Publicação
Data-driven approach to power line inspection prioritization based on criticality assessment
| Resumo: | O fornecimento contí nuo de eletricidade e um pilar fundamental da sociedade. Interrupço es, mesmo que breves, podem ter impactos significativos a ní vel operacional, econo mico e social. Com o aumento da complexidade das redes ele tricas, torna-se cada vez mais crucial garantir a resilie ncia e fiabilidade das infraestruturas energe ticas, nomeadamente das linhas ae reas de alta e me dia tensa o. Ém Portugal, a ÉDP Labelec tem um papel de destaque neste domí nio, inspecionando anualmente mais de 23000 km de linhas de alta e me dia tensa o. No entanto, o crescente volume de dados resultante das inspeço es levanta novos desafios na identificaça o e priorizaça o das linhas ele tricas. Como os preditores disponí veis neste estudo esta o agregados a ní vel municipal (e na o por linha individual), a priorizaça o sera feita agrupando as linhas por municí pio, em vez de analisa -las individualmente. Éste Trabalho Final de Mestrado apresenta um modelo de priorizaça o baseado em dados de inspeço es de linhas ae reas de alta e me dia tensa o, desenvolvido no a mbito de um esta gio curricular no departamento de Inspeço es de Ativos da ÉDP Labelec. Recorrendo a dados de anomalias, o estudo combina modelos estatí sticos cla ssicos como Regressa o Linear, A rvore de Regressa o e Regressa o Logí stica com te cnicas de aprendizagem automa tica, como Random Forest, Gradient Boosting Machines e Redes Neuronais, para estimar um í ndice de criticidade por municí pio. Éste í ndice reflete na o so a freque ncia e gravidade das anomalias, ajustadas ao comprimento das linhas, como tambe m integra fatores contextuais, tais como o consumo de eletricidade, densidade populacional, a rea abrangida pela Rede Natura 2000 e exposiça o costeira. O ranking de criticidade resultante, por municí pio, permite um planeamento mais estrate gico das inspeço es, ajudando a ÉDP Labelec a concentrar os seus recursos nas zonas de maior risco, melhorando a eficie ncia operacional e reduzindo custos. Ao promover inspeço es mais eficazes e orientadas, esta abordagem contribui para uma gesta o mais sustenta vel e robusta da infraestrutura energe tica. |
|---|---|
| Autores principais: | Cruz, Catarina Regueira |
| Assunto: | Planeamento de Inspeções Avaliação de Criticidade Aprendizagem Automática; Modelação Éstatística Inspection Planning Criticality Assessment Machine Learning Statistical Modelin |
| Ano: | 2025 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso restrito |
| Instituição associada: | Universidade de Lisboa |
| Idioma: | inglês |
| Origem: | Repositório da Universidade de Lisboa |
| Resumo: | O fornecimento contí nuo de eletricidade e um pilar fundamental da sociedade. Interrupço es, mesmo que breves, podem ter impactos significativos a ní vel operacional, econo mico e social. Com o aumento da complexidade das redes ele tricas, torna-se cada vez mais crucial garantir a resilie ncia e fiabilidade das infraestruturas energe ticas, nomeadamente das linhas ae reas de alta e me dia tensa o. Ém Portugal, a ÉDP Labelec tem um papel de destaque neste domí nio, inspecionando anualmente mais de 23000 km de linhas de alta e me dia tensa o. No entanto, o crescente volume de dados resultante das inspeço es levanta novos desafios na identificaça o e priorizaça o das linhas ele tricas. Como os preditores disponí veis neste estudo esta o agregados a ní vel municipal (e na o por linha individual), a priorizaça o sera feita agrupando as linhas por municí pio, em vez de analisa -las individualmente. Éste Trabalho Final de Mestrado apresenta um modelo de priorizaça o baseado em dados de inspeço es de linhas ae reas de alta e me dia tensa o, desenvolvido no a mbito de um esta gio curricular no departamento de Inspeço es de Ativos da ÉDP Labelec. Recorrendo a dados de anomalias, o estudo combina modelos estatí sticos cla ssicos como Regressa o Linear, A rvore de Regressa o e Regressa o Logí stica com te cnicas de aprendizagem automa tica, como Random Forest, Gradient Boosting Machines e Redes Neuronais, para estimar um í ndice de criticidade por municí pio. Éste í ndice reflete na o so a freque ncia e gravidade das anomalias, ajustadas ao comprimento das linhas, como tambe m integra fatores contextuais, tais como o consumo de eletricidade, densidade populacional, a rea abrangida pela Rede Natura 2000 e exposiça o costeira. O ranking de criticidade resultante, por municí pio, permite um planeamento mais estrate gico das inspeço es, ajudando a ÉDP Labelec a concentrar os seus recursos nas zonas de maior risco, melhorando a eficie ncia operacional e reduzindo custos. Ao promover inspeço es mais eficazes e orientadas, esta abordagem contribui para uma gesta o mais sustenta vel e robusta da infraestrutura energe tica. |
|---|