Avaliação da degradação de disjuntores de alta tensão por meio de técnicas de machine learning.

• Ano de defesa: 2023
• Autor(a) principal: Pereira, Leonardo do Nascimento
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Análise de dados; Circuit-breaker; Data analysis; Disjuntores; Manutenção preditiva; Predictive maintenance
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-04082023-084223/

O trabalho apresenta uma metodologia para avaliação da degradação de disjuntores de alta tensão ao longo de uma extensa janela temporal. Para isso, foram mapeados disjuntores de uma distribuidora de grande porte. Os disjuntores mapeados tiveram os seus ensaios de resistência de contato, tempo de abertura e tempo de fechamento avaliados. Por se tratar de uma extensa massa de dados, foram utilizadas técnicas de machine learning para clusterização dos disjuntores conforme o seu nível de degradação e, consequentemente, o risco de falha atrelado ao ativo. Foram analisados apenas disjuntores de 138kV isolados a gás SF6. Contudo, os padrões nominais de operação do disjuntor variam de acordo com fabricante e modelo. Neste sentido, fez-se uso de um algoritmo de machine learning (K-Means) para clusterizar as n observações dentre k grupos, onde cada observação pertence ao grupo mais próximo da média. Porém, antes da clusterização, foi aplicada uma técnica de redução de dimensão chamada principal component analysis (PCA). Com isso, é possível obter uma representação em duas dimensões da base de dados - diagrama de Voronoy - dos disjuntores. Finalmente, a análise das propriedades de cada cluster permite identificar equipamentos que apresentam comportamento diferente ao restante de sua família. Esses ativos apresentam um risco maior de falha. Diversos trabalhos foram publicados sobre o uso dos dados de disjuntores para monitoramento da condição, porém, o presente trabalho se diferencia dos demais por utilizar uma base de dados real de ensaios de campo, com grande variação temporal (1977-2021).