Uso de técnicas de mineração de dados para a extração de indicação de falha na operação de hidrogeradores a partir de medidas de descargas parciais

Mediante estudos realizados pelo CIGRE em 2009, constatou-se que a fonte principal de falhas elétricas em hidrogeradores estão correlacionados a isolação elétrica. Devido a isto, monitorar as condições do enrolamento estatórico tornou-se primordial e um dos meios de se realizar este procedimento é através da medição e análise de descargas parciais, sendo este um dos métodos mais eficazes e seguros para análise do isolamento do estator do gerador. No entanto, apesar de possuírem padrões bem definidos, não é trivial encaixar os sinais obtidos nestes padrões, devido principalmente ao grande número e variedades de ocorrências de DPs. Este aumento no volume de dados obtidos foi devido a melhorias nos equipamentos e softwares do IMA-DP que viabilizou melhor planejamento e periodicidade nas medições. O uso de uma ferramenta que agilize este processo de identificação e diagnóstico das Descargas Parciais é proposto neste trabalho, baseado em técnicas de mineração dados utilizando árvores de decisão, que é uma solução para análise de grandes volumes de dados. No caso especifico aqui apresentado, utilizou-se 2435 medições provenientes da fase A de um dos hidrogeradores da Casa de Força 1 da Usina Hidrelétrica de Tucuruí, o que foi fundamental para validar o método, pois trata-se de dados reais do sistema. Foi utilizada uma abordagem híbrida (não-supervisionado/ supervisionado) para identificar padrões e posteriormente classifica-los dentre as formas conhecidas de DPs. Obteve-se respostas de classificação dos sinais de forma rápida e muito satisfatória, principalmente ao se converter os dados dos mapas estatísticos em histogramas de amplitude, conseguindo assim, clusters bem definidos e uma árvore de decisão que apresentou índices de acerto global na sua validação acima de 98%.