4 RESULTADOS
4.7 Exemplos de diagnóstico para casos críticos
Este tópico faz uma análise dos erros cometidos pelo método de Duval que conseguem ser corrigidos pelo ANFIS 02. Ao simular o método de Duval para o conjunto de dados submetidos a um erro com desvio padrão de 15%, conforme descrito na seção anterior, a matriz de confusão formada a partir da validação resultante é mostrada na Tabela 4.28.
Tabela 4.28 – Matriz de Confusão para o método de Duval
T1/T2 T3 DP D1 D2 T1/T2 2 0 1 0 0 T3 1 2 0 0 0 DP 0 0 2 1 0 D1 0 0 0 3 0 D2 0 0 0 1 2 Fonte: autor
Utilizando o mesmo conjunto de dados para treinar e validar o ANFIS 02, é obtida a matriz de confusão mostrada na Tabela 4.29.
Tabela 4.29 – Matriz de Confusão para o ANFIS 02 T1/T2 T3 DP D1 D2 T1/T2 2 1 0 0 0 T3 0 3 0 0 0 DP 0 0 3 0 0 D1 0 0 0 3 0 D2 0 0 0 1 2 Fonte: autor
Os resultados indicam uma melhoria no diagnóstico das falhas T3 e PD do ANFIS 02 em relação ao método de Duval. Os resultados obtidos mostram que o ANFIS 02 seguiu o mesmo comportamento descrito para amostras sem erro. A Tabela 4.30 mostra os casos para os quais o ANFIS 02 acertou o diagnóstico enquanto o Duval comete um engano.
Tabela 4.30 – Amostra com diagnóstico incorreto Caso %CH4 %C2H2 %C2H4 Diagnóstico Especialistas Diagnóstico Duval Diagnóstico ANFIS 02 A1 49,07 0,99 49,94 T3 T2 T3 A2 96,46 1,76 1,78 PD D1 PD Fonte: autor
Esses dados ficam em regiões do triângulo de Duval muito próximas dos limites dos tipos de defeito, isto é, das fronteiras entre as falhas. Essa proximidade torna o diagnóstico suscetível a falhas, uma vez que o método de Duval considera limites precisos para o diagnóstico.
Conforme indicado na Figura 4.12, caso A1 está no limiar entre os defeitos térmicos T2 e T3. O método de Duval considera que este conjunto de dados indica uma falha do tipo T2, uma vez que o percentual de C2H4 está abaixo de 50%. O ANFIS 02 conseguiu diagnosticar corretamente a falha, pois é baseado na lógica difusa, ou seja, lida com imprecisões de modo mais eficiente. Isso acontece, pois o ANFIS 02 possui duas funções de pertinência para codificar as informações de entrada, uma função classifica a concentração com baixa e a outra classifica as concentrações como alta
Figura 4.12 – Triângulo de Duval com o caso A1 em destaque
Fonte: autor
A Figura 4.13 mostra as funções de pertinência da entrada do ANFIS 02 para o acetileno. Assim, em vez de considerar simplesmente uma concentração de C2H4 acima ou abaixo de 50%, o ANFIS considera o quanto essa concentração está baixa ou alta,ou seja, a concentração de C2H4 igual a 49,94% foi considerada pelo ANFIS 02 um forte indicativo de falha térmica T3.
Figura 4.13 – Funções de pertinência para a entrada %C2H4
Fonte: autor 0 10 20 30 40 50 60 70 80 90 100 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 BAIXA ALT A
A segunda amostra em análise também ilustra como os limiares rígidos estabelecidos pelo método de Duval levam a diagnósticos incorretos. Nesta amostra, a concentração de CH4 é igual a 96,85%, um valor inferior ao estabelecido pelo método de Duval, com isso ela não é diagnosticada com uma falha de descarga elétrica parcial, mas sim como uma descarga elétrica do tipo D1. Entretanto, esse valor está muito próximo do limiar de 98%. Assim o ANFIS infere que este percentual de metano está relacionado à falha do tipo PD. A técnica foi capaz de inferir o diagnóstico correto a partir do conhecimento de especialistas fornecidos por meio dos dados treinamento.
Figura 4.14 – Triângulo de Duval com o caso A2 em destaque
Fonte: autor
4.8 Considerações parciais
O conjunto de simulações realizadas forneceu uma série de informações relevantes acerca do diagnóstico de falhas utilizando ANFIS. Os resultados de simulação mostram que os melhores resultados foram obtidos para o sistema ANFIS com cinco variáveis linguísticas, com índice de precisão em torno de 90%. Os sistemas com duas e três variáveis linguísticas tiveram resultados da mesma ordem de grandeza que o método convencional de Duval, em torno de 85%.
O ANFIS demonstrou ser uma técnica de diagnóstico eficaz diante da presença de erros nos dados de treinamento e validação, mostrando que, para o conjunto de dados
considerados, foi capaz de modelar adequadamente o complexo processo de formação de gases a partir de falhas elétricas e térmicas no interior de transformadores isolados a óleo. Para erros adicionados na base de dados com desvios padrão de 15% e 65%, os índices de precisão permanecem praticamente estáveis, enquanto o método convencional tem sua precisão reduzida para 70%.
A última análise realizada comparou o diagnóstico feito pelo método de Duval com o diagnóstico realizado pelo ANFIS 02 para dois casos críticos. Os resultados obtidos mostram a capacidade do ANFIS em lidar com imprecisões.
5 CONCLUSÕES
Neste trabalho foi desenvolvida e implementada uma técnica eficiente e confiável de diagnóstico de falhas incipientes em transformadores de potência isolados a óleo. A técnica em estudo utiliza o sistema neuro-difuso ANFIS baseado em padrões convencionais de identificação de falhas em transformadores com o intuito de estender a sua capacidade de diagnóstico.
A técnica de diagnóstico baseada no ANFIS foi comparada com a metodologia clássica denominada Triângulo de Duval, que apresenta os melhores resultados entre os métodos convencionais, conforme discutido em (AMORA, 2013). O ANFIS em suas diferentes configurações obteve índices de precisão iguais ou superiores aos obtidos pelo método de Duval. A melhor configuração do ANFIS foi obtida com cinco variáveis linguísticas. Nessa configuração, a precisão média foi de 90%. Para o mesmo conjunto de dados, o método de Duval obteve uma precisão média de 85%, valores da mesma ordem foram obtidos para o ANFIS com duas e três variáveis linguísticas.
Neste trabalho também foram considerados os efeitos de erros de medidas nos diagnósticos. O método de Duval obteve uma piora significativa, reduzindo sua precisão média para menos de 70% na situação de maior erro associado às medidas. Por outro lado, o ANFIS manteve índices de acerto superiores em todas as configurações estudadas. O melhor resultado foi obtido, novamente, para o sistema com cinco variáveis linguísticas, que obteve uma precisão média em torno de 80%.
O conjunto de resultados obtido mostra um dilema entre complexidade e precisão de diagnóstico. O ANFIS com cinco variáveis linguísticas obtém índices de precisão superiores, porém requer maiores tempos de simulação e seu conjunto de regras é mais difícil de ser interpretado.
A última análise realizada indica como a configuração ANFIS mais simples realiza diagnósticos em regiões limítrofes de tipos de falhas. Os casos estudados são exemplos de situações críticas em que o método de aprendizagem adaptativa conseguiu inferir o diagnóstico correto a partir de um conjunto de informações imprecisas.
Portanto, o uso da lógica difusa combinada a redes neurais mostrou-se apropriado para o diagnóstico de falhas, pois estas técnicas fornecem ferramentas para modelar o sistema de maneira simplificada e eficiente, permitindo a obtenção de diagnósticos que não seriam possíveis com as técnicas convencionais.
REFERÊNCIAS
ABNT NBR 7274: Interpretação da Análise dos Gases de Transformadores em Serviço. Rio de Janeiro, 1982.
AMORA, M. A. B. Extração de regras interpretáveis para o diagnóstico eficiente de transformadores de potência isolados a óleo a partir do aumento de espaço de atributos. Tese (Doutorado em Engenharia Elétrica) – Centro de Tecnologia. Universidade Federal do Ceará, Fortaleza, 2013.
AZAR, Ahmed Taher. Fuzzy Systems.1.Ed. Croatia: Intech, 2010.
ARANTES, J.G. Diagnóstico de falhas em transformadores de potência pela análise de gases dissolvidos em óleo isolante através de redes neurais. Dissertação (Mestrado em Ciências) – Universidade Federal de Itajubá, Itajubá, 2005.
BARBOSA, F. R. Diagnóstico de falhas incipientes a partir das propriedades físico-químicas do óleo isolante em transformadores de potência como método alternativo à análise de gases dissolvidos. Tese (Doutorado em Engenharia Elétrica) – Centro de Tecnologia. Universidade Federal do Ceará, Fortaleza, 2013.
BECHARA, R. Análise de falhas em transformadores de potência. Dissertação (Mestrado em Engenharia Elétrica) – Escola Politécnica, Universidade de São Paulo, São Paulo, 2010.
BROWN, R. E. Electric Power Distribution Reability. 1Ed. New York. Marcel Dekker, 2002.
CASTILLO, E.V. Aplicação de ontologia e sistema especialista para diagnóstico de falhas em transformadores de potência. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal de Santa Catarina, Florianópolis, 2003.
DUVAL, Michel.A review of faults detectable by gas – in – oil analysis in transformers.IEEE Electrical Insulation Magazine.Vol. 18.No. 3. May/June 2002
DUVAL, M.; DEPABLO, A. Interpretation of gas – in-oil analysis using new IEC publication 60599 and IEC TC 10 Databases. IEEE ElectricalInsulation Magazine, Vol. 17, Nº 2. March/April 2001.
GOMEZ, N.A.G. Diagnóstico de falhas em transformadores isolados com óleo vegetal isolante a partir da análise de gases dissolvidos. Dissertação (Mestrado em Engenharia dos Materiais) – Setor de Tecnologia. Universidade Federal do Paraná, Curitiba, 2013.
HELL, M.B. Sistemas de diagnóstico de faltas em transformadores de potência utilizando análise de gases dissolvidos e técnicas de inteligência computacional. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Católica de Minas Gerais, Belo Horizonte, 2002.
IEC Mineral Oil-Impregnated Electrical Equipment in Service – Guide to the Interpretation of Dissolved and Free Gases Analysis, IEC 60599 – 2008.
IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers, IEEE Standard C57.104-2008.
JANG, J. S. R. ANFIS: Adaptive –Network – based Fuzzy Inference Systems, IEEE Transactions on Systems, Man and Cybernetics, Vol. 23, No. 3, 1993.
KOHAVI, R. A study of cross-validation and bootstrap for accuracy estimation and nodelselection.International Joint Conferenceon Artificial Inteligence, pp 1137-1143, 1995
MATHWORKS, Fuzzy logic toolbox user’sguide.Mathworks Inc. 2013.
MORAIS, D.R. Ferramenta inteligente para 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.
NARESH, R.; SHARMA, V.; VASHISTH, M.An integrated neural fuzzy approach for fault diagnosis of transformers. IEEE Transactions on Power Delivery.Vol. 23.No. 4.pp. 2017-2024. October 2008.
NEGNEVITSKY, M. Artificial intelligence.A guide to intelligent systems.2. Ed. England: Addison Wesley, 2005.
NOGUEIRA, C.A.A. Avaliação de sistemas de medição da concentração de hidrogênio dissolvido em óleo isolante. Dissertação (Mestrado em Metrologia) – Universidade Federal de Santa Catarina, Florianópolis, 2004.
ROSS, T. J. Fuzzy logic with engineering applications.3.Ed. United Kingdom: Wiley, 2010.
SENNA, S.L. Computação evolucionária aplicada ao diagnóstico de falhas incipientes em transformadores de potência utilizando dados de cromatografia. Dissertação (Mestrado em Engenharia Elétrica). Universidade Federal de Minas Gerais, Belo Horizonte, 2010.
SINGH, S. Bandyopadhyay, M.N. Duval triangle: a noble technique for DGA in Power transformers. International Journal of Electrical and Power Engineering. 2010.
SIVANANDAM, S.N; SUMATHI, S.; DEEPA, S.N. Introduction to fuzzy logic using Matlab. 1. Ed. Germany: Springer, 2007.
ZADEH, L.A. From computing with numbers to computing with words – from manipulation of measurements to manipulations of perceptions.IEEE Transactions on Circuits and Systems.Vol 45.No.1. 1999.
ZADEH, L.A. The concept of a linguistic variable and its application to approximate reasoning.InformationSciences.No.8, 1975.
ZIRBES, R.; ROLIM, J. G.; e ZÜRN, H. H. 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. Julho/Agosto/Setembro 2005.