1

Monitoramento e Diagnóstico de um Transformador de Potência: Análise de Gases

Dissolvidos no Óleo e Análise Térmica O. M. Almeida, UFC, M. A. B. Amora, UFC, F. R. Barbosa, UFC, F. A. P. Aragão, UFC, P. R. O. Braga, UFC, O. C. E. S. Nottingham, UFC, L. H. S. C. Barreto, UFC, Vitor R, Endesa Fortaleza.

Resumo-O monitoramento e diagnóstico de falhas incipientes em transformadores de potência imersos em óleo está direta-mente relacionado à avaliação das condições do sistema de isolamento. Neste artigo, estabelece-se o conceito de monitora-mento e diagnóstico, e em seguida técnicas de analises são dis-cutidas. Também será apresentado um sistema de pré-diagnostico baseado na utilização de um dispositivo on-line de monitoramento do total dos gases dissolvidos no óleo do trans-formador. O monitoramento do comportamento das tempera-turas internas de um transformador é de fundamental impor-tância para o diagnóstico da vida útil do mesmo. Neste traba-lho, também, são apresentadas as características de um sistema desenvolvido de análise térmica e da vida útil de um transfor-mador de potência. O diagnostico de falhas incipientes de um transformador, o pré-diagnostico baseado em equipamento on-line e a análise térmica, representam módulos de um software desenvolvido. Os resultados da aplicação destes módulos em casos de teste são apresentados neste trabalho.

Palavras-chave— Análise de Gases Dissolvidos em Óleo, A-nálise Térmica de Transformadores, Diagnóstico de Falhas, Inteligência Artificial, Transformadores de Potência Imersos em Óleo.

I. INTRODUÇÃO Sistemas para diagnóstico e monitoramento de equipa-

mentos do sistema elétrico de distribuição e transmissão sem a necessidade de desligamentos (on-site) têm sido proposto em níveis de pesquisas com implementações práticas finais por empresas do setor elétrico (fabricantes, transmissoras e distribuidoras) [1,2]. Neste contexto, as universidades e cen-tro de pesquisas têm desenvolvido papeis importantes, prin-cipalmente em nível de pesquisa. Isto vem ocorrendo não somente no Brasil como também na maioria dos paises de-senvolvidos e em desenvolvimento [1, 2, 3, 4, 5]. No Brasil,

Este artigo foi produzido no projeto de fundos setoriais de P&D da A-

gencia Nacional de Energia Elétrica (ANEEL)/Central Geradora Termelé-trica de Fortaleza (CGTF) no convênio CGTF/ Associação Técnico-Científica Eng.° Paulo de Frontin (ASTEF).

O. M. Almeida, M. A. B. Amora, L. H. S. C. Barreto são professores no Departamento de Engenharia Elétrica da Universidade Federal do Ceará (e-mails: otacílio@dee.ufc.br, marcio@dee.ufc.br, lbarreto@dee.ufc.br ).

F. R. Barbosa, F. A. P. Aragão são estudantes de mestrado do Curso de Engenharia Elétrica da Universidade Federal do Ceará (e-mail: fabio@dee.ufc.br, aldinei@dee.ufc.br).

P. R. O. Braga, O. C .E .S Nottinghan são estudantes de graduação do Curso de Engenharia Elétrica da Universidade Federal do Ceará (e-mail: proberto@dee.ufc.br, oliver@dee.ufc.br).

R. Vitor é engenheiro da ENDESA Fortaleza (e-mail: vrodrigo@endesabr.com.br )

mais especificamente, o interesse por esta área tem sido ace-lerado nos últimos anos devido a mudanças estruturais no setor de energia elétrica que promovem a competição em alguns níveis, estabelecendo índices mais rigorosos de qua-lidade técnica e de serviço (geralmente regulados por uma empresa reguladora). Um outro ponto a considerar relacio-na-se as razões técnicas associadas ao envelhecimento natu-ral de grande parte dos equipamentos instalados que devem, neste novo contexto, incrementar o desempenho e confiabi-lidade em condições inferiores àquela da época de suas ins-talações [5, 6, 7, 8].

Transformadores de potência de grande porte são um dos mais caros e críticos componentes de uma planta elétrica de transmissão e distribuição. Desta forma um grande esforço vem sendo empregado para garantir seu bom funcionamento quanto a evitar possíveis falhas que venham a ocorrer devi-do ao seu ciclo natural de vida ou regimes elétricos a que são submetidos. Atualmente encontram-se disponíveis ou está em desenvolvimento um considerável número de fer-ramentas para o monitoramento e diagnóstico das condições dos transformadores de potência imersos em óleo [1, 2, 3].

Os sistemas de monitoramento e diagnóstico de transfor-madores possuem, geralmente duas funções que, embora distintas por definição, evoluem e são utilizadas em conjun-to. O monitoramento tem por fim a aquisição de um conjun-to de dados relativos ao funcionamento do transformador e cuja coleta envolve modernas tecnologias em sensores, téc-nicas de aquisição de dados e dispositivos digitais ou analó-gicos utilizados. O diagnóstico, por sua vez, está mais rela-cionado à interpretação dos dados e pode ser realizado por um especialista ou por um software especialmente desen-volvido para este fim [2]. Atualmente observa-se a tendên-cia da substituição do diagnóstico feito por um especialista por sistemas automáticos de diagnóstico que incorporam uma forte parcela de técnicas inteligentes para representar entre outros conhecimentos, aquele acumulado com a expe-riência de um especialista [5, 6, 9, 10].

Nesse contexto, surge a necessidade de monitoramento e diagnóstico de falhas incipientes em transformadores de potência, através da análise dos gases dissolvidos no óleo do transformador. Além disso, os estresses térmicos a que são submetidos os transformadores de potência são determinan-tes no seu tempo de vida médio. Desta forma o monitora-mento das temperaturas internas dos enrolamentos e do óleo do transformador são de suma importância para implemen-tação de métodos de diagnóstico que levem a uma previsão

2

da perda de vida e à implementação de mecanismos ou ma-nobras de proteção.

Informações sobre o estresse térmico em transformadores são atualmente obtidas a partir de medidas indiretas da tem-peratura do topo do óleo e temperatura do enrolamento. As medidas de forma indireta levam as discrepâncias conside-ráveis tanto dos valores absolutos quanto da constante de tempo, entre os valores reais e os valores medidos. Isto pode levar o transformador a uma condição de risco grave.

Neste trabalho foram utilizados modelos não lineares, me-lhorados em relação aos modelos convencionais [23, 24], para a representação do carregamento térmico de transfor-madores imersos em óleo isolante.

Portanto, este artigo apresenta a aplicação de técnicas in-teligentes envolvendo Redes Neurais e Sistemas Fuzzy no diagnóstico de falhas incipientes, aliado ao monitoramento on-line da taxa de geração de gases dissolvidos no óleo e da determinação da temperatura do topo do óleo através de técnicas não-lineares. Os resultados apontam para o sucesso no que tange à implementação e utilização desses métodos em um programa de computador desenvolvido com o obje-tivo de promover a salvaguarda de um transformador moni-torado.

Este artigo está organizado da seguinte forma. Na seção 2, abordam-se a importância e as opções do monitoramento de transformadores. Na seção 3 são discutidos os métodos desenvolvidos de análise dos gases dissolvidos no óleo de transformadores, baseados em sistemas nebulosos (fuzzy) e em redes neurais; resultados de implementação, também, são apresentados nesta seção. Na seção 4 é comentado um método de pré-diagnóstico desenvolvido em função de um equipamento de monitoramento on-line instalado em um transformador de teste. Algoritmos desenvolvidos para a determinação das temperaturas internas de um transforma-dor de potência são apresentados na seção 5, resultados também são apresentados. Na seção 6 é apresentado um software desenvolvido e que agrega todos os algoritmos desenvolvidos nas seções anteriores deste artigo. Na seção 7 são discutidas as conclusões deste artigo.

II. MONITORAMENTO DE TRANSFORMADORES Equipamentos para monitoramento de transformadores

devem ser eficientes, de custo justificável, fáceis de instalar em campo e de baixa taxa de manutenção [1, 2]. A necessi-dade da instalação em campo de sistemas de monitoramento tem sua importância se for considerado que uma grande quantidade de unidades de transformação instalada nos par-ques elétricos atuais data de 30 anos [2]. A idade do parque elétrico tem provocado mudanças nos planos de manutenção das empresas de distribuição e transmissão. Instalações de equipamentos de monitoramento e diagnóstico em transfor-madores resguardam-no de possíveis falhas gerais causadas por elevados valores de parâmetros intrínsecos ao seu fun-cionamento, tais como a temperatura, o nível de descargas parciais, o carregamento e o nível de umidade do isolamen-to. Também auxiliam, ou mesmo definem, o programa de manutenção preventiva existente nas empresas. Além da questão técnica, importância também tem sido dada à ques-

tão ambiental o que tem levado ao desenvolvimento de no-vos tipos de óleos isolantes, principalmente do óleo vegetal [13].

A. Distribuição das Falhas no Transformador Considerando os últimos avanços no desenvolvimento da

tecnologia de sensores, praticamente todos os parâmetros de um transformador podem ser monitorados. Atualmente a definição de quais parâmetros monitorar envolve mais uma questão de custo do que de técnica. Portanto, para o sucesso do projeto de um sistema de monitoramento e diagnóstico é importante aliar eficiência e custos. A redução do número de parâmetros monitorados e a utilização de softwares base-ados em técnicas inteligentes correspondem a uma das me-didas que tem impacto direto na factibilidade do sistema. Para isto deve-se ter indicativos de quais são os parâmetros mais relevantes no sistema.

Considerando um transformador de potência imerso em óleo com taps para mudança de cargas (OLTC), a figura 1 apresenta a distribuição estatística das falhas nos componen-tes do transformador [1]. Da figura 1 pode-se observar que as principais fontes de falhas correspondem ao OLTC e en-rolamentos (incluindo o sistema de isolamento). Para o OLTC os principais parâmetros a serem monitorados são a vibração e a temperatura, enquanto para o enrolamento e sistema de isolamento, os principais parâmetros a serem monitorados são as concentrações de gases dissolvidos no óleo, a temperatura e o nível de descargas parciais (PD). Deve ser observado que, independente da fonte de falha a ser considerada, a temperatura constitui um importante pa-râmetro a ser monitorado.

Figura 1. Distribuição das possíveis fontes de falhas em transformadores de potência.

Segundo recente pesquisa realizada entre especialistas [17], os dois parâmetros mais importantes a serem monito-rados em um transformador seriam a temperatura do ponto quente no interior do mesmo e os gases dissolvidos no óleo isolante. Para transformadores que apresentam um período de instalação e utilização mais recente e que podem ser submetidos a situações de sobrecarga, o parâmetro mais importante a ser monitorado seria a temperatura do ponto quente de um transformador, que afetaria a vida útil do mesmo. A medida que o transformador começa a apresentar vários anos de utilização, o parâmetro mais significativo a ser observado passa a ser a análise dos gases dissolvidos no óleo isolante, permitindo o monitoramento de falhas incipi-entes no equipamento. Essas conclusões podem ser obser-vadas nas figuras de 2 a 4.

Enrolamentos 19%

OLTC 41%

Núcleo 3%

Terminais 12%

Acessórios 12%Tanque/fluido

13%

3

Qual é o parâmetro mais importante para o monitoramento de transformadores?

Análise de Gases

Dissolvidos30,70%

Monitoramento do LTC7,60%

Monitoramento das Buchas

0,00%Descargas

Parciais7,60%

Temperatura do Ponto Quente

53,80%

Figura 2. Grau de importância dos parâmetros monitorados em um trans-formador de potência novo.

Qual é o parâmetro monitorado mais crítico para transformadores que sofrem condições de carga pesada

ou sobrecarga?

Qualidade da Energia0,00%

Análise de Gases

Dissolvidos16,60%

Temperatura do Ponto Quente

83,30%

Imagem Térmica do

Transformador0,00%

Temperatura do Topo do Óleo

0,00%

Teste de Inflamáveis

0,00%

Figura 3. Grau de importâncias dos parâmetros monitorados em um trans-formador de potência em condições de sobrecarga.

Seu transformador estar perto de seu fim de vida. Qual é o item mais importante que deve ser considerado

para indicar o fim de vida do equipamento?

Histórico de Carregamento

2,60%

Descargas Parciais6,10%

Vibração / Análise de Som

4,30%

Checar Capacitância, Resistência e

Fator de Potência dos Enrolamentos

15,70%

Histórico de Temperaturas

no Topo do Óleo

10,40%

Análise de Gases

Dissolvidos60,90%

Figura 4. Grau de importância dos parâmetros monitorados em um trans-formador de potência antigo.

B. Análise de Gases Dissolvidos no Óleo (DGA) Os métodos de diagnósticos com base em DGA [5, 6, 14,

15] são os mais estudados e os mais aplicados a transforma-dores de potência imersos em óleo. Estes métodos baseiam-se na análise de tipos de concentração e taxa de produção de gases gerados e dissolvidos no óleo do transformador, e procuram associar o tipo de falha ao gás presente. Por e-xemplo, descargas elétricas levam à geração de acetileno enquanto a presença de dióxido de carbono está associada ao sobreaquecimento da celulose.

Métodos convencionais de DGA têm sido empregados

por mais de trinta anos e constitui uma técnica de sucesso que, aliada a novas tecnologias, ganha novo impulso a cada ano. A utilização destes métodos por décadas seguidas levou a uma base de conhecimento profunda na caracterização do equilibro dos gases no interior dos transformadores. Obser-va-se que o nível e período de formação dos gases depen-dem não somente da idade dos transformadores mais tam-bém da localização, natureza e severidade das falhas a que são submetidos.

Um programa de manutenção no qual o DGA é realizado em períodos anuais, dificilmente acompanha a curva de ten-dência da formação dos gases. É uma opinião geral de que, em um programa de manutenção, se o DGA for realizado em menores períodos de amostragem, grande parte das fa-lhas catastróficas poderiam ser previstas. Estas opiniões têm levado a desenvolvimentos tecnológicos no sentido de via-bilizar o DGA em tempo real (real-time DGA) [2, 3] mesmo que simplificado, ou seja, com monitoramento da formação de alguns gases em particular, como por exemplo o gás car-bônico, hidrogênio, fufuraldeido e umidade entre outros. A possibilidade de realizar DGA em tempo real apóia-se no grande esforço que vem sendo atualmente empregado no desenvolvimento de sistemas de sensores eficientes, modu-lares, e de custo viável. O sensor de hidrogênio, por exem-plo, como principal indicador de descargas parciais e arco, foi um dos primeiros sensores a ser desenvolvido e utilizado em sistemas de monitoramento em tempo-real. O sensor Hydran M2 da empresa GE é um exemplo de sensor para a medida de concentração de gases combustíveis, hidrogênio e carbônicos em monitoramento em tempo-real.

Atualmente o interesse por pesquisas na área de sensores volta-se para o desenvolvimento de dispositivos opto-eletrônicos para análise de gases dissolvidos em óleo isolan-te. Isto se deve à elevada imunidade eletromagnética destes sensores, possibilitando sua inserção no interior do trans-formador. Sensores de fibra óptica associados à sistemas DSP (Digital Signal Processing) e a técnicas de identifica-ção temporal ou espectral, encontram-se em fase de desen-volvimento [2, 4, 7, 8]. Podem-se encontrar pesquisas no desenvolvimento de sensores de fibra óptica para medida de temperatura, de descargas parciais e concentração de deter-minados gases tais como o fufuraldeido [4, 7, 8].

Um equipamento de monitoramento on-line de DGA que surgiu recentemente é o Transfix da KELMAN que permite a identificação individual dos gases dissolvido no óleo de um transformador monitorado. Esse equipamento utiliza a técnica de espectroscopia foto-acústica.

Uma outra tendência ainda em nível de pesquisa refere-se a realização do DGA a partir de características físico-químicas, tais como a cor do óleo, a densidade, a tensão superficial, o índice de neutralização, e a quantidade de água presente no óleo [6]. Neste ultimo caso sistemas baseados em computação inteligente [9, 10, 11, 12] devem ser utiliza-dos para modelagem e diagnóstico.

De uma forma geral pode-se dizer que a tecnologia de monitoramento em tempo real das condições do isolamento de transformadores encontra-se em fase de pesquisa e de-senvolvimento, com elevado número de resultados em apli-

4

cações práticas.

C. Descargas Parcias (PDs) A caracterização de padrões de PD é outra importante

fonte de investigação do estado do isolamento do transfor-mador [1, 2, 4]. O monitoramento de PD é efetivo para de-tecção de falhas. PDs ocorrem dentro do tanque e produzem uma onda sonora e de pressão que é transmitida através do óleo. A detecção de PDs tem sido empregada há anos no diagnóstico de transformadores. Uma das técnicas não intru-sivas que utiliza sensores piezelétricos (sensores de ultra-som) tem sido aplicada com sucesso na prática. No entanto, em alguns casos estes sistemas, não intrusivos, podem ser ineficientes por estarem sujeitos a interferências de ruído proveniente do meio externo ao transformador. Este pro-blema, entretanto, vem sendo superado através da imple-mentação de técnicas de processamento digital de sinais para identificar o espectro de freqüência das descargas par-ciais, isolando-o do ruído ambiente.

Seguindo a tendência de desenvolvimento de sensores op-toletrônicos, novas técnicas de medida de descargas parciais através de sensores de ultra-som de fibra óptica vêm sendo desenvolvidas [2, 4]. Um sistema exemplo proposto e de-senvolvido pelo CPT - Center for Photonics Technology of Virginia University, é composto de uma sonda acústica op-toeletrônica e de um processador digital de sinais (DSP). Para a transmissão do sinal da sonda até o DSP utiliza-se uma fibra óptica, conforme a figura 5.

Figura 5. Sensor óptico de utra-som para medida de descargas parciais.

No sensor, o feixe luminoso proveniente de um diodo la-ser incide no acoplador e é transmitido pela fibra até a cabe-ça do sensor (ampliada em detalhes). O guia da fibra e o diafragma são colados juntos ao suporte cilíndrico. O feixe de luz incidente é parcialmente refletido (4%) na face do sensor enquanto a outra porção do feixe propaga-se para o espaço interior da cavidade atingindo até a superfície interna do diafragma. A superfície do diafragma é revestida por uma fina camada de ouro de forma que toda a porção de luz incidente seja refletida (96%). Com esta montagem, o sinal óptico, recebido pelo fotodetector, é uma função do com-primento da cavidade selada e é imune à contaminações externas.

D. Temperaturas A medida convencional e indireta da temperatura do en-

argamente utilizada na indústria de trans-fo

ente sen-so

A PARTIR DOS GASES DISSOLVIDOS NO ÓLEO DO TRANSFORMADOR

O res-ponde à partir do

rolamento ainda é lrmadores. Estas medidas são úteis para a modelagem do

comportamento térmico do transformador e do ponto quente do enrolamento. A medida indireta é realizada através da passagem de uma corrente de valor conhecido através de uma carga, que tem um elemento resistivo como indicador, e localizada em um ponto distante da região de alta tensão do transformador [1, 2, 7, 8]. Entretanto tem sido demons-trado que a modelagem da capacidade térmica através de medidas de temperatura utilizando este método apresenta discrepâncias muitas vezes inaceitáveis em relação ao com-portamento real do transformador. Para superar as deficiên-cias dos métodos baseados em medidas indiretas, tem sido proposto em nível acadêmico e industrial medidas de tempe-ratura interna de forma direta. Estas medidas geralmente são realizadas empregando sensores de fibra óptica.

O ponto quente do enrolamento de um transformador é um fator limitante na capacidade de carga. Atualm

res de temperatura baseado em dispositivos optoeletrôni-cos podem ser instalados nos enrolamentos dos transforma-dores em fase de manufatura, e são geralmente configurados para a medida em um único ponto ou em configurações dis-tribuída no interior. Técnicas de medidas de temperatura utilizando fibras ópticas começaram na década de 80 e têm sido cada vez mais aplicadas para medida de cargas térmicas em transformadores. Pesquisas realizadas pelo instituto INESC da Universidade do Porto na Optoelectronics and Electronics Unit [27] demonstraram que sistemas ópticos são eficientes para medidas de temperatura interna de trans-formadores de potência. Sensores da Luxtron baseados em fibra óptica, tais como o conjunto OFT com sonda Photrix, são exemplos de produtos comerciais para medida de tempe-ratura interna de transformadores.

III. DIAGNÓSTICO DE FALHAS

diagnóstico de transformadores imerso em óleo cor interpretação do conjunto de dados obtidos a

sistema de monitoramento e deve fornecer recomenda-ções que definam o ciclo de funcionamento do transforma-dor. Os métodos de diagnósticos são utilizados para deter-minar as condições atuais de funcionamento dos transfor-madores, auxiliar em previsões quanto ao seu uso futuro, bem como, para emitir sinais de alerta em advertência a condições críticas de funcionamento. Conforme [1, 2, 14] os métodos de diagnósticos podem ser agrupados em três con-juntos classificados por tipo de falha: i) Falhas Térmicas. Estes tipos de falhas podem ser analisadas através do méto-do DGA, que considera a concentração dos gases dissolvi-dos no óleo, da temperatura, e da medida do grau de polime-rização, que quantifica a degradação da celulose. ii) Falhas Relacionadas ao Dielétrico. A caracterização e localização das descargas parciais é o principal método empregado para detectar falhas relacionadas à falhas no dielétrico. iii) Falhas Mecânicas. Estas falhas geralmente são resultados de forças provocadas por curto-circuito ou por vibração dos enrola-mentos e núcleo. O resultado destas falhas são as deforma-ções dos enrolamentos e partes mecânicas internas do trans-

5

formador.

A. Método de Diagnóstico Inteligente Baseado em DGA O mecanismo de formação de gases no interior de trans-

es el

s são: mo-ni

dores submetidos a falhas são: hi

4 2 C2H 2/CH4 C2H6 / C2H4/ C2H6

formadores imersos em óleo mineral devido solicitaçõétricas e térmicas é descrito através de um modelo termo-

dinâmico que descreve o relacionamento entre a taxa de formação dos gases e a temperatura na vizinhança do ponto onde a falha ocorre. Portanto, uma dada configuração de distribuição de concentrações de gases dissolvidos pode ser associada a uma determinada faixa de temperatura e conse-qüentemente a um determinado tipo de falha [2].

Os métodos de associação, das concentrações dos gases dissolvidos com a respectiva falha, mais utilizado

toramento de razões entre as concentrações dos gases dis-solvidos, avaliação do valor da concentração e taxa de cres-cimento do gás principal associado a uma determinada fa-lha, ou através de sistemas inteligentes (utilizando em geral sistemas neuro-fuzzy). A norma IEC 599, por exemplo, uti-liza como base o método das razões entre as concentrações dos gases dissolvidos [22].

Os principais gases formados a partir da decomposição do óleo mineral de transforma

drogênio (H2), metano (CH4), etano (C2H6), etileno (C2H4), acetileno (C2H2). No método de análise baseado nas razões entre os gases são definidas razões entre esses cinco gases de modo que seja possível a identificação de uma falha tomando por base a faixa em que se encontra cada razão. Historicamente as razões mais utilizadas são apresen-tadas na Tabela 1.

TABELA I RAZÕES ENTRE AS CONCENTRAÇÕES DOS GASES

Razão CH /H 2/C2H4 C2HC2H2

Notação R1 R2 R3 R4 R5 Desde que todos os fenômenos relacionad sti-

co e nsfor ores sã racte o r im-pr

ver um sistema de diagnóstico de falhas em eado

em

de sistemas nebulosos, para análise e clas-si

a IEC 599 cl

os ao diagnó de falhas m tra mad o ca rizad s poecisões, incertezas nas medidas e não-linearidades não

modeladas, métodos convencionais combinados com méto-dos baseados em inteligência computacional [10, 12], em especial os sistemas nebulosos e neurais, podem ser empre-gados de forma eficiente para diagnósticos automáticos de falhas.

B. Sistema de Diagnóstico Baseado em Regras Fuzzy Para desenvol

transformadores de potência a partir de um sistema bas regras nebulosas ou fuzzy [10,11,12] deve-se definir ini-

cialmente um conjunto de regras de decisão. Neste projeto, para elaborar a base de regras, foi utilizada a norma IEC 599 [18, 19]. A partir desta norma estabeleceram-se os valores típicos das razões entre os gases para formar a base de re-gras. Sabe-se, entretanto, que combinações de diferentes razões cobertas pela norma IEC 599 podem não ocorrer na prática o que leva a sérios problema de indecisão ou não decisão no diagnóstico. Para resolver o problema da não decisão foram propostas adições ao padrão IEC de modo a cobrir todos os valores possíveis das razões, evitando as inconsistências.

Neste projeto foram desenvolvidos três métodos, que uti-lizam o conceito

ficação do tipo de falha em transformadores. O primeiro sistema utiliza a norma IEC 599 de 1978 para

formar a base de regras de inferência. A normassifica os padrões de falhas em função três razões de con-

centração dos gases (R1, R2 e R5) (IEC, 1978; IEC 1996). Para cada uma das três entradas são definidas três faixas de valores, que em representação nebulosa são: Pequena (P), Média (M) e Grande (G). Para cada combinação das variá-veis de entrada é possível associar um padrão de falha. Os padrões de saída possíveis são: Normal (condição de enve-lhecimento normal), Low Energy Discharge - LED (descar-gas parciais), Overheating - OH (quatro níveis de tempera-tura de sobreaquecimento: T1, T2, T3 e T4) e High Energy Discharge - HEDA (quatro níveis de descargas de alta ener-gia: 1, 2, 3 e 4). Entretanto, observa-se na figura 6 e Tabela 2, que podem ser encontrados problemas de aplicação desta base de regras, devido ao fato da norma apresentar o pro-blema de não decisões, ou seja, regiões em que não estão associadas a qualquer padrão de falha.

Figura 6. Representação da base de regras do sistema nebuloso 1.

TABELA II

R2 R1 R5

CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 1

M G P P L ED - -

P M NOR AL O 1 M H_T - G O OH_T3 OH_T4 H_T2 P HEDA_1 - -

M M - HEDA3 HEDA_3 G - - - P - - -

G M - HEDA_4 HEDA_4 G - - -

Figura 7. Representação da base de regras do sistema nebuloso 2.

No segundo sistema foram adicionadas regras empí cas com C

rio objetivo de solucionar a incapacidade da norma IE

6

59

NTO DE REGRAS PARA O SISTEMA NEBULOSO 2 R2 R1 R5

9 de identificar a falha em determinados casos (problema de não decisão) [22]. Assim o sistema é capaz de realizar um diagnóstico para todos os valores assumidos pelas variá-veis de entrada (R1, R2 e R5). Isso pode ser facilmente ob-servado na Tabela 3, pois neste caso constata-se que todos os espaços estão preenchidos. Este modelo apresenta ainda uma melhor definição da indicação de descargas de alta e-nergia (High Energy Discharge - HEDA), apresentando quatro níveis distintos de descargas. A figura 7 e tabela 3 apresentam as dimensões das variáveis e base de regras para este método.

TABELA III

CONJU

G P M P L LED LED ED

P M NO AL O 1 OH 1 RM H_T _T G O O O H_T2 H_T3 H_T4 P HEDA_1 HEDA_1 HEDA_1

M M HEDA_3 HEDA3 HEDA_3 G HEDA_3 HEDA_3 HEDA_3 P HEDA_2 HEDA_2 HEDA_2

G M HEDA_4 HEDA_4 HEDA_4 G HEDA_4 HEDA_4 HEDA_4

No terceiro sistema par caç lh a-da uma nova base de regras. vari ent e si

a classifi ão das faáveis de

as é utilizrada destAs

stema são os valores assumidos pelas razões: C2H2/C2H6 e C2H4/C2H6, portanto nesse modelo utiliza-se a razão C2H2/C2H6 que não está definida na norma IEC 599 [21]. Para cada entrada são definidos quatro conjuntos nebulosos: Muito Pequeno (MP), Pequeno (P), Médio (M) e Grande (G). Para este modelo os padrões de saída definidos são: Low Temperature Overheating - LTO (sobreaquecimento de baixa temperatura), Middle Temperature Overheating - MTO (sobreaquecimento de média temperatura), High Tem-perature Overheating - HTO (sobreaquecimento de alta temperatura), Partial Discharge - PD (descargas parciais de baixa energia), Middle energy Discharge - MD (descargas de média energia) e High energy Discharge - HD (descargas de alta energia). As dimensões das variáveis e da base de regras para este método são apresentadas na figura 8 e tabe-la 4, respectivamente.

Figura 8. Representação da base de regras do sistema nebuloso 3.

TABELA IV CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 3

C2H2 4

C2H6 C2H6 C2H

MP P M G

MP LTO MTO HTO HTO

P PD MTO+PD HTO HTO

M MD MD MD HD

G HD HD HD HD

as nebulPara os t stem osos propost s foram ut

todos rês si oilizadas funções de pertinência gaussianas para as entradas

e triangulares para os padrões de saída. Por exemplo, o sis-tema nebuloso 1 possui como variáveis de entrada as razões: R1, R2 e R5. A cada variável nebulosa estão associados três conjuntos nebulosos: Pequeno (P), Médio (M) e Grande (G).

Para o ajuste dos parâmetros das funções de pertinência utilizou-se o seguinte critério: os máximos das funções gaussianas ocorrem nos valores médios dos intervalos defi-nidos no método de cada sistema. As figuras 9, 10 e 11 a-presentam respectivamente as funções de R1, R2 e R5. A figura 12 vai representar as funções de pertinência da saída do sistema nebuloso 1 na forma de singletons.

Figura 9. Funções de pertinência da variável R1 do sistema 1.

Figura 10. Funções de pertinência da variável R2 do sistema 1.

Figura 11 Funções de pertinência da variável R5 do sistema 1.

7

Figura 12. Funções de pertinência da saída do sistema 1.

Para implementar a máquina de inferência, a implicação de Mamdani [9,10,11] foi utilizada. Dado o conjunto nebu-loso apresentado na saída do subsistema de inferência é rea-lizada a operação de matching entre os padrões possíveis de saída, que expressam a experiência de um operador, e a saí-da atual. Cada padrão de saída está associado a um tipo de falha, d rau desimilari a e os

e modo que a saída do sistema apresenta o gdade entre a saída atual da máquina de inferênci

padrões de falha. A figura 13 apresenta o diagrama de blocos dos sistemas nebulosos implementados.

Figura 13. Implementação dos sistemas nebulosos.

C. Sistema de Diagnóstico Baseado em Redes Neurais As redes neurais utilizadas no diagnóstico de falhas reali-

zam, basicamente, um mapeamento não linear entre as en-tradas e saídas. Estas relações podem ser representadas por um número limitado de pares de entrada-saída (amostras de dados). Estas suposições são de fundamental importâ ia, principalm mostra é

s a-pr

dos valores do

es da rede são fixadas e nã

⎜Φ=Φ= ∑

ncente para analisar se uma determinada a

realmente representativa para um dado sistema. A aplicação de redes neurais no diagnóstico de falhaesenta duas fases. A primeira fase é o processo de treina-

mento, durante o qual um conjunto de amostras de dados é fornecido à rede. Nesta fase, os pesos dos neurônios da rede são ajustados iterativamente para “memorizar” as relações de entrada-saída. A segunda fase é um processo de teste ou validação, durante o qual um conjunto de amostras é ali-mentado à rede, e saídas são calculadas através

s pesos memorizados pela rede. A primeira fase é uma tarefa que geralmente exige um

grande esforço computacional e podem ser necessários mui-tos passos de iteração para atingir a exatidão requerida. É nesta fase que os estudos estão concentrados. Definições tais como: o algoritmo de aprendizagem, a topologia da rede e o vetor de dados utilizados podem ser intencionalmente mudados para otimizar o desempenho da rede. Uma vez encerrada esta fase, as especificaçõ

o podem ser mudadas na fase de teste. A segunda fase é mais simples, envolve somente o cálculo da saída da rede para um dado conjunto de amostras e a verificação da ade-quação do modelo a um critério de avaliação de desempe-nho.

Em uma Rede Neural Perceptron Multi-Camada – MLP [9], as memórias são os pesos entre as camadas, representa-das como wij do neurônio de entrada-saída relacionado em (1).

( ) ⎞⎛ pllll

jy )()()()(⎟⎠

⎜⎝

⎟=

xwv (1)

de ter várias formas, tais como a função logística da equação e a função tangente hiperbólica , como em (2).

iijijj

0

A função Φ(°) é a função de ativação do neurônio. A função de ativação Φ(v) é uma função não-linear suave

e po

( ) tanh( )v a bvΦ = (2)

ao fa as entradas e saídas serem ambas multivariáveis e não existe nenhuma relação ear obtida ato uma MLP de três camadas (com apenas uma ca

cas realizadas nos anos . A título de exemplo, a Tabela 5 apresenta

al

0),( >ba Para a seleção de uma MLP, neste estudo, foram conside-

rados alguns fatores. Primeiro, o diagnóstico de falha é um problema de mapeamento não-linear complexo, devido

to d lin té o presente momen-

. Segundo, mada escondida) tem a capacidade de aproximar qualquer

função, independente de sua complexidade. Em geral, as MLPs com mais do que uma camada escondida são mais eficientes. Terceiro, o algoritmo de treinamento Back-Propagation tem sido aplicado a diversos problemas com sucesso. O treinamento é do tipo supervisionado, pois a ca-da iteração é conhecida a saída desejada e pode-se calcular o erro. Desta forma, uma MLP foi capaz de modelar com sufi-ciente precisão o sistema estudado.

D. Resultados Para realização da etapa de testes e avaliação dos métodos

desenvolvidos de análise dos gases dissolvidos no óleo de um transformador, foram coletados dados de transformado-res da COELCE (Companhia Energética do Ceará), prove-nientes de 135 análises cromatográfide 2001 a 2003

guns dados retirados do conjunto de dados utilizados. Dentre as 135 amostras são encontradas situações de fun-

cionamento normais e falhas incipientes como pode ser ob-servado na Tabela 6, de modo que, submetendo-se os mode-los à avaliação do “grau de certeza” apresentado no diag-nóstico, pode-se avaliar a performance de cada um dos sis-temas de diagnóstico propostos.

TABELA V

EXEMPLO DE DADOS UTILIZADOS PARA TESTE DOS SISTEMAS PROPOSTOS Amostra H2 CH4 C2H4 C2H6 C2H2

1 2 28 63 0.2 0 2 21 5 13 2 0 3 58 2 0 0 0 4 1 2 0 3 11 5 4 2 8 2 0 6 2 4 6 3 0 7 3 6 11 4 0 8 36 4 3 3 0

T ELA

CLASSIFICAÇÃO DOS DOS LIZAD QUANTO AO TIPO DE FALHA Tip de Fa s / rma

AB VI DA UTI OS

os lha No l Quantidade Sobreaqueci nto no óle 78 me o Sobreaqueci o na celu e 17 ment los

8

Descargas de baixa energia 25 Descargas de lta a 11 energia Normal 4

TOTAL 135

resO p entou o ico i-dêntic nico em 67% das 135 a-mostra e em grande parte ao pro-blema etidos são devido a e

O segundo sistema nebuloso teve um índice de acerto de

uente se localiza na celulose. Para so

a temperatura de fa

al

potência pertencente à CGTF - Central Geradora Termelétrica de Fortaleza, do

grup en-tração de gase ônicos, além de

compreendido entre duas análises la

al

te, de forma a se fazer uma an

nto rela-tiv

período e de se es

este projeto foi desenvolver modelos nã

ser obti-do a partir de um modelo para a temperatura do topo do óleo [20].

rimeiro sistema nebuloso apéc

diagnósto ao fornecido no laudo t

aixo índice se devs. Este b da não decisão, pois 81% dos erros com

ste problema.

83% nas 135 amostras. Neste caso a grande maioria dos erros se deve ao fato do sistema não considerar o sobrea-quecimento e degradação da celulose através de regras es-peciais. Assim o sistema é induzido ao erro na maioria dos casos em que o ponto q

lucionar este problema pode-se utilizar a razão entre os gases monóxido de carbono (CO) e dióxido de carbono (CO2) como parâmetro de análise. Uma razão CO2/CO na faixa de 3.0 a 10.0 é considerada normal. De modo seme-lhante a norma IEC 599 propõe a faixa aceitável de funcio-namento normal como: 0.07<CO/CO2< 0.30. Para sobrea-quecimento da celulose a muito altas temperaturas (sob con-dição de arco, por exemplo) a razão CO/CO2 aproxima-se de 1:1, em conseqüência de uma geração muito rápida de CO. Para condições de leve sobreaquecimento (problemas de ventilação ou sobrecarga) o CO2 cresce muito mais rapi-damente que o CO, portanto a taxa de CO/CO2 fica na faixa de 1:20 a 1:10. O índice de acerto ou eficiência resultante do método anterior acrescentado-se a razão CO/CO2 como entrada do sistema foi da ordem de 91%.

O terceiro sistema nebuloso apresentou um índice de a-certo de 76% nas 135 amostras. Para este sistema os erros se devem a incapacidade do método não conseguir identificar corretamente os casos de descargas parciais. Este método apresentou uma particularidade em relação ao diagnóstico de sobreaquecimento, identificando um

lha em uma faixa superior à temperatura apresentada no laudo técnico.

Para o treinamento da rede neural o conjunto total de da-dos com as concentrações de gases dissolvidos no óleo foi dividido em dois grupos: conjunto de treinamento e de vali-dação. O conjunto de treinamento possui 100 amostras e o conjunto de validação 35 amostras. A cada simulação, as 135 amostras foram divididas nestes dois grupos de forma

eatória, no final foi tomada a média dos resultados de cada simulação. Os melhores resultados apresentados conduzem a níveis de 91% de acerto no diagnóstico. Esses resultados foram obtidos quando foi realizada uma seleção dos dados de entrada de forma a obter uma amostra representativa dos cinco padrões de falhas analisadas.

IV. MONITORAMENTO ON-LINE DOS GASES EM UM TRANSFORMADOR DE POTÊNCIA

Um dispositivo para monitoramento do desenvolvimento de condições de falhas, modelo HYDRAN M2 da GE, foi instalado em um transformador de

o ENDESA. Ele efetua a medição do total da concs combustíveis, hidrogênio e carb

umidade, para monitoramento em tempo-real. Estes da-dos são disponibilizados pelo equipamento em intervalos mínimos de 15 minutos.

A partir da instalação do equipamento foi elaborado um algoritmo para o fornecimento de um pré-diagnóstico utili-zando as informações do total dos gases gerados no período monitorado e a tendência de queda ou subida da taxa de geração desses gases. Logo, tem-se o acompanhamento da unidade durante o período

boratoriais do óleo isolante. Para o sensor de monitoramento de gases utilizado no e-

quipamento, há a garantia de sensibilidade de Hidrogênio (H2), Monóxido de Carbono (CO), Acetileno (C2H2) e Eti-leno (C2H4). O total dos gases dissolvidos é a soma das sensibilidades a esses gases.

O Guia de Interpretação de DGA do IEEE apresenta um goritmo que leva em consideração o patamar do total dos

gases dissolvidos no óleo isolante de um transformador e a tendência de evolução deste valor [25]. Uma vez que o sen-sor utilizado não permite a estratificação dos valores dos gases gerados individualmen

álise cromatográfica completa on-line, toma-se esse algo-ritmo sugerido acima para implementar um pré-diagnóstico que consiga mostrar qualitativamente a produção de gases dissolvidos no óleo e a tendência de evolução dessa produ-ção. Assim, pode-se classificar, em até quatro níveis, a con-dição de trabalho da unidade monitorada, sendo uma condi-ção normal, duas intermediárias e a última, crítica.

A partir deste pré-diagnóstico, pode-se disponibilizar uma série de procedimentos condizentes com a classificação feita indo de continuidade normal da operação até retirada de funcionamento da unidade para análise mais detalhada do óleo, ou seja, cromatografia laboratorial.

Tratando-se a cromatografia como um procedimeamente caro e observando a desvantagem de que a unida-

de não tem uma cobertura de monitoramento entre os inter-valos de retirada do óleo para este tipo de análise, o pré-diagnóstico se configura como uma oportunidade de se res-guardar o transformador durante o citado

tabelecer a otimização do tempo em que a cromatografia é realmente necessária.

O algoritmo de pré-diagnóstico desenvolvido apresentou resultados satisfatórios em relação ao transformador com o equipamento de monitoramento on-line instalado.

V. MODELAGEM TÉRMICA Um dos objetivos do-lineares para a representação do carregamento térmico

de transformadores imersos em óleo isolante. Por definição o carregamento térmico de um transformador pode

A modelagem da temperatura do topo do óleo é obtida em função do carregamento do transformador, medido através de sensores de corrente, e da temperatura ambiente. Quanto ao desenvolvimento dos algoritmos, a idéia básica foi supe-

9

rar dificuldades quanto aos modelos convencionais, minimi-zar a quantidade de informação necessária para a modela-ge

função do aumento da ca

o da temperatura ambiente é le

como saída, definindo, desta fo

m do sistema, pela redução no número de variáveis moni-torada com reduzido número de sensores, e comparar o de-sempenho dos algoritmos propostos.

Os algoritmos não lineares e inteligentes [16, 20, 26, 29] utilizados na modelagem da carga térmica do transformador foram: Modelo Melhorado do IEEE, Modelos Polinomiais NARX e Rede Neural-MLP.

Segunda a recomendação IEEE/ANSI a elevação da tem-peratura do óleo acima da ambiente é

rga do transformador que apresenta como conseqüência perdas internas da unidade, e conseqüentemente aumento global da temperatura. Uma melhoria proposta a este mode-lo é obtida quando a variaçã

vada em consideração [20]. Um outro modelo utilizado é o polinomial NARX. Este

modelo é descrito no tempo e possui como finalidade definir a saída em função de valores prévios de sinais de entrada e saída. No nosso objetivo proposto, temos como entradas a temperatura ambiente e o carregamento do transformador e a temperatura do topo do óleo

rma, uma estrutura de modelo não linear NARX [20]:

)1)((][

)1)((

][]1[][

0

2

0

00

0

+∆+

∆+⎟⎟

⎠

⎞⎜⎜⎝

⎛+∆+

∆+

+∆+

∆+−

∆+=

RtTt

IkI

RtTRt

ktT

tktT

Tk

fm

n

fm

aoo

θθ

θθθ

(3)

uas estruturas NARX foram utilizadas. A primeira D es-trutura implementou um modelo NARX que incorpora in-formações sobre a dinâmica de transferência de calor interna e externa ao transformador e por isto é considerado um -

o caixa cinza. Este modelo é uma evolução proposta para comendação C57115 IEEE/ANSI. Para o segundo mo-

de

todos propostos na m

nível de laboratório, inclu-si

modela re

lo utilizou-se uma estrutura não linear NARX desconside-rando-se informações a priori do sistema e por isto classifi-cado como caixa preta. Para a determinação da estrutura do modelo NARX caixa preta utilizou-se o método da taxa de redução do erro como descrito em [20].

No modelo da Rede Neural Artificial-MLP foi utilizada a topologia de uma rede com uma única camada escondida, com duas entradas para os dados de temperatura ambiente e carregamento (corrente) e uma saída, na qual é determinada a temperatura do topo do óleo.

Para avaliar o desempenho dos méodelagem da carga térmica do transformador a partir da

estimação da temperatura do topo do óleo foi usado um pro-tótipo, instalado em uma subestação do DEE/UFC. Este transformador protótipo permite o estudo e desenvolvimento do sistema de monitoramento em

ve com testes destrutivos, para futuras adaptações dos sis-temas em transformadores de potência.

O melhor resultado para o transformador (DEE/UFC) foi obtido com o modelo polinomial caixa cinza, que aprimora recomendações da C57.115 IEEE/ANSI, conforme Tabela 7.

TABELA VII

RESULTADOS DO MODELAMENTO TÉRMICO Modelo Somatório do Erro

Quadrático - SSE Coeficiente de Correlação Múl-

tipla – R2 Recomendação

C57.115 IEEE/ANSI.

7.2764e+003 0.6248

Polinomiallincaixa cinza.

0.9856 não X -

202.0036 ear NAR

Polinomial não linear NARX –

caixa preta.

427.7920 0.9699

Rede Neural – 392.1128 0.9720 MLP.

N tações utilizaram-se amostras do carrega-me atura ambien peratura d o óleo ador. Inicialmente foi utilizado um con-junt amostras obt intervalos de min imação dos parâm odelos e trei-namento da rede e posteriormente um outro conjunto com 37

cipientes em transformadores de pot e. Ostransformad consistên-ci

ransformador, assim como, a um

as implemennto, da temper

do transform com 612

te e da tem o topo d

outos para est

idas em etros dos m

∆t = 5

9 amostras foi utilizado para validar os modelos. O trans-formador alimentava cargas não lineares formadas de apare-lhos de ar condicionado.

VI. PROGRAMA COMPUTACIONAL PARA DIAGNÓSTICO INTELIGENTE DE TRANSFORMADORES

Foram implementados métodos baseados em inteligência computacional, descritos na seção 3 deste trabalho, para o diagnóstico de falhas in

ência em função dos gases dissolvidos no óleo isolant algoritmos têm como finalidade, além do diagnóstico do

or propriamente dito, solucionar as inas normativas que regem a área. A figura 14 apresenta a

interface com o usuário do programa computacional desen-volvido, referente ao módulo para o diagnóstico do trans-formador baseado em redes neurais e/ou sistema fuzzy utili-zando como entrada as concentrações de gases dissolvidos no óleo. O software apresenta a possibilidade da utilização direta das concentrações dos gases nas entradas ou através das razões. Na saída, é possível observar o resultado apre-sentado pela norma IEC, o sistema fuzzy ou neural, ou ainda, ambos os diagnósticos.

Também foi desenvolvido um módulo computacional ca-paz de acessar as informações do sensor instalado de moni-toramento on-line dos gases dissolvidos no óleo do trans-formador. Conforme a figura 15, pode-se acompanhar, de forma on-line, a evolução do total das concentrações dos gases dissolvidos no óleo do t

idade e temperaturas ambiente e do topo do óleo. Através desse módulo computacional é possível acompanhar cada uma das grandezas medidas através de médias diárias e grá-ficos de tendência.

10

Figura 14. Software de diagnóstico de falhas.

Um sistema de alarmes foi, também, estabelecido para que, através do monitoramento, haja uma segurança do uso da unidade transformadora durante o período compreendido entre duas análises laboratoriais do óleo isolante. O pré-diagnostico (vide seção 4) pode ser acessado através do bo-tão diagnóstico na tela da figura 15. A partir deste pré-diagnóstico, pode-se ter acesso a uma série de procedimen-tos condizentes com a classificação feita indo de continui-dade normal da operação até retirada de funcionamento da unidade para análise mais detalhada.

Figura 15. Tela com informações do monitoramento on-line.

O terceiro módulo computacional desenvolvido neste tra-balho corresponde ao monitoramento das temperaturas in-ternas de um transformador. Esse módulo utiliza os algorit-mos comentados na seção 5 deste trabalho. Através do mó-dulo é possível obter informações sobre tensões, correntes e temperaturas internas do transformador monitorado, com a opção de gerar gráficos de cada uma dessas grandezas. Também, é possível obter uma previsão da vida útil do transformador.

VII. CONCLUSÃO Métodos de monitoramento e diagnóstico de falhas inci-

pientes em transformadores baseados na análise de gases

dissolvidos no óleo isolante obtiveram indiscutível sucesso durante estes últimos 30 anos. Entretanto, este sucesso deve-se ao conhecimento e experiências de alguns especialistas. É de interesse geral dos engenheiros de manutenção que este conhecimento e experiências sejam cientificamente organi-zados e representados em linguagem de máquinas inteligen-tes. Nos últimos anos evidenciou-se também que o monito-ramento do ponto quente do transformador é tão importante quanto ou, em alguns casos, de superior importância, ao monitoramento dos gases.

Este artigo inicialmente apresentou uma visão geral da á-rea de monitoramento e diagnóstico de transformadores de potência.

Neste trabalho foi apresentado o desenvolvimento de um sistema computacional inteligente para o diagnóstico de falhas incipientes em transformadores de potência baseado na análise dos gases dissolvidos no óleo. Os métodos desen-volvidos são baseados em rede neural e sistemas fuzzy. O programa desenvolvido está integrado a um módulo de mo-nitoramento on-line da evolução do volume total dos gases e da umidade no interior do transformador, associado a um algoritmo de pré-diagnóstico.

Comparando-se os resultados apresentados na utilização dos três modelos nebulosos aplicados ao diagnóstico de fa-lhas internas de transformadores, observa-se que para as condições críticas (falhas severas) os três modelos apresen-taram um correto diagnóstico. Para esta análise, foi conside-rado que as falhas críticas são aquelas que envolvem sobre-aquecimento de alta temperatura (>700°C), ou descargas de alta energia. Nos demais resultados, foram observados diag-nósticos que demonstram uma posição conservadora dos modelos, principalmente para o terceiro sistema (sistema nebuloso 3), quando comparado com os diagnósticos apre-sentados nos relatórios realizados de análise de gases dis-solvidos nos transformadores.

Os resultados apresentados na utilização de rede neural aplicada ao diagnóstico de falhas internas de transformado-res apresentaram um percentual elevado de diagnóstico cor-reto. No entanto, os estudos continuam no que visa aprimo-rar a aplicação desta técnica juntamente com outras técnicas de Inteligência Computacional, visando mesclar as qualida-des destas para obtenção de resultados ainda melhores.

O módulo de monitoramento on-line e de pré-diagnóstico também foi implementado com sucesso no software desen-volvido.

Neste trabalho, também, foram implementadas três estru-turas de identificação não linear para resolver o problema de estimação da temperatura interna do topo do óleo de um transformador, considerando somente dados do carregamen-to e temperatura ambiente. A primeira estrutura implemen-tou um modelo NARX que incorpora informações sobre a dinâmica de transferência de calor interna e externa ao transformador e por isto é considerado um modelo caixa cinza. Este modelo é uma evolução proposta para a reco-mendação C57115 IEEE/ANSI. Para o segundo modelo utilizou-se uma estrutura não linear NARX desconsideran-do-se informações a priori do sistema e por isto classificado como caixa preta. Finalmente o terceiro método correspon-

11

deu a uma modelagem através de redes neurais artificiais com estrutura MLP e treinamento por back-propagation. Diferentes estruturas de redes neurais MLP foram imple-mentadas para se chegar à uma estrutura que apresentasse resultados satisfatórios.

Das implementações realizadas obteve-se um melhor de-sempenho para a identificação através do modelo polinomial não linear NARX caixa cinza. Os métodos desenvolvidos de análise térmica do transformador também foram agregados a um programa computacional.

VIII. REFERÊNCIAS BIBLIOGRÁFICAS [1] Bengtsson, C.; Status and Trends in Transformer

Monitoring, IEEE Transactions on Power delivery, vol. 11, No. 3, 1996.

[2] Kovacevic, S. and Dominelli, N.; Transformer Life Extension by Continuous On-Line Oil Conditioning; Proceedings of Electrical Insulation Conference and Electrical Manufacturing & Coil Winding Technology Conference. ,pp.23-25, 2003

[3] Tenbohlen, S.; Figel, F.; On-line condition monitoring of power transformers, IEEE Power Engineering Society Winter Meeting, pp. 2211 - 2216 vol.3, 2000.

[4] Lazarevich, A. K.; Partial Discharge Detection and Localization in High Voltage Transformers Using an Optical Acoustic Sensor; Thesis submitted to the faculty of the Virginia Polytechnic Institute and State University, 2003

[5] Freitas, A.A.C. “Redes Neurais Artificiais Aplicadas em Transformadores de Distribuição Imersos em Óleo”, Tese de Mestrado, UNESP/FE/DEE, Bauru-SP, 2000.

[6] Freitas, A. A. C. (2000). Redes Neurais Artificiais Aplicadas em Transformadores de Distribuição Imersos em Óleo, Tese de Mestrado, UNESP/FE/DEE, Bauru-SP.

[7] Cavaleiro P.M., Araújo, F.M., Ferreira, L. A. Santos, J.L. Farahi, F. Simultaneous Measurement of Strain and Temperature Using Bragg Gratings Written in Germanosilicate and Boron-Codoped-Germanosilicate Fibres, IEEE Photonics Technology Letters, 2003.

[8] Ferreira, L. A. Santos, J.L. Farahi, F. Diatzikis E.V.; Demodulation of Fibre Bragg Gratings Sensors Based on Dynamic Tuning of a Multimode Laser Diode", Applied Optics, 38, 4751, 1999.

[9] Haykin, S, Neural Networks – A Comprehensive Foundation, McMillan Inc., Englewood Cliffs – N.J., US

[10] Chen, C. H., Fuzzy Logic and neural network Handbook, McGrawHill, 1996.

[11] Hesk, T. and neporent, J.; Fuzzy logic for Real World Design, AB AnnaBooks Ed., 1999

[12] Almeida, M. O., Passold, F. e Borges, P. S. S. (2000). Design Issues And Laboratory Experiments In Fuzzy PID Control Teaching -XVIII Brazilian Congress of Engineering Teaching – COBENGE 2000, Ouro Preto – Brasil.

[13] Oemmen, T. V. Vegetable Oils for Liquid-Filled Transformers, IEEE Electrical Insulation Magazine, pp. 6 –11, 2002.

[14] M.A Wang, Z. (2000). Artificial Intelligence Applications in the Diagnosis of Power Transformer Incipient Faults, doctorad thesis, Blacksburg, Virginia.

[15] Y. Zhang, X. Ding e Y Liu, “An Artificial Neural Approach to Transformer Fault Diagnosis”, IEEE Trans. On Power Delivery, No.4, October 1996, pp.1836-1841.

[16] Chen, Linear System Theory and Design, Oxford University Press, 1999. [17] LumaSense Technologies e T&D World Magazine. Web Seminar. Junho de 2007. Disponível: http://www.electricityforum.com [18] IEC 599 – Interpretation of the analysis of gases in

transformers and other oil-filled electrical equipment in service, International Electrotechnical Commission, Geneva, Switzerland, 1978.

[19] IEC. IEC 599 – Revision of IEC 599 – Working Draft 2, International Electrotechnical Commission, Geneva, Switzerland, 1996.

[20] Carvalho, M. F.; Almeida, O. M.; Cruz, C. M. T.; Amo-ra, M. A. B.; Nottingham, O. C. S.. Modelos Neural e Polinomiais não Lineares: Comparações e Estudos de Casos Aplicados na Modelagem da Carga Térmica de Transformadores de Distribuição Imersos em Óleo; VII Simpósio Brasileiro de Automação Industrial, 2005, São Luís. Anais do Congresso, 2005.

[21] Tsuchie, M.; Recent Diagnostic Technology on Oil-immersed Power Transformer, Japan; Mitsubishi Eletric Corporation, 2002.

[22] Wang, Z. Artificial Intelligence Applications in the Diagnosis of Power Transformer Incipient Faults, Blacksburg, Virginia University, 2000.

[23] ABNT NBR 5416, Aplicação de Carga em Transformadores de Potência - Procedimento, A. B. N. T., Julho 1997. [24] IEEE Guide for Loading Mineral-Oil-Immersed Power

Transform in Excess of 100 MVA (65oC), IEEE C.57.115.1991.

[25] IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers – IEEE Std C57.104-1991 – 1991.

[26] Aguirre,L. A. Introdução a Identificação de Sistemas, Editora UFMG, 2004. [27] Lobo, A. B. Ribeiro; Santos, J. L.; Baptista, J. M.; L.

A. Ferreira; F. M. Araújo; A. P. Leite, Optical Fiber Sensor Technology in Portugal, Fiber and Integrated Optics, Volume 24, Issue 3 & 4 May 2005 , pages 171 – 199

[28] Degamber, B., Tetlow, J., Fernando, G. F., Design and development of low-cost optical-fiber sensors for tem-perature metrology: Process monitoring of an epoxy resin system, Journal of Applied Polymer Science, Volume 94, Issue 1 , Pages 83 – 95

[29] Hell, M. ; Costa Jr., P. P. ; Gomide, F. . Recurrent Neu-ro fuzzy Network in Thermal Modeling of Power Transformers. IEEE Transactions on Power Delivery, 2007.