O trabalho apresenta uma metodologia para avaliação da degradação de disjuntores de alta tensão ao longo de uma extensa janela temporal. Para isso, foram mapeados disjuntores de uma distribuidora de grande porte. Os disjuntores mapeados tiveram os seus ensaios de resistência de contato, tempo de abertura e tempo de fechamento avaliados. Por se tratar de uma extensa massa de dados, foram utilizadas técnicas de machine learning para clusterização dos disjuntores conforme o seu nível de degradação e, consequentemente, o risco de falha atrelado ao ativo. Foram analisados apenas disjuntores de 138kV isolados a gás SF6. Contudo, os padrões nominais de operação do disjuntor variam de acordo com fabricante e modelo. Neste sentido, fez-se uso de um algoritmo de machine learning (K-Means) para clusterizar as n observações dentre k grupos, onde cada observação pertence ao grupo mais próximo da média. Porém, antes da clusterização, foi aplicada uma técnica de redução de dimensão chamada principal component analysis (PCA). Com isso, é possível obter uma representação em duas dimensões da base de dados - diagrama de Voronoy - dos disjuntores. Finalmente, a análise das propriedades de cada cluster permite identificar equipamentos que apresentam comportamento diferente ao restante de sua família. Esses ativos apresentam um risco maior de falha. Diversos trabalhos foram publicados sobre o uso dos dados de disjuntores para monitoramento da condição, porém, o presente trabalho se diferencia dos demais por utilizar uma base de dados real de ensaios de campo, com grande variação temporal (1977-2021).

This dissertation presents a methodology for evaluation of high voltage circuit breaker s degradation over a large time window. For this, circuit breakers of a large distribution company were mapped. The mapped circuit breakers had their contact resistance tests, opening time and closing time evaluated. Because it is a large mass of data, machine learning techniques were used to cluster the circuit breakers according to their level of degradation and, consequently, the operational risk linked to the asset. Only SF6 gas insulated circuit breakers with rated operational voltage of 138kV were analyzed. However, the rated operating standards of the circuit breaker vary by manufacturer and model. In this sense, a machine learning algorithm (K-Means) was used to cluster n samples among k groups, where each sample belongs to the closest group. However, before clustering, a dimension reduction technic was applied (principal component analysis - PCA). Then, it is possible to obtain a two dimension representation of the original database which enables the creation of Voronoys diagrams of the clusters. So, it is possible to identify equipment that behaves differently from the rest of their family. These assets have a higher risk of failure. Several works have been published on the use of circuit breaker data to monitor assets condition, however, the present work differs from the others because it uses a real database of field testes, with wide temporal variation (1977-2021).