Identificação de faltas de enrolamento do estator em um gerador de indução de turbina eólica duplamente alimentado por meio da análise de assinatura de corrente.

• Ano de defesa: 2025
• Autor(a) principal: Tominaga, Rafael Noboro
• 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: Aprendizado computacional; DFIG; Electric current; Eletrodinâmica; Fault identification; Máquinas assíncronas; Modeling; Neural network; Redes neurais; Turbinas; Wind turbine
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-11072025-135727/

Turbinas eólicas são sistemas de conversão de energia eletromecânica impulsionados pela transição energética. Por serem equipamentos complexos e relativamente recentes, existem oportunidades para melhorar a sua eficiência. Técnicas de detecção de curto-circuito baseadas na análise de assinatura de corrente vêm sendo empregadas para esse fim. Além disso, modelos analíticos contribuem para uma melhor compreensão do desempenho desses sistemas. Uma das contribuições desta pesquisa é a revisão e o detalhamento da modelagem elétrica do gerador de indução de alimentação dupla (DFIG) dedicado à turbina eólica. Nesse tipo de aerogerador, a regulação de velocidade e fluxo é realizada por meio do fluxo de potência ativa e reativa no enrolamento do rotor. O modelo abrange tanto a máquina quanto seu controle, permitindo a emulação de curto-circuito entre espiras de cada fase no estator e no rotor. A segunda contribuição consiste no desenvolvimento de uma rede neural capaz de identificar e localizar o enrolamento (fase) que apresenta curto-circuito. A abordagem combina rede neural com árvore de decisão. Tal abordagem foi concebida para garantir a rastreabilidade das tomadas de decisão, o que aporta maior conhecimento ao engenheiro. A topologia de rede neural aqui adotada atingiu acurácia de 98% nos dados experimentais utilizados para o teste, tendo sido treinada exclusivamente com dados simulados do modelo DFIG. A validação ocorreu em bancada laboratorial. As contribuições apresentadas promovem melhor monitoramento e rotinas de manutenção mais eficazes para turbinas eólicas DFIG.