Melhoria em Sistema de Classificação de Risco de Flashover em Linhas de Transmissão de Alta Tensão

Melhoria em Sistema de Classificação de Risco de Flashover em Linhas de Transmissão de Alta Tensão Leandro H. Silva

Sergio C. Oliveira

Eduardo Fontana

Instituto Federal de Educação Ciência e Tecnologia da Paraíba Cajazeiras-PB, Brasil [email protected]

Escola Politécnica de Pernambuco Universidade de Pernambuco Recife-PE, Brasil [email protected]

Departamento de Eletrônica e Sistemas Universidade Federal de Pernambuco Recife – PE, Brasil [email protected]

Resumo—O acumulo de poluentes, em conjunto com alta umidade relativa do ar, nas cadeias de isoladores pode levar à uma condição de falha na linha de transmissão – conhecida como flashover. Uma rede de sensores sem fio (RSSF) para monitoração de descargas parciais em cadeias de isoladores de alta tensão foi previamente desenvolvida e manteve-se em operação por aproximadamente cinco anos com uma pequena interrupção nesse período. Para monitorar o ambiente, a RSSF provê informações da média da temperatura e da umidade a cada hora. Posteriormente um classificador fuzzy foi desenvolvido para extrair o risco de ocorrência de um flashover. Entretanto, as chuvas lavam naturalmente a cadeia de isoladores removendo a camada de poluição e reduzindo o risco de flashover. A ocorrência de chuva causa uma perturbação no padrão diário da temperatura e umidade e técnicas de reconhecimento de padrão são capazes de identificar os eventos de chuva a partir da análise da temperatura e umidade. Este artigo descreve a inclusão da informação de ocorrência de chuva no sistema de inferência fuzzy, o que tornou a classificação de risco mais precisa, e apresenta dados coletados nas estações de monitoramento localizadas nas cidades de Fortaleza-CE e Mossoró-RN. Keywords—Sensor óptico; corrente de fuga; Sistema de Inferência Fuzzy; Reconhecimento de padrões.

I.

INTRODUÇÃO

Dentre os muitos problemas que afetam as linhas de transmissão, há as descargas parciais causadas pelo depósito de poluentes nas cadeias de isoladores. O propósito das cadeias de isoladores é isolar os condutores da estrutura metálica aterrada das torres. Os isoladores estão expostos à poluição ambiental, a qual se deposita de forma quase aleatória, a depender de fatores como direção do vento, desmatamento de vegetações e tipos de atividades econômicas no entorno da linha. Dessa maneira, forma-se uma camada não uniforme de poluentes na superfície do isolador [1]–[3]. Quando a poluição está seca, a condutividade da superfície é baixa, mas quando há exposição a alta umidade, os poluentes solúveis em água se dissociam em íons aumentando a condutividade da superfície poluída. Sendo assim, uma corrente de fuga flui através da superfície poluída causando aquecimento, devido ao efeito Joule, e evaporação da umidade. Entretanto, devido a não uniformidade da camada de poluentes, o aquecimento também ocorre de modo não uniforme, causando a criação das chamadas bandas secas,

regiões dielétricas cercadas de regiões condutoras. Nas bordas das bandas secas acumulam-se cargas elétricas que dão origem a um campo elétrico intenso circundando a banda seca. Esse campo elétrico pode ser intenso o suficiente para quebrar a rigidez dielétrica do ar ao redor da banda seca causando uma descarga parcial [4], [5]. As descargas parciais podem evoluir em intensidade e frequência de ocorrência até que uma descarga completa, conhecida como flashover, curto circuite a cadeia de isoladores [6] causando uma falha na linha de transmissão. Anteriormente um sensor óptico foi desenvolvido [7] para mensurar a corrente elétrica de fuga fluindo na superfície das cadeias de isoladores, a qual está diretamente relacionada ao nível de poluição e umidade depositada no isolador. Posteriormente, foram instaladas estações de monitoramento em seis torres, posteriormente 14, de transmissão localizadas na região Nordeste do Brasil [8]. As estações de monitoramento enviam os dados coletados por meio de comunicação via satélite. Uma forma de evitar a ocorrência de um flashover e uma consequente falha na linha de transmissão é realizar o procedimento de lavagem da cadeia de isoladores, removendo assim a camada de poluentes depositada. Entretanto, trata-se de uma operação custosa durante a qual podem ocorrer falhas. Objetivando prover informação para a tomada de decisão em relação à necessidade de manutenção na cadeia de isoladores, foi desenvolvido um sistema de inferência fuzzy cuja saída é o nível de risco de ocorrência de flashover [9]. Entretanto, quando há ocorrência de chuvas intensas a cadeia de isoladores é naturalmente lavada, o que faz com que o risco de flashover caia para próximo de zero. Entretanto, durante a chuva é registrado um aumento de atividade o que é interpretado de forma equivocada pelo sistema fuzzy. Além disso, quando há a diminuição brusca da atividade o sistema fuzzy demora até dias para se adequar às novas condições e classificar o baixo risco de falhas. Sendo assim, a informação de ocorrência de chuva é importante para o sistema de inferência de risco. As estações de monitoramento também coletam a temperatura e umidade, as quais possuem um comportamento

regular e quase periódico durante o dia. Em trabalhos anteriores foi identificado que há um padrão estabelecido quando ocorre um evento de chuva: normalmente a temperatura cai enquanto a umidade sobe, ambas de maneira brusca e, por vezes, contrariando a tendência da curva. Dessa forma, um sistema de reconhecimento de padrões foi construído para identificar o padrão de chuva [10]. Esse artigo apresenta uma análise da inclusão da informação da ocorrência de chuva no sistema de inferência fuzzy. São apresentados dados coletados pelas estações de monitoramento das cidades de Fortaleza-CE e Mossoró-RN, assim como os resultados do sistema de inferência de risco influenciados pelo sistema para detecção de chuva. II.

SISTEMA DE MONITORAÇÃO DA CORRENTE DE FUGA

O Sistema de Monitoração da Corrente de Fuga é composto de três partes: sensor óptico, módulo de processamento e módulo de comunicação via satélite. O sistema é alimentado por bateria e painel solar [7]. O sensor óptico é composto por um LED infravermelho acoplado a uma fibra óptica. Em paralelo com o LED, há um diodo para proteger o LED da corrente de fuga reversa (já que a corrente de fuga é um sinal alternado). Uma fotografia do LED sensor pode ser visualizada na Fig. 1. O fato de ser utilizado um sensor óptico torna o sistema de monitoração da corrente de fuga imune à interferência eletromagnética [8].

Fig. 1. Foto do acoplamento do LED na fibra óptica. Extraído de [7].

O sensor é conectado em paralelo ao isolador mais próximo do sinal de terra, desviando a corrente através dele e medindo assim a corrente de fuga que flui pela cadeia. O módulo de processamento consiste nos estágios de fotodetecção, amplificação e comparação [7]. Além disso, há sensores de temperatura e umidade conectados ao microcontrolador de modo que as informações ambientais podem ser utilizadas para analisar conjuntamente o sinal da corrente de fuga. Uma amostra da forma de onda do sinal capturado pelo sensor óptico pode ser visualizada na Fig. 2. Existem duas componentes na corrente de fuga: a componente senoidal e a componente de ionização [8]. A componente senoidal se deve à própria resistência elétrica da cadeia de isoladores. Já a componente de ionização consiste de pequenos pulsos e está diretamente associada às descargas parciais ocorrendo na superfície da cadeia de isoladores.

Fig. 2. Foto do a Sinal da corrente de fuga em isolador poluído com tensão de 120 kV. Extraído de [8].

O principal objetivo do módulo de processamento é realizar uma medida da amplitude e da taxa de ocorrência das descargas parciais, que são categorizadas em quatro níveis de comparação, denominados de N1, N2, N3 e N4, correspondentes aos níveis de componente de ionização de 5, 10, 20 e 40 mA, respectivamente. A cada ocorrência de um pico de corrente de fuga superior a 5 mA, pode-se dizer que houve uma atividade de Nível 1 (N1); se houve um pico de corrente de fuga superior a 40 mA, pode-se dizer que houve atividade N1, N2, N3 e N4. III.

SISTEMA FUZZY PARA INFERÊNCIA DE RISCO DE FLASHOVER

Lógica Fuzzy [11] é uma extensão da lógica Booleana e possui como principal característica a habilidade de lidar com as incertezas inerentes à linguagem natural. Utilizando a Lógica Fuzzy, podem ser facilmente definidas classificações como “levemente poluído”, “moderadamente poluído”, “poluído” e “severamente poluído”, conforme já foi proposto na literatura [9]. O sistema fuzzy descrito em [12] tem por objetivo extrair o nível de risco de um flashover nas cadeias de isoladores monitoradas pela rede de sensores de corrente de fuga. O sistema usa o registro dos níveis de N1 a N4 juntamente com a umidade do ar para conseguir a classificação de risco desejada. A atividade elétrica registrada nos níveis de N1-N4 é condensada em uma única entrada para o sistema, denominada Taxa de Atividade (TA) e calculada da forma

𝑇𝐴 = 𝑁1 ∙ 0,33 + 𝑁2 ∙ 0,66 + 𝑁3 + 𝑁4 ∙ 2.



A Taxa de Atividade versus a umidade é organizada em um conjunto de regras descritas na Tabela 1. Para umidade foram estabelecidos cinco conjuntos: de muito baixa até muito alta. Para a Taxa de Atividade também foram estabelecidos cinco conjuntos: de zero até muito alta. As combinações da Taxa de Atividade com a umidade foram utilizadas para estabelecer o nível de incremento de risco: de muito negativo, passando pelo zero até muito positivo [9]. O processo de Inferência Fuzzy utiliza o conjunto de regras e apresenta como saída o nível de risco instantâneo de flashover. O nível de risco instantâneo é utilizado para compor

o risco de flashover associado a uma cadeia de isoladores, expresso por

𝐹𝑟 = 𝑅𝑘 + 𝑅𝑘−1 ,



em que 𝐹𝑟 é o risco de flashover, 𝑅𝑘 é o risco instantâneo de flashover atual, 𝑅𝑘−1 é o risco instantâneo de flashover anterior e 𝑅0 é zero. TABELA I.

CONJUNTO DE REGRAS PARA INFERÊNCIA FUZZY [12]. Umidade Relativa

Taxa de Atividade

Muito Baixa

Baixa

Moderada

Alta

Risco Pouco Risco Zero Zero Zero Negativo Negativo Risco Risco Risco Pouco Risco Pouco Baixa Positivo Positivo Positivo Positivo Risco Muito Risco Muito Risco Risco Moderada Positivo Positivo Positivo Positivo Risco Muito Risco Muito Risco Risco Alta Positivo Positivo Positivo Positivo Muito Risco Muito Risco Muito Risco Muito Risco Muito Alta Positivo Positivo Positivo Positivo

Muito Alta Risco Muito Negativo Risco Pouco Positivo Risco Pouco Positivo Risco Positivo Risco Muito Positivo

A Fig. 3 apresenta as atividades N1 a N4, a umidade e a saída do sistema Fuzzy de classificação de risco. Pode ser observado que o sistema Fuzzy condensa toda informação contida nas taxas N1-4 e na umidade, tomando como base as regras extraídas de especialistas. Dessa forma, é possível realizar uma classificação de risco de ocorrência de um flashover de forma automática [9].

abrupto na umidade, como pode ser visualizado também na Fig. 4. É importante notar que quanto mais intensa for a chuva maior será a variação no comportamento regular da temperatura e umidade. Em trabalhos anteriores já foi demonstrada a viabilidade do uso de técnicas de reconhecimento de padrões (Redes Neural Multilayer, Máquina de Vetor de Suporte e Classificador Bayesiano) para identificação do padrão de chuva [14], [15]. Sendo assim, não é necessário instalar um novo sensor nas estações de monitoramento. Para realizar o treinamento e avaliação das técnicas, foram utilizados dados do INMET. Os dados de interesse coletados foram: temperatura média, umidade média e quantidade de chuva em milímetros a cada hora.

Padrão de chuva

Fig. 4. Influência de um evento de chuva no comportamento padrão da temperatura e umidade. Dados da estação de Garanhuns.

Embora o padrão de chuva seja, em geral, bastante característico, ele sofre algumas modificações de acordo com o clima da região. Os três classificadores utilizados (Classificador Bayesiano, Rede Neural MLP e Máquina de Vetor de Suporte) são se mostraram sensíveis às diferenças climáticas que modificam o comportamento natural da temperatura e umidade [15]. A melhor alternativa, tendo em vista a confiabilidade do sistema, foi escolher, para o treinamento, uma base de dados meteorológicos do INMET fisicamente mais próxima à região de aplicação do classificador. Sendo assim, há um classificador de chuva para cada estação de monitoramento da corrente de fuga. Fig. 3. Resposta do Sistema de Inferência Fuzzy.

IV.

DETECÇÃO DE CHUVA

Observando o comportamento da umidade mostrado na Fig. 3, é possível perceber que há um padrão quase periódico, alterado esporadicamente. A temperatura também possui um padrão bastante regular, conforme pode ser verificado nos dados coletados pelo INMET (Instituto Nacional de Meteorologia) [13], apresentados na Fig. 4. Durante o dia, a temperatura é alta e a umidade é baixa. Ao anoitecer, a umidade aumenta e a temperatura diminui. Entretanto, um evento de chuva causa uma ruptura no padrão observado: ocorre uma diminuição abrupta na temperatura e um aumento

Pelos testes estatísticos realizados [15] a Rede Neural e a Máquina de Vetor de Suporte (SVM) apresentam desempenho estatisticamente igual. Entretanto, por meio de análises visuais nas aplicações dos classificadores nos dados das estações de monitoração de corrente de fuga foi identificado que as SVMs são capazes de reconhecer o padrão de chuva de maneira coerente com a atividade da corrente de fuga na cadeia de isoladores. Sendo assim, esse classificador foi escolhido para ser inserido no sistema de inferência fuzzy. V. INCLUSÃO DA INFORMAÇÃO DE CHUVA NO SISTEMA FUZZY A seguir serão apresentados os dados coletados nas estações de Fortaleza-CE e Mossoró-RN.

A. Inferência de Risco na Base de Dados de Fortaleza-CE A Fig. 5 apresenta a resposta do sistema de inferência Fuzzy, descrito anteriormente, com e sem a informação de chuva. Para essa análise os dados faltantes foram excluídos e para facilitar a visualização apenas o período com maior intensidade de atividades está representado. A atividade inicial, mostrada na Fig. 5, apresenta pulsos nos níveis N1 e N2, isso aumenta lentamente o risco calculado. Pouco depois do dia 220, as atividades cessam, sugerindo que, possivelmente, houve uma chuva não identificada. O sistema de inferência Fuzzy inicia sua redução gradativa de classificação de risco, uma vez que não há atividade, e logo em seguida, por volta do dia 225 volta a aumentar a classificação de risco por conta do retorno da ocorrência de descargas parciais no nível N1. Próximo ao dia 250 a atividade cessa, sugerindo outra chuva não identificada. Contudo uma análise mais criteriosa da Fig. 5 revela que depois dessa interrupção após o dia 250 o nível médio da umidade relativa do ar diminui e o pico diário da umidade nas madrugadas também diminui de valor absoluto. Logo, neste caso, não é possível afirmar que de fato uma chuva tenha ocorrido. Esse evento de redução dos valores de umidade foi corretamente interpretado pelo sistema Fuzzy, pois o nível de risco é mantido constante por aproximadamente três dias, apresentando leve diminuição apenas um dia antes da segunda marcação vertical na Fig. 5 quando o pico de umidade voltou a subir e não houve atividade.

A partir do dia 255, com a diminuição da taxa de atividade N1 a N4, o sistema fuzzy (com e sem informação de chuva) começa a decrementar o risco. Entretanto, no dia 257 a SVM reconheceu um evento de chuva, o que é comprovado pela alta umidade registrada no dia. Para o sistema fuzzy com informação de chuva, o risco é zerado instantaneamente. Após esse evento, apenas atividade N1 significativa é registrada e o risco começa sendo decrementado para o sistema fuzzy sem informação de chuva. A informação de chuva antecipa o decréscimo do risco em mais de 20 dias. Essa redução de 20 dias pode evitar o agendamento ou realização de uma manutenção desnecessária.

B. Inferência de Risco na Base de dados Mossoró - RN Os resultados da inferência de risco na base de dados de Mossoró-RN são apresentados na Fig. 6. Nesse caso específico, a atividade N4 foi omitida por não ter intensidade relevante no intervalo analisado. Próximo ao dia 280 as atividades N1 e N2 que vinham ocorrendo, cessam, entretanto, nesse período, também é registrada umidade baixa, o que explicaria a redução da atividade. Portanto, não há como definir se o decréscimo na intensidade das atividades de descargas parciais se deu por uma lavagem natural do isolador (chuva) ou por causa da queda na umidade. O sistema de classificação, portanto, manteve o risco inalterado nesse período. Por volta do dia 288 uma chuva foi identificada e o risco foi diminuído instantaneamente para o sistema fuzzy com informação de chuva. Mesmo após essa chuva as atividades nível N1 e N2 continuaram a ocorrer, o que sugere que a intensidade da chuva não foi suficiente para limpar completamente a cadeia de isoladores. Por volta do dia 335 uma chuva é detectada e atividades N1 a N3 que vinham ocorrendo cessam instantaneamente. Nesse momento é possível notar que o sistema Fuzzy com informação de chuva apresenta uma resposta mais consistente com as taxas de atividades registradas, reduzindo sua classificação de risco de maneira mais rápida. Comparando a Fig. 5 com a Fig. 6 percebe-se que o nível de risco registrado na Fig. 6 é aproximadamente 10 vezes menor que o da Fig. 5. Essa comparação comprova que o as regras de inferência Fuzzy estão bem ajustadas uma vez que na Fig. 6 o nível de atividade elétrica provocada pelas descargas parciais é consideravelmente menor, sem a presença de registros em N4.

Fig. 5. Sistema de inferência fuzzy com e sem informação de chuva para dados do ADECI da estação de Fortaleza-CE

REFERENCES [1]

[2]

[3]

[4]

[5]

[6]

[7]

Fig. 6. Sistema de inferência fuzzy com e sem informação de chuva para dados do ADECI da estação de Mossoró-RN. Linhas de marcação são posicionadas onde as atividades cessam.

VI.

[8]

CONCLUSÕES

O sistema de monitoração da corrente de fuga já se encontra bem estabelecido e em funcionamento há longo prazo. Entretanto, na análise dos dados coletados, a informação sobre a ocorrência de chuvas provou ser importante para a monitoração do estado de poluição de cadeias de isoladores. Um identificador de chuva foi desenvolvido tendo como entradas apenas os dados de temperatura e umidade evitando a inserção de novos sensores no sistema. Para o sistema de agendamento de manutenção, é mais seguro deixar de detectar uma chuva do que indicar falsamente a ocorrência dela. Nesse segundo cenário uma manutenção pode deixar de ser agendada e uma falha pode ocorrer. Nos resultados observados, para a SVM, foram identificados casos em que a atividade sugere ocorrência de chuvas não detectadas pela SVM o que caracterizaria um falso negativo. Contudo, não foi detectado nenhum falso positivo. Sendo assim, a informação de chuva proporcionada por esse classificador possui confiança suficiente para ser inserida no sistema de agendamento de manutenção. Com a inserção do classificador de chuva (SVM) inserido no sistema de inferência de risco Fuzzy foi possível antecipar em até 20 dias a anulação do risco de flashover. Essa antecipação pode impedir que manutenções desnecessárias sejam realizadas, reduzindo consideravelmente o custo total de operação da linha de transmissão além de aumentar a sua confiabilidade.

[9]

[10]

[11] [12]

[13]

[14]

[15]

B. F. Hampton, “Flashover mechanism of polluted insulation,” Proceedings of the Institution of Electrical Engineers, vol. 111, no. 5, p. 985, 1964. M. Sforzini, “Testing of polluted insulators—the present situation and problems of the future,” Journal of the Franklin Institute, vol. 294, no. 6, pp. 437–468, Dec. 1972. Zhijin Zhang, Xiaohuan Liu, Xingliang Jiang, Jianlin Hu, and D. W. Gao, “Study on AC Flashover Performance for Different Types of Porcelain and Glass Insulators With Non-Uniform Pollution,” IEEE Transactions on Power Delivery, vol. 28, no. 3, pp. 1691–1698, Jul. 2013. N. Lushnicoff and T. Parnell, “The Effects of Pollution and Surface Discharges on the Impulse Strength of Line Insulation,” IEEE Transactions on Power Apparatus and Systems, vol. PAS-90, no. 4, pp. 1619–1627, Jul. 1971. C. G. Karagiannopoulos, “A model for dielectrics experiencing partial discharges under high electric fields,” Journal of Electrostatics, vol. 65, no. 8, pp. 535–541, Jul. 2007. M. T. Gençoğlu and M. Cebeci, “The pollution flashover on high voltage insulators,” Electric Power Systems Research, vol. 78, no. 11, pp. 1914–1921, Nov. 2008. E. Fontana, S. C. Oliveira, F. J. M. M. Cavalcanti, R. B. Lima, J. F. Martins-Filho, and E. Meneses-Pacheco, “Novel Sensor System for Leakage Current Detection on Insulator Strings of Overhead Transmission Lines,” IEEE Transactions on Power Delivery, vol. 21, no. 4, pp. 2064–2070, Oct. 2006. R. A. de Lima, E. Fontana, J. F. Martins-Filho, T. L. Prata, G. O. Cavalcanti, R. B. Lima, S. C. Oliveira, and F. J. M. M. Cavalcanti, “Satellite telemetry system for pollution detection on insulator strings of high-voltage transmission lines,” in 2009 SBMO/IEEE MTT-S International Microwave and Optoelectronics Conference (IMOC), 2009, pp. 574–577. H. O. de Lima, S. C. Oliveira, and E. Fontana, “Flashover risk prediction on polluted insulators strings of high voltage transmission lines,” in 2011 11th International Conference on Intelligent Systems Design and Applications, 2011, pp. 397–401. L. H. S. Silva, S. C. Oliveira, and E. Fontana, “Evaluation of Machine Learning Methods in a Rain Detection System for Partial Discharge Data Analysis,” INTELLI 2013 : The Second International Conference on Intelligent Systems and Applications, pp. 176–183, 2013. L. A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338–353, Jun. 1965. H. O. de Lima, S. C. Oliveira, and E. Fontana, “Fuzzy inference system for risk classification on polluted insulator strings of high voltage transmission lines,” in 2011 SBMO/IEEE MTT-S International Microwave and Optoelectronics Conference (IMOC 2011), 2011, pp. 117–120. Ministério da Agricultura Pecuária e Abastecimento, “Instituto Nacional de Meteorologia (INMET).” [Online]. Available: http://www.inmet.gov.br/portal/. [Accessed: 20-Abril-2016]. L. H. S. Silva, S. C. Oliveira, R. A. de Lima, and E. Fontana, “Long Term Analysis of Leakage Current Pulses Registered by an Optical Sensor Network,” International Microwave and Optoelectronics Conference - IMOC 2013, 2013. L. H. S. Silva, S. C. Oliveira, and E. Fontana, “Machine Learning Methods Applied on Long Term Data Analysis for Rain Detection in a Partial Discharge Sensor Network,” International Journal On Advances in Intelligent Systems, vol. 6, no. 3, pp. 356–366, 2013.