Metodologia para a classificação de descargas parciais utilizando redes neurais artificias.

• Ano de defesa: 2014
• Autor(a) principal: MACÊDO, Euler Cássio Tavares de.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Descargas parciais; Redes neurais artificiais; Classificação de descargas parciais; Processamento estático; Diagnóstico de isolamentos; Medições clássicas; Inteligência artificial; Partial discharges; Artificial neural networks; Classification of partial discharges; Static processing; Insulation diagnostics; Classic measurements; Artificial intelligence; Engenharia Elétrica.
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/18180

As Descargas Parciais se caracterizam por pulsos de corrente de alta frequência, que ocorrem no interior dos equipamentos elétricos de alta tensão e são originadas pelo processo de ionização do meio gasoso submetido a um campo elétrico elevado. Elas são tidas como fontes potenciais de defeitos nos isolamentos elétricos. Inicialmente o fenômeno ocorre no isolamento elétrico de forma parcial e existe a tendência, devido a fragilização do meio isolante, de se tornar total, o que causa um curto-circuito entre as partes energizadas e o referencial de terra, danificando o equipamento elétrico. Portanto, os níveis de ocorrência de descargas parciais devem ser acompanhados periodicamente em toda vida útil do equipamento. Durante muitos anos, a avaliação dos padrões obtidos a partir de medições de sinais de descargas parciais foi feita de forma visual, por meio da representação gráfica em forma de elipses dos sinais de corrente e tensão utilizando osciloscópios. O emprego de computadores e técnicas de inteligencia artificial, em medições de descargas parciais, permitiram o reconhecimento automático de padrões obtidos a partir das medições de descargas parciais, tanto em campo quanto em laboratório. Nesta Tese de doutorado, é proposta uma metodologia baseada em ferramenta computacional, que permite realizar a geração, processamento e identificação de tipos de defeitos em isolamentos elétricos por meio da classificação de sinais de descargas parciais. Para a geração de descargas parciais em laboratório, desenvolveu-se uma estrutura baseada em célula hermética, que possibilitou a geração de sinais de descargas parciais com características bem definidas. Verificou-se durante as medições que os sinais de descargas parciais eram bastante susceptíveis à interferências existentes no ambiente de medição, e para mitigar esse problema, utilizou-se a Transformada Wavelet. Foram avaliadas descargas parciais medidas em laboratório e verificou-se uma redução do nível de ruído significativa após o processo de filtragem. Dentre as wavelet mãe avaliadas, as Daubechies apresentaram desempenho relativamente superior, além de um tempo de processamento inferior em comparação às demais. A partir da medição e filtragem dos sinais de descargas parciais foram obtidos sinais que possuem padrões estatísticos bem definidos, os quais foram utilizados para identificar o tipo de defeito existente no equipamento de alta tensão. Verificou-se também a possibilidade de automatizar a identificação de defeitos a partir da utilização dos operadores estatísticos, por meio de técnicas de inteligência artificial. Foram implementadas três topologias de redes neurais artificiais, uma contendo apenas uma camada oculta, e outras contendo duas e três camadas ocultas. O desempenho das RNA para esse tipo de identificação de padrões foi satisfatório, principalmente utilizando a topologia composta por 2 camadas ocultas. Verificou-se que a taxa de acerto global médio desta topologia foi de aproximadamente 96%, apresentando um aumento significativo na taxa de acerto global e por classe em comparação com as topologias contendo uma e três camadas ocultas. O desempenho das topologias de RNA foi avaliado principalmente pelo emprego do erro quadrático médio e matrizes de confusão.