Submitted by camilla martins (camillasmmartins@gmail.com) on 2017-01-27T15:40:38Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_TecnicasMineracaoDados.pdf: 5205222 bytes, checksum: 0ac0aceafcb8be8da514e3982160642b (MD5) / Approved for entry into archive by Edisangela Bastos (edisangela@ufpa.br) on 2017-01-30T12:17:53Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_TecnicasMineracaoDados.pdf: 5205222 bytes, checksum: 0ac0aceafcb8be8da514e3982160642b (MD5) / Made available in DSpace on 2017-01-30T12:17:53Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Dissertacao_TecnicasMineracaoDados.pdf: 5205222 bytes, checksum: 0ac0aceafcb8be8da514e3982160642b (MD5) Previous issue date: 2016-06-17 / Mediante estudos realizados pelo CIGRE em 2009, constatou-se que a fonte principal de falhas elétricas em hidrogeradores estão correlacionados a isolação elétrica. Devido a isto, monitorar as condições do enrolamento estatórico tornou-se primordial e um dos meios de se realizar este procedimento é através da medição e análise de descargas parciais, sendo este um dos métodos mais eficazes e seguros para análise do isolamento do estator do gerador. No entanto, apesar de possuírem padrões bem definidos, não é trivial encaixar os sinais obtidos nestes padrões, devido principalmente ao grande número e variedades de ocorrências de DPs. Este aumento no volume de dados obtidos foi devido a melhorias nos equipamentos e softwares do IMA-DP que viabilizou melhor planejamento e periodicidade nas medições. O uso de uma ferramenta que agilize este processo de identificação e diagnóstico das Descargas Parciais é proposto neste trabalho, baseado em técnicas de mineração dados utilizando árvores de decisão, que é uma solução para análise de grandes volumes de dados. No caso especifico aqui apresentado, utilizou-se 2435 medições provenientes da fase A de um dos hidrogeradores da Casa de Força 1 da Usina Hidrelétrica de Tucuruí, o que foi fundamental para validar o método, pois trata-se de dados reais do sistema. Foi utilizada uma abordagem híbrida (não-supervisionado/ supervisionado) para identificar padrões e posteriormente classifica-los dentre as formas conhecidas de DPs. Obteve-se respostas de classificação dos sinais de forma rápida e muito satisfatória, principalmente ao se converter os dados dos mapas estatísticos em histogramas de amplitude, conseguindo assim, clusters bem definidos e uma árvore de decisão que apresentou índices de acerto global na sua validação acima de 98%. / By studies conducted by CIGRE in 2009, it was found that the main source of hydro generator failures is correlated to the machine electrical insulation. Due to this fact, monitoring the stator winding conditions became an important supervising procedure. A very used practice to accomplish this supervision is through the measurement and analysis of partial discharges (PDs), being this practice one of the most effective and secure methods for analysis of generator stator insulation. However, although PDs have well-defined standards, it is not trivial to classify the obtained PDs signals in these patterns, mainly due to the large number and variety of PDs occurrences. Today, the significant increase in the amount of PDs data available was due to improvements in equipment and software for PDs monitoring, as for example the system IMA-DP, which has contributed to better planned and more frequent measurement campaigns. So, this work proposes the use of an intelligent tool to facilitate the process of identification and diagnosis of partial discharges, based on data mining techniques using decision trees (DT), which is a solution for analyzing large amount of data. In the specific case presented in this dissertation it was used 2,435 measurements obtained for phase A of a hydro generator of the Tucurui Hydro Plant, which was essential to validate the proposed method, because they represent real data obtained from the Hydro Plant operation. A hybrid approach (supervised/unsupervised) was used to identify and rank PDs patterns among the well-known forms of DPs. A fast and very satisfactory PDs classification procedure was achieved, especially when converting data from statistical maps into amplitude histograms, thus, obtaining well-defined clusters and a created decision tree that achieved global indices of accuracy above 98%.