Descargas Parciais em Hidrogeradores –

Uma Avaliação de Técnicas de Mineração de Dados

no Monitoramento e Acompanhamento do Fenômeno

Code: 05.003

A.C.N.Pardauil; U.H.Bezerra; W.D.Oliveira; H.P.Amorim; A.T. Carvalho

UFPA, CEPEL

21/11/2017 1

Estabelecer métodos de diagnóstico de falhas incipientes nos enrolamentos do estator, com base nos tipos e magnitudes das descargas parciais, utilizando técnicas de mineração de dados.

Objetivo

21/11/2017 2

Maior causa de falhas em hidrogeradores tem relação com

a isolação elétrica.

Medição e análise de descargas parciais é um dos métodos

mais eficazes para análise do isolamento estatórico do

gerador.

Classificar um sinal de DP nem sempre é trivial.

Necessidade de uma ferramenta inteligente de

reconhecimento de padrões de descarga parcial

Introdução

21/11/2017 3

As Descargas Parciais são descargas elétricas que

preenchem parcialmente a isolação entre condutores e

que pode ou não ocorrer junto ao condutor.

Normas que se destacam são IEC 60270, IEC 60034-27-

2, IEEE 1434 e NBR 6940-2015.

Descargas Parciais

21/11/2017 4

Descargas Parciais – Localização na Barra/Bobina

21/11/2017 5

Descargas Parciais - Padrões

21/11/2017 6

Sistema de Medição (IMA-DP Intensivo)

21/11/2017 7

Identificação de padrões válidos;

Estratégia eficaz para encontrar informações úteis embutidas em

GRANDES volumes de dados.

Mineração de Dados (MD)

21/11/2017 8

Tipos de Tarefas da MD

21/11/2017 9

Tarefas Preditivas - predizer o

valor de um determinado

atributo baseado nos valores

de outros atributos.

Tarefas Descritivas - Derivar

padrões(correlações,

tendências, anomalias,

agrupamentos) que resumam

os relacionamentos

subjacentes nos dados.

Clusterização

21/11/2017 10

Tem a finalidade agrupar registros

semelhantes criando novas

classes.

Utilizou-se o K-MEANS neste

trabalho que tem os seguintes passo:

1. Escolher k pontos, dentro do

espaço de características,

representando os centros dos k

clusters em que é desejado dividir

o conjunto de dados.

2. Assinar cada padrão ao centro

mais próximo de acordo com a

função de similaridade.

3. Recalcular os centros dos clusters

utilizando os dados membros de

cada cluster.

4. Repetir o algoritmo desde o item

dois até atingir um critério de

parada.

Divergências de Bregman para K-means utilizando a

distância Euclidiana quadrada: Utiliza o mesmo método

K-means sendo a divergência ou distância de Bregman

possuindo semelhanças com a métrica, mas não satisfaz a

desigualdade triangular ou simetria.

Medidas Numéricas utilizando distância Euclidiana: O

algoritmo K-means, mas utiliza para cálculo a distância

Euclidiana o qual busca a distância direta entre as

métricas.

Variações de Clusterização

21/11/2017 11

Medidas Numéricas utilizando distância dinâmica de

distorção do tempo (DTW): Aplica nos cálculos das

distâncias do K-means o DTW que é utilizado para

encontrar o alinhamento não-linear ótimo entre duas

sequências de valores numéricos

Medidas Numéricas utilizando distância Euclidiana de

Kernel: É realizado o uso do mapeamento Kernel.

Computa-se a distância de Mahalanobis parametrizada no

feature space. Consiste em explorar a não linearidade dos

dados, definindo a formação dos clusters no feature space.

Variações de Clusterização

21/11/2017 12

É uma técnica de aprendizado de máquina supervisionado para

solucionar problemas com dados de alta dimensionalidade .

O princípio fundamental é obter um modelo preditivo para classificar um

objetivo usando os atributos que contribuem diretamente para tal

objetivo.

A DT converte um complexo processo de classificação em algumas

instruções lógicas “if-then”, em termos dos limites dos atributos de

entrada ou de suas combinações lineares

A árvore de Decisão tem várias variações, mas para o propósito deste

trabalho utilizou-se o CART

Árvore de Decisão

21/11/2017 13

Consiste em desenvolver uma ferramenta de auxílio na análise de dados de descargas parciais em hidrogeradores, o qual é realizado através de um encadeamento de tarefas de mineração de dados.

Metodologia

21/11/2017 14

Utilizando-se o software Rapid Miner aplicou-se a metodologia tal como apresentada na figura anterior, foram inseridos 1724 dados de medições os quais representavam informações dos 8 acopladores da fase A de um hidrogerador da Casa de Força 1 da UHE de Tucuruí, destacando-se que o método pode ser replicado as demais fases.

Resultados

21/11/2017 15

Resultados – Árvore de Decisão

21/11/2017 16

Medidas Numéricas utilizando distância Euclidiana de Kernel

Para o treino, teste e validação da DT, foi utilizada a técnica K-fold crossvalidation, onde comprovou-se que o modelo criado pela DT, representa de forma bastante adequada a classificação das DPs.

Validação

21/11/2017 17

Desenvolveu-se uma ferramenta inteligente que possibilitará a

identificação de tipos de descargas parciais como apresentados nas

normas;

Trabalhou-se apenas com a fase A nesta fase do trabalho, a qual é

composta da análise de 8 acopladores, mas futuramente irá se replicar

para as demais fases desta máquina, e posteriormente para as demais

máquinas da UHE de Tucuruí;

A utilização de dados reais foi crucial para garantir a veracidade do

método e, por conseguinte, obter uma árvore de decisão bem treinada;

Conclusões

21/11/2017 18

Utilizou-se 4 combinações de clusterização com uma árvore de decisão

do tipo Cart, em todos os resultados dos casos a acurácia foi superior a

95%, destaque para a utilização com o cálculo da distância Euclidiana

de Kernel, o qual apresentou 97,51% de acerto global.

Em trabalhos futuros ampliar-se-á as análises utilizando mapas PRPD,

e determinando padrões para estabelecer a gravidade da descarga

parcial embasada na magnitude atrelada ao reconhecimento de

padrões.

Conclusões

21/11/2017 19

*1+ Stone, G.C., “Theory of The Partial Discharge Analyser Test”, Presented to EPRI/CEA Workshop on the PDA and RF Monitoring, Toronto, Canada, 1986. *2+ Brasil, F.S., “Estudo Experimental de Técnicas de Medição de Descargas Parciais nos Enrolamentos Estatóricos de Hidrogeradores.” Tese de Mestrado, Programa de Pós-Graduação em Engenharia Elétrica, Universidade Federal do Pará, Belém, Brasil, 2013. *3+ Pardauil, A.C.N., Bezerra, U.H., Oliveira, W.D., Amorim, H.P., Carvalho, A.T. “Uso De Técnicas De Mineração De Dados Para Extração De Indicações De Falha Na Operação De Hidrogeradores A Partir De Medidas De Descargas Parciais”. XXIII SNPTEE – Seminário Nacional de Produção e Transmissão de Energia, Foz do Iguaçu, Brasil,2015 [4] International Eletrotechnical Commision, “IEC 60270 High Voltage Test Techniques – Partial Discharges Measurements”. Suíça, 2000 [5] Institute Of Electrical And Eletronic Engineers, “IEEE Std 1434 Guide to Measurement of Partial Discharge in Rotating Machinery”. USA, 2014 *6+ Fagundes, F.L., Borges, C.C.H., Neto, R.F. “Aprendizado de Métrica Utilizando uma Função de Distância Parametrizada e o Algoritmo K-means.” In: XIII Encontro Nacional de Inteligência Artificial e Computacional, Recife, Brasil, 2016. *7+ Fayyad, U.M. “Data Mining and Knowledge Discovery in Databases: Applications in Astronomy and Planetary Science”. In: Association for Advancement of Artificial Intelligence (AAAI), Redmond, USA, 1996. [8] Tan, P-N.; STEINBACH, M.; KUMAR, V.. “Introdução ao Data Mining.” Ciência Moderna, 2009. *9+ Dilly, R. “Data Mining: an introduction.” Belfast: Parallel Computer Centre, Queens University, 1999

Bibliografia

21/11/2017 20

[10] Addrians, P. & Zantinge, D. “Data Mining”. Inglaterra: Addison-Wesley., 1996 [11] Mannila, H. “Data mining: machine learning, statistics and databases.” International Conference on Statistics and Scientific Database Management., 1996 [12] Mahalanobis, P.C. “On the Generalised Distance in Statistics”. Proceedings of the National Institute of Sciences of India, 2, 49-55, 1936 [13] Deza, M.M., Deza, E. “Encyclopedia of Distances”. Springer-Verlag Berlin Heidelberg, 2009 [14] Geler, Z., Kurbalija, V., Radovanovid, M.,Ivanovid, M. “Impact of the Sakoe-Chiba Band on the DTW Time Series Distance Measure for kNN Classification”, In : Buchmann R., Kifor C.V., Yu J. (eds) Knowledge Science, Engineering and Management. KSEM 2014. Lecture Notes in Computer Science, vol 8793. Springer, Cham, 2014 [15] Carpentier, J., “Static Security Assessment and Control: a Short Survey Athens Power Tech”, APT 93. Proceedings. Joint International Power Conference, 1993. [16] Werbeston D. Oliveira, João P.A. Vieira, Ubiratan H. Bezerra, Daniel A. Martins, Benedito das G. Rodrigues, Power system security assessment for multiple contingencies using multiway decision tree, Electric Power Systems Research, Volume 148, 2017, Pages 264-272, ISSN 0378-7796, http://dx.doi.org/10.1016/j.epsr.2017.03.029. *17+ W. D. Oliveira, D.S. Gaia, F. Monteiro, B. G. D. Rodrigues, J. P. A. Vieira, U. H. Bezerra. “Comparação dos Algoritmos C4.5 e MLP aplicados a Avaliação da Segurança Dinâmica e ao Controle Preventivo no Contexto da Estabilidade Transitória”. 10th LATIN-AMERICAN CONGRESS ON ELECTRICITY GENERATION AND TRANSMISSION - CLAGTEE 2013

Bibliografia

21/11/2017 21

Obrigada

21/11/2017 22