Monitoramento e diagnóstico de para-raios a ZnO através de redes neurais artificiais.

• Ano de defesa: 2007
• Autor(a) principal: WANDERLEY NETO, Estácio Tavares.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA; UFCG
• Palavras-chave em Português: Pára-Raios – Supressores de Surto; Redes Neurais Artificiais; Monitoramento; Óxido de Zinco; Lightning Strike - Surge Suppressors; Artificial Neural Networks; Monitoring; Zinc Oxide; Engenharia Elétrica.
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/3206

Pára-raios integram o sistema de proteção de linhas de transmissão e equipamentos de potência. A operação e a manutenção corretas destes equipamentos assegura a integridade de equipamentos fundamentais, como transformadores de potência. Durante a ocorrência de surtos atmosféricos ou de manobra, um nível de tensão acima do nível da isolação do equipamento pode ser alcançado. Um pára-raios, trabalhando corretamente, pode limitar este nível de tensão que evita os danos ao equipamento protegido, enquanto que um pára-raios defeituoso deixa exposto às sobretensões os equipamentos que deve proteger. As inspeções rotineiras são a melhor maneira de avaliar a integridade e a operação apropriada dos pára-raios. Sua monitoração geralmente é feita por análise térmica ou medição da corrente de fuga. Entretanto não há nenhum procedimento padrão para a condução e a análise dos resultados obtidos. Via de regra, quando alguma anormalidade é detectada, o pára-raios é substituído por um novo e nenhum estudo adicional é conduzido para avaliar que tipo do problema aconteceu. Este trabalho propõe um método para a análise de pára-raios de ZnO pelo uso de redes neurais artificiais - RNA. Uma RNA pode analisar o perfil térmico, detectar e classificar padrões que poderiam passar desapercebidos por uma análise visual. Além disso, se a RNA for treinada corretamente com uma amostra que englobe a maior variabilidade possível de defeitos em pára-raios, é possível detectar que tipo da falha está acontecendo aos equipamentos de uma determinada subestação. Assim, os resultados obtidos são uma ferramenta útil para engenheiros e fabricantes porque dão uma informação adicional sobre o problema, ajudando em uma tomada de decisão e indicando a possível origem do problema.