RESUMO

AUTORES

Grupo de Estudo de Transformadores, Reatores, Materiais e Tecnologias Emergentes – GTM

Daniel Carrijo Polonio Araujo (1); Gabriel de Souza Pereira Gomes (2); Rafael Prux Fehlberg (1); Sofia Moreira de Andrade Lopes (2); João Marcelo Aguiar Pereira (2); Iony Patriota de Siqueira (3); Renan Ferreira Santa Rosa; Rogério Andrade Flauzino

Treetech Tecnologia Ltda (1); Genesis Pesquisa e Desenvolvimento Ltda (2); Tecnix Engenharia e Arquitetura Ltda. (3)

PALAVRAS-CHAVE

Buchas capacitivas de alta tensão; Physics-informed machine learning (PIML); Estado operativo de buchas capacitivas; Correntes de fuga; Descargas parciais; Tangente delta; Capacitância; Detecção de falhas em buchas capacitivas; Prevenção de falhas; Inteligência Computacional.

1. INTRODUÇÃO

As buchas capacitivas de alta tensão são dispositivos eletromecânicos utilizados para isolar a alta tensão dos componentes externos, permitindo a passagem de corrente elétrica. O diagnóstico precoce de problemas em buchas de alta tensão é essencial para prevenir falhas e manter a robustez do SEP.

Uma técnica promissora para indicar falhas em buchas de alta tensão em tempo real é a “Physics-informed machine learning” (PIML). A ideia básica por trás da PIML é incorporar as leis da física e as equações matemáticas que governam o sistema em questão no modelo de aprendizado de máquina. Uma vantagem da técnica PIML é que ela pode ajudar a melhorar a eficiência dos modelos de aprendizado de máquina, reduzindo a quantidade de dados necessários para treinar os modelos, geralmente através da introdução de uma penalidade na função de custo do treinamento. A Figura 01 presenta a ideia geral do método.

Isso ocorre porque a incorporação de conhecimentos físicos no modelo ajuda a restringir as possíveis soluções, reduzindo o espaço de busca necessário para treinar o modelo. Além disso, a técnica PIML pode ajudar a melhorar a interpretabilidade dos modelos de aprendizado de máquina. Isso ocorre porque os modelos gerados pela técnica PIML são baseados em equações físicas e matemáticas, o que torna mais fácil para os especialistas em domínio compreender e interpretar o comportamento do modelo. Uma vez que o modelo tenha sido treinado, ele pode ser utilizado para realizar o estado operativo de determinada bucha em tempo real, permitindo a identificação de potenciais problemas antes que eles se tornem críticos. A Figura 02 apresenta a arquitetura de uma PINN, com destaque para as camadas onde se situam as Leis Físicas e as Equações de Sistema.

A abordagem utilizada neste trabalho é propositadamente simples: O objetivo não é indicar os valores dos indicadores tradicionais do estado da isolação, como descargas parciais, tangente delta ou mesmo capacitância, mas sim indicar com precisão o estado operativo desta bucha. Isso significa que o foco é em se a isolação alterou a sua característica e se esta alteração está em um estágio que permita a operação ou a impossibilite. Os resultados obtidos com dados reais, em condições normais e em condições de falha, mostram que o método proposto pode indicar o estado operativo com precisão.

2. REVISÃO DA LITERATURA

É consenso que para atender as demandas operacionais cada vez mais exigentes dos modernos sistemas elétricos interligados, as técnicas de prognósticos e gerenciamento de saúde (PHM) que visam minimizar o tempo de inatividade e manter a operação confiável do sistema são fundamentais.

PHM é uma função chave para manutenção preditiva para estimar a condição de saúde atual do sistema e prever o tempo de vida útil restante (Negri et al. 2021). PHM consiste em duas abordagens, a saber, abordagens baseadas em física e orientadas a dados (Lei et al. 2018; Kim et al. 2021; Lee et al. 2014). O primeiro utiliza modelos físicos descrevendo o comportamento ou degradação dos sistemas alvo, enquanto o último emprega inteligência artificial (IA) ou aprendizado de máquina (ML) para construir um modelo substituto para o físico.

Ambos os métodos têm suas próprias vantagens e desvantagens. O método baseado em física é considerado a abordagem mais precisa. No entanto, é desafiador obter ou estabelecer um modelo físico de alta fidelidade para um sistema complexo. Por outro lado, a abordagem orientada a dados não requer um entendimento profundo da física. Com base no conjunto de dados de treinamento existente, a abordagem orientada a dados visa encontrar o padrão oculto por trás dos dados. Na ausência de conhecimento físico, a abordagem orientada a dados é considerada um método alternativo à abordagem baseada em física. É por isso que a maioria das pesquisas recentes se concentra em métodos orientados a dados para diagnóstico de falhas (Kim e Choi 2019; Kim et al. 2020a; Ham et al. 2019) e prognósticos (Wang 2010; Heimes 2008). Além disso, o surgimento de algoritmos de aprendizado profundo e a melhoria no poder computacional aceleram o desenvolvimento de vários algoritmos de aprendizado de máquina no campo de pesquisa PHM.

As abordagens orientadas a dados, no entanto, não podem estar livres de suas limitações inerentes. O principal gargalo das abordagens orientadas a dados é a necessidade de uma enorme quantidade de dados de treinamento. Dados de treinamento insuficientes podem causar baixa precisão e grande incerteza de treinamento que dificultam a tomada de decisões apropriada. Na prática, é quase impossível obter uma grande quantidade de dados de falhas de um sistema elétrico ou mecânico real no campo da engenharia. Este problema se torna pior para prognósticos de falhas que visam prever a vida útil restante dos equipamentos.

Diferente de diagnósticos de falhas, prognósticos se concentram na região de extrapolação que não pode ser coberta com os dados de treinamento existentes.

Além disso, não há tomadores de decisão ou engenheiros de manutenção que operam seus ativos de engenharia até a falha. Isso é considerado o desafio mais significativo ao adotar prognósticos baseados exclusivamente em IC ou ML.

Um aprendizado de máquina informado pela física (PIML) é uma abordagem emergente que codifica leis físicas ou conhecimento físico no modelo computacional para se beneficiar dos métodos baseados em física e orientados a dados simultaneamente.

A maioria de suas aplicações se concentra em resolver equações diferenciais parciais que governam os sistemas envolvidos, utilizando dados disponíveis e condições de contorno (Raissi et al. 2019; Yang et al. 2020; Meng et al. 2020; Mao et al. 2020; Fang and Zhan 2019). Representativamente, Raissi et al. (2019) apresentou o conceito básico de PINN (physics-informed neural network) que integra uma equação de estado, que é a informação matemática crucial para descrever o comportamento físico do sistema, em um framework de redes neurais. Eles mostraram uma metodologia sistemática para resolver os problemas direto e inverso de uma equação diferencial parcial (PDE) não linear.

A aplicação de PINN não se limita a resolver PDE, mas também é aplicada a prognósticos de falhas. Nascimento e Viana introduziram uma abordagem inovadora que codifica o modelo físico em uma rede neural recorrente (Nascimento and Viana 2019). Eles demonstraram que a camada informada pela física pode ser usada para prever o próximo tamanho de fissura. Yucesan e Viana (2021, 2020, 2022) propuseram um modelo híbrido que é projetado para mesclar camadas informadas pela física e baseadas em dados de uma rede neural profunda para prever a fadiga do rolamento. Nascimento et al. (2021) desenvolveram uma abordagem de modelagem híbrida que incorpora modelos de ordem reduzida e redes neurais para construir um modelo funcional. A Figura 03 mostra este modelo.

3. PHYSICS-INFORMED MACHINE LEARNING – (PIML)

A era atual, repleta de avanços tecnológicos, tem sido marcada por notáveis desenvolvimentos no campo da Inteligência Artificial (IA), particularmente no aprendizado de máquina (Machine Learning – ML). A capacidade de “ensinar” as máquinas a aprender com os dados e fazer previsões precisas tem revolucionado diversos setores da sociedade, desde medicina até engenharia. Dentro deste contexto, emerge uma nova abordagem interdisciplinar: o “Physics-Informed Machine Learning” (PIML), que busca combinar os benefícios do ML com os princípios físicos fundamentais. A Figura 04 mostra a relação destes domínios.

O PIML, como o nome sugere, é uma metodologia que integra conhecimentos físicos nos algoritmos de aprendizado de máquina. Ao contrário dos métodos de ML tradicionais, que são inteiramente dependentes dos dados para fazer previsões, o PIML incorpora leis físicas conhecidas durante o processo de aprendizado. Isto permite que o modelo não só aprenda com os dados disponíveis, mas também considere a física subjacente ao fenômeno que está sendo modelado. A ideia por trás do PIML é criar um modelo híbrido que possa aproveitar a flexibilidade e a capacidade de aprendizado do ML, juntamente com a estrutura e as restrições fornecidas pelas leis da física.

A importância do PIML reside em sua capacidade de enfrentar desafios que estão além do alcance dos métodos tradicionais de ML ou das simulações físicas por si só. Os métodos convencionais de ML podem ser limitados por sua natureza “caixa-preta”, onde a lógica subjacente às previsões não é facilmente compreendida ou explicada. Por outro lado, as simulações físicas podem ser excessivamente complexas e computacionalmente intensivas. O PIML oferece uma solução equilibrada, fornecendo modelos que são ao mesmo tempo interpretáveis e eficientes. A figura 05 mostra este equilíbrio.

Além disso, o PIML pode proporcionar avanços significativos em cenários onde os dados são escassos, ruidosos ou incompletos. Como o PIML é capaz de aproveitar as leis da física como uma forma de “conhecimento prévio”, ele pode fazer previsões sensatas mesmo quando os dados são limitados. Isto abre um novo horizonte de possibilidades para aplicações em muitos campos da ciência e da engenharia, onde a obtenção de dados suficientes pode ser um desafio. Uma referência notável neste campo é o trabalho de Raissi, Perdikaris e Karniadakis (2019), que introduziu uma nova classe de redes neurais profundas, denominadas redes neurais físicas (Physics-Informed Neural Networks – PINNs). As PINNs representam um dos primeiros e mais importantes passos na integração de conhecimento físico em modelos de aprendizado de máquina. Elas incorporam equações diferenciais parciais (EDPs) no treinamento de redes neurais, permitindo que as PINNs aprendam tanto a partir dos dados como a partir de leis físicas fundamentais. Mais recentemente, Zhu, Zabaras, Koutsourelakis e Perdikaris (2020) apresentaram uma revisão abrangente do campo de PIML, demonstrando uma variedade de aplicações de PIML na solução de problemas complexos em várias disciplinas científicas e de engenharia. O trabalho também discutiu a aplicação de técnicas de PIML em contextos onde os dados são escassos, ruidosos ou altamente dimensionais, destacando o potencial do PIML para superar as limitações dos métodos de aprendizado de máquina tradicionais.

4. PRINCÍPIOS DA APRENDIZAGEM DE MÁQUINA INFORMADA PELA FÍSICA

O conceito fundamental subjacente ao PIML é a ideia de que a física, como a conhecemos, deve ser incorporada em modelos de aprendizado de máquina para melhorar seu desempenho, precisão e interpretabilidade. Em contraste com os métodos convencionais de aprendizado de máquina, que aprendem exclusivamente com dados, os modelos de PIML aproveitam o conhecimento incorporado nas leis físicas para fornecer insights adicionais. O PIML é uma tentativa de combinar o melhor dos dois mundos: a flexibilidade e a capacidade de aprendizado dos algoritmos de aprendizado de máquina e a estrutura e restrições fornecidas pelas leis físicas.

A incorporação dos princípios da física nos modelos de aprendizado de máquina é geralmente realizada por meio de duas estratégias principais. A primeira estratégia é a utilização de características físicas na etapa de engenharia de recursos. Por exemplo, se estivéssemos construindo um modelo para prever o tempo de queda de um objeto, poderíamos incluir características como a altura de queda e a aceleração devido à gravidade, que são fisicamente significativas.

A segunda estratégia, mais sofisticada, envolve a integração das leis físicas na própria estrutura do modelo de aprendizado de máquina. Por exemplo, as Redes Neurais Físicas (Physics-Informed Neural Networks – PINNs), integram equações diferenciais parciais (que representam as leis físicas) na função de perda durante o treinamento da rede neural. Isto obriga a rede neural a não apenas se ajustar aos dados, mas também a respeitar as leis físicas incorporadas na equação diferencial. A figura 06 um diagrama deste conceito.

Os benefícios da PIML são especialmente notáveis em contextos onde os dados são escassos, ruidosos ou de alta dimensionalidade. Em tais situações, os modelos de PIML, ao incorporar leis físicas, podem gerar previsões mais precisas e robustas do que os métodos de aprendizado de máquina convencionais.

5. DESCRIÇÃO DO MODELO UTILIZADO

A fase inicial do estudo envolveu a coleta de dados das buchas, incluindo variáveis como correntes de fuga e ângulos. Estes dados foram cuidadosamente pré-processados, incluindo a remoção de outliers, correção de erros de medição e normalização dos valores para garantir a convergência estável durante o treinamento do modelo. A Figura 07 mostra estes dados.

6. DESENVOLVIMENTO DO MODELO

Com os dados adequadamente preparados, a fase de desenvolvimento do modelo PIML foi iniciada. Optou-se por uma estrutura de Rede Neural Informada pela Física (PINN) para o modelo. A PINN demonstrou ser capaz de aprender com os dados enquanto respeitava as leis físicas inerentes ao sistema. A figura 08 mostra a estrutura do modelo utilizado.

Forma escolhidas três simples equações diferenciáveis para representa algumas leis físicas que governam fenômenos relevantes para esta análise.

Estas leis foram incorporadas na função de custo / erro do modelo, que foi minimizada durante o treinamento. Este processo assegurou que as previsões do modelo não apenas se ajustassem aos dados, mas também obedecessem a estas leis físicas.

TREINAMENTO E VALIDAÇÃO DO MODELO

O modelo foi treinado usando os dados preparados, com o objetivo de minimizar a função de erro. Para esta tarefa, foi utilizado um algoritmo de otimização de Descida do Gradiente Estocástico. Após o treinamento, verificou-se que o modelo era capaz de prever o estado das buchas com base nas medições de parâmetros operacionais e de condições. A Figura 09 mostra as características que foram mais relevantes para o resultado do modelo. É possível notar que o módulo da somatória e os ângulos são os fatores que mais influenciam nos dados finais.

A validação do modelo foi realizada por meio da comparação das previsões do modelo com um conjunto de dados de teste separado, não utilizado durante o treinamento. O desempenho robusto do modelo neste conjunto de dados de teste reafirmou a eficácia da abordagem PIML em sistemas físicos complexos. A figura 10 mostra a convergência em função da quantidade de dados utilizados no treinamento.

7. RESULTADOS E DISCUSSÃO

Como a PINN (PIML) em questão possui dados rotulados, é possível traçar indicadores objetivos do desempenho do modelo em situações reais. Foram apresentados ao modelo treinado dados reais (aproximadamente 180.000 medições) oriundos da monitoração de diversos tipos de buchas, em diversas situações operativas e em diversos ambientes. Os rótulos foram comparados com a saída do modelo.

Na figura 10 temos a convergência do modelo durante o treinamento e a curva ROC para as duas classes possíveis: Defeito / Falha ou Normal. A curva ROC (Receiver Operating Characteristic) é uma representação gráfica que ilustra o desempenho diagnóstico de um sistema de classificação binária à medida que o limiar de discriminação é variado. A curva ROC é plotada com a Taxa de Verdadeiros Positivos (TPR – True Positive Rate) no eixo Y e a Taxa de Falsos Positivos (FPR – False Positive Rate) no eixo X. Ambas variam de 0 a 1. A Taxa de Verdadeiros Positivos (TPR), também conhecida como sensibilidade, recall ou probabilidade de detecção, mede a proporção de positivos reais que são corretamente identificados como tal. A Taxa de Falsos Positivos (FPR) é a proporção de negativos reais que são erroneamente identificados como positivos.

É possível verificar a taxa de falso positivo é muito baixa até aproximadamente 0,85% de sensibilidade, que é a taxa de verdadeiro positivo. Ao tentar aumentar a sensibilidade, ou seja, determinar as características mais sutis, temos um rápido crescimento da taxa de falso positivo, que indica um decréscimo rápido da especificidade.

Na figura 11, temos as curvas PRC e DET. A curva Precisão-Recall é uma representação gráfica que ilustra a relação entre duas métricas importantes em sistemas de classificação: a precisão e o recall (também conhecido como sensibilidade). A precisão é a proporção de verdadeiros positivos (TP – True Positives) entre todos os casos classificados como positivos. Em outras palavras, é a proporção de instâncias positivas corretamente identificadas. O recall (ou sensibilidade) é a proporção de verdadeiros positivos entre todos os casos reais positivos. Ou seja, é a proporção de instâncias positivas que foram corretamente detectadas pelo classificador.

A curva PRC mostra com mais detalhes as relações que já encontramos na ROC.

A Curva DET (Detection Error Tradeoff) é uma ferramenta gráfica usada na análise de sistemas de classificação, especialmente nos casos onde as decisões de classificação podem ter diferentes custos associados a diferentes tipos de erros. A Curva DET é uma representação gráfica do desempenho de um sistema de classificação binário. No eixo x, temos a taxa de falsos positivos (FPR – False Positive Rate), e no eixo y, a taxa de falsos negativos (FNR – False Negative Rate). Essas taxas variam de 0 a 1, onde 0 indica que o sistema de classificação não cometeu nenhum erro do tipo correspondente, e 1 indica que todos os resultados foram erros do tipo correspondente. A curva DET ajuda a visualizar o trade-off entre a taxa de falsos positivos e a taxa de falsos negativos. Em uma curva DET perfeita, o ponto (0,0) seria alcançado, indicando que não há falsos positivos nem falsos negativos. No entanto, na prática, existe sempre um trade-off: ao diminuir a taxa de falsos positivos, aumenta-se a taxa de falsos negativos, e vice-versa. Pela curva DET, é possível notar que a otimização do modelo foi coerente com o objetivo de que o melhor ponto de operação fosse justamente com uma baixa taxa de falso positivo, ainda que tolere até 6% de falsos negativos.

8. CONCLUSÃO

Um novo modelo para detecção de falhas (anomalias) em buchas capacitivas foi proposto. Este modelo utiliza como entrada características básicas extraídas dos vetores de corrente de fuga da bucha, associadas a modelos físicos que regem os fenômenos.

O modelo, ao ser apresentado a dados reais, conseguiu classificar corretamente 85% dos dados apresentados, sendo que nestes 85% temos uma taxa de apenas 6% de dados classificados erroneamente.

9. BIBLIOGRAFIA

1. Data‑driven prognostics with low‑fidelity physical information for digital twin: physics‑informed neural network. Seokgoo Kim · Joo‑Ho Choi · Nam Ho Kim – https://doi.org/10.1007/s00158-022-03348-0
2. An introduction to programming Physics-Informed Neural Network-based computational solid mechanics. Jinshuai Baia,b,d, Hyogu Jeonga, C. P. Batuwatta-Gamagea, Shusheng Xiaoa, Qingxia Wangc,d, C.M. Rathnayakae, Laith Alzubaidia,b, Gui-Rong Liuf, Yuantong Gua.
3. A Physics-informed Neural Network for Wind Turbine Main Bearing Fatigue. Yigit A. Yucesan and Felipe A. C. Viana
4. https://towardsdatascience.com/physics-informed-neural-networks-pinns-an-intuitive-guide-fff138069563
5. https://medium.com/@zhaoshuai1989/why-do-we-need-physics-informed-machine-learning-piml-d11fe0c4436c
6. Physics-Informed Neural Networks for AC Optimal Power Flow, Rahul Nellikkath, Spyros Chatzivasileiadis, Electric Power Systems Research, 2022. [paper]

DADOS BIOGRÁFICOS

(1) DANIEL CARRIJO POLONIO ARAUJO

Graduado em Engenharia Elétrica pelo Centro Federal de Educação Tecnológica de Minas Gerais (2006), mestrado em Engenharia Elétrica pela Universidade Federal de Minas Gerais (2008) e doutorado na Universidade de São Paulo (2022), na área de Sistemas Dinâmicos. Colabora como CTO na Treetech Tecnologia e Pesquisador Especialista na Radice. Tem experiência na área de Engenharia Elétrica, ênfase em Máquinas Elétricas e Dispositivos de Potência e Alta Tensão, atuando nos temas: Monitoração Online, Sensoriamento Remoto, Subestações, Técnicas e Metodologias de Manutenção para Equipamentos de Alta Tensão, Transformadores e Reatores, Buchas Condensivas, Inteligência Computacional, Sistemas Inteligentes, Processamento Digital de Sinais.

(2) GABRIEL DE SOUZA PEREIRA GOMES

Doutorando em Sistemas Inteligentes pela USP, Mestre em Engenharia Elétrica pela UNIFEI. Líder Técnico em Ciência de Dados na Genesis. Experiência em para-raios, setor automotivo e análise de sistemas elétricos. Habilidades em instrumentação, processamento de sinais, IA e programação (C, Python, Matlab). Interesses: IA, ciência de dados, sistemas médicos, sistemas de potência e processamento de sinais.

(6) RAFAEL PRUX FEHLBERG

Graduado em Engenharia de Controle e Automação pela Pontifícia Universidade Católica do Rio Grande do Sul (2004), MBA em Gerenciamento de Projetos pela La Salle Business School (2015) e Mestrando na Universidade de São Paulo (2022), na área de Sistemas Dinâmicos. Atuando atualmente como Especialista de Engenharia em Gestão de Ativos na Treetech Tecnologia e Pesquisador Senior na Radice Tecnologia. Tem experiência na área de Engenharia com ênfase em Dispositivos de Potência e Alta Tensão, Gestão de Projetos, Diagnóstico em Equipamentos de Potência através de Monitoramento, Gestão de Ativos e Novas Metodologias de Manutenção através do uso de Inteligência Computacional.

(3) SOFIA MOREIRA DE ANDRADE LOPES

Mestre em Engenharia Elétrica na área de concentração de Sistemas Dinâmicos pela Universidade de São Paulo (2020). Graduada em Engenharia Elétrica com Ênfase em Sistemas de Energia e Automação pela Universidade de São Paulo (2018). Atualmente, é aluna de Doutorado da Universidade de São Paulo, na área de Sistemas Dinâmicos. Tem experiência em docência no ensino superior nos cursos de Engenharia Elétrica/Eletrônica, tendo ministrado disciplinas nas áreas de sistemas embarcados e microcontroladores. Atuou em projetos de sistemas de proteção contra descargas atmosféricas, fontes de energia renovável (fotovoltaica e eólica) e sistemas de aprendizado de máquina.

(7) RENAN FERREIRA SANTA ROSA

Graduado em Engenharia Elétrica pela Universidade Federal de Itajubá (2017), Pós Graduado em Gerenciamento de Projetos pela FGV – Fundação Getúlio Vargas (2021). Atuando atualmente como Coordenador de Gestão de Ativos na Treetech Tecnologia. Tem experiência na área de Sistemas de Potência, Gestão de Projetos, Diagnóstico em Equipamentos de Potência através de Monitoramento e Gestão de Ativos.

 (4) JOÃO MARCELO AGUIAR PEREIRA

Advogado, pós-graduado em Direito Processual pela Escola Paulista da Magistratura, foi servidor do Tribunal de Justiça do Estado de São Paulo, Tribunal Regional Eleitoral e do departamento jurídico da Caixa Econômica Federal. É consultor jurídico com especialidade em criptoativos, tecnologia blockchain, LGPD, Direito Comercial e em regulamentação do setor elétrico.  Desde 2021 atua com foco em tecnologia, assumindo a administração da Genesis P&D e, em 2022, preenchendo seu quadro societário.

(5) ROGÉRIO ANDRADE FLAUZINO

Graduado em Engenharia Elétrica pela UNESP/Bauru (2001), mestrado em Engenharia Industrial pela UNESP/Bauru (2004), doutorado em Engenharia Elétrica pela USP/EESC (2007) e Livre-Docente pela USP/EESC em 2014. É revisor do IEEE Transaction on Power Delivery, IEEE Transaction on Power Systems, Electric Power Systems Research, International Journal of Electrical Power & Energy Systems e Applied Soft Computing. As áreas de atuação se concentram em Sistemas Elétricos de Potência e Sistemas Inteligentes. As pesquisas atualmente em desenvolvimento são direcionadas às redes inteligentes, estudo de sistemas de armazenamento de energia e gestão de ativos em sistemas elétricos de potência.

(8) IONY PATRIOTA DE SIQUEIRA

Doutorado (Prêmio Brasil) e graduação em Engenharia Elétrica, Mestrado (com honras) em Pesquisa Operacional, e MBA em Sistemas de Informação. CIGRE Fellow e IEEE Senior Member, Honorary Member, Distinguished Member, Estrategic Advisor e post-Chairman of Study Committee B5 do CIGRE, Menção Honrosa da Câmara de Deputados do Brasil, membro brasileiro da TC 57 da IEC, presidente da Comissão de Estudos da ABNT sobre Gestão de Sistemas de Energia e Intercâmbio de Informações. Autor de 4 livros. Coordenador de 3 WG do CIGRE. Membro Permanente da Academia Nacional de Engenharia, Presidente da Tecnix Engenharia, Ex-Diretor Técnico e VP do CIGRE-Brasil.