Finalmente, as explicações dessas anomalias foram fornecidas em tempo real usando um método baseado em explicações contrafactuais e gráficos paralelos.

MEMBROS DA BANCA:
Externo à Instituição - JOÃO PAULO PORDEUS GOMES - UFC
Presidente - 1890208 - PAULO SALGADO GOMES DE MATTOS NETO
Interno - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO