BR102020003963A2

BR102020003963A2 - Método e sistema de reconhecimento de descargas parciais para diagnóstico de redes elétricas

Info

Publication number: BR102020003963A2
Application number: BR102020003963-6A
Authority: BR
Inventors: Sonia Raquel Barrios Pereira; Ian Paul Gilbert
Original assignee: Ormazabal Corporate Technology, A.I.E.
Priority date: 2019-02-22
Filing date: 2020-02-27
Publication date: 2020-09-29
Also published as: ES2780448A1; EP3699614A1; AR118148A1; US20200271714A1

Abstract

o método da presente invenção permite reconhecer descargas parciais adquiridas por meio de sensores em redes elétricas, que compreende para isso uma série de etapas, entre as quais estão incluídas uma etapa de pós-processamento (13) dos sinais adquiridos e uma etapa de reconhecimento (17) dos ditos sinais por meio de uma rede neuronal convolucional (cnn). do mesmo modo, o método compreende as etapas de adaptação (15) e treinamento (16) da rede neuronal, assim como uma etapa de construção de uma biblioteca (14) dos sinais de descargas parciais de fontes conhecidas que servem de treinamento para a rede neuronal convolucional (cnn).

Description

MÉTODO E SISTEMA DE RECONHECIMENTO DE DESCARGAS PARCIAIS PARA DIAGNÓSTICO DE REDES ELÉTRICAS

DESCRIÇÃO OBJETO DA INVENÇÃO

[001] O método de reconhecimento de descargas parciais, no caso, para o diagnóstico de redes elétricas em tensão, permite reconhecer fontes de descargas parciais utilizando uma rede neuronal convolucional existente, previamente adaptada e posteriormente treinada por meio de representações gráficas dos sinais de descargas parciais reais de fontes conhecidas e adquiridas em redes elétricas.

ANTECEDENTES DA INVENÇÃO

[002] Uma descarga parcial é um fenômeno de ruptura dielétrica que está confinado e localizado na região de um meio isolante, entre dois condutores que se encontram em potenciais diferentes. Os fenômenos de descargas parciais decorrem, na maioria dos casos, de defeitos de isolamento nos elementos que integram uma rede elétrica, podendo os ditos elementos consistir, por exemplo, em cabos, transformadores, interruptores, conexões elétricas, etc.

[003] As descargas parciais podem ser caracterizadas em três tipos, dependendo das propriedades do meio existente entre as peças condutoras. Podem ser externas, também denominadas de corona, que ocorrem normalmente pelo processo de ionização do ar contido entre as peças condutoras. Também podem ser superficiais, produzidas na superfície de contato de dois materiais isolantes diferentes, ou podem ser internas, produzidas nas cavidades internas de um material dielétrico sólido.

[004] As descargas parciais têm efeitos prejudiciais no meio em que são produzidas. Em meio sólido ou líquido, produzem uma degradação lenta, porém contínua, que culmina na ruptura dielétrica do meio isolante. Em um meio gasoso como, por exemplo, o ar, as descargas parciais produzem o conhecido efeito corona, que compreende consequências perceptíveis diretamente pela visão, audição ou olfato. No entanto, existem outras consequências que não podem ser detectadas à simples vista, como geração de calor, perdas de potência, erosão mecânica das superfícies que são bombardeadas ionicamente, interferências com as ondas de rádio, etc.

[005] Se essas consequências forem produzidas e passarem despercebidas, suas consequências podem ser muito graves. A substituição ou o reparo dos elementos danificados da rede elétrica podem ser bastante onerosos e incluir uma interrupção de abastecimento na rede durante um longo período, bem como perdas financeiras vultosas para as companhias de eletricidade. A chave para impedir qualquer possível problema é a detecção e o reconhecimento das descargas parciais. O reconhecimento de descargas parciais pode ajudar a prevenir riscos e a realizar uma manutenção adequada das instalações. Para finalizar, a realização de controles rigorosos pode economizar um grande volume de tempo e dinheiro.

[006] Existem métodos de reconhecimento de descargas parciais baseados em redes neuronais artificiais, como, por exemplo, uma rede neuronal convolucional (CNN), que vem a ser um tipo de rede neuronal artificial eficiente para tarefas de reconhecimento e classificação de imagens. As CNN necessitam, relativamente, de pouco pré-processamento dos sinais quando comparadas a outros algoritmos de classificação de imagens. Isso significa que essa rede neuronal aprende características particulares dos sinais que nos algoritmos tradicionais são criadas a mão. Essa independência do conhecimento prévio e do esforço humano na criação das características representativas de um sinal de descarga parcial é uma característica das CNN, o que envolve uma vantagem considerável em relação ao resto das redes neuronais.

[007] E m relação a esse tipo de rede neuronal, em que os valores de entrada (o “input na sua versão inglesa do término) devem ser imagens, estudos recentes demonstram que as CNN têm melhorado o seu desempenho de classificação das descargas parciais, ou seja, na sua função de reconhecimento das fontes de descargas parciais. As CNN devem ser previamente treinadas por meio de imagens que representem os sinais de fontes de descarga parcial conhecidas e, nesse sentido, existem exemplos de métodos de reconhecimento de descargas parciais que empregam como entrada para o treinamento da CNN imagens dos sinais de descargas parciais simulados, ou seja, não adquiridos em uma rede elétrica. No entanto, o uso de sinais não reais na etapa de treinamento da CNN tem o inconveniente de que posteriormente, no momento de realizar um reconhecimento dos sinais adquiridos por sensores em campo, a precisão do resultado (o “output’ na sua versão inglesa do término) obtido seja menor ou que o resultado seja menos confiável. Por outro lado, existem outros exemplos que usam como entrada para o treinamento da CNN imagens dos sinais de descargas parciais reais adquiridos por sensores em campo, e com isso a precisão dos resultados obtidos nos reconhecimentos de descargas parciais é maior.

[008] Para a obtenção das imagens que representam os sinais de descargas parciais reais adquiridos por sensores em campo, existem métodos de reconhecimento de descargas parciais que aplicam um pós-processamento aos ditos sinais. As técnicas de pós-processamento habituais se baseiam na análise dos sinais de descargas parciais no domínio de tempo, no domínio de frequência ou na combinação de ambos os domínios.

[009] No caso do domínio do tempo, é possível extrair características da forma de onda do sinal, tais como ocorrência do evento, amplitude, tempo de subida, tempo de descida, duração, etc. A PRPD (técnica denominada em inglês como “phase-resolved partial discharge”) é uma técnica que realiza uma análise baseada no domínio de tempo para obter uma imagem dos eventos de descargas parciais em relação à onda de alimentação, e consiste em representar em um diagrama tridimensional três componentes: Φ, q, n, que representam respectivamente a fase, a carga e o número de aparecimentos de descargas parciais ao longo de um determinado período. A geração desses padrões dependerá da taxa de descarga parcial em cada ciclo e da quantidade de ciclos considerados para se obter um padrão representativo, pois tem como inconveniente o fato de o tempo de registro para cada tipo de descarga parcial ser muito subjetivo. Esse padrão também é fortemente influenciado pelo ruído externo e pela tensão da rede elétrica, em que a ambiguidade dessa imagem implicaria em um problema para o correto treinamento de uma CNN.

[010] No caso da análise dos sinais de descargas parciais com base no domínio de frequência, existem técnicas como a Transformada de Fourier (técnica denominada em inglês de “Fourier Transform’ FT) que permitem determinar os componentes da frequência do sinal de descarga parcial. No entanto, a Transformada de Fourier (FT) não é eficiente para analisar descargas parciais porque ignora ou estima de maneira equivocada as rápidas variações de frequência do sinal. A Transformada de Fourier é amplamente utilizada no processamento e na análise de sinais e com resultados satisfatórios nos casos em que esses sinais são periódicos e suficientemente regulares, entretanto, o mesmo não ocorre para o processamento e a análise de sinais com espectros que variam ao longo do tempo (sinais não periódicos). A Transformada de Fourier detecta a presença de uma determinada frequência, mas não oferece informações acerca da evolução ao longo do tempo das características espectrais do sinal. Muitos aspectos temporais do sinal, tais como o começo e o fim de um sinal finito e o instante do aparecimento de uma singularidade em um sinal transitório, não podem ser analisados adequadamente pela análise de Fourier.

[011] No entanto, outras técnicas aliam a análise de tempo-frequência e fornecem informações sobre os níveis de amplitude e de concentração de energia do sinal no espectro tempo-frequência. Ou seja, proporcionam de forma simultânea as características de tempo e frequência do sinal. Nesse sentido, é possível representar graficamente um sinal de descarga parcial por meio de um Espectrograma obtido ao aplicar a Transformada de Fourier de curto termo (técnica conhecida em inglês como “Short-time Fourier transform” STFT) ao sinal de descarga parcial. A STFT é uma das mais comuns para a análise tempo-frequência. Nessa técnica, o sinal em estudo é dividido em segmentos que se multiplicam por uma função de janela para depois calcular a Transformada de Fourier (FT) clássica. A STFT é de simples implementação, mas para a análise de sinais variáveis no tempo proporciona baixa resolução. A estrutura do Espectrograma em si requer uma resolução do sinal em tempo e frequência. A escolha da janela de análise de curta duração garante uma boa localização do tempo, porém às custas de uma baixa resolução de frequência (por dualidade de Fourier) e vice-versa. Além disso, uma vez que uma janela de análise tenha sido escolhida, as capacidades de resolução do Espectrograma permanecem fixas para todos os parâmetros de tempo e frequência.

[012] Por fim, o uso das técnicas anteriormente citadas no pós-processamento dos sinais para a entrada da CNN resulta numa representação gráfica dos sinais que é pouco representativa do fenômeno de descargas parciais e, como consequência, a saída ou o resultado da CNN é pouco preciso ou não é confiável.

[013] Podemos citar exemplos do estado da técnica sobre métodos de reconhecimento em que a rede neuronal utilizada é uma CNN, e a dita CNN é treinada com imagens que representam sinais de descargas parciais reais adquiridos por sensores em campo. Desse modo, poderíamos citar os documentos US2015301102A1, CN107907799A e CN107238507A. Nos métodos de reconhecimento definidos nesses documentos, a Transformada de Fourier é empregada no pós-processamento dos sinais e, portanto, exatamente como antes mencionado, a representação gráfica dos sinais carece de resolução e, portanto, a fiabilidade do resultado da CNN é precária.

DESCRIÇÃO DA INVENÇÃO

[014] A presente invenção refere-se a um método para o reconhecimento de descargas parciais, nesse caso, para o diagnóstico de redes elétricas em tensão, que pretende resolver cada um dos problemas mencionados. O dito método compreende uma série de etapas, entre as quais uma etapa de pós-processamento dos sinais que, por meio da combinação dessa etapa e de uma rede neuronal artificial como, por exemplo, uma rede neuronal convolucional (CNN), permite reconhecer as fontes de descargas parciais com alto grau de precisão, de forma que auxilia a gestão das instalações, entendendo por gestão todos aqueles trabalhos que permitam a optimização da manutenção da rede elétrica, determinando onde realizar uma intervenção com vistas a prevenir faltas, interrupções de serviços que deixem os consumidores sem abastecimento elétrico, e minimizando os custos para as companhias de eletricidade, executando para isso diferentes análises, alarmes, etc.

[015] O método de reconhecimento de descargas parciais compreende, de forma geral, as etapas seguintes:

- Aquisição de pelo menos um sinal de descarga parcial através de pelo menos um sensor,
- Pré-processamento do sinal de descarga parcial adquirido através do
sensor,
- Pós-processamento do sinal de descarga parcial pré-processado e adquirido através do sensor, e
- Reconhecimento por meio de uma rede neuronal do sinal de descarga parcial pós-processado.

[016] Mais concretamente, a aquisição dos sinais de descargas parciais é efetuada por sensores e são sinais de descargas parciais reais adquiridos por sensores em campo, tais como os sinais produzidos por uma falha de isolamento que são captados, por exemplo, por sensores capacitivos ou indutivos instalados na rede elétrica. Esses sinais adquiridos em uma etapa seguinte são pré-processados, ou seja, obtendo um primeiro filtrado ou tratamento dos sinais com o objetivo de circunscrever os ditos sinais em um intervalo de frequências e eliminar o ruído elétrico.

[017] O método de reconhecimento também compreende uma etapa de pós-processamento dos sinais de descargas parciais pré-processados na etapa anterior. Essa etapa de pós-processamento se refere a um segundo filtrado ou tratamento dos sinais, no qual um escalograma é obtido, ou seja, uma imagem ou representação gráfica de alta resolução no espectro de frequência e tempo dos sinais de descargas parciais, empregando para isso uma técnica já conhecida denominada Transformada de Wavelet. A Transformada de Wavelet estabelece uma boa localização dos sinais de descargas parciais em tempo e frequência, de forma que, com essa técnica, um dos problemas fundamentais no tratamento dos sinais é abordado, como a redução do ruído elétrico, de tal maneira que se obtém uma representação ou imagem dos sinais de descargas parciais com maior resolução no domínio de tempo e frequência, evitando problemas na análise dos sinais não estacionários e de rápida transitoriedade, e mapeando os sinais em uma representação de tempo-frequência.

[018] Além disso, o método objeto da invenção também compreende uma etapa de construção de uma biblioteca de sinais das descargas parciais de fontes conhecidas, em que esses sinais foram adquiridos, pré-processados e pós-processados nas etapas anteriores. Esses sinais são empregados posteriormente em outra etapa que compreende o método para o treinamento da rede neuronal convolucional (CNN).

[019] No entanto, antes do treinamento da rede neuronal convolucional (CNN), o método de reconhecimento da invenção compreende uma etapa de adaptação (15) da rede neuronal, já que a rede neuronal convolucional (CNN) empregada se refere a uma rede neuronal existente, ou seja, não se trata de uma rede neuronal construída expressamente para uso no método da presente invenção. Essa etapa de adaptação (15) da rede neuronal permite adaptar os parâmetros de entrada da rede neuronal de acordo com o formato dos sinais pós-processados (entrada) e os parâmetros de saída da rede neuronal de acordo com os objetivos desejados.

[020] Uma vez adaptada a rede neuronal convolucional (CNN) existente, a etapa seguinte consiste no treinamento da dita rede neuronal, usando para isso a biblioteca de sinais de descargas parciais de fontes conhecidas. Dessa maneira, com a rede neuronal convolucional (CNN) treinada, ela pode receber entradas de imagens que representam sinais de descargas parciais de fontes desconhecidas e proporcionar resultados com alto grau de precisão na identificação das ditas fontes.

[021] Finalmente, esses resultados obtidos em uma etapa posterior de verificação das descargas parciais reconhecidas pela rede neuronal convolucional (CNN) permitem a adoção de medidas relevantes para a manutenção da rede elétrica, assim como realimentar a biblioteca de sinais de descargas parciais de fontes conhecidas com esses novos resultados, assegurando assim uma maior precisão de futuros reconhecimentos. Essa etapa de verificação das descargas parciais reconhecidas pela rede neuronal convolucional (CNN) significa a comprovação por um operador in-situ (em campo) do resultado fornecido pela CNN. Se o operador confirmar que o resultado está correto, ele é incluído na biblioteca junto com os sinais de descarga parcial conhecidos. Se o operador confirmar que o resultado não está correto, ele também será incluído na biblioteca como nova fonte de sinais de descarga parcial.

[022] De acordo com outro objeto da invenção, descreveremos abaixo um sistema de reconhecimento de descargas parciais onde o método de reconhecimento descrito acima é aplicado.

[023] O sistema compreende uma unidade de reconhecimento que contém um primeiro módulo de pós-processamento dos sinais de descargas parciais e um segundo módulo correspondente à rede neuronal, como uma rede neuronal convolucional (CNN), por exemplo. O primeiro módulo de pós-processamento alimenta o segundo módulo da rede neuronal convolucional (CNN) por meio de entradas de alta resolução de sinais de descargas parciais, de forma que a combinação de ambos os módulos permite obter saídas ou resultados de alta precisão. Do mesmo modo, a unidade de reconhecimento compreende um terceiro módulo correspondente à biblioteca de sinais de descargas parciais de fontes conhecidas, assim como um quarto módulo de treinamento da rede neuronal convolucional (CNN) e um quinto módulo de verificação das descargas parciais reconhecidas pelo segundo módulo de rede neuronal.

[024] Por último, o sistema de reconhecimento de descargas parciais compreende uma unidade de aquisição de sinais de descargas parciais, como, por exemplo, um sensor, e uma unidade de pré-processamento dos sinais de descargas parciais adquiridos pela unidade de aquisição.

DESCRIÇÃO DAS FIGURAS

[025] A Figura 1 mostra um diagrama de blocos do método de reconhecimento de descargas parciais da presente invenção.

[026] A Figura 2 mostra um diagrama de blocos do sistema de reconhecimento de descargas parciais onde o método de reconhecimento da Figura 1 é aplicado.

REALIZAÇÃO PREFERENCIAL DA INVENÇÃO

[027] Descrevemos abaixo um exemplo de realização preferencial fazendo referência às figuras citadas acima, sem que isso limite ou cerceie o âmbito de proteção da presente invenção.

[028] A Figura 1 mostra um método de reconhecimento de sinais de descargas parciais baseado no uso de uma rede neuronal convolucional (CNN) existente, e no dito método também são definidas as etapas a serem seguidas para a adaptação (15) e o treinamento (16) da rede neuronal existente por meio de sinais de descargas parciais de fontes conhecidas.

[029] Na etapa de adaptação (15) da rede neuronal convolucional (CNN) existente, os parâmetros de entrada da rede neuronal são adaptados de acordo com o formato dos sinais de entrada e os parâmetros de saída da rede neuronal de acordo com os objetivos desejados.

[030] O método compreende uma etapa de aquisição (11) de pelo menos um sinal de descarga parcial real por pelo menos um sensor (1) em campo. Posteriormente, esse sinal adquirido é submetido a um primeiro filtrado em uma etapa de pré-processamento (12), sendo posteriormente submetido a um segundo filtrado em uma etapa de pós-processamento (13) aplicando para isso a Transformada de Wavelet, obtendo assim um escalograma ou representação gráfica (imagem) do sinal de descarga parcial de alta resolução no espectro de frequência e tempo.

[031] No caso de sinais de descargas parciais de fontes conhecidas, uma vez que os sinais tenham passado pela etapa de pós-processamento (13), em uma etapa (14) seguinte é construída uma biblioteca que inclui todos esses sinais de descargas parciais de fontes conhecidas. Essa biblioteca de sinais de descargas parciais de fontes conhecidas é empregada em uma etapa posterior de treinamento (16) da rede neuronal convolucional (CNN), de maneira que, com a rede neuronal convolucional (CNN) treinada, entradas (imagens) de sinais de descargas parciais de fontes desconhecidas podem ser recebidas e saídas ou resultados com alto grau de precisão na identificação das ditas fontes podem ser proporcionados.

[032] Exatamente como se observa na Figura 1, o método de reconhecimento de descargas parciais da invenção compreende as seguintes etapas de aplicação em sinais de fontes desconhecidas e para a sua identificação:

- Aquisição (11) de pelo menos um sinal de descarga parcial através de pelo menos um sensor (1),
- Pré-processamento (12) do sinal de descarga parcial adquirido através do sensor (1),
- Pós-processamento (13) do sinal de descarga parcial pré-processado e adquirido através do sensor (1), e
- Reconhecimento (17) por meio da rede neuronal convolucional (CNN) do sinal de descarga parcial pós-processado.
- Verificação (18) da descarga parcial reconhecida pela rede neuronal convolucional (CNN).

[033] Uma vez verificados e aceitos, os sinais de descarga parcial são incorporados à biblioteca de sinais de descargas parciais de fontes conhecidas, expandindo a dita biblioteca com novos dados que garantirão uma maior precisão dos futuros reconhecimentos. Essa etapa de verificação (18) das descargas parciais reconhecidas pela rede neuronal convolucional (CNN) se refere à comprovação por um operador in-situ (em campo) do resultado fornecido pela CNN. Se o operador confirmar que o resultado está correto, ele é incluído na biblioteca junto com os sinais de descarga parcial conhecida. Se o operador confirmar que o resultado não está correto, ele também será incluído na biblioteca como nova fonte de sinais de descarga parcial.

[034] A Figura 2 representa o sistema de reconhecimento de descargas parciais (2) onde o método anteriormente descrito é aplicado. O sistema de reconhecimento de descargas parciais (2) compreende uma unidade de reconhecimento (3) que compreende um primeiro módulo de pós-processamento (4) dos sinais de descargas parciais e um segundo módulo (5) correspondente à rede neuronal, como uma rede neuronal convolucional (CNN), por exemplo. O primeiro módulo de pós-processamento (4) alimenta o segundo módulo (5) da rede neuronal convolucional (CNN) por meio de entradas (imagens) de alta resolução dos sinais de descargas parciais, de forma que a combinação de ambos os módulos (4, 5) permite obter resultados de alta precisão. Do mesmo modo, a unidade de reconhecimento (3) compreende um terceiro módulo (6) correspondente à biblioteca dos sinais de descargas parciais de fontes conhecidas, assim como um quarto módulo (7) de treinamento da rede neuronal convolucional (CNN) e um quinto módulo (10) de verificação das descargas parciais reconhecidas pelo segundo módulo (5) de rede neuronal.

[035] Por último, o sistema de reconhecimento de descargas parciais (2) compreende uma unidade (8) de aquisição dos sinais de descargas parciais, como, por exemplo, um sensor (1), e uma unidade de pré-processamento (9) dos sinais de descargas parciais adquiridos pela unidade (8) de aquisição.

Claims

Método de reconhecimento de descargas parciais para diagnóstico de redes elétricas em tensão que compreende as seguintes etapas:
- - Aquisição (11) de pelo menos um sinal de descarga parcial através de pelo menos um sensor (1),
- - Pré-processamento (12) do sinal de descarga parcial adquirido através do sensor (1), com o objetivo de circunscrever o dito sinal em um intervalo de frequências e eliminar o ruído elétrico,
- - Pós-processamento (13) do sinal de descarga parcial pré-processado e adquirido através do sensor (1),
- - Reconhecimento (17) por meio de uma rede neuronal do sinal de descarga parcial pós-processado, caracterizado por a etapa de pós-processamento (13) do sinal de descarga parcial compreender uma etapa de obtenção de um escalograma do sinal de descarga parcial com base na transformada de wavelet.
Método de reconhecimento de descargas parciais, de acordo com a reivindicação 1, caracterizado por a rede neuronal de reconhecimento empregada ser uma rede neuronal convolucional.
Método de reconhecimento de descargas parciais, de acordo com a reivindicação 2, caracterizado por compreender uma etapa de adaptação (15) da rede neuronal convolucional.
Método de reconhecimento de descargas parciais, de acordo com a reivindicação 1, caracterizado por compreender uma etapa de construção de uma biblioteca (14) dos sinais de descargas parciais de fontes conhecidas.
Método de reconhecimento de descargas parciais, de acordo com a reivindicação 4, caracterizado por compreender uma etapa de treinamento (16) da rede neuronal convolucional pela biblioteca de sinais de descargas parciais de fontes conhecidas.
Método de reconhecimento de descargas parciais, de acordo com a reivindicação 5, caracterizado por compreender uma etapa de verificação (18) da descarga parcial reconhecida pela rede neuronal convolucional.
Método de reconhecimento de descargas parciais, de acordo com a reivindicação 6, caracterizado por os sinais de descarga parcial verificados serem incorporados à biblioteca de sinais de descargas parciais.
Sistema de reconhecimento de descargas parciais (2) para diagnóstico de redes elétricas em tensão que executa o método, de acordo com qualquer uma das reivindicações 1 a 7, caracterizado por compreender uma unidade de reconhecimento (3) que compreende um primeiro módulo de pós-processamento (4) dos sinais de descargas parciais e um segundo módulo (5) da rede neuronal.
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 8, caracterizado por o segundo módulo (5) de rede neuronal compreender uma rede neuronal convolucional.
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 8 ou 9, caracterizado por a unidade de reconhecimento (3) compreender um terceiro módulo (6) de biblioteca dos sinais de descargas parciais de fontes conhecidas.
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 10, caracterizado por a unidade de reconhecimento (3) compreender um quarto módulo (7) de treinamento da rede neuronal convolucional.
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 11, caracterizado por a unidade de reconhecimento (3) compreender um quinto módulo (10) de verificação das descargas parciais reconhecidas pelo segundo módulo (5) da rede neuronal.
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 8, caracterizado por compreender uma unidade (8) de aquisição dos sinais de descargas parciais.
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 13, caracterizado por a unidade (8) de aquisição de sinais de descargas parciais compreender pelo menos um sensor (1).
Sistema de reconhecimento de descargas parciais (2), de acordo com a reivindicação 13 ou 14, caracterizado por compreender uma unidade de pré-processamento (9) dos sinais de descargas parciais adquiridas pela unidade (8) de aquisição.