Desenvolvimento de solução técnica com integração de software e hardware para medição, separação e identificação de descargas parciais em equipamentos elétricos
Descargas Parciais, Diagnóstico da Isolação, Medição de Descargas Parciais, Separação de Descargas Parciais, Classificação de Descargas Parciais, Aprendizado de Máquinas, Sistema de Inferência Fuzzy
Os custos provenientes de falhas de equipamentos elétricos e da indisponibilidade de fornecimento de energia tem impactos diretos sobre o resultado operacional das concessionárias e, portanto, melhorar a confiabilidade do fornecimento de energia elétrica é uma das razões técnicas para a realização de investimentos no sistema elétrico. Investimentos em sistemas de medição e monitoramento permitem realizar o diagnóstico mais assertivo da isolação de equipamentos e são essenciais para melhorar os protocolos de manutenção baseados na condição do equipamento, e assim aumentar a confiabilidade e reduzir a ocorrência de falhas. Neste contexto, o diagnóstico da qualidade da isolação de equipamentos por meio da medição de descargas parciais (DP) é um recurso valioso e que tem sido amplamente empregado. Entretanto, existem dificuldades em analisar os sinais medidos, pois durante medições de DP é comum, que mais de um fenômeno ocorra simultaneamente, sejam eles ruídos ou múltiplas fontes de descargas parcial, prejudicando a análise e a posterior classificação dos fenômenos encontrados. Para contribuir com a resolução deste problema, foi desenvolvida uma solução de custo adequado, que permita realizar assertivamente a medição, separação e classificação dos tipos básicos de descargas: descargas tipo corona, superficial e interna. A solução proposta é composta por um hardware integrado a um software e conta com um hardware digitalizador adequado para medições e que possui flexibilidade para ser utilizado com o método convencional (IEC 60270) e métodos não-convencionais. O software permite o controle das configurações de medição com a aplicação de técnicas de mitigação de ruído e extração de pulsos de DP, além de permitir separação dos fenômenos medidos em diferentes padrões PRPD (Phase Resolved Partial Discharges) com um mapa de Tempo-Frequência (T-F Map). Por último, o software possui um mecanismo de identificação baseado em Aprendizado de Máquinas (Machine Learning) conhecida como Sistema de Inferência Fuzzy. A validação das medições foi realizada em um motor de indução trifásico e com um simulador de DP, com seus resultados comparados com um sistema comercial. A separação de descargas parciais foi avaliada com os pulsos de DP medidos no estator de um gerador e medições de fontes de descargas parciais simultâneas fornecidas pelo simulador. Finalmente, o mecanismo de identificação foi validado com o simulador de DP para as descargas parciais tipo corona, superficial e interna. Os resultados obtidos indicam que a solução proposta foi capaz de medir adequadamente os sinais de descargas parciais, produzindo padrões PRPD equivalentes aos obtidos com o sistema comercial. A separação com o T-F Map, apesar de ter limitações, teve desempenho satisfatório e conseguiu separar os fenômenos sobrepostos e o mecanismo de identificação conseguiu identificar e classificar os três tipos básicos de DP com robustez e acurácia em torno de 95%.