Classificação de transformadores de potência baseado na análise dos gases dissolvidos no óleo isolante

(1)

Classificação de transformadores de potência baseado na análise dos

gases dissolvidos no óleo isolante

Armando Diniz Neto

UFSJ - Universidade Federal de São João del Rei – MG Curso de Engenharia Elétrica

Campus Santo Antônio - Praça Frei Orlando, 170 Centro. CEP: 36.307-352 São João del-Rei

Email: armandodiniz@gmail.com

Tereza Cristina Bessa Nogueira Assunção UFSJ - Universidade Federal de São João del Rei – MG Departamento de Engenharia Elétrica

Email: bessa@ufsj.edu.br José Tarcísio Assunção

UFSJ - Universidade Federal de São João del Rei – MG Departamento de Engenharia Elétrica

Email: tarcisio@ufsj.edu.br

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).

(2)

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. Diagnóstico de falhas incipientes

Falhas em transformadores são de aspecto negativo e de grande preocupação para as concessionárias de energia elétrica, principalmente aquelas que ocorrem sem nenhum conhecimento prévio e que, por causarem interrupções abruptas no fornecimento de energia, têm conotações econômicas diretas. Portanto, é muito importante monitorar o comportamento dos equipamentos em serviço para evitar falhas catastróficas, interrupções de serviço e perdas de produção.

No Brasil, mais especificamente, o interesse por esta área tem sido acelerado nos últimos anos devido às mudanças estruturais no setor de energia elétrica que promovem a competição em todos os níveis e estabelecem índices mais rigorosos de qualidade técnica e de serviço. Neste ambiente altamente regulado faz-se necessário melhorar o desempenho operacional e a confiabilidade dos transformadores, principalmente porque tais equipamentos operam atualmente sob condições muito mais severas do que à época de suas instalações, seja por razões técnicas associadas ao envelhecimento natural, regimes de carregamento ou desgastes promovidos por esforços elétricos e mecânicos. Muitos sistemas de monitoramento utilizam tanto a realização de diversos ensaios elétricos quanto o acompanhamento do estado do óleo isolante através de análise físico-química e cromatográfica.

As técnicas que utilizam a análise do óleo isolante são capazes de prover uma perspectiva única da condição atual do sistema de isolamento de transformadores. Tais informações são de importância fundamental para que os engenheiros possam tomar decisões quanto ao planejamento da operação e manutenção de tais equipamentos. O emprego do óleo isolante tem suas vantagens, pois podem ser realizados com o transformador em operação.

Os gases mais comumente encontrados no óleo de transformadores em operação são: oxigênio, hidrogênio, monóxido de carbono, metano, etano, etileno, acetileno, chamados de gases chaves; e a sua presença pode indicar; segundo Duval (Duval, 2002):

(3)

• 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.

2.1. Método de Rogers

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.

Tabela 1. Geração de códigos do método de Rogers.

A seguir, na Tab. 2, é mostrada a codificação das relações com as falhas que os transformadores podem estar sujeitos.

Tabela 2. Tabela de diagnóstico do método de Rogers.

CH4/H2 C2H6/CH4 C2H6/CH4 C2H2/C2H4 Diagnóstico

0 0 0 0 Normal

5 0 0 0 Descargas parciais

½ 0 0 0 Sobre aquecimento abaixo de 150 ºC

½ 1 0 0 Sobre aquecimento 150 °C – 200 °C

0 1 0 0 Sobre aquecimento 200 °C – 300 °C

0 0 1 0 Sobre aquecimento de condutores

1 0 1 0 Corrente de circulação nos enrolamentos

1 0 2 0 Corrente de circulação no tanque e no

núcleo e conexões

0 0 0 1 Descargas contínuas

0 0 1/2 1/2 Arco com alta energia

0 0 2 2 Descarga contínua de baixa potência

5 0 0 1/2 Descarga parcial envolvendo o papel

RELAÇÃO DE GASES FAIXA DE VARIAÇÃO CÓDIGO

<= 0,1 5 >=0,1<1 0 >=1<3 1 CH4/H2 >=3 2 <1 0 C2H6/CH4 >=1 1 <1 0 >=1<3 1 C2H6/CH4 >=3 2 <0,5 0 >=0,5<3 1 C2H2/C2H4 >=3 2

(4)

2.2. Método de Doernenburg

O método de Doernenburg também se baseia em relações entre os gases, porém, diferentemente do método de Rogers, o de Doernenburg não codifica as relações, ou seja, ele associa diretamente os valores relativos dos gases com condições de falta dos transformadores. Este método não prevê funcionamento normal do transformador, porém ele estabelece certas condições para a validade do método.

O critério que o método de Doernenburg emprega para a identificação de falhas é descrito na Tab. 3.

Tabela 3. Tabela de diagnóstico do método de Doernenburg.

Tab. 4 são apresentados os valores individuais dos gases, para que o método de Doernenburg seja aplicado. De acordo com a norma IEEE C57.104 (IEEE Std C57.104-1991, 1991), o método só é válido quando, no mínimo um dos gases que compõem as relações principais, possuir uma concentração superior ao dobro do valor apresentado na Tab. 4, e pelo menos um dos gases em cada relação auxiliar possuir valor de concentração superior ao valor dado na Tab. 4.

Tabela 4. Tabela para validação para o método de Doernenburg.

Tipo de gás H2 C2H4 C2H6 C2H4 C2H2 Concentração [ppm] 100 120 65 50 35 2.3. Triângulo de Duval

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.

Figura 1. Triângulo de Duval

Relações entre concentrações de gases Relações principais Relações Auxiliares Tipo de falha

CH4/H2 C2H2/C2H4 C2H6/C2H4 C2H6/CH4

Ponto quente >1 <0,75 >0,4 <0,3

Descarga parcial <0,1 Não significativo >0,4 <0,3 Outros tipos de descarga <1 e >0,1 >0,75 <0,4 >0,3

(5)

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.

2.5 Normas do IEEE, IEC e ABNT

Os métodos convencionais, apresentados anteriormente, são aqueles cujo diagnóstico está associado a intervalos para concentrações dos gases e/ou das razões entre estas. Tais métodos formam a base para padronização realizada pelo IEEE, IEC e ABNT. A IEEE C57. 104 (IEEE Std C57. 104-1991, 1991), o IEC 599 e a ABNT NBR-7274 (NBR 7274, 1982)., e apresentam uma revisão do método das razões de Rogers. Ao aperfeiçoar o método de Rogers, o IEEE/IEC/ABNT excluiu a utilização da razão C2H6/CH4, pois, esta razão não era utilizada para identificação da falha, mas somente para indicar o

intervalo de temperatura da decomposição. Dessa forma, com a revisão do método de Rogers, são utilizadas as razões R1, R2 e R5, descritas na Tab. 6.

Tabela 5. Critério de Diagnóstico do Método do Gás Chave. Falta Gás

Chave

Critério Percentual do

gás Arco C2H2 Grande quantidade de H2 e C2H2 e menor quantidade de CH4 e

C2H4, presença de CO e CO2 indicam que a celulose pode estar

envolvida.

H2: 60%

C2H2: 30%

Corona H2 Grande quantidade de H2, traço de CH4, com pequena

quantidade de C2H6 e C2H. CO e CO2 podem ser comparados se

a celulose estiver envolvida.

H2: 85%

CH4: 13%

Sobreaqueci-

mento do óleo C2H4

Grande quantidade de C2H4, menor quantidade de C2H6, traço

de C2H4 e H2. traços de CO e CO2. C2H4: 63% C2H6: 20% Sobreaqueci- mento da celulose

CO Grande quantidade de CO e CO2. Gases hidrocarbonetos

podem existir.

CO: 92%

Tabela 6. Tabela de geração dos códigos da NBR7274, IEEE e IEC.

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.

Códigos Intervalo das razões

R2 = C2H2 /C2H4 R1= CH4/H2 R5 = C2H4 /C2H6

< 0,1 0 1 0

0,1 - 1 1 0 0

1 - 3 1 2 1

(6)

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

2.6. Sistemas inteligentes usados na detecção de faltas incipientes

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).

2.6.1. Redes Neurais Artificiais

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.

2.6.2. LS-Máquinas de Vetores Suporte (LS-SVM)

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:

(7)

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 proposta deste trabalho é o desenvolvimento de uma ferramenta para a classificação dos transformadores, usando a análise dos gases dissolvidos no óleo isolante. Para tanto foram estudados e implementados os métodos clássicos, as redes neurais artificiais e a LS Máquinas de Vetores Suporte, utilizando bancos de dados de ensaios cromatográficos dos gases dissolvidos em óleo isolante de diversos transformadores.

Dessa forma, tanto as RNA’s quanto a LS-SVM podem ser vistas como ferramentas que fornecem alternativas às metodologias convencionais de ensaios, produzindo resultados motivadores, principalmente devido às características intrínsecas de tais técnicas, como a capacidade de generalização e a facilidade de integração com outras ferramentas computacionais.

3.1 Implementação da RNA.

A rede MLP (Perceptron de multicamadas) utilizada apresentava cinco neurônios na camada de entrada, doze neurônios na camada intermediária e três neurônios na camada de saída. As funções de ativação utilizadas em cada camada foram, respectivamente, tangente sigmóide, tangente sigmóide e logaritmo sigmóide. O algoritmo de treinamento utilizado foi trainlm, e o de aprendizado e o leaergd,

para 150 épocas e limite de erro igual a 0,005.

Como a MLP não apresenta saída binária foi utilizada a estratégia do neurônio vencedor para se fazer a classificação. Como a rede apresenta três neurônios de saída, ao neurônio que apresenta o maior é arbitrado1como valor de saída, e aos outros dois neurônios é arbitrado 0 como valor de saída.

3.2 Implementação da LS-SVM.

A LS-SVM foi implementada com as rotinas do LS-SVMlab Toolbox Versão 1.5 (Pelckmans, K et. al., 2003). Neste toolbox é empregado um algoritmo de otimização para regular os hiperparâmetros sigma2 e gama do modelo LS-SVM com relação a um determinado desempenho.

Para a classificação usando a LS-SVM foram utilizadas duas redes, uma para determinar se os transformadores estavam funcionando em condição de falta ou de normalidade e outra para determinar se os transformadores estivessem em condição de falta, apresentavam e sobreaquecimento ou falhas elétricas. Para as redes foi usada a função de base radial como função Kernel e o parâmetro gama igual a dez. Porém para a primeira rede foi utilizado o parâmetro sigma2 igual a 1500 e para a segunda rede foi utilizado sigma2 igual a 3300. Os resultados obtidos com a LS-SVM serão apresentados a seguir. Os parâmetros gama e sigma2 são os parâmetros da rede LS-SVM usada para classificação de sistemas. 4. Apresentação e análise dos resultados

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.

(8)

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.

Tabela 8. Concentração de gases dos transformadores selecionados para análise.

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.

Concentração dos gases (ppm) Trafo

Hidrogênio Metano Etileno Acetileno Etano

1 40 62 11 1 51 2 600 1800 3800 130 520 3 6 2 7 0.4 5 4 1230 163 233 692 27 5 630 670 1100 1700 81 6 20 3 5 0.4 2 7 24 3 8 0.4 4 8 30 520 1000 0.4 310 9 645 86 110 317 13 10 110 860 1500 1800 300 11 19 9 7 0.4 20 12 16 1 1 0.4 1 13 1600 55000 74000 9300 42000 14 95 10 11 39 0.4 15 200 110 150 230 12 16 13 10 55 0.4 3 17 48 12 18 0.4 14 18 44 95 13 0.4 33 19 595 80 89 244 9 20 94 5 25 20 4 21 290 16 12 0.4 24 22 56 6 7 10 5 23 420 1400 1500 7 640 24 1790 580 336 619 321 25 0 1200 1900 4400 130 26 14 3 12 0.4 3 27 8800 64064 9565 0.4 72128 28 34 41 5 0.4 69 29 1330 10 66 182 20 30 230 120 220 740 14

(9)

Tabela 9.Resultados dos métodos clássicos usados para a classificação.

5. Conclusão

Neste trabalho implementou-se os métodos de diagnósticos baseados na análise dos gases dissolvidos no óleo isolante. A proposta reúne em um único sistema a possibilidade da realização do diagnóstico de falhas incipientes utilizando diversos métodos e o acompanhamento do histórico da análise cromatográfica dos gases.

Para a implementação das redes foram usados o Neural Toolbox (Demuth, M. B. 2007) e o LS-SVMLAB Toolbox 1.5 (Pelckmans, K et. al., 2003), ambos para MATLAB, pois o desenvolvimento de rotinas inovadoras de aprendizagem para as redes foge ao objetivo deste trabalho

A utilização do diagnóstico baseado em métodos convencionais é importante, pois, a grande maioria dos especialistas, utiliza esses métodos para elaboração de laudos, entretanto o diagnóstico realizado desta forma é resultado da análise baseada no conhecimento empírico do especialista, principalmente no que diz respeito a solucionar as inconsistências (problemas de não-decisão) e conflitos entre métodos de diagnóstico. As redes neurais acrescentam aos métodos uma característica fundamental

Trafo Diagnóstico Método de análise

Rogers Duval Doernenburg NBR 7274

1 Normalidade Sobre aquecimento

Não prevê Normalidade Sobre aquecimento

2 Normalidade Não prevê Não prevê Sobre

aquecimento

Sobre aquecimento 3 Sobre

aquecimento

Não prevê Falha elétrica Normalidade Sobre aquecimento 4 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica 5 Falha elétrica Não prevê Falha elétrica Não prevê Não prevê 6 Normalidade Sobre

aquecimento

Falha elétrica Normalidade Sobre aquecimento 7 Normalidade Não prevê Falha elétrica Normalidade Sobre

aquecimento 8 Sobre

aquecimento

Não prevê Falha elétrica Sobre aquecimento

Sobre aquecimento 9 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica 10 Falha elétrica Não prevê Falha elétrica Não prevê Não prevê 11 Normalidade Sobre

aquecimento

Falha elétrica Normalidade Normalidade 12 Normalidade Não prevê Falha elétrica Normalidade Não prevê 13 Sobre

aquecimento

Não prevê 14 Falha elétrica Falha elétrica Falha elétrica Normalidade Falha elétrica 15 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica 16 Normalidade Não prevê Falha elétrica Normalidade Não prevê 17 Normalidade Não prevê Falha elétrica Normalidade Sobre

aquecimento 18 Sobre

aquecimento

Sobre aquecimento

Falha elétrica Normalidade Sobre aquecimento 19 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica 20 Falha elétrica Não prevê Falha elétrica Normalidade Não prevê 21 Normalidade Não prevê Falha elétrica Normalidade Falha elétrica 22 Normalidade Falha elétrica Falha elétrica Normalidade Falha elétrica 23 Sobre

aquecimento

Sobre aquecimento 24 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica 25 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica 26 Normalidade Não prevê Falha elétrica Normalidade Não prevê 27 Sobre

aquecimento

Não prevê Falha elétrica Sobre aquecimento Sobre aquecimento 28 Sobre aquecimento Sobre aquecimento

Falha elétrica Normalidade Sobre aquecimento 29 Falha elétrica Não prevê Falha elétrica Falha elétrica Não prevê 30 Falha elétrica Falha elétrica Falha elétrica Não prevê Falha elétrica

(10)

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

Agradecimentos ao CNPq/UFSJ pelo suporte financeiro deste trabalho. 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.

Trafo Diagnóstico _{Método de Análise}

RNA LS-SVM

1 Normalidade Sobre aquecimento Sobre aquecimento 2 Normalidade Sobre aquecimento Falha elétrica

3 Sobre aquecimento Normalidade Normalidade

4 Falha elétrica Falha elétrica Falha elétrica 5 Falha elétrica Falha elétrica Falha elétrica

6 Normalidade Normalidade Normalidade

8 Sobre aquecimento Sobre aquecimento Falha elétrica 9 Falha elétrica Falha elétrica Falha elétrica 10 Falha elétrica Falha elétrica Falha elétrica

13 Sobre aquecimento Sobre aquecimento Falha elétrica 14 Falha elétrica Falha elétrica Falha elétrica 15 Falha elétrica Falha elétrica Falha elétrica

18 Sobre aquecimento Normalidade Sobre aquecimento 19 Falha elétrica Falha elétrica Falha elétrica 20 Falha elétrica Falha elétrica Falha elétrica

21 Normalidade Normalidade Falha elétrica

22 Normalidade Falha elétrica Falha elétrica 23 Sobre aquecimento Sobre aquecimento Falha elétrica 24 Falha elétrica Falha elétrica Falha elétrica 25 Falha elétrica Falha elétrica Falha elétrica

27 Sobre aquecimento Sobre aquecimento Falha elétrica 28 Sobre aquecimento Sobre aquecimento Sobre aquecimento 29 Falha elétrica Falha elétrica Falha elétrica 30 Falha elétrica Falha elétrica Falha elétrica

(11)

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.