Machine learning para detecção de falhas incipientes em buchas de alta tensão

Abstract

Este trabalho tem como objetivo principal desenvolver, aplicar e avaliar um modelo computacional baseado em Machine Learning, especificamente o algoritmo Random Forest, para a detecção de comportamentos anômalos que podem sugerir falhas incipientes no isolamento de buchas de alta tensão. A metodologia consiste em uma abordagem de regressão fundamentada na análise do erro de previsão, conhecido como forecast error. Para este fim, utilizou-se o histórico operacional real de um transformador de potência monofásico pertencente a um banco de 550 kV do Sistema Interligado Nacional a fim de treinar o algoritmo. O modelo reconstruiu a corrente de fuga esperada a partir de variáveis operacionais externas aos monitores convencionais de buchas, como a tensão do barramento, o carregamento da máquina, as condições climáticas do ambiente e do topo do óleo. Os resultados da fase de teste indicaram a possibilidade de utilizar essas variáveis para a previsão da corrente de fuga, alcançando um Erro Percentual Absoluto Médio de 0,11%. Durante a fase de aplicação, a análise contínua dos resíduos, correspondentes à diferença entre a corrente medida e a reconstruída, aliada ao estabelecimento de limites estatísticos de controle, detectou desvios persistentes em relação à linha de base. A identificação desse comportamento anômalo pode sugerir uma alteração dielétrica do componente analisado. A observação estatística desses resíduos sugere duas fases distintas de instabilidade, sinalizando o desvio da normalidade meses antes da falha funcional e consequente substituição da bucha. Por fim, os resultados sugerem que o método proposto apresenta potencial para atuar como uma camada analítica adicional na corroboração de diagnósticos emitidos por monitores físicos. Dessa forma, a abordagem fornece à engenharia de manutenção uma ferramenta diretamente alinhada aos preceitos da Manutenção Preditiva e da Manutenção Baseada na Condição, podendo entregar indicadores contínuos capazes de ampliar o horizonte temporal para a tomada de decisão.