2.3 Mecanismos Das Descargas Parciais

CARACTERIZAO DOS SINAIS DE DESCARGAS PARCIAIS EM
EQUIPAMENTOS DE ALTA TENSO A PARTIR DE MODELOS

EXPERIMENT AIS
Walter Martin Huamn Cuenca
TESE SUBMETIDA AO CORPO DOCENTE DA COORDENAO DOS
PROGRAMAS DE PS-GRADUAO DE ENGENHARIA DA UNIVERSIDADE
FEDERAL DO RIO DE JANEIRO COMO PARTE DOS REQUISITOS
NECESSRIOS PARA A OBTENO DO GRAU DE DOUTOR EM
ENGENHARIA ELTRICA.
Aprovado por:
.Sc.
Dr. wii~ D.Sc.
~~~~?J,
Prof. L~~~~~~S~.
Rio de Janeiro, RJ -BRASIL.
Junho de 2005
ii

HUAMN CUENCA, WALTER MARTIN
Caracterizao dos Sinais de Descargas
Parciais em Equipamentos de Alta Tenso a partir
de Modelos Experimentais [Rio de Janeiro] 2005
XIV, 140 p. 29,7 cm (COPPE/UFRJ, D.Sc.,
Engenharia Eltrica, 2005)
Tese - Universidade Federal do Rio de
Janeiro, COPPE
1. Caracterizao de Sinais 2. Descargas Parciais
3. Modelos experimentais 4. ICA/PCA e IA 5.
Eliminao de rudos 6. Gerador e Transformador
I. COPPE/UFRJ II. Ttulo (srie)

iii

A meus queridos pais, Jorge e Gabriela, a
minha mais profunda gratido pelo grande
esforo em brindarem uma valiosa formao
profissional e uma verdadeira lio de vida e a
minha amada famlia Karyn e Adriana.

A mis queridos padres, Jorge y Gabriela mi ms
profunda gratitud por el grande esfuerzo que
me brindaron, una valiosa formacin profesional
y una verdadera leccin de vida y a mi amada
familia Karyn y Adriana que siempre estuvieron
a mi lado.
iv
AGRADECIMENTOS

Ao Prof. Sandoval Carneiro Jr, orientador deste trabalho, por suas valiosas
sugestes e crticas ao longo da execuo deste trabalho.
Ao Prof. Jos Manoel de Seixas, tambm orientador, pela confiana em mim
depositada e pelo grande aprendizado durante todo este tempo de convvio, alm de
demonstrar um constante apoio e incentivo no encaminhamento no mundo das
publicaes de artigos e, desenvolvimento deste trabalho.
Agradeo a Alain Fraois S. Levy, pela colaborao constante no
desenvolvimento dos modelos experimentais e na execuo das medies.
Ao Professor Carlos Portela, pelo ensino, pela ateno e pelos esclarecimentos
das ambigidades em descargas parciais.
Agradeo, em geral, COPPE pela oportunidade de me aceitarem como
estudante de doutorado e pela grande experincia no ensino. Tambm agradeo ao
CEPEL/DIE pela valiosa ajuda e aceitao como bolsista oferecendo suporte financeiro,
instalaes de informtica e laboratrios para a realizao deste trabalho, com muita
satisfao.
Agradeo ao coordenador da rea de conhecimentos de eletro-tcnica, pela
habilitao e permisso de efetuar este trabalho, desenvolvido dentro do projeto
(Sistema Inteligente de Diagnstico Projeto CEPEL 2094).
Aos colegas que tiveram sua compreenso e pacincia em me suportar.

v
Resumo da Tese apresentada COPPE/UFRJ como parte dos requisitos necessrios
para a obteno do grau de Doutor em Cincias (D.Sc.)

CARACTERIZAO DOS SINAIS DE DESCARGA PARCIAIS EM
EQUIPAMENTOS DE ALTA TENSO

Junho/2005

Orientadores: Sandoval Carneiro Junior
Jos Manoel de Seixas

Programa: Engenharia Eltrica

Nesta tese so realizados estudos de aplicao de mtodos e tcnicas de
processamento de sinais, viveis para caracterizar as fontes de sinais de descargas
parciais (DPs). Destaca-se a importncia da deteco e medio dos sinais de DPs e o
problema de rudos sobre estes, uma vez que o rudo um dos principais obstculos na
caracterizao destes sinais, assim como nos sistemas de medio, monitorao e
diagnstico de equipamentos em alta tenso. Alm dos mtodos tradicionais de
processamento de sinais, emprega-se a anlise de componentes independentes (ICA),
propondo-se um modelo de sistema integrado para explorar e caracterizar fontes de
sinais de DPs. Para a realizao deste trabalho, utiliza-se um banco de dados contendo
observaes proveniente de medies experimentais dos padres de defeitos de DPs
mais representativos em transformadores e geradores.
Vale ressaltar que a pesquisa alm de estar orientada para sistemas de medio
pode tambm ser aplicada para os processos de monitorao, diagnstico de
equipamentos e para fins de purificao e compactao (qualidade de informao) em
certos bancos de dados.

vi
Abstract of Thesis presented to COPPE/UFRJ as a partial fulfillment of the
requirements for the degree of Doctor of Science (D.Sc.)

CHARACTERIZATION OF THE SIGNALS OF PARTIAL DISCHARGE IN HIGH
VOLTAGE EQUIPMENTS

June/2005

Advisors: Sandoval Carneiro Junior
Jos Manoel de Seixas

Department: Electric Engineering

In this thesis are realized studies of application of methods and techniques in the
processing of signal, viable to characterize the sources of signals of partial discharge
(DPs). Stand out the importance of the detection and measurement of the signals of DPs
and the problem of noise upon those. The noise is the principal obstacles in
characterization, so as in measurement systems, monitoring and diagnostic of the
equipments in high voltage. Besides the traditional methods, for the processing of the
signals, the independent components analyzes (ICA) is used, in order to investigate and,
for propose a model of integrated system to explorer and to characterize DPs signals
sources. In order to realize this works, advantage is taken of a data bank including
observations derived of the experimental measurements of the fault patterns in DPs
more representatives in power transformer and hydro generators.
The investigations, be important for measurement systems, can also be applied
for monitoring, equipment diagnosis and purpose to compact data banks (quality
information).

vii

ndice
AGRADECIMENTOS.................................................................................................. iv
ndice ............................................................................................................................. vii
Lista de Figuras .............................................................................................................. x
Lista de Tabelas ............................................................................................................ xii
Captulo 1
Introduo................................................................................................... 1
1.1 Viso Global e Motivao................................................................................ 2
1.2 Objetivo ............................................................................................................ 4
1.3 Contribuies.................................................................................................... 5
1.4 Escopo da Tese................................................................................................. 5
Captulo 2
Reviso Literria e Conceitos Bsicos ...................................................... 8
2.1 Reviso Literria e Inovaes........................................................................... 9
2.2 Reviso Terica.............................................................................................. 13
2.3 Mecanismos das Descargas Parciais .............................................................. 13
2.3.1 Ionizao dos tomos de um material isolante ....................................... 13
2.3.2 Algumas consideraes sobre o Campo Eltrico ................................... 17
2.3.3 O campo eltrico e o meio em que ele se encontra ................................ 17
2.3.4 O campo eltrico e a geometria dos eletrodos........................................ 20
2.4 Tipos das Descargas Parciais.......................................................................... 21
2.5 Conceito de Descargas Parciais...................................................................... 23
2.6 Deteco e Medio de Descargas Parciais.................................................... 25
2.7 Causas e Conseqncias de Descargas Parciais ............................................. 27
2.8 Circuitos de Medio e Ensaios de DPs ......................................................... 28
2.9 Interferncias na Deteco de DPs e Formalizao do Problema .................. 33
Captulo 3
Modelos Experimentais............................................................................ 35
3.1 Deteco de Descargas Parciais ..................................................................... 35
3.2 Medio de Descargas Parciais Atravs de Modelos ..................................... 36
3.3 Modelagem de Defeitos Tpicos..................................................................... 37
3.3.1 Clula Teste de Ensaio ........................................................................... 37
3.3.2 Barras de Prova....................................................................................... 38
3.4 Calibrao do Circuito de Ensaio................................................................... 40
Captulo 4
Pesquisas Anteriores e Classificadores Inteligentes em DPs ................ 43
4.1 Princpios de Reconhecimento de Padres..................................................... 43
4.2 Classificadores e Reconhecimento de Padres Inteligentes........................... 44
4.2.1 Redes Neurais Artificiais........................................................................ 44
4.2.2 Hbridos Neuro-Fuzzy (MANFIS) ......................................................... 46
4.2.3 Simulated Annealing em DPs................................................................. 47
4.2.4 Simulated Annealing e MANFIS ........................................................... 49
viii
4.2.5 Algoritmos Genticos e MANFIS em DPs............................................. 49
Montagem de um Algoritmo Gentico............................................................... 50
Implementao de AGs no MANFIS ................................................................. 50
Captulo 5
Caracterizadores de Sinais e Tratamento de Rudos ............................ 51
5.1 Pr-Processamento de Dados em DPs............................................................ 52
5.2 Compactao de Dados por Fatores Principais .............................................. 52
5.3 Anlise de Componentes Principais ............................................................... 53
5.4 Introduo a Separao Cega de Fontes......................................................... 54
5.5 Caracterizadores de Sinais em Fontes de DPs................................................ 56
5.6 Fundamentos - Tcnicas de Caracterizao.................................................... 56
5.6.1 PCA Linear ............................................................................................. 56
Fundamentos da Anlise de Componentes Principais........................................ 57
5.6.2 PCA por Redes Neurais e PCA No Linear ........................................... 60
5.6.3 Filtros Casados ....................................................................................... 61
Deteco de rudos impulsivos por MF.............................................................. 61
5.6.4 Anlise de Componentes Independentes ................................................ 63
5.6.5 Separao Cega de Fontes ...................................................................... 64
Identificabilidade e ambigidade do modelo ICA.............................................. 66
Indeterminaes no modelo ICA........................................................................ 67
Funes Objetivo em ICA.................................................................................. 67
5.6.6 Algoritmos ICA...................................................................................... 71
Algoritmo do Infomax........................................................................................ 71
Algoritmo do FastICA........................................................................................ 72
Algoritmo do JADE............................................................................................ 73
5.6.7 Extenso de Algoritmos ICA Noisy_ICA........................................... 74
5.6.8 ICA para dados contaminados por rudo................................................ 74
Rudo de Sensor frente a Rudo de Fonte........................................................... 74
Remoo do Bias................................................................................................ 76
Estimao das componentes independentes por funes shrinkage................... 77
Captulo 6
Caracterizadores: Implementao e Resultados ................................... 79
6.1 PCA para Identificar Sinais de DPs em Transformadores de Potncia.......... 79
6.1.1 Componentes Principais ......................................................................... 81
6.1.2 Mapeamento dos Componentes Principais............................................. 83
6.1.3 Classificao Neural ............................................................................... 85
6.1.4 Concluses Referentes a PCA................................................................ 88
6.2 Caracterizador por Filtros casados em Identificao DPs.............................. 88
6.2.1 Sistema Discriminador Hbrido de Sinais .............................................. 88
6.2.2 Resultados do Sistema Caracterizador Hbrido...................................... 91
6.2.3 Concluses referentes ao sistema MF/ANN........................................... 94
6.3 Caracterizador ICA para Extrao Cega de Rudos ....................................... 95
6.3.1 Representao como um Problema BSS ................................................ 96
6.3.2 Descrio do ICA no-Holonmico ....................................................... 97
6.3.3 Separao de Fontes e Rudos .............................................................. 100
6.3.4 Relao SNR e Crosstalks .................................................................... 100
6.3.5 Seqncia experimental........................................................................ 100
6.3.6 O ICA como Extrator de Rudos .......................................................... 102
6.3.7 Resultados Referentes ao ICA.............................................................. 103
6.4 Caracterizador de Fontes Ruidosas de DPs por ICA Shrinkage................... 106

ix
6.4.1 Descrio do ICA Shrinkage ................................................................ 107
Modelos de densidade esparsa.......................................................................... 107
Modelo duplo laplaciano para remoo de rudos em DPs .............................. 112
Captulo 7
Concluses e Anlise dos Resultados .................................................... 114
7.1 Escopo para Trabalhos Futuros .................................................................... 116
Apndice A Conceitos Bsicos de Estatstica para Mtodos de Separao de
Fontes........................................................................................................................... 117
A1.1 Introduo................................................................................................ 117
A1.2 momentos e cumulantes........................................................................... 117
A1.2.1 Momentos ............................................................................................. 118
A1.2.2 Cumulantes ........................................................................................... 119
A1.2.3 Distribuies de probabilidade multivariavel. Cumulantes cruzados... 121
A1.3 Funes de densidade de probabilidade de sinais aleatrios. .................. 124
A1.3.1 Sinais com densidade de probabilidade uniforme. ............................... 124
A1.3.2 Sinal com densidade de probabilidade gaussiana (normal). ................. 125
A1.3.3 Funo de densidade de probabilidade gamma. ................................... 127
A1.3.5 Funo densidade de Probabilidade ..................................................... 131
Apndice B Publicaes em Congressos ............................................................. 133
B1.1 Artigos em Congresos.............................................................................. 133
Referncias Bibliogrficas ......................................................................................... 135

x

Lista de Figuras
Figura 2.1 tomo de um material dieltrico a) tomo no polarizado. b) Foras no
tomo quando se aplica E
,
[1].......................................................................... 15
Figura 2.2 Processo de avalanche de eltrons iniciado a partir de um eletrodo negativo
a) Incio. b) Formao de um par de eltrons Impacto de um eltron com um
tomo neutro libera um eltron adicional e deixa um on positivo para trs. c)
Multiplicao Os eltrons se movem criando ons positivos quando se
multiplicam....................................................................................................... 15
Figura 2.3 Fronteira entre dois meios dieltricos diferentes. ...................................... 19
Figura 2.4 Eletrodo ponta-plano. [1] ........................................................................... 20
Figura 2.5 Eletrodos: duas pontas paralelas com resistores e um eletrodo plano [1].. 21
Figura 2.7 Descargas em materiais isolantes slidos (treeing channels): Trajetria de
propagao de uma treeing channels em volta de uma barreira de base de
mica. ................................................................................................................. 23
Figura 2.8 Sinais de DPs: (a) Pulsos intermitentes medidos em ultra-alta freqncia,
(b) Queda de potencial por DPs em cavidades, (c) e (d) mapeamento tpicos de
DPs gerados por modelos experimentais.......................................................... 24
Figura 2.9 Circuitos bsicos de medio de DPs [16]. a) Impedncia Z de medio em
srie com o capacitor C de acoplamento. b) Impedncia de medio Zm em
srie com o equipamento sob ensaio. c) Circuito de ensaio equilibrado ou
balanceado. ....................................................................................................... 29
Figura 2.10 Esquema de medio de DPs para transformadores no campo................ 31
Figura 2.11 Localizao de descargas por sensores de campo eltrico....................... 32
Figura 2.12 Corte transversal e longitudinal de barras estatricas de gerador, zonas
possveis de formao de DPs. ......................................................................... 33
Figura 2.13 Classificao rudos em deteco de sinais DPs [32], [30]...................... 34
Figura 3.1 Circuito bsico de medio de DPs em geradores: Estratgia praticada no
enrolamento estatrico da fase C no gerador U10 na usina Itaipu [35], onde AT
(alta tenso), NC (cubculo de neutro), P (acoplador de 9 nF) e T (acoplador de
150 nF-fase e 160 nF-neutro). .......................................................................... 35
Figura 3.2 Enrolamento estatrico, onde cada fase constitudo por um conjunto de
barras. ............................................................................................................... 36
Figura 3.3 Mapas digitais de DPs obtidos pelo ICM: (a) DPs em 3-D ) , , ( N q f e (b)
Mapa 2-D ) , ( q H . ............................................................................................. 37
Figura 3.4 Clulas de ensaio para medies de DPs reais. a) Ponta flutuante b) Ponta
plana c) Ponta terra........................................................................................... 38
Figura 3.5 Modelos experimentais por barras de prova para reproduzir defeitos tpicos
no enrolamento estatrico de geradores. .......................................................... 39
Figura 3.6 Montagem de barra de prova e dos capacitores de acoplamento. .............. 40
Figura 3.7 Diagrama do circuito de ensaio e calibrao [17], [43], Ck capacitor de
acoplamento...................................................................................................... 41
Figura 4.1 Rede neural artificial .................................................................................. 45
Figura 4.2 - Sistema Hbrido Neuro-Fuzzy MANFIS................................................... 47
Figura 4.3 Simulated annealing estocstico de uma funo de energia [40]............... 48
Figura 5.1 Banco de filtros casados para deteco de rudos pulsantes [72]............... 63

xi
Figura 5.2 Modelo bsico BSS sem rudo. Sinais no observveis: S, observaes: X,
sinais fonte estimadas: y.................................................................................. 64
Figura 5.3 Modelo bsico do BSS instantneo linear com componente de rudo [53] 65
Figura 6.1 Amostras de mapas caractersticos dos padres FL, PP e PT originais (a
esquerda) e reduzidos ( direita). ..................................................................... 80
Figura 6.2 - As primeiras componentes apresentam as maiores energias E[C
2
]. maiores
energias E[C
2
]................................................................................................... 82
Figura 6.3 - As primeiras componentes apresentam as maiores porcentagens das
varincias.......................................................................................................... 83
Figura 6.4 - Os nove primeiros componentes apresentam maiores porcentagens das
varincias.......................................................................................................... 84
Figura 6.5 - Componentes principais do PC10 ao PC18. ............................................... 85
Figura 6.6 - Esquema do classificador baseados em CPs e RN. .................................... 85
Figura 6.7 - Eficincia mdia de classificao em funo do nmero de componentes
principais. ......................................................................................................... 87
Figura 6.8 - Filtro casado linear. ................................................................................... 89
Figura 6.9 - Sistema discriminador hbrido: MF+ANN................................................ 90
Figura 6.10 - Sadas dos filtros , h
FL PP
h e
PT
h quando o sinal de entrada FL. ........... 92
FL PP
h e
PT
h quando o sinal de entrada PP ............ 93
FL PP
h e
PT
h quando o sinal de entrada PT. ........... 94
Figura 6.13 Fontes de DPs provenientes das medies no gerador U10 da usina Itaipu
(conforme Tabela 5.6). ..................................................................................... 96
Figura 6.14 Espao homogneo das matrizes, dB o espao de tangentes [85]......... 99
Figura 6.15 Amostra de fontes com 20% de rudo. ................................................... 101
Figura 6.16 Fontes estimadas com SNR 13,40dB pelo ICA sem pr-branquamento.
........................................................................................................................ 102
Figura 6.17 Fontes estimadas com SNR 5dB pelo ICA sem pr-branquamento. ..... 104
........................................................................................................................ 104
Figura 6.19 Esquerdo: Observaes com 40%-6,29dB de rudo, Direito: Fontes
estimadas pelo ICA no-holonmico com SNR= 6,29dB.............................. 105
Figura 6.21 Dado coletado de DPs: histograma com 256x256 canais (bins) ........... 108
Figura 6.22 Modelo duplo gaussiano ........................................................................ 108
Figura 6.23 Modelo laplaciano para Noisy_ICA em dados DPs............................... 109
Figura 6.24 Modelo gaussiano para resduos em dados DPs .................................... 109
Figura 6.25 Modelos de componentes esparsos. Linha slida: densidade laplaciana.
Linha traada: uma tpica densidade moderadamente esparsa (super-gaussiana).
Linha de traada e pontilhada: uma densidade tpica fortemente esparsa (super-
gaussiana). Linha pontilhada: densidade gaussiana para referencia [80], [76].
........................................................................................................................ 110
Figura 6.26 Funes shrinkage. Linha da cor vermelha: correspondente densidade
laplaciana. Linha da cor azul: shrinkage correspondente densidade
moderadamente esparsa (supergaussiana), linha da cor preta: shrinkage
correpondente densidade fortemente esparsa (supergaussiana). Linha cor
amarela: Linhas de referencia x=y, x=0, [76]. ............................................... 111
Figura 6.27 Famlia de Funes shrinkage................................................................ 112
Figura 6.28 Modelo de funo proposto para remoo de rudos ............................. 113
Figura 6.29 fonte estimada pelo caracterizador ICA Shrinkage................................ 113

xii

Lista de Tabelas
Tabela 2.1 Permissividade de meios dieltricos.......................................................... 18
Tabela 2.2 Rigidez dieltrica de diversos materiais dieltricos comuns ..................... 20
Tabela 6.1 Conjuntos de caracterizao e validao................................................... 81
Tabela 6.2 - Eficincia de classificao para cada padro usando-se cinco componentes
principais .......................................................................................................... 86
Tabela 6.3 - Eficincia de classificao para cada padro considerando-se sete
componentes principais .................................................................................... 87
Tabela 6.4 - Eficincia parcial alcanada por cada padro na sada da rede neural. ...... 93
Tabela 6.5 - Comparao de desempenhos entre as tcnicas de reconhecimento padro
(PCA+ANN) e o discriminador hbrido (MF+ANN)....................................... 94
Tabela 6.6 - Fontes de Sinais de DPs ............................................................................. 95
Tabela 6.7 - Parmetros Estatsticos e desempenho por Crosstalks............................. 103
Figura 6.20 Ganho obtido pelo caracterizador 30,43dB : Direita: Fontes originais
Esquerda: Fontes estimadas com 6,29DB de rudo. Entre estes duas fontes
tiveram ganhos que podem observar-se visualmente. .................................... 105
Tabela 6.8 Quadro comparativo de trs Modelos ICA............................................. 106

xiii

Acrnimos e Smbolos

DPs Descargas Parciais ou Sinais de Descarga Parcial
DP Descarga Parcial
PT Eletrodo de Ponta a Terra - Clula
PP Eletrodo de Ponta Plana - Clula
PF Eletrodo de Ponta Flutuante Clula
RF Rdio Interferncia
RLC Impedncia de Deteco Resistiva, Indutiva e Capacitiva.
RC Resistiva e Capacitiva de Banda Larga de Freqncias
SIG Subestaes Isoladas a Gs
V Diferena de potencial
q
0
Amplitude de Carga eltrica

ICM Nome de Fabricao do Instrumento de Medio de Descargas Parciais

RNA ou ANN Rede neural artificial (Artificial Neural Network)
GHA Algoritmo hebbiano generalizado (Generalized Hebbian Algorithm)
ICA Anlise de Componentes Independentes (Independent Component
Analysis)
BSS Separao Cega de Fontes (Blind Separation Source)
HOS/HOSA Estatstica de ordens superiores ou altas ordens (High order Statistics)
MF Filtro Casado (Matched Filter)
ME Mxima Entropia (Maximum Entropy)
MI Informao Mtua (Mutual Information)
ML Mxima Semelhana (Maximum Likelihood)
PCA Anlise de Componentes Principais (Principal Components Analysis)
FA Anlise de Fatores (Factors Analysis)
RMS Erro quadrtico Mdio (Root Mean Square)
SNR Relao Sinal/Rudo (Signal to Noise Rate)
MANFIS Sistema de Inferncia Fuzzy de Mandami
AG ou GA Algoritmo Gentico
SA Simulated Annealing

Desvio padro
Funo de contraste

Valor mdio
(x,y) Funo de pertinncia fuzzy

(,
2
) Distribuio gaussiana de media y varincia
2

(m) Ganho de aprendizagem no instante m
0
Funo de contraste ortogonal
2
Varincia
j
Valores prprios ou Autovalores
yi,k
Cumulante (auto-cumulante) de ordem k da varivel aleatria y
i
xiv
<s
i
> valor mdio da varivel aleatria s
i

A Matriz de mistura
B Matriz de reconstruo das fontes a partir das observaes
C
1k
[y]=Cum[y
1
,,y
k
]=
y,1k
Cumulante de ordem k das variveis aleatrias y
1
,,y
k
D Matriz diagonal
D(f
1
||f
2
;B) Divergncia de Kullback-Leibler entre as funes de distribuio f
1
y f
2

expressa em funo de B
E{x} Esperana matemtica da varivel x
e=(e
i
)
T
Vetor de sinais observadas
A
-1
Inversa de uma matriz de A
A
T
Matriz transposta de A;
s
T
vetor transposto de s
F
s
Freqncia de amostragem
f
si
(s
si
) Funo de densidade de probabilidade do sinal aleatrio s
i
H(X) Entropia do sinal X
h(X) Entropia diferencial de X
I(X;Y) Informao mtua entre X e Y
I Matriz diagonal unitria
L() Funo logartmica de mxima semelhana
m Nmero de amostra, passo de iterao t=mT
s
M Nmero de amostras
n=(n
i
(t))
T
Vetor de rudo
n
c
Nmero de classes
P Matriz de prestaes
p Nmero de fontes
R Matriz de correlao
s=(s
i
)
T
Vetor de fontes o sinais originais
mx(M) ndice de valor mximo
T
s
Perodo de amostragem
U(s
m
, s
M
) Distribuio uniforme de faixa [s
m
, s
M
]
vetor sinal de rudo
V Matriz de transformao de branqueio
W Matriz de pesos de uma rede neural ou matriz que estima a matriz de mistura
A, dependendo do contexto.
y=(y
i
)
T
Vetor de sinais recuperados ou estimados
Z Matriz de permutao
z Vetor de sinais branqueados

Captulo 1

Introduo
Nesta tese, so realizados estudos de aplicao de alguns mtodos e tcnicas,
baseados em processamento de sinais e inteligncia artificial, com o propsito de se
conseguir caractersticas dos fenmenos de Descargas Parciais (DPs) mais prximas da
sua natureza.
A importncia que envolve os fenmenos de DPs em equipamentos de alta tenso
motiva os fabricantes e, especialmente, as concessionrias do setor eltrico que lidam
com estes equipamentos a prestar uma maior ateno em sua preveno, preservao e
tambm sua administrao do tempo de vida til. Assim, deteco e medio de DPs,
atualmente, uma das ferramentas mais utilizadas, tanto em laboratrios como no
campo, para detectar defeitos que possam ter sido originados na fabricao e/ou servio
desses equipamentos. A maioria dos casos de deteco e/ou medio dos sinais de DPs
esto corrompidos por outros fenmenos parasitas acoplados, geralmente sinais de rudo
que contaminam o sinal desejado. Muitas vezes o rudo se apresenta com maior
amplitudes e elevadas taxas de acumulao, com respeito aos sinais de DPs, o que
dificulta a deteco dos sinais desejados e conseqentemente sua caracterizao.
Diversos estudos para tratamento e filtragem de rudos vem utilizando
convencionais filtros analgicos at os mais sofisticados com tecnologia digital. Mesmo
assim, os rudos acoplados so difceis de serem minimizados ou removidos, tal como
acontece nos casos em que no se conhece nenhum de seus parmetros.
Por outro lado, h necessidade de garantir a robustez no funcionamento e na
qualidade do servio de energia eltrica. Tanto que novos estudos para medio,
deteco e interpretao de DPs tm sido empreendidos por muitas fontes de pesquisa.
Conseqentemente, diversos avanos na tecnologia digital em hardware e software
esto sendo adotados para se buscar novas estratgias que conduzam a minimizar e/ou
eliminar os rudos parasita, sendo esta tese um destes empreendimentos.
Captulo 1 Viso Global e Motivao

2
A tese desenvolve uma estratgia na tentativa de avaliar o desempenho de
algumas ferramentas que ajudam a caracterizar os sinais de DPs, especialmente
focalizando sua possvel integrao para os sistemas de medio no campo ou
laboratrio. As fontes de informao, utilizadas nesta pesquisa, so provenientes de
alguns equipamentos de alta tenso, tais como geradores, transformadores e modelos
experimentais representativos de fontes de DPs.
A seguir, descreve-se o roteiro da tese apresentando uma viso global do marco
situacional e motivao do trabalho de pesquisa, assim como os objetivos, contribuies
e o escopo geral que compreende os captulos da dissertao.
1.1 Viso Global e Motivao
A indstria de potncia, neste novo cenrio de economia de mercado, traz fortes
tendncias, incertezas e novas funes que so impostas com o intuito de gerar maiores
utilidades eltricas, provocando mudanas obrigatrias em sua infra-estrutura de
comunicao e informao. Expandir redes de servios, como diagnstico e medies
remotas, em tempo real, e monitorao, leva necessidade de se ter maior largura de
banda nas redes de comunicao e em certos instrumentos de medio, para torn-los
mais eficientes e persuasivos. Novas aplicaes de controle e proteo remotas em
tempo real tambm reforam esta necessidade.
O atual cenrio do mercado brasileiro, envolvendo desregulamentao e
privatizao, trouxe novos desafios visando maior utilidade e drstica reduo nos
custos de manuteno dos equipamentos. Os nveis de manuteno se tornaram
indicadores de reestruturao e qualidade gerencial nas empresas concessionrias de
energia eltrica. A reduo da manuteno a nveis timos o desafio que as empresas
tm que buscar continuamente. Para este propsito, estender o tempo de servio (vida
til) e o tempo entre manutenes dos equipamentos de alta tenso (geradores,
transformadores, etc.) so imposies para novas condies de servio.
Conseqentemente, essas novas condies, somadas a um possvel crescimento da
demanda, fazem com que os equipamentos trabalhem com sobrecarga por longos
perodos de tempo. Alm disso, projetos de equipamentos, atrelados a normas
deficientes impostas pelos fabricantes fazem com que estes no sejam adequados para
condies crticas de funcionamento. Por conseguinte, estes e outros fatores podem
conduzir a um aumento dos riscos de falha, degradando os componentes isolantes,
Captulo 1 Viso Global e Motivao

3
causando a perda de suas propriedades eltricas e mecnicas e, contribuindo para uma
possvel formao de DPs e perdas econmicas.
Neste cenrio de mudanas, cada vez mais o uso de tcnicas adequadas de
medio, monitorao e diagnstico do estado operativo dos sistemas e equipamentos
eltricos, com a finalidade de melhorar sua confiabilidade e reduzir o nmero de
paradas no programadas e eventuais faz-se necessrio.
Atualmente, as empresas de energia eltrica esto prestando cada vez mais
ateno na preservao de seus equipamentos mais importantes, especialmente
transformadores de potncia, disjuntores e geradores, para garantir um servio contnuo
de energia eltrica, ainda com uma tmida inverso no monitoramento e automao de
suas subestaes.
DPs podem ser sintetizadas como sinais eltricos pulsantes incompletos,
intermitentes e rpidos, da ordem dos nanosegundos, que ocorrem pela proximidade
entre duas partes condutoras de eletricidade e o meio isolante, atravs do efeito de
ionizao em cavidades gasosas, no interior dos materiais isolantes e nas interfaces
condutor-isolante ou isolante-isolante [1].
Medir DPs uma das ferramentas mais importantes para o diagnstico de
equipamentos de alta tenso como hidrogeradores, transformadores e disjuntores. Os
sinais de DPs ajudam a revelar o envelhecimento prematuro dos materiais isolantes,
defeitos de fabricao, assim como prevenir sadas de servio no programadas. DPs
vm sendo pesquisadas por vrias dcadas, formando-se linhas de pesquisa em medio,
deteco e localizao. A realizao de uma medio de DPs em equipamentos de alta
tenso no s dificultada pela acessibilidade e complexidade dos circuitos internos,
como tambm por diversas fontes de rudo poluentes, que se acoplam ao sinal e ao
sistema de medio. Instituies de pesquisa e fabricantes de equipamentos de medio
de DPs trouxeram avanos significativos na eliminao de alguns tipos de rudos,
atravs de tcnicas de processamento digital; porm, estes avanos tecnolgicos esto
conduzindo para a diversificao que, se por um lado abre novas formas possveis de
ver o fenmeno de DPs. Por outro, inibe o estabelecimento de procedimentos padro
com relao identificao de fontes caractersticas de DPs. Se bem que, as entidades
normativas esto buscando a unificao de mtodos, procedimentos e consolidao
destes.
Captulo 1 Objetivo

4
O problema de fontes de rudos parasitas em medies de sinais de DPs um dos
principais obstculos na caracterizao destes sinais, assim como em outros sistemas de
medio, monitorao e diagnstico de equipamentos de alta tenso. Estes rudos,
geralmente, so tratados por ferramentas tradicionais e/ou convencionais como filtros e
injeo de sinais invertidos [2]. Estas ferramentas, no entanto, so projetadas apenas
para aplicaes especficas de filtragem. E, no entanto, uma tarefa difcil fazer uma
modelagem completa da remoo dos rudos associados a um equipamento, utilizando
unicamente filtros convencionais.
Devido necessidade de melhorar a interpretao de medies de DPs, esta tese
enfatiza o tratamento dos rudos, na etapa de ps-processamento do sistema de medio,
utilizando ferramentas emergentes e at algumas j consolidadas em vrios campos, tal
como inteligncia artificial.
O rudo pode ser extrado dos sinais-fontes de forma aproximada. Utilizam-se
sistemas artificiais e inteligentes (Redes Neurais, Simulated Annealing, Algoritmos
Genticos etc.), mtodos ICA/BSS (Anlise de Componentes Independentes e separao
cega de sinal), PCA (Anlise de Componentes Principais), estatsticas de alta ordem
(HOSA) entre outros, com a finalidade de encontrar caractersticas que, muitas vezes,
no so observveis ou exploradas pelos mtodos tradicionais.
evidente que estes mtodos podem ser complementares e cooperativos, a partir
de uma anlise de componentes independentes (ICA). Este mtodo uma das
ferramentas em expanso por seu potencial de aplicabilidade em diversos campos de
pesquisa, tais como processamento de sinais, imagens, telecomunicaes,
reconhecimento de voz, biomdica, separao cega de fontes etc. Em particular,
investiga-se aqui a extrao cega de rudos em sinais de descarga parcial.
O ICA um mtodo de processamento de sinal para extrair fontes independentes a
partir de misturas de fontes desconhecidas, adquiridas por medio (observaes). O
ICA busca direes coordenadas entre componentes mais independentes e no
necessariamente ortogonais que representem as observaes.
1.2 Objetivo
Investigar tcnicas convencionais e no convencionais que ajudem a identificar
informaes relevantes dos sinais de descarga parcial. Explorar tcnicas que se
complementem, aproveitando suas vantagens individuais, com a finalidade de obter
tcnicas hbridas e robustas, caracterizadoras dos sinais de DPs. Caracterizar e
Captulo 1 Escopo da Tese

5
classificar fontes de DPs, removendo (parcial, mas suficientemente) rudos das fontes
dos sinais teis utilizando a anlise de componentes independentes. Reduzir
convenientemente a dimenso dos dados para melhorar a eficcia e desempenho dos
sistemas de reconhecimento de padres de DPs. Desvendar possvel estrutura oculta de
fontes de DPs a partir das observaes coletadas, separando fontes que possuem
caractersticas diferentes e estatisticamente independentes entre si.
1.3 Contribuies
O trabalho de pesquisa realizado no desenvolvimento desta tese ensejou cinco
publicaes cientificas (publicadas em diversos simpsios e congressos importantes)
aplicadas interpretao, discriminao e qualidade do sinal de DPs, atravs de sua
caracterizao para sistemas de deteco, monitorao assim como, em diagnstico de
equipamentos.
O trabalho busca novos mtodos e modelos de compactao e reduo da
dimensionalidade aplicveis aos sinais de DPs [3], visando a melhora do desempenho
dos sistemas de reconhecimento de padres e de diagnstico de equipamentos [4].
Nesta pesquisa mostrado que os mtodos ICA podem, de forma aproximada,
fornecer uma soluo satisfatria para caracterizao dos sinais de DPs [5], procedentes
de fontes de defeitos em sistemas de isolamento, possveis de serem encontrados nos
equipamentos citados.
1.4 Escopo da Tese
O trabalho de pesquisa compreende os seguintes captulos, os quais so
introduzidos e brevemente delineados da seguinte forma:
Cap tul o 1 - Introduo
Neste segmento faz-se uma descrio geral do tema da tese, destacando a
importncia da deteco e medio de DPs. Outro importante assunto o problema de
rudos sob sinais de DPs sendo estes um dos principais obstculos na caracterizao
destes sinais, assim como nos sistemas de medio, monitorao e diagnstico de
equipamentos em alta tenso. Alm dos mtodos tradicionais de processamento de
sinais, existem novos mtodos como a anlise de componentes independentes, que ser
abordada nesta pesquisa, enfatizando a caracterizao de fontes.
Captul o 2 - Reviso Literria e Conceitos Bsicos
Na primeira parte deste captulo so resumidos os fatos literrios mais importantes
que conduziram os esforos de investigaes no campo de DPs, desde os princpios dos

6
anos de 1920 at os dias atuais, destacando-se as novas tendncias em sistemas de
medio e deteco dos sinais DP. Na segunda parte, so sintetizados os fundamentos
bsicos utilizados no desenvolvimento da tese. Aborda-se o fenmeno de DPs, suas
causas e conseqncias nos equipamentos estudados. A matemtica e estatstica bsicas
envolvidas nos processamentos dos sinais de DPs so apresentadas.
Cap tul o 3 - Model os Experi mentais
Descrevem-se exclusivamente os mtodos de medio e deteco de DPs
aplicados na coleta das observaes, utilizados no desenvolvimento da pesquisa
segundo normas IEC-60270 [6] e IEEE P1434 [7], dos quais o mtodo eltrico foi
considerado, abordando especificamente o mtodo da carga aparente. Tambm so
descritos os modelos experimentais para representao de possveis fontes de defeitos
em transformadores de potncia, denominados clulas testes e para alguns defeitos em
enrolamentos estatricos, baseados em barras envelhecidas.
Captul o 4 - Pesquisas Anteri ores e Classifi cadores Intel i gentes em
DPs
Neste captulo, realiza-se um resumo das tcnicas aplicveis j desenvolvidas em
pesquisas anteriores, das quais algumas sero utilizadas para avaliar o desempenho dos
caracterizadores dos sinais de DPs.
Cap tul o 5 - Caracteri zadores de Si nais e Tratamento de Ru dos
Descrevem-se neste captulo as principais tcnicas e mtodos aplicveis e
analisados nesta tese, enfatizando a anlise de componentes principais, separao cega
de fontes e a anlise de componentes independentes. Alm disso, se faz uma extenso
dos mtodos para remoo de rudos.
Cap tul o 6 - Caracteri zadores: Impl ementao e Resul tados
Neste captulo se realiza a implementao e anlise do desempenho dos
caracterizadores dos sinais de DPs. Tambm uma possvel integrao destes em um
sistema robusto caracterizador de sinais. Alm disso, os caracterizadores podem ser
aplicveis para outros casos de medio, monitorao on-line e serem parte de um
diagnstico integrado de equipamentos de subestaes de energia eltrica.
Cap tul o 7 - Concl uses e Anl i se dos Resul tados
A caracterstica de ocorrncia de forma incerta e imprecisa dos fenmenos de DPs
torna o uso de mtodos tais como o proposto nesta tese adequado e de extrema
importncia no que diz respeito a ser mais uma eficaz ferramenta para a informao em
sistemas de diagnsticos de equipamentos de grande porte.

7
Seria interessante, como continuao deste trabalho, testar os modelos
apresentados para outros equipamentos, bem como incrementar no s a quantidade de
modelos com a finalidade de refinar a associao de modelos a fontes reais, mas
tambm reunir um maior nmero de informaes medidas no campo e no laboratrio.
Outro ponto importante seria realizar as correlaes respectivas entre resultados
laboratoriais e resultados encontrados no campo.

Captulo 2

Reviso Literria e Conceitos Bsicos
A seguinte seo apresenta um compndio das pesquisas relacionadas aos
fenmenos das descargas parciais (DPs). Esta reviso abrange investigaes realizadas
por diversas tcnicas para deteco e medio dos sinais de DPs, assim como suas
caractersticas e mecanismos relativos aos mtodos eltricos.
Descargas corona ou parciais um termo cotidianamente utilizado desde o
passado. Sua base consolidou-se no comeo dos anos de 1920, onde, j era considerado
como um campo de pesquisa desenvolvido. Sua preeminente importncia ferramental
tem crescido para assistir na qualidade e no desempenho caracterstico dos
equipamentos de alta tenso. Dessa maneira, as descargas parciais tm se tornado
responsveis pelo crescimento das atividades de investigao relacionadas aos
mecanismos fsicos e qumicos dos materiais isolantes nos equipamentos. Dessa forma,
as diversas tcnicas de deteco e medio foram surgindo e colocadas em prtica. Anos
mais tarde, o nvel de esforos de investigao no campo de descarga parcial se
diversificou substancialmente. Algumas destas tendncias relacionam o tipo de
equipamento de alta tenso com o tipo e comportamento de descarga.
Fazendo uma rpida reviso enumerativa na literatura, pode-se encontrar estudos
relacionados natureza e forma de descarga, sensibilidade de deteco, degradao da
isolao exposta aos efeitos de DPs, quantidade de pulsos armazenados num
determinado espao de tempo, transferncia de carga aparente, taxa de repetio de
pulsos de descarga, perdas de energia, distribuio de pulsos de descarga, pocas da
descarga relativa a uma fase da tenso referencial, intervalos de tempo de separao
entre pulsos e o reconhecimento de padres de pulsos em termos das fontes de descarga
(fonte de defeito).
Talvez em nenhuma parte das questes expostas acima se encontre as diferentes
tendncias em estudos de DPs e procedimentos de teste. Desta forma, a obteno do
desejado procedimento de um teste, fcil de seguir, ainda no foi possvel, seguindo a
Captulo 2 Reviso Literria e Conceitos Bsicos
9
evoluo cronolgica nos ltimos cinqenta anos, alm daqueles que, so aplicveis a
isolamentos slidos em cabos de distribuio de energia [8]. Pois um dos primeiros
estudos de DPs foi dado em isolamentos slidos em cabos de distribuio de energia
que, graas aos avanos dos estudos em linhas de transmisso e sua simples geometria,
tm sido progressivos os resultados que facilitam a interpretao das medies de DPs.
J nos componentes de alta tenso, tal como em buchas e capacitores com baixa
capacitncia concentrada, h algumas dificuldades de interpretao de DPs, e em
capacitores de alta capacitncia as dificuldades aumentam devido a fatores complexos
envolvidos na medio.
A deteco de DPs e a preciso na medio em transformadores se tornam
apreciavelmente mais complicada. Apresenta um comportamento mais complexo que as
linhas de transmisso, devido ao acoplamento e ao efeito de ressonncia existente entre
os enrolamentos. Dificuldades semelhantes, encontradas nos transformadores, so
deparadas em mquinas giratrias (ex: hidrogeradores), principalmente na interpretao
e calibrao, onde, as grandezas dos pulsos detectados podem variar extremamente,
estendendo-se desde os nveis mais baixos, geralmente intrnsecos a descargas internas
dentro dos isolamentos das barras estatricas, at os nveis supremamente altos,
geralmente associados s descargas tipo em ranhuras conhecidas como slot.
Contudo, apesar dos esforos das entidades normativas e grupos de
desenvolvimento relacionados s DPs em conseguir um procedimento de teste fcil a
seguir, o setor ainda se carece de regras slidas e claras. Como exemplo, a questo de
calibrao em medies de DPs ainda no foi resolvida e, sem dvida, controversa a
deciso quanto a calibrao ser um pr-requisito para medio em mquinas giratrias.
2.1 Reviso Literria e Inovaes
Os componentes eltricos mais investigados por descargas parciais so os cabos
de energia e equipamentos de alta tenso, onde uns dos primeiros mtodos de deteco
de DPs foi a anlise por oscilgrafos, caracterizando-se para descargas tipo pulsante
(Bartnikas [8]- estudos por Tykociner em 1933). Porm, podem ocorrer descargas no
pulsantes que emitem calor ou luz e descargas pseudoluminescentes. A descarga
pulsante pode ser facilmente detectada pela maioria de detectores convencionais de
pulsos de DPs, evidenciando que so indicadores efetivos da presena de DPs. Porm,
nem sempre esses detectores de pulsos podem indicar o nvel total de intensidade
presente nos pulsos de DPs. Apesar de existirem detectores do tipo ponte para DPs, os
10
quais tm correspondido s descargas pulsantes e no pulsantes (Bartnikas: 1979, IEC-
270: 1981), mas sua baixa sensibilidade intrnseca impede sua implementao em
grande escala na rea de DPs.
O limite do tempo de subida das descargas tipo pulsante, pode ser estabelecido
teoricamente. Historicamente as medies rpidas do tempo de subida (medido por
osciloscpio) precisam ser armazenadas de maneira experimental, induzindo a uma
relao que diminui monotonicamente com a capacidade e a largura de banda dos
osciloscpios utilizados. Osciloscpios com largura de banda at os GigaHertz (GHz)
podem ser encontrados na atualidade, com estes podem-se medir tempos de subida
menores que 1 nano segundo. Dessa forma, pode-se detectar pulsos de DPs a
freqncias de at 1 GHz, devendo-se lembrar que o contedo de energia dos pulsos das
DPs uma funo decrescente da freqncia.
Detectores convencionais, encontrados comercialmente [9] para usos rotineiros
em cabos, capacitores e transformadores so do tipo de banda estreita e so projetados
para operar na banda aproximada de 30 at 400 kHz. Estes so dispositivos integradores
de carga e podem ser calibrados diretamente para fornecer a transferncia de carga
associada com pulsos de descarga detectados de acordo com as normas ASTM D1868
[8]. Detectores com larguras superiores, ou banda larga, so utilizados em pesquisas,
nos quais uma reproduo exata (confivel) da forma de pulsos de DPs de suprema
importncia. Alm disso, para melhorar a resoluo de pulso, larguras de banda
estendidas so utilizadas para tarefas de localizao no campo envolvendo descargas em
cabos (~20 MHz), mquinas girantes (800 kHz a 1 GHz) e barramentos em gs
comprimido (~1 GHz).
Os primeiros sistemas de deteco para DPs empregavam instrumentao
analgica, apresentando um desempenho adequado tanto para o inicio de descargas
(inception) quanto para as medies da tenso de extino. O padro de pulso da DP era
mostrado por meio de oscilgrafos na base do tempo-freqncia e calibrado numa
escala arbitrria. A transferncia de carga geralmente associada com os pulsos de carga
discreta podia ser estimada visualmente e a fase aproximada relacionando os pulsos e a
tenso aplicada era conhecida pelo observador que realizava os testes.
O aparecimento da contagem de pulsos de DP por cristal controlado nos anos de
1950, permitiu a contagem de pulsos de DPs por unidade de tempo e, atravs disso, a
determinao da densidade de pulsos das DPs de padres de descarga (Bartnikas 1963).
Subseqentemente, apareceram analisadores diferenciais de amplitude dos pulsos e
11
analisadores de amplitude de pulsos de canal simples [8]. No comeo dos anos de
1960s, os conversores led analgico/digital introduziram comercialmente a baixo custo
os analisadores multicanais confiveis para anlise de distribuio da amplitude dos
pulsos de DPs (Bartnikas 1969). A rea sob o intervalo do pulso e sua distribuio em
fase foi desenvolvida nos anos de 1970s, sendo estendidos na prtica para aplicaes em
mquinas girantes [8]. Estes desenvolvimentos foram seguidos de perto pela introduo
de tcnicas computacionais para medio de pulsos de DP [10].
Os avanos dos computadores PC, na dcada de 1980, e seu extensivo uso nos
anos de 1990, alteraram rapidamente a aproximao na rea de anlise da distribuio
de pulsos de DPs [11]. Os sistemas de medio foram transferidos da instrumentao
baseada em hardware para tcnicas via software [8], [12], [13]. Estes adventos
conduziram para investigaes em reconhecimento de padres e classificadores,
envolvendo redes neurais e lgica fuzzy de DPs [14], [13], [15]. Os primeiros estudos
indicavam que a amplitude de um pulso de descarga e sua fase de ocorrncia so
influenciadas fortemente pela ocorrncia de pulso ou pulsos precedentes, efeito de
memria ou reverberao. Dito efeito, considerado como processo no Marcoviano, foi
rigorosamente analisado usando aproximao estocstica por Van Brunt [16], [17], [18],
cuja finalidade foi esclarecer a natureza estatstica condicional dos mecanismos das
descargas. Os resultados obtidos colocam alguns questes srias quanto efetividade de
classificao e reconhecimento de padres de DPs, bem como, algum tratamento
estatstico de tais dados que torne mais tratvel a sua interpretao. Apesar disso, deve
ser observado que o tratamento estatstico de padres de DP, amplitude/fase [19] ou
forma de pulso (shape) [47], [20], tem rendido alguns resultados prticos e
interessantes.
Ainda na dcada dos anos de 1990, viu-se a introduo dos circuitos digitais de
resposta rpida para aplicaes de medio de DPs [14], [13], [21]. Enquanto a
utilizao das tcnicas digitais em deteco de pulsos de DPs, medio e aquisio tm
crescido notavelmente, detectores de DPs comerciais tm mantido separadas opes de
medio analgica e digital. A propsito, o pico do pulso de descarga geralmente
determinado pelo sistema digital, e no ser o mesmo se for determinada a verdadeira
magnitude em tempo real, pelo circuito analgico. Por um lado, h forte dependncia da
taxa de amostragem, da largura de banda e da capacidade de armazenamento dos
circuitos digitais [92]. Por outro lado, os componentes analgicos so alvos do efeito da
12
temperatura e saturao que atenuam a verdadeira magnitude de um pulso de DP. Alm
disso, h o rudo e outros fenmenos intrnsecos [92], [93], [94], [95].
Dessa forma, o circuito analgico normalmente precede ao sistema de aquisio
digital como amplificador e capturador da verdadeira forma do pulso [22]. Assim a
maioria dos circuitos sensores de DPs tem uma configurao hbrida analgico-digital
[23]. Na ltima dcada, a variedade dos circuitos digitais avaliveis e em uso pelas
medies de DPs tem incitado publicaes de artigos em revistas e eventos tcnicos [].
No final da dcada de 1990, apareceram outros estudos inovadores, tal como os
sistemas de medio com analisador de resoluo estendida [19], [23], com histogramas
sofisticados envolvendo duas ou trs grandezas relativas s descargas em tempo real. O
detector de amplitude de pulsos no domnio da fase til foi introduzido em
osciloscpios digitais rpidos para deteco DPs. E tambm um sistema de medio
baseado em dois detectores paralelos a fim de obter uma distribuio sincronizada para
intervalos de tempo entre pulsos de DPs e sua posio em fase [23].
Depois da virada do milnio, outros estudos tm sido colocados em prtica, tal
como a importncia da largura de banda para analisadores de espetros e filtros, estudos
de acopladores capacitivos maiores que 80 pC e estudos hbridos de resposta em
freqncia do material dieltrico com faixa de freqncia do sinal de DP. Contudo, os
estudos no domnio da freqncia [96] parecem ser interminveis, visto que os sinais de
DPs dependem tambm da freqncia e tm uma estreita ligao com o circuito de
ensaio [24].
Alm da tradicional deteco de DPs off-line, a monitorao de DP on-line tem
amadurecido e est sendo cada vez mais adotada pelas concessionrias. Entretanto, os
sensores de acoplamentos ainda tm dificuldades a acessos restritos ao equipamento e se
instalados tm uma faixa de explorao muito curta. Alm disso, os rudos so mais
intensos quando o equipamento trabalha com carga, sendo que, este tambm
influenciado por interferncias dos equipamentos vizinhos. Para contornar estes
inconvenientes, estudos diversos em filtros com tecnologias recentes e tcnicas
avanadas em processamento de sinais tanto com hardware e software tm surgido cada
vez mais. Entre estas tcnicas tem-se a separao cega de sinais e a eliminao de rudos
em fontes adquiridas por anlise de componentes independentes, que este trabalho de
tese apresenta.

13
2.2 Reviso Terica
Nas primeiras experincias praticadas, a deteco de DPs (aproximadamente h
quatro dcadas) era feita atravs do teste de tenso de rdio interferncia (TRI). J na
dcada de noventa as tcnicas de medio foram melhoradas pelas novas tecnologias no
processamento de sinais. Comearam a surgir instrumentos mais eficientes, porm estes
ainda so genricos e os mais especializados costumam ser custosos. Alm disso, o
rudo ainda pouco tratvel e de difcil eliminao. Mesmo assim, a deteco de DPs
vem sendo cada vez mais utilizadas em motores, geradores, transformadores, pra-raios,
interruptores e at em bancos de capacitores.
Para que se possa melhor entender o complexo fenmeno das DPs, importante
conhecer alguns princpios fsicos, qumicos e eltricos envolvidos. Neste captulo so
abordados sucintamente os mecanismos da ionizao dos tomos de um material
isolante, conceitos importantes sobre campo eltrico, caractersticas, causas e
conseqncias das DPs. Alm de entend-los, h necessidade de estud-los para
descobrir outras caractersticas baseadas em alguns de seus princpios e nas suas
observaes coletadas.
2.3 Mecanismos das Descargas Parciais
2.3.1 Ionizao dos tomos de um material isolante
Para compreender o fenmeno de descargas parciais preciso entender como so
ionizados os tomos de um material dieltrico [1], [25]. O processo de ionizao e
avalanche (inicio de descargas) de cargas satisfaz as relaes de Paschen e Townsed
[25]. Porm, em ensaios prticos de DPs, as impurezas e imperfeies internas no
dieltrico, distorcem as equaes de Townsed, fazendo com que a tenso de inception
possa ocorrer em tenses menores do que a tenso nominal.
Para casos prticos e de simples ionizao, deve-se estabelecer a relao entre a
diferena de potencial entre dois pontos a e b (V
ab
) e o campo eltrico ( E
,
). Essa relao
est implcita na Equao (2.1), onde se considera um dieltrico com comportamento
linear, isotrpico e sistema homogneo (a permissividade do meio esttica ou
considerada constante para baixas freqncias).
= = V E
,
(2.1)
Admitindo que o campo seja uniforme, as linhas de campo so paralelas e a
diferena de potencial por unidade de comprimento constante. Logo, as linhas
equipotenciais, que so ortogonais s linhas de campo, estaro espaadas
14
uniformemente e quanto maior a diferena de potencial entre dois pontos, mais intenso
o campo. Uma formulao mais completa da Equao (2.1) incluindo o efeito do
potencial vetor de campo pode ser encontrada em [26]. A Equao (2.2) representa
sistemas no-homogneos, onde o potencial escalar corresponde a cargas estticas
ou fenmenos lentos,
t
A
o componente para cargas dinmicas ou fenmenos rpidos
e
A o potencial vetor de uma fonte totalmente externa regio considerada (assume

tipicamente valor nulo). Assim, os potenciais das cargas so representados por
(escalar) e A(vetorial) [26]. Alm disso, tem dependncia da presso, temperatura e
freqncia [11].

1
t
A
E A
,
(2.2)
Em relao ao caso simples e prtico, quando um campo eltrico aplicado a um
condutor, os eltrons da camada externa de seus tomos so facilmente arrancados e
migram prontamente de tomo para tomo. Porm, os eltrons de um material dieltrico
esto bem presos perto de suas posies de equilbrio e no podem ser arrancados
facilmente. Quando um campo eltrico aplicado a um material dieltrico, este
polarizado, ou seja, h um deslocamento de cargas positivas e negativas da sua posio
de equilbrio, embora no haja migrao de carga neste caso. Em geral, este fato faz
com que os materiais dieltricos (resinas, vidro, mica etc.) se comportem como bons
isolantes.
Os tomos individuais na presena de um campo eltrico tm o eltron
negativamente carregado, sujeito a uma fora no sentido contrrio ao campo q = F E
, ,
e o
ncleo positivamente carregado, sujeito a uma fora no mesmo sentido do campo. Essas
foras distorcem a estrutura do tomo de maneira que o ncleo fica direita do seu
centro efetivo. Os tomos se comportam ento como dipolos, ou seja, podem ser
considerados como duas cargas pontuais +Q e Q, representando respectivamente o
ncleo e a carga eletrnica. Diz-se, ento, que o material dieltrico est polarizado.
A Figura 2.1 ilustra um tomo de um material dieltrico e o deslocamento do
eltron com relao ao ncleo quando na presena de um campo eltrico.
Como foi mostrado pela Equao (2.1), se a diferena de tenso entre os eletrodos
aumentada, o campo eltrico ir aumentar at um ponto onde as foras externas
exercidas no eltron sero maiores que as foras internas e, o eltron ser ento
15
arrancado da sua rbita. O tomo estar ento ionizado, ou seja, se tornar um on
positivo.

Figura 2.1 tomo de um material dieltrico a) tomo no polarizado. b) Foras no tomo quando
se aplica E
,
[1].

O processo de ionizao principal, no entanto, a ionizao por coliso entre um
eltron e um tomo ou molcula neutra. Se o eltron livre est submetido a um campo
eltrico, ele acelerado e colide com tomos de nitrognio, oxignio e outros gases
presentes. A velocidade do eltron est diretamente ligada intensidade do campo
eltrico. Se o campo eltrico no for muito intenso, estas colises sero elsticas,
similares a colises entre bolas de bilhar, e no haver transferncia de energia. Se por
outro lado a intensidade do campo eltrico exceder um valor crtico, qualquer eltron
livre presente nesse campo ir adquirir uma velocidade suficiente para tornar a coliso
com uma molcula de ar inelstica, o que significa que o eltron ter energia para
deslocar outro eltron de sua rbita e ionizar o tomo.
{ {

Figura 2.2 Processo de avalanche de eltrons iniciado a partir de um eletrodo negativo a)
Incio. b) Formao de um par de eltrons Impacto de um eltron com um tomo neutro libera um
eltron adicional e deixa um on positivo para trs. c) Multiplicao Os eltrons se movem
criando ons positivos quando se multiplicam.

16
O eltron inicial que perdeu a maior parte da sua velocidade na coliso e o
eltron expelido da molcula de ar que tambm tem uma velocidade baixa
acelerado pelo campo eltrico, e na prxima coliso cada eltron capaz de ionizar uma
molcula de ar. Aps a segunda coliso, existem quatro eltrons capazes de ionizar
outros tomos e assim sucessivamente, com o nmero de eltrons dobrando a cada
coliso. Este processo conhecido como avalanche de eltrons, sendo sempre iniciado
com um eltron livre submetido a um campo eltrico intenso. A Figura 2.2 ilustra a
seqncia da ionizao dos tomos.
Os ons positivos deixados para trs no processo da avalanche de eltrons se
movem na direo do eletrodo negativo. No entanto, eles se movem muito
vagarosamente, devido sua massa, que aproximadamente cinqenta mil vezes a
massa do eltron [1], [25]. Tendo uma carga positiva, esses ons atraem eltrons que
esto vagando e, quando algum eltron livre consegue ser capturado, forma-se outra
molcula neutra de ar. O nvel de energia de uma molcula neutra menor do que o do
on positivo correspondente, logo, quando um eltron livre capturado, um quantum de
energia emitido pela molcula. Esse quantum de energia exatamente igual em
magnitude energia que inicialmente foi requerida para deslocar o eltron inicial fora
de sua molcula. Uma onda eletromagntica irradiada e, para molculas de ar como
oxignio ou nitrognio, essa radiao est dentro da faixa visvel de luz. Portanto, um
observador pode ver essa radiao como uma luz violeta clara, que ocorre
principalmente na recombinao de ons de nitrognio com eltrons livres. Se no
houver mais a fonte de energia, o processo de ionizao cessar; mas a recombinao
continuar at que no haja mais eltrons livres nem ons positivos.
Os eltrons e ons positivos provenientes deste processo so suficientes para
conduzir corrente entre os eletrodos e absorver uma quantidade relativamente grande de
potncia da fonte, fazendo com que uma centelha surja entre os eletrodos. Quando
ocorre o centelhamento, diz-se que h uma ruptura do material dieltrico. Como essa
centelha normalmente no atravessa completamente o material dieltrico entre os
eletrodos, chamada de descarga parcial.
A avalanche de eltrons descrita na Figura 2.2 possui certo nmero de eltrons
por segundo, que pode variar de centenas de eltrons por segundo at 10
22
eltrons por
segundo em um perodo tpico de 100 nano segundos. Para quantificar melhor a carga,
utiliza-se como unidade o Coulomb, que equivalente a uma carga de 6,2 x 10
18

eltrons. Como um Ampre definido como um fluxo de carga de um Coulomb por
17
segundo, a corrente da avalanche eletrnica pode variar de 10
-17
A at alguns milhares de
Ampres.
A energia da descarga, no entanto, extremamente pequena quando se tenta medir
a amplitude da tenso de um pulso de descarga.
Se a descarga ocorrer no ar, em torno de um elemento condutor, denominada de
efeito corona, assim como streamer ou descarga autosustentada.
O movimento de eltrons para o eletrodo positivo (A na Figura 2.1.b) e o
movimento de ons positivos para o eletrodo negativo (B na Figura 2.1.b) significa um
fluxo de eltrons atravs do gerador entre os dois terminais.
Se uma impedncia for introduzida entre o gerador e os terminais, a diferena de
potencial no ser mais constante e ir decrescer linearmente com o aumento da
corrente. Ajustando o valor dessa impedncia, pode-se variar a taxa de dissipao de
energia na descarga ou a potncia consumida.
2.3.2 Algumas consideraes sobre o Campo Eltrico
Como foi visto anteriormente, o campo eltrico tem um papel fundamental no
surgimento das descargas parciais, pois influencia diretamente o processo de ionizao
dos eltrons de um material dieltrico. Podem ocorrer descargas nos pontos do material
dieltrico onde houver maior intensidade de campo eltrico, o que torna muito
importante um estudo mais detalhado sobre as circunstncias em que isso ocorre.
A intensidade do campo eltrico est relacionada basicamente com o valor de
tenso, com o meio em que ele se encontra e com a geometria do conjunto
eletrodos/dieltrico em que ele atua. Como descrito na Equao (2.1), o campo eltrico
diretamente proporcional tenso aplicada, ou seja, aumenta para valores maiores de
tenso. As outras duas situaes sero vistas a seguir.
2.3.3 O campo eltrico e o meio em que ele se encontra
Para compreender como o campo varia devido ao meio em que ele se encontra,
preciso analisar as relaes de fronteira entre dois meios dieltricos diferentes, pois o
campo eltrico pode variar abruptamente, tanto em intensidade como em direo. Essa
anlise feita em duas partes, considerando, em primeiro lugar, a relao entre os
campos tangentes fronteira, e em segundo lugar, os campos normais a ela.
Estas relaes de fronteira levam em considerao uma caracterstica muito
importante nos materiais dieltricos: a permissividade ou constante dieltrica (). Como
a permissividade de um dieltrico sempre maior do que a permissividade do vcuo,
18
muitas vezes conveniente usar a permissividade relativa do dieltrico, isto , a razo
entre sua permissividade e a do vcuo. Assim,
0
r
= (2.3)
onde,
r
a permissividade relativa do dieltrico, a permissividade do
dieltrico e
0
permissividade do vcuo = 8,85 pF m
-1
.
Enquanto que e
0
so expressos em farads por metro (F.m
-1
), a permissividade
relativa
r
uma razo adimensional e o valor dado geralmente em tabelas. A
permissividade relativa de alguns meios est apresentada na Tabela 2.1, onde os valores
referem-se a campos estticos (ou em baixas freqncias) e so aproximados, exceto
para o vcuo ou ar. Observe que
r
para o ar est to prximo da unidade que, na
maioria dos casos, podemos considerar o ar equivalente ao vcuo [27].
Tabela 2.1 Permissividade de meios dieltricos

Meio
Permissividade relativa
r

Vcuo 1
Ar (presso atmosfrica) 1,0006
Espuma de poliestireno (Styrofoam) 1,03
Parafina 2,1
Madeira compensada 2,1
Poliestireno 2,7
mbar 3,0
Borracha 3
Plexigas 3,4
Solo arenoso seco 3,4
Nylon (slido) 3,8
Enxofre 4
Quartzo 5
Baquelita 5
Frmica 6
Vidro com maior composio de chumbo (Lead Glass) 6
Mica 6
Mrmore 8
Cristal (Flint glass) 10
Amnia (lquida) 22
Glicerina 50
gua (destilada) 81
Titanato de brio (BaTiO
3
) 1200
Titanato de brio e estrncio (2BaTiO
3
: 1S
r
TiO
3
) 10000
Titanato e zirconato de brio (4BaTiO
3
: 1BaZrO
3
) 13000
Estanho e titanato de brio (9BaTiO
3
: 1BaSnO
3
) 20000

A permissividade relativa um indicador do nvel de isolamento eltrico de um
material dieltrico. Quanto maior a permissividade relativa do material, melhor a
19
suportabilidade de tenso desse material, considerando um campo eltrico uniforme e
uma temperatura de 20 C. Para faixas de freqncia muito amplas, os materiais podem
apresentar variaes da permissividade caracterizadas por componente real ' e
imaginaria '' , os quais dependem da freqncia e podem apresentar diversos modos
ressonantes causados pelos diversos modos de vibrao [26], [27].
Considerando dois meios dieltricos de permissividade
1
e
2
separados por uma
fronteira plana, e supondo que os dois meios so isolantes perfeitos, tem-se que as
componentes tangenciais do campo eltrico so iguais nos dois lados da fronteira, como
mostram a Figura 2.3. Isso significa que o campo eltrico tangencial contnuo atravs
dessa fronteira.
1

Figura 2.3 Fronteira entre dois meios dieltricos diferentes.

Para tratar das componentes normais, ser utilizada a densidade de fluxo, cuja
componente normal contnua atravs da fronteira desprovida de cargas entre dois
dieltricos, como pode ser visto nas equaes (2.4) e (2.5).

1 2
n n = D D (2.4)

1 2
1 2 n n
= E E (2.5)
De acordo com a Equao (2.5), verificamos que os campos eltricos normais
fronteira esto inversamente relacionados com as permissividades relativas 1 e 2. Se o
meio 1 tiver uma permissividade relativa menor que a do meio 2, o campo eltrico no
meio 1 ser maior que no meio 2.
Esse tipo de situao ocorre, por exemplo, com pequenas cavidades de ar no
interior de materiais dieltricos slidos ou bolhas de gs no interior de materiais
dieltricos lquidos. Como o ar tem uma permissividade-relativa menor que a do
material dieltrico (slido ou lquido), o campo eltrico no ar maior, o que favorece a
ionizao dos eltrons e conseqentemente a ocorrncia de descargas parciais. A
produo de descargas tambm se d no ar pela ionizao das molculas que se
encontram nos pontos de maior gradiente de potencial.
20
A intensidade mxima de campo que um dieltrico pode suportar sem que
ocorram centelhamentos a rigidez dieltrica. A Tabela 2.2 relaciona os valores de
rigidez dieltrica de vrios materiais dieltricos. A rigidez dieltrica refere-se a um
campo uniforme e os materiais esto listados em ordem crescente de rigidez [27].
Tabela 2.2 Rigidez dieltrica de diversos materiais dieltricos comuns
Material Rigidez Dieltrica (MV m
-1
)
Ar (presso atmosfrica) 3
leo (mineral) 15
Papel (impregnado) 15
Poliestireno 20
Borracha (dura) 21
Baquelita 25
Vidro (placa) 30
Parafina 30
Quartzo (fundido) 30
Mica 200
2.3.4 O campo eltrico e a geometria dos eletrodos
A geometria dos eletrodos influencia diretamente a distribuio da intensidade do
campo eltrico. O gradiente de tenso aumenta quanto menor for a rea do eletrodo. Se
o formato do eletrodo for uma ponta, o gradiente de tenso alto. Se, para o mesmo
nvel de tenso aplicada, o eletrodo tiver um formato plano, o gradiente de tenso bem
menor. A Figura 2.4 ilustra um exemplo de eletrodo ponta-plano tendo um gs como
dieltrico.
Regio de alto potencial
Regio de baixo potencial
Campo intenso

Figura 2.4 Eletrodo ponta-plano. [1]

Perto da ponta, como o gradiente de potencial maior, a intensidade do campo
eltrico maior, como foi mostrado pela Equao (2.1). O eltron que est perto da
ponta pode ento ser acelerado at adquirir energia cintica suficiente para causar uma
ionizao. Perto do plano, a intensidade do campo eltrico menor e o eltron pode no
adquirir energia cintica suficiente para causar uma ionizao. Logo, a descarga
21
limitada a um volume perto da ponta. O volume de gs restante entre o plano e a
descarga funciona como uma excelente resistncia, limitando o centelhamento.
A estrutura de eletrodos cilndricos, onde o cilindro interno bem menor que o
cilindro externo, funciona exatamente da mesma maneira, sendo a descarga adjacente ao
cilindro interno, que tem o maior gradiente de potencial.
Um outro exemplo de eletrodos seria o de duas agulhas (separadas de
aproximadamente 0,5 cm) e um plano. Se a tenso ajustada para fornecer uma
descarga pequena perto da ponta, as duas agulhas iro centelhar. Se, no entanto, a tenso
aumentada para fornecer descargas maiores, somente uma agulha ir centelhar. Para
fazer com que as duas agulhas sofram as descargas, necessrio adicionar uma
resistncia srie em cada agulha, como mostra a Figura 2.5 . Quando as descargas so
pequenas, as impedncias presentes no volume de gs no ionizado entre as pontas e o
plano atuam, limitando a corrente.

Figura 2.5 Eletrodos: duas pontas paralelas com resistores e um eletrodo plano [1].

Se o campo for uniforme (linhas de campo paralelas em toda parte) e se for
aumentado gradualmente, ocorrero centelhas no ar quase que imediatamente aps um
valor crtico do campo ter sido ultrapassado; mas se o campo no for uniforme (linhas
de campo divergentes) poder ocorrer inicialmente uma descarga, e depois, com o
aumento de E
,
, uma descarga ininterrupta.
2.4 Tipos das Descargas Parciais
Descargas parciais podem ocorrer em qualquer ponto do material dieltrico; na
juno de dois materiais dieltricos diferentes ou adjacentes ao eletrodo, seguidamente
em vrios pontos do dieltrico e at mesmo sem eletrodos, em uma cavidade do material
dieltrico.
A idia errnea de que eletrodos metlicos so necessrios decorre da sua larga
utilizao em demonstraes de laboratrio, seja atravs de eletrodos ponta-plano ou um
2.4 Tipos das Descargas Parciais
22
condutor e um plano. Descargas parciais podem ocorrer entre dois isolantes agindo
como eletrodos; essas descargas sem eletrodos so problemticas em alguns veculos
espaciais.
O termo descargas parciais envolve um amplo grupo de fenmenos de descarga
tal como descargas internas, superficiais e descargas corona [19]. Descargas internas
podem ocorrer em cavidades em dieltricos slidos ou bolhas em dieltricos lquidos,
descargas superficiais podem ocorrer na interface de isolamentos ou condutores e
descargas corona so relativos a descargas em dieltricos gasosos se esto presentes
elevados campos eltricos no-homogneos. Por ltimo o impacto das descargas em
dieltricos slidos podem formar-se canais de descarga chamados treeing. A Figura 2.6
mostra algumas descargas tpicas baseadas em arranjos isolantes simples.

Figura 2.6 Tipos de DPs em arranjos bsicos a) Descargas tipo corona. b) Descarga na
superfcie. c) Descargas em material laminado. d) Descargas internas. e) Descargas entre espiras
em enrolamentos de mquinas eltricas girantes (turn-to-turn)

Descargas tipo efeito corona ( Figura 2.6 .a) ocorrem em eletrodos tipo ponta ou
condu-tores finos conectados a um alto potencial ou terra, particularmente em
instalaes isoladas com ar/gs ou com materiais isolantes lquidos. Descargas na
superfcie ( Figura 2.6 .b) e descargas em materiais laminados ( Figura 2.6 .c) ocorrem nas
interfaces entre materiais isolantes diferentes, como por exemplo, entre gs/slido.
Descargas em pequenas cavidades de ar ( Figura 2.6 .d) ocorrem em lquidos tanto quanto
23
em materiais isolantes slidos. Descargas tipo Slot ocorrem em mquinas girantes: os
modelos se baseiam em barras de geradores, nas quais possuem ranhuras para
reproduo do defeito ( Figura 2.6 .e) [29]. Em materiais isolantes slidos podem ocorrer
tambm as descargas contnuas que deterioram parcialmente o material isolante
geralmente denominado descargas treeing ou treeing channels (ver Figura 2.7).
Os treeing channels se propagam em volta do isolamento slido similar aos
encontrados em barras de gerador. Estudos experimentais advertem que este processo
pode ser reduzido por pesquisa de parmetros eltricos, trmicos e carregamento
mecnico [30], [31]. Porm, muitos destes estudos se tornam inviveis quando aplicado
a equipamento real, devido a restries de acesso e limitaes de implementao. Assim
estes estudos tm sido realizados em ambientes e laboratrios especiais com a finalidade
de determinar o comportamento do material sob condies adversas aplicadas.

Eltrodo Ponta
Eltrodo Plano
Mica

Figura 2.7 Descargas em materiais isolantes slidos (treeing channels): Trajetria de propagao
de uma treeing channels em volta de uma barreira de base de mica.

Em aplicaes prticas, feita uma distino entre DP interna e DP externa.
Descargas externas so definidas como processos que ocorrem fora do equipamento, por
exemplo, em armaduras; e descargas internas so definidas como processos que
ocorrem dentro de sistemas fechados. Essa distino apropriada para os sistemas de
medio utilizados, pois descargas externas (em linhas de alimentao ou eletrodos)
podem ser distintas de descargas internas ocorrendo no objeto a ser testado.
Descargas parciais so de curta durao em relao ao perodo da sinuside de
tenso aplicada (da ordem de nano segundos), so repetitivas, tm sua frente muito
ngreme e muito acentuada, podendo ser consideradas como uma funo impulso.
2.5 Conceito de Descargas Parciais
As DPs so sucesses de descargas eltricas incompletas, rpidas e intermitentes
da ordem de nano segundos (ver Figura 2.8.a), que ocorrem pela proximidade entre duas
partes condutoras de eletricidade e um meio isolante, pelo efeito de ionizao em
2.5 Conceito de Descargas Parciais
24
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 tenso eltrica [32]. Esta definio coloca em evidncia algumas
caractersticas notveis do fenmeno fsico das DPs, como:
- Realizam-se rapidamente, considerando a sua curta durao em relao ao semi-
perodo da tenso referencial aplicada (60 Hz).
- So fenmenos intermitentes, determinando sobre os circuitos eltricos impulsos
como fontes muito ngremes e discretas no tempo.
- Caracterizam-se por elevadas freqncias espectrais (da ordem de megahertz).
- O ambiente onde se desenvolvem as disrupes de natureza gasosa. O espao
onde se realizam as DPs restringe-se a uma zona limitada do dieltrico, no chegando a
curto-circuitar os dois eletrodos, pois quando tal se verifica ocorre a disrupo do
dieltrico e, portanto a sua deteriorao.

t (ns)
i
(
t
)

(
m
A
)

40
20
0
20
40
60
80
100
120
0 2 4 6 8 10

tempo, ns
c
o
r
r
e
n
t
e
,

m
A

-5
0
5
10
15
20
25
0 1 2 3 4 5
(h)
(a)
t
V
u
1

v(t)
u
10

u
z+
u
z-
0
Y: 1,2 pC/Div Nvel DP-
(c)

(d)

(pC)

Figura 2.8 Sinais de DPs: (a) Pulsos intermitentes medidos em ultra-alta freqncia, (b) Queda de
potencial por DPs em cavidades, (c) e (d) mapeamento tpicos de DPs gerados por modelos
experimentais.

A Figura 2.8.b) mostra um modelo tpico de medio e simulao de DPs em
cavidades gasosas e dieltricos slidos, onde V(t), U
10
e U
1
so os valores mximos das
tenses de referncia, da cavidade e de descarga, respectivamente e, Uz+ e Uz- so
nveis de tenso de incio de descarga em cavidades gasosas, maiores detalhes da Figura
(b)
25
2.8b encontra-se em [1], [19]. As Figura 2.8.c e d so mapas digitais dos pulsos
mximos de DPs, obtidos por instrumentos de medio de DPs sob um modelo
experimental.
Como foi exposto acima, a ocorrncia de DPs favorecida em cavidades gasosas
no interior de materiais isolantes. Essas cavidades so as responsveis pelas falhas mais
comuns no material dieltrico, e so geralmente introduzidas durante as vrias etapas de
fabricao dos materiais isolantes e outras solicitaes durante o seu envelhecimento.
Elas podem ocorrer tambm devido a uma aplicao inadequada de vcuo durante o
ciclo de impregnao, como o caso em sistemas de papis isolantes impregnados a
leo usados em cabos, capacitores e transformadores. Nos geradores, particularmente
nas barras estatricas, elas ocorrem entre a camada de verniz e um condutor elementar,
entre camada de pintura semicondutora e a isolao principal (efeito ranhura).
2.6 Deteco e Medio de Descargas Parciais
Existem vrias tcnicas de deteco de DPs: eltrica, acstica, ptica, qumica etc.
Porm, a maioria destas so usadas apenas para complementar a deteco eltrica. A
tcnica acstica de medio por ultra-som est ganhando maior interesse, no aspecto de
localizao, triangulao de pulsos e reflexes acsticas, procurar as ocorrncias das
descargas no equipamento, sendo razovel para experincias de laboratrio, mas no
campo ainda alvo fcil de rudos e interferncias, visto que, os sinais acsticos podem
sofrer forte atenuao nos casos como DPs prximas dos enrolamentos. Por outro lado,
se tm os modelos experimentais baseadas no mtodo eltrico e nos conhecimentos a
priori, com a finalidade tambm de localizar fontes de descargas, por meio de
semelhanas fsico/qumicas, alm de detect-las. A seguir so listadas algumas dessas
tcnicas [1], [33]:
Mtodo ptico ou visual DP pode ser observada visualmente em ambientes
escuros, aps acostumar os olhos escurido. O observador pode utilizar binculos de
grande alcance, se necessrio. Alternativamente, registros fotogrficos ultra-rpidos
podem ser feitos e, para fins especiais, so usados intensificadores de imagem.
Mtodo qumico A presena de DPs em leo ou equipamentos com isolantes a
gs pode ser detectada, em alguns casos, pela anlise da decomposio de produtos
dissolvidos no leo ou no gs. Esses produtos se acumulam durante operaes
prolongadas. A anlise qumica pode tambm ser usada para estimar a degradao do
isolamento causada pela ocorrncia de DPs.
2.6 Deteco e Medio de Descargas Parciais
26
Mtodo acstico Este procedimento baseado no rudo audvel ou ultra-snico
gerado pelas DPs, isto , rudo no ar ou vibraes em materiais adjacentes fonte de
descarga. A tcnica acstica consiste em utilizar sensores piezeltricos ou transdutores,
que podem ser conectados dentro ou fora do equipamento, de preferncia em ambientes
com baixo nvel de rudo. Medidas acsticas feitas com microfones ou outros
transdutores, em conjunto com amplificadores e instrumentos de registro adequados,
podem ser teis para localizar a descarga no equipamento. Diversos sensores, com alta
sensibilidade para faixas de freqncia acima da faixa audvel, so usados para localizar
descargas corona no ar. Transdutores tambm podem ser usados para localizar
descargas em subestaes isoladas a gs (SIGs) ou equipamentos imersos em leo,
como transformadores. Esta tcnica a mais adequada para localizar fisicamente a
ocorrncia de descargas e esto sendo utilizadas em diversos equipamentos tal como
grandes transformadores.
Mtodo da tenso de rdio interferncia O teste de tenso de rdio
interferncia (TRI) baseado no fato de que DPs geram ondas eletromagnticas na
forma de interferncia esttica. O receptor calibrado em micro-volts para medir o
valor do sinal de entrada. Este mtodo no adequado para localizar fisicamente, dentro
do equipamento, o local onde ocorrem descargas e sim para quantificar o valor das
descargas. A medio de TRI usada tanto em equipamentos de alta tenso como em
linhas de transmisso. Nos equipamentos, os sinais de descarga so detectados atravs
de uma resistncia, enquanto que em linhas de transmisso, a interferncia em rdio-
freqncia (RF) gerada pelas descargas, detectada usando-se uma antena.
Mtodo eltrico - Essa tcnica faz com que o instrumento de deteco de
descargas se torne parte do circuito eltrico, incluindo o equipamento onde as descargas
esto ocorrendo. Neste mtodo as descargas so medidas normalmente em pico
Coulombs. Esse procedimento de medio o mais utilizado em geradores,
transformadores, cabos de alta tenso, capacitores, entre outros. Uma impedncia de
deteco RLC (resistiva, indutiva e capacitiva) ou RC (resistiva e capacitiva) pode ser
usada, sendo a RLC para um modo de deteco de banda estreita de freqncia e a RC
para um modo de deteco de banda larga de freqncia.
O mtodo eltrico , sem dvida, o mais utilizado para quantificar DPs. As
normas IEC 60270 e IEEE P1434 [6], [7] so entidades que tentam unificar e consolidar
procedimentos para medio de DPs e fornecem vrias alternativas de circuitos de
ensaio e terminologia apropriada para realizar medio de DPs. Cabe ressaltar que ainda
27
no se tm procedimentos confiveis e fceis para situaes bem especficas se
aplicados num determinado modelo ou equipamento. O presente trabalho de tese, pe
em evidncia, a necessidade de ter novas ferramentas e faz uma introduo na busca de
outras caractersticas das DPs que ajudem a desvendar particularidades a partir de dados
coletados.
2.7 Causas e Conseqncias de Descargas Parciais
Como principais causas de DPs em isolantes, pode-se citar a incluso de
bolhas de ar em materiais slidos e materiais isolantes de qualidade inferior. O
surgimento de DPs tambm facilitado pelo tratamento e impregnao inadequadas na
fabricao do material dieltrico. Condutores dobrados inadequadamente, objetos
isolantes estranhos (ex. restos de pinturas), cunhas frouxas ou soltas, pontas e rebarbas,
colocao inadequada do isolante, dimensionamento inadequado da isolao e das
blindagens e campos eltricos mal distribudos, tambm contribuem para a ocorrncia
de DPs.
Os efeitos decorrentes de DPs em materiais dieltricos podem variar desde
meramente indesejveis a totalmente desastrosos. Dependendo da intensidade do campo
eltrico, a ionizao pode se dar em todo o percurso do material dieltrico, sendo
denominada, nesse caso, de descarga disruptiva. DPs podem produzir luz, rudo audvel
e oznio. Alm disso, podem dar origem a outros efeitos, como [32]:
- Elevao da temperatura do material dieltrico.
- Perda de potncia e perda de energia nas cavidades do material isolante.
- Gerao de radiao ultravioleta.
- Agentes oxidantes como oxignio e oznio.
- Eroses nas cavidades de gs existentes em materiais dieltricos pelo choque
mecnico entre eltrons e molculas da parede da cavidade. Alguns materiais diferem
nas suas taxas de eroso devido s descargas; materiais a base de polmeros sofrem mais
eroso que mica, vidro e outros produtos cermicos.
- Gerao de cido oxlico em cavidades de polietileno e outros materiais
isolantes.
-Absoro ou gerao de gs.
- Interferncia em comunicaes de rdio e TV.
Em materiais isolantes lquidos (leo isolante) as DPs podem gerar gases
inflamveis especialmente acetileno e metano causando a diminuio das propriedades
2.8 Circuitos de Medio e Ensaios de DPs
28
dieltricas e assim a vida til deste material, obrigando a fazer substituies desses
isolantes com mais freqncia. J em materiais isolantes slidos, estas so mais severas,
devido a sua difcil ou impossvel substituio. Nesses isolantes, havendo descargas,
poder ocorrer eroso contnua ou a abertura de fissuras ou rachaduras que com o tempo
podero levar o isolamento falha total.
Como pode ser observado, alm de serem altamente prejudiciais ao material
isolante, as DPs tambm tm influncia negativa em sistemas adjacentes, como
recepes de rdio e TV. Logo, a ocorrncia de DPs em materiais isolantes de
equipamentos eltricos de alta tenso deve ser analisada cuidadosamente, podendo ser
um indicador qualitativo da vida til esperada dos isolamentos assim como, do estado
operativo de equipamentos.
Os circuitos utilizados para medir DPs podem ser deduzidos de acordo s
indicaes da norma IEC 60270. Nestas, existem trs circuitos bsicos de medio de
DPs. Todos eles so baseados na deteco de uma queda de tenso sobre uma
impedncia de medio, provocada por impulsos de corrente no circuito exterior
amostra. A impedncia de medio Zm consiste normalmente de um resistor de
medio, um indutor de alguns mH para dissipar as correntes a 60 Hz e uma
capacitncia parasita inerente ao circuito.
Para fazer testes de DPs em outras faixas de freqncia, no previstas pelos
fabricantes e/ou normas, deve-se levar em conta a variao dos capacitores com a
freqncia, assim como os erros introduzidos pelos transdutores (sensores) na medio
de DPs. Alm disso, deve-se levar em considerao as impurezas contidas nos
dieltricos e defeitos de fabricao, pois estes podem trazer resultados ruins e
concluses erradas.
Os circuitos de medio ilustram a maneira como a impedncia de medio pode
ser inserida no circuito de ensaio, de acordo com a Figura 2.9. C
t
representa o objeto
sob teste, o qual na maioria dos casos representado de maneira parcial por uma
capacitncia C
t
. O calibrador conectado em paralelo com C
t
serve para indicar a
definio real da magnitude da DP, a carga de impulso aparente, a qual produz no
objeto submetido a teste uma pequena queda de potencial, simulando o fenmeno
interno ao ter-se DPs no isolamento. Esta queda momentnea do potencial pode
produzir um impulso de corrente i
(t)
unicamente quando se tem um capacitor de
29
acoplamento C em paralelo com Ct suficientemente grande e que a impedncia de
medio Zm seja muito pequena.

Figura 2.9 Circuitos bsicos de medio de DPs [16]. a) Impedncia Z de medio em srie com o
capacitor C de acoplamento. b) Impedncia de medio Zm em srie com o equipamento sob
ensaio. c) Circuito de ensaio equilibrado ou balanceado.

As Figura 2.9.a e b, ministram medio direta de implementao simples e rpida.
Porm apresentam desvantagens sendo sensveis s interferncias, inclusive os de
30
baixas freqncias. O circuito de medio por ponte indicado pela Figura 2.9.c suprime
grande parte das interferncias, mas a dificuldade est na calibrao e no balano e
sincronizao do equipamento de medio tipo ponte.
De acordo com normas internacionais a medio de carga definida em pico-
Coulomb (pC). Os equipamentos de medio de DPs efetuam uma integrao das
correntes que na maioria funcionam baseadas na semi-integrao de valores, por meio
de amplificadores de banda larga e banda estreita.
O circuito de medio correspondente ao da Figura 2.9.a utilizado nos casos em
que o objeto sob ensaio possui uma extremidade aterrada. Esse tipo de configurao
protege o equipamento de medio de falhas advindas do objeto sob ensaio. No entanto,
o circuito da Figura 2.9.b, com a impedncia da medio em srie com o objeto sob
ensaio, possui uma maior sensibilidade de medio. Esse tipo de configurao
utilizado nos casos em que o lado de baixa tenso do objeto sob ensaio fica isolado do
referencial terra. O circuito de medio da Figura 2.9.c tem o lado de baixa tenso do
objeto sob ensaio e do capacitor de acoplamento isolado do referencial terra atravs das
impedncias de medio Zm e Zm. Segundo [6], este circuito apresenta vantagens no
que se refere aos problemas de interferncias externas.
Dentre essas possibilidades oferecidas pela norma IEC 60270 para configuraes
de circuitos de medio, o circuito mais utilizado aquele com a impedncia de
medio em srie com o capacitor de acoplamento, correspondente Figura 2.9.a.
Nesse caso, o capacitor de acoplamento evita que a tenso freqncia industrial passe
para a impedncia de medio, passando a constituir um caminho preferencial para os
pulsos das correntes correspondente s DPs.
Deve ficar claro, no entanto, que a escolha do tipo de circuito de medio deve
estar associada s caractersticas eltricas dos equipamentos sob ensaio. Por exemplo,
para equipamentos com capacitncia elevada, como os capacitores de potncia, o
circuito que melhor se aplica para medio de DPs o circuito de ensaio balanceado,
correspondente Figura 2.9.c.
Medies de sinais de DPs em transformadores de potncia tm sido pesquisadas
por vrias dcadas, formando-se vrias linhas de pesquisa em deteco, assim como
localizao. Ambos requerem vrias condies, tais como baixo nvel de rudo,
adequada calibrao e sensibilidade da instrumentao de medio. A realizao de uma
medio de DPs em transformadores dificultada pela acessibilidade nos circuitos
internos e a complexidade destes circuitos, altamente indutivos.
31
No transformador, a fim de solucionar esses problemas, a conexo ao sistema de
medio feita atravs da bucha, que um tap capacitivo. A Figura 2.10 ilustra o
circuito para medio de DPs acoplado no brao de uma bucha do transformador.
As medies, realizadas para possveis fontes de DPs em transformadores de
potncia, atravs de clulas testes foram feitas de acordo com o circuito da Figura 2.8.a
onde os pulsos de corrente provocados pelas DPs produzem um sinal nos terminais da
impedncia de medio Zm. Para pulsos de curta durao, o sinal produz um pulso de
tenso, cujo valor de crista proporcional carga aparente da amostra, que
normalmente medida em pico-Coulomb.

Co
Ro
Alta Tenso
Calibrador
C
1
C
2
Z
m
Baixa Tenso
DP
DSP

Figura 2.10 Esquema de medio de DPs para transformadores no campo.

Os pulsos de carga aparente, individuais, podem ser coletados por um
amplificador e apresentados em um instrumento de medio adequado. A amplitude dos
pulsos detectados pode, ento, ser medida atravs de comparaes com pulsos de
32
calibrao. O valor C (capacitor de acoplamento) de aproximadamente 1nF e a
impedncia de medio normalmente se encontra na faixa de 1000 at 2000 Ohms. O
filtro est representado por dois indutores e uma capacitncia, podendo ter
configuraes diferentes, desde que sejam filtros de alta freqncia. Um filtro tpico
um indutor de 3mH.
Vale ressaltar que, em casos gerais, alm de instalar capacitores de acoplamento
de alta tenso, tambm possvel utilizar alternativas como transformadores de corrente
de alta freqncia ou bobinas de Rogowski e sensores de campo indutivo/capacitivo.
Alguns tipos de acopladores so instalados durante uma interrupo do servio pelas
atividades da manuteno e, por outro lado, devido necessidade de ter melhores
pontos de medio alguns fabricantes de mquinas tm se esforado em desenvolver
barras estatricas especiais com micro sensores de medio. Assim, torna-se vivel
obter melhores condicionamentos para detectar ocorrncias de sinais de DPs off-line e
por monitorao on-line. Porm, muitos acopladores e estratgias de medio ainda so
vulnerveis e sensveis a interferncias.

Figura 2.11 Localizao de descargas por sensores de campo eltrico.

A Figura 2.11 mostra um sistema de deteco de descargas utilizando sensores
indutivos de campo os quais so comparados com sensores capacitivos e a impedncia
de medio num circulo caracterstico. O sensor percorre desde o brao do ponto A at
o ponto B [34].
33

A
B
F
G
C
D
H
I
J
K

Figura 2.12 Corte transversal e longitudinal de barras estatricas de gerador, zonas possveis de
formao de DPs.

A Figura 2.12 mostra um corte transversal e longitudinal de barras estatricas de
gerador, na qual se indicam zonas possveis de formao de DPs: A at G indicam
defeitos tpicos em barras, localizadas em ranhuras estatricas (slot). H indica possvel
defeito no canal de refrigerao e I, J e K defeitos na cabea de bobina [30], [90], [88],
[89].
2.9 Interferncias na Deteco de DPs e Formalizao do Problema
As interferncias presentes no processo de medio, os quais foram descritas em
pesquisas anteriores como em [32], mostra-se na Figura 2.13. Outras formas usuais de
classificao mais simples so chamadas de rudos conduzidos e irradiados (acoplantes)
e rudos externos e internos [15], [24]. Por conseguinte, os problemas devido s
interferncias no processo de medio tm sido pesquisados e tratados para serem
eliminados, como foi introduzido na Seco 2.1. Atualmente existem diversas
tecnologias para contornar e reduzir as influncias das perturbaes em deteco de
DPs.
2.9 Interferncias na Deteco de DPs e Formalizao do Problema
34

Figura 2.13 Classificao rudos em deteco de sinais DPs [32], [30].

Contudo, a informao coletada das medies dificulta a interpretao e
identificao de DPs, pois, a coleo de dados ainda apresenta rudo de fundo. Assim,
essa coleo ter uma baixa confiabilidade para se diagnosticar o equipamento em
questo.
Pesquisas apontam uma outra fonte de interferncias ou de fontes esprias
(outliers) introduzidas pelos conversores Analgico-Digital (A/D) dos instrumentos de
medio e o efeito de acoplamento (crostalks) entre canais de medio.
Finalmente, a supresso de sinais de rudos em dados coletados o propsito
desta dissertao.

Captulo 3

Modelos Experimentais
As tcnicas de deteco das DPs so baseadas em vrios fenmenos produzidos
pela descarga tal como luminescncia, calor, rudo (ultra-som e audvel),
transformaes qumicas e pulsos de descargas eltricas. Estas tcnicas so descritas
amplamente nas referncias [32]. Nesta parte da tese resumem-se unicamente as que
foram utilizadas no desenvolvimento da pesquisa, enfatizando o mtodo eltrico
segundo as normas IEC-60270 e IEEE-P1434. Apresentam-se tambm os modelos
experimentais para representao de fontes de defeitos, possveis de serem encontrados
em transformadores de potncia, denominadas clulas testes. Para alguns defeitos em
enrolamentos estatricos de geradores os modelos so baseados em barras envelhecidas.
3.1 Deteco de Descargas Parciais
A tcnica adotada, para o projeto de tese, foi o mtodo eltrico, tanto para
deteco como para medio de DPs, visto que o Centro de Pesquisas de Energia
Eltrica CEPEL trabalha h duas dcadas com esse mtodo. Por conseguinte, o
CEPEL forneceu gentilmente suas instalaes de laboratrio e proporcionou a
informao necessria, assim como, os dados coletados de hidrogeradores.

Figura 3.1 Circuito bsico de medio de DPs em geradores: Estratgia praticada no
enrolamento estatrico da fase C no gerador U10 na usina Itaipu [35], onde AT (alta tenso), NC
(cubculo de neutro), P (acoplador de 9 nF) e T (acoplador de 150 nF-fase e 160 nF-neutro).
3.2 Medio de Descargas Parciais Atravs de Modelos
36
A Figura 3.1 mostra o arranjo para medio de DPs em geradores, particularmente
em bobinas estatricas. Foram implementadas diversas combinaes do posicionamento
dos capacitores (para alta tenso) de acoplamento. Tambm se realizam a alocao de
barras com defeito (chamados tambm modelos experimentais) em posies diferentes
do enrolamento, nveis de tenso aplicada e variadas faixas de freqncia de medio.
Outros complementos e arranjos so mostrados na Figura 3.2, onde cada fase do estator
constituda por um conjunto de espiras que por sua vez so compostas por barras. Para
efeitos de deteco de DPs faz-se um percurso exclusivamente por espiras cujos
terminais estejam disponveis para medio.

Figura 3.2 Enrolamento estatrico, onde cada fase constitudo por um conjunto de barras.
3.2 Medio de Descargas Parciais Atravs de Modelos
A deteco de DPs um dos meios altamente solicitados para testar a
confiabilidade dos equipamentos de alta tenso, como geradores e transformadores.
Medio de DPs uma das mais importantes ferramentas para detectar imperfeies nos
isolamentos, sendo indicador de formao de cavidades gasosas na isolao dos
equipamentos. Porm esta dificultada por interferncias e rudos externos e internos
no equipamento alm da complexidade de seus circuitos, altamente indutivos e/ou
capacitivos. Estas caractersticas afetam os sinais de DPs, contribuindo na sua
deformao e atenuao. Os rudos se propagam facilmente atravs dos equipamentos
por conduo e/ou irradiao tendo, s vezes, amplitudes maiores que os sinais de DPs
[32].
Na atualidade a instrumentao de medio para DPs tende a ser mais sofisticada.
Baseados nos processamentos de sinais digitais estes instrumentos permitem um melhor
controle de filtros e threads, diminuem alguns casos de rudos e permitem ter maior
Captulo 3 Modelos Experimentais
37
capacidade de registro dos sinais e melhor controle de variveis por meio de ajustes dos
parmetros de medio.

Figura 3.3 Mapas digitais de DPs obtidos pelo ICM: (a) DPs em 3-D ) , , ( N q f e (b) Mapa 2-D
) , ( q H .
O instrumento de medio ICM, da Power Diagnostix Systems, utilizado para os
ensaios praticados nesta tese, emprega a tcnica de medio de carga aparente,
especificada na norma IEC 60270 [6]. Os procedimentos de medio e calibrao do
equipamento esto descritos em [36], [37]. O ICM tem a particularidade de relacionar o
ngulo de fase, a amplitude e taxa de repetio ) , , ( N q em forma de mapas de
assinaturas das DPs dispostas em 2-D (bidimensional), onde as descargas so
referenciadas e distribudas angularmente sob a tenso aplicada, as amplitudes (q) so
picos mximos dos pulsos de descarga atingida em janelas ajustveis (5 s a 6 ms) de
registro em tempos tais como de 20 s (usualmente) e a taxa de repetio (N) foi
codificada em cores normalizadas (ver Figura 3.3 a e b).
Os mapas digitais ) , , ( N q so tambm chamados de PRPHA Phase Resolved
Pulse Height Analyzer segundo [19].
3.3 Modelagem de Defeitos Tpicos
3.3.1 Clula Teste de Ensaio
As medies realizadas neste projeto foram feitas, na sua maioria, utilizando
clulas experimentais de ensaio, desenvolvidas no CEPEL. Essas clulas so inseridas
no circuito de medio no lugar do objeto sob ensaio, considerando que o fenmeno de
DPs que ocorre nas clulas ocorreria em um equipamento real. Isto , cada clula est
associada fisicamente e quimicamente (conhecimento a priori) a uma ou mais partes
internas do equipamento [32].
3.3 Modelagem de Defeitos Tpicos
38

(a)

(b)

(c)

Figura 3.4 Clulas de ensaio para medies de DPs reais. a) Ponta flutuante b) Ponta plana c)
Ponta terra.
As clulas foram construdas a partir de uma configurao terica e livre de
influencias externas (interferncias bloqueadas) para fins de pesquisa, sendo de forma
cilndrica, de vidro e de material acrlico translcido. Para gerao de pulsos de corrente
e maior concentrao de carga, foram utilizados eletrodos de agulha de ao de 1 a 2 mm
de dimetro e raio de curvatura de ponta de 50 m. A distncia entre os eletrodos de
descarga de 5 a 15 mm.
As clulas de ensaio (ver Figura 3.4) foram configuradas para isolar possveis
defeitos que possam ocorrer num transformador de potncia, sendo denominados como
em [32]:
Clula ponta flutuante Esta configurao representa descargas induzidas
envolvendo o enrolamento de alta tenso ou de baixa tenso do transformador e
descargas entre camadas de bobinas.
Clula ponta plana - Descargas no eletrodo de alta tenso representam descargas
envolvendo sadas em alta tenso, algum objeto condutor flutuante ou na bucha do
transformador, mau contato nos conectores de alta tenso ou nos enrolamentos do
transformador.
Clula ponta terra Esta clula representa descargas entre a bucha e o tanque
aterrado do transformador ou entre a bobina de alta ou baixa tenso e o ncleo. Tambm
pode envolver grampos de fixao e conectores.
3.3.2 Barras de Prova
Foram preparadas algumas amostras de barras de aproximadamente um metro de
comprimento cada, nas quais foram provocados defeitos caractersticos e conhecidos
39
com a finalidade de reproduzirem DPs localizadas. Alguns destes so mostrados na
Figura 3.5 e denominados como:
Barra 1 (slot) descargas de ranhura
Barra 2 (corona) corona na cabea de bobina (endwinding)
Barra 3 (delaminao) delaminao (internal void of the ground wall
insulation)
Algumas variantes foram realizadas conseguindo at oito fontes de sinais de DPs,
as quais sero descritos na seo de processamento de sinais de DPs.
As barras de prova representam defeitos reduzidos (Ver Figura 3.5), visto que
estes possuem localizao a priori e so fontes de descarga que representam o
fenmeno com a melhor relao-sinal-rudo possvel. Isto , algumas fontes de rudo
tpicos em medio foram filtradas e/ou eliminadas por ajuste e calibrao dos
acopladores de medio. No entanto, as verdadeiras magnitudes de DPs ainda no so
consolidadas, j que ainda existem outras fontes de rudos, conduzidas e acoplantes, que
podem ser inseridas pela superposio de pulsos e at pelos conversores
analgico/digital do instrumento medio.

Figura 3.5 Modelos experimentais por barras de prova para reproduzir defeitos tpicos no
enrolamento estatrico de geradores.

A montagem do circuito de medio de DPs off-line em geradores realizada
quando o gerador retirado do servio e aps o desligamento do sistema de
resfriamento. Segundo a Figura 3.6 a montagem feita no campo. Antes de efetuar os
ensaios de medio realizada uma rigorosa busca da melhor relao sinal rudo
auxiliado pela calibrao dos acopladores de medio e de um analisador de espetros.
Assim, possvel ter a melhor resposta em freqncia do circuito de medio e do
material isolante envolvido.
3.4 Calibrao do Circuito de Ensaio
40

Figura 3.6 Montagem de barra de prova e dos capacitores de acoplamento.

O sistema de medio de DPs detecta a carga medida (q
m
), que, dependendo do
valor do capacitor de acoplamento, somente uma frao da carga aparente. Como
medida para ajustar as diferenas entre a carga medida e a carga aparente, feita uma
calibrao no circuito de ensaio. O processo de calibrao, que essencial para uma
medio correta de DPs, deve ser repetido para cada configurao do circuito de ensaio
ou quando for efetuada alguma mudana nos parmetros desse circuito.
O gerador de calibrao (GC) pode ser implementado como um elemento
integrado ao instrumento de medio ou como uma unidade independente operada a
bateria. No caso mais simples, o GC um gerador de onda quadrada com amplitude
ajustvel V
0
e emite pulsos de calibrao de carga q
0
com uma magnitude definida
atravs de um capacitor C
0
, que muito menor que a capacitncia do objeto sob ensaio
(Ct). A carga q
0
definida pela Equao (3.1).
0 0 0
q V C = (3.1)
Os pulsos de calibrao devem ser sincronizados com a freqncia da fonte de
tenso para que se obtenha uma posio estacionria dos mesmos.
O tempo de subida deve estar na faixa de 50 a 100 ns para assegurar que os pulsos
tenham um espectro de freqncia similar aos pulsos de DP originais. O circuito de
calibrao pode ser visto na Figura 3.7 .
41

Figura 3.7 Diagrama do circuito de ensaio e calibrao [17], [43], Ck capacitor de acoplamento.

No mtodo da calibrao direta, os pulsos com a carga q
0
so inseridos no objeto
sob ensaio, ou seja, no circuito de alta tenso. A leitura do instrumento de medio deve
ser calibrada para o valor de q
0
para que durante a medio de DPs, os valores sejam
exatamente iguais carga aparente q. importante remover o gerador de calibrao do
circuito de ensaio antes que a fonte de alta tenso seja ligada ao circuito.
No mtodo de calibrao indireta, os pulsos de calibrao so inseridos na
impedncia de medio Zm. Como no h a necessidade de tirar o gerador de calibrao
do circuito, este tipo de calibrao pode ser feito durante o ensaio de alta tenso e isso
permite uma viso simultnea dos pulsos de calibrao e dos sinais de descarga que
esto sendo medidos.
Para assegurar uma calibrao correta, recomendado pela norma IEC-60270, deve
ser feita a calibrao direta no incio da medio, para qualquer configurao do circuito
de ensaio. Na prtica, feita a calibrao direta, injetando uma carga q
0
diretamente nos
terminais do objeto sob ensaio.
Calibraes descritas na norma IEC-60270 de descarga parcial no aplicvel
diretamente a geradores, visto que um enrolamento estatrico ntegro no pode ser
tratado como uma capacitncia concentrada.
Quando os pulsos de descarga parcial se propagam atravs do enrolamento
estatrico, estes podem sofrer forte atenuao, particularmente em altas freqncias
causando sua ressonncia. Os pulsos de DPs ocorrem realmente em alguma parte do
enrolamento estatrico, porm so medidos e calibrados nos terminais da mquina.
Portanto, os pulsos de DPs podem ter amplitudes e formas de ondas diferentes dos
pulsos originais. Como conseqncia difcil precisar o levantamento da chamada
"condio de isolao estatrica", usando apenas as amplitudes de DPs.
42
Os medidores de DPs encontrados comercialmente tm variadas larguras de banda
e diferentes centros de freqncia. Conseqentemente produzem diferentes sadas de
descarga parcial para um mesmo evento de medio de DPs.
Contudo, ciente destas observaes, as medies so realizadas em circuitos
independentes do gerador para fins de ajuste e calibrao do circuito de ensaio e
aparelhagem. Ou seja, nesta etapa realizada a verificao do efeito das capacitncias
tanto nos acopladores de medio quanto no objeto alvo de ensaio. Aps isso,
realizado um conjunto de medies para cada defeito tpico.
Defeitos tpicos ao longo da fase C do enrolamento estatrico do gerador podem
ser encontrados na referncia [35], [90].

Captulo 4

Pesquisas Anteriores e Classificadores Inteligentes
em DPs
Com o intuito de atender ao problema de interferncias introduzidas, no contexto
das DPs na Seo 2.9, neste Captulo da dissertao se realiza uma breve reviso dos
classificadores inteligentes introduzidos em pesquisas anteriores, assim como em [32],
[38] e em alguns recentes artigos que foram desenvolvidos no andamento da tese [3],
[39]. Deste modo, alguns destes resultados sero utilizados para avaliar o desempenho
dos caracterizadores dos sinais de DPs que sero descritos no Captulo 5.
4.1 Princpios de Reconhecimento de Padres
O tratamento da informao depende da natureza, quantidade e qualidade dos
dados, que em sua maioria so incertos. Uma das tcnicas desenvolvidas a fim de
entender os problemas de incertezas e ambigidades, buscando a forma mais prxima
possvel da realidade, a identificao ou descobrimento de padres de dados que
guardem certas relaes comparativas de igualdade ou similaridade entre eles. Assim,
fazer reconhecimento de padres significa realizar pesquisa de estrutura de dados [40].
As metodologias utilizadas para esquemas de reconhecimento, em DPs,
incluem classificadores, aproximaes estatsticas (estimadores e probabilidade), teoria
dos conjuntos fuzzy, perceptrons (rede neural) e outras variantes, e tcnicas de
compactao de dados.
Os dados coletados geralmente podem ser transformados em valores numricos,
os quais podem ser dispostos em vetores padro ou em pares relacionais (similaridades
e proximidades); de modo que, sejam quantificados, qualificados ou caracterizados por
um reconhecedor de padres, por exemplo.
As medies de similaridade definem uma medida da distncia geomtrica ou
fsica dos dados. Estas medidas tm sido exploradas em diversos algoritmos que
enriquecem tcnicas e/ou mtodos classificadores, discriminadores e reconhecedores de
4.2 Classificadores e Reconhecimento de Padres Inteligentes
44
padres: caracterizadores estatsticos de sinais (ex.: filtros, PCA, ICA), Redes Neurais
(ex.: NLPCA, ICA) [5], [41], Hbridos Neuro-Fuzzy (ManFis) [38] e Lgica Fuzzy,
onde os dados so interpretados como variveis lingsticas.
Por conseguinte, na atualidade existem variadas tcnicas para processamento e
anlise da informao dos sinais de DPs. No entanto, nem todas so aplicveis para o
mesmo fenmeno [32]. Logo, uma adequada anlise caracterstica em DPs depender de
quanto da sua natureza se conhece, alm da quantidade e qualidade dos dados
coletados.
Em muitos casos, os dados apresentam natureza incerta, o que dificulta sua
anlise e exige melhores algoritmos, mais robustos e flexveis, para processar a
informao que, na maioria dos casos, altamente complexo, proveniente de sinais
ultra-rpidos e intermitentes.
Uma coleo de dados obtidos por sistemas de medio est sujeita s incertezas
como rudos trmicos em componentes eletrnicos e nos transdutores que tm a tarefa
de fazer a converso fsico-qumica em eltrica. Ou seja, uma boa aquisio de dados
depende tambm dos equipamentos de medio, de sua calibrao e sensibilidade.
As Redes Neurais Artificiais (RNA) foram utilizadas para reconhecer padres de
DPs, tendo desempenhos extraordinrios frente s tcnicas holonmicas e estatsticas.
Quando hibridizadas com um Sistema de Inferncia Neuro-Fuzzy adaptativo de
Mamdani (MANFIS) [42], formam um classificador de padres de DPs eficiente. Por
outro, lado Simulated Annealing (SA), qualificado como um bom otimizador estvel,
foi hibridizado com o MANFIS e, este por sua vez foi hibridizado com um Algoritmo
Gentico (AG) [39]. Dessa forma, os benefcios de cada tcnica foram aproveitados
para trazer melhores desempenhos na caracterizao dos sinais de DPs.
4.2.1 Redes Neurais Artificiais
Redes Neurais so tcnicas computacionais que apresentam um modelo
matemtico inspirado na estrutura neural de organismos inteligentes e que adquirem
conhecimento atravs da experincia [43], [44]. As Redes Neurais Artificiais (RNA)
representam uma ferramenta poderosa e j com plena aplicao em inmeras reas. Elas
tm a capacidade de realizar mapeamentos complexos e de aprender uma representao
sem o conhecimento explcito do algoritmo que as rege.
Captulo 4 Pesquisas Anteriores e Classificadores Inteligentes em DPs
45
Uma Rede Neural Artificial composta por vrias unidades de processamento,
cujo funcionamento bastante simples. Essas unidades, geralmente, so conectadas por
canais de comunicao que esto associados a um determinado peso. As unidades fazem
operaes apenas sobre seus dados locais, que so entradas recebidas pelas suas
conexes. O comportamento inteligente de uma Rede Neural Artificial vem das
interaes entre as unidades de processamento da rede [43].
A maioria dos modelos de RNAs possui alguma regra de treinamento, onde os
pesos de suas conexes so ajustados de acordo com os padres apresentados. Em
outras palavras, elas aprendem atravs de exemplos.
Arquiteturas neurais so tipicamente organizadas em camadas, como Multilayer
Perceptron (MLP), de acordo com a Figura 4.1, com unidades que podem estar
conectadas s unidades da camada posterior. Porm, a conexo de uma unidade de
processamento com outra que pertence a uma camada diferente pode dar-se. Este ltimo
uma arquitetura artesanal construda por otimizador artificial, tal como AGs, por
exemplo.

Figura 4.1 Rede neural artificial

Uma das RNA utilizadas para identificao de classes de fontes de DPs simples,
baseada na retropropagao do erro de sada e uma combinao de funes linear e
tangente hiperblica, organizadas em uma rede de trs camadas. Esta rede amplamente
descrita na referncia [32].
Para facilitar a nomenclatura tpica adota-se rede neuronal como rede neural
artificial e unidades de processamento como neurnios.

46
4.2.2 Hbridos Neuro-Fuzzy (MANFIS)

H vrias formas de se definir sistemas hbridos. De uma forma simples, sistemas
hbridos so aqueles que utilizam mais de uma tcnica de identificao de sistemas para
a soluo de um problema [32]. Existem vrios sistemas hbridos, sendo abordados
nesta pesquisa apenas o Sistema Neuro-Fuzzy de Mandami. Este modelo pode
apresentar grandes vantagens em relao s tcnicas de identificao de sistemas
individuais (por exemplo, redes neurais, sistemas fuzzy), pois tem a capacidade de
interpretao, aprendizado, estimao de parmetros e generalizao.
Neuro-Fuzzy combina a capacidade de aprendizado das Redes Neurais Artificiais
(RNA) [38] com o poder de interpretao lingstico dos Sistemas de Inferncia Fuzzy
(SIF) [43]. Tal fato deve-se principalmente unio dos seguintes fatores: a)
aplicabilidade dos algoritmos padres de aprendizado, desenvolvidos para redes neurais,
b) possibilidade de promover a integrao de conhecimentos e c) possibilidade de
extrao de conhecimentos, sob o formato de regras fuzzy, a partir de um conjunto de
dados. Alm disso, pode-se incorporar informao adicional do especialista atravs de
variveis lingsticas.
A idia bsica de um Sistema Neuro-Fuzzy implementar um SIF numa
arquitetura paralela distribuda de tal forma que os paradigmas de aprendizado comuns
s RNAs possam ser aproveitados nesta arquitetura hbrida [39], [45]. A pesquisa na
rea dos Sistemas Neuro-Fuzzy busca, portanto, a maximizao das propriedades
desejveis das RNA e SIF e a minimizao de suas limitaes/deficincias.
O MANFIS (Mamdani Adaptive Neuro-Fuzzy Inference System) [38], mostrado
na Figura 4.2, foi implementado para fazer o reconhecimento de DPs. Este um
Sistema Neuro-Fuzzy Hbrido, onde foi implementado um sistema fuzzy numa estrutura
de rede neural, baseado nas regras de inferncia de Mamdani. Esse modelo possibilita
uma grande reduo do esforo computacional atravs de um pr-processamento fuzzy
dos dados de entrada. Aps este estgio, possvel determinar os conseqentes de todas
as regras fuzzy, diretamente extradas do banco de dados. Portanto, o MANFIS
baseado num sistema de inferncia fuzzy e o processo adaptativo iniciado aps todas
as condies fuzzy estarem completamente estabelecidas [32] [ 38].
47

x
y
z
Fuzzificador
Regras Fuzzy Conseqentes
Fuzzy
Defuzzificador

Figura 4.2 - Sistema Hbrido Neuro-Fuzzy MANFIS

A Funo de ativao bellshape caracterizada pela funo de pertinncia (g),
conforme equao:

2
1
( , , , )
1
b
x a b c
x c
a
=
+
(4.1)
onde o valor da funo (g) definido na faixa de {0-1}, c o centro da funo
bellshape, a o ponto de cruzamento, b define a funo steepness (b/2a a inclinao
da funo bellshape em x= c-a) e x representa alguma varivel de entrada no n.
De acordo com a Figura 4.2, as bellshapes das camadas fuzzificador e de
conseqentes determinam a funo de sada do defuzzificador na (varivel z) com um
erro de sada. Os parmetros a, b, c e cz variam a cada iterao at chegarem a um
equilibro e no se deslocarem mais [38].
Outra caracterstica importante do MANFIS que nem todos os neurnios de uma
camada esto conectados e estas sinapses servem exclusivamente de conexo unitria,
ou seja, os pesos de cada conexo no so atualizados pela retropropagao do erro. S
os parmetros de cada Bellshape so atualizados a cada iterao do algoritmo, motivo
pelo qual se denomina processo adaptativo.
4.2.3 Simulated Annealing em DPs
Simulated Annealing uma ferramenta poderosa para problemas de otimizao,
utilizada em casos de enorme complexidade. Foi introduzida por Metropolis [40], [46],
como um mtodo de se determinar propriedades fsico-qumicas relacionadas a um
grupo de tomos em transio para o equilbrio trmico. Mais a frente Kirkpatrick [40]
48
tornou explcito o conceito de esquema de resfriamento. J Geman e Geman [47], [39]
implementaram limite inferior para a velocidade de queda de temperatura na condio
de garantir a convergncia do algoritmo para um mnimo global.
O processo de Metropolis constitudo basicamente em duas etapas. Na primeira
procede-se elevao inicial da temperatura a um estado de energia mxima e, na
segunda, verifica-se o seu abaixamento sucessivo e suficientemente lento para que as
partculas do sistema se combinem de forma a atingirem o estado de energia mnima,
isto , de tal forma que seja atingido o equilbrio trmico.
A simulao da evoluo das solues baseada em tcnicas de Monte Carlo e na
gerao de estados sucessivos. Supe-se, como ponto de partida, um estado possuindo
energia E
i
a partir do qual, recorrendo a um mecanismo apropriado, gerado um outro
estado com energia E
j
. Se a diferena de energias E
j
E
i
for inferior ou igual a zero o
novo estado aceito como estado atual. Se a condio anterior no se verificar, o novo
estado poder ser ainda aceito com uma probabilidade funo da diferena de energias,
entre estados sucessivos da temperatura do banho. A expresso (4.2) apresenta o
processo de calculo dessa probabilidade:

( )
( )
j i
B
E E
K T
p e

= (4.2)
onde, T a Temperatura e K
B
a constante de Boltzmann.
A Figura 4.3 mostra o processo de resfriamento utilizando aleatoriedade,
governada por um parmetro de controle ou temperatura T(k) para buscar um espao
discreto para um mnimo de uma funo de energia E(k).
Inicio
Fim

Figura 4.3 Simulated annealing estocstico de uma funo de energia [40]
49
4.2.4 Simulated Annealing e MANFIS
O MANFIS, com trs conjuntos fuzzy, obteve bons resultados na aproximao da
funo (verificar mais a frente), mas no chagou a apresentar o melhor resultado.
Pretende-se melhorar este resultado utilizando Simulated Annealing.
O MANFIS, com maior nmero de conjuntos fuzzy, cai no problema tradicional
do custo computacional para resolver este problema. Neste caso, implementou-se com
apenas trs conjuntos fuzzy por varivel x e y, respectivamente, e com nove regras
adaptativas a sada do sistema, varivel z. Alguns patamares da funo no tiveram boa
aproximao, devido resoluo dos conjuntos fuzzy. Um dos propsitos deste trabalho
consiste em resgatar o resultado achado por qualquer tcnica usada e otimiz-la
adotando uma funo de minimizao como objetivo.
Ferramentas comuns usam gradiente descendente para achar o mnimo de suas
funes-objetivo (valor esperado) e tm grande chance de ficar presas e convergir para
mnimos locais. Simulated Annealing assegura a convergncia para o mnimo global,
desde que se faa uma boa escolha e assunes das condies iniciais e taxas de
resfriamento adequadas.
4.2.5 Algoritmos Genticos e MANFIS em DPs
Devido necessidade de se procurar as melhores respostas, diversas ferramentas
foram desenvolvidas com o objetivo de otimizar resultados ou encontrar respostas com
timo global. Diversos mtodos de busca tm sido desenvolvidos baseados em
processos naturais e fsicos. Entre os mais usuais esto os Algoritmos genticos e
Simulated Annealing.
Algoritmos genticos (AGs) so mtodos estocsticos de busca que emulam
teorias evolucionrias biolgicas para resolver problemas de otimizao. Diversos
trabalhos sobre Simulated Annealing citam vantagens desse mtodo sobre os AGs, e
vice-versa. evidente que certos algoritmos adaptam-se melhor do que outros a
determinados problemas, e isso contribui para acalorar essa discusso.
Os AGs se caracterizam por sua flexibilidade e facilidade de paralelizao e, as
vantagens atribudas aos algoritmos de Simulated Annealing so sua melhor
fundamentao analtica que permite um maior controle sobre as caractersticas do
algoritmo e, principalmente, a existncia de uma prova de convergncia em
probabilidade. Entretanto, os AGs so a mais utilizadas para administrar problemas de
50
descontinuidade, no diferncivel, multimodais e no convexos. AGs podem conviver
com estes problemas [40]. [48].
Os AGs se adaptam mais naturalmente aos problemas de otimizao
combinatria, devido a sua natureza intrnseca discreta. J os algoritmos por Simulated
Annealing se adequam com menor esforo em problemas contnuos [46], [47].
Montagem de um Algoritmo Gentico
- Representao gentica das solues viveis do problema.
- Determinao de uma populao inicial de cromossomos.
- Definio da funo de avaliao dos cromossomos.
- Definio dos operadores genticos eficazes na reproduo de novos
cromossomos.
- Definio dos parmetros que compreendem o tamanho da populao, critrios
evolutivos, estagnao, parada, etc.
Implementao de AGs no MANFIS
O MANFIS adapta seus parmetros (a, b e c), Equao (4.1), usando gradiente
descendente na condio de garantir um mnimo valor para seu desempenho. Esta
estrutura faz com que o MANFIS dependa das derivadas parciais de seus parmetros
que podem cair em timos locais. Assim, para contornar estes inconvenientes, os AGs
podem atuar como um otimizador natural, eliminando o efeito das derivadas e das
possveis descontinuidades das funes caractersticas.

Captulo 5

Caracterizadores de Sinais e Tratamento de Rudos
Os rudos e a grande dimenso dos dados coletados so um forte obstculo para a
implementao eficiente de tcnicas de classificao, discriminao e reconhecimento
de padres em DPs. Na maioria dos casos, necessrio um pr-processamento, baseado
em tcnicas de compactao da dimenso dos dados de DPs. Para tal procedimento,
utiliza-se nesta dissertao a Anlise de Componentes Principais (PCA) de Karhunen-
Love [40], [49], [50]. O PCA permite resgatar as informaes mais relevantes e
diminuir o esforo computacional das tcnicas aplicadas. Vale lembrar que, existem
outras tcnicas PCAs para a mesma finalidade, sendo que algumas destas tambm sero
alvos de pesquisa para o desenvolvimento desta tese.
Para caracterizar os sinais, reduzindo os rudos em DPs, empregam-se Filtros
Casados (MF-Matched Filter), [52] e classificador neural, como uma tcnica de
processamento de sinais hbridos. Os MFs so baseados na tcnica de filtragem tima
linear, maximizando a relao sinal-rudo, onde o sinal discriminado atravs de sua
mdia espelhada (geralmente para sinais determinsticos) [51] e o classificador neural,
caracterizado por sua robustez, realiza a discriminao das flutuaes do sinal (DPs
como sinal estocstico) [118].
Outra maneira de lidar com os obstculos mencionados acima a introduo de
tcnicas mais especializadas, baseadas na separao cega de fontes (BSS) e na anlise
de componentes independentes (ICA) [120].
O que proposto neste Captulo a integrao destas tcnicas num sistema
caracterizador. Assim, pretende-se caracterizar os sinais fontes, na fase de ps-deteco
de DPs, isto , a partir da informao crua (dados coletados) para produzir dados
consolidados.
Descrevem-se a seguir as principais tcnicas e mtodos aplicados e analisados
nesta pesquisa, enfatizando a anlise de componentes principais, separao cega de
fontes e a anlise de componentes independentes.
5.2 Compactao de Dados por Fatores Principais
52
5.1 Pr-Processamento de Dados em DPs
O banco de dados coletado pelo equipamento de medio composto por
sinais de descargas parciais provenientes dos modelos de ensaio: trs clulas de ensaio e
barras de prova. O equipamento de medio de descargas parciais ICM fornece os dados
de medio em cdigo binrio na forma de mapa bidimensional distribudo, de acordo
com cdigos de cores (ver Figura 3.3). Estes dados so convenientemente convertidos
em bases decimais e normalizados de acordo com a maior amplitude alcanada por um
pulso.
O problema inerente de um sistema de classificao o tamanho do padro
representado pela densidade de distribuio ngulo-amplitude, que uma matriz inicial
que tem 2
16
elementos, a qual no apropriada para alimentar um classificador ou
discriminador em um sistema de reconhecimento de padres. Os dados devem ser
compactados e convertidos em uma representao conveniente para seu
reconhecimento, processo este denominado seleo de caracterstica [40]. A matriz
primitiva de dimenso 256x256 (ver Figura 3.3b) a representao de um padro de
DP, pode ser disposta, sem perdas importantes de generalidades, em uma matriz
reduzida por vrias modalidades de resoluo. Entre elas pode-se utilizar, por exemplo,
janelas de 8x8 das 256
2
para gerar uma nova matriz de 64x64 (256/4 64x64). Outras
redues de escala, tais como 32x32 (256/8 32x32), 16x16 (256/16 16x16) ou 8x8
(256/32 8x8) [8] tambm podem ser utilizadas desde que as perdas no sejam
significativas.
A modalidade empregada para a seleo caracterstica, nesta dissertao, a
matriz reduzida 32x32, pois a resoluo de 1024 amostras a reduo mnima suficiente
para utilizar em algoritmos e tcnicas. Aps essa seleo de caracterstica, aplicada
anlise de componentes principais (PCA), para extrair informaes relevantes, processo
conhecido como extrao caracterstica [73].
5.2 Compactao de Dados por Fatores Principais
PCA talvez uma das mais bem conhecidas tcnicas em anlise multivarivel e
em minerao de dados. Ela foi introduzida por Pearson, que a utilizou num contexto
biolgico e, logo desenvolvida por Hotelling com trabalhos feitos em psicometria. PCA
foi tambm desenvolvida por Karhunen no contexto da teoria de probabilidade e foi
subsequentemente generalizada por Love. Recentemente, eficientes e poderosos
algoritmos adaptativos tm sido desenvolvidos por PCA, SVD e MCA e suas extenses
Captulo 5 Caracterizadores de Sinais e Tratamento de Rudos
53
[40], [44], [53]. Ao mesmo tempo, algoritmos como PCA Robusto (RPCA) [53], PCA
Probabilstico (PPCA) [40], Kernel PCA (KPCA) [49], [54], PCA no-linear (NLPCA)
[41] e Fator de Anlise no-linear (NFA) [55], [49], [61] enriquecem o vasto grupo de
tcnicas, as quais podem ser encontradas em diversas em aplicaes [56] [57], [58],
[59].
As tcnicas citadas acima, alm das aplicaes tradicionais, tambm so utilizadas
com freqncia como mtodos de pr-branqueamento de sinais de fontes ruidosas.
Adicionalmente, a separao cega de fontes (BSS) e a anlise de componentes
independentes (ICA) freqentemente aplicam uma anlise PCA ou FA como uma etapa
de pr-processamento, devido s seguintes propriedades:
- Ajuda a filtrar o possvel rudo gaussiano contido nos sinais fonte.
- Permite descorrelacionar os sinais fonte com o propsito de branque-las.
- Permite compactar a informao, no sentido de otimizar o erro mdio
quadrtico. Transforma um espao de dados de uma determinada dimenso para um
espao caracterstico de menor dimenso.
- Permite realizar a separao de fontes com um PCA no linear.
- Permite identificar grupos de objetos ou outliers.
5.3 Anlise de Componentes Principais
A Anlise de Componentes Principais uma tcnica til para simplificar a
visualizao de agrupamentos ocultos num sistema ortogonal, que representa, de forma
reduzida, o espao completo das observaes [38], [44]. As direes principais,
expressos pelos componentes so tipicamente em nmero muito menor que a dimenso
original dos dados, o que permite uma compactao significativa destes com
preservao da informao original principal. Isso significa uma diminuio do esforo
computacional, j que permite utilizar arquiteturas menores das tcnicas
caracterizadoras. Assim, a implementao destas poder ser feita com dados para os
quais fenmenos menos relevantes no tenham uma influncia marcante no processo de
caracterizao do sinal [5].
No captulo anterior, se fez referncia s redes neurais como classificador e
reconhecedor de padres. Alm dessas, as redes neurais podem ter outras finalidades e
particularidades, como os algoritmos de aprendizado no-supervisionado. Estes se
organizam em certo sentido, tal que, eles podem detectar ou extrair: caractersticas teis,
regularidades, correlacionar ou separar dados/sinais ou, descorrelacionar alguns sinais
5.4 Introduo a Separao Cega de Fontes
54
com pequeno ou sem conhecimento a priori do resultado desejado [60]. No entanto, as
regras de aprendizado hebbiana normalizado e antihebbiana so, em particular,
meramente variantes de um algoritmo bsico no-supervisionado. Algoritmos de
aprendizado por componentes principais (PCA), decomposio pelo valor singular
(SVD) e anlise de componentes minoritrios (MCA) pertence a esta classe de regras
no supervisionadas. Nesta parte da tese faremos uma reviso do PCA utilizado como
compactador de dados das descargas parciais.
5.4 Introduo a Separao Cega de Fontes
Recentemente, Separao Cega de Fontes (BSS) por Anlise de Componentes
Independentes (ICA) tem recebido bastante ateno devido ao seu potencial e
aplicabilidade para emprego em diversas reas onde muitas tcnicas tradicionais no
conseguem ter bom desempenho devido suas restries inerentes.
Fazendo uma diviso arbitrria, pode-se dizer que existem duas tendncias de
pesquisa em ICA. Por um lado, o estudo de separao de fontes misturadas, observadas
num array de sensores tem sido um difcil e clssico problema de processamento de
sinais.
Um dos primeiros estudos nesta rea foi dado por Jutten, Herault e Guerin (1988)
onde eles propuseram um algoritmo adaptativo numa arquitetura de simples
retroalimentao [60]. A regra de aprendizado foi baseada numa aproximao
neuromimetic e, foi habilitada para separar de forma simultnea, fontes desconhecidas e
independentes. Esta aproximao tem sido explicada em diversos desenvolvimentos por
Jutten e Herault (1991), Comon (1991), Karhunen e Joutsensalo (1993), Cichocki e
Moszczynski (1992) e outros. Mais a frente, Comon (1994) [62] introduz o conceito de
anlise de componentes independentes e prope funes custo, relacionadas
minimizao da informao mtua entre os sensores [53].
Por outro lado, paralelamente ao estudo de separao cega de fontes tem sido
estudadas regras de aprendizado no-supervisionado em teoria da informao por
Linsker (1992), Becker e Hinton (1992) e outros. A idia foi maximizar a informao
mtua entre a entrada e sada de uma rede neural. Esta aproximao j tinha sido
estudada por Barlow (1961), relacionando a maximizao da informao com a reduo
da redundncia, estratgia proposta como uma codificao em neurnios. Cada neurnio
deve codificar caractersticas que so estatisticamente independentes com os outros
55
neurnios. Esta idia foi utilizada para a notao do cdigo fatorial que foi explorada
para estratgia de processamento visual por Attik (1992).
Nadal e Parga (1994) mostraram que no caso de baixo nvel de rudo, a
maximizao da informao entrada/sada de um processador neural implica que a
distribuio dos sinais de sada foi fatorada. Roth e Baram (1996) e Bell e Sejnowski
(1995) deduziram independentemente a regra de aprendizado pelo mtodo do gradiente
estocstico para critrios de maximizao e separao cega de fontes. Eles aplicaram
para previso de dados e series de tempo respectivamente.
Bell e Sejnowski (1995) foram um dos primeiros a explicar o problema de
separao cega de fontes, baseado na teoria da informao, aplicada para separar e
decompor a convoluo de fontes por mtodos adaptativos. Este mtodo mais
plausvel de uma perspectiva de processamento neural que as funes custo, baseadas
em cumulantes proposto por Comon. Um mtodo similar no neural para separao
cega de fontes foi proposto por Cardoso a Laheld (1996).
Outros algoritmos baseados em diversas aproximaes tm sido propostos: a
estimao da mxima semelhana aproximada proposta por Gaeta e Lacoume (1990),
maximizao da negentropia aproximada por Girolami e Fyfe (1996), algoritmo PCA
no linear desenvolvido por Karhunen e Joutsensalo (1994) e Oja (1995). Lee, Girolami
e Sejnowski (1997) propem um modelo unificado para o problema de separao cega
de fontes, explicando a relao entre os algoritmos. A otimizao da regra de
aprendizado foi proposta por Amari (1997) [53], [63] utilizando o conceito de gradiente
natural ou tambm chamado de gradiente relativo, proposto por Cardoso e Laheld
(1996).
O algoritmo proposto por Bell e Sejnowski (1995) foi confivel para fontes super
gaussianas. Para contornar esta limitao outras tcnicas tem sido desenvolvidas,
habilitadas para separar simultaneamente as fontes sub-gaussianas e super-gaussianas,
Perlmutter e Parra (1996).
Novos algoritmos foram introduzidos por Amari e Akuzawa (2001), baseados na
teoria Reimaniana, restries no-holonmicas e geometria diferencial. Eles
desenvolveram um ICA, que no requer pr-processamento, isto , o algoritmo
robusto frente a rudos de natureza gaussiana, exonerando as estatsticas de segunda
ordem e explorando apenas cumulantes de altas ordens, visto que o rudo gaussiano se
define com estatsticas de segunda ordem.
5.6 Fundamentos - Tcnicas de Caracterizao
56
5.5 Caracterizadores de Sinais em Fontes de DPs
O rudos inerentes aos equipamentos de alta tenso mencionados nos captulos
anteriores e os encontrados nos prprios componentes eletrnicos do instrumento de
medio, como nos cabos e transdutores, so influentes no processo de aquisio dos
sinais de DPs. Geralmente eles so tratados por implementao de filtros convencionais,
anexados ao circuito de medio (hardware) e tambm os sintonizveis introduzidos via
software. Destes h atualmente produtos comerciais, porm custosos e alguns no so
prticos [9], [91].
Outro enfoque para tratamento de rudos a remoo dos mesmos na fase de ps-
deteco das DPs nos dados coletados, que material de estudo desta pesquisa.
Para desenvolver um caracterizador hbrido MF-RNA importante conhecer os
princpios dos filtros timos que tm seus fundamentos na teoria de MF e RNA, descrita
no Captulo 4, a qual se emprega para qualificar o desempenho do filtro.
Outro caracterizador/classificador de DPs PCA e RNA. A tcnica de PCA
resumida a seguir.
Tambm a tcnica de Separao Cega de Fontes (BSS), por meio da Anlise de
Componentes Independentes (ICA) aplicada com os seguintes algoritmos: ICA no-
holonmico, JADE, Infomax e FastICA, seus fundamentos sero descritos a seguir.
5.6.1 PCA Linear
O PCA de Karhunen-Love [49], [53] uma das ferramentas clssicas para
anlise de dados com muitas variveis. Alm do PCA, outra tcnica semelhante a
Anlise de Fatores (FA) [64], [65]. Ambas so tcnicas estatsticas aplicadas a um
conjunto de dados para descobrir quais subconjuntos de variveis, dentro do conjunto,
formam grupos coerentes que so ortogonais entre si. A diferena entre PCA e FA se d
quando realizada a computao de matriz (ex.: covarincia). PCA assume que toda
varincia comum para todos os fatores, enquanto que FA assume que h uma nica
varincia. O nvel de nica varincia se d pelo modelo de FA escolhido.
Conseqentemente PCA considerado como um sistema fechado, contrariamente ao
FA, considerado como sistema aberto [65].

57
Fundamentos da Anlise de Componentes Principais
Suponha um vetor X com dimenso m. Assuma que este vetor tenha mdia zero,
ou seja, E[X]=0, onde E o operador estatstico de esperana. O vetor q unitrio,
tambm de dimenso m, no qual o vetor X ser projetado. Essa projeo definida pelo
produto interno de X e q, conforme Equao (5.1) a seguir,

T T
a = X q = q X (5.1)
sujeito condio:

( )
1
2
1,
T
= = q q q (5.2)
sob a suposio que o vetor X tem mdia zero, segue-se que o valor mdio da projeo
A zero tambm, ou seja,
[ ] [ ]
0
T
E E = = A q X .
A varincia de A conseqentemente a mesma de seu valor mdio quadrtico:

( )( )
2 2 T T
E E
= =

A q X X q

T T
E =

q XX q

2 T
= q Rq (5.3)
a matriz R
mxm
a matriz de auto-correlao do vetor X, formalmente definida como o
valor esperado do produto externo do vetor X com ele mesmo:
[ ],
T
E = R XX (5.4)
observa-se que a matriz R simtrica, ou seja:
,
T
= R R (5.5)
desta propriedade, segue-se que a e b so vetores quaisquer m 1 , logo:

T T
= a Rb b Ra (5.6)
Da Equao (5.3) vemos que a varincia
2
, da projeo A, uma funo do vetor
unitrio q,
( )
2
T

= = q q Rq (5.7)
A prxima questo a ser considerada encontrar os vetores unitrios q nos
quais (q) tem valores extremos e estacionrios (mximos e mnimos locais), sujeitos
condio da norma Euclidiana de q. A soluo deste problema est na estrutura da
matriz de correlao R. Se q um vetor unitrio de tal forma que a varincia teste (q)
tenha um valor extremo, logo para uma pequena variao q do vetor q, busca-se um q
de primeiro ordem,
58
( ) ( ) + = q q q (5.8)
Da definio da varincia (q) dada na Equao (5.7), temos:
( ) ( ) ( )
T
+ = + + q q q q R q q ( ) ( ) 2
T T
T
= + + q Rq q Rq q R q
onde, Equao 5.6 usada e o termo de segunda ordem ( )
T
q R q foi ignorado,
finalmente a Equao 5.7 foi utilizada, resultando:

( ) ( ) ( ) 2 ( ) 2
T T
T
+ = + = + q q q Rq q Rq q q Rq (5.9)
O uso das equaes (5.8) e (5.9) implicam que,
( ) 0
T
= q Rq (5.10)
Qualquer variao q de q no ser admissvel, ou melhor, restrito o uso de
perturbaes em que a norma Euclidiana do vetor q + q seja igual a um, ou seja,
1 + = q q , ou equivalentemente, ( ) ( ) 1
T
+ + = q q q q . Assim, tomando a Equao
5.2 , imprescindvel para restringir uma primeira ordem em q,
( ) 0
T
= q q (5.11)
A Equao 5.11, implica que a variao q deve ser ortogonal a q e por tanto
unicamente uma mudana na direo de q permitida.
Por conveno, os elementos dos vetores unitrios q so de menor dimenso no
sentido fsico. Se combinssemos as equaes (5.10) e (5.11), seria preciso introduzir
um fator de escala na equao subseqente com as mesmas dimenses da matriz de
correlao R. Assim, temos:
( ) ( ) 0
T
= q Rq q (5.12)
Para que a condio da Equao (5.12) seja mantida suficiente e necessrio
que:
= Rq q (5.13)
A Equao (5.13) representa a equao caracterstica, onde a correlao o
ncleo da transformao similar da forma contnua [49]. A partir desta equao,
podemos obter os autovalores que representam os valores prprios da matriz (l) e suas
projees ortogonais dadas pelos autovalores (ql). Assim,

j j j
= Rq q j = 1, 2,, m (5.14)
Os autovalores so arranjados em ordem decrescente,
59

1 2 m
> > > (5.15)
sendo
1
=
mxima
. Os autovalores utilizados para construir a matriz Q
mxm
so:

1 2
[ , , , , , ]
j m
q q q q = Q (5.16)
Podemos combinar as m equaes representadas na Equao (5.14) numa
simples equao:
= RQ Q (5.17)
Onde uma matriz diagonal definida pelos autovalores da matriz R:

1 2
[ , ,..., ,..., ]
j m
diag = (5.18)
A matriz Q uma matriz ortogonal no sentido de que os vetores coluna (ex.:
autovetores de R) satisfazem as condies de ortogonalidade:
{
1,
0,
T j i
i j j i
=
= q q
(5.19)
A Equao (5.19) requer autovalores distintos. Equivalentemente, podemos
escrever
T
= Q Q I , da qual deduzimos que o inverso da matriz Q igual a sua
transposta, conforme Equao (5.20) abaixo:

1 T
= Q Q (5.20)
Isso significa que a Equao (5.17) pode ser reescrita em uma forma
conhecida como a transformao ortogonal de similaridade,

T
= Q RQ (5.21)
Ou na forma expandida:
{
,
0,
j
k j
T
j k k j
=
= q Rq
(5.22)
A transformao ortogonal de similaridade (unitria) da Equao (5.21)
transforma a matriz de correlao R em uma matriz diagonal de autovalores. A matriz
de correlao R pode ser expressa em termos de seus autovalores e autovetores como:

1
m
T
i i i
i
=
=
R q q (5.23)
Resumem-se dois pontos importantes encontrados na estrutura de PCA,
conforme abaixo:
- Os autovetores da matriz de auto-correlao R pertencentes ao vetor X definem
os vetores unitrio q
j
, representando a principal direo ao longo da qual a varincia
(q
j
) tem seus valores extremos.
- Os autovalores definem os valores extremos da varincia (q
j
)
60
Resumindo, dado um vetor x, possvel reduzir a dimensionalidade do mesmo
atravs dos sistemas de equaes (5.24) abaixo, onde o vetor a
j
conhecido como o
vetor projeo dos componentes principais:

1 1
2 2
,
T
T
T
l l
a q
a q
x l m
a q

=

. .
(5.24)
5.6.2 PCA por Redes Neurais e PCA No Linear
As redes neurais utilizadas para a extrao de componentes principais foram
introduzidas por Oja (1982) [53], por meio de um simples neurnio linear e utilizando a
regra Hebbiana e modelo iterativo. Subseqentemente, surgiram estudos utilizando a
mesma estrutura para formar bancos de filtragem como os filtros PCA de Foldiak
(1988) [49] e foi implementada a regra Hebbiana generalizada numa rede neural para
extrair os primeiros k componentes principais. Entretanto, em 1985, Baldi e Hornik [41]
expem seu trabalho para extrao supervisionada de componentes. Eles utilizaram
redes neurais de duas camadas com neurnios lineares. Na dcada de 90 surgiram vrios
estudos, como os de Diamantaras e Kung (1996), batizando seu algoritmo adaptativo,
para extrao de componentes, de APEX, o qual se caracteriza por ter dois tipos de
conexes feedforward e lateral [49]. Segundo Edwar C Malthouse [66], este tipo de
conexo apresenta inconvenientes quando a conexo lateral suficientemente grande e
se torna impraticvel em dimenses elevadas [66], [67].
A anlise de componentes principais no lineares (NLPCA), utilizando redes
neurais autoassociativas, foi introduzida por Kramer (1991) [68] na rea de engenharia
qumica, apresentando uma estrutura de cinco camadas, desacoplvel para calcular os
componentes no lineares. A rede possui uma camada gargalo de ns para reduzir a
dimenso das variveis de entrada. A segunda e quarta camada da rede tem funes de
ativao no linear. Porm, este tipo de PCA apresenta limitaes, tal como uma baixa
eficincia quando modela no linearidades entre vaiveis. Isto , esta tcnica no pode
modelar curvas ou superfcies que se interceptam e modelar parametrizaes que
tenham descontinuidades.
Outro tipo PCA o Kernel PCA (KPCA) [54], que dilata por fatores exponenciais
a matriz de covarincia, entre outros modelos cujas variveis latentes podem ser
61
alargadas. A implementao deste algoritmo se torna invivel quando aplicado em
problemas de grandes dimenses, pois demandaria um custo encontrar os parmetros
necessrios para sua funcionalidade.

5.6.3 Filtros Casados
Existem vrias formas para executar o processo de deteco dos sinais de DPs.
Alm das tcnicas tradicionais em filtragem de rudos de fundo e dos recentes filtros
wavelets [69], [70], para supresso de rudos, tem-se utilizado parmetros estatsticos.
Entre as tcnicas que utilizam estes parmetros tem-se a mdia de pulsos utilizados em
algoritmos de semi-integrao dos sinais de DPs [6] e a mxima amplitude utilizada nos
detectores de picos dos instrumentos de medio (ex.:ICM) [37]. Porm, estas tcnicas
no so robustas, visto que, h vestgios e possibilidades da existncia de sinais de rudo
com energia similar ou prpria at maiores que os sinais de DPs. Assim o sinal de rudo
confundido com o sinal de DP, apesar do auxlio de filtros [36], [37].
Para contornar os problemas citados acima, introduzido como caracterizador de
sinais de DPs o Filtro Casado (MF). Este filtro baseado na teoria dos sistemas lineares
de filtragem tima [71] e [51], e sua caracterstica principal que, utiliza informaes
estatsticas e leva em considerao a forma (shape) do sinal na deteco do mesmo. E
com a ajuda de um limiar adaptativo, baseado em redes neurais, pode-se estruturar um
caracterizador de DPs em dados coletados e, pode-se estender para deteco de sinais
aps consolidar o aprendizado da rede neural. Nos seguintes pargrafos introduzem-se
alguns conceitos importantes de MF.
Deteco de rudos impulsivos por MF
Para a deteco de um sinal tipo pulso n(t) observado em um sinal s(t) adicional, o
sinal e pulso, pode ser modelado como:
[ ] [ ] [ ] [ ] t b t n t s t = + (5.25)
onde [.] denota para o tempo discreto, b[t] um indicador binrio que sinaliza a
presena ou ausncia de um rudo impulsivo. Utilizando o modelo da Equao (5.25), a
deteco de um sinal de rudo impulsivo pode ser considerada como a estimao da
condio do estado binrio (
[ ] b t ), do indicador de rudo b[t]. Os rudos impulsivos

podem ser detectados utilizando um modelo de rudo num filtro casado.
O produto interno de dois vetores de sinais fornece uma medida de similaridade
dos sinais. J que a filtragem basicamente uma operao de produto interno, isso
62
indica que, a sada de um filtro deve fornecer uma medida de similaridade do filtro de
entrada e sua resposta impulsional. O mtodo clssico para a deteco de um sinal
consiste na utilizao de um filtro cuja resposta impulsional casada com a forma do
sinal a ser detectado. O princpio de um filtro MF, para a deteco de um pulso n[t],
baseado na maximizao da amplitude de sada do filtro, quando a entrada contm o
pulso n[t]. O MF para a deteco de um pulso n[t], observado num sinal x[t] de fundo
definido como:

*
( )
( )
( )
XX
N f
H f K
P f
= (5.26)
onde ( )
XX
P f a potncia espectral de x[t] e
*
( ) N f o complexo conjugado do
espectro do rudo impulsivo. Quando o sinal x[t] um sinal descorrelacionado com
mdia igual a zero e varincia
2
x
, o MF para a deteco de rudos impulsivos s[t] se
torna:

*
2
( ) ( )
x
K
H f N f
= (5.27)
A resposta impulsional do MF correspondente Equao (5.27) dada por
[ ] [ - ] h t Cn T t = (5.28)
onde C o fator de escala dado por C=K/
2
x
. A sada de MF denotada por z[t]. A
resposta entrada de rudo pulsante, o filtro de sada dado pela relao de convoluo.
[ ] [- ]* [ ] z t Cn t n t = (5.29)
onde o * denota convoluo. No domnio da freqncia a Equao (5.29) se torna em
2
( ) ( ) ( ) ( ) . Z f N f H f c N f = = A sada, z[t], do MF passado por um limiar no-
linear, onde chaveada (deciso binria) a presena ou ausncia de um rudo impulsivo.

1 se [ ]
[ ]
0 Outros
z t Limiar
b t

=

(5.30)
Na Equao (5.30), quando a sada do MF excede um limiar, o detector sinaliza a
presena do sinal na entrada. A Figura 5.1 mostra um detector de pulsos composto de M
diferentes MFs. Ou seja, o detector de sinais em presena ou ausncia de um rudo
pulsante. Se um pulso est presente, ento a informao adicional fornece um tipo de
pulso, a mxima correlao cruzada entre a entrada e o modelo de rudo impulsivo, e
um atraso pode ser utilizado para alinhar o sinal de entrada (rudo) e o modelo do rudo.
63
Esta informao pode ser utilizada para subtrair o rudo impulsivo a partir do sinal
ruidoso.

D
e
t
e
c
t
o
r

d
e

m
x
i
m
a

c
o
r
r
e
l
a
o

Figura 5.1 Banco de filtros casados para deteco de rudos pulsantes [72]
5.6.4 Anlise de Componentes Independentes
Separao Cega de Fontes (BSS) e a Anlise de Componetes Independentes (ICA)
so tcnicas emergentes que tm por objetivo recuperar os sinais ou fontes no
observadas a partir dos dados coletados denominado de observaes ou misturas
observadas, explorando apenas algumas assunes, tal como a independncia mtua
entre os sinais. O adjetivo Cego (Blind) coloca em nfase o fato que: i) as fontes de
sinais no so observadas e ii) no h informao disponvel com respeito mistura.
Esta carncia, de haver um conhecimento a priori com respeito mistura, compensada
pela informao estatstica de ordem elevada. As vulnerabilidades destas assunes
fazem da BSS uma aproximao til para processamento dos sinais de DPs.
O ICA baseado na teoria estatstica, tendo como funo de contraste as
estatsticas de ordens superiores (cumulantes), Kurtosis e funes critrio. Um dos
mtodos importantes de ICA, o ICA no-holonmico, baseado na anlise de eventos
extremos nas bases de matrizes reais (manifold).
A divergncia de Kullback-Leibler, conhecida como Entropia Relativa, tem uso
na separao cega de fontes, servindo como funo-objetivo que ajuda a procurar a
independncia estatstica entre os dados.
Nesta parte da tese descrevem-se brevemente as tcnicas de separao cega de
fontes e a teoria bsica da anlise se componentes independentes. Posteriormente se
descreve, de maneira sucinta, trs dos mais importantes mtodos ICA: Infomax,
FastICA e JADE. Estes foram os algoritmos ICA utilizados, no Captulo 6, como
mtodos comparativos para caracterizar os sinais DPs. Finalmente, descrevem-se
64
algoritmos de separao cega quando as fontes de sinais de DPs esto contaminadas por
sinais fontes de rudos.
5.6.5 Separao Cega de Fontes
O modelo simples BSS, segundo a Figura 5.2, assume a existncia de n sinais
independentes
1
( ),..., ( )
n
s t s t e a observao das tais misturas
1
( ),..., ( )
m
x t x t . Estas
misturas so de tipo linear e instantneo, isto ,
1
( ) ( )
n
i ij j
j
x t a s t
=
=
para cada i =
1,...,m. Esta pode ser representada na forma compacta pela equao de mistura,
1
( )
( )
n
s t
s t

=

S .
1
( )
( )
n
y t
y t

= =

y S .
x

Figura 5.2 Modelo bsico BSS sem rudo. Sinais no observveis: S, observaes: X, sinais
fonte estimadas: y

( ) ( ) k k = x As (5.31)
onde o ndice t foi substitudo por k, de forma que represente um ndice
generalizado do sinal contnuo (t) ou discreto [ ] . Assim, [ ]
1
( ) ( ),..., ( )
T
n
k s k s k = s uma
coleo de sinais fonte, ( ) k x os m sinais observados e a matriz de mistura
n m
A
contm os n m coeficientes da mistura. O alvo do BSS consiste em recuperar os
vetores fonte ( ) k s utilizando apenas os dados observados ( ) k x , a assuno de
independncia entre fontes do vetor de entrada ( ) k s e, possivelmente, algum
conhecimento a priori com respeito distribuio de probabilidade das entradas. O BSS
pode ser formulado como a estimao da matriz de separao
m n
W , sendo a sada
( ) ( ), k k = y Wx (5.32)
uma estimativa dos sinais fonte.
O modelo bsico do BSS pode ser estendido considerando-se, por exemplo, mais
sensores que fontes e misturas ruidosas. Este, conforme a Figura 5.3, considera a
componente ( ) k como a coleo de sinais rudo que tm assunes de independncia
com o vetor de entrada ( ) k s . As relaes entre fontes, observaes e rudos se
apresentam na Equao (5.33).
65
( ) k s
( ) k
( ) k x
( ) k y
n m n

Figura 5.3 Modelo bsico do BSS instantneo linear com componente de rudo [53]

( ) ( ) ( ) k k k = + x As , ( 1) ( 1)
k
k k + = + y Wx (5.33)
Vrios princpios tm sido desenvolvidos em estatsticas, computao neural e
processamentos de sinais para resolver o problema BSS.

Os mtodos ICA, bsicos, podem ser divididos em duas principais categorias [73].
- Mtodos de segunda ordem. Estes mtodos tentam buscar o modelo de separao
matriz de separao utilizando apenas a informao contida na matriz de covarincia
do vetor de dados x. As tcnicas fundamentais mais conhecidas e empregadas nesta
categoria so PCA [49] e FA [64]. Pode-se dizer que, a finalidade dos mtodos de
segunda ordem buscar uma representao confivel dos dados no sentido de que o
erro de reconstruo dos dados, erro mdio quadrtico, atinja seu valor mnimo
possvel.
- Mtodos de ordem superior. Neste caso, tambm considerado que a
informao das distribuies de probabilidade relativas s fontes no estejam contidas
na matriz de covarincia. A distribuio de x no deve ser assumida como gaussiana,
visto que, se esse fosse o caso, toda a informao relativa a x estaria contida na matriz
de covarincia. Isso somente verdadeiro para variveis gaussianas que tenham mdia
zero. Dessa forma a utilizao das estatsticas de ordens superiores pode no ser til.
Exemplos deste tipo de mtodos so projection pursuit [55], [61], [74], [75] e
redundancy reduction (introduzido por Barlow 1961).
Para estimar o modelo de dados do ICA, o procedimento comum a formulao
de uma funo-objetivo F com o intuito de maximiz-la ou minimiza-la de acordo
com o enfoque de projeto. Assim, um algoritmo ICA pode ser decomposto em duas
partes: A definio de sua funo-objetivo ou funo contraste F e o algoritmo de
otimizao utilizado para maximizar/minimizar F. As propriedades de um mtodo ICA
dependem dessas duas partes. As propriedades estatsticas (ex.: consistncia, varincia
66
assinttica, robustez) dependem da escolha da funo-objetivo, enquanto as
propriedades algortmicas (ex.: velocidade de convergncia, requerimentos de memria,
etc.) dependem do algoritmo de otimizao. Funes de contrate tpicos em ICA e
algoritmos so descritos na seco 5.7.

Identificabilidade e ambigidade do modelo ICA
ICA, em princpio, explora a diversidade espacial, considerando que sensores
distintos recebam diferentes misturas das fontes originais. Desse modo, a aproximao
ICA para separao de fontes procura pela estrutura tima dos sinais atravs da
informao dos sensores e no por meio do tempo. Uma conseqncia de ignorar a
estrutura temporal dos sinais observados que a informao contida nos dados seja
inteiramente representada pela distribuio amostral do vetor de observaes x. Ento, o
BSS se torna um problema de identificao das distribuies de probabilidades das
observaes ( ) P = x Ws , dada uma distribuio amostral das fontes. Assim, o modelo
ICA estatstico tem dois componentes: A matriz de misturas A e as distribuies de
probabilidade das fontes s. Para a identificabilidade do modelo ICA sem rudo,
possvel considerar algumas restries:
- Independncia mtua das fontes. Se uma das fontes i= 1,...,n tem uma funo de
densidade de probabilidade (pdf), denotada q
i
(.), a assuno de independncia tem uma
simples expresso matemtica: a pdf q(s) do vetor fonte s

1 1
1
( ) ( ) ( ) ( ),
n
n n i i
i
q q s q s q s
=
= =
s (5.34)
isto , ela produto das densidades (marginal) de todas as fontes.
- Todas as componentes independentes s
i
, com a possvel exceo de uma
componente, devem ser no gaussianas. Para variveis aleatrias gaussianas simples
no-correlacionadas isto implica independncia e assim qualquer representao
descorrelacionada pode dar componentes independentes. Porm, se mais de uma das
componentes s
i
gaussiana, ainda assim possvel identificar os componentes
independentes no gaussianas, bem como as colunas correspondentes da matriz de
mistura.
- O nmero de misturas lineares observadas m deve se igual ou maior que o
nmero de componentes independentes n, isto , mn. Esta restrio no totalmente
necessria e pode ser superada utilizando ICA com bases supercompletas. [53].
67
- As colunas da matriz A devem ser de posto completo. Isto , estas colunas
devem ser linearmente independentes, de modo que a matriz A seja invertvel.
Se x e s so interpretados como processos estocsticos, surgem restries
adicionais, o que inclui a necessidade do processo ser estacionrio no sentido estrito.
Outras restries, como a ergoticidade, so tambm requeridas [50], [52]. Se o processo
estatisticamente independente (i.i.d) sobre o tempo, aqueles requerimentos so
cumpridos. Dessa forma, pode-se considerar o processo estocstico como uma varivel
randmica.

Indeterminaes no modelo ICA
- No possvel determinar as varincias (energias) das componentes
independentes. A razo que, o efeito de qualquer constante que multiplica um
componente pode ser cancelado pela diviso da correspondente coluna da matriz A pela
mesma constante.
- Devido indeterminao anterior, no possvel ter uma ordem para as
componentes independentes. No entanto, podem-se utilizar as normas das colunas da
matriz de mistura, que forneam as contribuies das componentes independentes para
as varincias das observaes, para ordenar s
i
segundo a norma descendente da
correspondente coluna de A.

Funes Objetivo em ICA
Podem-se diferenciar dois tipos de funes-objetivo, dependendo de como so
estimados os componentes independentes. A funo de contraste Multi-unit estima todas
as componentes independentes ao mesmo tempo, enquanto que, a funo de contraste
One-unit permite a estimao de uma simples componente independente
(procedimentos que so repetidos para buscarem vrios componentes). Entre estas se
podem citar a Negentropia e os cumulantes de ordens elevadas.
- Mxima Semelhana e infomax. O princpio da mxima semelhana (ML)
conduz a vrios contrastes que so expressos via a convergncia de Kullback-Leibler,
definida para duas distribuies de probabilidade f(s) e g(s) como:

( )
( ) ( ) log ,
( )
s
f s
f g f s ds
g s

K = (5.35)
e que pode ser entendido como uma mtrica estatstica de distncia que quantifica a
proximidade das duas distribuies.
68
A funo de contraste logaritmo da mxima semelhana (LML ou LMS), em
modelos ICA sem rudo, pode ser formulada como:

[ ] ( )
1
1
log ( ) | ,
T
ML
t
p x t A q
T
=
=

y (5.36)
onde x(t) o vetor de observaes na realizao t, A a matriz de separao e q a
distribuio do vetor fonte s. Simples clculos mostram que [76], [77]:
[ ]
T
ML
contante

+

y K y s (5.37)
E assim, o princpio ML tem associado uma funo de contraste
ML
=

K y s ,
isto , ML tenta buscar uma matriz A tal que a distribuio de A
-1
x seja a mais prximo
possvel (no sentido da divergncia de Kullback) para a distribuio em hiptese das
fontes.
O princpio do infomax prope uma funo contraste que maximize a entropia das
componentes independentes [63]:

[ ] [ ]
( )
IM
g y H y = (5.38)
onde H[ ] denota a entropia de Shannon [73], [76]. No caso, pode ser mostrado que
[ ] [ ]
IM ML
= y y e o infomax equivalente ao critrio de mxima semelhana [63].

- Informao Mtua. A simples aproximao de semelhana descrita acima
baseada em uma hiptese pr-determinada referente distribuio dos sensores. Espera-
se bons resultados da ML unicamente se as distribuies em hiptese no se
diferenciem muito das verdadeiras. Para problemas supercompletos, deve-se minimizar
a divergncia

K y s no s com respeito a A (via a distribuio de
-1
= ( ) y A x ) mas
tambm com respeito distribuio de s . Se ns denotamos y como um vetor
randmico de entradas independentes e cada entrada distribudo como a correspondente
entrada de y ento:
, = +

K y s K y y K y y (5.39)
para qualquer vetor s com entradas independentes. Logo, a tarefa de minimizao pode
ser concluda pela minimizao dos termos do lado direito da Equao (5.39). O
primeiro termo independente de s e, desse modo, a minimizao em s equivalente a
minimizar

K y s , que feito simplesmente fixando-se s = y para que ajustes de
69
0 =

K y s assim que min =

s
K y s K y y finalmente considerando que
( , )
min min =

s y y
K y s K y y , isto , deve-se minimizar a funo contraste:
[ ]
MI

y K y y = (5.40)
A divergncia de Kullback

K y y entre a distribuio e a distribuio prxima
com entradas independentes tradicionalmente chamada de informao mtua e pode
tambm ser expressa como [73], [77], [78], [79]:
( ) [ ] [ ]
1
1
, , ,
n
n i
i
MI y y H y
=
=
y (5.41)
onde
[ ]
a entropia de Shannon. fcil de se verificar que a informao mtua
satisfaz
[ ]
0
MI
y com igualdade se e s se y distribudo como y , isto , se as
entradas de y so independentes. Assim, a informao mtua pode ser entendida como
uma medida quantitativa de independncia associada ao princpio da mxima
semelhana. O problema principal com a informao mtua que ela difcil de se
estimar, visto que ela baseada na entropia, que demanda estimar as funes de
densidade das observaes
i
y .

- Negentropia. A negentropia definida como uma one-unit de contraste como
[73]:
( ) ( ) ( ),
gaussina
J H H = y y y (5.42)
onde
gaussiano
y um vetor aleatrio gaussiano com matriz de covarincia igual a das
observaes y. Por definio ( ) 0 J y , com ( ) 0 J = y se e s se y tem uma distribuio
gaussiana. Mostra-se que se as misturas
i
y so no correlacionadas, a informao mtua
pode ser expressa como [73]:
( )
1
1
, , ( ) ( ),
n
n i
i
MI y y J J y
=
=
y (5.43)
e podem-se buscar as direes de mxima negentropia, ou seja, direes onde os
elementos da soma ( )
i
J y so maximizados. Isto se equivale a buscar uma
representao em que a informao mtua minimizada. Desafortunadamente, as
restries feitas com respeito informao mtua so aqui tambm vlidas. A
estimao da negentropia difcil e assim ela no muito prtica como funo de
contraste.
70

- Aproximaes ordens superiores. A principal desvantagem das funes de
contraste, derivadas a partir da aproximao da ML que elas requerem a estimao das
distribuies de probabilidade. Uma possvel soluo para este problema a utilizao
das estatsticas de ordens elevadas para definir funes de contraste que so simples
aproximaes daquelas derivadas do critrio ML. A forma mais fcil de expressar a
informao de ordem elevada utilizar cumulantes. Para observaes randmicas de
mdia zero , , ,
i j k l
y y y y , o cumulante de segunda ordem pode ser expresso como [73]
[ ] ,
ij i j
C E y y =

y (5.44)
e o cumulante de quarta ordem:
[ ] [ ] [ ] [ ] - - -
ijkl i j k l i j k l i k j l i l j k
C E y y y y E y y E y y E y y E y y E y y E y y =

y (5.45)
Uma medida prxima de incompatibilidade entre a distribuio da sada e a
distribuio da fonte pode ser definida a partir da incompatibilidade quadrtica dos
cumulantes.
[ ] [ ] [ ] ( )
2
2 ij ij
ij
C C
y y s =
[ ] [ ] [ ] ( )
2
4 ijkl ijkl
ijkl
C C
y y s =
Utilizando
2
e
4
, se s e y esto simetricamente distribudas com distribuies
suficientemente prximas normal, ento possvel aproximar a divergncia de
Kullback por
[ ] [ ] [ ] ( )
24 2 4
1
12
48

K y s y y y = (5.46)
A kurtosis tambm utilizada em algoritmos ICA como medida de no-
gaussianidade das estimaes das componentes independentes em
i
y . Ela pode ser
definida utilizando cumulantes como:

( )
2
4 2
3
i iiii i i
k C E y E y =

= (5.47)
Tambm produzido a partir de cumulantes a funo de contraste do algoritmo
JADE, que baseado em um subconjunto de cumulantes cruzados:
[ ] [ ]
2
JADE ijkl
ijkl ijkk
C
y y = (5.48)
Uma reviso dos mais importantes contrastes de elevadas ordens para ICA pode
ser encontrada [73], [76], [80].
71
5.6.6 Algoritmos ICA
Depois de escolher uma apropriada funo de contraste, faze necessrio um
mtodo prtico ou algoritmo para sua implementao. Nesta seco da dissertao,
explicam-se brevemente trs algoritmos bem conhecidos: Infomax, FastICA e JADE.
Alguns passos de pr-processamento so comuns para os algoritmos ICA:
- Centralizao. A mdia dos dados subtrada a partir dos dados reais de tal
forma que a mdia dos dados centrados seja zero. Isto ,
[ ]
c
E = x x x . Aps a
estimao da matriz de misturas A, a mdia restituda para os dados.
- Branqueamento ou sphering. Uma transformao linear aplicada aos dados x ,
de modo que a matriz de covarincia dos dados transformados
w
x seja igual
identidade,
T
w w
E =

x x I . Esta transformao sempre possvel, utilizando FA ou
PCA/SVD, que decompe os autovalores da matriz de covarincia
T T
E EDE =

xx
para transformar os dados observados de acordo com:

1
2
,
T
w
= x ED E x (5.49)
onde E a matriz ortogonal dos autovalores da matriz de covarincia dos dados, D a
matriz diagonal associada aos autovalores ( )
1
, ,
m
diag d d = D e
( )
1
1/ 2 1/ 2 1/ 2
, ,
m
diag d d

= D .
- Reduo da dimensionalidade. Quando os dados so branqueados, nesse passo,
tambm pode ser realizada a compactao dos dados, descartando-se os autovalores da
matriz de covarincia que sejam muito pequenos e no possuam caractersticas
inerentes. Isto feito pela PCA. Assim, reduzindo a dimenso dos dados, pode-se ajudar
na supresso dos rudos e evitar um sobreaprendizado do algoritmo ICA.

Algoritmo do Infomax
Um dos primeiros algoritmos desenvolvidos para ICA o chamado algoritmo
Infomax, baseado na maximizao da entropia da rede, que , sobre algumas condies,
equivalente maximizao da semelhana. Geralmente, estes algoritmos so baseados
no gradiente ascendente da funo objetivo. O algoritmo Infomax, original de Bell e
Sejnowski [63], [81], utiliza um gradiente estocstico que produz atualizao dos pesos
da forma:
( )
1
2
T T
tanh

B B Bx x (5.50)
72
Esta funo trabalha para a estimao da maior componente independente super-
Gaussiana, porm, para componentes sub-Gaussianas, outras funes devem ser
utilizadas [82]. O principal inconveniente do gradiente estocstico sua lenta
convergncia.
Para impor a velocidade de convergncia e simplificar o algoritmo, pode-se
utilizar o mtodo do gradiente natural de Amari [53], [57]. Este produz um algoritmo da
forma:
( )( )
( )
2
T
tanh B I Bx Bx B (5.51)
Depois desta modificao, o algoritmo no necessita de branqueamento.

Algoritmo do FastICA
Algoritmos adaptativos semelhantes ao Infomax podem ser problemticos quando
so utilizados em um ambiente onde a adaptao no necessria. A convergncia
destes algoritmos usualmente baixa e depende crucialmente da escolha da taxa de
aprendizado em cada passo do processo de treinamento ICA. Para contornar o
problema, podem ser utilizados algoritmos em batelada (batch), baseados na iterao de
ponto-fixo [78].
O algoritmo FastICA um destes algoritmos de ponto-fixo. Ele foi originalmente
introduzido utilizando a kurtosis e foi generalizado mais tarde [88] por funes de
contrastes. Para dados branqueados, o algoritmo FastICA one-unit possui a seguinte
forma:
( ) ( )
( )
( )
( )
( ) 1 1 1 ,
T T
k E g k E g k k

=

w a a x a x a (5.52)
onde o vetor peso normalizado para a norma unitria aps cada iterao e a funo g
a derivada da funo G utilizada na funo geral de contraste dado por
( ) ( ) ( )
p
G
J y E G y E G
=

(5.53)
onde uma varivel gaussiana generalizada, y assumido ser normalizado para uma
varincia unitria e o expoente p tipicamente 1 e 2.
A velocidade de convergncia dos algoritmos FastICA, ICA de ponto-fixo,
superior aos algoritmos adaptativos, tais como o Infomax. Fatores de velocidade de 10 e
100 so usualmente observados [82]. Outra vantagem do FastICA que ele ainda pode
estimar sem problemas componentes independentes subgaussianas e supergaussianas.
73
Alm disso, ele um algoritmo que pode ser otimizado para funes de contraste multi-
unit ou one-unit.

Algoritmo do JADE
O JADE [81] baseado na otimizao de Jacobi [73] de uma funo de contraste
ortonormal, ao contrrio otimizao pelos algoritmos por gradientes. O JADE pode ser
resumido nos seguintes passos:
- Inicializao. Estima uma matriz de branqueamento W e fixa y = Wx .
- Forma estatstica. Estima um mximo conjunto
{ }
Z
i
Q de matrizes cumulantes.
Dado um vetor randmico
1 n
X

e uma matriz
n n
M

, a matriz cumulante associada
( )
x
Q M a matriz n n definida em componentes pares por:

( )
, 1
,
n
x ijkl kl
k l ij
Q M C M
=

= (5.54)
quando a tcnica de Jacobi utilizada.

- Otimize uma funo contraste ortogonal. Busca a matriz de rotao
, V de
maneira que as matrizes cumulantes sejam os mais diagonais possveis, tal que, resolva
( )

T Z
i
i
argmin Off V Q V =

V sendo ( ) Off F a soma dos quadrados dos elementos fora
da diagonal de uma matriz F, isto ,
( )
2
( )
ij
i j
Off f
F = .
- Separado. Estima A como
1

A VW
= e/ou estima os componentes como

1

.
T
S A X V Z
= =
O JADE tem mostrado um desempenho muito eficiente em dimensiones menores.
Porm, em grandes dimenses, os requerimentos de memria podem ser proibitivos,
porque as matrizes cumulantes devem ser guardadas em memria, o que requer
4
( ) O m
unidades de memria. Outra desvantagem que o JADE, como todos os outros
algoritmos Jacobi, tende a ser muito complicado para se codificar, requerendo
sofisticadas manipulaes matriciais.

74
5.6.7 Extenso de Algoritmos ICA Noisy_ICA
Depois de revisar meramente alguns algoritmos tradicionais dos mtodos ICA,
observa-se que eles tm bom desempenho quando os sinais no tm contaminao por
rudo. Ou seja, estes algoritmos esto definidos na forma bsica do BSS, onde assumen-
se fontes livres de rudo e, se h rudos, estes so bem comportados e/ou conhecidos.
Assim, pode-se fazer um pr-processamento dos dados e/ou fazer alteraes das funes
de contraste ou conhecer alguns parmetros do rudo.
Contudo, faze necessrio um algoritmo que contemple dados reais, como o caso
dos sinais das DPs. Nesta parte do documento, introduzem-se algoritmos ICA recentes
que lidam com dados reais, quando o rudo se encontra presente na fonte, nos sensores
ou nos modelos imprecisos.
5.6.8 ICA para dados contaminados por rudo
As bases do modelo ICA bsico adaptado para os casos onde o rudo est
presente. Considera-se que o rudo assumido como componente adicional, sendo que,
essa assuno utilizada em anlise de fatores e em processamento de sinais [2], [53],
[73] e permite apresentar uma formulao do modelo ruidoso. Segundo a Equao
(5.33) tem-se que:
( ) ( ) ( ) k k k = + x As (5.55)
onde
1
( ) [ ( ), , ( )]
m
k k k = o vetor de rudo que, em alguns casos tpicos,
pode ser assumido como:
- O rudo independente dos componentes independentes.
- O rudo gaussiano.
- A matriz da covarincia do rudo em muitos casos assumida como a matriz
2
I . Em alguns casos, o rudo assumido como conhecido.
A identificabilidade da matriz de misturas em um modelo noisy_ICA garantida
sobre as mesmas restries do ICA bsico, independncia e no-gaussianidade. No
entanto, as realizaes dos componentes independentes
i
s podem-se tornar de difcil
identificao, visto que, eles no podem ser separados completamente dos rudos.

Rudo de Sensor frente a Rudo de Fonte
Nos casos tpicos em que a covarincia do rudo assumida como
2
I , o rudo na
Equao (5.55), pode ser considerado como rudo devido ao sensor. Isto , as
variveis do rudo so adicionadas de forma separada em cada sensor, compondo a
75
varivel observada
i
x . Porm, no caso em que o rudo adicionado aos componentes
independentes, chamado de rudo devido fonte, o modelo levemente diferente do
antecessor,
( ), = + x A s (5.56)
sendo tambm a covarincia do rudo diagonal. Na realidade, se podem considerar os
componentes independentes ruidosos como
i i i
s s = + e o novo modelo ser:
( ) = x A s (5.57)
Observa-se que este justamente o modelo bsico ICA, com os componentes
independentes modificados. Assim podem-se aproveitar as assunes do ICA bsico
que ainda so vlidos, visto que os componentes independentes de
i
s so no-
gaussianas e independentes. Portanto, pode-se estimar o modelo da Equao (5.57) pelo
ICA bsico. Dessa maneira, podem-se estimar a matriz de mistura e os componentes
independentes ruidosos.
Para se estimar os componentes independentes originais a partir das fontes
ruidosas identificadas, necessrio ter assunes adicionais. Assumindo-se que a
covarincia do rudo tem a forma
2 T
= AA , o vetor rudo pode ser transformado para
1
= A , que pode ser chamado rudo equivalente devido fonte. Assim a Equao
(5.55) torna-se em:
( ) = + = + x As A A s (5.58)
Desse modo que a covarincia de seja
2
I e, assim as componentes
transformadas + s sero independentes. Finalmente, a matriz A poder ser estimada
pelo ICA bsico.
Existem poucos mtodos para estimar um noisy_ICA. A estimao de modelo
sem rudos parece ser uma tarefa desafiante para ele mesmo e, assim, o rudo
usualmente esquecido para fins de se obter resultados simples e tratveis.
Na seguinte seo se faz um resumo de algumas tcnicas para estimao de matriz
de mistura e dos componentes independentes. Entre estas, a remoo do Bias e os
mtodos por cumulantes de altas ordens, j que, estas tcnicas podem ter aplicao no
noisy_ICA

76
Remoo do Bias
As tcnicas para remoo do bias podem ser utilizadas em um ICA modificado, de
modo que o bias devido a rudo seja removido ou, ao menos, reduzido.
Segundo [73], utiliza-se v = As para dados livre de rudos, de modo que sejam
procuradas as projees em
T
w v para se obter estimativas consistentes dos
componentes independentes quando se tem uma boa medida de no-gaussianidade, visto
que, o modelo imune aos rudos gaussianos. Assim, esta aproximao pode ser
utilizada no noisy_ICA, na forma,
T T T
= + w x w v w . A idia consiste em medir a no-
gaussianidade de
T
w v a partir dos dados observados
T
w x, a fim de que as medidas no
sejam afetadas pelo rudo
T
w .

Kustosis para remoo de bias. Sabe-se que a kurtosis de um sinal de rudo
gaussiano tem valor zero. Ento, a kurtosis pode ser uma boa medida de no-
gaussianidade. Logo
0
( ) ( ) ( )
T T T
kur kur kur = + w x w v w
_
. Porm a kurtosis tem algumas
desvantagens como: sensvel a outliers ou intrusos, depende da dimenso das
observaes e do tipo de simetria da funo estatstica, quando se pretende estim-la
[73].

Medidas de no gaussianidade geral. Outra tcnica, melhor que a kurtosis, para
este fim :
( ) { }
( ) { }
2
( )
T T
G
E E

=

J w v G w v G
(5.59)

onde a funo G uma funo quadrtica regular e uma varivel gaussiana.
Denota-se z como a varivel randmica e n como uma varivel gaussiana de varincia
2
. Segundo [73], a idia expressar uma relao entre ( ) { }
E z G e ( ) { }
E z n + G
em
simples termos algbricos. Porm, esta relao complicada e s calculada utilizando
integrao numrica. No entanto, para certas escolhas de G esta relao se torna
simples [73]. A idia bsica escolher G como funo de densidade de uma varivel
randmica gaussiana ou uma funo parecida funo gaussiana, chamada de
momentos gaussianos, sendo estes no polinomiais, isto a funo de densidade
gaussiana com varincia
2
c :
77

2
2
1 1
( ) exp
2 2
c
x x
x
c c c c

= =

(5.60)
onde ( )
k
c
x a k-ssima derivada de ( )
c
x .

Mxima semelhana. Esta aproximao voltada para a estimao da matriz de
mistura com dados ruidosos, maximizando a semelhana conjunta e as realizaes dos
componentes principais:
( ) ( ) 1
2
1 1
1
log , (1), ( ) ( ) ( ) ( )
2
T n
i i
t i
T t t f s t C
= =

= + +

L A s s As x (5.61)
onde ( ) ( ) t t As x m = , ento
1
2
m definido como
1 T
m m, ( ) t s so realizaes de
componentes independentes, C uma constante e
i
f so os logaritmos das funes de
densidade das componentes independentes. Porm, esta aproximao
computacionalmente custosa [73].

Estimao das componentes independentes por funes shrinkage
Estimar a matriz de mistura no suficiente para o modelo noisy_ICA. Faz-se
necessrio tambm estimar os componentes principais. Para este fim, a partir da
Equao (5.55), temos:
x = + W s W (5.62)
onde unicamente se tomam as estimativas ruidosas dos componentes independentes.
Isto , para obter estimativas das componentes independentes
i
s , que so de alguma
forma timos ou contm um mnimo de rudos, pode ser realizada uma simples
aproximao para este problema, utilizando o estimador de mxima a posteriori (MAP),
onde se toma as
i
s cujos valores maximizam a semelhana conjunta (Equao 5.61) que
chamado estimador de mxima semelhana (ML). Tomando o gradiente da Equao
(5.60) com respeito a ( ) s t e igualando-a a zero, tem-se:

1 1

( ) ( ) ( ( )) 0
T T
A As t A Ax t f s t

+ = (5.63)
onde a derivada do logaritmo da densidade f aplicada separadamente em cada
componente do vetor ( ) s t .
78
De fato este mtodo conduz generalizao no linear do clssico Filtro Wiener
[92]. Uma aproximao alternativa utilizar os componentes independentes na estrutura
do tempo para remoo de rudos.
Contudo, s no uma tarefa fcil de resolver, quando utilizado otimizao
numrica. Porm, um caso simples e especial pode ser adotado, quando se assume a
covarincia do rudo como
2 T
= AA . Logo, a Equao (5.63) ser equivalente
Equao (5.58), caso com rudo na fonte. Substituindo a covarincia do rudo em 5.63
temos:
1 2
( ) ( ) ( ( )) 0 s t A x t f s t
+ =
1 2
( ) ( ) ( ( )) A x t s t f s t
= +

1
( ) s g A x
= (5.64)
Para um componente escalar da funo g obtido invertendo a relao

1 2
( ) ( ) g u u f u
= + (5.65)
Assim, o MAP obtido invertendo uma funo f ou funo contraste da
densidade de probabilidade de s . Para variveis no-gaussianas a funo contraste
no-linear ( ) g u .

Captulo 6

Caracterizadores: Implementao e Resultados
Neste captulo, se faz a implementao dos caracterizadores dos sinais DPs e
eliminao de rudos. O desempenho dos mtodos mostrado sobre um conjunto de
fontes constitudas pelos modelos experimentais descrito no Captulo 3. Alm disso, as
tcnicas caracterizadoras foram adaptadas para tratamento dos sinais de DPs. Assim,
possvel obter uma melhor adequao entre Informao e Tcnica com a finalidade de
levar em considerao as informaes a priori inerentes s DPs e aos modelos
experimentais.
Os caracterizadores podem ser aplicveis para outros casos de medio, para
monitorao on-line e fazerem parte de um diagnstico integrado de equipamentos de
subestaes de energia eltrica, uma vez que, estes caracterizadores no so especficos
para sinais de DPs, podendo processar sinais aleatrios, instantneos ou dependentes do
tempo.
6.1 PCA para Identificar Sinais de DPs em Transformadores de
Potncia
Nesta seo se faz uma anlise de pr-processamento dos sinais de DPs, que so
possveis de serem encontradas em transformadores de potncia. Os dados so baseados
em medies de DPs provenientes de trs clulas experimentais (descritos no Captulo
3), as quais sintetizam fontes de sinais DPs em diversas partes do equipamento.
O mtodo de pr-processamento usa PCA com o propsito de reduzir a dimenso
dos dados originais, alm de reduzir as incertezas da informao, obtendo, como
resultado, uma melhora no desempenho dos sistemas de reconhecimento de padres. As
perdas de informao produzidas pelo PCA so intrnsecas para os sistemas de
reconhecimento de padres [49], [3].
As clulas FL, PP e PT geram os mapas caractersticos (amostras binrias com
resoluo inicial de 256
2
) em primeira instncia, com ajuda do instrumento de medio
de DPs, sendo em seguida convenientemente reduzidas e convertidas para a base
6.1 PCA para Identificar Sinais de DPs em Transformadores de Potncia
80
decimal formando uma matriz [R] de 32x32. Esta representada na forma de vetor
amostra com 1024 elementos, de maneira que um conjunto destes foi escolhido e
representado como X(t), cuja mdia foi compensada para que atinja um valor nulo
(zero) [3].

Figura 6.1 Amostras de mapas caractersticos dos padres FL, PP e PT originais (a esquerda) e
reduzidos ( direita).

Um classificador neural faz a validao do PCA e mede seu desempenho. Um
conjunto de dados disponveis foi dividido de forma a compor os conjuntos de
caracterizao e validao de acordo com a Tabela 6.1. O critrio adotado para fazer a
escolha do conjunto de validao obedece a correlao cruzada, balano de energia dos
sinais e, principalmente, o conhecimento do especialista (tcnico experiente em DPs),
tem maior peso nesta escolha. A Figura 6.1 mostra mapas caractersticos primitivos e
suas respectivas redues onde a taxa de repetio N reproduzvel facilmente em 3-D.
Captulo 6 Caracterizadores: Implementao e Resultados
81
A figura mostra os trs padres antes e depois de uma reduo em resoluo, explicado
na seo 5.1.

Tabela 6.1 Conjuntos de caracterizao e validao

Conjunto de dados Conjunto de
Caracterizao
Conjunto de
Validao
Total
amostras
Padro teste FL 20 15 35
Padro teste PP 26 29 55
Padro teste PT 15 10 25

O padro PP apresentou eventos com alto nvel de rudos e baixa taxa de
descargas, escolhendo-se apenas 26 mais representativos para caracterizao.
O padro PT tem poucas amostras devido dificuldade de medir sinais com baixa
densidade de descargas e pelo modelo fsico da clula teste sujeita s descargas francas.
Considerando X(t) como processo estocstico de dimenso M igual a 1024, de
valor esperado nulo e a matriz de correlao [ ]
t
E = R X X , a equao caracterstica [73],
i i
q q = R representa a anlise de componentes principais, cujas direes ( )
i
q so as dos
autovetores de R, que tm
i
s para autovalores.
6.1.1 Componentes Principais
A anlise de componentes principais foi desenvolvida no ambiente de
programao MatLab V6.5, gerando-se 1024 componentes principais (vetores
ortonormais) com a mesma dimenso dos padres e, 1024 autovalores (diagonal da
matriz de correlao), que so equivalentes s varincias apresentadas em cada
componente. Foram empregados 61 vetores eventos (conjunto de caracterizao) para
gerar a matriz de covarincia. Isto implica que, do total de componentes principais e
autovalores, apenas as 60 primeiras direes so significativas, devido perda de um
grau de liberdade quando a mdia compensada para zero.
Para verificar a ortogonalidade das componentes, usou-se o produto interno entre
todos os vetores componentes. Obteve-se uma matriz de produtos internos com
elementos da diagonal unitrios (representando um ngulo de 90 graus) e fora da
diagonal, valores nulos, ou seja, uma completa ortogonalidade entre os componentes.
A reconstruo do sinal original pode ser obtida a partir das projees deste nos
componentes principais extrados. Um dos objetivos desta anlise reduzir a dimenso
82
do espao original de entrada, projetando-o neste subespao de menor dimenso. Para
isso, procura-se uma representao efetiva dos sinais, descartando projees que
contenham varincia reduzida e retendo apenas termos que tenham varincia
significativa. Admite-se cometer um erro de aproximao, que pode ser calculado pela
diferena entre os sinais original e aproximado, formando-se o vetor erro a partir dos
autovalores no considerados na aproximao. Nas Figura 6.2 e 6.3, os componentes
so ordenados atravs dos autovalores, observando-se que uns poucos componentes so
responsveis por uma frao significativa da energia dos sinais.

]

0 10 20 30 40 50 60 70
0
0.5
1
1.5
2
2.5
Componentes Principais
E
[
C
i
2
]

Figura 6.2 - As primeiras componentes apresentam as maiores energias E[C
2
]. maiores energias
E[C
2
].
83

Figura 6.3 - As primeiras componentes apresentam as maiores porcentagens das varincias

A Figura 6.3 indica que o primeiro componente representa 35% da varincia total,
e com os sete maiores componentes consegue-se explicar aproximadamente 92 % da
varincia total. Isto quer dizer que, com sete componentes, tem-se uma boa
representao dos dados de DPs.
6.1.2 Mapeamento dos Componentes Principais
Podemos observar a estrutura dos componentes principais, de forma a identificar
se esta estrutura capaz de determinar as caractersticas relevantes de um dado padro.
Uma vez que cada autovetor representa um componente principal com mdulo unitrio,
determinando assim a projeo de um dado vetor de entrada nesse componente, a
observao destes componentes pode descobrir informaes aparentemente ocultas. A
anlise de componentes principais no determina toda a informao intrnseca dos
dados, apenas nos informa o que mais representativo.
A Figura 6.4 mostra os nove primeiros componentes principais (PCs) da matriz de
covarincia. Observa-se que cada um destes componentes diferente tanto em forma
como em amplitude. Os primeiros trs componentes praticamente tm caractersticas
prprias de cada tipo de padro. Associando os mapas caractersticos originais,
mostrados na Figura 6.1, com os primeiros componentes principais, conclui-se que o
primeiro componente tem a forma do padro FL, enquanto que PC2 e PC7 apresentam
84
quatro distribuies bem diferentes das outras e guardam caractersticas mais relevantes
do padro PP (ver Figura 6.1). O terceiro componente, por sua vez, tem caractersticas
do padro PT, reconhecido pelos dois picos negativos e as duas distribuies
desenvolvidas na regio mdia do plano horizontal. Nos outros componentes, no se
percebe caractersticas associativas a algum padro, apresentando diferentes amplitudes
e formas. Entretanto, o classificador poder extrair caractersticas sutis destas estruturas,
revelando cada padro de DPs com eficincia.

Figura 6.4 - Os nove primeiros componentes apresentam maiores porcentagens das varincias.

A Figura 6.5 mostra os nove componentes principais seguintes onde pode
apreciar-se que PC10-PC12 apresentam semelhanas do padro PP. As outras no
podem ser identificadas visualmente. Tambm se observa que as amplitudes destas
projees decrescem rapidamente (fator aproximado de 1/10).
85

Figura 6.5 - Componentes principais do PC10 ao PC18.
6.1.3 Classificao Neural
Com base nos componentes principais extrados, desenvolveu-se um sistema
classificador neural de DPs.

Figura 6.6 - Esquema do classificador baseados em CPs e RN.

86

A Figura 6.6 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 DPs. O critrio de mxima
probabilidade [52], [51] 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 6.2.

Tabela 6.2 - Eficincia de classificao para cada padro usando-se cinco componentes principais

Padres Sada
FL
Sada
PP
Sada
PT
Padro teste FL (15 amostras) 67% 33% 0%
Padro teste PP (29 amostras) 0 100% 0
Padro teste PT (10 amostras) 0 40% 60%

Observa-se que o padro FL apresenta 67% de eficincia (eficincia relativa),
relativo s 15 amostras 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 deva ser considerado. O padro FL apresenta cinco amostras ambguas, que
foram associadas ao padro PP.
Na Tabela 6.3, se observa que a rede neural teve bastante sucesso na sua tentativa
de classificao usando as projees dos sete primeiros componentes. Neste caso, o
padro FL foi identificado em 93%, o padro PP com 100% de eficincia, j
demonstrada com cinco 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 cinqenta e quatro amostras de teste.
Em uma outra anlise a eficincia total pode ser calculada como a mdia
geomtrica das eficincias parciais (utilizadas acima). Neste caso, a eficincia mdia da
rede neural equivale a 87 % com 54 dados para teste.

87

Tabela 6.3 - Eficincia de classificao para cada padro considerando-se sete componentes
principais

Padres Sada
FL
Sada
PP
Sada
PT
Padro teste FL (15 amostras)
93% 7% 0
Padro teste PP (29 amostras)
0 100% 0
Padro teste PT (10 amostras)
0 30% 70%

Na medida em que aumentamos o nmero de componentes principais a serem
utilizadas no sistema de reconhecimento no se consegue melhor desempenho. Observa-
se, para nove componentes, uma eficincia total de 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 6.7 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, mximo de at dezesseis neurnios na
camada escondida e trs neurnios na camada classificadora. O tipo de treinamento
simples, sendo retropropagado o erro mdio quadrtico. Portanto, para gerar cada ponto
do grfico foram realizados vrios treinamentos partindo-se de condies iniciais
diferentes e a quantidade de neurnios na camada escondida varivel (5 at 16).

Figura 6.7 - Eficincia mdia de classificao em funo do nmero de componentes principais.
6.2 Caracterizador por Filtros casados em Identificao DPs
88
Estes resultados revelam uma melhora significativa em relao aos obtidos em
[32], onde os sinais foram tratados com suas dimenses originais, alm de reduzir o
custo computacional dos algoritmos de SRPs.
A eficincia anteriormente alcanada no reconhecimento dos padres [32] foi de
83%, usando redes neurais simples. Enquanto a utilizao do PCA atingiu uma
eficincia de 100% no padro PP (Tabela 6.3) e eficincia total de 93%.

6.1.4 Concluses Referentes a PCA
O pr-processamento pela anlise por componentes principais uma ferramenta
bastante til e eficaz, que ajuda a revelar a informao mais importante que est
aparentemente oculta. A eficincia total relativa ao conjunto de teste pode indicar qual a
quantidade de componentes que sero necessrios para ter uma boa representao,
reduzindo drasticamente a dimenso do espao original de entrada.
Utilizando-se apenas sete componentes principais se obtm bons resultados na
classificao de padres de DPs, obtendo-se uma eficincia total de 93%. Deve-se
destacar que, para os dados analisados, os sete primeiros componentes principais
correspondem a 92% das varincias totais destes dados.
A anlise por componentes principais feita sobre os dados de DPs, provenientes
dos eletrodos imersos em leo isolante de transformadores de potncia, mostrou que
estes tipos de dados podem ser significativamente compactados, melhorando os
resultados obtidos em [32] e o desempenho dos SRPs.
Nesta seo, se constri um sistema caracterizador hbrido para identificar DPs.
Os dados so os mesmos provenientes das trs clulas experimentais (descritos no
Captulo 3) e da Tabela 6.1.
6.2.1 Sistema Discriminador Hbrido de Sinais
Este sistema foi implementado na base de filtros casados (MF) e redes neurais
artificias (ANN), com a finalidade de se obter um discriminador cooperativo e robusto.
Na primeira etapa, foram implementados filtros casados baseados na teoria dos sistemas
lineares de filtragem tima [49] e [52]. Na segunda etapa foi implementada uma ANN
do tipo multicamadas e sem realimentao, treinada por algoritmo de backpropagation
[49]. A escolha deste tipo de rede baseou-se em comparaes realizadas em [32].
89
Os filtros casados so importantes na teoria de deciso, e usualmente so
considerados dois casos: filtros casados com rudo aditivo branco e filtro casado
generalizado para rudo aditivo colorido. No caso de rudo colorido, o MF inclui um
filtro branqueador na entrada, que torna branco o rudo sua sada. A figura de mrito
da relao sinal-rudo
0
R usada para avaliar o desempenho de tal sistema
discriminador. Supe-se que o sinal a detectar seja determinstico, s(t) (o sinal de DPs
foi aproximado como determinstico), e que se encontra mascarado pela presena de
rudo do tipo aditivo, n(t). As seguintes consideraes norteiam o projeto dos filtros
casados, assumindo o caso mais genrico de rudo colorido:
- Para o filtro branqueador de entrada, os sinais de entrada e sada so,
respectivamente (ver Figura 6.8):
), ( ) ( ) ( t n t s t v + = (6.1)

0 0 0
( ) ( ) ( ), v t s t n t = + (6.2)
Como o MF inclui um filtro branqueador, ) (
0
t n um rudo branco. Alm disso,
neste caso de rudo colorido, o filtro dever estar casado para ), (
0
t s que passe a ser o
sinal desejado.
- O sistema linear e invariante no tempo, com resposta ao impulso ) ( t T h ,
sendo T a durao do sinal desejado.
- O critrio de otimizao ser:

2
0 1
0 2
0 1
( )
{ ( )}
s t
R
E n t
= (6.3)
A relao sinal-rudo da sada
0
R atingir um mximo em algum instante
1
t . Onde
2
1 0
) (t s a potncia do sinal de sada e E{no
2
(t)}o valor mdio quadrado de n
o
(t), usado
como potncia do rudo de sada. O sistema linear h(t) que realiza a maximizao do
0
R
chamado de FILTRO CASADO", tendo uma resposta ao impulso (Figura 6.8).

Figura 6.8 - Filtro casado linear.

0
[ ] [ ] h t s T t = (6.4)
90

Ou seja, a resposta ao impulso para o filtro casado a imagem espelhada do sinal
desejado, deslocada da sua durao, por razes de causalidade [32]. Sendo o sinal de
DPs de natureza estocstica, o MF tomar como um sinal determinstico e no cuidar
das flutuaes das descargas.
Neste trabalho, assumimos a hiptese simplificadora de que os sinais desejados
sejam conhecidos e no aleatrios, visto que as flutuaes dos sinais de DPs so
reduzidas. Isto facilita o projeto de MF, que, ento, segue a Equao (6.4). Assumimos
ainda que tais sinais de DPs tenham sido distorcidos por rudos no processo de coleta e
armazenamento. Assume-se, inicialmente, que o rudo existente em DPs seja branco, o
que elimina o projeto do filtro branqueador e faz ). ( ) (
0
t s t s =
O filtro casado, geralmente, usado para sinais no tempo. As medies de DPs,
provenientes das clulas teste, no so amostradas no tempo, mas, pode-se considerar
que, em cada cela da matriz [R], so armazenados sinais de DPs com trs caractersticas
fundamentais: ngulo de fase da tenso, amplitude e taxa de repetio ) , , ( N q
expressas numericamente. Estas podem ser rearranjadas, sem considerar a relao de
vizinhana, na forma de vetor, sem perder a referncia , representando o sinal a
detectar.
A aproximao do sinal determinstico obtida calculando-se os sinais mdios
para as descargas do tipo FL, PP e PT para o conjunto de treinamento. Para detectar
cada padro de DP, projetam-se trs filtros casados, um para cada classe de descarga
parcial [32]. Em outras palavras, um sinal array (1024 componentes) ser casado com a
taxa de acumulao (N) mdia depositada em cada clula da matriz [R].

Figura 6.9 - Sistema discriminador hbrido: MF+ANN

91
O sistema discriminador usa trs filtros casados, que funcionam como pr-
processamento da informao, e uma rede neural, que realiza a tarefa final de
discriminao. Esta rede neural constituda de trs neurnios na primeira camada e ,,
dez neurnios na camada intermediria e trs neurnios na camada de sada z (Ver
Figura 6.9).
Os filtros tm resposta ao impulso ] [ h
FL
para eventos r de eletrodo FL, ] [ h
PP

para PP e ] [ h
PT
para PT. As respostas impulsivas so obtidas pela imagem espelhada do
vetor mdio de energia (com 1024 amostras cada) depositada em cada clula.
Em termos de normalizao dos sinais de entrada, deve-se atender s exigncias
dos MFs, para os quais os sinais para os padres de entrada devem estar normalizados
em energia, e, por outro lado, deve-se atender aos requerimentos da ANN, que possui
funes no lineares como ganho dos neurnios, que podem produzir saturao para os
padres de entrada. Neste sentido, devemos adotar um procedimento de normalizao
adequado e simples.
Sabe-se que a energia do sinal de padres pode ser calculada de:

[ ]
2
0
( ) ,
T
s t dt =
E ou
0
( ) ( )
T
s t h T t dt =
E (6.5)
onde ), ( ) ( t T s t h = 0 . t T < < Assumindo um sinal de entrada de energia E e uma
energia unitria sada do filtro, o fator de normalizao para cada padro ser:

1
K =
E
(6.6)
onde, para padres discretos:

2
0
1
[ ]
N
i
s i
=
=
E (6.7)
Desta maneira, a normalizao em energia sada do MF se adapta tambm
faixa dinmica do classificador neural.
6.2.2 Resultados do Sistema Caracterizador Hbrido

O Sistema Discriminador avalia os sinais pr-processados para as clulas de teste,
identificando a classe de padro de DPs. Primeiramente, os eventos de teste so
processados no nvel mximo dos filtros casados quando t = T. A Figura 6.10 mostra as
sadas dos filtros , h
FL

PP
h e
PT
h , quando os sinais de entrada so do tipo FL. Observa-
92
se que as respostas so notavelmente diferenciadas por cada filtro, de tal modo que um
separador linear (limiar) pode ser suficiente para discriminar os eventos FL dos demais.
5 10 15 20 25 30 35
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
yfl hFL
yfl hPP
yfl hPT

FL PP
h e
PT
h quando o sinal de entrada FL.

A Figura 6.11 e Figura 6.12 mostram as sadas dos filtros
FL
h ,
PP
h e
PT
h quando
os sinais de entrada so do tipo PP e PT, respectivamente. Nestes casos no podem ser
implementados facilmente limiares lineares. Uma opo subdividir em vrios limiares,
mas estes tornam complicado o problema de classificao de padres de DPs, podendo
resultar numa classificao ineficiente. Portanto, uma combinao neural das sadas dos
filtros pode explorar, de forma no linear, as correlaes existentes para as respostas
casadas, otimizando o desempenho das classificaes.
A Tabela 6.4 mostra as eficincias alcanadas pela rede neural, a partir das
amostras instantneas das sadas dos MFs, no instante t =T (1024 amostras). Observa-se
que, para os padres FL e PP, atinge-se 100 % de eficincia, relativo aos 15 e 29
eventos disponveis para estes, enquanto que o padro PT foi reconhecido em 70 % dos
casos, com relao aos 10 eventos de teste. Analisando a eficincia global do sistema
caracterizador hbrido, chega-se a 97 % de eficincia total, relativa s 54 amostras de
teste.

93
5 10 15 20 25 30 35 40 45 50 55
0.1
0.2
0.3
0.4
0.5
0.6
0.7
ypp hFL
ypp hPP
ypp hPT

FL PP
h e
PT
h quando o sinal de entrada PP

Tabela 6.4 - Eficincia parcial alcanada por cada padro na sada da rede neural.

Padres Sada FL Sada PP Sada PT
Teste FL (15) 100 % 0 % 0 %
Teste PP (29) 0 % 100 % 0 %
Teste PT (10) 0 % 30 % 70 %

94
5 10 15 20 25
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
ypt hFL
ypt hPP
ypt hPT

FL PP
h e
PT
h quando o sinal de entrada PT.

Tabela 6.5 - Comparao de desempenhos entre as tcnicas de reconhecimento padro
(PCA+ANN) e o discriminador hbrido (MF+ANN)

Padres PCA+ANN MF+ANN
FL (15) 93 % 100 %
PP (29) 100 % 100 %
PT (10) 70 % 70 %
Total 93 % 97 %

Na Tabela 6.5, so mostrados os resultados das duas tcnicas apresentadas para o
tratamento dos sinais de DPs. Observa-se que o sistema (MF+ANN) identificou uma
amostra a mais dos padres de DPs, em relao ao sistema de reconhecimento de
padres (PCA+ANN). As diferenas nas eficincias totais (97 % para 93%) observadas
no so conclusivas, haja vista as incertezas estatsticas presentes no nmero reduzido
de amostras experimentais. Portanto, admite-se que ambas as tcnicas tiveram
desempenhos compatveis.
6.2.3 Concluses referentes ao sistema MF/ANN
Este sistema discriminador pode ser utilizado para avaliar a qualidade e
caracterizao dos modelos experimentais em DPs. Com base na amostra experimental
recolhida, uma eficincia de 97 % na identificao das DPs foi obtida. Este
discriminador hbrido provou, desta maneira, ter um desempenho mais compacto,
95
tratando o sinal de DPs em duas etapas: determinstico (branqueamento pelo MF) e
estocstico (tratamento de flutuaes pela ANN) resultando em estatsticas do sinal
desejado.
6.3 Caracterizador ICA para Extrao Cega de Rudos
Nesta seo, realiza-se a remoo de rudos em sinais fonte de DPs usando os
recentes e consagrados conceitos BSS/ICA [80], [83], [73].
mostrado que os mtodos ICA podem ser aplicados na caracterizao dos sinais
de DPs, fornecendo uma soluo satisfatria no que se refere a separao e/ou
eliminao de rudos dos sinais fonte. Estes sinais so fontes de defeitos procedentes de
enrolamentos e barra estatrica envelhecida, entre outros, utilizados na representao de
defeitos em sistemas de isolamento. Essses defeitos so possveis de serem encontrados
em hidrogeradores e geradores. No Captulo 3 se mostram os modelos de barras e, a
fontes avaliadas se descrevem na Tabela 6.6.
O Centro de Pesquisas de Energia Eltrica (CEPEL) analisou oito fontes de sinais
de DP provenientes dos ensaios e medies rotineiras em geradores da usina Itaipu [35].
Destas, quatro so fontes caractersticas (Tabela 6.6'*') e as outras representam so
diversas combinaes no posicionamento dos capacitores de acoplamento (ver Figura
6.13.), nvel de tenso aplicada, faixas de freqncia de medio e posicionamento das
barras defeituosas ao longo da fase C.

Tabela 6.6 - Fontes de Sinais de DPs
Fonte Defeito (em 10,5kV)
S1 Sistema: capacitor de acoplamento/ barra.
150nF, conj.siemens + 9nF + barra + 2uF
S2 Barra 1 (slot)*
S3 Barra 2 (corona)*
S4 Barra 2 (corona na cabea da bobina)
S5 Barra 3 (delaminaco)*
S6 tiristor fase B*
S7 tiristor fase C
S8 tiristor neutro

96

Figura 6.13 Fontes de DPs provenientes das medies no gerador U10 da usina Itaipu (conforme
Tabela 5.6).

6.3.1 Representao como um Problema BSS
Cada matriz reduzida [R]
32x32
pode ser disposta na forma de um vetor amostra
x(k), de tal forma que:

T
N
k x k x k )] ( , ), ( [ ) (
1
= x (6.8)
onde k indica a k-sima amostra tal que,
97
) ( ) ( ) (
1
k k s a k x
i j
N
j
ij i
+ =
=
ou ) ( ) ( ) ( k k k As x + = (6.9)
Neste caso, A uma matriz escalar NxM no singular, desconhecida, mas
invariante a transformaes, ) (k o vetor rudo, que assumido de mdia nula e
varincia
ij
, e s(k) o vetor de M fontes de sinais independentes,

T
M
k s k s k s )] ( , ), ( [ ) (
1
= (6.10)

O objetivo do ICA estimar a matriz A ou sua inversa expressa como:

) 1 ( ) 1 ( + = + k k
k
x W y ,
1 1 1
+ = A A A A
T
k k
W (6.11)

onde um valor real (ex.
ij
= ).
O ICA com restries no-holonmicas, desenvolvido por Amari et al. [58] e
Akuzawa [56] e [84], foi empregado em todos os ensaios laboratoriais desta tese.
Akuzawa mostra que o ICA, baseado em mtodos de Newton, robusto sob rudos
gaussianos. Neste caso ele funciona melhor do que os mtodos JADE [81] e FastICA
[79]. Uma de suas caractersticas a estabilidade global resultante da introduo de
duas deformaes, sendo uma delas chamada deformao homotpica tipo ponto fixo na
matriz de atualizao [56]. Outra caracterstica que o mtodo no requer pr-
branqueamento, ou seja, poupa a metade dos graus de liberdade que naturalmente so
utilizados nos mtodos que precisam de branqueamento.
6.3.2 Descrio do ICA no-Holonmico
Este mtodo utiliza cumulantes de quarta ordem de variveis estocsticas, onde a
mdia amostral denotada por e
c
so cumulantes estimados a partir dos dados
observados. Os cumulantes de quarta ordem
c
y y
1
2
3
1
,
c
y y y
3 2
2
1
e
c
y y
2
2
2
1
so chamados
de tipo_ (3,1), tipo_ (2,1,1) e tipo_(2,2) respectivamente.
O ICA baseado em quase-newton num espao de dimenso P pode ser
interpretado de duas maneiras:
1- A minimizao de uma funo custo baseada em sua expanso de segunda
ordem.
98
2- A determinao de um ponto onde funes-objetivo Q
p
para P i 1 se
desvanece simultaneamente, a partir das suas expanses de primeira ordem.
A segunda interpretao ser escolhida como funo-objetivo, a fim de evitar
estatsticas de segunda ordem.
Assume-se que haja K amostras dos sinais de DP de dimenso N, podendo ser
denotados na forma geral por } 1 , 1 | ) {(
) 0 (
K k N i y
ik
. O alinhamento destas foi
realizado, tal que, i y
K
k
ik
=
=
, 0 ) (
1
) 0 (
. O algoritmo de Azukawa baseado na construo
de uma seqncia de vetores
( ) ( ) ( )
, , ,
2 1 0
y y y , que converge para um ponto timo
( )
y ,
onde cada componente torna-se mutuamente independente. O fluxo desta seqncia
especificado pelas matrizes NxN } , 2 , 1 , 0 ; {
) (
= s
s
, que descreve a quantidade de passos,
ento a Equao (6.11) pode ser escrito como:

( 1) ( ) ( )
(exp )
s s s
y y
+
= (6.12)
para s=0 tem-se
( ) 0
k
y o k-ssimo dado das observaes. Ento para o fluxo de
seqncia no n-ssimo passo o
( ) n
y depender dos
( ) ,
{ }
k
s e ser da forma
( )
( ) ( ) ( )
( )
-1 -2 0
0
n n
n
y e e Le y

= .
A forma vetorial para uma amostra com dimenso N :

( ) 0
y By = (6.13)
onde B ( ) , GL N R um subconjunto do grupo linear de matrizes reais e no singular
NxN . Este tambm pode ser til para sistemas ou problemas que necessitem de
otimizao que se d atravs de B , assumindo p critrios, { |
K K
p
Q
} 1 p P at que se torne invariante sob multiplicao no processo de atualizao do
fluxo de seqncia. O
( )
exp( )
s
um subconjunto (coset) de B e,

4-
( , )
p p
p i j i j
c
Q y y y y = (6.14)
funo de cumulantes.
O gradiente no-holonmico escolhido e deformado por tal como:

(3- )
(3- )
2 2
i ij
ij j
ij ji
K R
V R K
Q Q

=

(6.15)
onde
4 4 2 2
,
i i j j ij i j
c c c
K y K y e R y y = = =
99
Para resolver (6.12), a quantidade de passos determinada maneira de Newton,
tal que os
ij
e
ji
sejam determinados pela seguinte regra de atualizao:

1
( )
ij
ji
T T
ji
ij
ij
Q
V V V Q
R

(6.16)
onde a matriz de transformao
1
( )
T T
V V V
interpretada como uma inversa

generalizada de V [56].
A Figura 6.14 mostra uma viso dos gradientes de B no espao homogneo da
geometria diferencial, onde o gradiente baseado em restries no holonmicas
equivalente ao gradiente natural com consideraes geomtricas. Este deve lidar com
mudanas rpidas e/ou intermitentes nas magnitudes das fontes de sinal.
( | ) ( ) ( ) d d + = + B B B B B
B
+ B B
+ B
Espao das matrizes de separao
( ) B
( ) B
min ( )
d
d +
B
B B
d + B B
( )
B
gradiente natural
( ) ( ) ( )
T
= =
B B B B B B
Gradiente
convencional
gradiente relativo
Tendo emconta que
2 2
|| || = B d
Relao de equivalencia

Figura 6.14 Espao homogneo das matrizes, dB o espao de tangentes [85].

Esta figura apresenta um ponto, no espao de parmetros, B e outro B dB + , que
representa uma pequena variao com respeito a B. A direo pontilhada define a
direo de mnima distncia euclidiana, desempenhado pelo gradiente convencional
( ) B : B B + . E a direo contnua define a direo geodsica, atravs do espao
curvo das matrizes inversveis, regidos pelo gradiente natural ( ) B
ou gradiente
relativo
( ) B . Isto , dentro do conjunto de direes (espao de tangentes) que partem

do ponto B, aquela que considera a estrutura do espao de parmetros a que permite
avanar mais rpido. Logo ao se definir um gradiente, para introduzi-lo como direo de
mxima descida, num algoritmo de aprendizado deve-se considerar a mtrica (medida
100
de distancia), pois esta caracteriza o espao. Nesta figura se mostra uma relao de
equivalncia entre os gradientes, detalhes poder ser encontrados em [85].
6.3.3 Separao de Fontes e Rudos
A BSS e ICA so as novas ferramentas aplicadas aos sinais de DP com a
finalidade de conseguir extrair caractersticas ocultas pelos sinais de rudo, as quais
podem ajudar a descobrir e descrever uma fonte real de DP. O resultado esperado, ps-
tratamento iterativo BSS-ICA sob os sinais observados de DP, que se consigam as
possveis fontes estimadas independentes estatisticamente. O rudo aditivo, no caso
assumido normal, desvanece pelo fato de que o tratamento ICA elimina fontes
gaussianas.
6.3.4 Relao SNR e Crosstalks
Duas medies so utilizadas para avaliar o algoritmo ICA utiliza a relao sinal-
rudo (SNR) e crosstalks.
A SNR um importante parmetro utilizado para determinar a qualidade da
informao. Tambm um dos ndices mais importantes para avaliar o desempenho dos
algoritmos ICA. Ou seja, o SNR uma medida de longo prazo para verificar a
qualidade do sinal reconstrudo.
Os crosstalks so interferncias ou acoplamentos mtuos entre observaes,
misturados at serem pr-processados numa batelada de observaes. Uma medio
deste parmetro indica o rudo remanescente, que indicado pelo parmetro SNR.

1 8
1/ 4
10log( ), ( * ), | |
* ( 4( ))
N medio N
i
original
SNR CT SNR k CT CT
k diag Cum S

= = =
=
x
B A
A A
(6.17)
6.3.5 Seqncia experimental
Os dados coletados na medio de DP representam os sinais observados,
compostos pelo sinal fonte (desconhecido) e o rudo aditivo (natural). Com o intuito de
estimar fontes mais prximas de sua natureza, foram praticados os seguintes passos:
- Introduz-se um rudo artificial do tipo gaussiano nas fontes de DPs, com 1% de
amplitudes com respeito ao sinal de DPs.
- Observa-se que o ICA consegue limpar o rudo artificial introduzida, estimando
as fontes de entrada.
101
- Acrescenta-se gradualmente o nvel do rudo at o limite de 60% do sinal de
DPs.
- Verificar se o ICA limpa o rudo artificial para cada nvel percentual
acrescentado.
- Em seguida aplica-se a teoria cega (BSS) nas fontes, vistas agora como
observaes, ou seja, sem acrscimo de rudo artificial. Neste estgio avaliada a
capacidade do ICA em remover rudos gaussianos, naturalmente achados nas fontes
originais. Desta forma, consegue-se estimar as fontes sem rudo gaussiano e, por
conseguinte mais prximas da sua natureza.

A Figura 6.15 mostra as oito fontes de sinais com 20% de rudo branco, observa-
se que, a maioria destes esto submersos pelo efeito do rudo, tornando-se difcil o
reconhecimento de pelo menos uma fonte original (que geralmente desconhecida).

Figura 6.15 Amostra de fontes com 20% de rudo.
102
6.3.6 O ICA como Extrator de Rudos
Como se pode observar na Figura 6.16, os rudos das observaes foram
significativamente reduzidos pelas caractersticas prprias do ICA, j que o algoritmo
ICa no usa estatstica de segunda ordem. Assim, obtm-se uma estimativa boa das
fontes originais. Para qualquer ICA impossvel manter uma ordem das fontes, uma vez
que as permutaes das matrizes so livres, assim como as escalas [73]. Estas so as
desvantagens dos mtodos ICA que lidam com fontes desconhecidas, alm de se
desconhecer a maneira como estas foram combinadas.


O desempenho do ICA no-holonmico foi avaliado em funo do crosstalk
mdio, a mxima varincia das observaes e o maior valor do quarto cumulante. O
103
ndice crosstalk (Equao 6.17) indica a informao mtua remanescente (ver Tabela
6.7). Assim, a matriz estimada B mostrada nas Figuras 6.16 e 6.17 para o SNR 5dB e
13,40dB respectivamente.
Este mtodo ICA se diferencia do outros mtodos ICA convencionais. Enquanto
que no ICA convencional necessrio obter a matriz identidade, resultado do produto
interno entre a matriz inicial A e a matriz estimada B, para garantir boa separao das
fontes; o ICA no-holonmico no apresenta uma matriz identidade no produto interno,
e sim uma matriz de restries no-holonmicas
1
, ( ) 0
ii
dX dBB dX
= = em razo do
gradiente natural utilizado.

Tabela 6.7 - Parmetros Estatsticos e desempenho por Crosstalks
Crosstalk
Por
VAR.
Crosstalk
Por
CUM.
Max.
VAR.

Max.4.
CUM.

SNR
(dB)

Rudo
(%)

|Ganho|
Apx.
(dB)

2,020 2,150 0,041 1,03 {3} Inf -- 5,031
0,288 0,288 0,043 1,86 {6} 41,13 1 8,550
0,296 0,293 0,202 7,87 {7} 20,12 10 21,247
0,321 0,328 0,104 5,15 {8} 16,84 15 22,083
0,310 0,314 0,196 4,14 {5} 13,40 20 21,312
0,503 0,505 0,134 2,67 {7} 7,33 30 24,443
0,426 0,426 0,134 2,67 {7} 6,29 40 30,430
0,610 0,603 0,054 0,30 {6} 5,01 60 27,26
(*) Medies preliminares por cumulantes de quarta ordem foram realizadas nas
fontes, onde uma delas apresentava o menor valor cumulante, isto o Cum4(S) igual a
22,215dB.
6.3.7 Resultados Referentes ao ICA
O mtodo ICA pode ser utilizado na separao de fontes rudo dos sinais de DP,
apresentando resultados melhores do que os mtodos tradicionais utilizados na filtragem
de sinais de DP. Este mtodo no requer pr-branqueamento, diminui o nmero de
operaes em N
2
e no necessrio tratar operaes matriciais gigantescas, precisando
104
apenas calcular uma matriz inversa generalizada de 3x2 que concentra os critrios-
cumulantes como condio do desvanecimento destes quando converge o algoritmo.
A mais importante vantagem deste mtodo, no processamento de sinais de DP,
sua robustez sob rudos gaussianos. Caso o rudo seja colorido um pr-tratamento pode
ser implementado.
Nos casos em que as observaes foram pr-branqueadas, haver a necessidade de
ps-processar via ps-anlise de fatores (semelhante ao PCA) [84], devido ao fato que
parte do rudo foi pr-processado, tornando-se rudo gaussiano multidimensional com
correlao cruzada. A Figura 6.17 e 6.18 mostra a matriz estimada B para SNR 5dB e
13,4dB respectivamente. Observa-se que as amplitudes diminuem para condies de
menor energia quando SNR cresce.

Figura 6.17 Fontes estimadas com SNR 5dB pelo ICA sem pr-branquamento.

105

Figura 6.19 Esquerdo: Observaes com 40%-6,29dB de rudo, Direito: Fontes estimadas pelo
ICA no-holonmico com SNR= 6,29dB

Figura 6.20 Ganho obtido pelo caracterizador 30,43dB : Direita: Fontes originais Esquerda:
Fontes estimadas com 6,29DB de rudo. Entre estes duas fontes tiveram ganhos que podem
observar-se visualmente.
6.4 Caracterizador de Fontes Ruidosas de DPs por ICA Shrinkage
106
A Figura 6.19 e Figura 6.20 mostra o desempenho realizado pelo caracterizador.
Foi injetado rudo gaussiano artificial de 6.29dB nas observaes, observa-se que o ICA
consegue separar e estimar as oito fontes, conseguindo obter um ganho de 30,43dB (ver
Tabela 6.7). As fontes originais e as fontes estimadas foram comparadas e mostradas na
Figura 6.20. Pode-se identificar visualmente a recuperao de todas as fontes. Alm
disso, pode-se ver at mesmo uma melhoria em suas topologias (estruturas), pelo menos
em duas fontes sinalizadas por curvas fechadas. Tais fontes obtiveram os maiores
ganhos, onde alguns componentes originais foram eliminados e acredita-se que eram
componentes de rudo, visto que a anulao dos cumulantes de quarta ordem, por
otimizao, foi o critrio da funo contraste do ICA (eeA).

Tabela 6.8 Quadro comparativo de trs Modelos ICA

FastICA JADE eeA-
Akuzawa
Erro (DB) 2,3133 2,2442 1,2283
Soma Cum4(Y) 25,6500 26,2193 0,2812
Soma Cum4(S) 22,2148 22,2148 22,2148

A Tabela 6.8 mostra o desempenho de trs modelos ICA. Destaca-se que o
FastICA e o JADE precisam de pr-processamento, branqueamento, enquanto que o
eeA no utiliza estatsticas de segunda ordem e pode trabalhar diretamente com os
dados.
O quadro acima mostra o somatrio dos cumulantes de quarta ordem da entrada
Cum4(S) e da sada Cum4(Y). Observa-se que, o FastICA e o JADE tm desempenhos
parecidos e, o eeA apresentou menor erro (1,2283 dB). O eeA trabalha com gradiente
natural e distncia geodsica com restries no-holonmicas, a funo contraste uma
matriz de 3x3 de cumulantes de quarta ordem. Uma desvantagem deste algoritmo a
sensibilidade a outliers- (dados intrusos) [84], [73].

Nesta seo, se realiza uma aproximao para o problema de remoo de rudos
em sinais fonte de DPs, usando o ICA estendido, Noisy_ICA,
107
mostrado que os modelos Shrikage de funes podem ser aplicados na
caracterizao dos sinais de DPs, desde que se faa uma boa escolha das funes
contraste ou function score e, pelo menos, conhea-se a varincia do rudo. Caso no
seja conhecido o rudo, estes precisam ser estimados pelos estimadores MAP e ML [60],
[73], [77], [80].
Os dados so fontes de defeitos procedentes de enrolamentos e barra estatrica
envelhecida, utilizadas na representao de defeitos em sistemas de isolamento,
possveis de serem encontrados em hidrogeradores e geradores e outros variantes de
defeitos encontrados no prprio gerador fonte (ver Captulo 3). Para realizao deste
caracterizador se tomaram as fontes, as quais, para este modelo caracterizador, foram
consideradas como observaes ruidosas.
6.4.1 Descrio do ICA Shrinkage
Na seco 5.5.8, foram descritas as equaes mais importantes para implementar
o Noisy_ICA. A estimao dos componentes principais ser realizada por meio das
funes shrinkage, que, por sua vez, utilizam os critrio de codificao esparsa em
conjuno com o princpio da mxima semelhana para remover rudos dos dados DPs.
Cabe ressaltar que na Equao (5.65) a inverso solicitada pode ser impossvel,
analiticamente. Segundo Hyvrinen et. al. [60], [73], [76], [80], [83], existem algumas
funes que tm grande praticidade na implementao deste mtodo, conhecido como
codificao shrinkage (SCS).

Modelos de densidade esparsa
Dados esparsos so caractersticos nas medies de DPs, visto que o depsito dos
pulsos das descargas se concentram em uma rea em volta de grupo de ngulos de
referncia da tenso aplicada aos ensaios de DPs. Estas descargas podem ser
observadas na Figura 6.21, mostra tambm a ocorrncia de duas variantes no eixo das
projees das amplitudes da descarga e no eixo das projees angulares, alm das
quantidades de descarga armazenada no eixo vertical. Estas variantes no tm forma
gaussiana, sendo que, estas possuem caldas alongadas por amplitudes e levemente na
referncia angular. Contudo, esta figura mostra um verdadeiro histograma das DPs.
Porm, observa-se tambm a existncia de outros pontos esprios, que so apontados
como supostos intrusos outliers ou rudos, dependendo da amplitude.
108
A Figura 6.22 mostra duas formas gaussianas simtricas. Observa-se que, fazer
um modelo de funes compostas gaussianas, no seria coerente com o mapa das
descargas, se estaria perdendo tanto na informao quanto na forma. Alm disso, o
modelo ICA no seria adequando para funes gaussianas, visto que, fundamental que
as funes tenham a caracterstica de no gaussianidade.

Figura 6.21 Dado coletado de DPs: histograma com 256x256 canais (bins)

Figura 6.22 Modelo duplo gaussiano

Dados esparsos so caracterizados por serem suavemente ou fortemente esparsos.
Logo, sero mostrados alguns modelos destas funes, os quais so dados em [73], [76].
Nota-se que, a densidade laplaciana ou duplo exponencial uma das funes utilizadas
como funo pdf dos componentes s . A Figura 6.23 mostra a funo laplaciana na
109
forma multidimensional e simtrica para expressar a estimao no paramtrica das DPs
bivariantes frente a rudos gaussianos relativos. Talvez seja preciso formar um
composto de funes densidade para modelar DPs tridimensional.

Figura 6.23 Modelo laplaciano para Noisy_ICA em dados DPs

A Figura 6.24 mostra pictoricamente o histograma de rudos gaussianos
introduzidos nas fontes das DPs, sendo que, segundo o Captulo 3, a calibrao dos
circuitos e do instrumento de medio, encontram este tipo de rudo, para reduzir tal
efeito, filtros de linha so instalados ou filtros adaptativos via hardware/software.

Figura 6.24 Modelo gaussiano para resduos em dados DPs
Densidade esparsa suave:
110

2
( ) exp
2
as
p s C b s

=

(6.18)
Densidade laplace:

1 2
( ) exp
2
s
p s s
d d

=

(6.19)
Densidade laplace esparsa forte:

( )[ ]
( / 2 1)
( 3)
2 ( 1) / 2
1
( )
2
( 1) / 2
p s
d
s
d

+
+
+ +
=

+ +

(6.20)
onde a , b e d so os parmetros que determinam a natureza das distribuies e devem
ser estimados a partir das observaes. A seguir, mostra-se o grfico das equaes 6.18-
6.20 na Figura 6.25.

Figura 6.25 Modelos de componentes esparsos. Linha slida: densidade laplaciana. Linha
traada: uma tpica densidade moderadamente esparsa (super-gaussiana). Linha de traada e
pontilhada: uma densidade tpica fortemente esparsa (super-gaussiana). Linha pontilhada:
densidade gaussiana para referencia [80], [76].

O modelo do chamado funo shrinkage ( ) g u correspondente s distribuies
acima se tornam funes de contraste, alguns chamam de funo ou ativao:

111
- Para densidades suavemente esparsas;

2
2
1
( ) ( ) max(0, )
1
g u sign u u b
=
+
(6.21)

{ } { }
{ } { }
2
2
2
2 (0)
s
p E s E s
b
E s E s
=

(6.22)

{ }
{ }
2
1
1 a E s b
E s
=

(6.23)
- Para densidades fortemente esparsas;
( )
2
2
1 1
( ) ( ) max 0, 4 ( 3)
2 2 2
u ad
g u sign u u ad
d

= + + +

(6.24)

{ }
2
d E s = (6.25)

2 ( 4)
2 1
k k k
k
+ +
=
(6.26)
- Para densidades laplacianas

2
( ) ( ) max(0, 2 / ) g u sign u u d = (6.27)
onde
2
a varincia do rudo em todos os casos (ex.:
2
=0,3).

Figura 6.26 Funes shrinkage. Linha da cor vermelha: correspondente densidade laplaciana.
Linha da cor azul: shrinkage correspondente densidade moderadamente esparsa
(supergaussiana), linha da cor preta: shrinkage correpondente densidade fortemente esparsa
(supergaussiana). Linha cor amarela: Linhas de referencia x=y, x=0, [76].
112
A Figura 6.27 mostra pictoricamente uma famlia de funes shrinkage g(u) tal
com foi visto na Figura anterior (Figura 6.26), segundo as Equaes 6.21, 6.24 e 6.27.

Figura 6.27 Famlia de Funes shrinkage

Modelo duplo laplaciano para remoo de rudos em DPs

Segundo a Figura 6.21, realizada uma escolha de funes de densidade, parece
que a funo laplaciana mais prtica que as outras revisadas na seco anterior. O
princpio ML utilizado para este fim, remoo de rudos gaussianos em variveis
aleatrias no-gaussianas, especificamente variveis aleatrias super-gaussianas. Logo,
necessrio estimar a matriz de mistura A e a matriz de separao w, sabendo que,
T
= w w I e
T
= w A. Alm disso, necessrio conhecer um parmetro do rudo,
tipicamente sua varincia. Existem varias formas de estimar o rudo, sendo um deles o
uso do resduo do PCA quando se faz compactao de dados. De forma similar o anlise
de fatores FA pode servir par estimar o nvel do rudo utilizando a relao que existe
entre a dimenso
{ }
1
`2 1 8 1
2
m n n + + [56]. Alm disso, tm-se outros estimadores
mtricos baseados na medida de no-gaussianidade.
Para este caso usou-se o critrio de quarto cumulante para estimar a matriz A, o
nvel do rudo estimado pelo FA foi aproximadamente o 5% [56].
113
Os resultados so apresentados na forma visual. A fonte original, mostrada na
Figura 6.21 utilizada para mostrar os resultados. Utilizou-se o duplo Laplace (Figura
6.28) como funo contraste. O logaritmo desta funo foi tomado, assim como sua
derivada com respeito fonte estimao s (realizada no MAPLE8). Aps realizar as
estimativas, observou-se que, houve uma melhora na resoluo do mapa de DPs, sendo
que alguns pontos esprios com baixa amplitude foram eliminados (Figura 6.29).
Finalmente, este mtodo, mesmo com vrias assunes mostrou-se eficiente para
os propsitos de um caracterizador de sinais de DPs.

Figura 6.28 Modelo de funo proposto para remoo de rudos

Figura 6.29 fonte estimada pelo caracterizador ICA Shrinkage

Captulo 7

Concluses e Anlise dos Resultados
O fenmeno de descarga parcial pesquisado por mais de sete dcadas, sua
preeminente importncia ferramental tem crescido para assistir na qualidade e, no
desempenho de vrios equipamentos em alta tenso. Assim, detectar e medir DPs numa
etapa mais prematura possvel e buscar sua caracterizao, nesses equipamentos, tm
sido uma busca incessante. Porm, os rudos-parasitas vm sendo um dos principais
obstculos. Devido necessidade de melhorar a interpretao de medies de DPs, a
tese props modelos experimentais (clulas teste) correlacionados de forma a priori,
com locais crticos e de grande chance de ocorrerem DPs, em transformadores de
potncia. E tambm a construo de barras experimentais para correlacionar defeitos
tpicos em bobinas estatricas de mquinas girantes, como os hidrogeradores (descritas
no Captulo 3). Alm disso, para a reduo ou supresso de rudos gaussianos, foram
tratados os dados na etapa de ps-processamento, empregando-se tcnicas emergentes
em processamento de sinais (ICA), baseadas na separao cega de fontes ruidosas
(descritas no Captulo 5 e 6).
A coleta de dados de medies de DPs, tanto em clulas experimentais quanto em
barras estatricas, foi obtida atravs da utilizao do equipamento de medio de DP
ICM-System da Power Diagnostic. Este equipamento gera mapas digitais contendo
informaes de fase, carga e taxa de repetio das amplitudes mximas das descargas,
compondo uma dimenso de 256x256. Tornando-se necessrio uma etapa de pr-
processamento para a reduo da dimensionalidade. Isso se faz necessrio para reduzir o
custo computacional dos algoritmos codificados para classificao e caracterizao de
DPs.
Uma das primeiras anlises foi realizada por meio de uma de associao, baseada
na anlise de componentes principais (aplicada para a compactao ou a reduo da
dimensionalidade) e redes neurais (como classificador universal). A compactao
dimensional dos dados contribuiu para melhorar a eficcia e desempenho dos sistemas
Captulo 7 Concluses e Anlise dos Resultados
115
de reconhecimento de padres de DPs. A aplicao desta associao, sobre aos dados de
DPs, obteve bastante sucesso nos seus resultados, sendo portanto sua aplicabilidade
recomendvel.
Outra anlise de dados foi realizada atravs de filtros timos, baseada na teoria de
filtros casados. Esta associada com redes neurais apresentou uma boa eficincia na
caracterizao-classificao de sinais de DPs, devido as vantagens trazidas por suas
caractersticas individuais. O filtro casado tem a especialidade de levar informao da
forma do sinal. O MF apesar de ser para sinais determinsticos, foi utilizado para
discriminar sinais de DPs, cujas caractersticas revelam ser de natureza estocstica e a
rede neural foi utilizada para discriminar as flutuaes no tratadas pelo MF Logo este
hbrido resultou ser um bom classificador de sinais de DPs.
O processamento de separao de rudos das fontes de DPs utilizando a tcnica de
Separao Cega de Fontes (BSS) por meio da Anlise de Componentes Independentes
(ICA) teve desempenho muito satisfatrio, visto que foram recuperadas 100% das
fontes avaliadas e muitas delas tiveram um ganho ao reduzir seus componentes
ruidosos. Aps pesquisa dos mtodos ICA, que lidam com rudos, concluiu-se que, as
tcnicas: ICA no-holonmico, JADE, Infomax e FastICA, podem ajudar na extrao
dos rudos, sendo a primeira mais explorada devido a sua robustez frente a rudos
gaussianos alm de ter critrios estatsticos e geomtricos.
Extenses ICA foram utilizadas para remoo de rudos e estimao de fontes de
sinais expressos por seus componentes independentes. Estas tcnicas provaram sua
aplicabilidade nos casos onde os dados tm contaminao por rudos. E sob certas
condies como assuno de funes esparsa e forma do rudo (ex.: gaussiano),
consegue-se remov-lo da fonte.
Alm disso, estas tcnicas podem ser utilizadas para compactao de bancos de
dados que armazenam este tipo de informao. Os quais servem de consultas aos
agentes de informao tal como sistemas de diagnsticos de equipamentos.
A remoo total ou at parcial dos rudos ajuda esclarecer algumas dvidas e
ambigidades antigas do conhecimento de fontes de sinais DPs. Por exemplo, encontrar
a forma do padro do modelo experimental mais prxima a sua natureza e possvel
correlao entre o modelo e local crtico (descrito no Captulo 3).
Os sistemas de diagnstico de equipamentos on-line podem alcanar uma melhor
eficcia quando faz uso de dados reduzidos dimensionalmente, e de banco de dados
7.1 Escopo para Trabalhos Futuros
116
contendo melhor qualidade de informao, produto do tratamento de rudos pelos
sistemas caracterizadores.
7.1 Escopo para Trabalhos Futuros
Realizar uma ampliao dos novos modelos experimentais a fim de que se
obtenham mais fontes refinadas para melhorar a representao das descargas localizadas
nos equipamentos, desde que os modelos tenham correlao com dados reais
encontrados no campo.
Uma proposta futura a implementao do sistema caracterizador em programas
computacionais para propsitos de tratamento de sinais de DPs no campo.
Outra proposta o melhoramento dos algoritmos empregados na pesquisa para
fins de serem utilizados em hardware via DSPs. Assim, seria possvel obter um melhor
desempenho dos caracterizadores. Visto que, os DSPs so altamente competentes e
dedicados no processamento de sinais rpidos.
Modelar outros tipos de rudo a fim de otimizar os caracterizadores descritos.
Rudos coloridos podem ser branquiados por filtros casados ou estimados seus
parmetros por estimadores de mxima semelhana, por exemplo.
Pesquisar outras tcnicas de pr-processamento, como o NLPCA, NFA, Kernel
PCA, a fim de melhorar a compactao e/ou o desempenho dos mtodos ICA que
utilizem pr-processamento. Com estes se espera modelar com maior eficincia as
componentes principais que garantam uma melhor representao dos dados originais.
Realizar uma extenso de pesquisa para outros mtodos ICA Noisy e filtros
Wavelet Shrinkage, devido a sua acelerada evoluo em diversos campos e aplicaes.
Tambm podem ser aplicveis para outros casos de medio, monitorao on-line
e serem parte de um diagnstico integrado de equipamentos de subestaes de energia
eltrica.
Outro campo de aplicao a purificao e, compactao de bancos de dados que
contm este tipo de informao para a melhoria da qualidade de informao.

Apndice A Conceitos Bsicos de Estatstica
para Mtodos de Separao de Fontes

Neste apndice se incluem alguns conceitos bsicos da estatstica que ajudaro a
compreender melhor os contedos da presente memria, visto que, com estes se tem
uma referncia prxima e na notao que se usa na tese. Descrevem-se algumas funes
de densidade de probabilidade que se citam nos Captulos 5 e 6, porm podem aplicar-
se para outros tipos de sinais que no sejam descargas parciais. Para maiores
informaes podem ser consultadas, por exemplo, as referncias bibliogrficas [86],
[50], [52].

A1.1 Introduo
Na anlise de um sinal aleatrio, s, de grande interesse o estdio de sua funo
de distribuio, f(s) (s
m
s s
M
), visto que, est proporciona a probabilidade de que se
gere um valor determinado, s, do sinal dentro da faixa em que esteja definida o sinal, s
[s
m
, s
M
].
Na prtica pode aproximar-se a distribuio de probabilidade de um sinal a partir
de sua distribuio de freqncias (nmero de vezes que se repetem os elementos de
cada uma das classes em que se subdivide o faixa de valores da varivel aleatria) sim
necessidade de dividir o nmero de elementos de cada classe por o nmero total de
amostras, NM.
Um conjunto de NM observaes de um sinal, s(1), s(2),...,s(NM), pode ser
descrito, alm da funo de distribuio, por meio de umas medidas descritivas que
especificam, entre outras propriedades a localidade ou tendncia central (mdia,
mediana, moda, etc.), a disperso ou variao (faixa, desvio mdia, desvio padro,
varincia, etc.), a assimetria (skewness) e a agudeza (kurtosis).

A1.2 momentos e cumulantes

Apndice A Conceitos Bsicos de Estatstica para Mtodos de Separao de Fontes
118
A1.2.1 Momentos

Os momentos de uma varivel aleatria podem utilizar-se para descrever sua
distribuio de probabilidade [86], [50]. O k-ssimo momento,
'
k
, da varivel aleatria
s centrado no zero (0) se define como:
{ }

= = = ,... 2 , 1 ) ( ) (
'
k ds s f s s E s
k k
k
(A1.1)
onde E{} o valor esperado ou a esperana matemtica:
{ }

= ds s f s s E ) ( (A1.2)
O k-ssimo momento, k, da varivel s em volta de sua mdia, > =< s ' , se
define como:
{ }

= = ds s f s s E s
k k
k
) ( ) ( ) ( ) ( (A1.3)
Os momentos mais utilizados so a mdia =, e a varincia,
2
2
= , onde
a desvio padro. Se c uma constante e s uma varivel aleatria com mdia e
varincia
2
, se verificam as seguintes propriedades [86]:
{ } c c E = (A1.4)
{ } { } s E c s c E = (A1.5)
{ } { }
2 2 2 2
= = s E ) s ( E (A1.6)

2 2
=
+ ) s c (
(A1.7)

2 2 2
=
c
s c
(A1.8)
Os momentos de uma varivel aleatria podem ser estimados diretamente, a partir
das definies (A1.1) e (A1.3) ou a partir da funo geradora de momentos, m(t),
daquela varivel que se define como:
{ }
ts
e E t m = ) ( (A1.9)
Se m(t) existe, ento, os momentos centrados na referncia zero (0) podem ser
calculados com a expresso:

0
'
) (
=
=
t
k
k
k
dt
t m d
(A1.10)

119
Sobre certas condies, que costumam cumprir a maioria das funes de
distribuio, pode-se dizer que, se duas variveis aleatrias, s
1
, s
2
, tm seus respectivos
momentos iguais,

1 2
( ) ( ) 1, 2,...,
k k
s s k = = (A1.11)

ento suas distribuies de probabilidade, f1(s
1
) e f2(s
2
), sero idnticas. Por
conseguinte, se elas tm iguais os trs ou quarto primeiros momentos, logo estas podem
ser consideradas como idnticas.

A1.2.2 Cumulantes
Os cumulantes,
k
, so outras constantes que descrevem e especificam
propriedades e circunstancias de uma distribuio e so ms teis, desde um ponto de
vista terico, que os momentos. Os cumulantes de ordem k podem ser calculados a
partir dos momentos de ordem igual ou inferior a k. Os cumulantes de ordem 1 at 4,
centrados na origem zero e em funo dos momentos so:

4 2 2
3
2
'
1
'
1
'
2
'
2
'
1
'
3
'
4 4
'
1
'
1
'
2
'
3 3
'
1
'
2 2
'
1 1
6 12 3 4
2 3

+ =
+ =
=
=
(A1.12)

Se as variveis aleatrias esto centradas em sua mdia, dizer, 0
1
=
'
, as
expresses dos cumulantes se simplificam:

{ }
{ }
{ } { }
2
2 4
2
2 4
4
3
3
3
2
2
2
1
3 3
0

= =
= =
= =
=
E s E
s E
s E
(A1.13)

Para uma varivel gaussiana (Seco. A1.3.2) os cumulantes de ordem superior a
2 so todos nulos; dizer,
k
=0 (k >2).

120
A varincia
2
, cumulante de s de ordem 2,
2
=
2
, caracteriza a potencia o
disperso de s.
Centrando na mdia e normalizando o sinal aleatrio pode-se efetuar o seguinte
cambio de varivel:

=
s s
s
2
~
(A1.14)

Obtm-se a varivel ou sinal estandardizado s
~
, dizer, todo sinal estandardizado
ter mdia 0 e varincia 1. Os cumulantes estandardizados,
k
~
, so os cumulantes do
sinal estandardizado.
O cumulante estandardizado de ordem 3,
3
~
, mede a assimetria (skewness) da
funo de distribuio, visto que nula se a funo de densidade de probabilidade de s
tem um eixo de simetria. Se s centrada, o fator de assimetria (1) resulta ser:

{ }
{ }
2 / 3
2
3
2 / 3
2
3
2 / 3
2
3
3 1
~
= = = =
s E
s E
(A1.15)

Se a distribuio simtrica:
1
=0 (j que toda distribuio de probabilidade
simtrica tem os momentos impares nulos, e em particular
3
=0). Usualmente se
1
>0
quere dizer que, a cauda superior da distribuio a ms baixa (mdia > mediana >
moda) e se 1<0 a cauda inferior a ms baixa (mdia < mediana < moda).

O cumulante estandardizado de ordem 4,
4
~
, o fator de agudeza ou kurtosis
(2). Se o sinal est centrado na mdia:

{ }
{ }
2
2
4
2
2
4
2
2
4
4 2
3 3
~
= = = =
s E
s E
(A1.16)

O sinal da agudeza caracteriza o comportamento no infinito das densidades de
probabilidade mono-modais (possuem apenas um modo). Se 2=0 se diz que a
distribuio meso-aguda ou mesokurtic (ex.: gaussiana). Se a agudeza negativa
(2<0) se dize que a distribuio sub-gaussiana ou platykrtic, j que tende para zero
121
no infinito, ms rapidamente que a distribuio gaussiana. Pelo contrrio, se a agudeza
positiva (2>0), a funo de distribuio tende para zero no infinito, ms lentamente
que a distribuio gaussiana se diz que super-gaussiana ou leptokurtic.

A1.2.3 Distribuies de probabilidade multivariavel. Cumulantes cruzados

A distribuio de probabilidade conjunta f(s)=f(s1,...,sp) de um conjunto de
variveis aleatrias discretas s = (s
1
,,s
p
) proporciona os valores de probabilidade f(s)
para todas as combinaes possveis de valores (s
1
,,s
p
).
Por definio, a distribuio de probabilidade conjunta verifica as seguintes
propriedades:

PA1.1 0 f(s1,,sp) 1 s1,,sp
PA1.2 1 ) ,..., (
1 2
1
=

s s s
p
p
s s f

A distribuio de probabilidade marginal (o incondicional) f(s
i
) de s
i
representa
probabilidade de que se produzam os valores de s
i
independentemente dos outros
valores s
j
(ji). Verifica-se:

=
=
1 1
2 3
) ,..., ( ) (
) ,..., ( ) (
1
1 1 1
s s
p p p
s s s
p
p
p
s s f s f
s s f s f
(A1.17)

A probabilidade de que se produzam uma combinao (s
1
,s
2
) ser igual
probabilidade de que se produza s
2
condicionado a que se produza simultaneamente s
1
,
f(s
1
|s
2
), multiplicado pela probabilidade de que se produza s
1
. Este fato
matematicamente pode se expressar como:
f(s
1
,s
2
) = f(s
1
|s
2
) f(s
1
) (A1.18)

Finalmente f(s
1
|s
2
) se acostuma denominar probabilidade condicional (de s
2
com
respeito a s
1
).
122

Analogamente podem-se dizer:
f(s
1
,s
2
) = f(s
2
|s
1
) f(s
2
) (A1.19)
Verifica-se que:

f(s
1
|s
2
) f(s
1
); f(s
2
|s
1
) f(s
2
); (A1.20)

dizer, a probabilidade de que se produza s
1
, tendo-se produzido s
2
, menor ou
igual probabilidade de que se produza s
1
isoladamente (ou a probabilidade de que se
produza s
2
tendo-se produzido s
1
menor o igual que a probabilidade de que se produza
s
2
). A igualdade se obtm no caso em que a gerao de s
1
no dependa de s
2
(ou que a
gerao de s
2
no dependa de s
1
); dizer, quando s
1
e s
2
sejam estatisticamente
independentes.

De (A1.18), (A1.19) e (A1.20) deduze-se que:
f(s
1
,s
2
) f(s
1
) f(s
2
) (A1.21)

Verificando-se a igualdade quando s
1
e s
2
sejam estatisticamente independentes.
Neste caso a igualdade obvia j que indica que a probabilidade da gerao de um par
(s
1
,s
2
) depende de que se produza o valor de s
1
e o valor de s
2
, isoladamente.

Em general, p sinais s
1
,...,s
p
so estatisticamente independentes se e unicamente
se:

=
=
p
i
i p
s f s s f
1
1
) ( ) ,..., ( (A1.22)

As mesmas definies e concluses podem ser aplicadas em variveis aleatrias
continuas, sem ter mais que substituir em PA2.1 e em (A1.17) as somatrias por
integrais.

Suponha-se uma varivel aleatria p-dimensional, s
T
=(s
1
,,s
p
) est centrada em
sua mdia, dizer E{s
i
}=0 para todo i, do mesmo modo que em no caso escalar (A1.9).
123
Logo, pode-se definir uma funo caracterstica conjunta de p variveis aleatrias s
i
,
como:

{ }
x v
T
v
j
s v j
e E e E m
i
i i
=

= ) ( (A1.23)

onde v
T
=(vi). Se as componentes s
i
do vetor aleatrio s admitem uma densidade
de probabilidade conjunta f(s) ento a funo geradora de momentos de s vem dada por
a transformada de Fourier de aquela densidade:

=
p
d f e m
j
u u v
s
u v
T
) ( ) ( (A1.24)

Os cumulantes de ordem 2, o covarincias, so magnitudes com dos subscritos
que se podem organizar em uma matriz de covarincia cujos elementos so da forma:

[ ] { }
{ } ) ( ) ( ) , ( ) ( ) ( ,
) ( ) ( ,
2 1 1 1 2 1 1 2 1 1 1 2 1
2 1 1 1 2 ,
s s s s s s s s E
s s E s s Cum
ij j i

= =
= = = =
s s
(A1.25)

A expresso anterior indica diversas formas de representar os cumulantes (neste
caso de ordem 2). Acostuma-se utilizar uma ou outra forma dependendo do contexto.

Os cumulantes de ordem 3 so:

[ ]
3 3 2 1 ,
s , s , s Cum
s
= (A1.26)
Os cumulantes de ordem 4 so:

[ ] { }
{ } { }
{ } { }
{ } { }

= =
) s ( ) s ( E ) s ( ) s ( E
) s ( ) s ( E ) s ( ) s ( E
) s ( ) s ( E ) s ( ) s ( E
) s ( ) s ( ) s ( ) s ( E s , s , s , s Cum
,
3 1 2 1 4 1 1 1
4 1 2 1 3 1 1 1
4 1 3 1 2 1 1 1
4 1 3 1 2 1 1 1 4 4 3 2 1

s
(A1.27)

Em general, os cumulantes de ordem r se relacionam com os momentos segundo a
frmula de Leonov e Shiryayev [86]:
124

[ ]
p
v k
k
v j
j
v i
i
k
r
s E s E s E )! k ( ) ( s ,..., Cum
2 1
1 1 s
1
1
(A1.28)

onde a somatria se estende para todos os conjuntos {v
1
,,v
p
}, 1 p r que
formam uma partio de {1, ,r}, e k o nmero de elementos que compem a
partio.
Denomina-se ordem da estatstica ao nmero de ndices, r, utilizados para
representar os cumulantes [86].
Uma propriedade de grande importncia, utilizada em diversos mtodos de
separao cega de sinais, indica que, vrios sinais aleatrios so estatisticamente
independentes, se e somente se, seus cumulantes cruzados de qualquer ordem so nulos.
conveniente notar que, tornar nulos os cumulantes cruzados de ordem 2 (covarincias)
condio necessria mais no suficiente (salvo no caso de distribuies gaussianas)
para a independncia estatstica, visto que, os cumulantes de ordem superior tambm
devem ser nulos. Quando as covarincias entre sinais so nulas, se diz que os sinais
esto descorrelacionados.

A1.3 Funes de densidade de probabilidade de sinais aleatrios.

A1.3.1 Sinais com densidade de probabilidade uniforme.

Um sinal aleatrio se diz que tem uma densidade de probabilidade uniforme, na
faixa [s
m
, s
M
], se todo valor do sinal compreendido nessa faixa tem igual probabilidade
de produzir-se (Figura A1.1).
s
s
m s
M
f(s)
m M
s s
1

Figura A1. 1. Funo de densidade de probabilidade uniforme.

125
Tendo em conta que a rea total baixo a curva de probabilidade (rea sombreada
da Figura A1.1) tem que ser a unidade, se verifica que:

1
( ) se
( ) 0 emoutro caso
m M
M m
f s s s s
s s
f s
(A1.29)

A funo geradora de momentos de uma distribuio de probabilidade uniforme :

) (
) (
m M
ts ts
s s t
e e
t m
m M
= (A1.30)

Os momentos de ordem par so:

k
m M
k
s s
k

+
=
2 1
1
(A1.31)

Assim, a mdia e a varincia so respectivamente:

( )
12
2
2
2 m M
m M
s s
s s
+
=
+
=
(A1.32)

e o fator de agudeza (kurtosis):

5
6
2
= (A1.33)
Por analogia com a funo de distribuio gaussiana se diz que, uma funo de
distribuio super-uniforme se > ) (
m
s f e > ) (
M
s f sub-uniforme se < ) (
m
s f e
< ) (
M
s f .

A1.3.2 Sinal com densidade de probabilidade gaussiana (normal).

A funo de distribuio gaussiana tambm se denomina distribuio normal
devido a que o modelo ao qual se ajustam muitas distribuies que aparecem em
126
diversos campos cientficos e tcnicos. Por exemplo, a distribuio de erros relativos em
medidas experimentais corresponde a uma densidade de probabilidade gaussiana.

A funo de distribuio gaussiana dada por:

< < = =

s N e s f
def
s
) , (
2
1
) (
) 2 /( ) (
2 2

(A1.34)

A funo geradora de os momentos :

) / t ( t
e ) t ( m
2
2 2
+
= (A1.35)

Devido simetria desta funo (ver Figura A1.2), os momentos de ordem impar
so nulos e os de ordem par so dados por:

,... , , r
! r
)! r (
r
r
r
3 2 1
2
2
2
2
=
= (A1.36)
(a)
(b)
(c)

Figura A1. 2. Distribuies de probabilidade gaussianas com:
(a) =0, =1; (b)=3, =1.5; (c)=6, =0.5.

127
A1.3.3 Funo de densidade de probabilidade gamma.

Esta funo se define como:

( ) /
1
( ) ( ) 0, 0,
( )
s
e
f s s com s

= > > >

(A1.37)

onde () a funo gamma:

ds e s ) (
s
=

0
1
(A1.38)

O parmetro o fator de forma e o fator de disperso. Usualmente se
considera =0, com o qual (A1.25) se converte em:

1 /
1
( ) 0, 0, 0
( )
( ) 0 0
s
f s s e com s
f s com s

= > >
= <
(A1.39)
Na Figura A1.3 se mostram algumas funes de probabilidade gamma.

A funo geradora de momentos resulta ser:

= ) t ( ) t ( m 1 (A1.40)

De forma que, os momentos respeito origem so:

4
4
3
3
2
2
1
3 2 1
2 1
1

) ( ) ( ) ( '
) ( ) ( '
) ( '
) media ( '
+ + + =
+ + =
+ =
= =
(A1.41)

os momentos centrais resultam ser [86]:

128

2 2
2
3
3
4
4
(varincia)
2
3 ( 2)

= =
=
= +
(A1.42)

(a)
(b) (c)

Figura A1. 3. Distribuies de probabilidade gamma com:
(a) =1, =2; (b) =2, =0.5; (c) =2, =1(exponencial).

A funo de densidade de probabilidade gamma tem sido de til em descargas
parciais para modelar formas de pulsos ultra-rpidos [10]. Outro exemplo, no campo da
fonologia, j que os sinais de voz se aproximam notavelmente para um tipo destas
funes que se obtm fazendo
2
1
= [86], tendo em conta que (1/2)=1/2, a expresso
(A1.27) se torna em:

<

=

s e
s
) s ( f
/ s
/
0
1
2 1

(A1.43)

A densidade de probabilidade de o sinal de voz, a diferencia da dada por (A1.31,
Figura A1.3b) simtrica (bilateral), segundo se mostra na Figura A1.4, com a
finalidade de seguir-se conservando a rea baixo a funo de densidade de
probabilidade (- < s < ) seja a unidade, (A1.31) deve tornar-se em:

129
<

=

s e
s
) s ( f
/ s
/

2 1
1
2
1
(A1.44)

Gamma bilateral
Exponencial duplo

Figura A1. 4. Densidade de probabilidade gamma bilateral
e duplo exponencial com =127 e =16.

A varincia da funo (A1.32) resulta ser:

2 2
4
3
= (A1.45)

onde a densidade de probabilidade gamma bilateral em funo da mdia () e da
varincia (2) :
<

=

s e
s
) s ( f
)) /( s (
/

2 3
2 1
8
3
(A1.46)

A expresso anterior (A1.34) coincide com a dada por Rabiner em [86].
Duas propriedades de interesse so as seguintes: Se s
1
e s
2
so duas variveis
aleatrias independentes, com funo da distribuio gamma e com valores
paramtricos :
1
e
2
, e valores de comuns: =
1
=
2
, ento se verifica:
s
1
+s
2
uma distribuio gamma com igual e com =
1
+
2
.
130
2 1
2
2 1
1
s s
s
y
s s
s
+ +
tem distribuio beta com parmetros
1
e
2
.

A1.3.4 Funo densidade de probabilidade exponencial e duplo exponencial (ou
de Laplace).
Se na expresso (A1.27) da funo de probabilidade gamma se faz =1 se obtm
a funo de probabilidade exponencial (Figura A1.3c):

< =
=

0 0 ) (
0
1
) (
/
s si s f
s si e s f
s
(A1.47)

cuja mdia, varincia, assimetria, fator de agudeza e cumulantes resultam ser
respectivamente:

r
r
r )! 1 ( ; 6 ; 2 ; ;
2 1
= = = = = (A1.48)

Os sinais de voz tambm se acostuma aproximar com uma distribuio de
probabilidade duplo exponencial (tambm denominada distribuio de Laplace),
consistente em fazer a funo exponencial (A1.35) simtrica:

/
2
1
) (
s
e s f

= (A1.49)

onde =0 e = 2 , ento (A1.37) pode expressar-se como:

/ s
e ) s ( f

=
2
2
1
(A1.50)
que coincide com a expresso dada por Rabiner em [59].
Uma forma normalizada desta distribuio se obtm fazendo =0 e 2 = ,
ento (A1.38) se converte na primeira lei do erro de Poisson:

s
e ) s ( f

=
2
1
(A1.51)

131
O k-ssimo momento central resulta ser:

) par es k si ( ! k ) x (
) impar es k si ( ) x (
k
k
=
=
0
(A1.52)
e o fator de agudeza:
2=3 (A1.53)
logo, a distribuio resulta ser super-gaussiana.

Na Figura A1.4 se mostra uma funo de probabilidade duplo exponencial
superposta com uma funo gamma bilateral. A densidade de probabilidade de um sinal
de voz se encontra entre as curvas [116].
=1/2
=3
==1
==2
==3

Figura A1. 5. Funes de probabilidade beta.

A1.3.5 Funo densidade de Probabilidade

A funo de densidade de probabilidade para um sinal aleatria tipo beta dada
por:

0 , 0
) (
) ( ) (
) , (
1
) (
1
1 1
> >

=
+

M m
m M
M m
s s s
s s
s s s s
B
s f (A1.54)
onde:

+

= =

1
0
1 1
) (
) ( ) (
) 1 ( ) , (

ds s s B (A1.55)
Caso em que se faz a troca de varivel:
132

m M
m
s s
s s
x
= (A1.56)
se obtm a forma original, isto :
1 0 ) 1 (
) , (
1
) (
1 1
=

x x x
x B
x f

(A1.57)

Se = obtm-se uma famlia de densidades de probabilidade beta, simtricas
(Figura A1.5).
Se o sinal est estandardizada segundo (A1.36), o momento r-ssimo com respeito
a 0 :

[ ]
[ ]
[ ] r
r
r

+
= ' (A1.58)
onde e[r]=e(e+1)...(e+r-1) o fatorial ascendente.
Em particular, a mdia () e a varincia (
2
) resultam ser:

) 1 ( ) (
2
2
+ + +

=
+
=

(A1.59)
A funo de densidade beta proporciona um modelo adequado para sinais
aleatrias, s, que tm limites inferior e superior fixos e finitos [s
m
, s
M
].

Apndice B Publicaes em Congressos

Vrios artigos, relacionados ao tema desta tese, foram aceitos para publicao e
para apresentao em congressos e simpsios importantes. A seguir, realiza-se uma
descrio de cada uma destes trabalhos.

B1.1 Artigos em Congresos
1. Ttulo: Anlise de Componentes Independentes para Extrao Cega de Rudos dos
Sinais de Descargas Parciais em Equipamentos de Alta Tenso [5].
Autores: Walter M.Huamn Cuenca, Alain Franois Levy, Jos Manoel de Seixas,
Sandoval Carneiro Jr
Congresso: XVII SNPTEE, Uberlndia, Minas Gerais, 2003.
Resumo: No presente trabalho apresentado uma aproximao para o problema
de remoo de rudos em sinais fonte de descargas parciais (DP), usando os
recentes e consagrados conceitos de separao cega de fontes (BSS) e a anlise de
componentes independentes (ICA).

2. Ttulo: Anlise de Componentes Independentes para Extrao Cega de Rudos
Gaussianos dos Sinais de Descargas Parciais em Equipamentos de Alta Tenso
[87].
Autores: Walter M.Huamn Cuenca, Alain Franois Levy, Jos Manoel de Seixas,
Sandoval Carneiro Jr
Congresso: Proceedings of the VI Brazilian Conference on Neural Networks,
So Paulo SP, Brazil, June 25, 2003.
Resumo: In this paper is presented an approach for the problem of noise removal
from partial discharges (PD) signals, using recent and well-established concepts
of Blind Source Separation (BSS) and Independent Component Analysis (ICA). It
is showed that the ICA methods can be applied to PD signals characterization,
arriving to a satisfactory solution for separation and/or elimination of noise from
original signals. The original signals can be some defects coming from aged
stator bars windings or from several other kinds of defects coming from insulated
systems inside power transformers and hydrogenerators, among others.

3. Ttulo: Sistema Caracterizador Hbrido para Identificar Descargas Parciais em
Transformadores de Potncia [4].
Autores: Walter M. Cuenca, Alain F. Levy, Jos M. Seixas
Congresso: Proceedings of the V Brazilian Conference on Neural Networks,
Rio de Janeiro - RJ, Brazil, April 2-5, 2001.
134
Resumo: This partial discharge detection and localization in power transformers
is addressed by the use of a simplified experimental model (for partial discharge
generation) and a hybrid signal processing technique. The experimental model is
obtained using test cells for which partial discharge signals are generated.
Experimental data were collected in laboratory by extensive measurement on
those test cells. The detection efficiency for partial discharges is shown to be
above 97 %, using optimal lineal filtering and neural processing.

4. Ttulo: Otimizao por Algoritmos Genticos e Simulated Annealing aps
Tratamento de Dados por Sistemas Neuro-Fuzzy [39].
Autores: Walter M. Cuenca, Sandoval Carneiro Jr, Luis A. Cheim, Luis P. Calba
Congresso: Proceedings of the V Brazilian Conference on Neural Networks,
Rio de Janeiro - RJ, Brazil, April 2-5, 2001.
Resumo: This A great part of the scientific applications and of the engineering
problems, they can be considered as search and optimization problems. Due to
need to obtain better results in these problems, several tools were developed
looking for the optimal global. Search methods have been developed based on
natural and physical processes. The most usual are: Genetic Algorithm (AG)
and Simulated Annealing (SA). In this paper applies AG and SA separately, with
the objective of reinforcing the performance of the Neuro-Fuzzy system in a
function approximation problem, whose improvement and efficiency shown the
results.

5. Ttulo: Anlise de Componentes Principais para Identificar Descargas Parciais em
Transformadores de Potncia [3].
Autores: Walter M. Cuenca, Jos M. Seixas, Alain F. Levy
Congresso: VI Simpsio Brasileiro de Redes Neurais SBC/SIG - RJ,
Brasil, Novembro 22-25, 2000.
Resumo: This work presents a preprocessing analysis of partial discharges data
in power transformers. These data were measured starting from experimental
models. The pre-processing 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.

Referncias Bibliogrficas
[1] Bartnicas R., Corona Discharge Processes in Voids. In: R. Bartnicas, E.
McMahon, Engineering Dielectrics: Corona Measurement and Interpretation
Vol. I, Chapter 2, Philadelphia, ASTM, 1979.
[2] Harmeling S. et. al., Analyzing ICA by Injecting Noise , harmeli@fist.fhg.de.
[3] Walter M., Jose M. Seixas, Alain F. "Anlise de Componentes Principais para
Identificar Descargas Parciais em Transformadores de Potncia". In: VI
Brazilian Symposium on Neural Networks, Aplicaes Cuenca46, Rio de
Janeiro, Nov. 2000.
[4] Walter M. Cuenca, Alain F. Levy, Jos M. Seixas, "Sistema Caracterizador
Hbrido para Identificar Descargas Parciais em Transformadores de Potncia",
Proceedings of the V Brazilian Conference on Neural Networks, pp. 169-174,
PUC, Rio de Janeiro - RJ, Brazil, April 2-5, 2001.
[5] Walter M. Cuenca, Alain F. Levy, Jos M. Seixas e Sandoval Carneiro Jr,
"Anlise de Componentes Independentes para Extrao Cega de Rudos dos
Sinais de Descargas Parciais em Equipamentos de Alta Tenso", XVII SNPTEE,
2003.
[6] IEC Publication-60270, High-voltage Test Technique-Partial Discharge
Measurement. Third Edition, 2000.
[7] IEEE P1434, Guide to the Measurement of Partial Discharges in Rotating
Machinery, Electrical Machinery Committee of the IEEE Power Society, 1997.
[8] Bartnikas R., Partial Discharge Their Mechanism, Detection and
Measurement, IEEE Trans. Elec. Insul. Vol. 9, no. 5, pp. 763-808, Oct., 2002
[9] Steiner J. P., Partial discharge- Part IV:Commercial PD testing, IEEE Elec.
Insul. Magazine, Vol.7, No.1, pp. 2033, 1991.
[10] Okamoto T. and Tanaka T., Novel Partial Discharge Measurement Computer-
Aided Measurement Systems, IEEE Trans. Electr. Insul. Vol. 21, No. 6, 1015
1016, 1986.
[11] Malik N. H. and Al-rainy A. A., Statically Variation of dc corona pulse
amplitudes in point-to-plane air gaps, IEEE Trans. Electr. Insul. Vol. 22, No. 6,
825829, 1987.
[12] Glahn P., von and Van Brunt R. J., Continuous Recording and Stochastic
Analysis of PD, IEEE Trans. Diel. Elec. Insul. Vol.2, No.4, pp. 590601, 1995.
[13] Gulski E., Meijer S., Rutgers W. R., and Brooks R., Recognition of PD in Sf 6
Insulation Using Digital Data Processing, In: Conf. Elec. Insul. Diel.
Phenomena, IEEE, New York, pp. 577580, 1996.
[14] Gulski E., Digital Analysis of Partial Discharge, IEEE Trans. Diel. and Elect.
Insul., Vol. 2, pp 822-837, 1995.
136
[15] Krivda A., Automated recognition of partial discharges, IEEE Trans. Diel. Insul.
Vol. 2 No. 5, 796-821, 1995.
[16] Van Brunt R. J. and Kulkarni S. V., Method for Measuring the Stochastic
Properties of Corona and Partial-Discharge Pulses, Rev. Sci. Instrum. Vol.60,
No. 9, pp. 30123023, 1989.
[17] Van Brunt R. J. and Leep D. Characterization of Point-Plane Corona Pulses in
SF 6, J. Appl. Phys. Vol. 52, No.11, pp. 65886600, 1981.
[18] Van Brunt R. J. and Kulkarni S. V., Stochastic Properties of Trichel-pulse
Corona: A non-Markovian Random Point Process, Phys. Rev. A 42 No.8, pp.
49084932, 1990.
[19] Kumar Senthil S., Development of a phase Resolved Pulse Height Analyser and
its Application to Partial Discharge Measurements, MSc. thesis, February 1997.
[20] 48Van Brunt R. J. and Cernyar E. W. System for Measuring Conditional
Amplitude, Phase, or Time Distributions of Pulsating Phenomena, J. Res. Natl.
Inst. Stand. Technol. Vol. 97, No.6, pp. 635672, 1992.
[21] Hucker T., Glahn P. von, Kranz H. -G., and Okamoto T., A Standardised
Computer Data File Format for Storage, Transport, and Off-line Processing of
Partial Discharge Data, In: Ninth International Symposium on High Voltage
Engineering, Inst. High Voltage Eng. Graz, Austria, pp. 5613, 1995.
[22] Kumar Senthil S. et al., Limitations and Errors in Partial Discharge
Measurements Scope for Automation, 12th International Symposium on High
Voltage Engineering, Bangalor, India, 6-66:1047-1050, August 2001
[23] Kumar Senthil S., Development of Novel Techniques for Partial Discharge
Measurement, Analysis and Representation, DP thesis, February 2002.
[24] 24Kumar Senthil S. et al., Influence of Detectors on Measurements of Partial
Discharge. In: 12th International Symposium on High Voltage Engineering,
Bangalor, India, 6-66:1047-1050, August 2001
[25] Engineering Dielectrics. Electrical Insulation Liquids, Vol.III, ASTM,
USA,1994.
[26] Stratton J. A., Electromagnetic Theory, McGraw Hill book Company, NY, 1941.
[27] Kraus, John D., Eletromagnetismo, Guanabara Dois, 1978
[28] Bartnikas R., Use of Multichannel Analyzer for Corona Pulse-Height
Distribution Measurements on Cables and Other Electrical Apparatus, IEEE
Trans. Instr. Meas., Vol. 22, pp. 403407, 1973.
[29] Raja K., Devaux F., Lelaidier S., "Recognition of Discherges souces Using UHF
PD Signatures", IEEE Elec. Insul. Magazine, vol. 18, No.5,pp. 814, Sep/Oct.
2002.
[30] Pascoli Ger, Monitoring System als Instrume Modeone
Instandhaltungsstrategien der Energietechnik. In: ITS, TIME, Fev., 2001.
[31] Volgelsang R., Farr T., Ageing of Micacious Insulation Materials Failure
Mechanisms of the Electrical Insulation of Rotating Machines
[32] Huamn Cuenca, W. Aplicao de Sistemas inteligentes no Reconhecimento de
Padres de DPs em Transformadores de Potncia. Tese de Mestrado, Programa
de Engenharia Eltrica, COPPE/UFRJ, Rio de Janeiro, RJ, 1998.
137
[33] Bartnikas R, A Commentary on Partial Discharge Measurement and
Detection, IEEE Trans. Elec. Insul., Vol.22, No.5, pp. 629653, 1987.
[34] Lemke E., Schmiegel P., Progress in PD Prove Measuring Technique, Proc. of
7
th
. Desden, pp. 72.0, 1991.
[35] Latini M., et al. "Medio de descargas Parciais em Hidrogerador da Usina de
Itaipu - Uma Avaliao Experimental das Limitaes, Dificuldades de Medio
e Interpretao de resultados". In: XV SNPTEE, Foz do Iguau - Paran, 1999.
[36] 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.
[37] 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.
[38] Cheim, L, Cuenca, W and Varricchio, S. "A simple Mamdani Adaptive Neuro-
Fuzzy Inference System (MANFIS)", manuscrito Submetido IEEE trans. on
Fuzzy System, 1998.
[39] Walter M. Cuenca, Sandoval Carneiro Jr, Luis A. Cheim, Luis P. Calba,
"Otimizao por Algoritmos Genticos e Simulated Annealing aps Tratamento
de Dados por Sistemas Neuro-Fuzzy", Proceedings of the V Brazilian
Conference on Neural Networks, pp. 175-180, PUC, Rio de Janeiro RJ,
Brazil, April 2-5, 2001.
[40] Duda, R, Hart, P and Stork, D. Pattern Classfication, 2nd. ed. 1997.
[41] Soares F. W., Classificao do Rudo por Navios Usando Redes Neurais, Tese
Doutorado, COPPE/UFRJ 2001.
[42] Jang R., Sun C.T., Muzitani E., Neuro-Fuzzy and Soft Computing, Pretince Hall,
USA 1997.
[43] Chin-Teng Lin, C. S. George Lee: Neural Fuzzy Systems, Prentice Hall, Upper
Saddle River, NJ 07458, 1996.
[44] Cichocki, A., & Unbehauen, R.Robust Neural Networks With On-Line
Learning for Blind Identification and Blind Separation of Sources. IEEE
Transactions on Circuits and Systems, 43 (11), 894906, 1996.
[45] Nauck D., Klawonn F., Kruse R., Neuro-Fuzzy Systems, John Wiley Sons, Ltd,
New York, 1997.
[46] Pereira J., et al., Identificao de Estratgias de Explorao de redes de
Distribuio de Energia Elctrica Utilizado Simulated Annealing. In: 4o.
Encontro Luso-Afro-Brasileiro de Planejamento e Explorao de Redes de
Energia. ELAB'99.
[47] Mendoa Paulo R., Novos Algoritmos de Simulated Annealing. Tese, COPPE
UFRJ, No.192, 1997.
[48] Tanumaro, J., Motivao, Fundamentos e Aplicaes de Algoritmos
Genticos. In: Segundo Congresso Brasileiro de Redes Neurais, 1995.
[49] Haykin Simon, Neural Network: A Comprehensive Foundation, 2da. Edition
ISBN 0-02-352761-7 Prentice Hall, 1999.
138
[50] Papoulis, A., Probability, Random variables, and Stochastic Processes.
McGraw-Hill, 3rd ed., New York: McGraw-Hill, 1991.
[51] Whalen A., Detection of Signal in Noise, Academic Press, Inc. New York 1971.
[52] Peyton Pebbles, Probability, Random Variables, and Random Signal Principles.
ISBN 0-07-112782-8, 3rd Ed, McGraw-Hill 1993.
[53] Cichocki, A., & Amari S, Adaptative Blind Signal and Image Processing:
Leraning Algorithms and Aplications. John Wiley & Sons, Ltd. New york, 2002.
[54] Rosipal R., Girolami M. Trejo J. L., Cichocki A., Kernel PCA for Feature
Extraction and De-Noising in Nonlinear Regression, Nerual Comput & Applic,
Vol.10, pp. 231-243, Springer-Verlag, 2001.
[55] Friedman, J. Exploratory Projection Pursuit. Journal of the American
Statistical Association, 82 (397), 249266, 1987.
[56] Akuzawa T., "Extended Quasi-Newton Method for the ICA". In: Proceedings of
the International Workshop on Independent Component Analysis and Blind
Signal Separation, pp. 521-525, 2000.
[57] Amari, S.-I., Cichocki, A., & Yang, H., A New Learning Algorithm for Blind
Source Separation, Advances in Neural Information Processing Systems, Vol.
8. MIT Press: Cambridge, MA, pp. 757763, 1996.
[58] Amari S., T-P. Chen, and A. Cichocki, "Non-holonomic Constraints in Learning
Algorithms for Blind Source Separation", preprint 1997.
[59] Bell, A., & Sejnowski, T. An Information-Maximization Approach To Blind
Separation And Blind Deconvolution. Neural Computation, Vol. 7, pp. 1129
1159, 1995.
[60] Hyvrinen, A.,Independent Component Analysis in the Presence of Gaussian
Noise by Maximizing Joint Likelihood. Neurocomputing, 22, 49671998a.
[61] Friedman, J. H., & Tukey, J. W. A Projection Pursuit Algorithm for
Exploratory Data Analysis, IEEE Transactions of Computers, c-23 (9), 881
890, 1974.
[62] Comon, P., Independent Component Analysis -A New Concept? Signal
Processing, 36, 287314, 1994.
[63] Cardoso, J.-F., Infomax and Maximum Likelihood for Source Separation.
IEEE Letters on Signal Processing, Vol. 4, pp. 112114, 1997.
[64] Attias H., Independent factor Analysis, Neural Computation, in press, 1-34.
[65] Ikeda Shiro, Factor Analysis Preprocessing for ICA, shiro@brain.riken.go.jp
[66] Malthouse C. E.,Limitations of Nonlinear PCA as Performed with Generic
Neural Networks, IEEE Tans. Neural Netwoks, Vol. 9, No. 1, January 1998.
[67] William W. H., Nonlinear Parincipal Component Analysis by Neural
Networks, htp://www.ocgy.ubc,ca/projects/clim.pred (visitado em 2001).
[68] Kramer M. A., Nonlinear Principal Component Analysis Using Autoassociative
Neural Networks, AIcE Journal, Vol 37, N0. 2, pp. 233-243, 1991.
[69] Donoho, D. L., Johnstone, I. M., Kerkyacharian, G., & Picard, D., Wavelet
shrinkage: asymptopia?, Journal of the Royal Statistical Society, Series B, 57,
301337, 1995.
139
[70] Mallat, S. G., A Theory For Multiresolution Signal Decomposition: The
Wavelet Representation, IEEE Transactions on PAMI, Vol.11, pp. 674693,
1989.
[71] Shanmugan K.S., AM Breipoh, Random Signal Detection, Estimate and Data
Analysis, John Wiley & Sons, 1988.
[72] Vaseghi S. V., Advanced Digital Signal Processing and Noise Reduction, John
Wiley & Sons, Ltd, New York, 2000.
[73] Hyvrinen A., Karhunen J. & Oja E., Independent Componet Analysis, John
Wiley & Sons. Inc.2001
[74] Hyvrinen, A.,New Approximations of Differential Entropy for Independent
Component Analysis and Projection Pursuit, Advances in Neural Information
Processing Systems, Vol. 10. Cambridge, MA: MIT Press (pp. 273279), 1998b.
[75] Jones, M., & Sibson, R. What is projection pursuit? Journal of the Royal
Statistical Society, Series A, 150, 136, 1987.
[76] Hyvrinen, A., Hoyer, P. O., & Oja, E. Image Denoising by Sparse Code
Shrinkage. In S. Haykin & B. Kosko (Eds.), New York: IEEE Press, 2000.
[77] Hyvrinen, A.,The Fixed-Point Algorithm and Maximum Likelihood
Estimation for Independent Component Analysis. Neural Processing Letters,
10 (1), 15, 1999b.
[78] Hyvrinen, A.,Fast and Robust Fixed-Point Algorithms For Independent
Component Analysis. IEEE Transactions on Neural Networks, 10 (3), 626634,
1999a.
[79] Hyvrinen A. "A Fast Fixed-Point Algorithm for Independent Component
Analysis," Neural Computation, Vol. 9, pp. 1483-1492, 1997.
[80] Hyvrinen, A.,Sparse Code Shrinkage: Denoising of Nongaussian Data by
Maximum Likelihood Estimation, Neural Computation, Vol.11, No. 7, 1739
1768, 1999d.
[81] Cardoso J-F. and Souloumiac A., "Blind Beamforming for Non Gaussian
Signals." In: IEE Proceedings F, Vol. 140, pp. 362-370, 1993.
[82] Gmez Herrero G., Mismatch Negativity Detection in EEG recordings using
Wavelets, Master of Science Thesis, Tampere University of Technology, April,
2003.
[83] Hyvrinen, A.,Gaussian Moments for Noisy Independent Component
Analysis. IEEE Signal Processing Letters, Vol. 6, No. 6, 145147, 1999c.
[84] Akuzawa T. and Murata N., "Multiplicative Non-holonomic/Newton like
algorithm", Chaos, Solitions & Fractals, vol. 12, pp. 785-793, 2001.
[85] Murillo Fuentes J., Aplicacin de Tcnicas de Separacin Ceiga de Fuentes al
Procesado de Seal y Comunicaciones, Tesis Doctoral, Departamento de Teoria
de la Seal y Comunicaciones, Universidad Carlos III de Madrid, Legans,
2001.
[86] Beatriz P. C. Nuevos Algoritmos para Separacin Ciega de Fuentes Utilizando
Mtodos Geomtricos, Tesis Doctoral, Granada, Espaa, 1999.
[87] Walter M. Cuenca, Alain F. Levy, Jos M. Seixas e Sandoval Carneiro Jr,
"Anlise de Componentes Independentes para Extrao Cega de Rudos
140
Gaussianos dos Sinais de Descargas Parciais em Equipamentos de Alta Tenso",
Proceedings of the VI Brazilian Conference on Neural Networks, pp. 133-138,
So Paulo - SP, Brazil, June 2-5, 2003.
[88] Kauhold M., et. al., "Interface Phenomena in Stator Winding Insulation
Changes in Design, Diagnosis, and Service Experince", IEEE Elec. Insul.
Magazine, Vol. 18, No.2, pp.27-35, March/April. 2002.
[89] Kheirmand Akbar, Leijon Mats, "advances in Online Monitoring and
localization of Partial Dsicharge in Large Rotatin Machines", IEEE Trans. On
Energy Convert, Vo. 19, no. 1, pp.53-59, March 2004.
[90] Gleizer H., Utilizao de Redes Neurais para a Anlise do Envelhecimento de
Barras Estatricas de Hidrogeradores, Tese de Doutorado, Programa de
Engenharia Metalrgica e de Materiais, COPPE/UFRJ, Rio de Janeiro, RJ, 2000.
[91] Tettex Instruments, Partial Discharges Measuring Techniques
[92] Boss S.A., Stone G.C., Fundamental Limitations in the Measurement of Corona
and Partial Discharge, IEEE Trans. Elec. Insul., Vol. EI-17, pp. 143-150,
1982.in Proc. 2 nd Int. Conf. Gas Discharges, IEE, London, pp. 236238, 1972.
[93] Champion R. L. and Doverspike L. D., Electron Detachment Processes, in
Electron-Molecule Interactions and Their Applications, L. G. Christophorou,
ed., Academic Press, Orlando, pp. 619681, 1984.
[94] Cavallini A., Contin A, Puletti F., "A New Approach to Diagnosis of Solid
Insulation Systems Based on PD Signal Inference", IEEE Electrical Insulation
Magazine, Vol. 19, n. 32, pp. 23-30, April 2003.
[95] Cavallini A., Contin A, Puletti F.,"Advanced PD Inference in On-Field
Measurements. Part 1: Noise Rejection", IEEE Trans. on Dielectrics and
Electrical Insulation, Vol. 10, n. 2, pp. 216-224, April 2003.
[96] Satish L., Nazneen B., Wavelet Denoising of Partial Dischrage Signals Buried
in Excessive Noise and Interference, IEEE Trans. Diel. Elec. Insul., Vol.10,
No. 2, April 2003.

2.3 Mecanismos Das Descargas Parciais

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

2.3 Mecanismos Das Descargas Parciais

Enviado por

Direitos autorais:

Formatos disponíveis

CARACTERIZAO DOS SINAIS DE DESCARGAS PARCIAIS EM

EQUIPAMENTOS DE ALTA TENSO A PARTIR DE MODELOS

A o potencial vetor de uma fonte totalmente externa regio considerada (assume

[ ] b t ), do indicador de rudo b[t]. Os rudos impulsivos

= e/ou estima os componentes como

interpretada como uma inversa

( ) B . Isto , dentro do conjunto de direes (espao de tangentes) que partem

= > > >

Você também pode gostar