Escolar Documentos
Profissional Documentos
Cultura Documentos
Resumo.
Transformadores são equipamentos de grande importância em sistemas elétricos de potência, e que são submetidos
à stresses térmico e elétrico, os quais podem provocar falhas no sistema de isolação óleo/papel, com a produção de
gases dissolvidos no óleo isolante. A análise da natureza e da quantidade relativa desses gases pode ser usada para
diagnosticar a fonte de defeito nos transformadores. Esta análise tem como premissa uma avaliação quantitativa e
qualitativa dos produtos de degradação, presentes no óleo, e dos processos que aceleram o seu envelhecimento. A
separação e a identificação dos gases são feitas através da análise dos gases dissolvidos (AGD) ou análise
cromatográfica do óleo isolante. Existem métodos clássicos para classificação de transformadores a partir das
quantidades e da natureza dos gases encontrados no óleo isolante. Os métodos mais comuns são: método de Rogers,
método de Doernenburg, triângulo de Duval e da NBR 7274. Neste trabalho é feita a classificação de
transformadores utilizando os métodos clássicos, redes neurais artificiais e a LS-Máquinas de Vetores Suporte.
Finalmente, é feita uma comparação entre os três métodos, e verificou-se que os sistemas inteligentes se mostraram
mais eficazes do que os métodos clássicos na classificação de transformadores em relação às falhas incipientes.
Palavras chave: transformadores, redes neurais artificiais, óleo isolante, Ls-máquina de vetores suporte
1. Introdução
Os transformadores são uns dos equipamentos mais caros e vitais de um sistema elétrico de
potência. Faltas em transformadores podem resultar em interrupções da transmissão de energia,
ocasionando assim prejuízos financeiros para diversos setores da economia. Por isso um grande esforço
vem sendo empregado a fim de se prever e corrigir possíveis falhas nestes equipamentos, antes da
ocorrência de uma falta que o retire de operação.
O transformador é basicamente composto por material ferromagnético laminado envolvido por
bobinas de cobre isoladas com celulose e toda essa estrutura está imersa em óleo mineral, que tem a
função de resfriar e isolar o sistema.
Não existem dúvidas, de que o envelhecimento da isolação é considerado uma ameaça em
potencial à segurança operacional dos transformadores, principalmente para as unidades submetidas a
elevados gradientes de tensão. A gradual deterioração da pureza do óleo tem um importante papel no
sistema de isolação destes equipamentos.
A presença de gases no óleo isolante foi detectada graças ao emprego de técnicas de
cromatografia de gases, que separa e identifica os gases dissolvidos no óleo. A cromatografia começou a
ser estudada por M. S. Tsvet, um botanista russo, que analisava a mistura de pigmentos de plantas. Ele
separou esta mistura em faixas coloridas em uma coluna cromatográfica. Com o aperfeiçoamento deste
método de separação da mistura de líquidos, por volta dos anos 50, foi possível separar uma mistura de
gases. Nos anos 60, foi empregada a cromatografia do gás, o que veio ajudar muito os engenheiros
elétricos, pois empregando esta técnica foi possível a identificação dos gases dissolvidos no óleo do
transformador (Assunção, 2007).
As técnicas convencionais de manutenção de transformadores requerem que estes sejam tirados
de operação. Mas, com a evolução da tecnologia têm sido desenvolvidos diversos sistemas de
monitoramento on-line, através de sensores e sistemas de aquisição de dados, que possibilitam que os
transformadores não tenham que ser retirados de operação, para que seja feito um diagnóstico sobre
possíveis falhas incipientes em função da análise do óleo isolante. Falhas incipientes são aquelas que
estão em um estágio inicial e promovem a decomposição do material isolante e, portanto, estão associadas
às concentrações de gases formados no interior do transformador.
Um problema associado ao método convencional de análise dos gases dissolvidos é a
dependência da decisão final por parte de um especialista. Pois, transformadores de diferentes fabricantes,
nível de tensão e potência, estrutura, material utilizado no sistema de isolamento, tipo de carregamento e
histórico de manutenção podem apresentar diferentes características quanto à produção de gases e,
portanto necessitam, na maioria dos casos, serem considerados de forma particular. Observa-se ainda que
o nível e período de formação dos gases dependem da idade dos transformadores e também da
localização, natureza e severidade das falhas a que são submetidos.
Todos os fenômenos relacionados à formação de gases em transformadores e sua correlação com
as falhas incipientes são caracterizados por imprecisões, incertezas nas medidas e não-linearidades não
modeladas. Portanto, métodos convencionais de interpretação da análise dos gases combinados com
métodos baseados em inteligência computacional, em especial as redes neurais (Haykin, 1999), como
apresentado por Zhang (Zhang, 1996) e Dong (Dong, 2004), podem ser empregados de forma eficiente
para o diagnóstico automático de falhas incipientes, e conseqüentemente na classificação dos
transformadores em relação ao seu envelhecimento.
Dessa forma, as redes podem ser vistas como uma ferramenta que fornece alternativas às
metodologias convencionais de ensaios, produzindo resultados motivadores, principalmente devido às
características intrínsecas da técnica, tais como a capacidade de generalização e a facilidade de integração
com outras ferramentas computacionais.
A aplicação dos sistemas inteligentes para o diagnóstico de falhas incipientes em
transformadores e conseqüentemente na classificação dos transformadores é particularmente interessante,
pois, os sistemas inteligentes são capazes de adquirir conhecimento diretamente dos dados e assim revelar
relações não-lineares entre as entradas e saídas que ainda são desconhecidas pelos especialistas.
O objetivo deste trabalho é fazer uma comparação dos métodos clássicos usados para o
diagnóstico de falhas usando a análise dos gases dissolvidos no óleo isolante, com as ferramentas
inteligentes (Redes Neurais Artificiais e Máquina de Vetores Suporte baseada nos mínimos quadrados),
utilizando bancos de dados de ensaios cromatográficos dos gases dissolvidos em óleo isolante de diversos
transformadores.
2
• Hidrogênio, Metano (CH4), Etano (C2H6), e Etileno (C2H4): são resultantes da decomposição
térmica do óleo;
• Monóxido (CO) e Dióxido de Carbono (CO2): produzidos pelo envelhecimento térmico do papel;
• Acetileno (C2H2): associados à arcos elétricos no óleo.
Vários métodos foram desenvolvidos para análise destes gases de modo a obter a indicar a sua
real condição de operação.
A natureza e a concentração dos gases indicam o tipo e a severidade da falta no transformador.
As mudanças verificadas na produção de cada gás e a sua taxa de produção são fatores importantes na
determinação do tipo e evolução de faltas nos transformadores.
Os métodos mais comuns de diagnóstico de gases no óleo são os seguintes: IEEE C57.104-1991,
Método de Doernenburg, Método de Rogers, IEC 60599, Triângulo de Duval e Método dos gases chaves,
referenciados por Duval (Assunção 2007), que serão descritos, resumidamente, a seguir.
O método de Rogers utiliza quatro relações dos cinco gases envolvidos no processo da
deterioração do material isolante para determinar a condição do transformador. Primeiro é feito uma
codificação das relações e para cada seqüência de código é associado um tipo de falha. Na Tab. 1 é
mostrada como é gerada a codificação do método de Rogers.
A seguir, na Tab. 2, é mostrada a codificação das relações com as falhas que os transformadores
podem estar sujeitos.
3
2.2. Método de Doernenburg
O método desenvolvido por Duval leva em conta as quantidades percentuais relativas de três
gases: acetileno, metano e etano. A relação entre as quantidades relativas dos gases e as falhas a elas
associadas, é descrita através de um triângulo, mostrado na Fig. 1.
4
2.4. Método do gás chave
Este método identifica o gás chave para cada tipo de falta e usa o percentual deste gás para a sua
identificação. A interpretação da análise de gases dissolvidos no óleo é baseada em um conjunto simples
de fatos. Por exemplo, as descargas parciais ou produção de corona são devidas principalmente ao H2
com alguns traços de gases derivados de hidrocarbonetos, portanto, o gás chave para descargas parciais
ou corona é o H2, ou seja, a descarga parcial e o corona podem ser detectados se o percentual da
quantidade de H2 for bem significativa em uma amostra de óleo.
Baseado no padrão IEEE C57. 104 (IEEE Std C57.104-1991, 1991), a Tab. 5 resume o critério
de diagnóstico do método do gás chave. O percentual do gás é baseado no total de gases combustíveis
dissolvidos (TDCG) no óleo isolante.
Na Tab. 7, é apresentada como a codificação das relações empregadas nos métodos NBR7274,
IEEE e IEC, é associada à falhas incipientes nos transformadores elétricos.
5
Tabela 7. Tabela de diagnóstico previsto na NBR7274, IEEE e IEC.
C2H2 /C2H4 CH4/H2 C2H4 /C2H6 Diagnósticos
0 0 0 Sem falha
Não significativo 1 0 Descargas parciais de pequena densidade de energia
1 1 0 Descargas parciais de alta densidade de energia
1-2 0 1-2 Descargas de energia reduzida
1 0 2 Descargas de alta energia
0 0 1 Falha térmica de baixa temperatura
0 2 0 Falha térmica de baixa temperatura
0 2 1 Falha térmica de média temperatura
0 2 2 Falha térmica de alta temperatura
Os métodos do gás chave, de Rogers e de Dornenburg são facilmente implementados e dão bons
resultados para o diagnóstico para a prevenção ou após a ocorrência de faltas severas em transformadores,
mas podem ser pouco sensíveis na detecção de faltas. Entretanto, podem ser usados como guias para os
sistemas inteligentes baseados em inteligência Artificial.
A aplicação dos sistemas inteligentes para o diagnóstico de falhas incipientes em
transformadores, e conseqüentemente, para a classificação dos transformadores em relação ao seu
envelhecimento é particularmente interessante, pois, os sistemas inteligentes são capazes de adquirir
conhecimento diretamente dos dados e assim revelar relações não-lineares entre as entradas e saídas, que
ainda são desconhecidas pelos especialistas (Zhang, 1996).
A Rede Neural Artificial (RNA) é um modelo matemático computacional que tem como base as
redes neurais biológicas. Seu funcionamento pode ser descrito da seguinte forma (Haykin, 1999):
1- A RNA processa a informação em várias unidades denominadas neurônios.
2- A informação é transmitida de neurônio a neurônio através de um elo de conexão.
3- Cada conexão tem um peso associado a ela.
4- Cada Neurônio aplica uma função de ativação ao seu sinal de entrada (soma dos pesos
multiplicados pelos sinais de cada elo) e em seguida acrescenta uma constante no seu valor de saída
(bias).
A RNA é caracterizada, basicamente, pela sua arquitetura (padrão de conexão entre os
neurônios), método de determinação dos seus pesos e bias (tipo treinamento) e pela função de ativação
presente em cada camada.
A seleção das características de entrada é o primeiro passo essencial para a configuração de uma
RNA. Deve ser uma escolha muito cuidadosa,, de modo que as entradas reflitam as características do
problema a ser modelado. Outra tarefa importante no projeto de uma RNA é a escolha da topologia da
rede. Isto é feito, experimentalmente, através de processos repetitivos para aperfeiçoar o número de nós e
de camadas escondidas, de acordo com o processo de treinamento e a precisão desejada. O número de
neurônios da camada de entrada deve ser igual ao número de entradas, e o número de neurônios da
camada de saída é normalmente definido em função do número das variáveis de controle.
A Rede Neural Artificial é treinada com um conjunto de dados de entradas e saídas, para que
possa reconhecer seu padrão e assim, ao se aplicar uma entrada que não participou de seu treinamento, ela
possa gerar uma saída que obedeça ao padrão do conjunto de dados do qual foi treinada.
A máquina de vetores suporte baseada nos mínimos quadrados (LS-SVM) é uma ferramenta que
foi desenvolvida recentemente por Suykens (Suykens, 1999) e vem sendo usada para em diversas
aplicações, principalmente para a classificação de sistemas dinâmicos lineares e não lineares.
Esta ferramenta possui grande semelhança com a Máquina de Vetores Suporte, porém tem um
custo computacional menor. As suas vantagens são:
6
1. Boa capacidade de generalização: os classificadores gerados por uma SVM em geral alcançam
bons resultados de generalização. A capacidade de generalização de um classificador é medida
por sua eficiência na classificação de dados que não pertençam ao conjunto utilizado em seu
treinamento.
2. Robustez em grandes dimensões: as SVM são robustas diante de objetos de grandes dimensões,
como, por exemplo, imagens.
3. Convexidade da função objetivo: a aplicação das SVM implica na otimização de uma função
quadrática, que possui apenas um mínimo global. Esta é uma vantagem sobre, por exemplo, as
Redes Neurais Artificiais, em que há a presença de mínimos locais na função objetivo a ser
minimizada.
4. Teoria bem definida: as SVM possuem uma base teórica bem estabelecida dentro da Matemática
e Estatística.
3. Metodologia
A rede neural artificial usada neste trabalho, a Perceptron de Multicamadas (MLP), bem como a
LS-Máquinas deVetores Suporte, foram treinadas com um conjunto de 246 dados e testadas com os
dados de 30 transformadores. Para efeito de comparação, os métodos clássicos, a RNA e a LS-SVM
foram testados com o mesmo conjunto de dados.
As entradas da rede foram as concentrações de H2, CH4, C2H2, C2H4 e C2H6 em ppm (partes por
milhão). As saídas são faltas térmicas ou sobre aquecimento, falhas elétricas ou ainda a condição de
normalidade, caso os dados de entrada não impliquem em falha no transformador.
7
Na Tab. 8, são apresentados os valores das concentrações de gases usados para a aplicação dos
métodos convencionais, da RNA e da LS-SVM utilizadas para a classificação dos transformadores em
relação a sua condição de operação.
Pela Tab. 9 tem-se que o método de Rogers apresentou 33,33% de acertos, o método de Duval
apresentou 40%, o método de Doernenburg apresentou 50%, e o método previsto na NBR7274
apresentou 50% de acertos. Estes índices de acertos estão bem abaixo do apresentado pela rede neural
perceptron multicamadas, que apresentou 83,33% de acertos e com a LS-SVM que apresentou 70% de
acertos, como mostrado na Tab.10. Estes resultados mostram que as ferramentas inteligentes são
promissoras na detecção de falhas incipientes em transformadores de potência.
Como os dados reais de concentração dos gases dissolvidos no óleo isolante eram poucos, foi
usada outra estratégia para uma melhor comparação entre os desempenhos da MLP e da LS-SVM em
problemas de classificação. Foi gerado um banco de dados, a partir dos critérios previstos no método de
Doernenburg, com um número de dados bem maior que o banco de dados original.
Foram geradas concentrações de gases para 900 transformadores, onde 301 correspondiam à
condição normal de funcionamento, 295 apresentavam falhas elétricas e 305 apresentavam problemas de
sobreaquecimento.
Destes 901 transformadores 630 foram usados para treinamento da RNA e da LS-SVM e 271
foram usados para validação dos modelos. A MLP apresentou 92,99% de acertos com os dados de teste,
com 252 diagnósticos certos e 19 diagnósticos errados. A LS-SVM apresentou 90,04% de acertos com os
dados de teste, com 244 diagnósticos corretos e 27 diagnósticos errados.
Com estes resultados fica comprovada a eficiência tanto da MLP quanto da LS-SVM em
problemas de classificação, porém não se pode afirmar com certeza qual das duas é mais eficiente já que
ambas apresentaram desempenhos bem parecidos.
8
Tabela 9.Resultados dos métodos clássicos usados para a classificação.
5. Conclusão
9
Tabela 10. Resultados das RNA e LS-SVM usadas para a classificação.
para resolver os problemas de conflitos entre os diferentes métodos, devido à sua capacidade de
generalização. Os resultados apresentados demonstram a capacidade dos sistemas inteligentes no
diagnóstico de falhas incipientes em transformadores de potência, e na solução de inconsistências
normativas. A LS-SVM também se mostrou bem superior aos métodos clássicos no diagnóstico de falhas
incipientes em transformadores de potência. Quando treinada e testada com um número mais significativo
de dados a rede LS-SVM apresentou índice de acertos bem próximo ao apresentado pelas redes neurais,
porém tendo como vantagem que sua implementação é bem mais simples que a da MLP.
7. Agradecimentos
8. Referências bibliográficas
1. Assunção, T. C. B. N., (2007). “Contribuição á modelagem e análise do envelhecimento de
transformadores de potência”. Tese de Doutorado em Engenharia Elétrica, UFMG – Universidade
Federal de Minas Gerais, maio de 2007.
2. Demuth, M. B.; Hagan, M., (2007) “Neural Netwoork Toolbox User’s Guide for Use with
Matlab”.
3. Dong, M.; Xu, D. K.; Li, M. H.; Yan, Z., (2004). “Fault Diagnosis Model for Power Transformer
Base don Statistical Learning Theory and Dissolved Gas Analysis”. Conference Record of the 2004
IEEE International Symposium on Electrical Insulation, Indianapolis, 19-22 September 2004.
4. Duval, M.; Pablo, A., (2001). “Interpretation of Gas-in-Oil using new IEC publication 60599 and
IEC TC 10 databases”. IEEE Electrical Insulation Magazine, vol. 17, pp. 31-34, March/April 2001.
10
5. Duval, M., (2002). “A review of faults detectable by gas-in-oil analysis in transformers”. IEEE
Electrical Insulation Magazine, vol. 18, pp. 8-16, May/June 2002.
6. Haykin, S., (1999). “Redes Neurais Princípios e prática”. 2ª edição, 1999, Prentice Hall INC.,
ARTMED Editora S. A., Bookman.
7. IEEE Std C57.104-1991 (1991). “IEEE Guide for the Interpretation of Gases Generated in Oil-
Immersed Transformers”, 1991.
8. NBR 7274, (1982). “Guia de interpretação da análise dos gases livres e dissolvidos”. ABNT, 1982.
9. Norma BS 5800 IEC 599, (). “Guide for the interpretation of the analysis of gases in transformers
and other oil-filled electrical equipment in service”.
10. Pelckmans, K.; Suykens, J.; Gestel, T. V; Brabanter, J. D.; Hamers, B.; Moor, B.; and J.
Vanderwalle, J., (2003). “LS-SVMlab Toolbox, Version 1.5”. Katholieke Universiteit
Leuven, Department of Electrical Engineering - ESAT-SCDSISTA, February 2003.
11. Suykens, J. A. K.; Lukas, L.; Doren, P. V.; Moorand, B., Vandewalle, J., (1999). “Least Squares
Support Vector Machines Classifiers: A large scale algorithm”. European Conference on Circuits
Theory and Design, (Stresa, Italy), pp. 839-842, 1999.
12. Zhang, Y., Ding, X., Liu, Y., (1996). An Artificial Neural network Approach to transformer Fault
Diagnosis. IEEE Transactions on Power Delivery, vol. 11, nº. 4, October 1996.
11