Você está na página 1de 6

Anlise de Componentes Principais para Identificar Descargas Parciais em Transformadores de Potncia

Walter M. Cuenca 1, 2, Jos M. Seixas 2, Alain F. Levy 1 1. CEPEL/ACET, PO Box 68007 CEP 21944-970 Rio de Janeiro Brasil, Tel: 0 (XX) 21 5986222, Fax: 0 (XX) 21 260-1340/598-2233 2. COPPE/EE/UFRJ C. P. 68504, Rio de Janeiro 21945-970, Brasil martin@cepel.br alain@cepel.br seixas@lps.ufrj.br Abstract
This work presents a preprocessing analysis of partial discharges data in power transformers. These data were measured starting from experimental models. The preprocessing method uses the principal component analysis (PCA), aiming at reducing the dimension of the original data space, using only seven principal components, and classification efficiency better than 93% was achieved. entre duas partes condutoras de eletricidade e um meio isolante, pelo efeito de ionizao em cavidades gasosas no interior dos materiais isolantes slidos e lquidos. Tais descargas tambm podem ocorrer na zona de contato de isolantes slidos (dieltricos) e superfcies metlicas submetidas a tenso eltrica [2]. A Figura 1.b, mostra um modelo tpico de medio e simulao de DP's em cavidades gasosas, onde V(t), u10 e u1 so os valores mximos das tenses de referncia, da cavidade e de descarga, respectivamente e, uz+ um dos nveis de tenso de inicio de descarga em cavidades gasosas [2],[3]. DP's em transformadores de potncia tm sido pesquisadas por vrias dcadas, formando-se vrias linhas de pesquisa em medio e deteco. Mtodos de medio de DP's so descritos nas Normas IEC-270 e so geralmente adotados pela comunidade tcnica [3]. Realmente medir uma descarga parcial em transformadores de potncia requer vrias condies, tais como: baixo nvel de rudo, calibrao do equipamento, sensibilidade de medio e balano de impedncias. A realizao de uma medio de DP's no interior de um transformador dificultada pela acessibilidade nos circuitos internos e a complexidade destes circuitos, altamente indutivos. Todas estas caractersticas afetam os sinais de DP's, contribuindo na sua deformao e atenuao. As medies de DP's tambm so afetados por rudos contaminadores que se propagam por conduo e irradiao [1]. Um novo problema surge aps uma dada medio ou deteco de descarga parcial. Ser que o instrumento de medio obteve real sucesso em medir a descarga parcial? Em que local elas esto ocorrendo? Quais materiais esto envolvidos? So perguntas difceis de se responder e que dificultam uma deciso concreta do especialista. Novas ferramentas e tcnicas tm sido adaptadas para tratar a informao obtida de uma medio de DP's. Entre elas, est o reconhecimento de padres de DP's, feito a partir de modelos experimentais.

1. Introduo
As empresas de energia eltrica esto prestando cada vez mais ateno na preservao de seus equipamentos mais importantes (e mais custosos), especialmente transformadores de potncia, para garantir um servio contnuo de energia eltrica. O forte crescimento da demanda faz com que os transformadores de potncia trabalhem com sobrecarga por perodos de tempo longos, aumentando os riscos de falha, sobreaquecimentos e degradao dos materiais isolantes, causando a perda acelerada de suas propriedades eltricas e mecnicas. Estes fatores contribuem para uma possvel formao de descargas parciais (DP's). Uma das preocupaes do pessoal tcnico envolvido na operao de equipamentos eltricos de alta tenso evitar o envelhecimento prematuro dos isolamentos, assim como mant-los em bom nvel de proteo, prevenindo riscos de faltas severas, e o aumento das sadas de servio no programadas. Uma maneira de reduzir estes riscos realizar medies peridicas por testes de DP's, os quais so avaliados por especialistas e instrumentao sofisticada. Entretanto, a tomada de deciso vem se dando muito mais por experincia do que por uma anlise sofisticada dos dados [1]. As descargas parciais so sucesses de descargas eltricas incompletas, rpidas e intermitentes na ordem de nano-segundo (Figura 1.a), que ocorrem pela proximidade

120 100 80

60 40 20 0 20 40 0 2 4 6 8 10

t (n s)

(a)
V

v(t) u 10 u1

uz+
0

uz-

(b)
q (pC)

(graus)

Nas pesquisas desenvolvidas no Centro de Pesquisas de Energia Eltrica (CEPEL), foram adotadas trs clulas bsicas, denominadas Ponta Flutuante (FL), Ponta Plano (PP) e Ponta Terra (PT), mostradas na Figura 1.d respectivamente. Estas clulas foram confeccionadas para representar fontes DP's localizadas em transformadores de potncia em leo isolante [1], [4]. O instrumento de medio "ICM System", da Power Diagnostix Systems, foi utilizado para todas as atividades experimentais realizadas. Este instrumento emprega a tcnica de medio de carga aparente, especificada na norma IEC 270. Os procedimentos de medio e calibrao do equipamento esto descritos na referncia [5]. O ICM converte os sinais eltricos em sinais digitais na forma de Mapas [4], os quais tm a particularidade de relacionar a amplitude, ngulo de fase e taxa de repetio ( , q, N ) em forma de mapas de assinaturas das DP's dispostas de forma bidimensional (Figura 1.c). Neste caso, a taxa de repetio (N ) codificada em cores normalizadas (16 cores), as amplitudes q (vertical) so picos mximos dos pulsos de descargas atingidos a partir de janelas ajustadas em 20 s de durao e ( horizontal) o ngulo de fase da tenso onde se desenvolvem as descargas.

i(t) (m A )

2. Apresentao do Problema
A fonte de informao provm de trs clulas caractersticas, dispostas na forma de mapas digitais cuja primeira compactao de informao se ilustra na Figura 2. A reduo da matriz primitiva [P] de dimenses 256x256, que contm um mapa original de distribuio das taxas de repetio das DP's, faz com que cada bloco 8x8 gere um elemento (rij) da matriz reduzida [R] de dimenses 32x32. Matematicamente, esta matriz reduzida construda pela seguinte expresso: Dado:

(c)

nn (no espao Euclidiano), n = 256 e m m [R] , m = 32;


[P] (d)
Figura 1: Sinais de DP's. (a) Pulsos intermitentes medidos em ultra alta freqncia , (b) modelo de DP em cavidades, (c) mapa caracterstico de DP's gerados por modelos experimentais e (d) modelos experimentais.

Esta tcnica baseia-se na construo de clulas experimentais (Figura 1.d) com o objetivo de reproduzir DP's localizadas. A vantagem desta tcnica que se tem uma base de conhecimento a priori (local da fonte de descarga e materiais envolvidos), de tal forma que as clulas padres de ocorrncia de DP's possam ser associadas a determinados locais reais de um transformador.

p(1,1) p (2,1) [ P] = p(256,1)

p(1,1) p(2,2)

p(256,2) r(1,1) r(2,2)

       
r(1,32) r(2,32) r(32,32)

p(1,256) p(2,256) , p(256,256)

r(1,1) r (2,1) [R ] = r(32,1)

(1)

r(32,2)

Onde:

rij =

k 1+ 7

u = k1

p
v= k 2

k 2+7

(u ,v )

3. Adequao do Problema como Processo Es -tocstico


O sinais de DP's se caracterizam por serem pulsos intermitentes de corrente desenvolvidos em janelas de tempo (> 5s ), onde cada forma de onda dos pulsos pode ser considerada como uma amostra estatstica, e o conjunto destas amostras ser uma coleo ou ensemble de funes. Um mapa caracterstico (ex.: Figura 1c) a resposta para um conjunto de amostras, determinando um evento no instante em que registrada pelo ICM. Portanto, as assinaturas de DP's deixadas por uma coleo (conjunto de sinais de DP's) um mapa caracterstico. O mapeamento destes eventos aleatrios em perodos de tempo constante um processo estocstico. As clulas FL, PP e PT geram os mapas caractersticos (eventos) em primeira instncia com ajuda do ICM, logo estes se convertem em uma matriz [R]32x32, como mostrado na Figura 2. Esta matriz convertida em um vetor amostra com 1024 elementos, representado como X(t), cuja mdia foi compensada para que atinja um valor nulo ( E[ X] = 0 ) [6]. Os dados disponveis foram divididos de forma a compor os conjuntos de treinamento e teste do classificador neural: S 35 eventos para o padro FL, de onde foram escolhidos 20 vetores para treino e 15 para teste. S 55 eventos para o padro PP, de onde foram escolhidos 26 vetores para treino e 29i para teste. S 25 eventos para o padro PT, de onde foram escolhidos 15 vetores para treino e 10ii para teste. Considerando X(t) como processo estocstico de dimenso M=1024, de valor esperado nulo e a matriz de correlao Rx =E[XXt]1024 x 1024, a equao caracterstica [6], [7].

k1 = 8 (i -1) + 1 e k 2 = 8 ( j -1) + 1
[P] [R]

(2)

32
256

32
256

Figura 2: Processo de compactao de dados. Cada bloco de (8x8) da matriz primitiva (256x256) compactada numa cela da matriz reduzida (32x32).

Este pr-processamento da informao das medies de DP's teve a finalidade de reduzir o esforo computacional, apresentando pequenas perdas no relevantes da caracterstica e forma do padro de DP's. O problema de reconhecimento resume-se, ento, em identificar e classificar um mapa de DP's qualquer, dado pela matriz [R], num dos trs tipos de padro e, como projeo futura, identificar e localizar uma ocorrncia de DP's num transformador real. Os modelos experimentais foram construdos de acordo s seguintes caractersticas [1]: Ponta flutuante: descarga no eletrodo intermedirio. Esta configurao representa descargas induzidas envolvendo o enrolamento de alta e baixa tenso e descargas entre camadas de bobinas. Ponta plano: descarga no eletrodo de alta tenso. Esta clula representa descarga parcial envolvendo condutor de alta tenso e objeto condutor flutuante, bucha do transformador e grampos, mal contato nos conectores de alta tenso e os enrolamentos. Ponta terra: descargas no eletrodo aterrado. Esta clula representa descargas entre a bucha e o tanque aterrado do transformador, na bobina de alta ou baixa tenso e ncleo. Tambm pode envolver grampos de fixao, conectores, tirantes, jugo superior ou inferior aterrados. Neste trabalho, a partir da compactao apresentada (matriz [R]32x32), uma anlise por componentes principais desenvolvida, de forma a se obter uma reduo adicional da dimensionalidade do espao original de dados de entrada.

Rx.q i = i qi

(3)

representa a anlise de componentes principais, cujas direes (T i ) so as dos autovetores de Rx, que tem

 i s para autovalores.

O padro PP apresenta eventos com muito rudo e baixas taxas de descargas, escolhendo-se apenas as 26 mais representativas para treino. ii O padro PT tem poucas amostras, devido dificuldade de medir sinais com baixa densidade de descargas.

4. Componentes Principais
A anlise de componentes principais foi desenvolvida no ambiente de programao MatLab V5.3.1, gerando-se 1024 componentes principais (vetores ortonormais) e, 1024 autovalores (diagonal da matriz de correlao), que so equivalentes s varincias apresentadas em cada componente. Uma vez que apenas 61 eventos se encontravam disponveis para a extrao das componentes principais, apenas 60 componentes so significativas, considerandose a perda de um grau de liberdade que se efetiva quando a mdia do processo feita nula. A reconstruo dos sinais originais pode ser avaliada a partir das projees destes nas componentes principais extradas. Na verdade, um dos objetivos da anlise de componentes principais reduzir a dimenso do espao original de entrada, projetando-o no subespao de menor dimenso gerados pelas componentes mais relevantes. Para isso, procura-se uma representao efetiva dos sinais, descartando-se projees que contenham baixa energia na representao e retendo-se as demais. Admite-se cometer um erro de aproximao, que pode ser calculado pela diferena entre os sinais originais e aqueles aproximados, formando-se o vetor erro a partir dos autovalores no considerados na aproximao. Nas Figuras 3 e 4, as componentes so ordenadas atravs dos seus autovalores, observando-se que apenas umas poucas componentes so responsveis por uma frao significativa da energia dos sinais. Na Figura 3, a energia associada cada componente foi calculada atravs do valor esperado do quadrado da projeo dos eventos disponveis em cada componente, E[Ci2] [6]. A Figura 4 confirma que a primeira componente d conta de 35% da varincia total e com as 7 primeiras componentes principais consegue-se reconstruir aproximadamente 92 % da varincia total do processo. Portanto, que com 7 componentes pode-se obter uma boa representao dos dados de DP's.
2 .5

Figura 4: As primeiras componentes apresentam as maiores porcentagens das varincias.

5. Mapeamento das Componentes Principais


Podemos observar a estrutura das componentes principais, de forma a identificar se esta estrutura capaz de determinar as caractersticas relevantes de um dado padro de descarga. Uma vez que cada autovetor representa uma componente principal com mdulo unitrio, determinando assim a projeo de um dado vetor de entrada nessa componente, a observao destas componentes nos mapas reduzidos de 32x32 elementos pode descobrir informaes que possam se encontrar naturalmente ocultas no espao original de entrada. Deve-se destacar que a anlise de componentes principais no determina toda a informao intrnseca dos dados, apenas nos informa o que mais representativo.

(a)

(b)

(c)

Figura 5: Mapas caractersticos originais: (a) padro FL, (b) padro PP e (c) padro PT.

1 .5

0 .5

0 0 10 20 30 40 50 60

C o m p o n e n te s P rin c ip a is

Figura 3: As primeiras componentes apresentam as maiores energias, calculadas pelo valor esperado E[Ci2] (ver texto).

A Figura 5 mostra trs mapas caractersticos correspondentes a cada tipo de padro, utilizados no conjunto de treino do classificador neural. Na Figura 6 mostram-se as nove primeiras componentes principais (PC's) da matriz de covarincia. Associando os mapas caractersticos originais (Figura 5) com as primeiras componentes principais, conclui-se que PC1-PC3 tem caractersticas prprias do padro FL, enquanto que PC4 e PC6 apresentam quatro distribuies bem diferentes das outras e guardam caractersticas mais relevantes do padro PP. A quinta componente, por seu turno, tem caractersticas do padro PT, reconhecido pelas duas distribuies desenvolvidas na

E [C ] i

regio mdia do plano horizontal. Nas outras componentes, no se percebem caractersticas associativas a algum padro, apresentando diferentes amplitudes e formas. Entretanto, o classificador poder extrair caractersticas sutis destas estruturas, revelando cada padro de DP's com eficincia.

6. Classificao Neural
Com base nas componentes principais extradas, desenvolveu-se um sistema classificador neural de DP's.

Figura 8: Esquema do classificador neural usando PC's e RN's.

Figura 6: Os nove primeiros componentes apresentam maiores porcentagens das varincias.

A Figura 7, mostra as nove componentes principais seguintes onde se pode apreciar que PC10-PC12 apresentam semelhanas do padro PP. As outras no podem ser identificadas visualmente com facilidade. Tambm observa-se que as amplitudes destas projees decrescem rapidamente ( fator de ~1/10).

A Figura 8 apresenta a topologia utilizada. Observa-se que um vetor original projetado, inicialmente, em cinco componentes principais, e estas projees so processadas pela rede neural, que apresenta cinco ns na primeira camada, dez neurnios na camada oculta e trs neurnios na camada de sada. Desta maneira, cada neurnio de sada se encontra associado a uma classe de DP's. O critrio de mxima probabilidade foi utilizado para identificar se um dado evento de entrada pertence a uma dada classe. O desempenho do classificador, para o conjunto de teste, pode ser visto na Tabela 1.
Tabela 1: Eficincia parcial por cada padro, quando se usa a informao de cinco componentes principais. Padres Padro teste FL (15 amostras) Padro teste PP (29 amostras) Padro teste PT (10 amostras) Sada FL 67% 0 0 Sada PP 33% 100% 40% Sada PT 0% 0 60%

Figura 7: Componentes principais do PC10 ao PC18.

Observa-se que o padro FL apresenta 67% de eficincia, relativo s 15 amostras disponveis desse padro, o padro PP foi reconhecido em 100%, relativo s suas 29 amostras, enquanto que o padro PT foi reconhecido em 60 %, relativo s 10 amostras de teste. Este resultado pode significar que um maior nmero de componentes principais deve ser considerado. O padro FL apresenta 5 amostras ambguas, que foram associadas ao padro PP. Na Tabela 2, se observa que a rede neural teve bastante sucesso na sua tentativa de classificao, usando as projees nas primeiras sete componentes. Neste caso, o padro FL foi identificado em 93%, o padro PP com 100% de eficincia, conforme j demostrado com 5 componentes, e o padro PT com 70% de eficincia. Analisando a eficincia global da rede neural, chega-se a 93% de eficincia total, relativa s 54 amostras de teste. Em uma anlise mais conservadora, a eficincia total pode ser calculada

como a mdia geomtrica das eficincia parciais. Neste caso, a eficincia mdia da rede neural equivale a 87 %, para os mesmos 54 eventos teste.
Tabela 2: Eficincia para cada padro considerando-se sete componentes principais. Padres Padro teste FL (15 amostras) Padro teste PP (29 amostras) Padro teste PT (10 amostras) Sada FL 93% 0 0 Sada PP 7% 100% 30% Sada PT 0 0 70%

[1], alcanou 83%, usando redes neurais simples. Por seu turno, a utilizao das componentes principais atingiu uma eficincia de 100% no padro PP (Tabela 2) e eficincia total de 93%.

7. Concluses
O pr-processamento pela anlise por componentes principais uma ferramenta bastante til e eficaz, que ajuda a revelar a informao mais relevante, que pode estar aparentemente oculta. A eficincia total relativa ao conjunto de teste pode indicar qual a quantidade de componentes que necessria para ter-se uma boa representao do espao original de dados de entrada, reduzindo drasticamente a dimenso deste espao. Utilizando-se apenas sete componentes principais, so obtidos bons resultados na classificao de padres de DP's, alcanando-se uma eficincia total de 93%. Deve-se destacar que, para os dados analisados, as sete primeiras componentes principais correspondem a 92% da energia total dos dados experimentais. A anlise por componentes principais feita sobre os dados de descargas parciais, provenientes dos eletrodos imersos em leo isolante de transformadores de potncia, mostrou que estes dados podem ser compactados melhorando os resultados obtidos em [1] e o desempenho do classificados.

* Uma ambigidade na classificao do padro FL (7%).

Na medida em que aumentamos o nmero de componentes principais, para o sistema de reconhecimento, observa-se para nove componentes utilizadas apresenta uma eficincia total maior (91%). Acrescentando-se mais componentes, a eficincia total comea a diminuir, assim como a eficincia mdia. Usando mais de 32 componentes a eficincia tem uma ligeira recuperao. A Figura 9 mostra as eficincias na sada da rede neural classificadora, onde o nmero de elementos de entrada na rede igual ao nmero de componentes utilizados na projeo dos dados de treino e de teste. Um mximo de dezesseis neurnios na camada escondida foi utilizado. O tipo de treinamento baseado na retropropagao do erro mdio quadrtico. Portanto, para gerar cada ponto do grfico foram realizados vrios treinamentos, partindo-se de condies iniciais diferentes e utilizando-se uma quantidade de neurnios na camada escondida varivel (5 at 16).
100 95 90 Eficincia (%) 85 80 75 70 65 60 5 10 15 20 25 30 35 40 45 50 Componentes Principais * Eficincia obtida nos SRP's (RN) Eficincia mdia Eficincia total

8. Agradecimentos
Os autores agradecem ao apoio do CNPq e CEPEL a este projeto.

9. Referncias
[1] Huamn Cuenca, W. "Aplicao de Sistemas inteligentes no Reconhecimento de Padres de DP's em Transformadores de Potncia". Tese de Mestrado, Programa de Engenharia Eltrica UFRJ-COPPE 1998. [2] R. Bartnicas, "Corona Discharge Processes in Voids". In: R. Bartnicas, E. McMahon, Engeneering Dielectrics: Corona Measurement and Interpretation Vol. I, chapter 2, Philadelphia, ASTM STP 669, 1979. [3] IEC Publication 270, "Partial Discharge Measurement" Second Edition, 1981. [4] Levy, A. et al., "Avaliao do Efeito de Propagao de Memria no Desempenho de Materiais Eltricos - Medio de DP em Ultra-Alta Freqncia ao Ar Ambiente e leo Isolante", Relatrio Tcnico ACET-095/97, Fev. 1997. [5] Levy, A. et al., "Utilizao do Sistema de Descargas Parciais ICM System da Power Diagnostix Systems", Procedimento Especfico CEPEL no. 3530-3007-070, jan. 1997. [6] Simon Haykin, Neural Network: A Comprehensive Foundation, ISBN 0-02-352761-7 1994 [7] Peyton Pebbles, Probability, Random Variables, and Random Signal Principles, ISBN 0-07-112782-8, 3rd ed, McGrawHill 1993.

Figura 9: Anlise da eficincia de classificao em funo do nmero de componentes principais.

Estes resultados revelam uma melhora significativa em relao aos obtidos em [1], onde os sinais foram tratados com suas dimenses originais. Alm disso, a soluo baseada em componentes principais reduz o custo computacional do sistema classificador. A eficincia dos resultados de reconhecimento dos padres de teste da referencia