Content uploaded by Daniel F. Leite
Author content
All content in this area was uploaded by Daniel F. Leite on Nov 22, 2021
Content may be subject to copyright.
Engenharia no Século XXI - Volume 22
95
Capítulo 11
Sensores virtuais para detecção de descargas parciais
em transformadores de potência
Brendo Silva Barbosa
Pyramo Pires da Costa Júnior
Rose Mary de Souza Batalha
Daniel Furtado Leite
Resumo: Descarga parcial é um tipo de falta comum em transformadores de potência.
Ela indica o estado do material isolante dos equipamentos e sua identificação é uma
tarefa fácil. Algumas técnicas como análise cromatográfica do óleo refrigerante têm sido
utilizadas na detecção das descargas parciais off-line. Neste artigo é apresentada uma
proposta de Sensor Virtual para detecção de descargas parciais on-line. O sensor virtual
é constituído de duas seções. Primeiro, o pré-processamento, onde os dados de
correntes do transformador são tratados e transformadas wavelet são empregadas.
Segundo, o classificador inteligente, constituído por uma rede neural de base radial
(RBF), um sistema neuro-fuzzy adaptativo (ANFIS) ou um sistema neuro-fuzzy evolutivo
(DENFIS). Neste artigo as descargas parciais foram simuladas utilizando um modelo de
parâmetros concentrados. Para análise de desempenho são consideradas situações de
distúrbio. Os resultados obtidos mostram-se viáveis, assim como a utilização de sensores
virtuais para detecção on-line de descargas parciais.
Palavras-chaves: Rede Neural, Transformador, Detecçãoo de Descarga Parcial,
Sensores Virtuais.
Engenharia no Século XXI - Volume 22
96
1. INTRODUÇÃO
A descarga parcial (Partial Discharge, PD) é uma das faltas mais comuns em equipamentos elétricos de
potência. Elas são causadas devido à modificações na estrutura do material isolante empregado no
enrolamento do equipamento, o que pode gerar bolhas de ar e perda das características dielétricas em
consequência ao envelhecimento precoce. O material isolante não suporta o gradiente de tensão imposto
sem que ocorra a formação de pequenos arcos elétricos internos nos enrolamentos.
As ocorrências de PD podem gerar a perda da estabilidade dielétrica de um sistema de isolamento. Isso se
deve à tendência de redução da capacidade dielétrica do isolante, que se estende até a formação de uma
descarga plena (Zhu et al., 2015). Há também a possibilidade da formação de gases inflamáveis se as
descargas ocorrerem em contato com o óleo refrigerante utilizado nos equipamentos.
Atualmente, a análise cromatográfica do óleo refrigerante do transformador é muito utilizada para a
indicação de falta nesses equipamentos. Isso se dá pela sua capacidade de identificar múltiplos tipos de
faltas, como mostrado em (Golarz, 2016). Cada tipo de falta produz combinações específicas de gases,
que se acumulam no óleo. A interseção de gases para diferentes faltas e existência de várias faltas
simultˆaneas torna gera uma certa imprecisão ao método, como relatado em IEEEC57.104-2008 (2008).
Além disso, há um custo operacional e logístico envolvido em realizar a coleta e o transporte de
amostras de óleo de cada equipamento de subestações de uma ampla região para os centros de análise
química. Sendo assim, a análise de gases dissolvidos não é uma metodologia aceitável para os novos
conceitos de redes elétricas inteligentes (smart grids (SG)) (Colak et al., 2014).
Khramshin et al. (2015) cita os desafios para implementação de SG dando ênfase aos transformadores de
potência e às mudanças necessárias para o novo cenário da rede. Dentre essas mudanças incluem o
controle contínuo das condicões técnicas de operac¸ão dos transformadores, detecção precoce e
localização de falha, e a programação eficaz dos trabalhos de manutenção. Tais itens não podem ser
atendidos pelos modelos de operação e, principalmente, de manutenção utilizados atualmente.
Muito se discute sobre formas mais eficazes para a detecção de faltas que podem acometer os
equipamentos elétricos de potência, incluindo as PD. A necessidade de detectar e medir a intensidade e a
localização de descargas parciais é de fundamental importˆancia em programas de manutenção. Porém,
como visto em (Zhenquan et al., 2009), sua detecção e identificação ainda é muito complicada. Ademais, a
maioria dos métodos de detecção propostos, conforme IEEEstd1434-2014 (2014), são métodos off-line.
Trabalhos como (Chanetal., 2015) e (Wan and Chan, 2016) abordam alguns métodos on-line propostos
pelo IEEE-Std-1434. São utilizadas ondas sonoras ou eletromagnéticas emitidas no momento da centelha
elétrica da descarga para indicar sua presença e encontrar sua localização. Alguns trabalhos partem para
o uso de grandezas elétricas geradas pelas PD como em (Mohamed and Lewin, 2009) e (Jeyabalan and
Usa, 2009). Neste trabalhos são utilizados circuitos equivalentes de parâmetros concentrados para a
simulação dos enrolamentos de um transformador de potência submetidos à descargas parciais. Yini and
Lixing (2007) utilizam uma rede neural Hopfield e Mondal and Kumbhar (2017) utilizam um método
baseado em ortogonalização de Gram Schmidt para realizarem detecção e localização de PD.
Visando uma solução que detecte as PD atendendo as condicões impostas por Khramshin, e sem que
haja a necessidade da adic¸ão de novos sensores no transformador, esse trabalho propõe o uso de
Sensores Virtuais (SV) não físicos e indiretos. O sistema de monitoramento é capaz de inferir uma variável
não medida a partir de um modelo de correlação das variáveis medidas. A sua aplicação torna-se útil em
situações em que o sensor para uma determinada variável é muito caro ou deve atuar em um ambiente
improprio à sua instalação. Algumas vezes, o sensor físico simplesmente não existe (Shao et al., 2015).
Exemplos de SV podem ser vistos em (Ascencio, 2000). E´ proposta estimação inferencial para se obter a
medição da biomassa a partir de diversas variáveis como dióxido de carbono, pH, e oxigênio. No trabalho
de Lin et al. (2006), é utilizado um SV para mensurar a quantidade de Cal livre e NOx produzidos dentro
de um forno de produção de cimento. Em (Lotufo and Garcia, 2008) foi desenvolvido um SV para
monitorar a cota de nitrogênio interno de células de fitoplˆancton. Pode ser notado que a maioria dos
trabalhos são voltados para a área da engenharia química.
Este trabalho apresenta uma nova proposta de desenvolvimento de um SV para detecção de descargas
parciais em transformadores de potência. O SV deve ser robusto às condições de entradas uma vez que os
sinais de sensores físicos instalados podem não serem íntegros. A metodologia proposta pode ser aplicada
a outros equipamentos elétricos de potência, criando uma condição on-line de predição do estado dos
equipamentos e de faltas incipientes ou catastróficas. O sistema é empregável às novas realidades
impostas por redes inteligentes oferecendo segurança, robustez e maior confiabilidade à rede.
Engenharia no Século XXI - Volume 22
97
2. REFERENCIAL TEÓRICO
2.1. SENSOR VIRTUAL
Os sensores virtuais são softwares (potencialmente embarcados) que trabalham com a correlação dos
dados dos sensores presentes em uma planta para inferir uma variável não medida. Sua vantagem é a
dispensa da existência de um dispositivo físico. O sensor virtual é modular à diferentes tipos de
correlações e dados de entrada. Um SV é constituído de duas etapas: o pré-processamento é a etapa em
que ocorre a extração de características; em seguida, as características obtidas alimentam um modelo
inteligente. Em ambas as etapas, existe a preocupação quanto ao uso da ferramenta matemática mais
adequada para a situação onde o sensor está aplicado.
Os dados coletados durante a operação do processo geralmente contêm imprecisões. Estas podem ocorrer
devido ao resultado de diferentes distúrbios, degradação, além de não haver garantia da integridade dos
dados oferecido pelos sensores. Tais situações são identificadas e estudadas neste trabalho para validar a
robustez do SV proposto. Para remover tais imprecisões que afetam negativamente a qualidade do
modelo, o pré-processamento de dados é fundamental (Lin et al., 2006) (Lucas et al., 2018).
SV são frequentemente tratados por métodos estatísticos para extração de características (Dixon, 1999;
Lin et al., 2006). Tais métodos incluem: análise de componentes principais (PCA), mínimos quadrados
parciais (PLS), máquina de vetor suporte (SVM), métodos de regressão, wavelets, métodos de
clusterização como K-Means, filtro de Kalman, dentre outros (Kadlec et al., 2009) (Kadlec et al., 2010)
(Silva et al., 2018a) (Silva et al., 2018b). Tais métodos também podem ser usados como o modelo de
correlação ou para o tratamento de outliers.
O modelo inteligente, que faz o papel de sensor virtual em si, pode ser do tipo caixa branca, cinza ou preta,
dependendo principalmente do tipo de correlação existente entre as variáveis medidas e a variável
desejada. Para correlações lineares, ferramentas como regressão linear por mínimos quadrados ou os
métodos supracitados são soluções geralmente eficazes. Contudo, para relações não-lineares e variantes
no tempo (não-estacionárias), as melhores opções são ferramentas neuro-fuzzy, principalmente sistemas
evolutivos (Kasabov, 2007) (Leite et al., 2013). Um artigo Survey recente resume o estado da arte da área
de sistemas fuzzy e neuro-fuzzy evolutivos (Skrjanc et al., 2019).
2.2. DENFIS
Sistemas Conexionistas Evolutivos (Evolving Connectionist Systems – ECoSs) (Watts, 2009) são uma
família e algoritmos construtivos de rede neural que foram propostos originalmente em (Kasabov, 1998).
Um ECoS é um sistema adaptativo e incremental de aprendizagem e conhecimento que evolui sua
estrutura e funcionalidade. No núcleo do sistema está uma arquitetura conexionista que consiste em
neurˆonios (unidades de processamento de informações) e conexões entre neurˆonios. Estas utilizam
algoritmos incrementais de aprendizagem que operam de forma contínua no tempo, e adaptam sua
estrutura e funcionalidade através da interação contínua com o meio ambiente e com outros sistemas.
Dentre tais redes destacase o modelo DENFIS (Dynamic Evolving Neural-Fuzzy Inference System). Uma
aplicação dos princípios de EcoS à uma RNA (Rede Neural Artificial) que implementa um sistema de
inferência fuzzy Takagi-Sugeno é mostrada em (Kasabov, 2002).
O DENFIS utiliza o método chamado ECM (Evolving Clustering Method ), que se baseia no conceito de
adicionar e modificar dinamicamente os clusters à medida que novos dados são apresentados. Ele tem
apenas um parˆametro a ser definido, o limite de distˆancia Dthr. Quando novos clusters são adicionados,
seu raio R é definido como zero, e seu centro é igual ao vetor de entrada In. Conforme exista a ocorrência
de vetores próximo à um cluster, seu raio R é aumentado, e seu centro é deslocado em direção à amostra.
Porém, o raio R não pode exceder o limite, Dthr. O algoritmo ECM é mostrado na Fig. 1.
Quando o cluster a é atualizado, seu centro é deslocado para mais perto de In e seu raio Ra(t + 1) é
definido conforme
(1)
em que o novo centro de a, C (t + 1) é ajustado de modo que sua distância esteja na reta entre C (t) e In, a
uma distância de R(t + 1).
Engenharia no Século XXI - Volume 22
98
Embora o ECM pareça ser um método de clusterização útil em si, sua função principal é produzir os
termos antecedentes de um sistema de inferência fuzzy. Os antecedentes são formulados pela combinação
dos clusters mais ativos por um vetor de entrada. As funções lineares consequentes de uma regra fuzzy
são adaptadas usando o método LSE (Linear Least-Square Estimator) sobre os centros dos cluster
existentes. Assim, cada cluster é usado como um envólucro dos dados de entrada e como uma região onde
a função linear consequente é válida. Para qualquer vetor de entrada I, a saída do modelo DENFIS é
calculada como a média ponderada das contribuições locais das regras ativas.
3. METODOLOGIA
O fluxograma geral do esquema de detecção utilizando o sensor virtual é mostrado na Fig. 2.
Fundamentalmente, o fluxograma consiste nos três elementos citados: (1) a simulação das PD internas no
enrolamento do transformador utilizando o modelo de parâmetros concentrados;(2) o pré-
processamento e extração de características dos dados; e (3) a rede neural para captura da correlação
entre as características e faltas.
Figura 1. Algoritmo de Treinamento ECM
Figura 2. Fluxograma do esquema de detecção de falta utilizando Sensor Virtual
3.1. SIMULAÇÃO
As PD foram simuladas a partir do ambiente Simulink com 2o circuito equivalente de parâmetros
concentrados do enrolamento de alta tensão de um transformador de 1MV A e 6, 6kV em condição
nominal. Essa escolha foi feita já que a relação pulso/corrente é maior em relação ao enrolamento de baixa
tensão. A representação do circuito pode ser vista na Fig. 3. Cada porção do circuito corresponde a um
segmento do enrolamento do transformador. Os valores utilizados são L = 220mH, C2 = 2500pF , C1 =
450pF e R = 10Ω, vide (Akbari et al., 2002).-
Engenharia no Século XXI - Volume 22
99
Figura 3. Circuito Equivalente de Parâmetros Concentrados
Pulsos são inseridos em um determinado segmento, simulando as características das PD internas. Isso é
feito a partir da inserção do pulso em uma dada posição da forma de onda, como pode ser visto em
(IEEEC57.113- 2015, 2015). Foram simulados 0,667 segundos (um total de 40 ciclos de onda). Os 10
primeiros ciclos possuíam PD. Os 10 ciclos seguintes não possiam PD, e assim por diante.
Os dados foram janelados em dois ciclos de onda. Cada ciclo possui 1667 pontos além de serem criadas
três situações 65 distindas para a avaliação da robustez do sensor virtual. São elas: (1) nenhuma
interferência; (2) substituição aleatória de 15% dos dados por outliers; e (3) deleção aleatória de 15%
dos dados.
3.2. PRÉ PROCESSAMENTO
O pré-processamento é subdividido em duas etapas. A primeira delas é a detecção e retirada de outliers, e
o preenchimento dos dados faltantes. Nesse sentido são feitas duas regressões senoidais, sendo a
primeira com a presença de outliers, em que os dados que estiverem além de um limiar são removidos,
conforme:
|Xn − REx(xn))| > Lth (2)
onde xn é a entrada no instante n, REx (xn) é a regressão da janela no ponto xn; n varia de 1 até 1667, e Lth é
o limiar. Em funções lineares é utilizado a regra 3σ, i.e., o método de Hampel.
Figura 4. Pré-Processamento dos Dados.
(a) Entrada com distúrbios
(b) Entrada suavisada
Na segunda regressão os dados retirados na etapa anterior bem como os dados ausentes são substituídos
conforme visto na Fig. 4. Isso é feito para que os outliers não criem nenhuma tendência na regressão
utilizada para substitui- los.
Engenharia no Século XXI - Volume 22
100
A segunda etapa do pré-processamento consiste na transformada wavelet e cálculo do espectro de
energia. Diferentes transformadas wavelets, daubechie 2 a 8 (db2, db8) e symlet 2 a 8 (sym2, sym8) foram
utilizadas para a extração de característica da janela pré filtra. A Wavelet cria uma desmenbramento do
sinal de uma janela em vários níveis onde os sinais de alta frequência da janela são separados como
coeficientes de detelhe de 1o nível e o restante fica como coeficiente de aproximação. Separando os sinais
de alta frequência dos coefientes de aproximação de 1º nível, tem-se os coeficientes de detelhe de 2º nível.
Desse forma é possivel criar uma análise multiresolução da janela onde no trabalho são utilizados os
coeficientes de detalhe de segundo e terceiro níveis, visto que o ruído branco danifica a decomposição em
primeiro nível.
Na sequência é feito o cálculo do espectro de energia dos coeficientes de detalhe resultantes obtidos sobre
todo o intervalo da janela trabalhada. A energia de um sinal é somatório de quadrado da função do sinal,
como pode ser visto na Equação 3.
onde X e´ a amplitude dos coeficientes wavelets obtidos a partir das amostras contidas na janela de tempo.
Por fim é feita a normalização da janela com uso do fator de escala, para não criar nenhum viés por
diferença de amplitude dos vetores de entrada que é muito nociva às redes neurais artificiais utilizadas a
seguir.
3.3. REDES NEURAIS
Foram utilizadas as redes neurais artificiais de base-radial RBF, rede neuro-fuzzy ANFIS e a rede neuro-
fuzzy evolutiva DENFIS a fim de criar um modelo de correlação de dados. Elas funcionam como
classificadores e indicam a presença ou não das PD bem como sua localização. Para não ocorrer
tendências de validação positiva foi utilizado o método de validação cruzada 5-fold. Todas as
combinações de avaliação da robustez do sensor, extração de características com diferentes famílias
wavelets e redes neurais artificiais são empregadas e comparadas com relação à eficiência e robustez.
4. ANÁLISE DOS RESULTADOS
Diferentes redes neurais, RBF, ANFIS e DENFIS são utilizadas com diferentes transformadas wavelets,
daubechie e symlets para cada situação de entrada, podendo ser sem interferência, com 15% de outliers e
com 15% dos dados ausentes. Os resultados são comparados pela eficiência, que é uma ferramenta
estatística poderosa para comparações de classificadores, dada pela média da sensibilidade e da
especificidade obtidas na matriz de confusão.
A sensibilidade é dada pela proporção de verdadeiros positivos, significando a capacidade do sistema
em predizer corretamente a condic¸ão positiva para os casos positivos.
(4)
A especificidade é dada pela proporção de verdadeiros negativos, significando a capacidade do sistema em
predizer corretamente a ausência da condição para casos negativos.
Engenharia no Século XXI - Volume 22
101
(5)
Calculadas as eficiências para cada situação explicada acima temos os resultados expostos nos gráficos
radar, sendo este um método que apresenta dados multivariáveis na forma de um gráfico polar utilizando
raios equipotenciais para referência da amplitude das variáveis de um determinado modelo, onde cada
modelo fica representado em um ângulo diferente. Desta forma, o gráfico permite realizar a comparação
de muitos modelos sob a mesma escala de grandeza. Nas Fig. 5, Fig. 6 e Fig. 7 é possíível ver os resultados
obtidos para as condições de ser sem interferência, com 15% de outliers e com 15% dos dados ausentes
respectivamente.
Figura 5. Resultados sem distúrbios
Pode-se ver na Fig. 5 que todas as redes neurais obtiveram bons resultados para identificar a presença
das descargas parciais na situação ideal. Aqui percebe-se também que houve uma sobreposição dos
resultados entre os classificadores DENFIS e ANFIS.
Figura 6. Resultados com 15% de outliers
Engenharia no Século XXI - Volume 22
102
Na Fig. 6 é visto o resultado obtido com adic¸ão 15% de outliers, onde podemos observar que o DENFIS e o
ANFIS obtiveram boas eficiências e o RBF com resultado inferior comparada às outras. Com a retirada de
15% dos dados de entrada, vistos na Fig. 7, as redes ANFIS e DENFIS conseguiram boas eficiências para
todas as transformadas. Isso não pode ser afirmado da rede RBF, que obteve uma queda acentuada d e
eficiência com a ausência de dados, se tornando uma rede não adequada para trabalhar em ambientes
onde o sensor será submetido a este tipo de situação.
Comparando as Figs. 6 e 7 pode-se perceber que as redes ANFIS e DENFIS, apesar de terem obtido bons
resultados, se tornaram menos eficientes à presença de outliers. Isso pode ocorrer devido aos outliers
sobreviventes a primeira camada do pré-processamento prejudicarem as transformadas wavelets. Já
para a RBF é percebida a piora de desempenho com a adição dos dois distúrbios.
Figura 7. Resultados com 15% de dados faltantes
5. CONCLUSÃO
Este artigo apresentou um modelo de um sensor virtual para a detecção de descargas parciais em
transformadores de potência. O sensor foi implementado a partir de diferentes classificadores neurais,
diferentes famílias de transformadas wavelet e uma metodologia de retirada de outliers e preenchimento
de dados ausentes utilizando sinais provenientes de um circuito de parâmetros concentrados e
simulações de um transformador sob influência de PD internas.
Foi demonstrado que a metodologia de SV proposta é eficiente para a detecção da existência das PD. O
modelo que apresentou o melhor resultado médio para os diferentes tipos de entrada foi o modelo
neuro-fuzzy evolutivo DENFIS seguido por ANFIS. O modelo RBF apresentou piores resultados quando
comparado aos demais quanto a adição de distúrbios.
Percebe-se também que os classificadores DENFIS e ANFIS foram robustos, apresentando uma pequena
queda de eficiência com o acréscimo dos distúrbios, possuindo resultados consistentes para
praticamente todas as famílias wavelet. Já o classificador RBF possui resultados consistentes para apenas
algumas famílias wavelet na situação de adição de outliers.
Em trabalhos futuros, outros métodos matemáticos como outras transformadas ou diferentes métodos
de detecção de outliers bem como a adição de distúrbios de natureza elétrica que ocorrem nas
subestações onde os transformadores de potência são instalados devem ser considerados, por exemplo o
chaveamento de capacitores e mudanças de tap do transformador. Pode-se também estender a
metodologia proposta para a localização de ocorrência da PD bem como a identificação de seu tipo, tais
como PD na corona, entre fases e no aterramento. Há também a possibilidade de implementação de
vários sensores virtuais em um mesmo hardware.
Engenharia no Século XXI - Volume 22
103
AGRADECIMENTOS
O último autor agradece o apoio do Instituto Serrapilheira, número do processo Serra – 1812-26777, e à
Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG), processo APQ-03384-18.
REFERÊNCIAS
[1] Akbari, A., Werle, P., Borsi, H., and Gockenbach, E. (2002). Transfer function-based partial discharge
localization in power transformers: A feasibility study. IEEE Electrical Insulation Magazine, 18(5), –.
[2] Ascencio, L. (2000). Biomass estimation using artificial neural networks on field programmable analog
devices. IEEE International Symposium, 1, –.
[3] Chan, J.C., Ma, H., and Saha, T.K. (2015). Time-frequency sparsity map on automatic partial discharge sources
separation for power transformer condition assessment. IEEE Transactions on Dielectrics and Electrical Insulation,
22(4), 2271–2283.
[4] Colak, I., ErsanKabalci, GianlucaFulli, and StavrosLazarou (2014). A survey on the contributions of power
electronics to smart grid systems. Renewable and Sustainable Energy Reviews, 47, 562–579.
[5] Dixon, K. (1999). Rave: A real and virtual environment for multiple robot systems. IEEE/RSJ International
Conference on Intelligent Robots and Systems, –.
[6] Golarz, J. (2016). Understanding dissolved gas analysis (dga) techniques and interpretations. Transmission
and Distribution Conference and Exposition, –.
[7] IEEEC57.104-2008 (2008). IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed
Transformers. IEEE Standard.
[8] IEEEC57.113-2015 (2015). Recommended Practice for Partial Discharge Measurement is Liguid-Filled Power
Transformers and Shunt Reactors. IEEE Standard.
[9] IEEEstd1434-2014 (2014). IEEE Guide for the Measurement of Partial Discharges in AC Electric Machinery.
IEEE Power and Energy Society and IEEE Dielectrics and Electrical Insulation Society.
[10] Jeyabalan, V. and Usa, S. (2009). Frequency domain correlation technique for pd location in transformer
winding. IEEE Transactions on Dielectrics and Electrical Insulation, 19(4), 1160–1167.
[11] Kadlec, P., andfor, B.G., and Strandt, S. (2009). Data- driven soft sensors in the process industry. Computers
and Chemical Engineering, 33(4), 795–814.
[12] Kadlec, P., Grbic, R., and Gabrys, B. (2010). Review of adaptation mechanisms for data-driven soft sensors.
Computers and Chemical Engineering, 35, 1–24.
[13] Kasabov, N. (1998). The ecos framework and the eco learning method for evolving connectionist systems.
Jurnal Adv. Comput. Intell., 2(6), 195–202.
[14] Kasabov, N. (2002). Denfis: Dynamic evolving neural- fuzzy inference system and its application for time-
series prediction. IEEE Trans on Fuzzy Syst, 10(2), 144–154. Kasabov, N. (2007). Evolving connectionist systems: The
knowledge engineering approach.Springer Science e
[15] Business Media, –.
[16] Khramshin, V.R., Evdokimov, S.A., Nikolaev, A.A., Nikolaev, A.A., and Karandaev, A.S. (2015). Monitoring
technical state of the power transformers is a necessary condition of the smart-grid technology introduction
[17] within the industrial electric networks. IEEE Young Researchers in Electrical and Electronic Engineering
Conference (EIConRusNW), 214–220.
[18] Leite, D., Costa, P., and Gomide, F. (2013). Evolving granular neural networks from fuzzy data streams. Neural
Networks, 38, 1–16.
[19] Lin, B., Recke, B., Knudsen, J.K., and Jorgensen, S.B. (2006). A systematic approach for soft sensor
development. Computers and Chemical Eng., 31, 419–425.
[20] Lotufo, F.A. and Garcia, C. (2008). Sensores virtuais ou soft sensors: Uma introdução. 7a Brazilian Conference
on Dynamics, Control and Aplication, 9.
[21] Lucas, F., Costa, P., Batalha, R., and Leite, D. (2018). High impedance fault detection in time-varying
distributed generation systems using adaptive neural networks. International Joint Conference on Neural Networks
2018 (IJCNN), 1–8.
[22] Mohamed, R. and Lewin, P.L. (2009). Partial discharge location in high voltage transformers. IEEE Electrical
Insulation Conference, –.
Engenharia no Século XXI - Volume 22
104
[23] Mondal, M. and Kumbhar, G. (2017). A generalized algorithm to compute response of partial discharge in a
transformer winding using its equivalent ladder network. 3rd International Conference on Condition Assessment
Techniques in Eletrical Systems.
[24] Shao, W., Tian, X., PingWang, Deng, X., and Chen, S. (2015). Online soft sensor design using local partial least
squares models with adaptive process state partition. Chemometrics and Intelligent Lab. Syst., 144, 108–121. Silva, S.,
Costa, P., Gouvea, M., Lacerda, A., Alves, F., and Leite, D. (2018a). High impedance fault detection in power distribution
systems using wavelet transform and evolving neural network. Electric Power Systems
[25] Research, 154, 474–483.
[26] Silva, S., Costa, P., Santana, M., and Leite, D. (2018b). Evolving neuro-fuzzy network for real-time high
impedance fault detection and classification. Neural Computing and Applications, 1–14.
[27] Skrjanc, I., Iglesias, J., Sanchis, A., Leite, D., Lughofer, E., and Gomide, F. (2019). Evolving fuzzy and neuro-
fuzzy approaches in clustering, regression, identification, and classification: A survey. Information Sciences, 490, 344–
368.
[28] Wan, L. and Chan, S. (2016). Pd source diagnosis and localization in industrial high-voltage insulation system
via multimodal joint sparse representation. IEEE Transactions on Industrial Electronics, 63(4), 2506–2516.
[29] Watts, M.J. (2009). A decade of kasabov’s evolving connectionist systems: A review. IEEE Transactions on
Systems, Man, and Cybernetics, 39(3), 253–269.
[30] Yini, L. and Lixing, Z. (2007). A method to locate partial discharge based on the theory of sectional winding
transfer functions. The Eighth Int. Conf. on Electronic Measurement and Instruments, 2–493–2–498.
[31] Zhenquan, S., Xuefeng, Z., Jisheng, L., and Yanming,
[32] L. (2009). Measurement, diagnostics and monitoring of partial discharges on high-voltage equipment online
and off-line. 4th IEEE Conference on Industrial Electronics and Applications, 1521–1526.
[33] Zhu, C., Li, H., and Liu, V. (2015). A novel method of detecting insulation faults in power transformer.
International Conference on Smart Grid and Clean Energy Technologies, 116–120.
