Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Tominaga, Rafael Noboro
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado computacional
DFIG
Electric current
Eletrodinâmica
Fault identification
Máquinas assíncronas
Modeling
Neural network
Redes neurais
Turbinas
Wind turbine
Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-11072025-135727/
Resumo: Turbinas eólicas são sistemas de conversão de energia eletromecânica impulsionados pela transição energética. Por serem equipamentos complexos e relativamente recentes, existem oportunidades para melhorar a sua eficiência. Técnicas de detecção de curto-circuito baseadas na análise de assinatura de corrente vêm sendo empregadas para esse fim. Além disso, modelos analíticos contribuem para uma melhor compreensão do desempenho desses sistemas. Uma das contribuições desta pesquisa é a revisão e o detalhamento da modelagem elétrica do gerador de indução de alimentação dupla (DFIG) dedicado à turbina eólica. Nesse tipo de aerogerador, a regulação de velocidade e fluxo é realizada por meio do fluxo de potência ativa e reativa no enrolamento do rotor. O modelo abrange tanto a máquina quanto seu controle, permitindo a emulação de curto-circuito entre espiras de cada fase no estator e no rotor. A segunda contribuição consiste no desenvolvimento de uma rede neural capaz de identificar e localizar o enrolamento (fase) que apresenta curto-circuito. A abordagem combina rede neural com árvore de decisão. Tal abordagem foi concebida para garantir a rastreabilidade das tomadas de decisão, o que aporta maior conhecimento ao engenheiro. A topologia de rede neural aqui adotada atingiu acurácia de 98% nos dados experimentais utilizados para o teste, tendo sido treinada exclusivamente com dados simulados do modelo DFIG. A validação ocorreu em bancada laboratorial. As contribuições apresentadas promovem melhor monitoramento e rotinas de manutenção mais eficazes para turbinas eólicas DFIG.
id USP_efcb7f79ce5da07f6dfa1aad4d14308b
oai_identifier_str oai:teses.usp.br:tde-11072025-135727
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.Untitled in englishAprendizado computacionalDFIGElectric currentEletrodinâmicaFault identificationMáquinas assíncronasModelingNeural networkRedes neuraisTurbinasWind turbineTurbinas eólicas são sistemas de conversão de energia eletromecânica impulsionados pela transição energética. Por serem equipamentos complexos e relativamente recentes, existem oportunidades para melhorar a sua eficiência. Técnicas de detecção de curto-circuito baseadas na análise de assinatura de corrente vêm sendo empregadas para esse fim. Além disso, modelos analíticos contribuem para uma melhor compreensão do desempenho desses sistemas. Uma das contribuições desta pesquisa é a revisão e o detalhamento da modelagem elétrica do gerador de indução de alimentação dupla (DFIG) dedicado à turbina eólica. Nesse tipo de aerogerador, a regulação de velocidade e fluxo é realizada por meio do fluxo de potência ativa e reativa no enrolamento do rotor. O modelo abrange tanto a máquina quanto seu controle, permitindo a emulação de curto-circuito entre espiras de cada fase no estator e no rotor. A segunda contribuição consiste no desenvolvimento de uma rede neural capaz de identificar e localizar o enrolamento (fase) que apresenta curto-circuito. A abordagem combina rede neural com árvore de decisão. Tal abordagem foi concebida para garantir a rastreabilidade das tomadas de decisão, o que aporta maior conhecimento ao engenheiro. A topologia de rede neural aqui adotada atingiu acurácia de 98% nos dados experimentais utilizados para o teste, tendo sido treinada exclusivamente com dados simulados do modelo DFIG. A validação ocorreu em bancada laboratorial. As contribuições apresentadas promovem melhor monitoramento e rotinas de manutenção mais eficazes para turbinas eólicas DFIG.Wind turbines are electromechanical energy conversion systems driven by the energy transition. Because they are complex and relatively new equipment, there are opportunities to improve their efficiency. Short-circuit detection techniques based on current signature analysis have been used for this purpose. In addition, analytical models accelerate the understanding of these systems performance. One of the contributions of this research is the review and detailing of the electrical modeling of the doubly fed induction generator (DFIG) dedicated to the wind turbine. In this type of wind turbine, speed, and flow regulation is performed through the flow of active and reactive power in the rotor winding. The model covers both the machine and its control, allowing the emulation of short-circuits between turns of each phase in the stator and rotor. The second contribution consists of developing a neural network capable of identifying and locating the winding (phase) that presents a short-circuit. The approach combines neural network with decision tree. This approach was designed to ensure the traceability of decisionmaking, which provides greater knowledge to the engineer. The neural network topology adopted here achieved 98% accuracy on the experimental data used for testing, having been trained exclusively with simulated data from the DFIG model. The validation took place on a laboratory bench. The contributions presented promote better monitoring and more effective maintenance routines for DFIG wind turbines.Biblioteca Digitais de Teses e Dissertações da USPAvila, Sérgio LucianoSalles, Maurício Barbosa de CamargoTominaga, Rafael Noboro2025-06-11info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/3/3143/tde-11072025-135727/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-07-14T13:56:02Zoai:teses.usp.br:tde-11072025-135727Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-07-14T13:56:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
Untitled in english
title Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
spellingShingle Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
Tominaga, Rafael Noboro
Aprendizado computacional
DFIG
Electric current
Eletrodinâmica
Fault identification
Máquinas assíncronas
Modeling
Neural network
Redes neurais
Turbinas
Wind turbine
title_short Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
title_full Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
title_fullStr Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
title_full_unstemmed Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
title_sort Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.
author Tominaga, Rafael Noboro
author_facet Tominaga, Rafael Noboro
author_role author
dc.contributor.none.fl_str_mv Avila, Sérgio Luciano
Salles, Maurício Barbosa de Camargo
dc.contributor.author.fl_str_mv Tominaga, Rafael Noboro
dc.subject.por.fl_str_mv Aprendizado computacional
DFIG
Electric current
Eletrodinâmica
Fault identification
Máquinas assíncronas
Modeling
Neural network
Redes neurais
Turbinas
Wind turbine
topic Aprendizado computacional
DFIG
Electric current
Eletrodinâmica
Fault identification
Máquinas assíncronas
Modeling
Neural network
Redes neurais
Turbinas
Wind turbine
description Turbinas eólicas são sistemas de conversão de energia eletromecânica impulsionados pela transição energética. Por serem equipamentos complexos e relativamente recentes, existem oportunidades para melhorar a sua eficiência. Técnicas de detecção de curto-circuito baseadas na análise de assinatura de corrente vêm sendo empregadas para esse fim. Além disso, modelos analíticos contribuem para uma melhor compreensão do desempenho desses sistemas. Uma das contribuições desta pesquisa é a revisão e o detalhamento da modelagem elétrica do gerador de indução de alimentação dupla (DFIG) dedicado à turbina eólica. Nesse tipo de aerogerador, a regulação de velocidade e fluxo é realizada por meio do fluxo de potência ativa e reativa no enrolamento do rotor. O modelo abrange tanto a máquina quanto seu controle, permitindo a emulação de curto-circuito entre espiras de cada fase no estator e no rotor. A segunda contribuição consiste no desenvolvimento de uma rede neural capaz de identificar e localizar o enrolamento (fase) que apresenta curto-circuito. A abordagem combina rede neural com árvore de decisão. Tal abordagem foi concebida para garantir a rastreabilidade das tomadas de decisão, o que aporta maior conhecimento ao engenheiro. A topologia de rede neural aqui adotada atingiu acurácia de 98% nos dados experimentais utilizados para o teste, tendo sido treinada exclusivamente com dados simulados do modelo DFIG. A validação ocorreu em bancada laboratorial. As contribuições apresentadas promovem melhor monitoramento e rotinas de manutenção mais eficazes para turbinas eólicas DFIG.
publishDate 2025
dc.date.none.fl_str_mv 2025-06-11
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/3/3143/tde-11072025-135727/
url https://www.teses.usp.br/teses/disponiveis/3/3143/tde-11072025-135727/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1844786332819259392

Registros relacionados