OS para-raios à base de óxido de zinco (ZnO) são equipamentos

Diagnóstico de Para-raios de Óxido de Zinco com

Base na Medição da Corrente de Fuga Total

George R. S. Lira, Edson G. Costa e Valdemir S. Brito

Resumo— Neste trabalho é apresentada uma nova técnica de monitoramento e diagnóstico de para-raios de ZnO, baseada na análise da corrente de fuga total que os percorrem durante o regime permanente. Atualmente, a maioria das técnicas baseiam-se na decomposição da corrente total em suas componentes resistiva e capacitativa. Contudo, tem-se que em campo, várias dificuldades de ordem prática e técnica podem ocorrer, o que muitas vezes poderá produzir resultados pouco confiáveis ou inviabilizar o emprego de técnicas baseadas em decomposição. Na implementação da técnica foram utilizados sinais reais de corrente de fuga total obtidos a partir de ensaios de aplicação da MCOV em para-raios em bom estado e com defeitos produzidos artificialmente em laboratório. Taxas médias de acerto maiores que 98% foram obtidas no diagnóstico dos para-raios avaliados, indicando assim, a possibilidade de se utilizar a técnica proposta no monitoramento real de para-raios de ZnO.

Palavras Chaves— Corrente de fuga total; Diagnóstico; Iden-tificação paramétrica; Monitoramento; Para-raios de óxido de zinco; Redes neurais artificiais.

I. INTRODUÇÃO

O

S para-raios à base de óxido de zinco (ZnO) são equi-pamentos utilizados na proteção dos sistemas elétricos contra sobretensões atmosféricas e de manobra. Dessa forma, eles contribuem decisivamente para o aumento da confiabi-lidade, economia e continuidade de operação dos sistemas elétricos. Devido à importância dos para-raios para os sistemas elétricos faz-se necessário o desenvolvimento e aprimoramento de técnicas e procedimentos para o correto monitoramento e diagnóstico do estado dos para-raios instalados em campo, pois eventuais falhas nos para-raios podem conduzir a des-ligamentos não programados, danos a outros equipamentos de uma subestação e principalmente, podem implicar em risco de morte aos profissionais que trabalham em campo.

Um conjunto de metodologias comumente empregado no monitoramento e diagnóstico de para-raios de ZnO baseia-se na medição e decomposição da corrente fuga total que o per-corre durante sua operação em regime permanente. A per-corrente de fuga total geralmente é decomposta em suas componentes resistiva e capacitiva, pois segundo alguns estudos [1]–[5], a componente resistiva e sua harmônica de 3aordem apresentam variações significativas, tanto na forma quanto na amplitude,

Este trabalho teve suporte financeiro do CNPq, na manutenção da bolsa de produtividade em pesquisa do Prof. Edson Guedes da Costa.

G. R. S. Lira e E. G. Costa são professores do Departamento de Engenharia Elétrica, Universidade Federal de Campina Grande - PB, Brasil (e-mails: {george, edson}@dee. ufcg.edu.br).

V. S. Brito é aluno de mestrado do Programa de Pós Graduação em Engenharia Elétrica da Universidade Federal de Campina Grande - PB, Brasil (e-mail: valdemir.brito@ee.ufcg.edu.br).

proporcionais ao nível de degradação dos para-raios. O análise e interpretação dessas variações são a base dos mais diversos métodos de diagnóstico desenvolvidos na literatura.

O grande problema dos métodos baseados na decomposição da corrente de fuga total é a necessidade de uma amostra da tensão aplicada ao para-raios, para se realizar a decomposição da corrente. Obter uma referência de tensão em campo não é uma tarefa simples, pois existem dificuldades de acesso e conexão a dispositivos de medição de tensão (como os TPCs), tem-se a influência das fases vizinhas no sinal de tensão e tem-se um deslocamento da fase da tensão ao longo do para-raios devido à capacitâncias parasitas [2]. Estas dificuldades de ordem prática podem inviabilizar o diagnóstico de para-raios em campo. Existem outros métodos [1] que afirmam superar as dificuldades citadas, contudo fazem uso de uma série de simplificações e aproximações que comprometem a exatidão dos resultados fornecidos.

Pelo exposto, torna-se evidente a necessidade de desenvol-ver métodos de diagnóstico de para-raios que possam ser apli-cados em campo com maior facilidade e que ainda apresentem resultados confiáveis e precisos que, realmente auxiliem as equipes de manutenção das concessionárias de energia em suas atividades de manutenção preditiva e preventiva. Neste trabalho, é apresentada uma nova técnica de monitoramento e diagnóstico de para-raios de ZnO baseada na análise de características extraídas somente da corrente de fuga total que percorre o para-raios, utilizando um arranjo de medição bem mais simples do que os tradicionalmente utilizados.

II. TÉCNICAPROPOSTA

O grau de distorção harmônica e a magnitude da corrente de fuga no para-raios, em especial a componente resistiva da corrente, constituem fortes indicadores do seu nível de degradação [1], [2], [6]. Sendo assim, parece razoável extrair características deste sinal com a finalidade treinar um classifi-cador de defeitos ou falhas. Contudo, vale ressaltar que a abor-dagem aqui proposta difere daquelas comumente empregadas na literatura, isto é, abordagens baseadas na decomposição das componentes capacitivas e resistivas da corrente de fuga. Neste trabalho, propõe-se que as características para efeitos de classificação de defeitos sejam extraídas do sinal de corrente de fuga total e não de suas componentes. Dessa maneira, evita-se uma série de restrições de ordens prática e técnica.

Na Fig. 1 é apresentada uma visão geral da metodologia proposta. Inicialmente, obtém-se em laboratório ou em campo os sinais de corrente de fuga total do(s) para-raios sob análise. Em seguida, é realizada a extração de características (compo-nentes harmônicas relevantes) do sinal de corrente de fuga

total. A partir das características extraídas é construída uma base de dados de características, que na sequência é empregada no treinamento e teste de um sistema classificação de defeitos baseado em Redes Neurais Artificiais.

Fig. 1. Fluxograma geral da metodologia proposta.

III. MEDIÇÕES DECORRENTE DEFUGATOTAL

Para o desenvolvimento e teste da metodologia proposta foram realizados, em laboratório, ensaios de aplicação da Máxima Tensão de Operação Contínua (MCOV) em para-raios. A partir deste ensaio é possível obter sinais de corrente de fuga que percorrem o para-raios de ZnO. O diagrama do arranjo experimental empregado neste ensaio é mostrado na Fig. 2.

Fig. 2. Diagrama do arranjo para medição da corrente de fuga.

O arranjo experimental utilizado é composto de uma fonte de tensão senoidal regulável (tensão de 0 a 220 V), um transformador elevador de tensão (tensão de 0 a 100 kV), uma resistência de proteção R (282 kΩ) em série com objeto de teste (para-raios de ZnO) e com uma resistência shunt (Rshunt) de 1 kΩ. A fonte tensão utilizada atende aos

requisi-tos da norma [7] para ensaios em alta tensão, a qual determina que a distorção máxima da fonte corresponde a razão entre os valores de pico e RMS da tensão, devendo ser aproximada-mente igual √2 com tolerância de ±5%. Minimiza-se, assim, o efeito da inserção de componentes harmônicos externos nas medições.

Os sinais de tensão e corrente no varistor são adquiridos por meio de um divisor capacitivo (relação de 1917,6 para 1) e uma resistência shunt (Rshunt), respectivamente, em conjunto

com um sistema de aquisição de dados, formado essencial-mente por pontas de prova e um osciloscópio digital com banda passante de 1 GHz. Os sinais de corrente medidos e adquiridos são, então, armazenados em um computador para tratamento posterior.

A. Amostras Ensaiadas

Nos ensaios de aplicação da MCOV para determinação da corrente de fuga em raios foram utilizados alguns para-raios de estação com tensão nominal de 92 kV e MCOV de 77 kV. Os para-raios tiveram seus níveis e tipos de degradação alterados durante os ensaios, através da inserção de defeitos produzidos artificialmente em laboratório. Ao todo foram ava-liados 07 tipos diferentes de estados nas amostradas ensaiadas, os quais correspondiam a um bom estado de operação e a defeitos típicos encontrados em para-raios de ZnO [3], [8]– [12]: perda de estanqueidade, poluição superficial, degradação de varistores, umidade interna, desalinhamento da coluna ativa e distribuição irregular de tensão ao longo da coluna ativa.

O objetivo de se ter algumas amostras de para-raios sujeitas a diferentes de estados de operação é avaliar a capacidade da técnica proposta em detectar vários estados possíveis anali-sando apenas, a corrente de fuga total, ou seja, demonstrar que é possível detectar alterações de estados de operação dos para-raios a partir da corrente total, sem fazer uso da componente resistiva da corrente, por exemplo.

A seguir são descritos sucintamente os estados de operação, produzidos artificialmente, para os para-raios utilizados nos ensaios.

B. Estados de Operação dos Para-raios

O primeiro estado considerado nos ensaios foi o bom estado. Neste caso, o para-raios ensaiado apresentava características e comportamentos próximos dos nominais. Na sequência foram inseridos separadamente alguns tipos de degradação nos para-raios correspondentes à defeitos típicos (06 no total) reporta-dos na literatura e detectareporta-dos em campo [3], [8]–[12]:

• Perda de estanqueidade: é caracterizada pela perda

do isolamento físico entre o meio ambiente e o meio interno do para-raios, possibilitando a troca de gases entre eles. A falta de vedação no para-raios provoca alterações no seu padrão de aquecimento devido ao favorecimento da circulação de gases. A perda de estanqueidade foi criada, artificialmente em laboratório, através de canais de comunicação abertos entre o meio interno e o meio externo do para-raios, possibilitando a saída de gases e troca de calor com o exterior.

• Entrada de umidade: em um para-raios a ZnO pode decorrer de duas causas principais. A primeira seria um problema de fabricação, resultado de alguma falha ocor-rida durante o seu fechamento. A outra causa seria a perda de estanqueidade ou falha na vedação do equipamento. O principal problema causado pela umidade é a ocorrência de descargas parciais, causadas pela formação de vapor de água no meio interno. Na simulação do defeito, os para-raios foram abertos e água limpa foi borrifada sobre a coluna de varistores. Em seguida, vedou-se o para-raios.

• Poluição superficial: pode também provocar o surgi-mento de bandas secas na superfície da porcelana. As bandas secas geram descargas superficiais na porcelana alterando o campo elétrico na região e provocando o aquecimento dos varistores localizados na altura em que as bandas secas são formadas. A presença de poluição na

superfície de porcelana dos para-raios é uma das causas mais comuns de falhas ou aquecimento excessivo. Para simular este defeito vaporizou-se uma mistura salina ao longo da superfície do para-raios.

• Degradação dos varistores: pode ser resultado do seu

envelhecimento natural, do seu envelhecimento precoce (motivado por esforços eletro-térmicos excessivos) ou mesmo da sua fratura. A degradação precoce dos varisto-res é um fator que pode contribuir para que um para-raios entre em processo de avalanche térmica e o conseqüente dano permanente do equipamento, através de fraturas ou carbonização dos varistores. Para simular, em laboratório, a degradação de varistores um ou mais varistores foram submetidos a estresses elétricos através da aplicação de impulsos de corrente provocando, assim, a degradação acelerada dos mesmos. Estes varistores foram, então, recolocados na coluna em posições pré-determinadas para a realização dos ensaios.

• Desalinhamento da coluna ativa: geralmente é resultado

do transporte e armazenamento inadequados do equipa-mento, mas pode também ser decorrente de uma falha durante a montagem do para-raios. O desalinhamento pro-voca o surgimento de caminhos condutivos preferenciais nas regiões de maior contato entre os blocos varistores internos, de forma que há um sobreaquecimento nessas regiões provocando o seu desgaste prematuro. Na simu-lação deste defeito foram realizados descolamentos nos varistores.

• Distribuição irregular de tensão: decorre de falhas

de projeto ou de poluição superficial nos para-raios. A distribuição irregular provoca concentrações de campo elétrico nas regiões mais poluídas ou mais próximas do condutor energizado, levando a degradação prematura dos varistores. Para este defeito simulou-se falhas de projeto, em que foram utilizadas diferentes configurações de montagem com varistores internos curto-circuitados, modificando, assim, a distribuição de campo ao longo da coluna.

IV. EXTRAÇÃO DECARACTERÍSTICAS DACORRENTE DE

FUGATOTAL

Após a obtenção dos sinais de corrente de fuga total nos para-raios avaliados, deu-se início a etapa de extração de características dos sinais de corrente. O grau distorção harmônica e a magnitude da corrente de fuga no para-raios constituem fortes indicadores do seu nível de degradação [1], [3], [4], [11]. Sendo assim, parece razoável extrair informações das componentes harmônicas do sinal de corrente total com a finalidade de treinar um sistema capaz de identificar o estado de operação dos para-raios a partir das características extraídas.

Para extrair as componentes harmônicas dos sinais de cor-rente de fuga total é proposto neste trabalho uma adaptação da técnica de estimação paramétrica de um modelo matemático (circuito elétrico ou equação) proposta por [13], a qual consiste em determinar de forma automática os parâmetros da equação que representa o comportamento de determinado dispositivo,

no caso os para-raios de ZnO. Mais especificamente, foram feitas várias análises dos sinais de corrente total medidos em laboratório, com intuito de encontrar uma equação (modelo) matemática, expressa em termos das componentes harmônicas dos sinais de corrente, que melhor se ajustasse aos sinais me-didos, permitindo assim, a determinação de cada componente individual (amplitude e fase) dos sinais. A equação que melhor se ajustou aos dados medidos, sendo escolhida, portanto, como o modelo matemático que representa o sinal de corrente de fuga total do para-raios é dado por:

s(t) = A1cos(ωt + θ1) + A2cos(3ωt + θ2) + A3cos(5ωt

+ θ3) + A4cos(7ωt + θ4) + A5cos(9ωt + θ5).

(1) A técnica de estimação paramétrica utilizada baseia-se no emprego do método dos mínimos quadrados associado ao algoritmo de Levenberg-Marquardt (LM) para estimar os parâmetros (amplitudes e fases) do modelo (1) de forma a minimizar o erro (aproximando-o de zero) entre o sinal fornecido pelo modelo e o medido (em campo ou laboratório), ou seja, minimizar a seguinte equação (função objetivo):

f (x) = 1 2 m X j=1 [rj(x)]2= 1 2kr(x)k 2 =1 2r(x) T r(x) , (2) onde a função r(x) (sendo r(x)T a transposta de r(x)) é chamada de resíduo, à qual é definida da seguinte maneira:

r(x) = sm− sc , (3)

em que:

x é o vetor paramétrico (x = {A1, θ1, A2, θ2, A3, θ3,

A4, θ4A5, θ5}) de dimensão n;

m é o número de pontos capturados na forma de onda da corrente de fuga;

sm é o vetor de dimensão m, correspondente aos valores

medidos e digitalizados da corrente de fuga; sc é o vetor de dimensão m, correspondente aos valores

calculados através de (1), para o vetor paramétrico x.

Para se obter valores de x que minimizam (2), as atualiza-ções dadas por (4) devem ser efetuadas enquanto um critério de parada pré-estabelecido do processo iterativo não for satisfeito. x = x0+ d, (4)

onde x0 corresponde a uma estimativa inicial dos parâmetros

a serem determinados e d (direção de busca) refere-se a atualização realizada nos valores de x, a cada iteração do método de Levenberg-Marquardt.

A direção de busca, d, é obtida através da resolução do seguinte sistema de equações lineares:

H · d = −g. (5) em que H e g correspondem a matriz Hessiana com a atua-lização do método de LM e ao gradiente da função objetivo (2), respectivamente.

O gradiente e a matriz Hessiana normalmente são obtidos, em termos da matriz Jacobiana de r(x0), a partir de (6) e (7),

respectivamente. O termo µ em (7) é o fator de amortecimento do método de LM que tem por objetivo garantir que a Hessiana seja positiva definida e que a direção de busca seja sempre no sentido de um minimizador local para (2). I é a matriz identidade.

g = J(x₀)Tr(x₀) , (6) H = J(x₀)TJ(x₀) + µI, (7) onde a matriz Jacobiana pode ser determinada a partir da seguinte equação: J(x0) =  ∂ri ∂xj  i=1,2,...,m j=1,2,...,n . (8)

V. CONSTRUÇÃO DABASE DEDADOS

Após a extração de características dos sinais de corrente de fuga total de para-raios, foi dado início ao próximo passo na metodologia proposta que é a construção da base de dados de características a ser empregada nas etapas de treinamento e teste do classificador de estados de operação de para-raios apresentado na próxima seção.

A base de dados é formada pela junção das características extraídas de todos os sinais de corrente obtidos em labora-tório e submetidos à técnica de extração mostrada na seção anterior. O método de LM retorna um conjunto de parâmetros x = {A1, θ1, A2, θ2, A3, θ3, A4, θ4A5, θ5}, correspondente as

amplitudes e fases das componentes harmônicas do sinal analisado. Como cada sinal analisado corresponde um deter-minado estado do para-raios (defeituoso ou não), cada item da base da dados é composta pelo agrupamento do conjunto de parâmetros estimado mais um código que identifica o estado do para-raios.

Na codificação do estado de operação foi escolhido utilizar um vetor de 6 elementos com apenas um elemento ativo por vez indicando se o conjunto de parâmetros obtidos corres-ponde a um para-raios em bom estado ou defeituoso. Na Tabela I são apresentados os vetores de códigos relacionados a cada estado possível dos para-raios analisados.

TABELA I

CODIFICAÇÃO DO ESTADO DO PARA-RAIOS.

Estado Vetor de código

Bom 0 0 0 0 0 0

Perda de estanqueidade 1 0 0 0 0 0 Poluição superficial 0 1 0 0 0 0 Degradação de varistores 0 0 1 0 0 0

Umidade interna 0 0 0 1 0 0

Desalinhamento da coluna ativa 0 0 0 0 1 0 Distribuição irregular de tensão 0 0 0 0 0 1

Na Tabela II é apresentado o formato geral de cada elemento da base de dados. A seção Entradas refere-se ao vetor de parâmetros retornado pelo método de LM, isto é, refere-se as amplitudes e fases das componentes harmônicas do sinal analisado. A seção Saídas diz respeito ao estado do para-raios (conhecido a priori) codificado segundo a Tabela I.

TABELA II

FORMATO GERAL DA BASE DE DADOS.

Entradas Saídas

A1θ1A2θ2A3θ3A4θ4A5θ5 S1 S2 S3 S4 S5 S6

Todos os sinais de corrente obtidos em laboratório foram processados e agrupados de acordo com o formato mostrado na Tabela II. Com isso obteve-se a base de dados a ser empregada no processo de treinamento e teste do classificador de estados de operação mostrado a seguir.

VI. CLASSIFICADOR DEESTADOS DEOPERAÇÃO

Identificar o estado de operação de para-raios é uma ativi-dade de reconhecimentos de padrões, onde os padrões neste caso são as componentes harmônicas do sinal de corrente de fuga total de um para-raios em operação. Segundo [14], reconhecimento de padrões tem sido realizado basicamente de duas maneiras: utilizando uma abordagem estatística ou mais recentemente, utilizando Redes Neurais Artificiais (RNA).

Neste trabalho é utilizado um classificador de defeitos baseado em RNA, mas especificamente um tipo de RNA denominado Perceptron de Múltiplas Camadas (Multi-Layer Perceptron - MLP), pois segundo [15] este é tipo de mais comum de redes neurais empregadas em tarefas de reconhe-cimento de padrões.

A MLP baseia-se na arquitetura de rede denominada feed-forward, onde as sinapses entre os diversos neurônios da rede ocorrem apenas em um sentido. Na Fig. 3 é mostrado um diagrama típico de uma rede MLP. A primeira camada de neurônios é denominada camada de entrada. Os dados a serem processados são disponibilizados nesta camada. As camadas intermediárias são denominadas de camadas ocultas. Elas tem a função de separar os padrões de entrada em diversas classes, organizando e ajustando os dados de forma que no final do processamento seja possível obter alguma informação útil. A última camada é a de saída. É nesta camada que os resultados (estado do para-raios, neste caso) são apresentados. As liga-ções entre os neurônios de cada camada são realizadas através das ligações ou pesos sinápticos, observando-se sempre que as ligações são feitas camada à camada sem realimentações não havendo assim, conexões de realimentação para neurônios da mesma camada ou camadas anteriores.

Fig. 3. Arquitetura típica de uma rede MLP.

Para que uma rede MLP funcione adequadamente, se faz necessário realizar seu treinamento a partir de exemplos das situações que ela deva analisar/identificar. Neste caso em particular, a rede deve ser treinada com os dados da base

de dados construída conforme mostrado na seção anterior. Assim, ela poderá realizar a correlação entre as componentes harmônicas extraídas dos sinais de corrente de fuga total e o estado de operação do para-raios de forma automática, sem intervenção humana.

No processo de treinamento da rede utilizada, empregou-se o algoritmo de treinamento RPROP (Resilient Propagation) [16], [17], para ajustar os pesos sinápticos da rede de forma à atribuí-la a capacidade de reconhecimento dos padrões de corrente de fuga total. A escolha do RPROP deveu-se ao fato de que ele é aceito como o algoritmo de treinamento padrão em muitas trabalhos, pois detém um desempenho razoável em diversas aplicações, sendo mais rápido, preciso e robusto que antecessores, é de fácil implementação computacional e pouco susceptível a problemas numéricos [18].

VII. RESULTADOS EANÁLISES

A base de dados utilizada no treinamento, teste e validação da rede neural é composta por um conjunto de 10 parâmetros (amplitude e fase da fundamental, 3◦, 5◦, 7◦e 9◦harmônicos) obtidos dos sinais de corrente de fuga total analisados. Foram processados 480 registros de sinais de corrente obtidos de para-raios em bom estado e com os defeitos artificiais co-mentados anteriormente. Faz parte ainda da base de dados um vetor de 6 elementos com o código de identificação do estado dos para-raios. Dessa maneira, a base de dados corresponde a uma matriz de 480 linhas por 16 colunas.

O primeiro teste realizado consistiu em utilizar essa base de dados no treinamento e teste do classificador neural de estado de operação. A base de dados utilizada no treinamento corresponde a 60% dos padrões da base total, escolhidos de forma aleatória. Já as bases de teste e validação correspondem, cada uma, a 20% da base total padrões, também escolhidas aleatoriamente.

O classificador neural é composto por uma rede do tipo MLP com 10 neurônios de entrada, correspondente ao número de amplitudes e fases extraídas dos sinais de corrente; 6 neurônios de saída correspondes ao código de estado de funcionamento do para-raios avaliado; e 2 camadas ocultas com 15 e 9 neurônios ocultos cada uma. As funções de ativação das camadas da rede foram do tipo sigmóide.

Para avaliar a taxa de acerto média (t) do classificador utilizou-se a base de dados de teste (20% da base total) e a equação abaixo: t = 1 N N X i=1 nai np · 100%, (9) onde N corresponde ao número de vezes que diferentes padrões de teste foram apresentados a rede; nai corresponde

ao número de acertos do classificador para o i−ésimo conjunto de dados, ou seja, a quantidade de vezes que a saída da rede coincidiu com saída esperada, a qual era conhecida a priori; e np refere-se ao número total de padrões apresentados ao classificador.

Na Fig. 4 é mostrada a evolução do erro médio quadrático (MSE - Mean Square Error) entre as saídas desejadas e obtidas pelo classificador ao longo das épocas de treinamento para os

conjuntos de treinamento, teste e validação. O processo de treinamento foi encerrado (no ponto ‘Melhor obtido’) quando o algoritmo treinamento percebeu que não era possível atingir o erro desejado (‘Objetivo’) com o classificador e dados disponibilizados. A decisão de parar o treinamento e voltar para o melhor ponto anterior (menor MSE) ocorre quando o algoritmo percebe que o MSE do conjunto de validação começa a aumentar em relação ao do conjunto de teste (fato que ocorreu por volta de época 67) e quando a evolução do erro para os conjuntos demonstra ter atingindo uma região de patamar, onde não se percebe evolução significa dos erros.

A taxa de acerto média do classificador, após 100 execuções consecutivas do processo de treinamento foi 97,4% na identi-ficação dos sete estados de operação dos para-raios avaliados neste trabalho, ou seja, o classificador foi capaz de acertar em quase 98% das vezes, o estado do para-raios a partir da análise das componentes harmônicas do sinal de corrente de fuga total.

Por fim, realizou-se uma simplificação na base de dados com intuito de agilizar o processo de treinamento e facilitar a criação de regras por parte do classificador. A simplificação consistiu em eliminar da base de dados, as informações relacionadas à fase do sinal, ou seja, a base de dados passou a ter apenas informações relacionadas às amplitudes das com-ponentes harmônicas. Após os devidos ajustes nos conjuntos de treinamento, teste e validação, foram obtidos os resultados mostrados na Fig. 5 para rede neural com duas camadas ocultas descrita anteriormente. O MSE diminuiu praticamente em uma mesma taxa para todos os conjuntos de treinamento. A taxa de acerto média nesta situação foi ligeiramente maior que no caso anterior (97,4%), atingido 98,6%. Com isso, pode-se concluir que a ausência de informações relativas às fases das componentes harmônicas não implicará em uma degradação dos resultados fornecidos pelo classificador, além do que, a etapa de treinamento consumirá um menor tempo computacional, fato que se tornará importante a medida que a base de dados aumenta.

Fig. 5. Desempenho do classificador com base de dados sem fase.

Com base no que foi apresentado fica evidente que o melhor classificador testado e a ser utilizado no diagnóstico de para-raios, é aquele baseado em uma rede do tipo MLP com 05 entradas (amplitudes das componentes harmônicas do sinal de corrente), 06 saídas (cuja combinação de resultados indicará o estado do para-raios de acordo com a Tabela I) e duas camadas ocultas com 15 e 09 neurônios ocultos cada uma, pois apresentou taxas de acerto médias maiores que 98% na identificação do estado de operação dos para-raios avaliados. Além disso, viu-se que as fases das componentes harmônicas podem ser desprezadas no processo de treinamento da rede sem prejuízo ao desempenho do classificador.

VIII. CONCLUSÕES

Neste trabalho foi apresentada uma nova técnica de diag-nóstico de para-raios ZnO baseada na análise da corrente de fuga total. A técnica representa uma quebra de paradigma com relação aos métodos de diagnóstico de para-raios baseados na análise da corrente fuga e utilizados atualmente, pois segundo recomendações de normas internacionais, o diagnóstico pre-ciso de para-raios deve ser realizado através do monitoramento da 3a _{harmônica da componente resistiva da corrente de fuga}

total.

Com a técnica proposta não há necessidade de se obter qualquer referência de tensão ou mesmo efetuar modificações no sistema para que se possa medir a corrente de fuga total. É suficiente a medição e utilização de algoritmos de extração de atributos e classificação de estados para determinar o estado de funcionamento do para-raios sob análise.

Nesta etapa da pesquisa criou-se uma base de dados para o desenvolvimento e teste da metodologia proposta, composta pelas componentes harmônicas de sinais de corrente de fuga total obtidos de para-raios com 07 estados diferentes de opera-ção (bom estado, perda de estanqueidade, poluiopera-ção superficial, degradação de varistores, umidade interna, desalinhamento da coluna ativa e distribuição irregular de tensão) submetidos à suas MCOV.

Foi desenvolvido, então, um classificador de estados de operação de para-raios, baseado em redes neurais artificiais do tipo MLP, capaz de identificar o estado de funcionamento do para-raios (dentre os 07 possíveis) com taxas de acerto médias maiores que 98%, ou seja, apenas 2% dos padrões, em média, foram classificados erroneamente com técnica proposta.

Os resultados obtidos evidenciam que não apenas é possível realizar o diagnóstico de para-raios a partir da análise da corrente de fuga total, como é possível afirmar que este diag-nóstico é realizado com boa exatidão, uma vez que elevadas taxas de acerto do classificador de defeitos foram encontradas para diversas situações analisadas.

REFERÊNCIAS

[1] J. Lundquist, L. Stenström, A. Schei, and B. Hansen, “New Method for Measurement of the Resistive Leakage Currents of Metal-Oxide Surge Arrester in Service.” California - USA: IEEE/PES Summer Meeting, 1989.

[2] Surge Arresters - Selection and Application Recomendations, IEC Stan-dard 60099-5, 2000.

[3] C. Heinrich and V. Hinrichsen, “Diagnostics and Monitoring of Metal-Oxide Surge Arresters in High-Voltage Networks-Comparison of Exis-ting and Newly Developed Procedures,” IEEE Transactions on Power Delivery, vol. 16, no. 1, pp. 138–143, January 2001.

[4] R. T. Souza, “Medição e Análise Harmônica da Corrente de Fuga Resistiva em Varistores de ZnO,” Dissertação de Mestrado, Universidade Federal de Campina Grande, Campina Grande, Agosto 2004. [5] J. G. A. Lira, “Sistema de Aquisição de Dados para Monitoramento e

Diagnóstico Remoto das Condições de Pára-Raios de Óxido de Zinco,” Tese de Doutorado, Universidade Federal de Campina Grande, Campina Grande, Outubro 2007.

[6] S. Shirakawa, F. Endo, H. Kitajima, S. Kobayashi, K. Kurita, K. Goto, and M. Sakai, “Maintenance of Surge Arrester by a Portable Arrester Leakage Current Detector,” IEEE Transactions on Power Delivery, vol. 3, no. 3, pp. 998–1003, July 1988.

[7] IEEE Standard Techniques for High-Voltage Testing, IEEE Standard 4, 1995.

[8] G. R. S. Lira, E. G. Costa, and C. W. D. Almeida, “Self-Organizing Maps Applied to Monitoring and Diagnosis of ZnO Surge Arresters.” São Paulo, Brazil: Proceedings of the IEEE/PES Transmission and Distribution Latin America, 2010.

[9] E. T. Wanderley Neto, E. G. da Costa, and M. J. A. Maia, “Artificial Neural Networks Used for ZnO Arresters Diagnosis,” IEEE Transactions on Power Delivery, vol. 24, no. 3, pp. 1390–1395, July 2009. [10] K. L. Chrzan, “Influence of Moisture and Partial Discharges on the

Degradation of High-Voltage Surge Arresters,” European Transactions on Electrical Power, vol. 14, no. 3, pp. 175–184, May 2004. [11] K. Feser, W. Köhler, D. Qiu, and K. Chrzan, “Behaviour of Zinc Oxide

Surge Arresters Under Pollution,” IEEE Transactions on Power Delivery, vol. 6, no. 2, pp. 688–695, April 1991.

[12] H. Knobloch, R. Gohler, W. Kuhne, K. Reichelt, H. B. Solbach, R. Bru-chhaus, and W. Holubarsch, “Influence of the Surrounding Medium and Service Behaviour of Metal Oxide Resistors for High Voltage Arresters,” IEEE Transactions on Power Delivery, vol. 6, no. 2, pp. 680–687, April 1991.

[13] G. R. S. Lira, “Estimação de Parâmetros para um Modelo Dinâmico de Pára-Raios de Óxido de Zinco,” Dissertação de Mestrado, Universidade Federal de Campina Grande, Campina Grande, Março 2008.

[14] A. K. Jain, R. P. W. Duin, and J. Mao, “Statistical Pattern Recogni-tion: A Review,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 22, no. 1, pp. 4–37, January 2000.

[15] A. K. Jain, J. Mao, and K. M. Mohiuddin, “Artificial Neural Networks: A Tutorial,” Computer, vol. 13, no. 3, pp. 31–44, March 1996. [16] M. Riedmiller and H. Braun, “A Direct Adaptative Method for Faster

Backpropagation Learning: The RPROP Algorithm.” San Francisco, CA - USA: Proceedings of the IEEE International Conference on Neural Networks, 1993.

[17] M. Riedmiller, “Rprop - Description and Implementation Details,” Tech. Rep., 1994.

[18] C. Igel and M. Husken, “Empirical Evaluation of The Improved RPROP Learning Algorithms,” Neurocomputing, vol. 50, pp. 105–123, January 2003.