Detecção e classificação de falhas de curto-circuito em geradores de indução aplicados em geração eólica utilizando aprendizado de máquina

Abstract

As fontes de energia renováveis vêm conquistando espaço nas matrizes energéticas à medida que a dependência de petróleo diminui. Dentre as fontes limpas, destaca-se a energia eólica, a qual apresentou crescimentos acelerados na última década. Contudo, pesquisas indicam que, para tornar a energia eólica uma solução efetiva, os custos operacionais com manutenção devem ser diminuídos. A manutenção voltou os olhos para essa necessidade e as técnicas para monitoramento das condições de funcionamento servem como um aliado às rotinas de gerenciamento em parques eólicos. Os geradores elétricos de aerogeradores são indicados como o equipamento de maior ônus financeiro a um parque eólico. As falhas de curto-circuito entre espiras do bobinamento estatórico são severas para essa máquina elétrica. Pesquisas buscam soluções para a detecção prematura de falhas. Baseado nesse contexto, objetivou-se construir uma bancada para emular um sistema de geração eólica que possibilite a inserção de falhas de curto-circuito em um gerador trifásico. Realizaramse aquisições de dados de corrente elétrica para criar uma base para análise de falhas. Propõem-se o uso de quatro técnicas para extração de atributos, que são: a transformada de Fourier, o algoritmo de Goertzel, Estatística de Alta Ordem (HOS) e a Matriz de Coocorrência Estrutural (SCM). Os bancos de dados gerados serviram para o treinamento dos seguintes classificadores: mínimos quadrados ordinários (OLS), perceptron simples (PS), Gaussiano e perceptron multi-camadas (MLP). Propôs-se ainda um classificador binário, com opção de rejeição, que identificou 100% das condições normais com menos de 1% de taxa de falsos positivos e falsos negativos. Para a classificação dos tipos de falha, diferentes topologias da MLP foram utilizadas, o que tornou possível identificar um curto-circuito incipiente, de alta impedância, em 1,41% das espiras com 61,41% de acurácia, utilizando três sensores de corrente. Ao utilizar apenas um sensor de corrente a taxa de acerto dessa mesma falha cai para 38,06%. Porém, a acurácia da MLP para as condições de normais manteve-se em 99,25%. A combinação dos atributos gerador pelo extrator Fourier com a rede MLP demonstrou-se mais efetiva para a detecção de falhas, pois obteve 84,48% de acertos gerais na base de dados. O melhor resultado do classificador Gaussiano foi 76,72% de acerto na base formada pelos atributos gerados com o extrator HOS. Dentre os classificadores lineares o melhor resultado foi do OLS,