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

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-
2
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.
Enrolamentos OLTC 41%
19%
Núcleo 3%
Terminais 12%
Acessórios 12%
Tanque/fluido
13%
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.
 3

por mais de trinta anos e constitui uma técnica de sucesso

Qual é o parâmetro mais importante para o que, aliada a novas tecnologias, ganha novo impulso a cada
monitoramento de transformadores?
Monitoramento
ano. A utilização destes métodos por décadas seguidas levou
do LTC a uma base de conhecimento profunda na caracterização do
7,60%
Monitoramento equilibro dos gases no interior dos transformadores. Obser-
das Buchas
0,00%
va-se que o nível e período de formação dos gases depen-
Descargas Temperatura do dem não somente da idade dos transformadores mais tam-
Parciais Ponto Quente bém da localização, natureza e severidade das falhas a que
7,60% 53,80%
são submetidos.
Análise de
Gases
Um programa de manutenção no qual o DGA é realizado
Dissolvidos em períodos anuais, dificilmente acompanha a curva de ten-
30,70%
dência da formação dos gases. É uma opinião geral de que,
Figura 2. Grau de importância dos parâmetros monitorados em um trans-
em um programa de manutenção, se o DGA for realizado
formador de potência novo.
em menores períodos de amostragem, grande parte das fa-
lhas catastróficas poderiam ser previstas. Estas opiniões têm
Qual é o parâmetro monitorado mais crítico para
transformadores que sofrem condições de carga pesada levado a desenvolvimentos tecnológicos no sentido de via-
ou sobrecarga?
bilizar o DGA em tempo real (real-time DGA) [2, 3] mesmo
Qualidade da que simplificado, ou seja, com monitoramento da formação
Energia
0,00% de alguns gases em particular, como por exemplo o gás car-
Teste de
Inflamáveis
bônico, hidrogênio, fufuraldeido e umidade entre outros. A
0,00%
Imagem possibilidade de realizar DGA em tempo real apóia-se no
Térmica do
Transformador grande esforço que vem sendo atualmente empregado no
Temperatura do
0,00%
Temperatura do desenvolvimento de sistemas de sensores eficientes, modu-
Topo do Óleo
0,00%
Ponto Quente
83,30%
lares, e de custo viável. O sensor de hidrogênio, por exem-
plo, como principal indicador de descargas parciais e arco,
Análise de
Gases
foi um dos primeiros sensores a ser desenvolvido e utilizado
Dissolvidos
16,60%
em sistemas de monitoramento em tempo-real. O sensor
Hydran M2 da empresa GE é um exemplo de sensor para a
Figura 3. Grau de importâncias dos parâmetros monitorados em um trans-
formador de potência em condições de sobrecarga. medida de concentração de gases combustíveis, hidrogênio
e carbônicos em monitoramento em tempo-real.
Atualmente o interesse por pesquisas na área de sensores
Seu transformador estar perto de seu fim de vida. Qual
é o item mais importante que deve ser considerado volta-se para o desenvolvimento de dispositivos opto-
para indicar o fim de vida do equipamento? eletrônicos para análise de gases dissolvidos em óleo isolan-
Checar
Capacitância,
te. Isto se deve à elevada imunidade eletromagnética destes
Resistência e sensores, possibilitando sua inserção no interior do trans-
Fator de
Histórico de
Potência dos formador. Sensores de fibra óptica associados à sistemas
Carregamento
2,60%
Enrolamentos DSP (Digital Signal Processing) e a técnicas de identifica-
15,70%
Vibração / ção temporal ou espectral, encontram-se em fase de desen-
Análise de Som
4,30% Histórico de volvimento [2, 4, 7, 8]. Podem-se encontrar pesquisas no
Temperaturas desenvolvimento de sensores de fibra óptica para medida de
no Topo do
Óleo
Análise de
Gases
temperatura, de descargas parciais e concentração de deter-
Descargas
Parciais
10,40% Dissolvidos minados gases tais como o fufuraldeido [4, 7, 8].
60,90%
6,10%
Um equipamento de monitoramento on-line de DGA que
surgiu recentemente é o Transfix da KELMAN que permite
Figura 4. Grau de importância dos parâmetros monitorados em um trans- a identificação individual dos gases dissolvido no óleo de
formador de potência antigo. um transformador monitorado. Esse equipamento utiliza a
técnica de espectroscopia foto-acústica.
B. Análise de Gases Dissolvidos no Óleo (DGA)
Uma outra tendência ainda em nível de pesquisa refere-se
Os métodos de diagnósticos com base em DGA [5, 6, 14, a realização do DGA a partir de características físico-
15] são os mais estudados e os mais aplicados a transforma- químicas, tais como a cor do óleo, a densidade, a tensão
dores de potência imersos em óleo. Estes métodos baseiam- superficial, o índice de neutralização, e a quantidade de água
se na análise de tipos de concentração e taxa de produção de presente no óleo [6]. Neste ultimo caso sistemas baseados
gases gerados e dissolvidos no óleo do transformador, e em computação inteligente [9, 10, 11, 12] devem ser utiliza-
procuram associar o tipo de falha ao gás presente. Por e- dos para modelagem e diagnóstico.
xemplo, descargas elétricas levam à geração de acetileno De uma forma geral pode-se dizer que a tecnologia de
enquanto a presença de dióxido de carbono está associada monitoramento em tempo real das condições do isolamento
ao sobreaquecimento da celulose. de transformadores encontra-se em fase de pesquisa e de-
Métodos convencionais de DGA têm sido empregados senvolvimento, com elevado número de resultados em apli-

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-
4
rolamento ainda é largamente utilizada na indústria de trans-
formadores. 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. Atualmente sen-
sores 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 A PARTIR DOS GASES
DISSOLVIDOS NO ÓLEO DO TRANSFORMADOR
O diagnóstico de transformadores imerso em óleo corres-
ponde à interpretação do conjunto de dados obtidos a partir
do 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. Neste projeto foram desenvolvidos três métodos, que uti-

lizam o conceito de sistemas nebulosos, para análise e clas-
A. Método de Diagnóstico Inteligente Baseado em DGA
sificação do tipo de falha em transformadores.
O mecanismo de formação de gases no interior de trans- O primeiro sistema utiliza a norma IEC 599 de 1978 para
formadores imersos em óleo mineral devido solicitações formar a base de regras de inferência. A norma IEC 599
elétricas e térmicas é descrito através de um modelo termo- classifica os padrões de falhas em função três razões de con-
dinâmico que descreve o relacionamento entre a taxa de centração dos gases (R1, R2 e R5) (IEC, 1978; IEC 1996).
formação dos gases e a temperatura na vizinhança do ponto Para cada uma das três entradas são definidas três faixas de
onde a falha ocorre. Portanto, uma dada configuração de valores, que em representação nebulosa são: Pequena (P),
distribuição de concentrações de gases dissolvidos pode ser Média (M) e Grande (G). Para cada combinação das variá-
associada a uma determinada faixa de temperatura e conse- veis de entrada é possível associar um padrão de falha. Os
qüentemente a um determinado tipo de falha [2]. padrões de saída possíveis são: Normal (condição de enve-
Os métodos de associação, das concentrações dos gases lhecimento normal), Low Energy Discharge - LED (descar-
dissolvidos com a respectiva falha, mais utilizados são: mo- gas parciais), Overheating - OH (quatro níveis de tempera-
nitoramento de razões entre as concentrações dos gases dis- tura de sobreaquecimento: T1, T2, T3 e T4) e High Energy
solvidos, avaliação do valor da concentração e taxa de cres- Discharge - HEDA (quatro níveis de descargas de alta ener-
cimento do gás principal associado a uma determinada fa- gia: 1, 2, 3 e 4). Entretanto, observa-se na figura 6 e Tabela
lha, ou através de sistemas inteligentes (utilizando em geral 2, que podem ser encontrados problemas de aplicação desta
sistemas neuro-fuzzy). A norma IEC 599, por exemplo, uti- base de regras, devido ao fato da norma apresentar o pro-
liza como base o método das razões entre as concentrações blema de não decisões, ou seja, regiões em que não estão
dos gases dissolvidos [22]. associadas a qualquer padrão de falha.
Os principais gases formados a partir da decomposição do
óleo mineral de transformadores submetidos a falhas são:
hidrogênio (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 CH4 /H2 C2H2/C2H4 C2H2/CH4 C2H6 / C2H4/ Figura 6. Representação da base de regras do sistema nebuloso 1.
C2H2 C2H6 TABELA II
Notação R1 R2 R3 R4 R5 CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 1
Desde que todos os fenômenos relacionados ao diagnósti- R2 R1 R5
co de falhas em transformadores são caracterizados por im- P M G
precisões, incertezas nas medidas e não-linearidades não P LED - -
P M NORMAL OH_T1 -
modeladas, métodos convencionais combinados com méto-
G OH_T2 OH_T3 OH_T4
dos baseados em inteligência computacional [10, 12], em P HEDA_1 - -
especial os sistemas nebulosos e neurais, podem ser empre- M M - HEDA3 HEDA_3
gados de forma eficiente para diagnósticos automáticos de G - - -
falhas. P - - -
G M - HEDA_4 HEDA_4
B. Sistema de Diagnóstico Baseado em Regras Fuzzy G - - -
Para desenvolver um sistema de diagnóstico de falhas em
transformadores de potência a partir de um sistema baseado
em 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 Figura 7. Representação da base de regras do sistema nebuloso 2.
cobrir todos os valores possíveis das razões, evitando as No segundo sistema foram adicionadas regras empíricas
inconsistências. com o objetivo de solucionar a incapacidade da norma IEC
 6

599 de identificar a falha em determinados casos (problema C2H2 C2H4

C2H6 C2H6
de não decisão) [22]. Assim o sistema é capaz de realizar
MP P M G
um diagnóstico para todos os valores assumidos pelas variá-
MP LTO MTO HTO HTO
veis de entrada (R1, R2 e R5). Isso pode ser facilmente ob-
servado na Tabela 3, pois neste caso constata-se que todos P PD MTO+PD HTO HTO
os espaços estão preenchidos. Este modelo apresenta ainda M MD MD MD HD
uma melhor definição da indicação de descargas de alta e- G HD HD HD HD
nergia (High Energy Discharge - HEDA), apresentando
quatro níveis distintos de descargas. A figura 7 e tabela 3 Para todos os três sistemas nebulosos propostos foram
apresentam as dimensões das variáveis e base de regras para utilizadas funções de pertinência gaussianas para as entradas
este método. e triangulares para os padrões de saída. Por exemplo, o sis-
TABELA III tema nebuloso 1 possui como variáveis de entrada as razões:
CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 2 R1, R2 e R5. A cada variável nebulosa estão associados três
R2 R1 R5 conjuntos nebulosos: Pequeno (P), Médio (M) e Grande
P M G (G).
P LED LED LED
Para o ajuste dos parâmetros das funções de pertinência
P M NORMAL OH_T1 OH_T1
G OH_T2 OH_T3 OH_T4
utilizou-se o seguinte critério: os máximos das funções
P HEDA_1 HEDA_1 HEDA_1 gaussianas ocorrem nos valores médios dos intervalos defi-
M M HEDA_3 HEDA3 HEDA_3 nidos no método de cada sistema. As figuras 9, 10 e 11 a-
G HEDA_3 HEDA_3 HEDA_3 presentam respectivamente as funções de R1, R2 e R5. A
P HEDA_2 HEDA_2 HEDA_2 figura 12 vai representar as funções de pertinência da saída
G M HEDA_4 HEDA_4 HEDA_4 do sistema nebuloso 1 na forma de singletons.
G HEDA_4 HEDA_4 HEDA_4

No terceiro sistema para classificação das falhas é utiliza-

da uma nova base de regras. As variáveis de entrada deste
sistema 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
Figura 9. Funções de pertinência da variável R1 do sistema 1.
(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 Figura 10. Funções de pertinência da variável R2 do sistema 1.
regras para este método são apresentadas na figura 8 e tabe-
la 4, respectivamente.

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

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

TABELA IV
CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 3
 7

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

⎛ p ⎞
Para implementar a máquina de inferência, a implicação ( )
y (jl ) = Φ v (jl ) = Φ⎜⎜ ∑ wij(l ) xij(l ) ⎟⎟ (1)
de Mamdani [9,10,11] foi utilizada. Dado o conjunto nebu- ⎝ i =0 ⎠
loso apresentado na saída do subsistema de inferência é rea- A função Φ(°) é a função de ativação do neurônio.
lizada a operação de matching entre os padrões possíveis de A função de ativação Φ(v) é uma função não-linear suave
saída, que expressam a experiência de um operador, e a saí- e pode ter várias formas, tais como a função logística da
da atual. Cada padrão de saída está associado a um tipo de equação e a função tangente hiperbólica , como em (2).
falha, de modo que a saída do sistema apresenta o grau de
similaridade entre a saída atual da máquina de inferência e Φ (v) = a tanh(bv) ( a, b) > 0 (2)
os padrões de falha. A figura 13 apresenta o diagrama de
blocos dos sistemas nebulosos implementados. 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 ao
fato das entradas e saídas serem ambas multivariáveis e não
existe nenhuma relação linear obtida até o presente momen-
to. Segundo, uma MLP de três camadas (com apenas uma
camada 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
Figura 13. Implementação dos sistemas nebulosos. eficientes. Terceiro, o algoritmo de treinamento Back-
Propagation tem sido aplicado a diversos problemas com
C. Sistema de Diagnóstico Baseado em Redes Neurais sucesso. O treinamento é do tipo supervisionado, pois a ca-
As redes neurais utilizadas no diagnóstico de falhas reali- da iteração é conhecida a saída desejada e pode-se calcular o
zam, basicamente, um mapeamento não linear entre as en- erro. Desta forma, uma MLP foi capaz de modelar com sufi-
tradas e saídas. Estas relações podem ser representadas por ciente precisão o sistema estudado.
um número limitado de pares de entrada-saída (amostras de D. Resultados
dados). Estas suposições são de fundamental importância, Para realização da etapa de testes e avaliação dos métodos
principalmente para analisar se uma determinada amostra é desenvolvidos de análise dos gases dissolvidos no óleo de
realmente representativa para um dado sistema. um transformador, foram coletados dados de transformado-
A aplicação de redes neurais no diagnóstico de falhas a- res da COELCE (Companhia Energética do Ceará), prove-
presenta duas fases. A primeira fase é o processo de treina- nientes de 135 análises cromatográficas realizadas nos anos
mento, durante o qual um conjunto de amostras de dados é de 2001 a 2003. A título de exemplo, a Tabela 5 apresenta
fornecido à rede. Nesta fase, os pesos dos neurônios da rede alguns dados retirados do conjunto de dados utilizados.
são ajustados iterativamente para “memorizar” as relações Dentre as 135 amostras são encontradas situações de fun-
de entrada-saída. A segunda fase é um processo de teste ou cionamento normais e falhas incipientes como pode ser ob-
validação, durante o qual um conjunto de amostras é ali- servado na Tabela 6, de modo que, submetendo-se os mode-
mentado à rede, e saídas são calculadas através dos valores los à avaliação do “grau de certeza” apresentado no diag-
dos pesos memorizados pela rede. nóstico, pode-se avaliar a performance de cada um dos sis-
A primeira fase é uma tarefa que geralmente exige um temas de diagnóstico propostos.
grande esforço computacional e podem ser necessários mui-
tos passos de iteração para atingir a exatidão requerida. É TABELA V
EXEMPLO DE DADOS UTILIZADOS PARA TESTE DOS SISTEMAS PROPOSTOS
nesta fase que os estudos estão concentrados. Definições
tais como: o algoritmo de aprendizagem, a topologia da rede Amostra H2 CH4 C2H4 C2H6 C2H2
e o vetor de dados utilizados podem ser intencionalmente 1 2 28 63 0.2 0
mudados para otimizar o desempenho da rede. Uma vez 2 21 5 13 2 0
encerrada esta fase, as especificações da rede são fixadas e 3 58 2 0 0 0
não podem ser mudadas na fase de teste. A segunda fase é 4 1 3 11 2 0
mais simples, envolve somente o cálculo da saída da rede 5 4 2 8 2 0
para um dado conjunto de amostras e a verificação da ade- 6 2 4 6 3 0
quação do modelo a um critério de avaliação de desempe- 7 3 6 11 4 0
nho. 8 36 4 3 3 0
Em uma Rede Neural Perceptron Multi-Camada – MLP
[9], as memórias são os pesos entre as camadas, representa- TABELA VI
das como wij do neurônio de entrada-saída relacionado em CLASSIFICAÇÃO DOS DADOS UTILIZADOS QUANTO AO TIPO DE FALHA
(1). Tipos de Falhas / Normal Quantidade
Sobreaquecimento no óleo 78
Sobreaquecimento na celulose 17

Descargas de baixa energia 25
Descargas de alta energia 11
Normal 4 de umidade, para monitoramento em tempo-real. Estes da-
TOTAL 135
O primeiro sistema nebuloso apresentou o diagnóstico i-
dêntico ao fornecido no laudo técnico em 67% das 135 a-
mostras. Este baixo índice se deve em grande parte ao pro-
blema da não decisão, pois 81% dos erros cometidos são
devido a este problema.
O segundo sistema nebuloso teve um índice de acerto de
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 quente se localiza na celulose. Para
solucionar 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 uma temperatura de
falha 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
aleatória, 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 potência pertencente à
CGTF - Central Geradora Termelétrica de Fortaleza, do
8
grupo ENDESA. Ele efetua a medição do total da concen-
tração de gases combustíveis, hidrogênio e carbônicos, além
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 compreendido entre duas análises
laboratoriais 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
algoritmo 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 individualmente, de forma a se fazer uma
análise 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 procedimento rela-
tivamente 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 período e de se
estabelecer 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 deste projeto foi desenvolver modelos
não-lineares para a representação do carregamento térmico
de transformadores imersos em óleo isolante. Por definição
o carregamento térmico de um transformador pode ser obti-
do a partir de um modelo para a temperatura do topo do óleo
[20].
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-

rar dificuldades quanto aos modelos convencionais, minimi-
zar a quantidade de informação necessária para a modela-
gem 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 função do aumento da
carga 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 variação da temperatura ambiente é
levada 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 como saída, definindo, desta
forma, uma estrutura de modelo não linear NARX [20]:
T0 ∆t
θ o [k ] = θ o [ k − 1] + θ a [k ] +
T0 + ∆ t T0 + ∆ t
2 (3)
∆ tθ fm R ⎛ I [k ] ⎞ ∆ tθ fm
+ ⎜ ⎟ +
(T0 + ∆ t )( R + 1) ⎜⎝ I n ⎟⎠ (T0 + ∆ t )( R + 1)
Duas estruturas NARX foram utilizadas. A primeira 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 mo-
delo caixa cinza. Este modelo é uma evolução proposta para
a recomendação C57115 IEEE/ANSI. Para o segundo mo-
delo 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 métodos propostos na
modelagem 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 nível de laboratório, inclu-
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
9
RESULTADOS DO MODELAMENTO TÉRMICO
Modelo Somatório do Erro Coeficiente de
Quadrático - SSE Correlação Múl-
tipla – R
2
Recomendação 7.2764e+003 0.6248
C57.115
IEEE/ANSI.
Polinomial não 202.0036 0.9856
linear NARX -
caixa cinza.
Polinomial não 427.7920 0.9699
linear NARX –
caixa preta.
Rede Neural – 392.1128 0.9720
MLP.
Nas implementações utilizaram-se amostras do carrega-
mento, da temperatura ambiente e da temperatura do topo do
óleo do transformador. Inicialmente foi utilizado um con-
junto com 612 amostras obtidas em intervalos de ∆t = 5
minutos para estimação dos parâmetros dos modelos e trei-
namento da rede e posteriormente um outro conjunto com
379 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 incipientes em transformadores de
potência em função dos gases dissolvidos no óleo isolante.
Os algoritmos têm como finalidade, além do diagnóstico do
transformador propriamente dito, solucionar as inconsistên-
cias 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 transformador, assim como, a
umidade 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.

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
10
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-

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.
11
[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.