Diagnstico de Falhas Incipientes em Transformadores de Potncia

S. E. U Lima, F. R. Barbosa, O. M. Almeida, M. A. B. Amora, P. R. O. Braga, L. S. Coelho.

Resumo O diagnstico de falhas incipientes em transformadores de potncia imersos em leo est diretamente relacionados avaliao das condies do sistema de isolamento. Neste artigo, apresenta-se uma viso geral da rea, estabelece-se o conceito de monitoramento e diagnstico e, em seguida, tcnicas de anlises so discutidas em estudos de casos. Para o desenvolvimento do sistema de diagnstico, foram utilizados dados obtidos de anlise laboratoriais e trs algoritmos inteligentes so propostos. Os algoritmos tm como finalidade, alm do diagnstico do transformador propriamente dito, solucionar a inconsistncias normativas que em certas situaes dificultam a anlise. Palavras-chave Transformadores de Potncia Imersos em leo, Diagnstico de Falhas, Anlise de Gases Dissolvidos em leo, Inteligncia Artificial, Sistemas Nebulosos. I. INTRODUO Sistemas para diagnstico e monitoramento de equipamentos do sistema eltrico de distribuio e transmisso sem a necessidade de desligamentos (on-site) tem sido proposto em nveis de pesquisas c1om implementaes prticas finais por empresas do setor eltrico (fabricantes, transmissoras e distribuidoras) [1,2]. Neste contexto, as universidades e centro de pesquisas tm desenvolvido papis importantes, principalmente em nvel de pesquisa. Isto vem ocorrendo no somente no Brasil como tambm na maioria dos pases desenvolvidos e em desenvolvimento [1, 2, 3, 4, 5]. No Brasil, mais especificamente, o interesse por esta rea tem sido acelerado nos ltimos anos devido a mudanas estruturais no setor de energia eltrica que promovem a competio em todos os nveis, estabelecem ndices mais rigorosos de qualidade tcnica e de servio (geralmente regulados por uma empresa reguladora) e at mesmo por razes tcnicas associadas ao envelhecimento natural de grande parte dos equipamentos instalados que devem, neste novo contexto, incrementar o desempenho e confiabilidade em condies inferiores poca de suas instalaes [5, 6, 7, 8]. Transformadores de potncia de grande porte so um dos mais caros e crticos componentes de uma planta eltrica de transmisso e distribuio e por isto um grande esforo vem sendo empregado para garantir seu bom funcionamento no que concerne a evitar possveis falhas que venham a ocorrer devido ao seu ciclo natural de vida ou regimes eltricos a que so submetidos. Atualmente, encontram-se disponveis ou esto em desenvolvimento um considervel nmero de ferramentas para o monitoramento e diagnstico das condies dos transformadores de potncia imersos em leo [1, 2, 3]. Os sistemas de monitoramento e diagnstico de transformadores possuem, geralmente duas funes que, embora distintas por definio, evoluem e so utilizadas em conjunto. O monitoramento tem por fim a aquisio de um conjunto de dados relativos ao funcionamento do transformador
1

e cuja coleta envolve modernas tecnologias em sensores, tcnicas de aquisio de dados e dispositivos digitais ou analgicos utilizados. O diagnstico, por sua vez, est mais relacionado interpretao dos dados e pode ser realizado por um especialista ou por um software especialmente desenvolvido para este fim [2]. Atualmente observa-se a tendncia da substituio do diagnstico feito por um especialista por sistemas automtico de diagnstico que incorporam uma forte parcela de tcnicas inteligentes para representar entre outros conhecimentos, aquele acumulado com a experincia de um especialista [5, 6, 9, 10]. Este artigo apresenta uma viso geral da rea de monitoramento e diagnstico de transformadores de potncia imersos em leo, seo 2. Para isto, estabelece-se o conceito de monitoramento e diagnstico [1, 2] e avaliam-se as tcnicas discutidas em estudos de casos na seo 3. Para o desenvolvimento do sistema de diagnstico utilizaram-se dados obtidos de anlise laboratoriais e trs algoritmos inteligentes so propostos. Os algoritmos tm como finalidade, alm do diagnstico do transformador propriamente dito, solucionar inconsistncias normativas que rege esta rea. Na seo 4, so analisados os resultados obtidos e na seo 5 so estabelecidos as concluses e desenvolvimentos futuros. II. MONITORAMENTO DE FALHAS EM TRANSFORMADORES Equipamentos para monitoramento de transformadores devem ser eficientes, de custo justificvel, fcil de instalar em campo e de baixa taxa de manuteno [1, 2]. A necessidade da instalao em campo de sistemas de monitoramento tem sua importncia se for considerando que uma grande quantidade de unidades de transformao instalada nos parques eltricos atuais data de 30 anos [2]. A idade do parque eltrico tem provocado mudanas nos planos de manuteno das empresas de distribuio e transmisso. Instalaes de equipamentos de monitoramentos e diagnsticos em transformadores resguardam-no de possveis falhas gerais causadas por elevados valores de parmetros intrnsecos ao seu funcionamento, tais como a temperatura, o nvel de descargas parciais, o carregamento e o nvel de umidade do isolamento. Tambm auxiliam, ou mesmo definem, o programa de manuteno preventiva existente nas empresas. Alm da questo tcnica, importncia tambm tem sido dada questo ambiental o que tem levado ao desenvolvimento de novos tipos de leos isolantes, principalmente do leo vegetal [13]. A. Anlise de Gases Dissolvidos no leo (DGA) Os mtodos de diagnsticos com base em DGA [5, 6, 14, 15, 16] so os mais estudados e os mais aplicados a transformadores de potncia imersos em leo. Estes mtodos baseiam-se na anlise de tipos de concentrao e taxa de produo de gases gerados e dissolvidos no leo do transformador e procuram associar o tipo de falha ao gs presente, por exemplo, descargas eltricas levam gerao de acetileno enquanto a presena de dixido de carbono est associada ao sobreaquecimento da celulose. Mtodos

Este trabalho vem sendo desenvolvido com apio de um convnio de pesquisa e desenvolvimento firmado entre o DEE-UFC e ENDESACGTF e COELCE

convencionais de DGA tm sido empregados por mais de trinta anos e constitui uma tcnica de sucesso que, aliada a novas tecnologias, ganha novo impulso a cada ano. A utilizao destes mtodos por dcadas seguidas levou a uma base de conhecimento profunda na caracterizao do equilibro dos gases no interior dos transformadores. B. Monitoramento em Tempo-Real O sensor Hydran M2 da empresa GE um exemplo de sensor para a medida de concentrao de gases combustveis, hidrognio e carbnicos em monitoramento em tempo-real. Atualmente, o interesse por pesquisas na rea de sensores voltase para o desenvolvimento de dispositivos opto-eletrnicos para anlise de gases dissolvidos em leo isolante. Isto se deve elevada imunidade eletromagntica destes sensores possibilitando sua insero no interior do transformador. Sensores de fibra ptica associados a sistemas DSP (Digital Signal Processing) e a tcnicas de identificao temporal ou espectral, encontram-se em fase de desenvolvimento [2, 4, 7, 8]. Neste ltimo caso, sistemas baseados em computao inteligente [9, 10, 11, 12] devem ser utilizados para modelagem e diagnstico. De uma forma geral, pode-se dizer que a tecnologia de monitoramento em tempo real das condies do isolamento de transformadores encontra-se em fase de pesquisa e desenvolvimento, com elevado nmero de resultados em aplicaes prticas. III. DIAGNSTICO O diagnstico de transformadores imersos em leo corresponde interpretao do conjunto de dados obtidos a partir do sistema de monitoramento e deve fornecer recomendaes que definam o ciclo de funcionamento do transformador. Os mtodos de diagnsticos so utilizados para determinar as condies atuais de funcionamento dos transformadores, auxiliar em previses quanto ao seu uso futuro, bem como, para emitir sinais de alerta em advertncia a condies crticas de funcionamento. Conforme [1, 2, 14] os mtodos de diagnsticos podem ser agrupados em trs conjuntos classificados por tipo de falha: i) Falhas Trmicas. Estes tipos de falhas podem ser analisados atravs do mtodo DGA, que considera a concentrao dos gases dissolvidos no leo, da temperatura, e da medida do grau de polimerizao, que quantifica a degradao da celulose. ii) Falhas Relacionadas ao Dieltrico. A caracterizao e localizao das descargas parciais o principal mtodo empregado para detectar falhas relacionadas falhas no dieltrico. iii) falhas Mecnicas. Estas falhas geralmente so resultados de foras provocadas por curto-circuito ou por vibrao dos enrolamentos e ncleo. Os resultados destas falhas so as deformaes dos enrolamentos e chapuz. A. Mtodo de Diagnstico Inteligente Baseado em DGA Os principais gases formados a partir da decomposio do leo mineral de transformadores submetidos falhas so: hidrognio (H2), metano (CH4), etano (C2H6), etileno (C2H4), acetileno (C2H2). No mtodo de anlise baseado nas razes entre os gases so definidas razes entre esses cinco gases de modo que seja possvel a identificao de uma falha tomando por base a faixa em que se encontra cada razo. Historicamente as razes mais utilizadas so apresentadas na Tabela 1.

Tabela 1. Razes entre as concentraes dos gases

CH4 Razo Notao H2 R1

C2H2 C2H2 C2H6 C2H4 R2 CH4 C2H2 R4

C2H4 C2H6 R5

R3

Desde que todos os fenmenos relacionados ao diagnstico de falhas em transformadores so caracterizados por imprecises, incertezas nas medidas e no-linearidades no modeladas, mtodos convencionais, combinados com mtodos baseados em inteligncia computacional [10, 12] e em especial, os sistemas nebulosos e neurais podem ser empregados de forma eficiente para diagnsticos automticos de falhas. B. Sistema de Diagnstico Baseado em Regras Para desenvolver um sistema de diagnstico de falhas em transformadores de potncia a partir de um sistema baseado em regras nebulosas ou fuzzy [10,11,12] deve-se definir inicialmente um conjunto de regras de deciso. Neste projeto, para elaborar a base de regras, foi utilizada a norma IEC 599 [18, 19]. A partir desta norma se estabeleceu os valores tpicos das razes entre os gases para formar a base de regras. Sabe-se, entretanto, que combinaes de diferentes razes cobertas pela norma IEC 599 podem no ocorrer na prtica o que leva a srios problemas de indeciso ou no deciso no diagnstico. Para resolver o problema da no deciso foram propostas adies ao padro IEC de modo a cobrir todos os valores possveis das razes, evitando as inconsistncias. C. Sistemas Nebulosos Modelagem Nebulosa Neste projeto, foram desenvolvidos trs mtodos que utilizam o conceito de sistemas nebulosos, para monitoramento e classificao do tipo de falha em transformadores. O primeiro sistema utiliza a norma IEC 599 de 1978 para formar a base de regras de inferncia. A norma IEC 599 classifica os padres de falhas em funo de trs razes de concentrao dos gases (R1, R2 e R5) (IEC, 1978; IEC 1996). Para cada uma das trs entradas so definidas trs faixas de valores, que em representao nebulosa so: Pequena (P), Mdia (M) e Grande (G). Para cada combinao das variveis de entrada possvel associar um padro de falha. Os padres de sada possveis so: Normal (condio de envelhecimento normal), Low Energy Discharge - LED (descargas parciais), Overheating - OH (quatro nveis de temperatura de sobreaquecimento: T1, T2, T3 e T4) e High Energy Discharge HEDA (quatro nveis de descargas de alta energia: 1, 2, 3 e 4). Entretanto, observa-se na Figura 1 e na Tabela 2, que podem ser encontrados problemas de aplicao desta base de regras devido ao fato da norma apresentar o problema de no decises, ou seja, regies que no esto associadas a qualquer padro de falha.

Figura 1. Representao da base de regras do sistema 1.

Tabela 2. Conjunto de regras para o sistema nebuloso 1

R2

R1 P M G P M G P M G

R5 P M G LED NORMAL OH_T1 OH_T2 OH_T3 OH_T4 HEDA_1 HEDA3 HEDA_3 HEDA_4 HEDA_4 -

mdia temperatura), High Temperature Overheating HTO (sobreaquecimento de alta temperatura), Partial discharge - PD (descargas parciais de baixa energia), Middle energy Discharge - MD (descargas de mdia energia) e High energy Discharge - HD (descargas de alta energia). As dimenses das variveis e da base de regras para este mtodo so apresentadas na Figura 3 e Tabela 4, respectivamente.

No segundo sistema, foram adicionadas regras com o objetivo de solucionar a incapacidade da norma IEC 599 de identificar a falha em determinados casos (problema da no deciso). Assim o sistema capaz de realizar um diagnstico para todos os valores assumidos pelas variveis de entrada (R1, R2 e R5). Isso pode ser facilmente observado na Tabela 3, pois neste caso constata-se que todos os espaos esto preenchidos. Este modelo apresenta ainda uma melhor definio da indicao de descargas de alta energia (High Energy Discharge - HEDA), apresentando quatro nveis distintos de descargas. A Figura 2 e Tabela 3 apresentam as dimenses das variveis e base de regras para este mtodo.

Figura 3. Representao da base de regras do sistema 3. Tabela 4. Conjunto de regras para o sistema nebuloso 3.

C2H2 C2H6 MP P M G

MP LTO PD MD HD

C2H4 C2H6

M HTO HTO MD HD

G HTO HTO HD HD

MTO MTO+PD MD HD

C.1. Funes de Pertinncia Para todos os trs sistemas nebulosos propostos foram utilizadas funes de pertinncia gaussianas para as entradas e triangulares para os padres de sada. C.2. Mquina de Inferncia
Figura 2. Representao da base de regras do sistema 2. Tabela 3. Conjunto de regras para o sistema nebuloso 2

R2

R1 P M G P M G P M G P LED NORMAL OH_T2 HEDA_1 HEDA_3 HEDA_3 HEDA_2 HEDA_4 HEDA_4

R5 M LED OH_T1 OH_T3 HEDA_1 HEDA3 HEDA_3 HEDA_2 HEDA_4 HEDA_4

G LED OH_T1 OH_T4 HEDA_1 HEDA_3 HEDA_3 HEDA_2 HEDA_4 HEDA_4

Para implementar a mquina de inferncia, a implicao de Mamdani [9,10,11] utilizada. Dado o conjunto nebuloso apresentado na sada do subsistema de inferncia realizada a operao de matching entre os padres possveis de sada e a sada atual. Cada padro de sada est associado a um tipo de falha, de modo que a sada do sistema apresenta o grau de similaridade entre a sada atual da mquina de inferncia e os padres de falha. A Figura 4 apresenta o diagrama de blocos do sistema nebuloso implementado.

No terceiro sistema, para classificao das falhas, utilizada uma nova base de regras. As variveis de entrada deste sistema so os valores assumidos pelas razes: C2H2/C2H6 e C2H4/C2H6, portanto nesse modelo utiliza-se a razo C2H2/C2H6 que no est definida na norma IEC 599 [21]. Para cada entrada so definidos quatro conjuntos nebulosos: Muito Pequeno (MP), Pequeno (P), Mdio (M) e Grande (G). Para este modelo os padres de sada definidos so: Low Temperature Overheating - LTO (sobreaquecimento de baixa temperatura), Middle Temperature Overheating - MTO (sobreaquecimento de

Figura 4. Diagrama de blocos do sistema nebuloso implementado.

IV. O MECANISMO DO DIAGNSTICO BASEADO EM REDES NEURAIS As redes neurais utilizadas no diagnstico de falhas realizam, basicamente, um mapeamento no linear entre as entradas e sadas. Supe-se que as relaes entre o vetor de

entrada (X) e o vetor de sada (Y) so definidas pela natureza fsica do problema, e estas relaes podem ser representadas por um nmero limitado de pares de entradasada (amostras de dados). Estas suposies so de fundamental importncia, principalmente para analisar se uma determinada amostra realmente representativa para um dado sistema. A aplicao de redes neurais no diagnstico de falhas apresenta duas fases. A primeira fase o processo de treinamento, durante o qual um conjunto de amostras de dados fornecido rede. Nesta fase, os pesos dos neurnios da rede so ajustados iterativamente para memorizar as relaes de entrada-sada. A segunda fase um processo de teste ou validao, durante o qual um conjunto de amostras alimentado rede, e sadas so calculadas atravs dos valores dos pesos memorizados pela rede. A primeira fase uma tarefa que geralmente exige um grande esforo computacional e podem ser necessrios muitos passos de iterao para atingir a exatido requerida. nesta fase que os estudos esto concentrados. Definies tais como: o algoritmo de aprendizagem, a topologia da rede e o vetor de dados utilizados podem ser intencionalmente mudados para otimizar o desempenho da rede. Uma vez encerrada esta fase, as especificaes da rede so fixadas e no podem ser mudadas na fase de teste. A segunda fase mais simples, envolve somente o clculo da sada da rede para um dado conjunto de amostras e a verificao da adequao do modelo a um critrio de avaliao de desempenho. O tempo de processamento menor que o da primeira fase. V. A REDE NEURAL PERCEPTRON MULTICAMADA (MULTI-LAYER PERCEPTRON - MLP) A MLP talvez a rede neural mais popular em aplicaes de reconhecimento de padro [9]. Como um exemplo, a Figura 5 ilustra uma MLP com camada escondida, onde os crculos representam os neurnios, os retngulos as unidades de entradas (x) e sadas (y), e as setas os sinais da funo de propagao direta. Esta uma rede totalmente conectada.

y (j l ) = v (j l ) =

0 w i(jl ) x i(jl ) i=

(1)

A funo () a funo de ativao do neurnio. A funo de ativao (v) uma funo no-linear suave e pode ter vrias formas, tais como a funo logstica da equao e a funo tangente hiperblica da equao (2).
(v ) = a tan (bv )

(a, b ) > 0

(2)

O treinamento de uma MLP geralmente usa um algoritmo back-propagation, que consiste de dois passos o passo direto e o passo anterior (backward). No passo direto os pesos da rede so fixos e a equao (1) repetidamente usada para obter as sadas das entradas atravs de todas as camadas. Para a seleo de uma MLP, neste estudo, foram considerados alguns fatores. Primeiro, o diagnstico de falha um problema de mapeamento no-linear complexo, devido ao fato das entradas e sadas serem ambas multivariveis e no existe nenhuma relao linear obtida at o presente momento. Segundo, uma MLP de trs camadas (com apenas uma camada escondida) tem a capacidade de aproximar qualquer funo, independente de sua complexidade. Em geral, as MLPs com mais do que uma camada escondida so mais eficientes. Terceiro, o algoritmo de treinamento Back-Propagation tem sido aplicado a diversos problemas com sucesso. O treinamento do tipo supervisionado, pois a cada iterao conhecida a sada desejada e pode-se calcular o erro. Desta forma, esperase que uma MLP seja capaz de modelar com suficiente preciso o sistema estudado. VII. RESULTADOS Para realizao da etapa de testes e avaliao dos resultados foram coletados dados de transformadores da COELCE (Companhia Energtica do Cear), provenientes de 135 anlises cromatogrficas realizadas nos anos de 2001, 2002 e 2003. A ttulo de exemplo, a Tabela 5 apresenta alguns dados retirados do conjunto de dados utilizados.
Tabela 5. Dados utilizados para teste dos sistemas propostos.

Amostra 1 2 3 4 5 6 7 8

H2 2 21 58 1 4 2 3 36

CH4 28 5 2 3 2 4 6 4

C2H4 63 13 0 11 8 6 11 3

C2H6 0.2 2 0 2 2 3 4 3

C2H2 0 0 0 0 0 0 0 0

Figura 5. MLP com camada escondida totalmente conectada.

As memrias so os pesos entre as camadas, mas podem ser representadas como wij do neurnio de entradasaida relacionado na equao (1).

Dentre as 135 amostras so encontradas situaes de funcionamento normais e falhas incipientes como pode ser observado na Tabela 6, de modo que, submetendo-se os modelos avaliao do grau de certeza apresentado no diagnstico, pode-se avaliar o desempenho de cada um dos sistemas de diagnstico propostos. Os resultados apresentados no laudo tcnico do especialista responsvel so considerados como as sadas desejadas.

Tabela 6. Classificao dos dados utilizados quanto ao tipo de falha.

Tipos de Falhas / Normal Sobreaquecimento no leo Sobreaquecimento na celulose Descargas de baixa energia Descargas de alta energia Normal TOTAL A. Sistema Fuzzy de Diagnstico

Quantidade 78 17 25 11 4 135

Os melhores resultados apresentados conduzem a nveis de 91% de acerto no diagnstico. Esses resultados so obtidos quando realizada uma seleo dos dados de entrada de forma a obter uma amostra representativa dos cinco padres de falhas analisadas. Com a anlise de desempenho em funo do nmero de neurnios da camada escondida resolve-se o problema da otimizao desta topologia. O problema mais amplo de otimizao envolve a comparao com outras topologias. VII. SOFTWARE Foram implementados dois mtodos de diagnstico, baseados em inteligncia computacional, de transformadores de potncia em funo dos gases dissolvidos no leo isolante. Os algoritmos de diagnstico de falhas baseados em redes neurais e sistemas nebulosos foram desenvolvidos utilizando uma interface grfica com o software C++ Builder. Os algoritmos tm como finalidade, alm do diagnstico do transformador propriamente dito, solucionar as inconsistncias normativas que regem esta rea. A Figura 6 apresenta a tela grfica do diagnstico do transformador baseado em redes neurais e/ou sistema Fuzzy utilizando como entrada as concentraes de gases dissolvidos no leo. O software apresenta a possibilidade da utilizao direta das concentraes dos gases nas entradas ou atravs das razes. Na sada, possvel observar o resultado apresentado pelo sistema fuzzy ou neural, ou ainda, ambos os diagnsticos.

O primeiro sistema nebuloso apresentou o diagnstico idntico ao fornecido no laudo tcnico em 67% das 135 amostras. Este baixo ndice se deve em grande parte ao problema da no deciso, pois 81% dos erros cometidos so devido a este problema. O segundo sistema nebuloso tem um ndice de acerto de 83% nas 135 amostras. Neste caso a grande maioria dos erros se deve ao fato do sistema no considerar o sobreaquecimento e degradao da celulose atravs de regras especiais. Assim o sistema induzido ao erro na maioria dos casos em que o ponto quente se localiza na celulose. Para solucionar este problema pode-se utilizar a razo entre os gases monxido de carbono (CO) e dixido de carbono (CO2) como parmetro de anlise. Uma razo CO2/CO na faixa de 3.0 a 10.0 considerada normal. De modo semelhante a norma IEC 599 prope a faixa aceitvel de funcionamento normal como: 0.07<CO/CO2< 0.30. Para sobreaquecimento da celulose a muito altas temperaturas (sob condio de arco, por exemplo) a razo CO/CO2 aproxima-se de 1:1, em conseqncia de uma gerao muito rpida de CO. Para condies de leve sobreaquecimento (problemas de ventilao ou sobrecarga) o CO2 cresce muito mais rapidamente que o CO, portanto a taxa de CO/CO2 fica na faixa de 1:20 a 1:10. O ndice de acerto do mtodo foi da ordem de 91%. O terceiro sistema nebuloso apresentou um ndice de acerto de 76% nas 135 amostras. Para este sistema, os erros se devem a incapacidade do mtodo em identificar corretamente os casos de descargas parciais. Este mtodo apresenta uma particularidade em relao ao diagnstico de sobreaquecimento identificando uma temperatura de falha em uma faixa superior temperatura apresentada no laudo tcnico. B. Sistema Neural de Diagnstico Para o treinamento da rede neural o conjunto total de dados com as concentraes de gases dissolvidos no leo foi dividido em dois grupos: conjunto de treinamento e de validao. O conjunto de treinamento possui 100 amostras e o conjunto de validao 35 amostras. A cada simulao, as 135 amostras foram divididas nestes dois grupos de forma aleatria, no final foi tomada a mdia dos resultados de cada simulao. Na Tabela 7 so apresentados os valores mdios do percentual de acerto em funo do nmero de neurnios utilizados na camada escondida.
Tabela 7. Percentual mdio de acerto

Figura 6 Software de diagnstico Neuro/Fuzzy.

Nmero de neurnios da camada escondida 6 7 8 9 10 11 12 13 14 15

Percentual mdio de acerto do diagnstico 83.36% 88.54% 86.17% 85.04% 89.06% 89.67% 91.42% 91.23% 91.84% 90.46%

IX. CONCLUSES Mtodos de monitoramento e diagnstico de falhas incipientes em transformadores baseados na anlise de gases dissolvidos no leo isolante obtiveram indiscutvel sucesso durante estes ltimos 30 anos. Entretanto, este sucesso deve-se ao conhecimento e experincias de alguns especialistas. de interesse geral dos engenheiros de manuteno que este conhecimento e experincias sejam cientificamente organizados e representados em linguagem de mquinas inteligentes. Por outro lado, novas tecnologias de diagnsticos de falhas precisam ser desenvolvidas em aplicaes prticas especialmente quando tcnicas de inteligncia artificial tm sugerido a possibilidade de aprendizagem diretamente de conjunto de dados. Este artigo apresentou uma viso geral da rea de diagnstico de transformadores de potncia imersos em

leo. Para o desenvolvimento do sistema de diagnstico utilizaram-se dados obtidos de anlise laboratoriais e duas (Fuzzy e Neural) metodologias foram utilizadas. Os algoritmos tm como finalidade, alm do diagnstico do transformador propriamente dito, solucionar inconsistncias normativas que regem esta rea. Comparando-se os resultados apresentados na utilizao dos trs modelos nebulosos aplicados ao diagnstico de falhas internas de transformadores, observa-se que, para as condies crticas (falhas severas) os trs modelos apresentaram um correto diagnstico. Para esta anlise, foi considerado que as falhas crticas so aquelas que envolvem sobreaquecimento de alta temperatura (>700C), ou descargas de alta energia. Nos demais resultados, foram observados diagnsticos que demonstram uma posio conservadora dos modelos, principalmente para o terceiro sistema, quando comparado com os diagnsticos apresentados nos relatrios de anlise de gases dissolvidos realizados. Buscando melhorar a exatido dos mtodos de diagnstico nebuloso propostos no item III.C, encontra-se em desenvolvimento um sistema de diagnstico que utiliza as sadas do segundo e terceiro mtodo. Visto que o segundo particularmente eficaz em detectar falhas devido a todos os tipos de descargas enquanto o terceiro mais especializado em detectar sobreaquecimento. Ser includo tambm no sistema de diagnstico os limiares inferiores e superiores de concentrao dos gases dissolvidos. Os resultados apresentados na utilizao de redes neurais aplicadas ao diagnstico de falhas internas de transformadores apresentaram um percentual elevado de diagnstico correto. Entretanto, para esta anlise foram considerados apenas quatro tipos de falhas (falha trmica de baixa temperatura, falha trmica de alta temperatura, descargas de baixa energia e descargas de alta energia e degradao da celulose), deixandose de fora os demais tipos possveis de falhas. O diagnstico de sobreaquecimento e da degradao da celulose ainda constitui um ponto crtico. Portanto, devem-se realizar mais estudos para melhorar o desempenho do sistema nesta situao. AGRADECIMENTOS Este artigo foi produzido no projeto de fundos setoriais de P&D da ANEEL/CGTF no convnio CGTF/ASTEF. Os autores agradecem o suporte e apio tcnico e laboratorial da ENDESA/CGTF e COELCE. REFERNCIAS BIBLIOGRFICAS [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 Distribuio Imersos em leo, Tese de Mestrado, UNESP/FE/DEE, Bauru-SP, 2000. [6] Freitas, A. A. C. (2000). Redes Neurais Artificiais Aplicadas em Transformadores de Distribuio Imersos em leo, Tese de Mestrado, UNESP/FE/DEE, Bauru-SP. [7] Cavaleiro P.M., Arajo, 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., USA, 2000. [10] Chen, C. H., Fuzzy Logic and neural network Handbook, McGrawHill, 1996. [11] Hesk, T. and neporent, J.; Fuzzy logic for Real World Design, AB AnnaBooks Ed., 1999 [12] Almeida, M. O., Passold, F. e Borges, P. S. S. (2000). Design Issues And Laboratory Experiments In Fuzzy PID Control Teaching -XVIII Brazilian Congress of Engineering Teaching COBENGE 2000, Ouro Preto Brasil. [13] Oemmen, T. V. Vegetable Oils for Liquid-Filled Transformers, IEEE Electrical Insulation Magazine, pp. 6 11, 2002. [14] M.A Wang, Z. (2000). Artificial Intelligence Applications in the Diagnosis of Power Transformer Incipient Faults, doctorad thesis, Blacksburg, Virginia. [15] Y. Zhang, X. Ding e Y Liu, An Artificial Neural Approach to Transformer Fault Diagnosis, IEEE Trans. On Power Delivery, No.4, October 1996, pp.1836-1841. [16] M. Tsuchie, Recent Diagnostic Technology on Oilimmersed Power Transformer in Japan, Mitsubishi Eletric Corporation, 2002, pp. 1496-1499. [17] Blue R. and Uttamchandani, G. D. A Novel Optical Sensor for the Measurement of Furfuraldehyde in Transformer oil, IEEE Transaction on Instrumentation and Measurement, Vol. 47 N. 4, pp. 964-966, 1998. [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] Roizman, O. e Davydov, V. Neuro-fuzzy Algorithms for power Transformer Diagnostics, IEEE 2000, pp. 253-258, 2000. [21] Tsuchie, M.; Recent Diagnostic Technology on Oilimmersed 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.