65ª Reunião Anual da SBPC

B. Engenharias - 1. Engenharia - 8. Engenharia Elétrica

Implementação de Sistemas de Classificação de Assinatura por Radio Frequência do Estado de Conservação de Isoladores de Alta Tensão Utilizando a Decomposição Wavelet Multirresolucional e Redes Neurais Artificiais em Matlab

Pedro Henrique Venske da Rocha - Centro Universitário CESMAC Antonio Ricardo Zaninelli Nascimento - Centro Universitário CESMAC Jarbas de Andrade Cabral Filho - Centro Universitário CESMAC Sérgio Silva de Carvalho - Centro Universitário CESMAC

INTRODUÇÃO:

A rede elétrica de distribuição de energia enfrenta grandes problemas, entre elas destacam-se as interrupções de energia causadas por defeitos em isoladores de 69 kV na linha de transmissão. Esse tipo de isolador é colocado na rede de transmissão de energia e fica exposto ao tempo durante muitos anos somando acúmulo de sujeira no mesmo. O isolador tem a função de isolar as linhas da torre, quando se deposita sujeira sobre ele, faz dimiuir a isolação, ocorrendo fuga de corrente sobre ela formando o arco-voltaico ou curto circuito. O isolador quando submetido à tensão de 69 kV emite um sinal eletromagnético. Esse tipo de sinal possui características eletromagnéticas onde ocorre um padrão, que é do próprio sinal. Através dessa característica pode-se dizer o quanto de sujeira cada isolador possui. Por meio de técnicas de Inteligência Artificial, pode-se reconhecer os padrões de sinais relacionado com o nível de sujeira no isolador. Reconhecimento de padrão é visto como um processo de classificação onde o objetivo é encontrar padrões intrínsecos que relacione o objeto de análise à alguma classe . Se consegue o reconhecimento de padrões usando Discriminante Linear Quadrático, classificador K-nearest neighbor classifier, estimador Parzen density, Teplate Matching, Redes Neurais Artificiais.

OBJETIVO DO TRABALHO:

O objetivo central desta pesquisa é elaborar um algoritmo que caracterize e classifique o real estado de conservação de uma cadeia de isoladores de vidro para 69 KV, a partir do sinal eletromagnético irradiado pelo mesmo, fazendo uso de técnicas de Análise de Sinais e Inteligência Artificial.

MÉTODOS:

Inicialmente foi feita uma intensa revisão bibliográfica a cerca dos temas que formam os pilares teóricos desta pesquisa: Análise de Sinais, Análise Wavelet, Redes Neurais Artificiais. Os testes foram realizados no Laboratório de Alta Tensão - LAT da Universidade Federal de Campina Grande - UFCG, na qual foram feitas as medições por meio de um analisador de frequência. Realizaram-se 358 medições, modificando os níveis de tensão, a posição da antena (vertical e horizontal) e a frequência de leitura do espectro. Foram utilizados isoladores limpos e isoladores poluídos obtidos na Eletrobrás Distribuição Alagoas. Foram capturados sinais com quatros diferentes níveis de tensão aplicados o isolador: 0 KV, 8 KV, 12 KV e 15 KV. Após a captura do espectro, foi feito uma análise Wavelet Discreta multiresolução, onde são extraídos os coeficientes Wavelet do espectro. A Wavelet empregada na análise foi a Daubechies - db8, tendo como filtro Wevelet "shannon" e os coeficientes gerados situam-se nos níveis [3 1], [4 1], [5 1], [6 1], [7 1]. Realizada a extração dos coeficientes Wavelet, é então preparado o vetor de entrada para a RNA. Formado por 19 dados de entrada, o conjunto é composto da seguinte forma: As médias dos coeficientes de cada nível (5); A variância dos coeficientes de cada nível (5); Os desvios padrão dos coeficientes de cada nível (5); A relação entre a média de cada nível vizinho(4).

RESULTADOS E DISCUSSÃO:

No experimento com tensão aplicada de 8 kV, a melhor configuração é uma RNA com 10 neurônios na camada oculta. Nota-se neste tipo que com o aumento do número de neurônios o desempenho foi diminuindo. Quando aplicado 12 kV sobre o isolador, a melhor situação ocorreu com 5 neurônios na camada oculta, com 57,1%. Também é percebido uma diminuição no número de acertos enquanto aumenta o número de neurônio na camada intermediária. Por fim, no teste com 15 kV de tensão sobre os terminais do isolador, obteve-se um percentual de 62,53% de acertos. Nota-se que, neste teste, o melhor arranjo da RNA foi com 25 neurônios na camada oculta, e que, quanto mais se diminui os neurônios, menor é a desempenho da rede.

CONCLUSÕES:

Nota-se nos testes realizados que o grau de confiabilidade para a realização da tarefa final de classificação do estado do isolador a partir da análise via Wavelet e RNA, e proposto no decorrer desta pesquisa mostram-se ainda insuficientes para uma validação do processo de estimação do estado físico dos isoladores de alta tensão. Salienta-se porém, que neste trabalho os dados de sinais obtidos foram de quantidade diminuta para uma análise norteada por técnicas de IA, uma vez que, para a referida abordagem, se faz necessário uma grande massa de dados, pois um Aprendizado por Associação requer um treinamento a priori bastante intenso. Todavia, apesar dos números obtidos, ressalva-se que mesmo com uma quantidade ínfima de dados capturados, observa-se uma tendência positiva (de acertos) para o objetivo de mensurar o estado de conservação de um isolador de alta tensão. Atenta-se também para o fato de que é possível vislumbrar com a possibilidade de sucesso do objetivo proposto quando da obtenção de uma base de dados maior e tendo como parâmetros tensões próximas das reais de operações e também variações na arquitetura da RNA e outras opções de coeficientes que por ventura representem melhor as características ocultas que relacionam o grau de poluição do isolador. Finalizando, ressalta-se que com os resultados obtidos, foi evidenciado que o método mostra-se promissor, o que dá margem para que trabalhos futuros sejam realizados com uma maior base de dados.

Palavras-chave: Isoladores de Alta Tensão, Análise Wavelet, Redes Neurais Artificiais.