Detecção de arco tipo série : estudo de caso atraés do uso da transformada wavelet e máquinas de vetores de suporte

Abstract

Danos na fiação e em conexões elétricas podem resultar em incêndios através das chamadas faltas arco. Os dispositivos de proteção convencionais, como disjuntores, fusíveis e disjuntores diferenciais residuais não são capazes, muitas vezes, de identificar esse defeito. Os equipamentos chamados AFDI, do inglês, Arc Fault Device and Interrupter, surgiram nas últimas duas décadas buscando suprir essa lacuna. Contudo, a sua aplicação e eficiência ainda são restritas devido, entre outros motivos, ao chamado efeito de mascaramento gerado por alguns tipos de carga, que dificultam a identificação da ocorrência da falta arco. Para este fim, novas técnicas de detecção vêm sendo estudadas com o objetivo de desenvolver dispositivos mais confiáveis. Estudos relacionados a ferramentas estatísticas e de análise de sinais no domínio da frequência, associadas a metodologias de aprendizagem de máquina, demonstram resultados promissores no desenvolvimento de técnicas alternativas de detecção do arco. Nesse contexto, o objetivo deste trabalho é avaliar o potencial dos dados extraídos a partir da transformada wavelet na detecção da falta arco. Para isto foi construído um gerador de arco possibilitando o ensaio de cargas variadas na presença do fenômeno. Com base nos resultados obtidos foi possível construir um modelo inteligente, através da Máquina de Vetores de Suporte (SVM), que atingiu uma accuracy próxima a 90% na identificação da falta arco, mesmo em condições críticas de detecção.

Damage to wiring and electrical connections can result in fires through so-called arc faults. Conventional protection devices such as circuit breakers, fuses and residualcurrent circuit breakers are often unable to identify this defect. The equipment called Arc Fault Device and Interrupter (AFDI) appeared in the last two decades seeking to fill this gap. However, its application and efficiency are still restricted due, among other reasons, to the masking effect generated by some types of load, which is difficult to identify the occurrence of this transient. New arc fault detection techniques are being studied with the objective of developing more reliable devices. Studies related to statistical tools and signal analysis in the frequency domain, associated with machine learning methodologies, demonstrate promising results in the development of alternative arc detection techniques. In this context, the objective of this work is to evaluate the potential of the data extracted from the wavelet transform in the detection of the arc fault. For this purpose, an arc generator was built, enabling the testing of various loads in the presence of the phenomenon. Based on the results obtained it was possible to build a classifier model, using the concepts Support Vector Machine (SVM), which reached almost accuracy of 90% in the identification of the arc fault, even under critical detection conditions.