Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
da perda de vida e à implementação de mecanismos ou ma- tão ambiental o que tem levado ao desenvolvimento de no-
nobras de proteção. vos tipos de óleos isolantes, principalmente do óleo vegetal
Informações sobre o estresse térmico em transformadores [13].
são atualmente obtidas a partir de medidas indiretas da tem-
A. Distribuição das Falhas no Transformador
peratura do topo do óleo e temperatura do enrolamento. As
medidas de forma indireta levam as discrepâncias conside- Considerando os últimos avanços no desenvolvimento da
ráveis tanto dos valores absolutos quanto da constante de tecnologia de sensores, praticamente todos os parâmetros de
tempo, entre os valores reais e os valores medidos. Isto pode um transformador podem ser monitorados. Atualmente a
levar o transformador a uma condição de risco grave. definição de quais parâmetros monitorar envolve mais uma
Neste trabalho foram utilizados modelos não lineares, me- questão de custo do que de técnica. Portanto, para o sucesso
lhorados em relação aos modelos convencionais [23, 24], do projeto de um sistema de monitoramento e diagnóstico é
para a representação do carregamento térmico de transfor- importante aliar eficiência e custos. A redução do número
madores imersos em óleo isolante. de parâmetros monitorados e a utilização de softwares base-
Portanto, este artigo apresenta a aplicação de técnicas in- ados em técnicas inteligentes correspondem a uma das me-
teligentes envolvendo Redes Neurais e Sistemas Fuzzy no didas que tem impacto direto na factibilidade do sistema.
diagnóstico de falhas incipientes, aliado ao monitoramento Para isto deve-se ter indicativos de quais são os parâmetros
on-line da taxa de geração de gases dissolvidos no óleo e da mais relevantes no sistema.
determinação da temperatura do topo do óleo através de Considerando um transformador de potência imerso em
técnicas não-lineares. Os resultados apontam para o sucesso óleo com taps para mudança de cargas (OLTC), a figura 1
no que tange à implementação e utilização desses métodos apresenta a distribuição estatística das falhas nos componen-
em um programa de computador desenvolvido com o obje- tes do transformador [1]. Da figura 1 pode-se observar que
tivo de promover a salvaguarda de um transformador moni- as principais fontes de falhas correspondem ao OLTC e en-
torado. rolamentos (incluindo o sistema de isolamento). Para o
Este artigo está organizado da seguinte forma. Na seção OLTC os principais parâmetros a serem monitorados são a
2, abordam-se a importância e as opções do monitoramento vibração e a temperatura, enquanto para o enrolamento e
de transformadores. Na seção 3 são discutidos os métodos sistema de isolamento, os principais parâmetros a serem
desenvolvidos de análise dos gases dissolvidos no óleo de monitorados são as concentrações de gases dissolvidos no
transformadores, baseados em sistemas nebulosos (fuzzy) e óleo, a temperatura e o nível de descargas parciais (PD).
em redes neurais; resultados de implementação, também, Deve ser observado que, independente da fonte de falha a
são apresentados nesta seção. Na seção 4 é comentado um ser considerada, a temperatura constitui um importante pa-
método de pré-diagnóstico desenvolvido em função de um râmetro a ser monitorado.
equipamento de monitoramento on-line instalado em um Enrolamentos OLTC 41%
transformador de teste. Algoritmos desenvolvidos para a 19%
determinação das temperaturas internas de um transforma- Núcleo 3%
dor de potência são apresentados na seção 5, resultados
também são apresentados. Na seção 6 é apresentado um
Terminais 12%
software desenvolvido e que agrega todos os algoritmos
desenvolvidos nas seções anteriores deste artigo. Na seção 7
são discutidas as conclusões deste artigo. Acessórios 12%
Tanque/fluido
II. MONITORAMENTO DE TRANSFORMADORES 13%
Equipamentos para monitoramento de transformadores Figura 1. Distribuição das possíveis fontes de falhas em transformadores de
potência.
devem ser eficientes, de custo justificável, fáceis de instalar
em campo e de baixa taxa de manutenção [1, 2]. A necessi- Segundo recente pesquisa realizada entre especialistas
dade da instalação em campo de sistemas de monitoramento [17], os dois parâmetros mais importantes a serem monito-
tem sua importância se for considerado que uma grande rados em um transformador seriam a temperatura do ponto
quantidade de unidades de transformação instalada nos par- quente no interior do mesmo e os gases dissolvidos no óleo
ques elétricos atuais data de 30 anos [2]. A idade do parque isolante. Para transformadores que apresentam um período
elétrico tem provocado mudanças nos planos de manutenção de instalação e utilização mais recente e que podem ser
das empresas de distribuição e transmissão. Instalações de submetidos a situações de sobrecarga, o parâmetro mais
equipamentos de monitoramento e diagnóstico em transfor- importante a ser monitorado seria a temperatura do ponto
madores resguardam-no de possíveis falhas gerais causadas quente de um transformador, que afetaria a vida útil do
por elevados valores de parâmetros intrínsecos ao seu fun- mesmo. A medida que o transformador começa a apresentar
cionamento, tais como a temperatura, o nível de descargas vários anos de utilização, o parâmetro mais significativo a
parciais, o carregamento e o nível de umidade do isolamen- ser observado passa a ser a análise dos gases dissolvidos no
to. Também auxiliam, ou mesmo definem, o programa de óleo isolante, permitindo o monitoramento de falhas incipi-
manutenção preventiva existente nas empresas. Além da entes no equipamento. Essas conclusões podem ser obser-
questão técnica, importância também tem sido dada à ques- vadas nas figuras de 2 a 4.
3
TABELA IV
CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 3
7
Descargas de baixa energia 25 grupo ENDESA. Ele efetua a medição do total da concen-
Descargas de alta energia 11 tração de gases combustíveis, hidrogênio e carbônicos, além
Normal 4 de umidade, para monitoramento em tempo-real. Estes da-
TOTAL 135 dos são disponibilizados pelo equipamento em intervalos
mínimos de 15 minutos.
O primeiro sistema nebuloso apresentou o diagnóstico i- A partir da instalação do equipamento foi elaborado um
dêntico ao fornecido no laudo técnico em 67% das 135 a- algoritmo para o fornecimento de um pré-diagnóstico utili-
mostras. Este baixo índice se deve em grande parte ao pro- zando as informações do total dos gases gerados no período
blema da não decisão, pois 81% dos erros cometidos são monitorado e a tendência de queda ou subida da taxa de
devido a este problema. geração desses gases. Logo, tem-se o acompanhamento da
O segundo sistema nebuloso teve um índice de acerto de unidade durante o período compreendido entre duas análises
83% nas 135 amostras. Neste caso a grande maioria dos laboratoriais do óleo isolante.
erros se deve ao fato do sistema não considerar o sobrea- Para o sensor de monitoramento de gases utilizado no e-
quecimento e degradação da celulose através de regras es- quipamento, há a garantia de sensibilidade de Hidrogênio
peciais. Assim o sistema é induzido ao erro na maioria dos (H2), Monóxido de Carbono (CO), Acetileno (C2H2) e Eti-
casos em que o ponto quente se localiza na celulose. Para leno (C2H4). O total dos gases dissolvidos é a soma das
solucionar este problema pode-se utilizar a razão entre os sensibilidades a esses gases.
gases monóxido de carbono (CO) e dióxido de carbono O Guia de Interpretação de DGA do IEEE apresenta um
(CO2) como parâmetro de análise. Uma razão CO2/CO na algoritmo que leva em consideração o patamar do total dos
faixa de 3.0 a 10.0 é considerada normal. De modo seme- gases dissolvidos no óleo isolante de um transformador e a
lhante a norma IEC 599 propõe a faixa aceitável de funcio- tendência de evolução deste valor [25]. Uma vez que o sen-
namento normal como: 0.07<CO/CO2< 0.30. Para sobrea- sor utilizado não permite a estratificação dos valores dos
quecimento da celulose a muito altas temperaturas (sob con- gases gerados individualmente, de forma a se fazer uma
dição de arco, por exemplo) a razão CO/CO2 aproxima-se análise cromatográfica completa on-line, toma-se esse algo-
de 1:1, em conseqüência de uma geração muito rápida de ritmo sugerido acima para implementar um pré-diagnóstico
CO. Para condições de leve sobreaquecimento (problemas que consiga mostrar qualitativamente a produção de gases
de ventilação ou sobrecarga) o CO2 cresce muito mais rapi- dissolvidos no óleo e a tendência de evolução dessa produ-
damente que o CO, portanto a taxa de CO/CO2 fica na faixa ção. Assim, pode-se classificar, em até quatro níveis, a con-
de 1:20 a 1:10. O índice de acerto ou eficiência resultante do dição de trabalho da unidade monitorada, sendo uma condi-
método anterior acrescentado-se a razão CO/CO2 como ção normal, duas intermediárias e a última, crítica.
entrada do sistema foi da ordem de 91%. A partir deste pré-diagnóstico, pode-se disponibilizar uma
O terceiro sistema nebuloso apresentou um índice de a- série de procedimentos condizentes com a classificação feita
certo de 76% nas 135 amostras. Para este sistema os erros se indo de continuidade normal da operação até retirada de
devem a incapacidade do método não conseguir identificar funcionamento da unidade para análise mais detalhada do
corretamente os casos de descargas parciais. Este método óleo, ou seja, cromatografia laboratorial.
apresentou uma particularidade em relação ao diagnóstico Tratando-se a cromatografia como um procedimento rela-
de sobreaquecimento, identificando uma temperatura de tivamente caro e observando a desvantagem de que a unida-
falha em uma faixa superior à temperatura apresentada no de não tem uma cobertura de monitoramento entre os inter-
laudo técnico. valos de retirada do óleo para este tipo de análise, o pré-
Para o treinamento da rede neural o conjunto total de da- diagnóstico se configura como uma oportunidade de se res-
dos com as concentrações de gases dissolvidos no óleo foi guardar o transformador durante o citado período e de se
dividido em dois grupos: conjunto de treinamento e de vali- estabelecer a otimização do tempo em que a cromatografia é
dação. O conjunto de treinamento possui 100 amostras e o realmente necessária.
conjunto de validação 35 amostras. A cada simulação, as O algoritmo de pré-diagnóstico desenvolvido apresentou
135 amostras foram divididas nestes dois grupos de forma resultados satisfatórios em relação ao transformador com o
aleatória, no final foi tomada a média dos resultados de cada equipamento de monitoramento on-line instalado.
simulação. Os melhores resultados apresentados conduzem
a níveis de 91% de acerto no diagnóstico. Esses resultados V. MODELAGEM TÉRMICA
foram obtidos quando foi realizada uma seleção dos dados Um dos objetivos deste projeto foi desenvolver modelos
de entrada de forma a obter uma amostra representativa dos não-lineares para a representação do carregamento térmico
cinco padrões de falhas analisadas. de transformadores imersos em óleo isolante. Por definição
o carregamento térmico de um transformador pode ser obti-
IV. MONITORAMENTO ON-LINE DOS GASES EM UM do a partir de um modelo para a temperatura do topo do óleo
TRANSFORMADOR DE POTÊNCIA [20].
Um dispositivo para monitoramento do desenvolvimento A modelagem da temperatura do topo do óleo é obtida em
de condições de falhas, modelo HYDRAN M2 da GE, foi função do carregamento do transformador, medido através
instalado em um transformador de potência pertencente à de sensores de corrente, e da temperatura ambiente. Quanto
CGTF - Central Geradora Termelétrica de Fortaleza, do ao desenvolvimento dos algoritmos, a idéia básica foi supe-
9
rar dificuldades quanto aos modelos convencionais, minimi- RESULTADOS DO MODELAMENTO TÉRMICO
Modelo Somatório do Erro Coeficiente de
zar a quantidade de informação necessária para a modela-
Quadrático - SSE Correlação Múl-
gem do sistema, pela redução no número de variáveis moni- tipla – R
2
torada com reduzido número de sensores, e comparar o de- Recomendação 7.2764e+003 0.6248
sempenho dos algoritmos propostos. C57.115
IEEE/ANSI.
Os algoritmos não lineares e inteligentes [16, 20, 26, 29] Polinomial não 202.0036 0.9856
utilizados na modelagem da carga térmica do transformador linear NARX -
foram: Modelo Melhorado do IEEE, Modelos Polinomiais caixa cinza.
Polinomial não 427.7920 0.9699
NARX e Rede Neural-MLP. linear NARX –
Segunda a recomendação IEEE/ANSI a elevação da tem- caixa preta.
peratura do óleo acima da ambiente é função do aumento da Rede Neural – 392.1128 0.9720
MLP.
carga do transformador que apresenta como conseqüência
perdas internas da unidade, e conseqüentemente aumento Nas implementações utilizaram-se amostras do carrega-
global da temperatura. Uma melhoria proposta a este mode- mento, da temperatura ambiente e da temperatura do topo do
lo é obtida quando a variação da temperatura ambiente é óleo do transformador. Inicialmente foi utilizado um con-
levada em consideração [20]. junto com 612 amostras obtidas em intervalos de ∆t = 5
Um outro modelo utilizado é o polinomial NARX. Este minutos para estimação dos parâmetros dos modelos e trei-
modelo é descrito no tempo e possui como finalidade definir namento da rede e posteriormente um outro conjunto com
a saída em função de valores prévios de sinais de entrada e 379 amostras foi utilizado para validar os modelos. O trans-
saída. No nosso objetivo proposto, temos como entradas a formador alimentava cargas não lineares formadas de apare-
temperatura ambiente e o carregamento do transformador e lhos de ar condicionado.
a temperatura do topo do óleo como saída, definindo, desta
forma, uma estrutura de modelo não linear NARX [20]: VI. PROGRAMA COMPUTACIONAL PARA DIAGNÓSTICO
INTELIGENTE DE TRANSFORMADORES
T0 ∆t
θ o [k ] = θ o [ k − 1] + θ a [k ] + Foram implementados métodos baseados em inteligência
T0 + ∆ t T0 + ∆ t
2 (3) computacional, descritos na seção 3 deste trabalho, para o
∆ tθ fm R ⎛ I [k ] ⎞ ∆ tθ fm
+ ⎜ ⎟ + diagnóstico de falhas incipientes em transformadores de
(T0 + ∆ t )( R + 1) ⎜⎝ I n ⎟⎠ (T0 + ∆ t )( R + 1)
potência em função dos gases dissolvidos no óleo isolante.
Duas estruturas NARX foram utilizadas. A primeira es- Os algoritmos têm como finalidade, além do diagnóstico do
trutura implementou um modelo NARX que incorpora in- transformador propriamente dito, solucionar as inconsistên-
formações sobre a dinâmica de transferência de calor interna cias normativas que regem a área. A figura 14 apresenta a
e externa ao transformador e por isto é considerado um mo- interface com o usuário do programa computacional desen-
delo caixa cinza. Este modelo é uma evolução proposta para volvido, referente ao módulo para o diagnóstico do trans-
a recomendação C57115 IEEE/ANSI. Para o segundo mo- formador baseado em redes neurais e/ou sistema fuzzy utili-
delo utilizou-se uma estrutura não linear NARX desconside- zando como entrada as concentrações de gases dissolvidos
rando-se informações a priori do sistema e por isto classifi- no óleo. O software apresenta a possibilidade da utilização
cado como caixa preta. Para a determinação da estrutura do direta das concentrações dos gases nas entradas ou através
modelo NARX caixa preta utilizou-se o método da taxa de das razões. Na saída, é possível observar o resultado apre-
redução do erro como descrito em [20]. sentado pela norma IEC, o sistema fuzzy ou neural, ou ainda,
No modelo da Rede Neural Artificial-MLP foi utilizada a ambos os diagnósticos.
topologia de uma rede com uma única camada escondida, Também foi desenvolvido um módulo computacional ca-
com duas entradas para os dados de temperatura ambiente e paz de acessar as informações do sensor instalado de moni-
carregamento (corrente) e uma saída, na qual é determinada toramento on-line dos gases dissolvidos no óleo do trans-
a temperatura do topo do óleo. formador. Conforme a figura 15, pode-se acompanhar, de
Para avaliar o desempenho dos métodos propostos na forma on-line, a evolução do total das concentrações dos
modelagem da carga térmica do transformador a partir da gases dissolvidos no óleo do transformador, assim como, a
estimação da temperatura do topo do óleo foi usado um pro- umidade e temperaturas ambiente e do topo do óleo. Através
tótipo, instalado em uma subestação do DEE/UFC. Este desse módulo computacional é possível acompanhar cada
transformador protótipo permite o estudo e desenvolvimento uma das grandezas medidas através de médias diárias e grá-
do sistema de monitoramento em nível de laboratório, inclu- ficos de tendência.
sive 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
10
deu a uma modelagem através de redes neurais artificiais [14] M.A Wang, Z. (2000). Artificial Intelligence
com estrutura MLP e treinamento por back-propagation. Applications in the Diagnosis of Power Transformer
Diferentes estruturas de redes neurais MLP foram imple- Incipient Faults, doctorad thesis, Blacksburg, Virginia.
mentadas para se chegar à uma estrutura que apresentasse [15] Y. Zhang, X. Ding e Y Liu, “An Artificial Neural
resultados satisfatórios. Approach to Transformer Fault Diagnosis”, IEEE
Das implementações realizadas obteve-se um melhor de- Trans. On Power Delivery, No.4, October 1996,
sempenho para a identificação através do modelo polinomial pp.1836-1841.
não linear NARX caixa cinza. Os métodos desenvolvidos de [16] Chen, Linear System Theory and Design, Oxford
análise térmica do transformador também foram agregados a University Press, 1999.
[17] LumaSense Technologies e T&D World Magazine.
um programa computacional.
Web Seminar. Junho de 2007. Disponível:
http://www.electricityforum.com
VIII. REFERÊNCIAS BIBLIOGRÁFICAS
[18] IEC 599 – Interpretation of the analysis of gases in
[1] Bengtsson, C.; Status and Trends in Transformer transformers and other oil-filled electrical equipment in
Monitoring, IEEE Transactions on Power delivery, vol. service, International Electrotechnical Commission,
11, No. 3, 1996. Geneva, Switzerland, 1978.
[2] Kovacevic, S. and Dominelli, N.; Transformer Life [19] IEC. IEC 599 – Revision of IEC 599 – Working Draft
Extension by Continuous On-Line Oil Conditioning; 2, International Electrotechnical Commission, Geneva,
Proceedings of Electrical Insulation Conference and Switzerland, 1996.
Electrical Manufacturing & Coil Winding Technology [20] Carvalho, M. F.; Almeida, O. M.; Cruz, C. M. T.; Amo-
Conference. ,pp.23-25, 2003 ra, M. A. B.; Nottingham, O. C. S.. Modelos Neural e
[3] Tenbohlen, S.; Figel, F.; On-line condition monitoring of Polinomiais não Lineares: Comparações e Estudos de
power transformers, IEEE Power Engineering Society Casos Aplicados na Modelagem da Carga Térmica de
Winter Meeting, pp. 2211 - 2216 vol.3, 2000. Transformadores de Distribuição Imersos em Óleo; VII
[4] Lazarevich, A. K.; Partial Discharge Detection and Simpósio Brasileiro de Automação Industrial, 2005,
Localization in High Voltage Transformers Using an São Luís. Anais do Congresso, 2005.
Optical Acoustic Sensor; Thesis submitted to the [21] Tsuchie, M.; Recent Diagnostic Technology on Oil-
faculty of the Virginia Polytechnic Institute and State immersed Power Transformer, Japan; Mitsubishi
University, 2003 Eletric Corporation, 2002.
[5] Freitas, A.A.C. “Redes Neurais Artificiais Aplicadas em [22] Wang, Z. Artificial Intelligence Applications in the
Transformadores de Distribuição Imersos em Óleo”, Diagnosis of Power Transformer Incipient Faults,
Tese de Mestrado, UNESP/FE/DEE, Bauru-SP, 2000. Blacksburg, Virginia University, 2000.
[6] Freitas, A. A. C. (2000). Redes Neurais Artificiais [23] ABNT NBR 5416, Aplicação de Carga em
Aplicadas em Transformadores de Distribuição Imersos Transformadores de Potência - Procedimento, A. B.
em Óleo, Tese de Mestrado, UNESP/FE/DEE, Bauru- N. T., Julho 1997.
SP. [24] IEEE Guide for Loading Mineral-Oil-Immersed Power
[7] Cavaleiro P.M., Araújo, F.M., Ferreira, L. A. Santos, Transform in Excess of 100 MVA (65oC), IEEE
J.L. Farahi, F. Simultaneous Measurement of Strain and C.57.115.1991.
Temperature Using Bragg Gratings Written in [25] IEEE Guide for the Interpretation of Gases Generated
Germanosilicate and Boron-Codoped-Germanosilicate in Oil-Immersed Transformers – IEEE Std C57.104-
Fibres, IEEE Photonics Technology Letters, 2003. 1991 – 1991.
[8] Ferreira, L. A. Santos, J.L. Farahi, F. Diatzikis E.V.; [26] Aguirre,L. A. Introdução a Identificação de Sistemas,
Demodulation of Fibre Bragg Gratings Sensors Based Editora UFMG, 2004.
on Dynamic Tuning of a Multimode Laser Diode", [27] Lobo, A. B. Ribeiro; Santos, J. L.; Baptista, J. M.; L.
Applied Optics, 38, 4751, 1999. A. Ferreira; F. M. Araújo; A. P. Leite, Optical Fiber
[9] Haykin, S, Neural Networks – A Comprehensive Sensor Technology in Portugal, Fiber and Integrated
Foundation, McMillan Inc., Englewood Cliffs – N.J., Optics, Volume 24, Issue 3 & 4 May 2005 , pages 171
US – 199
[10] Chen, C. H., Fuzzy Logic and neural network [28] Degamber, B., Tetlow, J., Fernando, G. F., Design and
Handbook, McGrawHill, 1996. development of low-cost optical-fiber sensors for tem-
[11] Hesk, T. and neporent, J.; Fuzzy logic for Real World perature metrology: Process monitoring of an epoxy
Design, AB AnnaBooks Ed., 1999 resin system, Journal of Applied Polymer Science,
[12] Almeida, M. O., Passold, F. e Borges, P. S. S. (2000). Volume 94, Issue 1 , Pages 83 – 95
Design Issues And Laboratory Experiments In Fuzzy [29] Hell, M. ; Costa Jr., P. P. ; Gomide, F. . Recurrent Neu-
PID Control Teaching -XVIII Brazilian Congress of ro fuzzy Network in Thermal Modeling of Power
Engineering Teaching – COBENGE 2000, Ouro Preto – Transformers. IEEE Transactions on Power Delivery,
Brasil. 2007.
[13] Oemmen, T. V. Vegetable Oils for Liquid-Filled
Transformers, IEEE Electrical Insulation Magazine, pp.
6 –11, 2002.