GERAÇÃO SIMULADA DE PADRÕES PRPD, MODELAGEM ESTATÍSTICA E CLASSIFICAÇÃO DE DESCARGAS PARCIAIS NO MONITORAMENTO E DIAGNÓSTICOS DE ISOLAMENTOS ELÉTRICOS

Descrição

As descargas parciais (DP) constituem fenômenos associados à degradação de sistemas de isolamento elétrico em equipamentos do sistema de potência. Sua medição e análise, especialmente por meio de padrões resolvidos em fase (PRPD), são empregadas como ferramentas de diagnóstico não destrutivo, permitindo identificar defeitos incipientes antes que evoluam para falhas graves. Com o avanço de métodos computacionais de classificação automática, cresce a demanda por bases de dados representativas e bem documentadas. Entretanto, a construção de bancos experimentais de DP exige infraestrutura de alta tensão, controle experimental rigoroso e protocolos de segurança, o que dificulta a formação de conjuntos extensos e balanceados. Nesse contexto, este projeto propõe o desenvolvimento de uma metodologia computacional para geração de um banco de dados sintético de padrões PRPD. A abordagem consiste em modelar estatisticamente padrões clássicos de DP descritos na literatura, especificamente os diferentes tipos de descargas internas, superficiais e corona, considerando variáveis como fase de ocorrência, magnitude dos pulsos, dispersão angular, densidade de eventos e polaridade. Rotinas implementadas em Python permitirão simular eventos de DP e consolidá-los em matrizes PRPD parametrizáveis, com variações controladas de amplitude, número de pulsos e ruído. A validação será realizada por análise estatística e comparação com padrões consolidados na literatura, com suporte de medições laboratoriais existentes. A contribuição esperada é uma base sintética controlada, documentada, reprodutível, capaz de permitir a análise de modelos de classificação de padrões de descargas parciais a partir de atributos estatísticos extraídos dos gráficos PRPD, consequentemente, subsidiar estudos de diagnóstico de isolamento, reconhecimento de padrões e aprendizado de máquina, além de apoiar a formação do estudante em alta tensão, modelagem estatística e programação científica.