* Professor da UFPE/CTG/DEESP (doutorando da COPELE/UFCG) – Rua Arrojado Lisboa, 273, Apto. 105-B,Monte Santo, Campina Grande, PB, CEP.: 58.108-643, Fone: (0**83) 321.1751, FAX: (0**83) 310.1015 email:

jmbb@dee.ufcg.edu.br

SNPTEESEMINÁRIO NACIONALDE PRODUÇÃO ETRANSMISSÃO DEENERGIA ELÉTRICA

GLT-3019 a 24 Outubro de 2003

Uberlândia - Minas Gerais

GRUPO IIIGRUPO DE ESTUDO DE LINHAS DE TRANSMISSÃO - GLT

TÉCNICAS DE DIAGNÓSTICO DE POLUIÇÃO EM ISOLADORES AÉREOS DE ALTA TENSÃO

José M. B. Bezerra* Antônio M. N. Lima Gurdip S. DeepEdson G. Costa Raimundo C. S. Freire

COPELE/UFCG - Universidade Federal de Campina Grande - Paraíba - Brasil

RESUMO

Propõe-se, neste artigo, uma metodologia paradiagnosticar o estado de isolamentos de sistemasaéreos de transmissão através de técnicas dereconhecimento de padrões. São aplicadas as técnicasde Fisher e Karhunen-Loève para classificação desinais adquiridos a partir de sensores de ultra-som ecorrente de fuga. No artigo apresentam-se resultadosconcretos que permitem, inclusive, uma análisecomparativa entre os sensores e entre os modelosaplicados.

PALAVRAS-CHAVE

Diagnóstico-Isolamento-Poluição-Técnicas Preditivas-Reconhecimento de Padrões.

1.0 - INTRODUÇÃO

O processo de transformação do setor de energiaelétrica, associado ao programa de privatização, criadiversos agentes, com novos papéis no sistema deprodução, transmissão, operação, distribuição ecomercialização de energia elétrica.

No que tange ao Agente de Transmissão, a suaprincipal missão é a disponibilidade de suasinstalações, responsabilizando-se por operar e manteros seus ativos (1).

Preocupado com tais questões, analisa-se, nesteartigo, os processos de monitoração da poluição emisoladores, com os quais procura-se diagnosticar a

presença de agentes contaminantes que põem emrisco a operação normal do sistema de transmissão.

Dentre os processos analisados destacaram-se três.No primeiro deles desenvolve-se o processo demonitoração a partir da aferição da corrente de fugaem isoladores especiais (testemunha) mantidos noambiente poluído, mas fora de operação. Essasunidades especiais possuem cápsulas afixadas àsuperfície isolante, as quais são periodicamentesubmetidas à umidade e à tensão elétrica. Nestascondições, a corrente que passa a fluir sobre a camadapoluída, a qual representa o indicador da condiçãocrítica da poluição, é medida (2).

No segundo método utilizam-se as condiçõesambientais reinantes como indicativo da presença deníveis críticos de contaminação. A monitoração pura esimples da corrente de fuga foi descartada uma vezque poderia levar a alertas tardios da presença depoluição sobre os isolantes, uma vez que amanifestação desta corrente apenas se tornariasignificativa quando a umidade relativa do ambienteatingisse valores superiores a 70%. Assim, a adoçãoda umidade depositada foi considerada a variável maissignificativa para o processo de monitoração (3).

No terceiro método, foco principal deste trabalho,procura-se introduzir as técnicas de reconhecimento depadrões para diagnosticar a presença de poluiçãocrítica na superfície dos isoladores. São monitoradosdois parâmetros básicos: a corrente de fuga e sinais deultra-som gerados a partir das descargas superficiais.

Foram utilizadas técnicas convencionais dereconhecimento de padrões para constituição de

2

classificadores do estado da poluição presente nasunidades ensaiadas (4).

2.0 - TENSÃO DE DESCARGA NO ISOLADOR

Em 1981 foram consolidados modelos para avaliar atensão de descarga em isoladores submetidos àtensão alternada, poluição e umidade (5). Essesmodelos, em etapa posterior, foram implementadoscomputacionalmente (6).

Objetivando-se aferir a consistência da rotina propostasão feitas, a seguir, avaliações do comportamento deum isolador imerso em ambiente poluído. A Figura 1ilustra os resultados obtidos para o isolador padrão dotipo ST 254 V8 CB (7).

FIGURA 1 - RESULTADOS OBTIDOS A PARTIRDO MODELO DE RIZK PARA ISOLADOR

PADRÃO

Os valores constantes da Figura 1 foram consideradosreferenciais para o desenvolvimento das etapasexperimentais descritas a seguir.

3.0 - PARÂMETROS ELÉTRICOS ANALISADOS

Dois parâmetros elétricos associados à manifestaçãodos arcos sobre a superfície do isolador poluído foramanalisados: o efeito corona e a corrente de fugasuperficial.

4.0 - RECONHECIMENTO DE PADRÕES

Este tópico passa agora a abordar as técnicas dereconhecimento de padrões utilizadas neste trabalho.

4.1 Conceitos Preliminares

Fazendo uma analogia com o ser humano, umademonstração da possibilidade de desenvolver tarefasmais elaboradas está associada com a sua capacidadede agrupar ou classificar dados (7).

Exemplos de processos de classif icaçãoimplementados efetivamente em máquinas são:classificador de células do sangue, analisador decromossomos, analisador de fotografias aéreas,

analisador de vozes, leitor de zona postal, analisadorde impressões digitais e analisador de radiografia.

4.2 Técnicas Tradicionais

Reconhecer um padrão significa, usualmente,discriminar ou classificar um conjunto de objetos oueventos. Tal conjunto pode ser uma coleção de objetosfísicos ou um conjunto de estados associados a umdado processo. As etapas principais de um processode reconhecimento de padrões são: seleção deatributos e classificação.

A classificação é a etapa que consiste,essencialmente, na subdivisão do conjunto detreinamento em classes homogêneas a partir de umcritério preestabelecido (8) e (9).

4.3 Técnica de Fisher

Uma das técnicas clássicas para determinação declassificadores lineares é a de Fisher. Esta técnica levaà determinação da função discriminante de Fisher.Considerando o caso de duas classes 1S e 2S ,

linearmente separáveis, onde a fronteira de decisão éum hiperplano, a função discriminante linear querepresenta a equação deste hiperplano é da forma:

YV=XW+w=Z tt0 ,

(1)

em que:

)w,...,(wW d1= fi vetor peso,

)x,...,(xX d1= fi vetor padrão,

)w,...,(wV d0= fi vetor peso aumentado,

)x,...,x(1,Y d1= fi vetor padrão aumentado.

Sua característica fundamental é que

ÓÌÏ

Œfi

Œfi

21t

SX0>SX0<

YV=Z . (2)

Assim, deve-se determinar o vetor V que satisfaça aoconjunto de inequações definido anteriormente. Éinteressante ser feita a normalização de sinal

ÓÌÏ

Œ

Œ

21

SX se Y, SX se -Y,

=N , (3)

fornecendo a inequação de classificação :

21t SS=X 0,>NV UtŒ" (4)

Pode-se verificar facilmente que d= WN/Vt

representa a distância da amostra X ao hiperplano deseparação.

O treinamento é então realizado através dadeterminação de V que deve satisfazer à inequação

0>NVt para todos os padrões do conjunto detreinamento t.

3

4.4 Redução do Espaço de Atributos

Matematicamente, cada padrão de entrada pode serrepresentado por um vetor de dimensão R, cujascoordenadas são parâmetros que dão informações(valores) que representam características do objeto ouestado sob análise.

É comum R ser razoavelmente grande, caracterizandoa necessidade de uma seleção de atributos,eliminando-se o máximo de redundâncias, para que setenha conseqüentemente uma redução significativa dadimensão desses vetores.

As técnicas aqui utilizadas para redução do espaço deatributos foram a de Fisher e a de ComponentesPrincipais (8) e (10).

4.5 A Transformada Karhunen-Loève

A idéia central de Karhunen-Loève reside emtransformar o espaço de observações (padrões)originais para outro de menor dimensão, de maneiraque esta nova representação dos padrões fique livre deinformações redundantes, não necessárias, porexemplo, em um processo de reconhecimento (11).

A classificação através da técnica de Karhunen-Loèvepode ser obtida utilizando-se as seguintes funçõesdiscriminantes:

( ) r1,...,=i Z21ZZZg 2

it

ii -= , (5)

onde o vetor Z é obtido fixando as K primeirascomponentes de Y, as quais estão associadas asmaiores variâncias, sendo Y resultado datransformação XTY ⋅= , na qual T é a matriz decovariância e X o vetor de atributos.

5.0 - MONTAGENS EXPERIMENTAIS

5.1 Característica dos Instrumentos Utilizados

• Sistema de detecção de ultra-som: consiste de uminstrumento o qual possui um indicador e um alto-falante, conectado a um sensor-transdutor de ultra-som, tubo detector direcional, dispositivo deconcentração do som e adaptador para transmissãodo sinal. A Figura 2 ilustra o sensor utilizado (12).

captaçãoTubo de Tubo

detector

Transdutor

Digitalizador

FIGURA 2 - SENSOR DE ULTRA-SOM

• Sistema de digitalização: o sistema de digitalizaçãoconsiste do "pacote" de medições TD2301 (13), oqual se compõe de instrumentações e programascomputacionais.

• Fonte de tensão: A fonte de tensão utilizada para osensaios permite a aplicação de tensão alternada nafreqüência de 60 Hz, podendo atingir tensõesmaiores do que 230 kV.

• Câmara de poluição: o controle da umidade reinanteno ambiente sobre teste foi implementado, com ointuito de se obter maior fidelidade quando dageração do efeito “corona”, em relação às condiçõesreais de campo; esse controle foi obtido através dodesenvolvimento de câmara de poluição emconformidade com a IEC (14), conforme ilustra aFigura 3.

FIGURA 3 – FOTO DA CÂMARA DE POLUIÇÃO

5.2 Esquemas Elétricos Implementados

A Figura 4 ilustra o circuito implementado paradesenvolvimento dos ensaios em isoladores poluídos.

Digitalizador

Sensor de ultra-som

Câmara de poluição

Circuito deproteção

FIGURA 4 – ESQUEMA ELÉTRICO DOS ENSAIOS

4

No circuito ilustrado na Figura 4, pode-se observar,também, a representação de um circuito de proteçãoimplementado com o objetivo de minimizar o risco dedanificação do digitalizador, na eventual descarga totaldo isolador, quando da aquisição dos sinais decorrente de fuga. Em sua concepção foi utilizadoacoplamento óptico para isolar e proteger osequipamentos do sistema de digitalização.

6.0 - CONSTRUÇÃO DOS CLASSIFICADORES

A Figura 5 ilustra um sinal de ultra-som adquirido, parao qual foram estabelecidos os atributos definidosadiante.

FIGURA 5 - SINAL TÍPICO DE ULTRA-SOM(INTERVALO AMOSTRAL: 600 hs)

No domínio do tempo foram definidos os seguintesatributos:

• média: média aritmética dos valores do sinal (V);• amplitude máxima: valor máximo do sinal (V);• número de passagens por zero: número de vezes

em que o sinal passou por zero;• desvio padrão: desvio padrão dos valores do sinal

em foco (V),• número de valores menores que zero: número de

valores abaixo de zero para cada sinal analisado;• valor eficaz: raiz média quadrada do sinal (V);• fator de pico: relação entre a amplitude máxima e

a raiz média quadrada;• coeficiente de variação: desvio padrão expresso

como uma percentagem da média aritmética;

Os sinais foram previamente analisados através dehistogramas, tendo-se definido faixas específicas comoatributos a serem considerados no processo declassificação.

Análises similares foram realizadas para o primeironível de detalhamento das wavelets (Haar). No domínioda freqüência, por intermédio de uma análise espectral,foram definidos atributos associados à potência contidapor faixa de freqüência.

A Figura 6 ilustra um histograma típico construído e aTabela 1 resume os diversos atributos definidos paracada tipo de domínio.

FIGURA 6 - HISTOGRAMA TÍPICO (SINAL DECORRENTE DE FUGA).

Tabela 1 – Resumo dos atributos definidos

Tempo(15 atributos)

Freqüência(11 atributos)

Wavelets(15 atributos)

Média 10 faixas MédiaValor máximo Energia total Valor máximoPassagens p/0 Passagens p/0Desvio padrão Desvio padrão

N° valores<zero N° valores<zeroValor eficaz Valor eficaz

Fator de pico Fator de picoCoeficiente de

variaçãoCoeficiente de

variação7 faixas dohistograma

7 faixas dohistograma

Todos esses atributos, depois de extraídos, foramnormalizados em relação ao desvio padrão de cada umdos vetores de atributos constituintes de todas asclasses.

6.1 Montagem do Conjunto de Treinamento

A título de amostra foram utilizados isoladores de vidroST 254 V8 CB (7). O lado terra de cada unidadeensaiada foi conectado ao digitalizador, através docircuito de proteção já mencionado. Para obtenção dossinais que constituíram o conjunto de treinamento,todas as unidades de isolador foram submetidas àtensão de 7 kV. A escolha deste nível fixo de tensãodurante a gravação dos sinais teve o propósito deevitar que houvesse a abertura de arco elétrico quepudesse danificar todo o arranjo elétrico desenvolvidoespecificamente para os experimentos aqui relatados,em especial a câmara de poluição. O nível da tensão,como pode ser verificado na Figura 1, representa umvalor suportável para qualquer das amostras,independente do nível de poluição utilizado (ESDD). ATabela 2 ilustra os níveis de poluição aplicados.

Os sinais tratados (2x60) foram submetidos a algoritmoque aglutinou as rotinas de extração de atributoscitadas. Este algoritmo gravou os 41 atributos extraídosde cada um dos 2x60 sinais em um único vetorcontendo 4920 registros (60x82). Uma outra rotina foidesenvolvida para ler este vetor e montar a matriz deatributos (60x82), a qual foi desmembrada por classe

5

associada ao estado de poluição para permitir amontagem dos classificadores.

Tabela 2 - Caracterização das classes de poluição (15)

Classe Faixa de ESDD (mg/cm2)A 0,00 – 0,032B 0,032 – 0,038B´ 0,038-0,056C 0,056 – 0,123D Maior que 0,123

6.2 Classificadores Obtidos

Os classificadores foram construídos para cadamodelo/conjunto de treinamento, na ordemapresentada na Tabela 3. Os resultados obtidos foramsintetizados na Figura 7.

Tabela 3 – Caracterização das diversas classes

Classes ObservaçõesI II 1 – Sem poluição (“S”)1 2,3,4,5,6 2 – Poluição “A“

(ESDD = 0,025 mg/cm2)1,2 3,4,5,6 3 - Poluição “B“

(ESDD = 0,035 mg/cm2)1,2,3 4,5,6 4 - Poluição “B´“

(ESDD = 0,05 mg/cm2)1,2,3,4 5,6 5 - Poluição “C“

(ESDD = 0,1 mg/cm2)1,2,3,4,5 6 6 - Poluição “D“

(ESDD = 0,2 mg/cm2)

FIGURA 7 – RESUMO DOS RESULTADOS OBTIDOS

Na Figura 7 foi utilizada a seguinte codificação paracaracterização do modelo/sensor aplicado:

D-FSS – dois sensores e o modelo de Fisher semseleção;D-KL – dois sensores e o modelo de Karhunen-Loève;U-FSS – sensor de ultra-som e o modelo de Fishersem seleção;U-KL – sensor de ultra-som e o modelo de Karhunen-Loève;C-FSS – sensor de corrente de fuga e o modelo deFisher sem seleção;

C-KL – sensor de corrente de fuga e modelo deKarhunen-Loève;

A seleção de atributos através do critério de Fisher,utilizando-se coeficiente de correlação >= 0,5 comofator de eliminação por similaridade, levou à reduçãoda dimensão do espaço de atributos de 82 para 20.Entretanto, o desempenho do classificador comseleção apresentou queda em relação ao classificadorconstruído com todos os atributos.

Para cada um dos três tipos de monitoração (doissensores, só ultra-som ou só corrente de fuga), oprocesso de classificação pode ser implementadooperacionalmente utilizando-se, gradativamente, oscinco classificadores para cada um dos casos/modelosanalisados;

A utilização da alternativa descrita anteriormentepoderia levar a identificação do estado da poluição aindicações similares à analógica. A Figura 8 ilustracomo o processo “analógico” pode ser implementado.

Início

Fim

Leiturado sinal

Extraçãoe normalização

i=1

I>5?

i=i+1

Não

Sim

Classificadori

Não

Simi Estado1 S2 A3 B4 B´5 C

Maissinais

?

Sim

Não

FIGURA 8 – ALGORITMO PARA CONSTRUÇÃO DEPROCESSO “ANALÓGICO”

O resultado indicativo desta situação “analógica” doestado da poluição encontra-se ilustrado na Figura 9

S

A

B B´

C

D

FIGURA 9 – VISUALIZAÇÃO “ANALÓGICA” DOPROCESSO DE CLASSIFICAÇÃO

6

A concretização do algoritmo apresentado na Figura 8conduz o processo de classificação a disparar sistemasde alarme, quando a poluição atingir o nível central do“visor analógico” ilustrado na Figura 9, onde a precisãofoi comprovadamente maior (vide a Figura 7). Acodificação utilizada (S, A, B, etc.) encontra-se descritana Tabela 3.

7.0 - CONCLUSÕES

A pesquisa empreendida permitiu identificar osseguintes aspectos associados às técnicas demonitoração de cadeias de isoladores poluídas:

• foi observado um melhor desempenho dosclassificadores, quando utilizados simultaneamenteos dois sensores;

• quando analisados separadamente, o sensor decorrente de fuga apresentou um desempenho melhordo que o de ultra-som;

• a utilização isolada do sensor de ultra-som conduz aresultados que poderiam ser aceitos emmonitorações que exigissem um menor grau deprecisão; por outro lado houve um acréscimo destaprecisão quando da classificação entre os trêsprimeiros níveis de poluição e os três mais intensos;a monitoração utilizando sensor de ultra-som podeser preferida diante de suas características nãoinvasivas;

• os desempenhos dos modelos de Fisher (semseleção) e o de KarhunemLoève se apresentaramsimilares, havendo uma vantagem do segundo

quando analisados os valores do  2d (somatório

dos quadrados das distâncias dos padrões ao hiper-plano de separação) obtidos;

• o modelo de Fisher apresentou uma queda dedesempenho, quando da utilização do espaço deatributos reduzido por qualquer das técnicasaplicadas (Fisher ou Componentes Principais);registra-se que esta queda poderia ser minoradacaso fosse utilizado critério de eliminação deatributos mais brando (coeficiente de correlaçãomaior do que 0,8, por exemplo, para o caso datécnica de seleção de Fisher);

• a técnica de seleção de Fisher permite identificar,como esperado, os atributos que mais interferem noprocesso de classificação; já sinalizava, inclusive, acondição de complementaridade entre os atributosextraídos dos dois sensores utilizados;

• os atributos associados ao histograma da correntede fuga no domínio do tempo e os relativos aswavelets não apresentaram nenhuma contribuiçãoao processo de classificação, podendo sereliminados sem sacrifícios aos diversosclassificadores obtidos;

• a utilização de todos atributos não levaria a retardosno processamento mesmo em monitoração emtempo real, uma vez que os registros (com duraçãocorrespondente ao período de uma onda de tensãode 60 Hz, com intervalos entre amostras menores do

que o intervalo de Nyquist) poderiam ser feitos acada 15 minutos, por exemplo.

8.0 - AGRADECIMENTOS

Os autores agradecem a CAPES pela bolsa depesquisa fornecida para alguns deles e aoPRONEX/CNPq pelo apoio financeiro paradesenvolvimento das pesquisas aqui relatadas.

9.0 - REFERÊNCIAS BIBLIOGRÁFICAS

(1) O. Regis, A. R. F. Freire, J. M. B. Bezerra,Sobrecarga em Ativos do Agente de Transmissão:A Questão das Linhas Aéreas. XVI-SNPTEE,2001.

(2) K. Iwai, Y. Hase, E. Nakamura, H. Katsukawa,Development of a New Apparatus forContamination Measurement of OverheadTransmission Line Insulators, IEEE Transactionson Power Delivery, Vol. 13, No. 4, pp. 1412-1417,1998.

(3) C. N. Richards, J. D. Renowden, Development of aRemote Insulator Contamination MonitoringSystem, IEEE Transactions on Power Delivery,Vol. 12, No. 1, pp. 389-397, 1997.

(4) J. M. B. Bezerra, Aplicação de Técnicas deReconhecimento de Padrões no Diagnóstico deDefeitos em Linhas de Transmissão, Dissertaçãode Mestrado, Universidade Federal dePernambuco, Brasil, 1995.

(5) F.A.M. Rizk, Mathematical Models for PollutionFlashover, Electra, Vol. 78, pp. 71-103, 1981.

(6) R. Sundararajan, N. R. Sadhureddy, R. S. Gorur,Computer-aided Design of Porcelain Insulatorsunder Polluted Conditions, IEEE Transactions onElectrical Insulation, Vol. 2, No. 1, pp. 121-127,1993.

(7) Vifosa, Catálogo de Isoladores de Vidro, Brazil,1962.

(8) J. W. Slansky, Pattern Classifier and TrainableMachines. Spring – Verlag, 1a Edition, USA, 1981.

(9) R. O. Duda, P. E. Hart, Pattern Classification andScene Analysis, John Wiley & Sons, USA, 1973.

(10)D. F., Morrison, Multivariate Statistical Methods,Mc Graw Hill Series in Probability and Statistics,USA, 1975.

(11)J. F. Marar, F. Carvalho, E. C. Barros, “NumericPattern Recognition Through Karhunen-LoèveTransformation”, VI SIBGRAPI, 1994.

(12)BIDDLE, Leak and Corona Detection. Bulletin 56-1a, 1990.

(13)TEKTRONIX, Gett ing Started with theTD2301/S45D010. Measurement Software,Product Group 45, 1992.

(14) IEC, Artificial Pollution Tests on High-VoltageInsulators to be Used on a.c. Systems, segundaedição, IEC 507, 1991.

(15)EPRI - Electric Power Research Institute,Transmission Line Reference Book 345 kV andAbove, Fred Weidner & Son Printers Inc., USA,1975.