Método de previsão de tendência para deterioração de medição de transformador de tensão capacitivo baseado em modelo duplo Gaussiano-fusão KAN

Por que observar os “termômetros” da rede é importante

Redes elétricas modernas dependem de dispositivos especiais que reduzem tensões extremamente altas a níveis seguros para medição e faturamento. Entre eles, os transformadores de tensão capacitiva (CVTs) são os principais equipamentos das linhas de alta tensão. Com anos de operação, porém, suas leituras podem derivar silenciosamente, como uma balança doméstica que perde calibração aos poucos. Este artigo apresenta uma nova forma de avaliar continuamente a qualidade das medições de um CVT e prever quando sua precisão vai declinar, ajudando os operadores da rede a planejar manutenção antes que erros provoquem disputas onerosas ou problemas de estabilidade.

Como esses vigilantes de tensão perdem precisão aos poucos

Os CVTs usam pilhas de capacitores e um transformador para reduzir centenas de quilovolts a sinais que medidores e sistemas de proteção conseguem processar. Sua vantagem é serem compactos, relativamente baratos e adequados para ultra‑altas tensões. Mas seu interior não é fixo: variações de temperatura, envelhecimento do isolamento e cargas variáveis deslocam componentes internos de seus valores ideais. Quando isso ocorre, a relação entre a tensão real da rede e a saída em baixa tensão relatada sofre deriva. Se o erro de razão cresce além de uma tolerância estreita, as leituras deixam de representar a realidade, comprometendo a comercialização de energia, a análise de faltas e esquemas automáticos de proteção.

Por que as verificações tradicionais não bastam

Hoje, muitas concessionárias ainda dependem de checagens periódicas fora de serviço. Equipamento de referência pesado é levado a uma subestação, as linhas são temporariamente retiradas de operação e cada CVT é testado contra um padrão. Em teoria isso deveria ocorrer a cada poucos anos; na prática costuma ser adiado por conflitos de agenda e pela logística de transportar instrumentos volumosos. Enquanto isso, os fluxos de dados ao vivo da rede são ruidosos e influenciados por condições operacionais em constante mudança, dificultando enxergar uma deriva lenta por inspeção visual ou estatísticas simples. Abordagens anteriores baseadas em modelos de circuito detalhados ou aprendizado de máquina genérico frequentemente falharam, seja por exigirem parâmetros internos precisos, seja por se confundirem com flutuações e dados de treino limitados.

Uma única pontuação de saúde para cada transformador

Para cortar esse ruído, os autores comprimem primeiro o sinal bruto de tensão de cada CVT em uma pontuação compacta de desempenho que chamam Estado de Performance (SOP). Aplicam a transformada wavelet, uma ferramenta matemática que separa um sinal em tendências de baixa frequência e oscilações rápidas. Ao focar no maior componente de baixa frequência e compará‑lo com uma linha de base obtida de um CVT saudável, obtêm um único número que decresce de forma constante conforme o dispositivo se deteriora. Em testes de laboratório nos quais a equipe aumentou deliberadamente o erro de razão de uma fase enquanto mantinha as outras próximas do normal, a curva SOP caiu de modo suave conforme o erro crescia, mostrando que esse índice acompanha a degradação de longo prazo enquanto filtra boa parte do ruído aleatório.

Separando a deriva suave do tremor

Mesmo essa pontuação de saúde não é perfeitamente lisa: condições da rede e imperfeições de medição ainda adicionam solavancos e ondulações. Os pesquisadores aplicam então um segundo método de decomposição que separa a curva SOP em uma “espinha dorsal” de variação lenta e um conjunto de componentes pequenos e agitáveis. A espinha dorsal captura a marcha descendente geral da precisão, enquanto as partes oscilantes descrevem aumentos e quedas de curto prazo. Essa separação permite à equipe ajustar ferramentas de previsão diferentes para comportamentos distintos, em vez de forçar um único modelo a lidar com tudo de uma vez.

Dois instrumentos inteligentes trabalhando juntos

Para a espinha dorsal suave, os autores utilizam um modelo duplo Gaussiano — uma curva flexível construída a partir da soma de dois perfis em forma de sino — para acompanhar mudanças sutis na forma como o CVT deriva ao longo do tempo, especialmente quando o padrão não é puramente linear. Para os componentes mais arrítmicos, empregam um tipo mais recente de rede neural chamado rede Kolmogorov–Arnold (KAN). Diferentemente dos modelos de aprendizado profundo padrão, a KAN usa segmentos de curvas ajustáveis como blocos de construção, o que a ajuda a aprender padrões complexos a partir de relativamente poucos exemplos sem sobreajustar. Treinada em experimentos de degradação cuidadosamente planejados usando um sistema de teste online trifásico, a abordagem combinada reconstrói valores futuros do SOP somando a espinha dorsal dupla‑Gaussiana e as flutuações previstas pela KAN.

O que isso significa para uma rede mais inteligente

Em testes diretos, a fusão do modelo duplo Gaussiano com a KAN previu de forma consistente a saúde do CVT com mais precisão do que redes neurais clássicas e outras técnicas de aprendizado de máquina. Os erros entre valores previstos e reais do SOP foram pequenos, e o método capturou tanto a queda de longo prazo na precisão quanto as ondulações em escala mais fina. Para os operadores da rede, isso se traduz em um indicador de aviso antecipado: em vez de aguardar uma parada programada ou uma disputa de faturamento para revelar que um transformador derivou, eles poderiam monitorar as tendências do SOP em tempo real e agendar manutenção quando um dispositivo claramente estiver em trajetória descendente. À medida que os sistemas de potência se tornam mais automatizados e orientados por dados, esse monitoramento inteligente dos próprios instrumentos de medição da rede é um passo-chave rumo a uma infraestrutura confiável e autoconsciente.

Citação: Du, B., Diao, Y., Zhou, F. et al. Trend prediction method for capacitive voltage transformer measurement deterioration based on double Gaussian model-KAN fusion. Sci Rep 16, 11785 (2026). https://doi.org/10.1038/s41598-026-35455-z

Palavras-chave: transformador de tensão capacitivo, monitoramento de condição, manutenção preditiva, previsão de séries temporais, medição da rede elétrica