No abstract

A detecção de sinais de Descargas Parciais (DP) na faixa da Ultra Alta Frequência (UHF) permite identificar e classificar, de forma minimamente invasiva, defeitos em equipamentos de alta tensão, bem como estimar o grau de urgência da realização de manutenções preventivas. Neste artigo, técnicas de machine learning foram utilizadas para realizar o reconhecimento automático dos padrões obtidos a partir de envoltórias de sinais UHF de DP.  Para tanto, foi elaborado um arranjo experimental para emular diferentes fontes de DP: uma cuba de óleo com eletrodos ponta-plano, a barra de um hidrogerador e um transformador de potencial. A partir dos sinais obtidos nesse arranjo, geraram-se envoltórias, a partir das quais foi realizada a extração de uma série de atributos no domínio do tempo, tais como: curtose, amplitude máxima e tempo de subida. Em seguida, realizou-se a seleção dos atributos por meio de uma associação de algoritmos, dentre eles o k-means, de forma a reduzir a dimensionalidade dos dados para aumentar a eficiência do algoritmo classificador. Por fim, fez-se a classificação dos sinais de DP a partir de uma rede neural artificial, decision tree e random forest. Os resultados mostraram que os atributos extraídos das envoltórias foram efetivos na classificação dos sinais de DP, com valores de acurácia média superiores a 95% quando foi utilizado o banco de dados otimizado.