A INTELIGÊNCIA ARTIFICIAL POTENCIALIZA A CONFIABILIDADE DOS DADOS DE MEDIÇÃO

O aprendizado de máquina promove maior precisão e expõe possíveis discrepâncias em resultados de teste precocemente.

A crescente presença de fontes de energia renovável leva a uma maior descentralização da produção de energia elétrica. Por isso, cada vez mais cargas reguladas aparecem na rede elétrica e, com elas, vem o risco de efeitos perigosos, como curtos-circuitos, harmônicos e transitórios. As condições operacionais dinâmicas dos ativos fazem com que seja recomendável verificar com atenção as possíveis mudanças nos dados de medição.

Condições de carga que mudam rapidamente na rede elétrica também afetam os caros transformadores de potência. É preciso implementar medidas adequadas de manutenção para garantir que o ciclo de vida dos transformadores de potência instalados seja duradouro e saudável. O método SFRA é um procedimento offline comumente usado que é comprovadamente o método mais sensível e não invasivo para detectar falhas elétricas e mecânicas. É um procedimento importante para avaliações de transformadores com base em condições.

O que significa SFRA?

SFRA significa análise de resposta em frequência de varredura. É um método baseado na comparação de medições reais e de referência.

O que a SFRA faz?

A análise realiza medições em transformadores de potência em um domínio de frequência.

Quais são as vantagens do princípio da SFRA?

É um forte supressor de ruído de banda larga e banda estreita, sendo capaz de atingir uma alta relação de sinal para ruído.

Por que a SFRA é um método de medição tão popular?

Em comparação aos outros métodos, a SFRA é um método de medição não invasivo e pode ser executado rapidamente.

Por que os resultados da SFRA são mais confiáveis?

As medições são baseadas em uma comparação entre medições reais e de referência. Por isso, os desvios causados por erros de medição são detectados facilmente.

 

Aprendizado de máquina com o método SFRA

O método SFRA fornece resultados sobre a integridade mecânica do núcleo, dos enrolamentos e da estrutura de aperto e sobre a integridade elétrica, como espiras e enrolamentos em curto.

Como funciona a medição SFRA em detalhes?

Um sinal de baixa tensão com frequência variável é injetado em um terminal do transformador de potência e medido no outro terminal. A comparação entre os sinais de saída e entrada fornece uma resposta de frequência que pode ser comparada às medições anteriores, como a medição de referência.

De que maneira o aprendizado de máquina pode agregar valor?

Com a ajuda do aprendizado de máquina e da inteligência artificial, é possível comparar os resultados de testes com a ajuda de algoritmos baseados em conhecimento especializado e uma grande quantidade de dados. Esses modelos ajudam a detectar problemas de qualidade e erros de medição sistemática relacionados a aplicativos e dispositivos precocemente.

Quais fatores externos podem influenciar os resultados de medição?

Mudanças na configuração da medição, o estado do transformador, a configuração do transformador e fatores externos podem afetar os resultados de medição e levar a um diagnóstico equivocado. Por isso é importante verificar a validade e a qualidade dos resultados de medição antes da avaliação.

Quais são as referências de avaliação para as medições de SFRA?

As curvas de SFRA medidas são avaliadas com dados de referência usando um dos algoritmos padrão, o algoritmo NCEPRI (Instituto de pesquisa em energia elétrica do Norte da China) ou DLT (o Padrão do setor de energia elétrica da República Popular da China, DL/T 911 – 2004).

Como o aprendizado de máquina e a inteligência artificial podem se conectar às medições SFRA?

Para o processo de aprendizado de máquina, foram disponibilizadas 19.787 curvas de SFRA representando mais de 2 mil transformadores de potência para treinar os algoritmos. Os resultados mostram que os algoritmos baseados em inteligência artificial são adequados para qualificação e validação automáticas de medições de SFRA. No momento, os algoritmos são muito adequados a propósitos auxiliares. Os usuários podem validar previamente suas próprias curvas de SFRA com base em três classes diferentes. Os resultados de medição se qualificam como OK, Investigar e Erro. Essa possibilidade permite um grande aumento na qualidade dos seus dados e coloca seu ativo em foco mais nítido.

 

Saiba mais sobre o sistema de teste SFRA FRANEO 800 da OMICRON e seu profundo conhecimento sobre testes SFRA.

Leia mais

Ouça nosso podcast

Produzimos um episódio de podcast para informar a importância de validar os dados de medição para obter avaliações mais confiáveis.

Nesse episódio, os especialistas em transformação de dados da OMICRON David Gopp e Lukas Klingenschmid falam sobre a validação dos dados de medição e a importância disso para alcançar uma transformação digital bem-sucedida no setor de energia. Ouça ao podcast!

O Energy Talks apresenta vários episódios relacionados aos testes de sistema de potência. Você pode encontrar todos os episódios em nossa página de destino do podcast​​​​​​​.

Descubra mais OMICRON Coverstories

Ouça nossos podcasts

November 16, 2022

Vulnerability Management in Substations and Power Plants

with Andreas Klien

Episode 44 - Energy Talks

November 10, 2022

In the Shoes of Field Engineers | Onsite Power Transformer Commissioning

with Marcus Stenner

Episode 43 - Energy Talks

October 19, 2022

Digital Transformation in the Power Industry 5 | Pattern Recognition

with David Gopp

Episode 42 - Energy Talks

Digital Transformation Series | Part 5

You are using an outdated browser version.
Please upgrade your browser or use another browser to view this page correctly.
×