1
Análise de Métodos para o Diagnóstico de
Falhas Incipientes em Transformadores com
Base na Concentração de Gases no Óleo
Isolante
R. O. de Sousa, M. A. B. Amora, F. R. Barbosa, R. S. T. Pontes, A. P. S. Braga e O. da M. Almeida
Resumo-- Este artigo tem por objetivo expor e analisar as
incertezas e imprecisões existentes entre os principais métodos de
diagnóstico de falhas incipientes em equipamentos elétricos,
especialmente em transformadores de potência, através da análise
da concentração de gases formados por falhas incipientes e
dissolvidos no óleo isolante. A apresentação dos principais
métodos e normas é feita assim como a descrição das falhas
incipientes mais comuns e dos gases gerados nos processos de
falhas citados. Com essas informações expostas uma comparação
entre os métodos de diagnóstico das falhas é feita, e com isso a
análise das imprecisões, dos pontos positivos e negativos existentes
em cada um deles. Um método de diagnóstico utilizando redes
neurais é apresentado.
Index Terms--Análise de gases dissolvidos, falhas incipientes,
isolação a óleo, normas, redes neurais artificiais, transformadores.
I. INTRODUÇÃO
A S condições de funcionamento e integridade de um
equipamento de potência imerso em óleo isolante, como
transformadores, reatores, isoladores e etc., podem ser
estabelecidas a partir da análise do óleo.
Transformadores de potência de grande porte são um dos
mais caros e críticos componentes de uma planta elétrica de
transmissão e distribuição. Dessa forma uma grande atenção
deve ser empregada para garantir seu bom funcionamento
quanto a evitar possíveis falhas que venham a ocorrer devido
ao seu ciclo natural de vida ou regimes elétricos a que são
submetidos.
Sabe-se que um conjunto de análises definidas por normas
técnicas permite o diagnóstico das condições de falhas do
transformador. Os métodos mais importantes de diagnóstico
utilizados na identificação de falhas incipientes em
transformadores de potência são: a avaliação físico-química,
que determina o estado do óleo e a análise cromatográfica, que
verifica possíveis falhas no equipamento. A partir desses dois
R. O. de Sousa, M. A. B. Amora, F. R. Barbosa, R. S. T. Pontes, A. P. S.
Braga e O. da M. Almeida estão com o Departamento de Engenharia Elétrica
da Universidade Federal do Ceará (UFC) - Campus do Pici, Fortaleza - CE,
Brasil (e-mail: rafael_oliveira@dee.ufc.br; marcio@dee.ufc.br;
fabio@dee.ufc.br;; ricthe@dee.ufc.br; arthurp@dee.ufc.br;
otacilio@dee.ufc.br).
tipos de análises foram definidos procedimentos e normas de
operação e manutenção de equipamentos isolados a óleo [1].
Para interpretar os dados das análises cromatográficas
devem-se associar os valores atuais das concentrações a uma
determinada falha que produziu tal formação de gases. Os
métodos convencionais de identificação de falhas através das
razões entre as concentrações dos gases foram padronizados
por normas nacionais e internacionais [1], em [2]-[4]. Vale
ressaltar que as normas brasileiras que tratam da interpretação
e análise dos gases de transformadores são baseadas em
normas internacionais [3], [4].
Na isolação de equipamentos e componentes tais como,
transformadores de potência, buchas, reatores e
transformadores de medição é normalmente utilizado o papel
impregnado com óleo isolante. O isolamento de papel
impregnado é um isolamento composto de celulose e óleo
isolante, em que cada um dos componentes possui seus
processos normais de degradação e que, quando em contato,
interagem entre si, podendo alterar parcialmente suas
características individuais. Os principais fatores primários
externos que levam à degradação da celulose e do óleo são o
aquecimento, umidade e oxigênio. Os métodos de avaliação da
degradação podem medir diretamente características
intrínsecas do isolamento, produtos de sua degradação, ou
ainda seus efeitos em parâmetros físicos ou químicos [5].
Antes que se exponham as imprecisões e incertezas
existentes entre os métodos de análise de gases dissolvidos
associados a uma determinada falha considerados pelas
diversas normas, é importante apresentar as falhas
consideradas assim como os principais gases gerados por tais
falhas.
II. FALHAS INCIPIENTES
As falhas incipientes podem ser classificadas em termos dos
esforços térmicos, onde sobreaquecimentos são os agentes
principais, e esforços elétricos, relacionados às descargas
internas no equipamento.
Conforme a norma IEC 60599[4], as falhas detectáveis pela
análise de gases dissolvidos são codificadas da seguinte forma:
PD = descargas parciais, D1 = descargas de baixa energia, D2
= descargas de alta energia, T1 = falhas térmicas de

temperatura < 300 °C, T2 = falhas térmicas de temperatura
300 °C < T < 700 °C, T3 = falhas térmicas de temperatura >
700 °C [6].
As falhas classificadas conforme [4] podem ser
identificadas de forma confiável por inspeção visual do
equipamento após a falha ter ocorrido em operação: descargas
parciais (PD) do tipo plasma frio (corona) com possível
formação de X-wax e do tipo centelhamento induzindo
pequenas perfurações carbonizadas no papel; descargas de
baixa energia (D1), evidenciadas por perfurações maiores no
papel, trilhamento, ou partículas de carbono no óleo; descargas
de alta energia (D2), com energia contínua, evidenciada pela
larga carbonização, fusão de partes metálicas e possível
obstrução do equipamento; falhas térmicas abaixo de 300 °C
(T1) se o papel se tornou amarronzado, acima de 300 °C (T2)
se o papel carbonizou; falhas térmicas acima de 700 °C (T3),
evidenciado pela carbonização do óleo, coloração metálica, ou
fusão [7].
III. MÉTODOS PARA DIAGNÓSTICOS BASEADOS NA
CONCENTRAÇÃO DE GASES NO ÓLEO ISOLANTE
As várias técnicas para interpretação da análise
cromatográfica visam diagnosticar a condição atual do sistema
de isolamento do transformador. Dentre os métodos mais
conhecidos estão: método do gás chave, triângulo de Duval,
método das razões de Dörnenburg e método das razões de
Rogers. Cada um deles será aqui comentado.
Esses métodos derivam do modelo termodinâmico proposto
por Halstead. Ele propôs um modelo termodinâmico para
descrever a relação entre temperatura de falha e características
dos gases, o qual supõe que todos os hidrocarbonetos no óleo
são decompostos no mesmo produto e cada produto está em
equilíbrio com todos os outros. De acordo com o modelo, a
taxa de evolução de cada gás pode ser calculada em qualquer
temperatura, tal que uma relação entre geração de gás e
temperatura pode ser obtida para cada gás. Os estudos dessas
relações mostram que os gases são gerados na seguinte ordem
com um aumento de temperatura: H2 → CH4 → C2H6 → C2H4
→ C2H2. O gás hidrogênio é gerado em baixas temperaturas e
sua quantidade aumenta de forma constante, enquanto o
acetileno é gerado em temperaturas muito altas (próximo a
1000 °C) e também apresenta aumento constante de sua
quantidade [8].
A. Método do Gás Chave
O método do gás chave faz uso do valor percentual dos
gases para diagnosticar falhas incipientes em transformadores.
A essência do método leva à formalização da base qualitativa a
partir do conhecimento da temperatura onde um gás é
predominantemente gerado e correlação dessa temperatura, e
conseqüentemente do gás, a uma determinada falha. O gás
predominante é o gás chave ou principal [9].
Em [3], as falhas incipientes, para o método descrito nesta
subseção, são divididas em quatro tipos: falha térmica no óleo,
falha térmica na celulose, descargas parciais e falha por arco
elétrico.
2
Falha térmica no óleo: produtos da decomposição incluem
etileno ou eteno (C2H4 – cerca de 63%) e metano (CH4 –
16%), junto com menor quantidade de hidrogênio (H2 – 2%) e
etano (C2H6 – 19%). Traços de acetileno (C2H2) podem ser
formados se a falha for severa ou envolver contatos elétricos.
O gás principal, como mostrado pelas proporções, é o etileno.
Falha térmica na celulose: grandes quantidades de
monóxido de carbono (CO – 92%) e dióxido de carbono (CO2)
são desenvolvidas do sobreaquecimento da celulose. Gases
hidrocarbonetos, tais como etileno e metano, serão formados
se a falha envolve uma estrutura impregnada de óleo. O gás
principal é o monóxido de carbono.
Descarga parcial: produz hidrogênio (85%) e metano
(13%), com pequenas quantidades de etano e etileno.
Quantidades comparáveis de monóxido e dióxido de carbono
podem resultar de descargas na celulose. O gás principal é o
hidrogênio.
Falha por arco elétrico: grandes quantidades de hidrogênio
(60%) e acetileno (30%) são produzidas, com menores
quantidades de metano (5%) e etileno (3%). Dióxido e
monóxido de carbono podem também ser formados se a falha
envolve celulose. Óleo pode ser carbonizado. O gás principal é
o acetileno.
B. Métodos das Razões de Dörnenburg
O uso de razões entre as concentrações dos gases para
indicar um tipo possível de falha é um processo empírico
baseado na experiência de cada pesquisador de forma
individual correlacionando as análises de gases de muitas
unidades com o tipo de falha posteriormente determinada
como a causa para o distúrbio ou falha quando a unidade foi
examinada. Esse processo foi atribuído a Dörnenburg e
posteriormente confirmado por Rogers em sistemas Europeus,
dos quais a maior parte da correlação do diagnóstico é obtida
[3].
As teorias de diagnósticos baseadas nos princípios de
degradação térmica empregam um conjunto de relações de
certos gases combustíveis chave como os indicadores do tipo
de falha. As cinco relações são mostradas na Tabela I [3].
TABELA I
RAZÕES ENTRE AS CONCENTRAÇÕES DOS GASES
Razão CH4 /H2 C2H2/C2H4 C2H2/CH4 C2H6 /C2H2 C2H4/ C2H6
Notação R1 R2 R3 R4 R5
O método de Dörnenburg utiliza as razões R1, R2, R3 e R4
para indicar uma determinada falha dentre três tipos gerais
sugeridos: sobreaquecimento, descargas de baixa energia
(corona) e descargas de alta energia (arco elétrico).
Se no mínimo uma das concentrações dos gases em µL/L
(p.p.m.), para H2, CH4, C2H2 e C2H2, excederem duas vezes os
valores para o limite L1 (Tabela II) e um dos outros gases
excederem os valores para o limite L1, a unidade é
considerada defeituosa. Se no mínimo um dos gases em cada
relação exceder o limite L1, o procedimento das razões é
considerado válido, caso contrário, as razões não são
 3

significativas e a unidade deveria ter novas amostras retiradas energia

e ser investigada por processos alternativos [3]. Descargas de alta energia >0.1 e <1.0 >0.75 >0.3 <0.4
Os valores de concentrações apresentados pela Tabela II, C. Métodos das Razões de Rogers
que seguem [3], norma do ano de 2008, diferem dos valores
O método das razões de Rogers segue o mesmo
encontrados na versão anterior de [3], do ano de 1991,
procedimento geral utilizado no método de Dörnenburg,
apresentados na Tabela III, e dos valores de Dörnenburg para exceto pelo fato que as razões utilizadas são: R1, R2 e R5. A
validação do seu método (Tabela IV). A diferença apresentada
validade desse método é baseada na correlação dos resultados
entre os valores limites nas tabelas se deve a atualizações
de um grande número de testes de falhas com a análise dos
nesses limites, visando um maior rigor entre as avaliações de
gases para cada caso. A Tabela VI apresenta os valores para as
normalidade e não normalidade. três relações de gases chave correspondendo ao diagnóstico
TABELA II sugerido (caso) [3].
CONCENTRAÇÕES LIMITE DE GASES DISSOLVIDOS CONFORME [3] Os primeiros trabalhos de Rogers utilizavam quatro
relações de gases. Em [3] é sugerido a utilização do método de
Gás chave Concentrações L1 [µL/L (p.p.m.)] Rogers com três relações de concentração de gases e cinco
Hidrogênio (H2) 100 gases. Esse critério elimina a relação C2H6/CH4 que era
Metano (CH4) 120 utilizada para identificação de sobreaquecimento de baixa
Acetileno (C2H2) 1 temperatura [5]. A revisão de [10], 1999, sugere a utilização
Etileno (C2H4) 50 do método de Rogers com um formato similar ao acima
Etano (C2H6) 65 exposto utilizando uma revisão em que o valor do limite
mínimo da relação C2H2/ C2H4 é alterado.
TABELA III
CONCENTRAÇÕES LIMITE DE GASES DISSOLVIDOS CONFORME VERSÃO TABELA VI
ANTERIOR A [3] DE 1991 FAIXAS DAS RAZÕES PARA OS GASES CHAVES – ROGERS

Gás chave Concentrações L1 [µL/L (p.p.m.)]

Caso R2 R1 R5 Diagnóstico de falha
Hidrogênio (H2) 100 >0.1 a
0 <0.1 <1.0 Unidade Normal
Metano (CH4) 120 <1.0
Descarga de baixa
Acetileno (C2H2) 35 1 <0.1 <0.1 <1.0
energia
Etileno (C2H4) 50 0.1 a
2 0.1 a 1.0 >3.0 Descarga de alta energia
Etano (C2H6) 65 3.0
>0.1 a Falha térmica de baixa
3 <0.1 1.0 a 3.0
<1.0 temperatura
TABELA IV
4 <0.1 >1.0 1.0 a 3.0 Falha térmica < 700 °C
CONCENTRAÇÕES LIMITE DE GASES DISSOLVIDOS DE ACORDO COM
5 <0.1 >1.0 >3.0 Falha térmica > 700 °C
DÖRNENBURG [5]

Gás chave Concentrações L1 [µL/L (p.p.m.)] É possível observar que as faixas de variação das relações
Hidrogênio (H2) 200 apresentam superposições, não permitindo uma interpretação
Metano (CH4) 50 única. Também em muitos casos não existe um diagnóstico
Acetileno (C2H2) 15 definido, pois as combinações de variações que podem ocorrer
Etileno (C2H4) 60 nas relações são maiores que aquelas definidas na tabela do
Etano (C2H6) 15 método. Esse fato ocorre com todas as variantes dos métodos
[5].
Como pode ser observado nas tabelas, entre os valores das D. Triângulo de Duval
duas versões da norma, há diferença apenas no valor para o Este método foi desenvolvido por Michel Duval em 1974 e
acetileno, enquanto que para os valores originais de está descrito no apêndice B do IEC 60599 [4].
Dörnenburg em relação às normas, há diferenças em todos os O procedimento de aplicação desse método se inicia com o
limites. cálculo das percentagens dos gases metano (CH4), etileno
As faixas das razões R1, R2, R3 e R4, definidas no método (C2H4) e acetileno (C2H2) em relação à soma das
de Dörnenburg, e a respectiva falha associada são apresentadas concentrações desses gases gerados em p.p.m. – partes por
na Tabela V. milhão – (CH4 + C2H4 + C2H2). Uma vez obtidos os
percentuais (%CH4, %C2H4, %C2H2), estes servem para
TABELA V
FAIXAS DAS RAZÕES PARA OS GASES CHAVES – DÖERNENBURG [3] identificação de um ponto em um sistema de coordenadas
triangulares. O triângulo de Duval é geograficamente
Falha Incipiente R1 R2 R3 R4 subdividido em zonas que representam as falhas. As
Decomposição térmica >1.0 <0.75 <0.3 >0.4 coordenadas triangulares correspondentes ao resultado da
Descargas de baixa <0.1 - <0.3 >0.4
análise de gases dissolvidos em p.p.m. podem ser calculadas

como segue [6]: %C2H2 = 100x/(x+y+z); %C2H4 =
100y/(x+y+z); %CH4 = 100z/(x+y+z), com x = (C2H2); y =
(C2H4); z = (CH4), em p.p.m..
A Fig. 1 ilustra de forma gráfica o método do triângulo de
Duval, bem como a composição das coordenadas e as zonas
das respectivas falhas, cujos códigos: PD, D1, D2, T1, T2 e T3
já foram descritos na seção II. O código DT, contido no
triângulo, está relacionado à combinação de falhas térmicas e
elétricas associadas principalmente com transformadores com
OLTC - On Load Tap Changer (comutador de tap em carga).
Fig. 1. Representação gráfica do método do triângulo de Duval [6].
IV. IMPRECISÕES E INCERTEZAS DAS METODOLOGIAS DE
ANÁLISE DE GASES DISSOLVIDOS
A base das técnicas de análise de gases dissolvidos é o
processo de cromatografia laboratorial a qual a amostra do
óleo isolante do transformador é submetida. Esse processo tem
como produto resultante uma estratificação das concentrações
dos gases dissolvidos no óleo e a partir desses valores
quantificadores aplica-se uma técnica de interpretação dos
dados. Esses dados podem ser expressos na forma de
concentrações individuais de cada gás, através de razões entre
as concentrações dos gases ou ainda como porcentagens em
relação à concentração total de gases combustíveis.
O processo de falha está intrinsecamente relacionado com
as temperaturas esperadas no óleo em função de seus
mecanismos. São estabelecidas faixas de temperatura para as
quais existe uma maior probabilidade da ocorrência de um
determinado processo. Estabelecida a correlação entre a
temperatura, o processo de falha e sua intensidade, os
processos envolvidos e faixas de temperaturas esperadas para
falhas específicas nos equipamentos, podem ser estimados.
Essa é a forma usual de estabelecer uma correlação entre a
formação de gases no óleo e processos ou falhas específicas
[5].
A interpretação de uma análise individual pode não ser
muito efetiva, pois, mais de uma falha pode estar ocorrendo ao
mesmo tempo ou ainda um tipo de falha pode progredir para
outro, tal como ocorre com alguns problemas elétricos que têm
origem em problemas térmicos. Portanto, é de fundamental
importância estabelecer uma base de dados para servir como
valores de referência, de forma tal que se torna possível
determinar a evolução temporal das concentrações dos gases,
4
tomando-se como base os valores históricos. Isso é
implementado através de coletas periódicas de amostras de
óleo, análise cromatográfica para determinar as concentrações
dos gases e formação de um banco de dados com o histórico
do transformador.
O tipo de equipamento e seu projeto têm influência no
volume de gases gerados. Tradicionalmente a análise de gases
é utilizada em transformadores de potência. Entretanto, é uma
técnica recomendada para qualquer equipamento que utilize
isolamento de papel impregnado imerso em óleo. A
recomendação da IEC 60599 para análise de gases dissolvidos
reconhece um comportamento diferenciado entre os
equipamentos quanto à geração de gases, estabelecendo
diferentes limites por tipo de equipamento. É importante
salientar que para baixas concentrações de gases a incerteza é
significativa, e no cálculo das relações entre os gases pode
representar uma variação de até 40%. Esse fato é
particularmente importante para transformadores de medição
que apresentam normalmente baixas concentrações de gases
[5].
Em [3], [4], é especificado que quando as relações ou
concentrações de gases excedem seus respectivos valores
típicos, uma tentativa de diagnóstico pode ser feita aplicando
um dos métodos padrões de diagnóstico de análise de gases
dissolvidos (métodos de Dörnenburg e Rogers) [11]. Essa
característica já acrescenta uma limitação aos métodos.
Esses métodos levam a um número significativo de casos
onde nenhum diagnóstico pode ser dado, porque os valores das
relações ficam fora da faixa de falhas. O método do gás chave
leva a um grande número de diagnósticos errados. O método
triângulo de Duval é uma abordagem gráfica, com menos
erros, que gera coordenadas normalizadas em um sistema de
coordenadas triangulares, tal que os pontos de dados caem
dentro de uma zona correspondendo a um tipo de falha [11].
V. RESULTADOS DE CÁLCULOS DAS IMPRECISÕES DOS
MÉTODOS DE ANÁLISE DE GASES DISSOLVIDOS
Com base no banco de dados gerais de diagnósticos de
casos testados, da IEC TC 10 [7], foram feitos cálculos
utilizando os principais métodos de diagnósticos de falhas
incipientes, para se obter a percentagem de acertos de tais
métodos, e assim verificar a sua confiabilidade. Os valores
encontrados são mostrados na Tabela VII.
Para cada conjunto de gases medidos a condição dos
equipamentos foi determinada através de medições específicas
e inspeções visuais feitas por especialistas. Essa base de dados
apresenta vários conjuntos de dados relativos a diferentes
equipamentos, sendo organizada por tipo de falha e
identificada por tipo de equipamento [5]. Os cálculos foram
feitos com os dados em conjunto.
TABELA VII
RESULTADOS DE APLICAÇÃO DOS MÉTODOS
Método Acerto (%)
Rogers conforme IEC 599 - 1978 49,57

Rogers IEC 599 - 1978 com extensões [9] 56,41
Rogers IEEE C57.104 - 1991 53,85
Rogers IEEE C57.104 - 2008 53,85
Dörnenburg original 63,25
Dörnenburg IEEE C57.104 - 1991 64,10
Dörnenburg IEEE C57.104 - 2008 65,81
Triângulo de Duval (IEC 599 - 1999) 88,03
Os métodos clássicos apresentam uma taxa de acerto
relativamente baixa, sendo o triângulo de Duval o método com
melhor taxa de acerto entre os estudados (88,03% pela Tabela
VII). Além disso, os métodos de Rogers e Dörnenburg
apresentam problemas de não diagnóstico (vide Seção IV).
Uma possibilidade de aumentar a taxa de acerto no diagnóstico
de transformadores seria a utilização de inteligência artificial,
como por exemplo, as redes neurais artificiais.
VI. APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS AO
DIAGNÓSTICO DE ANÁLISE DE GASES DISSOLVIDOS
A. Redes Neurais Artificiais
Uma rede neural artificial (RNA) consiste basicamente de
um sistema formado por um grande número de elementos de
processamento simples (os neurônios) interconectados por
ligações (sinapses) ponderadas. Há diversos modelos de RNAs
que diferem em aspectos como, por exemplo [12], [17]: (i) o
padrão das conexões entre os neurônios (arquitetura), e (ii) o
método de determinação dos pesos das conexões (treinamento
ou aprendizado). A Fig. 2 apresenta um exemplo de modelo de
RNA muito utilizado na literatura: o perceptron de múltiplas
camadas (MLP – Multilayer Perceptron) [17].
Fig. 2. RNA feedforward [13].
Na MLP os neurônios são organizados em camadas
(entrada, escondida e saída). A informação flui neste tipo de
RNA da camada de entrada, passa pela(s) camada(s)
escondida(s) e gera uma resposta na camada de saída [17].
Considerando na Fig.2 n neurônios na camada de entrada
(x1, ..., xn), h neurônios na camada escondida (z1, ..., zh), e m
neurônios na camada de saída (y1, ..., ym), denomina-se: wji o
peso da conexão entre a entrada xi e o neurônio zj da camada
escondida, e βkj o peso da conexão entre o neurônio zj e o
neurônio de saída yk [13]. Algoritmos de aprendizagem como
5
o backpropagation [17] aprendem a relacionar entradas com
saídas, a partir de dados fornecidos à MLP, ao ajustar estes
pesos wji e βkj – o que permite aproximar uma função entre
entrada e saída apenas a partir de dados coletados.
B. Método de Diagnóstico Utilizando Redes Neurais
Os sistemas de monitoramento e diagnóstico de
transformadores possuem geralmente, duas funções que,
embora distintas por definição, evoluem e são utilizadas em
conjunto. O monitoramento tem por fim a aquisição de um
conjunto de dados relativos ao funcionamento do
transformador e cuja coleta envolve modernas tecnologias em
sensores, técnicas de aquisição de dados e dispositivos digitais
ou analógicos utilizados. O diagnóstico, por sua vez, está mais
relacionado à interpretação dos dados e pode ser realizado por
um especialista ou por um software especialmente
desenvolvido para este fim. Atualmente observa-se a
tendência 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 experiência de um especialista [14]-[16].
Diversos trabalhos vêm propondo sistemas inteligentes no
diagnóstico de falhas incipientes em transformadores de
potência imersos em óleo utilizando redes neurais artificiais
[8], [12]. Como forma de demonstrar os ganhos desta
abordagem, em comparação com os métodos descritos
anteriormente, no diagnóstico de falhas incipientes em
transformadores, este trabalho treinou uma rede MLP com as
seguintes características: 3 neurônios na camada de entrada (as
razões de gases R1, R2 e R5 – conforme Tabela I), uma
camada escondida com apenas 10 neurônios (configuração que
apresentou os melhores resultados em termos de redução de
erro e generalização nas simulações realizadas) e 1 neurônio
na camada escondida (o valor de saída codifica a falha
diagnosticada). Utilizando os mesmos dados da IEC TC 10
empregados para gerar a Tabela VII, sendo 70% dos dados
apresentados para treinamento e 30% para testes, obteve-se
com a RNA um percentual de acerto de 100% tanto na fase de
treinamento quanto na fase de teste.
VII. CONCLUSÕES
Apesar de versões mais recentes dos métodos indicados
pelas normas (Seção III) para diagnóstico de falhas insipientes
em transformadores com óleo isolante terem melhorado a
precisão nos acertos, os mesmos ainda apresentam muitos
erros de diagnóstico. Muitos trabalhos buscam reduzir ainda
mais esses erros utilizando métodos de inteligência artificial
(IA), como as RNAs, no diagnóstico e inclusive incorporando
conhecimentos de especialistas. Enquanto vários dos métodos
tradicionais de diagnóstico apresentam intervalos associados
às razões de gases, onde não apresentam decisão/resultado, ou
mesmo podem apresentar diagnósticos superpostos, o uso de
ferramentas de IA pode preencher esses intervalos e resolver
as superposições através de extrapolação e delimitação mais
precisa de fronteiras durante o processo de aprendizagem.

Como trabalhos futuros, pretende-se utilizar ferramentas de
IA e de extração de regras de conhecimento para propor
melhorias nas regras de decisão indicadas nas normas.
VIII. REFERÊNCIAS
[1] F. R. Barbosa, “Monitoramento e diagnóstico inteligente da qualidade
dielétrica do isolamento líquido de transformadores de potência,”
Dissertação (Mestrado em Engenharia Elétrica) – Centro de Tecnologia,
Universidade Federal do Ceará, Fortaleza, 2008.
[2] Amostragem de Gases e Óleo Mineral Isolantes de Equipamentos
Elétricos e Análise dos Gases Livres e Dissolvidos - NBR – 7070: 1981.
[3] IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed
Transformers, IEEE Standard C57.104-2008, Sept. 2008.
[4] IEC Mineral Oil-Impregnated Electrical Equipment in Service – Guide
to the Interpretation of Dissolved and Free Gases Analysis, IEC 60599
– 2008.
[5] R. Zirbes, J. G. Rolim e H. H. Zürn, “Metodologias para avaliação e
diagnóstico do estado de isolamentos de papel impregnado com óleo
mineral,” Revista Controle & Automação, Vol. 16, Nº 3, pp. 318-330,
Jul./Ago./Set. 2005.
[6] M. Duval, “A Review of Faults Detectable by Gas-in-Oil Analysis in
Transformer,” IEEE Electrical Insulation Magazine, Vol. 18, Nº 3, pp.
8-17, May/June 2002.
[7] M. Duval e A. de Pablo, “Interpretation of Gas-in-Oil Analysis Using
New IEC Publication 60599 and IEC TC 10 Databases,” IEEE
Electrical Insulation Magazine, Vol. 17, Nº 2, pp. 31-41, March/April
2001.
[8] Z. Wang, “Artificial intelligence applications in the diagnosis of power
transformer incipient faults,” Ph. D. dissertation, Faculty of the Virginia
Polytechnic Institute and State University, Blacksburg, 2000.
[9] S. E. U. de Lima, “Diagnóstico inteligente de falhas incipientes em
transformadores de potência utilizando a análise dos gases dissolvidos
em óleo,” Dissertação (Mestrado em Engenharia Elétrica) – Centro de
Tecnologia, Universidade Federal do Ceará, Fortaleza, 2005.
[10] ABNT NBR 7274: Interpretação da Análise dos Gases de
Transformadores em Serviço. Rio de Janeiro, 1982.
[11] M. Duval e J. Dukarm, “Improving the Reliability of Transformer Gas-
in-Oil Diagnosis,” IEEE Electrical Insulation Magazine, Vol. 21, Nº 4,
pp. 21-27, July/August 2005.
[12] D. R. Morais, “Ferramenta inteligente para a detecção de falhas
incipientes em transformadores baseada na análise de gases dissolvidos
no óleo isolante,” Dissertação (Mestrado em Engenharia Elétrica) –
Universidade Federal de Santa Catarina, Florianópolis, 2004.
[13] M.A.B. Amora, O.M. Almeida, A.P.S. Braga, F.R. Barbosa, , S.S. Lima,
V. B. L. Benigno, L. A. C. Lisboa, “Estudo de métodos para obtenção
de conhecimento de redes neurais,” IX SBAI Simpósio Brasileiro de
Automação Inteligente, 2009, Brasília. Anais do IX SBAI , 2009.
[14] M.A.B. Amora, et al. “Decompositional Rule Extraction from Artificial
Neural Networks and Application in Analysis of Transformers,”
Intelligent System Applications to Power Systems, 2009. ISAP '09. 15th
International Conference on.
[15] F.R. Barbosa, O.M. Almeida, A.P.S. Braga, C.M. Tavares, M.A.B.
Amora, F.A.P. Aragao, P.R.O. Braga, S.S. Lima, “Artificial Neural
Network Application in Estimation of Dissolved Gases in Insulating
Mineral Oil from Physical-Chemical Datas for Incipient Fault
Diagnosis,” Intelligent System Applications to Power Systems, 2009.
ISAP '09. 15th International Conference on.
[16] A.A.C. Freitas, “Redes Neurais Artificiais Aplicadas em
Transformadores de Distribuição Imersos em Óleo”, Tese de Mestrado,
UNESP/FE/DEE, Bauru-SP, 2000.
IX. BIOGRAFIAS
Rafael Oliveira de Sousa nasceu em Brasília - Distrito
Federal no Brasil em 1983. Possui graduação em
Engenharia Elétrica pela Universidade Federal do Ceará
(2007), mestrado em Engenharia Elétrica pela
Universidade Federal do Ceará (2010). Atualmente é
estudante de doutorado em Engenharia Elétrica na
Universidade Federal do Ceará. Tem experiência na área
6
de Engenharia Elétrica, com ênfase em Transformadores de Potência, e
Sistemas de Transmissão e Distribuição, atuando principalmente nos
seguintes temas: Modelagem termo-eletromagnética de transformadores,
projetos de transformadores e lavagem de isoladores.
Márcio André Baima Amora graduado em
engenharia elétrica pela Universidade Federal do
Pará (1998), mestrado em engenharia elétrica pela
Universidade Federal do Pará (2001). É atualmente
professor assistente na Universidade Federal do
Ceará. Tem experiência na área de Engenharia
Elétrica, com ênfase em inteligência computacional
aplicada, trabalhando principalmente nas seguintes
áreas: diagnósticos de falhas incipientes em
transformadores, análise de carga de transformadores de potência, geração de
energia eólica, análise de estabilidade transitória.
Fábio Rocha Barbosa formação técnica em
eletrotécnica pelo Centro Federal de Educação
Tecnológica do Ceará (1999), graduado em
engenharia elétrica pela Universidade Federal do
Ceará (2004), mestrado em engenharia elétrica pela
Universidade Federal do Ceará (2008). Tem
experiência na área de Engenharia Elétrica, com
ênfase em inteligência artificial aplicada à
engenharia. Atualmente é estudante de doutorado em
Engenharia Elétrica na Universidade Federal do
Ceará e desenvolve pesquisa na área de monitoramento e diagnóstico de
transformadores de potência imersos em óleo isolante.
Ricardo Silva Thé Pontes nasceu em Fortaleza –
Ceará no Brasil. Possui graduação em Engenharia
Elétrica pela Universidade Federal do Ceará (1979),
mestrado em Engenharia Elétrica pela Universidade
de Brasília (1983) e doutorado em Engenharia
Elétrica pela Universidade Federal de Uberlândia
(2002). É o coordenador e principal responsável pelo
LAMOTRIZ/UFC – Laboratório de Eficiência
Energética em Sistemas Motrizes Industriais.
Atualmente é Professor Associado II do
Departamento de Engenharia Elétrica da Universidade Federal do Ceará. Tem
experiência na área de Engenharia Elétrica, com ênfase em Máquinas
Elétricas, Automação industrial e Eficiência energética, atuando
principalmente nos seguintes temas: eficiência em força motriz, máquinas de
indução linear, máquinas elétricas de relutância, modelagem eletromagnética
de máquinas elétricas, modelagem termo-eletromagnética de transformadores
e monitoramento digital de sistemas ambientais.
Arthur Plínio Souza Braga graduado em engenharia
elétrica pela Universidade Federal do Ceará (1995),
mestrado em engenharia elétrica pela Universidade de
São Paulo (1998), doutorado em engenharia elétrica
pela Universidade de São Paulo [S. Carlos] (2004),
pós-doutorado pela Universidade de São Paulo / São
Carlos - USP / SC (2006). É atualmente professor
Adjunto da Universidade Federal do Ceará,
trabalhando principalmente nas seguintes áreas:
aprendizagem por reforço, agentes autônomos, redes
neurais, inteligência artificial, mapas auto-organizáveis.
Otacílio da Mota Almeida graduado em engenharia
elétrica pela Universidade Federal do Ceará (1987),
mestrado em engenharia elétrica pela Universidade
Estadual de Campinas (1990), doutorado em
engenharia elétrica pela Universidade Federal de
Santa Catarina (2002). É atualmente professor
Adjunto da Universidade Federal do Ceará. Tem
experiência na área de Engenharia Elétrica, com
ênfase em automação de sistemas de potência e
processos elétricos industriais, trabalhando
principalmente nas seguintes áreas: modelagem e controle de processos,
controle de processos industriais, sistemas inteligentes.