Defesa Pública da Dissertação de Mestrado do Engenheiro Eletricista Gustavo Silva da Rocha
Data: 24/06/2021 – quinta-feira
Horário: 10h (Brasil), 9h (USA), 14h (Portugal), através de videoconferência.
link prioritário: https://senge.webex.com/meet/gustavo_rocha
link alternativo:https://mconf.ufrgs.br/webconf/gmasp-ufrgs
Banca Examinadora:
Prof. Dr. Lino José Forte Marques – Departamento de Engenharia Elétrica e Computação – Universidade Coimbra (UC) – Portugal
Prof. Dr. Arturo Suman Bretas – Departamento de Engenharia Elétrica e Computação – Universidade da Flórida (UFL) – EUA
Prof. Dr. Alexandre Balbinot – PPGEE – UFRGS
Presidente da banca/Orientador: Prof. Dr. Daniel da Silva Gazzana – PPGEE-UFRGS
Título da dissertação: “DETECÇÃO DE ARCO TIPO SÉRIE ATRAVÉS DO USO DA TRANSFORMADA WAVELET “
Resumo:
“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 classificador, com a utilização dos conceitos de máquina de aprendizagem, que atingiu uma acurácia média de 90% na identificação da falta arco, mesmo em condições críticas de detecção.
Palavras-chave: AFDI. Incêndios Elétricos. Falta Arco Série. Transformada Wavelet.”
