IMPLEMENTACAO DE UMA REDE NEURAL MLP APLICADA A

IDENTIFICACAO DE SINAIS DE DESCARGAS PARCIAIS

Euler C. T. de Macedo, Juan M. M. Villanueva∗, Edson G. da Costa, Raimundo C. S.

Freire, Jose M. R. de Souza Neto†, Ian A. Glover‡

∗Departamento de Engenharia EletricaCentro de Energias Alternativas e Renovaveis, Universidade Federal da Paraıba

Joao Pessoa, PB, Brasil

†Departamento de Engenharia EletricaCentro de Engenharia Eletrica e Informatica, Universidade Federal de Campina Grande

Campina Grande, PB, Brasil

‡Department of Engineering & TechnologySchool of Computing & Engineering, University of Huddersfield

Queensgate, Huddersfield, United Kingdom

Emails: euler@cear.ufpb.br, jmauricio@cear.ufpb.br, edson@dee.ufcg.edu.br,

freire@dee.ufcg.edu.br, jose.neto@ee.ufcg.edu.br, i.a.glover@hud.ac.uk

Abstract— Partial discharges measurements are an important tool for the determination of the degradationlevel of high voltage apparatus. If partial discharge is found in insulating systems then it is important to identifyits character, i.e. internal discharge, surface discharge, corona etc. For many years partial discharge recognitionwas performed by observation, and (human) expert interpretation, of partial discharges patterns on the powerfrequency ellipse displayed using an oscilloscope. The aim of this paper is present a methodology for the automatic(aid computer) classification partial discharges signals based on the employment of two optimized neural networkstopologies.

Keywords— Partial discharge, Insulation defects classification, statistical operators, neural networks.

Resumo— Medicoes de Descargas Parciais sao uma importante ferramenta para a determinacao do nıvel dedegradacao dos isolamentos de equipamentos de alta-tensao. Durante muitos anos, a avaliacao dos padroesobtidos a partir de sinais de descargas parciais era feita de forma visual, por meio da representacao graficados sinais de corrente e tensao utilizando osciloscopios. O emprego de computadores e tecnicas de inteligenciaartificial em medicoes de descargas parciais permite o reconhecimento automatico de padroes obtidos a partir dasmedicoes de descargas parciais tanto em campo quanto em laboratorio. Este trabalho trata sobre a identificacaoautomatica de padroes de descargas parciais utilizando a aplicacao de operadores estatısticos como parametrosde entrada de uma rede neural artificial otimizada, a qual permite a determinacao da melhor topologia de redesneurais artificiais aplicada a identificacao de descargas parciais.

Keywords— Descargas Parciais, identificacao de padroes, monitoramento em tempo real, operadoresestatısticos.

1 Introducao

Dentre diversas formas de se realizar o moni-toramento de sistemas de isolamentos eletricos,a medicao de descargas parciais e consideradacomo uma das mais consolidadas solucoes, e quepermite a deteccao previa de possıveis defeitosnos isolamentos que sao partes constıtuintes deequipamentos de alta tensao.

As descargas parciais se caracterizam porpulsos de corrente de alta frequencia que ocorremno interior dos equipamentos eletricos de altatensao, e sao originadas pelo processo de ionizacaodo meio gasoso submetido a um campo eletrico el-evado (Nattrass, 1988). Elas sao fontes potenciaisde defeitos nos isolamentos eletricos. Inicialmente,o fenomeno ocorre no isolamento eletrico de formaparcial e existe a tendencia, devido a fragilizacaodo meio isolante, de se tornar total, o que causariaum curto circuito entre as partes energizadas e oterra, danificando assim, o equipamento eletrico.

Portanto, os nıveis de ocorrencia de descargasparciais devem ser acompanhados periodicamentedurante a vida util do equipamento (Carvalho,2009).

Gracas ao desenvolvimento de outras areas daengenharia eletrica, os sistemas de monitoramentode isolamentos baseados na medicao de descargasparciais vem se tornando cada vez mais robustose economicamente viaveis.

Adicionalmente, com a elaboracao de normasinternacionais especıficas sobre descargas parciais,tais como a IEC 60270 (IEC 60270, 2000), houve oestabelecimento de procedimentos experimentaisbem definidos, com explicacoes detalhadas decomo se proceder o monitoramento de descargasparciais em equipamentos de alta tensao.

Geralmente, a maior dificuldade em realizarmedicoes de descargas parciais e a presencade ruıdos existentes no ambiente da medicao.Dependendo do ambiente de medicao ou dos nıveisde descargas parciais a serem medidas, o nıvel de

ruıdo do ambiente pode ser superior ao valor dadescarga parcial que se deseja avaliar. Portanto,faz-se necessario utilizar sistemas de filtragem,sofisticados ou nao, para detectar e medir os sinaisde descargas parciais corretamente (de Macedoet al., 2012).

Uma vez feita a atenuacao e/ou supressao dasinterferencias do ambiente de medicao, existe apossibilidade de correlacionar o sinal de descargaparcial com o tipo de falha do isolamento deequipamentos de potencia que causam a descarga,isto e o local, tipo ou configuracao da falha, etc.Esta correlacao (classificacao) e feita a partir doconhecimento de atributos extraıveis dos sinais dedescarga parcial e sua correlacao com o tipo defalha existente.

Geralmente, a classificacao e realizada pelacriacao de uma assinatura correspondente a cadatipo de falha existente no isolamento. A geracaoda assinatura pode ser feita dentre outras formasutilizando operadores estatısticos. O calculoe analise dos operadores estatısticos permitemavaliar e descrever as principais caracterısticas dossinais de descarga parcial, principalmente quandoos operadores sao analisados de forma conjunta.

Apos a geracao da assinatura correspondentea cada tipo de defeito, e possıvel automatizar aidentificacao das fontes de descargas parciais pormeio de tecnicas de inteligencia artificial. Comoexemplo destas tecnicas podem-se citar: a logicaFuzzy, redes neurais artificiais (RNA), maquinasde aprendizagem, dentre outras.

O objetivo deste trabalho e apresentar odesenvolvimento de uma rede neural do tipo Per-ceptron Multicamadas (MLP) baseada no algo-ritmo backpropagation, a qual foi organizada paraque fosse utilizado o menor numero possıvel deneuronios em cada camada oculta para uma taxade acerto pre-estabelecida, aumentando assim, odesempenho da identificacao e consequentementea reducao dos requisitos computacionais do sis-tema.

2 Fundamentacao Teorica e Metodologia

De forma simplificada, o procedimento geral paradesenvolver um sistema de identificacao de falhasde isolamentos eletricos, a partir da medicao dedescargas parciais, pode ser descrito da seguintemaneira:

1. Teste de corpos de prova com falhas previa-mente conhecidas, com o objetivo de se obterum banco de dados de referencia;

2. Filtragem dos sinais medidos em laboratorio,de forma a atenuar os sinais espurios;

3. Realizacao do processamento estatıstico dosbancos de dados gerados, com o objetivo dedeterminar os melhores identificadores paracada tipo de defeito;

4. Implementacao de classificadores de dadosadequados, que podem ser baseados emtecnicas de inteligencia artificial e/ou pormeio da utilizacao de parametros estatısticos.

As etapas 1 e 2 serao apresentadas sucinta-mente a seguir, enquanto que as etapas 3 e 4 sao ofoco deste trabalho. Maiores informacoes sobre asetapas 1 e 2 podem ser obtidas em (de Souza Netoet al., 2012) e (de Macedo et al., 2012).

2.1 Arranjo Experimental para Geracao deDescargas Parciais

De acordo com a norma (IEC 60270, 2000), asdescargas parciais podem ser classificadas em tresclasses, dependendo da sua localizacao, sendo elas:descargas internas, corona e de superfıcie.

As descargas internas ocorrem em uma oumais rupturas (cavidades) no interior de ummaterial dieletrico isolante. As descargas desuperfıcie ocorrem na superfıcie do dieletrico,principalmente em buchas, terminacoes de cabosou em enrolamentos de geradores. As descargascorona ocorrem em meios gasosos quando ha umaintensificacao do campo eletrico nas proximidadesde um eletrodo, ou seja, quando o gradienteeletrico excede um determinado limiar.(Tanakaand Greenwood, 1983).

Com o intuito de emular a ocorrencia dedescargas parciais internas, adotou-se uma con-figuracao de eletrodos do tipo plano-plano, comdieletrico. Para isto, desenvolveram-se diferentestipos de corpo de prova, utilizando placas circu-lares de fenolite, esse tipo de material apresentaalta rigidez dieletrica (ex. 50 kv/mm), bemsimilar aos isolamentos usados nos equipamentosde alta tensao.

Cada corpo de prova e composto por umasobreposicao de placas de fenolite com espessurade 1,6 mm, as placas foram coladas entre si,com uma resina epoxi. A colagem das placasfez com que nao houvesse, alem de ar, outrocomponente com caracterısticas dieletricas de-sconhecidas dentro do corpo de prova. Algumasdas placas foram perfuradas de modo a inserir umacavidade no dieletrico, o que permite observar ocomportamento das falhas na geracao de pulsoscaracterısticos de descargas parciais. As falhasdo dieletrico foram projetadas com dois diferentesdiametros, 1 mm e 2 mm, dispostos de modo difer-enciado em cada corpo de prova (de Souza Netoet al., 2012).

Na Tabela 1 e apresentado um diagrama ilus-trativo dos corpos de prova (cavidades) desen-volvidos utilizando discos de Fenolite, alem deapresentar informacoes como: diametro da cavi-dade, configuracao da falha, ou seja, a quanti-dade e posicao geometrica em relacao as placasde fenolite. Observando-se na coluna referentea configuracao da falha (coluna 3), as regioes

sombreadas correspondem as cavidades criadas, asdemais correspondem ao dieletrico de fenolite semfalhas.

Tabela 1: Configuracoes de defeitos usados para ageracao de descargas parciais.Defeito Diametro da cavidade (mm) Configuracao da falha

1 2

2 1

3 2

4 1

5 2

6 1

7 2

8 1

9 2

10 1

Para a conexao dos corpos de prova a fonte dealta tensao, foi utilizada uma estrutura geradorade descargas parciais conforme apresentado emde Souza Neto et al. (2012). O arranjo de medicaoe a fotografia da celula que permite a geracao dedescargas parciais sao apresentados nas Figuras 1e 2.

Corpo de Prova

Impedância deMedição

Ck

Figura 1: Arranjo de medicao de descargasparciais em laboratorio.

Para se realizar a medicao dos sinais dedescargas parciais utilizou-se o sistema comercialLDS-6, fabricado pela Doble Lemke. O sistemapossui dois canais independentes para a aquisicaode sinais de descargas parciais.

2.2 Operadores Estatısticos

Apos a aquisicao e filtragem dos sinais de descar-gas parciais, realizou-se a determinacao de alguns

Corpo de Prova

Figura 2: Fotografia da celula geradora dedescargas parciais.

dos principais operadores estatısticos empregadosna bibliografia com o objetivo de obter uma assi-natura caracterıstica para cada tipo de defeito sobestudo.

De posse de algumas ou todas essas infor-macoes e possıvel se identificar os tipos de falhasexistentes no isolamento, as quais provocam aocorrencia de descargas parciais em equipamentosde potencia.

A seguir, apresenta-se uma descricao sucintasobre os operadores estatısticos usados neste tra-balho para a classificacao de sinais de descargasparciais:

• Valor de pico (Max ): corresponde ao valormaximo das descargas obtidas para os doissemi-ciclos;

• Media (Mean): e a media aritmetica dospulsos de descargas parciais para cada semi-ciclo;

• Desvio padrao (Std): foram calculados odesvio padrao para cada semi-ciclo das dis-tribuicoes;

• Assimetria (Skewness - Sk): e um indicadorpara a assimetria de uma distribuicao comrelacao a distribuicao normal;

• Curtose (Kurtosis - Ku): e uma medida dedispersao que caracteriza o pico ou ”achata-mento”da curva da funcao de distribuicaode probabilidadeem funcao da distribuicaonormal.

Considerando que a ocorrencia das descargasparciais se da em ambos os semi-ciclos da ten-sao aplicada, o calculo dos operadores estatısticosapresentados devem ser calculados separadamentepara cada semi-ciclo.

A seguir e feita uma apresentacao sucintaacerca de um dos classificadores de dados maisutilizados na atualidade: As Redes Neurais Arti-ficiais.

2.3 Redes Neurais Artificiais

Redes neurais artificiais (RNA) podem serdefinidas como sendo uma tecnologia baseadaem arquiteturas biologicas de neuronios, quefoi especialmente desenvolvida para realizaremtrabalhos computacionais. As RNA possuempropriedades particulares tais como a habilidadede adaptar-se e aprender, generalizar, agrupar ouorganizar dados. As operacoes sao baseadas emprocessamento paralelo. Esse tipo de ferramentacomputacional e particularmente apropriadas emtarefas de reconhecimento de padroes e classifi-cacao, otimizacao e agrupamento de informacoes(data clustering) (Haykin, 1997).

Dentre as diversas arquiteturas de RNA,destacam-se como as mais difundidas as redesPerceptron de Multiplas Camadas (MLP - Multi-layer Perceptron). Durante o treinamento, cadaresultado apresentado na camada de saıda daRNA e confrontado com o resultado esperado.Esta operacao e realizada por meio da FuncaoEnergia de Erro, definida como o erro medioquadratico entre a saıda produzida pela rede e adesejada:

ε(n) =1

2

∑

jǫB

[dj(n) − yj(n)]2, (1)

em que, B representa o conjunto de neuroniosda camada de saıda; dj(n) e a saıda desejadado neuronio de saıda j, para o padrao n doconjunto de treinamento; yj(n) e a saıda calculadado neuronio de saıda j, para o padrao n doconjunto de treinamento. Maiores informacoesacerca da teoria de redes neurais artificiais podemser obtidos em (Haykin, 1997).

3 Construcao da Base de Dados

Os sinais de descargas parciais foram adquiridosutilizando o sistema comercial LDS-6, o qual ebaseado no metodo eletrico de medicao apresen-tado na norma IEC 60270.

Para a criacao do banco de dados foramrealizadas 10 medicoes consecutivas durante 20segundos para cada tipo de defeito (Tabela 1),com a aplicacao de quatro nıveis de tensao; 15,20, 25 e 30 kV.

Apos a aquisicao dos sinais foi realizadoum pre-processamento do banco de dados orig-inal. Para cada defeito foram gerados tresnovos arquivos com a informacao da ocorrenciadas descargas parciais para intervalos de tempocorrespondentes a 100, 500 e 1000 perıodos datensao aplicada.

Para cada sinal resultante, foram geradoshistogramas contendo a distribuicao estatıstica damagnitude dos pulsos com relacao a fase da tensaoaplicada, representada por Hq(ϕ), e em seguidafoi calculada a correlacao cruzada (CC) entre as

distribuicoes resultantes para cada tipo de defeito.Na sequencia, realizou-se o calculo da CC entretodas as possıveis combinacoes das distribuicoescalculadas e verificou-se quais os sinais para cadamedicao apresentavam o modulo da CC superiora 0,1. O valor 0,1 foi escolhido como sendo o valormınimo de relacionamento linear (similaridade)entre dois sinais de descargas parciais.

Dos sinais medidos, verificou-se que apenas779 de um total de 1200 eram validos, ou seja,possuiam CC ≥ 0, 1 entre si.

Em seguida, para cada padrao valido resul-tante foram calculados os operadores estatısticosapresentados na Secao 2.2. Os resultados obtidos,alem da tensao aplicada ao corpo de prova, foramutilizados como entrada de uma RNA multi-camada do tipo perceptron backpropagation.

Foram implementadas duas topologias deRNA. Inicialmente adotou-se uma RNA compostapor uma camada oculta e avaliou-se de formaiterativa a quantidade de neuronios necessariospara que a taxa de acerto fosse igual ou superiora 95%. Caso esse valor de taxa de acerto naofosse obtido com a utilizacao de no maximo40 neuronios na 1a camada, uma nova camadaseria adicionada automaticamente a RNA. Paraa topologia com 2 camadas, o numero maximode neuronios artificiais tambem foi limitado a 40.A representacao grafica da RNA implementada eapresentada na Figura 3. Em ambas as topologiasde RNA adotou-se uma codificacao de quatrobits na saıda para rotular cada corpo de provaapresentado na Tabela 1.

Tensão

pico( )+

média(+)

std( )+

Sk( )+

Ku(+)

pico( )+

média( )-

std( )-

Sk( )-

Ku( )-

b3

b2

b1

b0

N ≤ 40H1 N ≤ 40H2

Figura 3: Representacao grafica das RNA imple-mentadas.

Do banco de dados validados, foram escolhi-dos aleatoriamente, 70% dos sinais de descargasparciais para o processo de treinamento, Ptreino

e os 30% restantes para o processo de teste everificacao, Pteste.

O fluxograma de funcionamento da RNA deapenas 1 camada oculta e apresentado na Figura4.

A RNA e inicializada com os neuronios da

N =0H1

P , Ptreino teste

Início

N =N +1H1 H1

N >40H1

Dados da RNATreinoNH1_otimo

TA> 98%Resultado

Rede NeuralNH1_otimo

Sim

NãoNão

FIM

Sim

FIM

Figura 4: Fluxograma RNA otimizada com 1camada oculta.

primeira camada iguais a zero, (NH1 = 0), nestemomento tambem sao inseridas as informacoesacerca do banco de dados de treino e teste,(Ptreino e Pteste). Na sequencia, ha um incrementono numero de neuronios da 1a camada oculta(NH1 = NH1 + 1) e realiza-se o teste no numerode neuronios usados ate o momento, que emnossa aplicacao foi limitado em 40. Caso essacondicao nao seja satisfeita, ocorre a continuidadedo processo, ou seja, a RNA e treinada e verifica-se se a taxa de acerto e superior a 95%, casoessa condicao seja satisfeita, apresenta-se o resul-tado otimizado da RNA (numero de neuroniosda 1a camada) caso contrario, ocorre um novoincremento do numero de neuronios da camadaoculta sob analise, e o processo e reiniciado. Umprocesso similar foi adotado, agora considerandouma RNA com duas camadas ocultas. Neste casotodas as possıveis combinacoes para um numeromaximo de 40 neuronios em cada camada foramavaliadas. O fluxograma do processo iterativo deidentificacao da RNA com duas camadas ocultase apresentado na Figura 5.

O processo iterativo de identificacao dosdefeitos por meio da RNA com duas camadasocultas e feito seguindo a mesma metodologia daRNA de uma unica camada. De forma similar aofluxograma apresentado na Figura 4. Todas aspossıveis combinacoes de neuronios da primeira esegunda camadas sao avaliadas ate que a taxa deacerto de identificacao fosse superior a 95%.

Para o processo de treinamento supervi-sionado empregou-se o ambiente computacionalMATLAB, que permite implementar a rede neuralartificial com a codificacao entrada/saıda pro-posta de forma simplificada. Alguns resultadosobtidos sao apresentados a seguir.

4 Resultados

Com o calculo dos operadores estatısticos apresen-tados na Secao 2.2 foi possıvel verificar que cadatipo de defeito, possui caracterısticas estatısticas

N =0H1

N =0H2

P , Ptreino teste

Início

N =N +1H1 H1

N =0H2

N >40H1

N =N +1H2 H2

N >40H2

Dados da RNATreino

N , NH1_otimo H2_otimo

TA> 98%Resultado

Rede NeuralN , NH1 H2

Sim

Não

Sim

Não

FIM

Camada 01

Camada 02

FIM

Figura 5: Fluxograma RNA otimizada com 2camadas ocultas.

bem definidas, o que e util para identificar cadatipo de defeito em isolamentos sob estudo.

Os resultados obtidos na classificacao estatıs-tica foram usados na entrada de duas RNA, umacontendo apenas uma unica camada oculta e outracom duas camadas ocultas. Para cada camadaoculta o numero maximo de neuronios artificiaisfoi previamente limitado em 40. Empregou-seuma codificacao de 4 bits na saıda da RNA.

Foram realizadas 10 simulacoes para cadatopologia de RNA. Os resultados obtidos foramdiferentes para cada instante de simulacao, poreme possıvel se obter uma metrica estatıstica doprocesso de treinamento e identificacao. Osresultados obtidos sao apresentados nas Tabelas2 e 3.

Tabela 2: Resultados obtidos para a topologia deRNA com 1 camada oculta.

Simulacao NH1−otimo Taxa de Acerto (%)

1 14 79,102 13 79,903 18 78,204 22 73,205 22 79,16 28 85,807 34 81,208 30 80,309 20 82,0010 21 81,20

Media ≈ 21 79,97

O desempenho da RNA com 1 camada ocultae representado graficamente com auxilio da Matrizde Confusao apresentada na Figura 6.

Pode-se verificar que com a insercao da se-gunda camada possibilitou um aumento significa-

Figura 6: Matriz de Confusao RNA com 1Camada Oculta.

Tabela 3: Resultados obtidos para a topologia deRNA com 2 camadas ocultas.Simulacao NH1−otimo NH2−otimo Taxa de Acerto (%)

1 12 25 87,902 11 14 90,403 17 28 89,104 22 34 92,105 12 26 87,406 37 14 88,707 22 31 87,408 11 35 88,309 40 13 90,3010 26 34 87,50

Media 21 ≈ 25 88,91

tivo na taxa de acerto das RNA implementadas.

De forma similar, apresenta-se na Figura 7a representacao grafica da matriz de confusao datopologia de RNA com duas camadas ocultas queapresentou a maior taxa de acerto.

5 Conclusoes

Neste trabalho foram apresentados resultadosobtidos a partir da classificacao estatıstica eidentificacao de padroes de sinais de descargasparciais.

Foram implementadas duas topologiasde RNA, uma contendo apenas uma camadaoculta e outra contendo duas camadas ocultas.O desempenho das RNA para esse tipo deidentificacao de padroes foi satisfatorio, e a taxade acerto da identificacao apresentou um aumentosignificativo com o aumento da segunda camadaoculta.

Outra caracterıstica importante, e queverificou-se que o numero maximo de 40neuronios nao e o mais apropriado para estetipo de aplicacao, haja visto que na primeiratopologia, o numero maximo de neuronios foide aproximadamente 21 e na segunda topologiaforam de 21 e 26, o que permite a reducao dotempo computacional.

Figura 7: Matriz de Confusao RNA com 2Camadas Ocultas.

Agradecimentos

Os autores agradecem ao CNPq e INCT NA-MITEC pelo suporte financeiro deste trabalho.

Referencias

Carvalho, A. (2009). Medicoes de descargas par-ciais no campo - aspectos praticos em trans-formadores de potencia, XIII Eriac DecimoTercer Encuentro Regional Iberoamericanode Cigre .

de Macedo, E. C. T., Araujo, D. B., da Costa,E. G., Freire, R. C. S., Lopes, W. T. A.,Torres, I. S. M., de Souza Neto, J. M. R.,Bhatti, S. A. and Glover, I. A. (2012).Wavelet transform processing applied to par-tial discharge evaluation, Journal of Physics:Conference Series 364(1): 012054.

de Souza Neto, J., de Macedo, E., Cavalcanti, T.,Guedes, E., da Rocha Neto, J. and Glover,I. (2012). Development of a partial dischargeemulator for calibration of a radiometric pddetection system, Instrumentation and Mea-surement Technology Conference (I2MTC),2012 IEEE International, pp. 2398 –2403.

Haykin, S. O. (1997). Neural Networks: a Com-prehensive Foundation (International Edi-tion), 2nd international edition. edn, Pear-son.

IEC 60270 (2000). High-voltage test techniques- partial discharge measurements, Technicalreport, Geneve, Switzerland.

Nattrass, D. A. (1988). Partial discharge mea-surement and interpretation, IEEE ElectricalInsulation Magazine 4(3): 10–23.

Tanaka, T. and Greenwood, A. (1983). Advancedpower cable technology, Vol. Volume II, CRCpress, Inc.