Aplicação de Instrumentação não Invasiva para Aferição do Estado de Isolamentos Elétricos



Baixar 0.49 Mb.
Página5/5
Encontro07.10.2019
Tamanho0.49 Mb.
1   2   3   4   5

94,0

94,0

100,0

2,14x10-06

8

Corr. X Som

6x(80x245)

81,8

80,8

74,2

1,91x10-01

20

Corr. X Term.

6x(80x237)

89,9

92,1

100,0

2,25x10-06

4

Som X Espect.

6x(80x132)

84,8

82,5

99,4

6,21x10-03

10

Som X Term.

6x(80x128)

97,4

96,9

98,9

1,02x10-02

23

Term. X Espect.

6x(80x124)

98,7

98,7

100,0

5,16x10-06

6

Corr. X Som X Espect.

6x(80x309)

92,7

91,3

100,0

5,23x10-06

8

Corr. X Som X Term.

6x(80x305)

95,8

93,6

93,7

5,72x10-02

10

Corr X Term X Espect.

6x(80x301)

98,2

98,1

100,0

4,13x10-06

10

Som X Term. X Espect.

6x(80x301)

98,9

98,6

100,0

7,44x10-06

6

Corr. X Som X Term. X Espect.

6x(80x369)

98,4

98,0

50,0

2,50x10-01

5

Observações:




  • (*) – foi considerada a média dos valores obtidos para cada um dos conjuntos de treinamento (1, 2, ..., 5);

  • (**) – com o intuito de simplificar a construção da tabela, registrou-se, apenas, os resultados obtidos para o conjunto de treinamento 3, o qual conduziu a menores percentuais de acerto, quando utilizados os modelos lineares;

Uma leitura da primeira linha da Tabela 2, por exemplo, permite obter as seguintes informações: os classificadores foram construídos para a densidade espectral do sinal de VHF obtido a partir da composição “antena / analisador de espectro”; a dimensão do espaço de atributos resultante foi 6 x 80 x 64 (6 amostras de isoladores com diferentes níveis de poluição depositada, 80 sinais adquiridos para cada amostra e 64 atributos extraídos para cada sinal), cujas citações e avaliações foram feitas anteriormente; foram obtidos 82,4 e 81,5 como percentuais de acerto ao se aplicar os modelos de Fisher e Karhunem-Loève, respectivamente; a aplicação do modelo não linear conduziu ao percentual de 96,7 % de acerto, com erro médio quadrático de 3,10 x 10-2, após 35 iterações.

Foi verificado que a aglutinação dos atributos de ultra-som extraídos através da transformada Wavelet com os atributos extraídos nos domínios do tempo e da freqüência apresentaram queda no desempenho. Esta queda pode estar associada à sensibilidade do instrumento a ruídos no ambiente que foram minimizados através da transformada Wavelet, por intermédio de suas características de ressaltar variações dos sinais, diferentemente dos sinais brutos aferidos no domínio do tempo e da freqüência. A Tabela 2 foi construída, considerando que o sinal de ultra-som passou a ser representado apenas pelos atributos extraídos através da transformada Wavelet.

Foi verificado que a aglutinação dos atributos de ultra-som extraídos através da transformada Wavelet com os atributos extraídos nos domínios do tempo e da freqüência apresentaram queda no desempenho. Esta queda pode estar associada à sensibilidade do instrumento a ruídos no ambiente que foram minimizados através da transformada Wavelet, por intermédio de suas características de ressaltar variações dos sinais, diferentemente dos sinais brutos aferidos no domínio do tempo e da freqüência. A Tabela 2 foi construída, considerando que o sinal de ultra-som passou a ser representado apenas pelos atributos extraídos através da transformada Wavelet.

Por outro lado, a tabela aponta que a utilização conjunta de sensores para monitorar o fenômeno da poluição nem sempre é vantajosa. Em alguns casos aumenta-se significativamente a dimensão do espaço de atributos sem uma correspondente melhora no desempenho do processo de diagnóstico. Essas situações encontram-se ressaltadas na própria tabela, registrando-se em números contornados em quadro duplo as composições desvantajosas e em números em negrito as composições vantajosas. A título de exemplo verifica-se que a composição do sensor de corrente de fuga e termovisor conduziu a uma situação desvantajosa uma vez que o percentual de acertos conjuntos (89,9 e 92,1) passou a ser menor do que quando da utilização do termovisor em separado (96,9 e 96,1). Em um outro exemplo, a composição do termovisor (term.) e VHF foi vantajosa, uma vez que o percentual de acertos conjunto (98,7 e 98,7) passou a ser maior do que quando os sensores diagnosticaram em separado (82,4 e 81,5 para o sensor de VHF e 96,9 e 96,1 para o termovisor).

A tabela aponta, também, que a utilização de modelos não lineares pode conduzir a percentuais de acerto ainda maiores do que os observados para os modelos lineares. Entretanto, em alguns casos, sombreados na tabela, os modelos não lineares podem não convergir para determinadas tolerâncias definidas. É possível que outros modelos venham a superar especificamente determinados problemas de não convergência apontados na tabela.

Uma outra observação importante tirada desta tabela é de que as melhores composições observadas foram entre os sensores de ultra-som, termovisor e VHF (espect). Mais importante ainda é que esses sensores são não invasivos, contrariamente aos sensores de corrente de fuga, fato que representa uma contribuição significativa aos processos de diagnóstico diante de sua relevância prática.

As validações realizadas a partir de sinais obtidos em laboratório apresentaram percentuais de acerto semelhantes aos obtidos na Tabela 2.



4.0 Conclusões

As atenções direcionadas ao longo deste trabalho estavam sempre no sentido de se construir critérios e procedimentos que viabilizassem a identificação de atributos que venham a se caracterizar como efetivos em um processo de reconhecimento de padrões de sinais oriundos de descargas superficiais em isoladores aéreos de alta tensão. O estudo de caso enfocado pode ser classificado como análise de fusão de dados à luz de pesquisas similares descritas em [25] e [26].

Ao longo de toda a pesquisa foi possível identificar contribuições significativas aderentes à contextualização estabelecida, ressaltando-se:


  • a avaliação da contribuição dos atributos caracterizados para o processo de classificação em função do sensor, domínio ou transformada utilizada;

  • as análises de sensibilidade do processo de classificação quanto ao número de faixas de histogramas e da densidade espectral de potência como atributos a se considerar no processo de reconhecimento;

  • o enriquecimento de informações através da utilização das transformadas wavelets;

  • a identificação da wavelet que mais contribui para o processo de reconhecimento, para cada tipo de sinal analisado;

  • a avaliação de técnicas de construção de classificadores lineares e não lineares;

  • a utilização de técnicas de reconhecimento de padrões para avaliar a fusão de dados oriundos de diferentes sensores e identificar as vantagens e desvantagens de tais fusões;

  • a constatação de que sensores não invasivos podem conduzir a resultados melhores do que sensores invasivos no diagnóstico de poluição em isoladores;

  • a construção de classificadores para diagnosticar o nível de poluição de isoladores a partir de avaliações de imagens térmicas;

  • A agregação de valores a sensores caracterizados como obsoletos e/ou de aplicações limitadas.

Por outro lado, são visualizados alguns refinamentos que podem ser implementados em futuras pesquisas similares a serem empreendidas, a exemplo da utilização de antena de VHF que cubra todo o espectro de freqüência de interesse (0 a 60 MHz) [4], em vez da faixa de 20 a 100 MHz utilizada.

Além dos aspectos acima mencionados é importante ressaltar, ainda, a necessidade de que os modelos não lineares sejam mais refinados no sentido de buscar alternativas, quando o procedimento de treinamento apresentar característica não convergente.

Cabe registrar a validade da metodologia de reconhecimento de padrões aplicada diante dos resultados obtidos nos experimentos laboratoriais que conduziram à caracterização e análises de atributos direcionados para a aferição do estado de isolamentos aéreos submetidos a poluição.

É importante enfatizar que a passagem da fase de protótipos concebidos em laboratório para a fase operacional dos classificadores construídos requer adequações adicionais, nas quais as amostras retiradas de sistemas de transmissão em operação (submetidas a intempéries) e que não forem bem classificadas necessitarão ser incorporadas ao conjunto de treinamento com o intuito de implementar ajustes iterativos que redundem no aprimoramento dos classificadores.

Ressalta-se, por fim, que a metodologia utilizada pode ser adaptada a diversas outras aplicações semelhantes, abrindo uma perspectiva concreta de modernizações das técnicas de diagnóstico atualmente praticadas para monitoração de equipamentos e instalações elétricas.



4.0 Conclusões

Os autores agradecem a CAPES pela bolsa de pesquisa fornecida para alguns deles e ao PRONEX/CNPq pelo apoio financeiro para desenvolvimento das pesquisas aqui relatadas.



Bibliografia

  1. NIGRI, A. I., Desempenho de Linhas de Transmissão. Ponto de Vista da Manutenção. XV-SNPTEE – Seminário Nacional de Produção e Transmissão de Energia Elétrica, Foz do Iguaçu, PR, Brasil, anais em CD. 1999.

  2. PROJECT EHV, EHV Transmission Line Reference Book. Edison Electric Institute, New York, NY, USA. 1968.

  3. FERNANDO, M. A. R. M. e GUBANSKI, S. M., Leakage Current Patterns on Artificially Polluted Composite Insulators. IEEE Conference on Electrical Insulation and Dielectric Phenomena, San Francisco, USA, pp 394-397. 1996.

  4. STEWART, B. G.; HEMPBURN, D. M; KEMP, I. J.; NESBIT, A. e WATSON, J., Detection and Characterization of Partial Discharge Activity on Outdoor High Voltage Insulating Structures by RF Antenna Measurement Techniques. High Voltage Engineering Symposium, Conference Publication No 467, pp 5.188 – 5.191. 1999.

  5. BOLOGNA, F. F; BRITTEN, A. C.; WATRIDGE, G. e STEVENS, D. J. e GRIGORAKIS, G., Leakage Currents on Lightly Polluted on 275 kV Glass Disc Insulator String in Condition of Light Wetting. IEEE, pp 739-742. 1999.

  6. VAZQUEZ; I. R e CHAVEZ, J. L. F., Criteria for the Diagnostic of Polluted Ceramic Insulators Based on the Leakage Current Monitoring Technique. IEEE Conference on Electrical Insulation and Dielectric Phenomena, pp 715 – 718. 1999

  7. SALAM, M.A.; SATTAR S. A.; SAYED, Y. e GHALLY, M., Early Detection of Weak Points in MEEC Distribution System. IEEE pp 2541 - 2545. 2001.

  8. BEZERRA, J. M. B.; SILVA, A. F. D. e COSTA, E. G,. Diagnóstico Automático de Poluição em Isolamentos Aéreos. XIV - Congresso Brasileiro de Automática. Natal – RN, pp 414-419, anais do congresso em CD. 2002a.

  9. BEZERRA, J. M. B; DEEP, G. S.; LIMA, A. M. N; COSTA, E. G e FREIRE, R., Técnicas de Diagnóstico de Poluição em Isoladores Aéreos de Alta Tensão, XVII-SNPTEE – Seminário Nacional de Produção e Transmissão de Energia Elétrica, a ser realizado em Uberlândia, MG, Brasil. 2003a.

  10. DANIKAS, M. G.; GAO, N. e ARO, M., Partial Discharge Recognition Using Neural Networks: a Review. Electrical Engineering. Springer-Verlag, pp 87-93. 2003.

  11. DUDA, R. O. e HART, P. E., Pattern Classification and Scene Analysis. John Wiley & Sons, New York, NY, USA. 1973.

  12. SLANSKY, J. e WASSEL, G. N., Pattern Classifier and Trainable Machines. Spring – Verlag New York Inc., NY, USA. 1981.

  13. ANDERSON, T. W., An Introduction to Multivariate Statistical Analysis. John Wiley & Sons, Inc. 1960.

  14. BEALE, R. e JACKSON, T., Neural Computing. Adam Hilger, Bristol, Philadelphia and New York, 1991.

  15. MATLAB, The Language of Technical Computing. Version 6.0. 2000.

  16. BURRUS, C. S., GROPINATH, R. A. e GUO, H., Introduction to Wavelet Transforms, Primeira Edição, Prentice Hall, Inc., Upper Saddle River, NJ. 1998.

  17. BIDDLE, Leak and Corona Detection. Bulletin 56-1a. 1990.

  18. TEKTRONIX, Getting Started with the TD2301/S45D010. Measurement Software. Product Group 45. 1992.

  19. AGEMA, Thermovision 550. Manual de Operação. 1996.

  20. TEKTRONIX, Spectrum Analyzer 2714. User Manual. 1994.

  21. IEC 507, Artificial Pollution Tests on High-Voltage Insulators to be used on a.c. Systems. Segunda edição. IEC. 1991.

  22. RIZK, F. A. M., Mathematical Models for Pollution Flashover. Electra, Vol. 78, pp. 71-103. 1981.

  23. SUNDARARAJAN, R. e GORUR R. S., Dynamic Arc Modeling of Pollution Flashover of Insulators under dc Voltage. IEEE Transactions on Electrical Insulation, Vol. 28, No. 2, pp 209 – 218. April 1993.

  24. BEZERRA, J.M.B. Caracterização de Atributos de Sinais para Utilização de Técnicas de Reconhecimento de Padrões na Avaliação do Isolamento de Instalações e de Equipamentos Elétricos. Tese de Doutorado. UFCG.2004.

  25. BUXTON, B.F.; LANGDON, W.B. e BARRET, S. J. Data Fusion by Intelligent Classifier Combination. Measurement and Control. vol 34, No. 8, October 2001, p 229-234.

  26. KLEINE-OSTMAM, T. e BELL, A. E. A Data Fusion Architecture for Enhanced Position Estimation in Wireless Networks. IEEE Communications Letters, Vol. 5, No. 8, August 2001, p 343-345.




1 Professor da Universidade Federal de Pernambuco, Departamento de Engenharia Elétrica e Sistemas de Potência. Fones: 055.**.81.2126.8255 ou 055.**.81.2126.8256.



1   2   3   4   5


©aneste.org 2017
enviar mensagem

    Página principal