Estimação do estado operativo de linhas de transmissão por meio da análise em registros de descargas parciais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPinho, André da Costa-
Autor(es): dc.contributorColombini, Angelo Cesar-
Autor(es): dc.contributorGuimaraens, Marcio Andre Ribeiro-
Autor(es): dc.creatorFaria, Matheus Farsette Vieira de-
Data de aceite: dc.date.accessioned2024-07-11T17:35:35Z-
Data de disponibilização: dc.date.available2024-07-11T17:35:35Z-
Data de envio: dc.date.issued2023-12-21-
Data de envio: dc.date.issued2023-12-21-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/31659-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/753426-
Descrição: dc.descriptionAs falhas em linhas de transmissão representam um desafio significativo para as concessionárias de energia e seus consumidores, pois podem resultar em sérios transtornos operacionais. A abordagem convencional de manutenção preventiva baseada no tempo de operação desses equipamentos, apesar de amplamente adotada, demonstra ser menos eficaz e, muitas vezes, resulta em custos elevados para as empresas do setor. Diante desse cenário, a comunidade acadêmica tem se dedicado intensamente ao desenvolvimento de técnicas avançadas para monitorar a saúde das linhas de transmissão. Uma das abordagens mais promissoras envolve a análise de descargas parciais, que são eventos disruptivos causados por falhas de isolamento em linhas de alta tensão. Se não tratadas adequadamente, tais falhas podem levar a um colapso no sistema. Neste contexto, este trabalho se propôs a criar uma ferramenta computacional destinada a apoiar a manutenção preventiva de linhas de alta tensão. Essa ferramenta incorporou técnicas avançadas de processamento digital de sinais para extrair atributos cruciais dos registros de descargas parciais. Além disso, utilizou algoritmos de aprendizado de máquina para identificar os atributos mais relevantes e, posteriormente, realizar a predição do estado operativo desses equipamentos. Os resultados obtidos revelaram que os atributos provenientes das Intrinsic Mode Functions (IMFs) das Empirical Mode Decompositions (EMDs) se mostraram bons complementos aos atributos obtidos a partir dos coeficientes de aproximação e detalhe das Wavelets. Esse achado é particularmente relevante, considerando a predominância de estudos que utilizam Wavelets nesse contexto em comparação com o uso das EMDs. Além de proporcionar insights valiosos sobre a seleção de atributos, foi possível desenvolver uma solução capaz de antecipar a condição de funcionamento dos equipamentos, o que representa um avanço considerável no campo da manutenção de linhas de alta tensão-
Descrição: dc.descriptionFailures in transmission lines pose a significant challenge for energy utilities and their consumers, as they can result in serious operational disruptions. The conventional approach of preventive maintenance based on the operating time of these equipment, although widely adopted, proves to be less effective and often results in high costs for companies in the sector. Faced with this scenario, the academic community has been intensely dedicated to developing advanced techniques to monitor the health of transmission lines. One of the most promising approaches involves the analysis of partial discharges, disruptive events caused by insulation failures in high-voltage lines. If not properly addressed, such failures can lead to a system collapse. In this context, this work aimed to create a computational tool to support preventive maintenance of highvoltage lines. This tool incorporated advanced digital signal processing techniques to extract crucial attributes from partial discharge records. Additionally, it used machine learning algorithms to identify the most relevant attributes and subsequently predict the operational state of the equipment. The obtained results revealed that attributes from the Intrinsic Mode Functions (IMFs) of the Empirical Mode Decompositions (EMDs) proved to be good complements to attributes obtained from the approximation and detail coefficients of the Wavelets. This finding is particularly relevant, considering the prevalence of studies using Wavelets in this context compared to the use of EMDs. In addition to providing valuable insights into attribute selection, it was possible to develop a solution capable of anticipating the operating condition of the equipment, representing a significant advancement in the field of high-voltage line maintenance-
Descrição: dc.description81 f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectLinhas de transmissão-
Palavras-chave: dc.subjectPython-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectDescargas parciais-
Palavras-chave: dc.subjectOscilografias-
Palavras-chave: dc.subjectSinais-
Palavras-chave: dc.subjectLinha de transmissão-
Palavras-chave: dc.subjectManutenção preventiva-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectTransmission lines-
Palavras-chave: dc.subjectPartial discharges-
Palavras-chave: dc.subjectOscillographs-
Palavras-chave: dc.subjectSignals-
Palavras-chave: dc.subjectWavelets-
Palavras-chave: dc.subjectEMD-
Título: dc.titleEstimação do estado operativo de linhas de transmissão por meio da análise em registros de descargas parciais-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.