LORENA DOS REIS MORAIS

106 

Loading....

Loading....

Loading....

Loading....

Loading....

Texto

(1)

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

LORENA DOS REIS MORAIS

SISTEMA INTELIGENTE PARA MONITORAMENTO E

DIAGNÓSTICO DE TRANSFORMADORES BASEADO NA ANÁLISE

FÍSICO-QUÍMICA DO ÓLEO E ANÁLISE DOS GASES DISSOLVIDOS

EM ÓLEO

DM 24/2008.

(2)

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

LORENA DOS REIS MORAIS

SISTEMA INTELIGENTE PARA MONITORAMENTO E

DIAGNÓSTICO DE TRANSFORMADORES BASEADO NA ANÁLISE

FÍSICO-QUÍMICA DO ÓLEO E ANÁLISE DOS GASES DISSOLVIDOS

EM ÓLEO

Dissertação submetida à Banca Examinadora do Programa de Pós-Graduação em Engenharia Elétrica da UFPA para a obtenção do Grau de Mestre em Engenharia Elétrica

UFPA / CT / PPGEE Campus Universitário do Guamá

Belém-Pará-Brasil 2008

(3)

M827s Morais, Lorena dos Reis

Sistema inteligente para monitoramento e diagnóstico de transformadores baseado na análise físico-química do óleo e análise dos gases dissolvidos em

óleo / Lorena dos Reis Morais; orientadora, Adriana Rosa Garcez Castro.-2008.

Dissertação (Mestrado) - Universidade Federal do Pará, Instituto de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica, Belém, 2008.

1.Redes neurais (computação). 2. Transformadores. 3. Sistemas difusos. I. Título. ___________________________________________________________________________

(4)

UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE TECNOLOGIA

PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA SISTEMA INTELIGENTE PARA MONITORAMENTO E DIAGNÓSTICO DE TRANSFORMADORES BASEADO NA ANÁLISE FÍSICO-QUÍMICA DO ÓLEO E

ANÁLISE DOS GASES DISSOLVIDOS EM ÓLEO AUTOR:LORENA DOS REIS MORAIS

DISSERTAÇÃO DE MESTRADO SUBMETIDA À AVALIAÇÃO DA BANCA EXAMINADORA APROVADA PELO COLEGIADO DO PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA DA UNIVERSIDADE FEDERAL DO PARÁ E JULGADA ADEQUADA PARA OBTENÇÃO DO GRAU DE MESTRE EM ENGENHARIA ELÉTRICA NA ÁREA DE COMPUTAÇÃO APLICADA.

APROVADA EM 14 / 11 / 2008

BANCA EXAMINADORA:

Profa. Dra. Adriana Rosa Garcez Castro (ORIENTADORA – PPGEE - UFPA)

Profa. Dra. Simone de Fátima P. Pereira (MEMBRO – PPGQ - UFPA)

Prof. Dr. Roberto Célio Limão de Oliveira (MEMBRO – PPGEE - UFPA)

VISTO:

Prof. Dr. Marcus Vinícius Alves Nunes (COORDENADOR DO PPGEE/ITEC/UFPA)

(5)

Dedico esta dissertação a minha mãe, meu exemplo de vida.

(6)

AGRADECIMENTOS

Agradeço primeiramente a Deus por todas as benções derramadas sobre a minha vida. Agradeço imensamente a nossa senhora de Nazaré pela intercessão diária.

A minha mãe não somente agradeço como dedico este trabalho, por todo apoio e infinito amor incondicional que me é sempre oferecido em todos os momentos de minha vida. A minha irmã Verena, cunhado Marcelo, sobrinhos Ana Clara, Lucas e Felipe agradeço pela força, amor, disponibilidade, palavras de apoio e incentivo, principalmente pela alegria da convivência tranqüila e de amor.

Aos familiares amigos agradeço pela compreensão nas ausências.

Agradeço especialmente a professora Adriana Garcez minha orientadora por todo apoio, compreensão e paciência durante o decorre deste estudo.

Ao professor Jurandir Garcez agradeço a oportunidade de participação no projeto da Eletronorte, o qual foi a base deste estudo.

Aos amigos Wilson, Larissa, Gabrielle, Felipe, Marcus, Miriam, Roger e Joana agradeço, pelo apoio para a construção desta vitória.

Aos amigos do SERPRO Cleber, Suely, Alexandre, Eduardo, Fernando, Dona Antonia incentivadores recentes, porém que muito contribuíram para que este estudo fosse concluído.

Aos meus amigos professores da ESAMAZ agradeço pelo incentivo.

Enfim agradeço a todos aqueles que direta e indiretamente contribuíram para a realização deste estudo.

(7)

"O estudo, a busca da verdade e da beleza são domínios em que nos é consentido sermos crianças por toda a vida”.

(8)

SUMÁRIO

LISTA DE FIGURAS... x

LISTA DE TABELAS... xii

RESUMO... xiv

ABSTRACT... xiv

1. Introdução ... 1

1.1. Objetivos e Metodologia ... 2

1.2. Organizações do Trabalho... 3

2. Metodologias de Análise para Óleo Mineral Isolante de Transformadores ... 5

2.1. Materiais e Líquidos Isolantes de Transformadores ... 5

2.2.Metodologias de Análise para Óleo Mineral Isolante ... 6

2.2.1 Análise Físico-Química ... 6

2.2.1.1. Índice de Neutralização ou Acidez ... 7

2.2.1.2. Resistividade ... 7

2.2.1.3. Oxigênio Dissolvido ... 7

2.2.1.4. Valores Limites de Referência para óleo mineral isolante em serviço... 8

2.2.1.5. Utilização de óleo isolante a ser regenerado ... 10

2.2.1.6. Valores limite de Referência... 10

2.2.2 Análise Cromatográfica de Gases Dissolvidos em óleo (DGA)... 12

2.2.2.1 - Faltas Elétricas e Gases Gerados ... 14

2.2.2.2. Métodos de Detecção de Faltas Baseados em DGA... 17

2.2.2.2.1 Método Clássico de Rogers... 18

2.2.2.2.2 Método de Doernenburg... 20

2.2.2.2.3 Método IEC 60599... 22

2.2.2.2.4 Método Laboratoire Central dês Industries Électriques (LCIE)... 23

2.2.2.2.5 Método Laboratoire Belge de l’Industrie Électrique (Laborelec)... 23

2.2.2.2.6. Método DUVAL... 23

2.2.2.2.7 Método do gás chave... 24

2.3 Considerações Finais ... 26

3. Redes Neurais Artificiais e Sistemas Difusos... 27

3.1. Redes Neurais Artificiais... 27

3.1.1 Neurônio Artificial... 28

3.1.2 Funções de Ativação ... 29

3.1.2.1 Função Linear.. ... 30

3.1.2.2 Função Linear de Piecewise... 30

3.1.2.3 Função Sigmoidal... 30

3.1.2.4 Função Tangente Hiperbólica... 30

3.1.3 Arquiteturas de RNA... 31

3.1.3.1 Redes alimentadas adiante de uma única camada (Perceptron)... 32

3.1.3.2 Redes Alimentadas adiante com Múltiplas Camadas... 32

3.1.3.3 Redes com realimentação... 34

3.1.4 Paradigmas de Aprendizagem... 34

3.1.4.1 Algoritmo Back-Propagation... 35

3.1.4.2 Métodos de segunda ordem... 36

3.1.4.2.1 Algoritmo de Levemberg – Marquardt... 37

3.1.5 Generalização em RNAs... 38

3.1.6 Validação Cruzada... 39

3.2 Sistemas Difusos... 40

3.2.1 Teoria dos Conjuntos Difusos... 40

3.2.2 Variável Lingüística... 41

3.2.3 Sistema Baseado em Regras Difusas... 42

3.2.4 As Etapas do Raciocínio Difuso... 45 3.3. Estado da Arte em Inteligência Computacional aplicada ao Diagnóstico de

(9)

Transformadores... 46

4. Sistema Inteligente para Diagnóstico de Falhas Incipientes Baseados na Análise dos Gases Dissolvidos em Óleo Isolante... 49

4.1. Base de Dados para Treinamento da RNA... 50

4.1.1 Definição das entradas da RNA... 51

4.1.2 Definição da Saída da RNA... 53

4.1.3 Resultados... 53

4.1.4 Melhor Topologia da RNA... 69

4.2. Considerações Finais... 70

5. Sistema Inteligente baseado em Lógica Difusa para Monitoramento On-line das propriedades Físico-Químicas do óleo isolante ... 71 5.1. Sistema para Monitoramento On-line das Características Físico-Químicas do Óleo Mineral Isolante. ... 72 5.1.1 Protótipo para Simulação do Sistema de Aquisição On-Line ... 72

5.1.2. Desenvolvimento do Software para Diagnóstico Inteligente baseado em Lógica Difusa... 74

5.2.2.1 Funções de pertinência... 75

5.1.2.2 Base de Regras... 79

5.1.2.3 Simulações no Sistema Difuso... 79

5.1.3 Desenvolvimento da Interface Gráfica para Monitoramento e Diagnóstico do Óleo Isolante... 81

5.2 Considerações Finais... 84

6. Conclusões ... 85

6.1 Considerações sobre o Sistema Inteligente para Diagnóstico de Faltas baseado na Análise Cromatográfica dos Gases Dissolvidos em Óleo... 86

6.2 Considerações sobre o Sistema Inteligente para Diagnóstico do Óleo baseado na Análise Físico-química do Óleo... 86 REFERÊNCIAS BIBLIOGRÁFICAS... 87

APÊNDICE A... 91

(10)

LISTA DE FIGURAS

Figura 2.1 - Gases típicos gerados durante falhas... 14

Figura 2.2 – Percentual dos gases gerados durante um arco elétrico no óleo... 15

Figura 2.3 – Percentual dos gases gerados durante uma descarga parcial no óleo... 15

Figura 2.4 – Percentual dos gases gerados na ocorrência de sobre aquecimento no óleo... 16 Figura 2.5 – Percentual dos gases gerados pela degradação da celulose... 16

Figura 2.6– Percentual dos gases gerados durante uma eletrólise... 16

Figura 2.7 – Triângulo de Durval ... 24

Figura 3.1 – Neurônio Artificial... 28

Figura 3.2 – Função Linear... 31

Figura 3.3 - Função Sigmoidal... 31

Figura 3.4 - Função Tangente Hiperbólica... 31

Figura 3.5 - Feedforward de uma camada... 32

Figura 3.6 – Rede de Múltiplas Camadas Perceptron... 33

Figura 3.7 - RNA com ciclos... 34

Figura 3.8– Conjunto Difuso... 41

Figuras 3.9 - Componentes do Sistema Difuso... 42

Figura 4.1 – Saída do treino RNA1 ... 54

Figura 4.2 – Saída do teste RNA1... 54

Figura 4.3 – Saída do treino RNA2 ... 55

Figura 4.4 – Saída do teste RNA2 ... 55

Figura 4.5 – Saída do treino RNA3 ... 56

Figura 4.6 – Saída do teste RNA3 ... 56

Figura 4.7 – Saída do treino RNA4 ... 57

Figura 4.8 – Saída do teste RNA4 ... 57

Figura 4.9 – Saída do treino RNA5 ... 58

Figura 4.10 – Saída do teste RNA5 ... 58

Figura 4.11 – Saída do treino RNA6 ... 59

Figura 4.12 – Saída do teste RNA6 ... 59

Figura 4.13 – Saída do treino RNA7 ... 60

(11)

Figura 4.15 – Saída do treino RNA8 ... 61

Figura 4.16 – Saída do teste RNA8 ... 61

Figura 4.17 – Saída do treino RNA9 ... 62

Figura 4.18 – Saída do teste RNA9 ... 62

Figura 4.19 – Saída do treino RNA10 ... 63

Figura 4.20 – Saída do teste RNA10 ... 63

Figura 4.21 – Saída do treino RNA11 ... 64

Figura 4.22 – Saída do teste RNA11... 64

Figura 4.23 – Saída do treino RNA12 ... 65

Figura 4.24 – Saída do teste RNA12 ... 65

Figura 4.25 – Saída do treino RNA13 ... 66

Figura 4.26 – Saída do teste RNA13 ... 66

Figura 4.27 – Saída do treino RNA14 ... 67

Figura 4.28 – Saída do teste RNA14... 67

Figura 4.29 – Saída do treino RNA15 ... 68

Figura 4.30 – Saída do teste RNA15... 68

Figura 5.1 - Sistema de Monitoramento em linha das Propriedades Físico-Químicas de óleo... 72

Figura 5.2 – Protótipo do Sistema de Monitoramento em Linha das Variáveis Físico-Químicas ... 73

Figura 5.3 – Tela de Curva de Tendência... 77

Figura 5.4 - Conjunto difuso para a variável de entrada “Acidez”... 77

Figura 5.5 - Conjunto difuso para a variável de entrada “Oxigênio Dissolvido”... 77

Figura 5.6 - Conjunto difuso para a variável de entrada “Resistividade”... 78

Figura 5.7 - Conjunto difuso para a variável de saída “Óleo”... 78

Figura 5.8 – Simulação 1... 80

Figura 5.9 – Simulação 2... 80

Figura 5.10 – Simulação 3... 81

Figura 5.11 – Tela Inicial ... 82

Figura 5.12 – Diagnóstico Off-line... 82

Figura 5.13 – Tela Diagnóstico On-line... 83

(12)

LISTA DE TABELAS

Tabela 2.1 – Valores limites para óleo mineral isolante em serviço... 8

Tabela 2.2 – Valores limites para resultados de testes de óleo envelhecido em serviço, por classe de tensão... 9 Tabela 2.3 – Valores limites para óleo mineral isolante a ser regenerado... 9

Tabela 2.4– Característica do óleo isolante ... 11

Tabela 2.5 – Valores limites para óleo mineral isolante após regeneração... 12

Tabela 2.6 – Solubilidade de gases em transformadores... 17

Tabela 2.7 - Tabela de definição dos códigos do método de Rogers... 19

Tabela 2.8 - Tabela de diagnóstico do método de Rogers em função do código... 19

Tabela 2.9 - Agrupamento de Diagnósticos para o Método de Rogers... 20

Tabela 2.10 - Critério de identificação de falha de Doernenburg... 20

Tabela 2.11 - Tabela de concentração dos gases para validação do método de Doernenburg... 21 Tabela 2.12 - Tabela de concentração dos gases para identificação de condição de normalidade para o método de Doernenburg, segundo a IEEE... 21 Tabela 2.13 - Agrupamento de Diagnósticos para o Método de Doernenburg... 22

Tabela 2.14 - Interpretação da Análise de Gases conforme NBR7274... 22

Tabela 2.15 - Agrupamento de Diagnósticos para a NBR7274... 23

Tabela 2.16 - Critério de Diagnóstico do Método do Gás Chave... 25

Tabela 4.1 – Tipos de Falhas do Banco de Dados... 51

Tabela 4.2 – Configurações de Entradas para a RNA... 52

Tabelas 4.3 – Código para falhas - Saídas da Rede Neural... 53

Tabela 4.4 – Resultados RNA1... 54

Tabela 4.5 – Resultados RNA2... 55

Tabela 4.6 – Resultados RNA3... 56

Tabela 4.7 – Resultados RNA4... 57

Tabela 4.8 – Resultados RNA5... 58

Tabela 4.9 – Resultados RNA6... 59

Tabela 4.10 – Resultados RNA7... 60

Tabela 4.11 – Resultados RNA8... 61

Tabela 4.12 – Resultados RNA9... 62

(13)

Tabela 4.14 – Resultados RNA11... 64

Tabela 4.15 – Resultados RNA12... 65

Tabela 4.16 – Resultados RNA13... 66

Tabela 4.17 – Resultados RNA14... 67

Tabela 4.18 – Resultados RNA15... 68

Tabela 4.19 – Resultados RNA4... 69

Tabela 4.20 – Tabela Comparativa entre Métodos... 70

Tabela 5.1 - Valores limites das características Físico-Químicas... 76

(14)

RESUMO

Equipamentos de Subestação de Sistemas Elétricos, tais como transformadores, necessitam de procedimentos para detecção e diagnóstico de possíveis falhas. Normalmente, programas de manutenção preventiva vêm sendo utilizados pelas empresas de geração, transmissão e distribuição de energia elétrica. O procedimento de manutenção visa evitar que as falhas resultem na retirada de operação do transformador, o que poderia ocasionar grandes prejuízos financeiros, seja pela diminuição do faturamento, pelo pagamento de multas à agência reguladora ou pela diminuição da credibilidade do sistema.

Neste contexto, considerando a importância da manutenção preventiva dos transformadores, esta dissertação propõe e apresenta o desenvolvimento de um Sistema Inteligente baseado em Redes Neurais e Lógica Difusa para o diagnóstico da condição operativa de transformadores. O sistema proposto é baseado na análise físico-química do óleo isolante de transformadores para detecção da condição de operação do mesmo, assim como na análise cromatográfica dos gases dissolvidos no óleo, para detecção de possíveis faltas do tipo térmicas ou elétricas.

O sistema inteligente desenvolvido faz parte do projeto de P&D intitulado “Sistema integrado de monitoramento e diagnóstico da condição operativa de comutadores de derivação em carga de transformadores de subestações de transmissão da Eletronorte”, realizado em parceria entre a Eletronorte, o Núcleo de Energia, Sistemas e Comunicação (NESC-UFPA) e o Laboratório de Química Analítica e Ambiental (LAQUANAM-UFPA). O projeto teve como principal objetivo o monitoramento do óleo isolante na chave comutadora do transformador visando obter resultados mais abrangentes e confiáveis em relação à condição operativa do transformador.

Os resultados obtidos com o sistema inteligente desenvolvido mostraram-se satisfatórios, reforçando assim as vantagens da utilização das técnicas de inteligência computacional em problemas de tomada de decisão.

Palavras-Chave: Redes Neurais Artificiais, Lógica Difusa, Inteligência Artificial, Transformadores, Monitoramento, Diagnostico.

(15)

ABSTRACT

Equipment of Substations of Electric System, such as transforming, needs procedures for detention and diagnosis of possible imperfections. Normally, programs of preventive maintenance come being used for the companies of generation, transmission and distribution of electric energy. A maintenance procedure aims at to prevent that the imperfections result in the withdrawal of operation of the transforming one, what it could cause great financial damages, either for the reduction of the invoicing, the payment of fines to the regulating agency or for the reduction of the credibility of the system.

In this context, considering the importance of the preventive maintenance of the transforming ones, this dissertation considers and presents the development of an Intelligent System based in Neural Nets and Diffuse Logic for the diagnosis of the operative condition of transforming. The considered system is based on the analysis physicist-chemistry of the isolating oil of transforming for detention of the readiness of the same, as well as in the chromatographic analysis of the gases dissolved in the oil, for detention of possible lacks of the thermal or electric type.

The developed intelligent system is part of the project of P&D “Integrated of monitoring and diagnosis of the operative condition of commutators of derivation in load of transforming of substation of transmission of the Eletronorte”, carried through System in partnership between the Eletronorte, the Nucleus of Energy, Systems and Communication (NESC-UFPA) and the Analytical Chemistry laboratory and Ambient (LAQUANAM-UFPA). The project had as main objective the monitoring of the isolating oil in the switching key of the transforming one aiming at to get resulted more including and trustworthy in relation to the operative condition of the transforming one

.

The results gotten with the developed intelligent system had revealed satisfactory, thus strengthening the advantages of the use of the techniques of computational intelligence in problems of decision taking.

Keywords: Neural Network, Diffuse Logic, Artificial Intelligence, Transformers, Monitoring, Diagnostic.

(16)

Capítulo 1

1. Introdução

O monitoramento da condição operativa de um transformador é de grande importância para a integridade global de um sistema de energia elétrica. A compreensão dos mecanismos das falhas e do tempo de vida deste equipamento é importante para a operação e planejamento do sistema. Como resultado desta necessidade, as empresas passaram a investir significativamente em sistemas de diagnósticos com o objetivo de detectar possíveis falhas incipientes nestes equipamentos. Com o diagnóstico precoce, um plano eficiente de manutenção pode ser elaborado evitando assim mudanças significativas na faixa de operação dos sistemas elétricos, que poderiam levar para situações não desejadas de funcionamento.

No que diz respeito à manutenção de equipamentos elétricos, as técnicas tradicionalmente utilizadas são: manutenção corretiva, manutenção preventiva e manutenção preditiva. A manutenção corretiva é realizada após a ocorrência de uma falha e visa colocar o equipamento em estado de execução de sua função requerida. A manutenção preventiva é realizada em intervalos pré-determinados conforme critérios prescritos e é destinada principalmente a reduzir a probabilidade de falhas ou a degradação do desempenho de um equipamento. Outra forma de abordar o problema é através da manutenção preditiva que permite reajustar as previsões das operações de manutenção a efetuar, estimando-se a tendência evolutiva do funcionamento não adequado do equipamento e o tempo durante o qual é possível continuar a utilizá-lo antes da avaria.

A manutenção preventiva vem sendo freqüentemente adotada como uma abordagem mais eficiente e econômica para maximizar o ciclo de vida útil de transformadores. Diversas técnicas de análise tais como análise de vibrações e análise do óleo isolante, vêm sendo utilizadas para o programa de manutenção preventiva. Entretanto, devido às limitações de cada uma destas técnicas, o uso das mesmas de forma independente pode resultar somente no diagnóstico de uma parte das possíveis faltas.

Nos últimos anos pesquisas direcionadas para a integração entre estas e outras diversas metodologias para diagnóstico de equipamentos vêm sendo conduzidas. Apesar dos resultados ainda limitados, os experimentos práticos têm confirmado que a integração entre as técnicas para monitoramento da condição operativa de transformadores tende a fornecer um número

(17)

maior de informações e com resultados mais confiáveis, trazendo desta forma melhores relações de custo-benefício às empresas.

A integração efetiva entre as diversas técnicas de monitoramento constitui ainda um grande desafio, no entanto avanços tecnológicos envolvendo sensores, inteligência computacional, ciência da computação e processamento de informação, vêm criando um otimismo renovado na superação de obstáculos, acenando com novas abordagens para solução de problemas de monitoramento e diagnóstico de equipamentos.

1.1. Objetivos e Metodologia

A Eletronorte, em parceria com o Núcleo de Energia, Sistemas e Comunicação (NESC-UFPA) e o Laboratório de Química Analítica e Ambiental (LAQUANAM-UFPA) desenvolveu o projeto de P&D intitulado “Sistema integrado de monitoramento e diagnóstico da condição operativa de comutadores de derivação em carga de transformadores de subestações de transmissão da Eletronorte” com o objetivo de desenvolver um sistema para monitoramento e diagnóstico on-line da condição operativa de transformadores das Subestações de Transmissão da Eletronorte procurando integrar de forma inovadora os resultados de análise do óleo isolante e análise das vibrações mecânicas na chave comutadora do transformador.

Neste contexto, esta dissertação representa uma parte do sistema desenvolvido e está relacionada com o sistema inteligente para diagnóstico da condição operativa de transformadores baseado na análise do óleo isolante. Para o desenvolvimento do sistema duas análises foram consideradas: análise através dos gases dissolvidos no óleo (DGA) e análise físico-química do óleo.

Através da análise cromatográfica dos gases dissolvidos no óleo isolante é possível avaliar e diagnosticar a condição de operação do isolamento do transformador, com a identificação de eventuais processos de falha que possam estar ocorrendo.

Com a análise físico-química do óleo isolante é possível determinar se o óleo está apto a cumprir suas funções de acordo com suas características originais. Isto é, se ele não está contaminado por umidade, partículas e outras substâncias, produtos que não fazem parte de sua composição natural e que podem contribuir para a redução de sua rigidez dielétrica, bem com se não está deteriorado, por conter produtos resultantes de sua oxidação.

O sistema desenvolvido para diagnóstico é baseado em duas técnicas de inteligência computacional: Redes Neurais e Lógica Difusa.

(18)

O sistema desenvolvido utilizando lógica difusa considera a análise físico-química do óleo isolante para detecção da condição de operação do mesmo. Com o uso da lógica difusa as imprecisões inerentes ao processo de análise puderam ser consideradas nos resultados do diagnóstico. Uma vez que um dos objetivos do projeto estava relacionado com o monitoramento on-line dos transformadores, o sistema difuso foi desenvolvido para trabalhar apenas com as variáveis físico-químicas que poderiam ser obtidas através dos sensores instalados nos transformadores monitorados. Para o projeto, três tipos de sensores foram adquiridos, os quais podem fornecer informações sobre as seguintes variáveis físico-químicas: acidez, resistividade e oxigênio dissolvido. Em face da impossibilidade de realização de ensaios em campo do sistema para aquisição de dados dos sensores, montou-se no laboratório de Química Analítica e Ambiental da UFPA um protótipo de Linha de Monitoramento que foi utilizado para a realização de testes.

No que diz respeito ao sistema desenvolvido utilizando rede neural, este é baseado nas informações da análise cromatográfica dos gases dissolvidos em óleo para detectar e diagnosticar possíveis falhas incipientes do tipo térmicas ou elétricas no transformador. Através das redes neurais, o problema de diagnóstico de faltas reduz-se a um processo de associação de entradas (concentrações dos gases) e saída (tipo de falta). Diversos treinamentos foram realizados para definição da melhor topologia da rede neural no que diz respeito as variáveis de entrada para o sistema, sendo que o objetivo final se concentrou em encontrar o sistema baseado na rede neural que apresentasse melhor percentagem de acerto de diagnóstico. Para comparação com os resultados apresentados pela rede neural utilizou-se para a mesma base de dados o resultado de classificação de faltas apresentado pelo método IEC, que é um dos métodos tradicionais de análise cromatográfica utilizado pelas empresas de energia.

1.2 Organização do Trabalho

Em adição a este capítulo introdutório, o trabalho é composto por cinco capítulos e um Apêndice.

O Capítulo 2 apresenta as metodologias de análise para óleo mineral isolante de transformadores, mais especificamente o método dos gases dissolvidos em óleo e o método de análise das características físico-químicas do óleo mineral isolante, duas das metodologias que foram empregadas no desenvolvimento do sistema inteligente.

(19)

O Capítulo 3 apresenta os conhecimentos necessários sobre Redes Neurais Artificiais e Sistemas Difusos para a compreensão do sistema inteligente desenvolvido.

O Capítulo 4 apresenta o sistema inteligente desenvolvido para diagnóstico dos transformadores através da análise dos gases dissolvidos em óleo.

O Capítulo 5 apresenta o sistema inteligente baseado em lógica difusa desenvolvido para monitoramento on-line das propriedades físico-químicas do óleo isolante.

O Capítulo 6 expõe as discussões obtidas a partir da análise dos resultados conseguidos na pesquisa e apresenta considerações sobre a mesma.

(20)

Capítulo II

2. Metodologias de Análise para Óleo Mineral Isolante de

Transformadores

Como o principal objetivo desta dissertação é apresentar o sistema inteligente desenvolvido para diagnóstico de transformadores baseado na análise físico-química do óleo e na análise cromatográfica dos gases dissolvidos em óleo, este capítulo apresenta então algumas definições e conceitos importantes relacionados com estas duas metodologias para análise do óleo isolante.

2.1 Materiais e Líquidos Isolantes de Transformadores

A maior parte da isolação sólida dos transformadores é constituída de papel e, portanto, de natureza celulósica. Estes materiais têm elevada resistência de isolamento quando secos (0.5% a 1% de umidade) e são altamente higroscópicos, isto é, absorvem umidade e óleo.

Os principais tipos de materiais celulósicos empregados na isolação que envolve os enrolamentos dos transformadores são:

Papel Kraft – feito de fibras de madeiras

Papel manilha – feito de fibras de madeira e cânhamo Papelão Kraft – feito de fibra de madeira

Pressboard – feito de papelão com fibras de algodão

O papel isolante utilizado em transformadores é, depois de seco, impregnado de verniz ou resina isolante e posteriormente de óleo isolante. Sua impregnação com verniz ou resina não impede, mas retarda a penetração de água. A impregnação do papel com verniz que contém um solvente volátil pode dar origem à formação de cavidades na massa isolante favorecendo a formação de descargas parciais, que podem ser avaliadas pela medição do fator de potência da isolação, descargas estas que darão origem a gases que se dissolverão no óleo.

O óleo mineral isolante utilizado em equipamentos como transformadores, reatores, disjuntores, religadores, etc., são extraídos do petróleo. O óleo mineral pode ser de origem naftênica, mais usual, mas em vias de escassez (3% do óleo disponível), ou parafínica, tipo mais comum existente nas jazidas do Brasil e que tem baixo ponto de fluidez. As características do óleo tipo parafínica dificultam seu uso em regiões de inverno rigoroso, mas

(21)

altos investimentos têm sido realizados em pesquisas para se obter este tipo de óleo com características mais adequadas para utilização em aparelhos e equipamentos elétricos [1].

Os óleos possuem cor amarelo-pálida e são transparentes. Eles são constituídos por uma mistura de hidrocarbonetos (saturados e aromáticos) em maior proporção e de não-hidrocarbonetos (compostos de nitrogênio de enxofre e de oxigênio).

Sua deterioração, principalmente pela ocorrência de arcos e descargas elétricas, pode provocar a precipitação de partículas de carvão, a formação de ácidos e a liberação de gases. Com a deterioração a cor do óleo muda e escurece.

O envelhecimento dos óleos parafínicos tende a produzir uma maior quantidade de dióxido de carbono do que os naftênicos o que pode acelerar a deterioração dos papéis celulósicos.

A água e o calor são dois dos piores inimigos da isolação dos transformadores. A deterioração da isolação sólida e líquida dá origem à água e outros produtos que podem também servir como catalisadores, juntamente com o ferro do tanque, do núcleo, dos parafusos e suportes, com o cobre do enrolamento e com a umidade, e aceleradores do processo, o que irá diminuir o poder dielétrico do óleo.

Diz-se que o óleo está contaminado quando contém água e outras substâncias estranhas que não são produtos de sua composição. Diz-se que ele está deteriorado quando contém produtos resultantes de sua oxidação. A deterioração se inicia tão logo ocorre o enchimento do transformado, quando o oxigênio existente no tanque entra em combinação com os hidrocarbonetos instáveis do óleo. Por isso, ultimamente, tem-se adotado a prática de encher o tanque dos transformadores com nitrogênio desde a fábrica até o local da instalação dos mesmos e só então proceder ao enchimento dos mesmos para minimizar o problema, mas como existe oxigênio dissolvido no próprio óleo o processo de oxidação é inevitável.

2.2 Metodologias de Análise para Óleo Mineral Isolante

2.2.1 Análise Físico-Química

A análise físico-química do óleo isolante é uma técnica que tem sido largamente empregada para a avaliação do estado de transformadores.

As funções do óleo mineral nos transformadores são as de resfriar, dissipando o calor gerado durante a operação, e a de isolar, evitando a formação de arco elétrico entre os condutores e/ou tanque.

(22)

Basicamente, o que se pretende com a análise físico-química é determinar se o óleo está apto a cumprir suas funções, isto é, se ele não está contaminado por umidade, partículas e outras substâncias, que não são produtos de sua composição natural e que podem contribuir para a redução de sua suportabilidade dielétrica, e se não está deteriorado, por conter produtos resultantes de sua oxidação.

Para a análise físico-química do óleo alguns ensaios são realizados com o objetivo de se obter informações sobre a rigidez dielétrica do óleo, o teor de água no óleo, o índice de neutralização ou acidez do óleo, as perdas dielétricas ou fator de potência, a tensão interfacial, a cor e densidade do óleo.

2.2.1.1 Índice de Neutralização ou Acidez

Acidez é uma medida dos constituintes ou contaminantes de natureza ácida presentes no óleo. Este valor aumenta como resultado da oxidação e nos óleos isolantes novos seu valor muito baixo praticamente é desprezível.

Nos equipamentos em operação a acidez do óleo vai aumentando em função da oxidação do mesmo. Assim, o seu valor mede o grau de oxidação de um óleo, sendo usado para determinar se o mesmo deve ser regenerado ou substituído, desde que limites de rejeições convenientes tenham sido estabelecidos e outros ensaios sejam utilizados para confirmação da necessidade de correção [2].

2.2.1.2 Resistividade

A resistividade mede a voltagem que o óleo esta isolando. A queda do isolamento de voltagem é indicativa que há contaminação no óleo, e a voltagem deve ser testada freqüentemente. Geralmente o mínimo aceito esta em torno de 30 Kv para transformadores com alta voltagem. Óleos novos devem isolar pelo menos 35 Kv.[2]

2.2.1.3 Oxigênio Dissolvido

A presença de oxigênio dissolvido no óleo acelera processo de oxidação , sendo que a oxidação provoca o envelhecimento mais rápido do óleo devido a isso controlar a quantidade de oxigênio no óleo é fundamental para o controle da vida útil do transformador.[2]

(23)

2.2.1.4 Valores Limites de Referência para óleo mineral isolante em serviço

A tabela 2.1 apresenta valores limites adotada pela Eletronorte para o óleo mineral isolante em serviço.

Tabela 2.1 – Valores limites para óleo mineral isolante em serviço

Ensaios Método Unidade <=69KV <=230 KV 500

KV Índice de Neutralização MB 101 mgKOH/g 0.20 0.20 0.15

Tensão Interfacial NBR 6234 dina/cm 20 20 20

Teor de Água ASTMD

1533 NBR 6867 PPM KV 35 30 25 Rigidez Dielétrica KV 30 35 70

Fator de Potência (25ºC) IEC 156 % 1.0 0.7 0.5

Fator de Potência (100ºC) ASTMD 924 % 15 15 10 Total de Gases Combustíveis ASTMD 924 ppm 2000 2000 2000

Segundo Milasch [3],os valores limites para o óleo mineral isolante em serviço podem ser observados nas Tabelas 2.2 e 2.3.

(24)

Tabela 2.2 – Valores limites para resultados de testes de óleo envelhecido em serviço, por classe de tensão. Classe de tensão 69 KV e menor Acima de 69 KV até 288 KV

345 KV e acima Método ASTM de testes Rigidez Dielétrica 60 Hz – KV mínimo 26 26 26 D- 877 Rigidez Dielétrica [KV mínimo separação de eletrodos 10,16mm (0,40)] 23 26 26 D-1816 Número de Neutralização (mgKOH/g mínimo) 0,2 0,2 0,1 D-974 Tensão Interfacial (dina /cm mínimo) 24 26 30 D-971 Fator de Potência, 60 Hz, 25ºC (% máxima) 0,65 0,39 0,31 D-924 Teor de Água (PPM máxima) 35 25 20 D-1533 Conteúdo de gases quando especificado (% Máximo) D-831 D-1817 D-2945 D-3612

Tabela 2.3 – Valores limites para óleo mineral isolante a ser regenerado

Característica Método Unidade Limites

Índice de

Neutralização

ABNT –MB – 101 mgkOH/g 0,3

Tensão Interfacial NBR – 6234 Dinas/cm 20

Fator de Potência a 100 º C

(25)

2.2.1.5. Utilização de óleo isolante a ser regenerado

A regeneração do óleo mineral isolante usado consiste em submetê-lo a tratamento por processos físico-químicos específicos, a fim de melhorar suas características visando sua reutilização como dielétrico.

O óleo mineral isolante de origem naftênica, regenerado, pode ser utilizado em qualquer equipamento elétrico, até a classe de tensão 230 KV, exceto em equipamentos que ainda estejam no período de garantia [4].

2.2.1.6. Valores limite de Referência

a) Óleo Isolante a ser regenerado

Os ensaios que determinam a necessidade de regenerar o óleo isolante são: índice de neutralização, tensão interfacial e fator de potência. A Tabela 2.4 apresenta os valores limites adotada pela Eletronorte [4], para óleo mineral isolante a ser regenerado.

(26)

Tabela 2.4– Característica do óleo isolante Resultados Típicos Valores-Limites

Óleo usado

satisfatório A recondicionar Após tratamento

Ensaios Óleo novo Óleo usado Óleo novo Até 230KV acima Até 230KV acima A regenerar Até 230KV acima Método de ensaio

1 2 3 4 5 6 7 8 9 10 11 12 50 >40 >40 >30 >35 25-20 25-35 >33 >38 ASTM D-877 65 >70 >60 >60 >70 50-60 50-70 >66 >76 IEC (VDE -370) >32 >24 >27 20-24 20-27 >25 >30 ASTM D- 1816 (004") Rigidez Dielétrica (KV) 70 >58 >64 >48 >54 40-40 40-54 >50 >60 ASTM D- 1816 (008") Conteúdo de Água 10 15 <10 <25 <15 25-40 15-40 >40 <20 <15 Método de Karl Fischer - ASTM D- 1533 E PMB-818 Acidez (mgKOH/g óleo 0,03 0,1- 0,2 0,05 <0,3 <0,1 >0,4 <0,1 ASTM D- 974 MB- 101 ASTM D- 664 MB-494 Tensão Interfacial (N/m) 0,045 0,02- 0,03 >0,04 >0,025 0,02-0,025 <0,020 >0,03 ASTM D- 971 MB- 320 ASTM D- 2285 Cor 0,5 1,0 - 1,15 <0,05 <3,0 03/abr >4 <2 ASTM D- 1500 PMB- 351 0,01 0,1 -0,3 <0,05 0,5 0,5 - 15 >1,5 <0,1 20ºC ASTM <0,05 25ºC D- 924 0,07 <0,3 100 º C VDE Fator de Potência (%) 0,1 90º C 370

(27)

b) Óleo Isolante após Regeneração

O óleo isolante regenerado deverá ser inibido com aditivo antioxidante na proporção de 0.3%. O aditivo antioxidante é um composto químico que tem a capacidade de retardar a oxidação de óleos isolantes.

A tabela 2.5 apresenta valores limites adotada pela Eletronorte [4] para óleo mineral isolante após regeneração.

Tabela 2.5 – Valores limites para óleo mineral isolante após regeneração

Ensaios Método Unidade Limites

Rigidez Dielétrica ABNT- MB - 330 KV 40 Tensão Interfacial ABNT – MB –

320

dinas/cm 40

Fator de Potência a 100ºC

ASTM – D- 924 % 0,5

Teor de Água ASTM- D- 1533 ppm 15 Cor ABNT – MB - 351 1 Índice de Neutralização (colorímetro) ABNT – MB – 101 mgkOH/ g 0,03

Teor de Inibidor ASTM – D- 2668 % 0,3 Estabilidade a

oxidação IEC 474

Teor de Borra IEC - 74 % 0,10

Tensão Interfacial NBR - 6234 Dinas/cm 10 Índice de Neutralização MB – 101 MgkOH/g 0,4 Fator de Potência a 100 º C ASTM –D - 924 % 20

2.2.2 Análise Cromatográfica de Gases Dissolvidos em óleo (DGA)

Através da análise dos gases dissolvidos no óleo isolante é possível avaliar a condição de operação do isolamento do transformador, com a identificação de eventuais processos de falha que possam estar ocorrendo. As medidas podem ser obtidas com o equipamento em operação normal, seja por amostragem periódica do óleo, ou por monitoramento continuo.

A detecção de certos gases gerados no óleo do transformador em serviço é freqüentemente a primeira indicação de mau funcionamento. Descargas de baixa energia, de

(28)

alta energia e sobreaquecimento são alguns dos mecanismos de falha que podem ser identificados através desta análise. A ocorrência destes eventos pode resultar na decomposição dos materiais isolantes e conseqüentemente na formação de vários gases combustíveis e não combustíveis. A operação de transformadores com grande quantidade de gases combustíveis não é uma condição normal, mas pode acontecer, desde que investigados e avaliados os possíveis riscos desta operação [5]. A identificação de uma condição anormal requer a avaliação da quantidade de gases gerados considerando a sua taxa de geração ao longo do tempo.

Por muitos anos a técnica de análise dos gases dissolvidos no óleo foi à única utilizada para avaliação dos processos de degradação e envelhecimento do isolamento em uma fase inicial.

Alguns problemas que poderiam caminhar para falhas catastróficas em transformadores que podem ser detectadas através da DGA são: arco elétrico (freqüentemente devido à perda ou mau contato de conexões dentro dos transformadores causados por vibrações); corona (descargas elétricas no enrolamento); sobre aquecimento do óleo (sobrecarga do transformador, aquecimento exagerado do óleo isolante e de outras partes do equipamento, ou óleo em más condições necessitando de reciclagem ou regeneração, resultando em transferência de calor ineficiente); e degradação da celulose (o papel de material isolante enrolado em torno das bobinas torna-se frágil e começa a se deteriorar).

Com a análise dos gases dissolvidos em óleo isolante é possível não só identificar o tipo de falta, mas também a severidade da mesma, possibilitando assim a elaboração de ações de manutenção pelo acompanhamento e tendência de evolução das faltas.

Os gases gerados durante as faltas em transformadores estão ilustrados na Figura 2.1. A figura apresenta a proporção de desenvolvimento dos gases constituintes relacionados à temperatura em que ocorrem.

(29)

Figura 2.1 - Gases típicos gerados durante falhas

Estes e outros gases que também podem surgir estão relacionados a seguir em três grupos: a) Hidrocarbonetos e hidrogênio: Metano CH4 Etano C2H6 Etileno C2H4 Acetileno C2H2 Hidrogênio H2 b) Óxidos de carbono: Monóxido de carbono CO Dióxido de carbono CO2

c) Gases não oriundos de faltas:

Nitrogênio N2

Oxigênio O2

2.2.2.1 Faltas Elétricas e Gases Gerados

A seguir serão apresentados os tipos de faltas em transformadores e os gases gerados durante a ocorrência das mesmas:

(30)

Arco elétrico – Produção de grande volume de hidrogênio e acetileno e em menores volumes o metano e o etileno. Se o arco envolve a celulose, também podem ser formados monóxido e dióxido de carbono. Gás chave: acetileno.

Figura 2.2 – Percentual dos gases gerados durante um arco elétrico no óleo

Corona – Descargas elétricas de baixa energia produzem hidrogênio e metano com pequenas quantidades de etano e etileno. Quantidades significativas de monóxido e dióxido de carbono podem ser devido a descargas na celulose. Gás chave: hidrogênio.

Figura 2.3 – Percentual dos gases gerados durante uma descarga parcial no óleo

Sobre aquecimento do óleo. – Decomposição de produtos incluindo etileno e metano, juntos com pequenas quantidades de hidrogênio e etano. Traços de acetileno podem ser formados se o sobre aquecimento é severo ou envolve contatos elétricos. Gás chave: etileno.

(31)

Figura 2.4 – Percentual dos gases gerados na ocorrência de sobre aquecimento no óleo • Degradação da celulose – Grandes quantidades de monóxido e dióxido de

carbono estão envolvidas no sobre aquecimento da celulose. Gases hidrocarbonetos, tais como o metano e etileno serão formados se o problema envolver a isolação do enrolamento, normalmente papel isolante impregnado de óleo. Gás chave: monóxido de carbono.

Figura 2.5 – Percentual dos gases gerados pela degradação da celulose • Eletrólise – Formação de grandes quantidades de hidrogênio, com pequenas

quantidades de outros gases combustíveis devido à decomposição da água associada com a ferrugem. Gás-chave: hidrogênio.

(32)

A interpretação dos resultados a partir da cromatografia de gases depende da quantidade total de gases combustíveis, TDCG, da quantidade de cada gás individual, e da taxa de crescimento destes gases. Entretanto a interpretação dos gases dissolvidos no óleo não é exatamente uma ciência.

Desde que uma operação normal também causa a formação de certos gases, simplesmente determinar a presença de gases no óleo não deveria causar alarme. O que é importante é a taxa e a quantidade dos gases gerados.

A solubilidade dos gases no óleo mineral assim como as suas dependências com a temperatura são também fatores importantes a serem considerados na análise de gases de falta. A tabela 2.6 lista as solubilidades de saturação para os gases.

Tabela 2.6 – Solubilidade de gases em transformadores

Gases v/v % Hidrogênio 7% em volume Nitrogênio 8.6 % Monóxido de 9% Oxigênio 16% Metano 30% Dióxido de carbono 120% Etano 280% Etileno 280% Acetileno 400% Equilíbrio Estático á 760 mm Hg e 25 º C

Deve-se notar que há quase duas ordens de diferença de magnitude entre o gás menos solúvel (hidrogênio) e o gás mais solúvel (acetileno). A maioria dos gases que são indicativos de faltas são também aqueles que, em geral, são mais solúveis no óleo.

2.2.2.2. Métodos de Detecção de Faltas Baseados em DGA

A análise dos gases dissolvidos em óleo pode ser realizada por vários métodos tais como o Método dos Gases Chave, o Método das Razões de Dornenburg, Método das Razões de Rogers, IEC 60599 e Triângulo de Duval. Estes métodos foram desenvolvidos a partir de

(33)

análises estatísticas de bases de dados européias e assim apresentam erros significativos quando aplicados a equipamentos instalados em países que apresentam diferenças climáticas relativas à Europa.

Sendo assim muitas técnicas para detecção e medição dos gases dissolvidos no óleo isolante de transformadores foram desenvolvidas. No entanto, a interpretação da significância dos seus resultados esta sujeita a variações.

A presença e a concentração dos gases dependem de algumas características dos equipamentos como: tipo, localização, temperatura do defeito, solubilidade e grau de saturação dos vários gases encontrados no óleo, tipo do sistema de conservação do óleo, tipo e velocidade de circulação do óleo, tipo dos materiais em contato com o óleo e as características dos procedimentos de amostragem e medição. Por causa da variação nos limites e da importância dos gases e das taxas de geração torna-se difícil obter um consenso [5]. Uma grande barreira para o desenvolvimento de um método preciso de interpretação de resultados é a não existência de uma correlação exata entre os gases identificados e os defeitos.

2.2.2.2.1 Método Clássico de Rogers

Utiliza a filosofia de diagnóstico baseado em relações de concentrações de gases e limites de variação para estas relações. Utiliza quatro relações e cinco gases, no estabelecimento das condições do equipamento. A forma de apresentação do método é dividida em duas tabelas. Na Tabela 2.7, em função das faixas de valores obtidos para as relações gasosas, estabelece-se um código. E na Tabela 2.8, através da combinação destes códigos se determina o diagnóstico final da amostra [5].

(34)

Tabela 2.7 - Tabela de definição dos códigos do método de Rogers

Relação de Gases Faixa de Variação Código

CH4/H2 <=0.1 5 >0.1, <1 0 >=1,<3 1 >=3 2 C2H6/CH4 <1 0 >=1 1 C2H4/C2H6 <1 0 >=1,<3 1 >=3 2 C2H2/C2H4 <0.5 0 >=0.5, <3 1 >=3 2

Tabela 2.8 - Tabela de diagnóstico do método de Rogers em função do código

CH4/H2 C2H6/CH4 C2H4/C2H6 C2H2/C2H4 Diagnóstico 0 0 0 0 Deterioração Normal 5 0 0 0 Descargas Parciais ½ 0 0 0 Sobreaquecimento – abaixo de 150ºC ½ 1 0 0 Sobreaquecimento de 150ºC – 200ºC 0 1 0 0 Sobreaquecimento de 200ºC – 300ºC 0 0 1 0 Sobreaquecimento de condutores 1 0 1 0 Correntes de circulação nos enrolamentos 1 0 2 0 Correntes de circulação no núcleo e tanque, sobreaquecimento em conexões. 0 0 0 1 Descarga continua

0 0 ½ ½ Arco com alta

energia

0 0 2 2 Descarga continua

com baixa potência

5 0 0 1/2 Descarga Parcial

(35)

A Tabela 2.9 apresenta os diagnósticos correlacionados que foram agregados para efeito de saída na aplicação deste método:

Tabela 2.9 - Agrupamento de Diagnósticos para o Método de Rogers

Saída Considerada Diagnósticos Agregados

Normal Deterioração Normal

Falha Elétrica

Descargas parciais, Descarga continua, Arco com alta energia, Descarga continua de

baixa potência, Descarga parcial envolvendo o papel.

Falha Térmica Sobreaquecimento – abaixo de 150ºC, Sobreaquecimento – de 150ºC - 200ºC, Sobreaquecimento – 200ºC-300ºC, Sobreaquecimento de condutores, Correntes de circulação nos enrolamentos,

Correntes de circulação no núcleo e tanque, sobreaquecimento em conexões.

2.2.2.2.2 Método de Doernenburg

O método de Doernenburg original não define critérios para o estabelecimento de condições normais do isolamento, mas estabelece as condições de validade para aplicação do método de diagnóstico em função das concentrações individuais dos gases componentes das relações [5]. O critério de identificação de falha do método de Doernenburg pode ser visualizado na Tabela 2.10, onde são apresentados os valores de relações gasosas que classificam o tipo de falha a que o equipamento está submetido.

Tabela 2.10 - Critério de identificação de falha de Doernenburg.

Relações Entre Concentrações de Gases Relações principais Relações auxiliares Tipo de Falha CH4/H2 C2H2/C2H4 C2H6/C2H2 C2H2/CH4 Ponto Quente >1 <0.75 >0.4 <0.3 Descarga parcial <0.1 Não signif. >0.4 <0.3 Outros tipos de descarga <1 e >0.1 >0.75 <0.4 >0.3

(36)

Já a Tabela 2.11 apresenta os dados de concentração de gases individualmente para a validação de aplicação do referido método. O critério estabelece que, para a utilização da Tabela 2.10, no mínimo um dos gases que compõe as relações principais tenha uma concentração superior ao dobro do valor da Tabela 2.11 e que para as relações auxiliares, pelo menos um dos gases tenha uma concentração superior ao constante na mesma tabela.

Tabela 2.11 - Tabela de concentração dos gases para validação do método de Doernenburg

Tipos de gás H2 CH4 C2H6 C2H4 C2H2

Concentrações ppm (v/v)

200 50 15 60 15

O IEEE [5] recomenda a utilização do método de Doernenburg, porém alterando-se os valores apresentados para a validação da aplicação do método. Com esta alteração, apresentada na Tabela 2.12, o método de Doernenburg também passou a ser utilizado para identificações de condições de normalidade do transformador. Ou seja, se nenhuma das concentrações de gases que compõem as relações principais alcançarem uma concentração superior ao dobro do valor da tabela e para as relações auxiliares, nenhuma destas concentrações seja maior ao constante na mesma tabela, o transformador apresenta condições de operação de normalidade.

Tabela 2.12 - Tabela de concentração dos gases para identificação de condição de normalidade para o método de Doernenburg, segundo a IEEE

Tipos de gás H2 CH4 C2H6 C2H4 C2H2

Concentrações ppm (v/v)

100 120 65 50 35

Da mesma forma que o método de Rogers, e mesmo possuindo menor quantidade de diagnósticos considerados, alguns destes foram agregados para que fossem contempladas as saídas consideradas pela ferramenta. A Tabela 2.13 apresenta o agrupamento dos diagnósticos similares para o método de Rogers.

(37)

Tabela 2.13 - Agrupamento de Diagnósticos para o Método de Doernenburg

Saída Considerada Diagnósticos Agregados Normal

Quando os valores obtidos para as concentrações que forem abaixo dos valores utilizados para validação Falha Elétrica Descarga parcial, Outros

tipos de descarga.

Falha Térmica Ponto quente.

2.2.2.2.3 Método IEC 60599

A NBR7274 / 1982 – Interpretação da Análise dos Gases de Transformadores em Serviço (baseada na IEC 599/78) é apresentada na Tabela 2.14, e sugere a utilização de um método semelhante ao método de Rogers, variando-se alguns limites constantes das relações e também algumas alterações na interpretação dos valores para o referido diagnóstico [6].

Tabela 2.14 - Interpretação da Análise de Gases conforme NBR7274

C2H2/C2H4 CH4/H2 C2H4/C2H6 Diagnóstico

<0.1 0.1 a 1.0 <1.0 Envelhecimento Normal <0.1 <0.1 <1.0 Descarga Parcial de baixa

energia

0.1 a 3.0 <0.1 <1.0 Descarga Parcial de alta energia

>0.1 0.1 a 1.0 >1.0 Arco – descarga baixa energia

0.1 a 3.0 0.1 a 1.0 >3.0 Arco – descarga de alta energia <0.1 >1.0 <1.0 Sobreaquecimento 150ºC < t < 300ºC <0.1 >1.0 1.0 a 3.0 Sobreaquecimento 300ºC < t < 700ºC <0.1 >1.0 >3.0 Sobreaquecimento t> 700ºC

(38)

Também para efeitos de comparação posterior, diagnósticos de mesma origem foram agrupados, resultando em três saídas possíveis, conforme mostrado na Tabela 2.15.

Tabela 2.15 - Agrupamento de Diagnósticos para a NBR7274

Saída Considerada Diagnósticos Agregados

Normal Envelhecimento Normal

Falha Elétrica Descargas parcial de baixa energia, Descarga parcial de alta energia, Arco – descarga

de baixa energia, Arco – descarga de alta energia. Falha Térmica Sobreaquecimento 150ºC < t

< 300º C, Sobreaquecimento de 300ºC < t < 700ºC, Sobreaquecimento t> 700ºC.

2.2.2.2.4 Método Laboratoire Central dês Industries Électriques (LCIE)

O método proposto pelo Laboratoire Central dês Industrie Électriques (LCIE), divide o conjunto de gases em quatro grupos conforme um gás característico. Utiliza onze concentrações de gases diferentes como dados principais e seis relações de concentração como dados auxiliares no diagnóstico. Utiliza as concentrações individuais apenas qualitativamente em função de sua presença ou não dos gases. Este método propõe apenas a identificação das várias falhas, não sendo mencionado um critério para a definição da condição de normalidade do isolamento [6].

2.2.2.2.5 Método Laboratoire Belge de l’Industrie Électrique (Laborelec)

O método proposto pelo Laboratoire Belge de l’Industrie Électrique (Laborelec), utiliza como critério de diagnóstico a concentração de três gases individuais, o volume total de gases contendo um ou dois átomos de carbono e uma relação de concentrações. Este método identifica a condição de normalidade do isolamento e as falhas pela sua natureza (elétrica ou térmica) com nove níveis e pela sua intensidade com quatro níveis. Este método é um dos métodos de diagnóstico recomendados na NBR 7274 [6].

2.2.2.2.6. Método DUVAL

O método proposto por Duval [7], leva em conta apenas a concentração percentual relativa dos gases acetileno, etano e metano. O princípio de funcionamento do critério é mais bem visualizado na Figura 2.7, onde a evolução de gases gerados para determinadas falhas, é

(39)

representada por um triângulo. As coordenadas são definidas pela relação percentual de cada um dos gases em relação ao total de gases gerados. O critério pode identificar três falhas de origem elétrica e três falhas de origem térmica.

Figura 2.7 – Triângulo de Durval

Cada código apresentado no triângulo representa uma condição de falha, como descrito abaixo:

PD: descargas parciais;

T1: falha térmica com temperatura T < 300ºC;

T2: falha térmica com temperatura: 300ºC < T < 700ºC; T3: falha térmica com temperatura T > 700ºC;

D1: descargas de baixa energia; D2: descargas de alta energia; DT: mistura de falhas.

2.2.2.2.7 Método do gás chave

O estudo do método do gás chave começou nos laboratórios da Doble e foi estabelecido em 1973 [8] e oficialmente proposto em 1974. Em 1978, a comparação entre o método do gás chave e o método das razões de Rogers ocorreu na conferência anual da Doble [9]. Imaginou-se que o método das razões fosse exclusivo para transformadores do tipo com conservador, mas o método do gás chave foi desenvolvido seja para transformadores selados

(40)

seja para transformadores com pulmão de gás. Uma grande revisão no método do gás chave, métodos das razões, e aplicações relacionadas [19].

O método do gás chave identifica o gás chave para cada tipo de falta e usa o percentual deste gás para identificar a falta.

Baseado no trabalho original e no padrão IEEE [5], a Tabela 2.16 resume o critério de diagnóstico do método do gás chave. O percentual do gás é baseado no total de gases combustíveis dissolvidos (TDCG) e é um número aproximado.

Tabela 2.16 - Critério de Diagnóstico do Método do Gás Chave

Falta Gás chave Critério Percentual

do gás Arco Acetileno (C2H2 ) Grande quantidade de H2 e C2H2 e menor quantidade de CH4 e C2H4. CO e CO2 podem ser comparados se a celulose estiver envolvida H2: 60% C2H2 : 30% Corona Hidrogênio H2) Grande quantidade de H2, algum CH4, com pequena quantidade C2H6 e C2H4, CO e CO2 podem ser comparados se a celulose estiver envolvida. H2 : 85 % CH4: 13 % Sobreaquecimento do óleo Etileno (C2H4) Grande quantidade de C2H4, menor quantidade de C2H6, alguma quantidade C2H4 e H2. Traços de CO e CO2. C2H4: 63% C2H6 : 20 % Sobreaquecimento da celulose Monóxido de Carbono (CO) Grande quantidade de CO e CO2. Gases hidrocarbonetos podem existir. CO: 92%

(41)

2.3 Considerações Finais

Neste capítulo foram apresentados dois tipos de análise que podem ser realizadas para diagnóstico de transformadores: análise através de ensaios físico-químicos no óleo isolante e análise baseada nos gases dissolvidos no óleo. Foram apresentados todos os conceitos necessários sobre os dois métodos para uma melhor compreensão em relação ao sistema inteligente proposto nesta dissertação.

A seguir, o capítulo 3 procura apresentar uma revisão sobre rede neural e lógica difusa procurando destacar os principais conceitos necessários para o bom entendimento das duas principais ferramentas utilizadas no sistema inteligente desenvolvido.

(42)

Capítulo III

3. Redes Neurais Artificiais e Sistemas Difusos

Neste capítulo será apresentada uma revisão sobre Rede Neural Artificial e Lógica Difusa, duas das técnicas de inteligência computacional utilizadas nesta dissertação para o desenvolvimento do sistema inteligente de diagnóstico de transformadores. Serão abordados os principais conceitos para os dois modelos envolvendo as suas estruturas, os seus componentes e seus funcionamentos.

O capítulo também apresenta o estado da arte em Inteligência Computacional aplicada ao diagnóstico de transformadores.

3.1. Redes Neurais Artificiais

As Redes Neurais Artificiais (RNAs) são técnicas computacionais baseadas no funcionamento do cérebro humano. O cérebro é capaz de realizar tarefas muito complexas (como reconhecimento de padrões, percepção e controle motor) muito mais rapidamente e com mais eficácia do que o melhor computador digital existente atualmente. Acredita-se que todo este poder se deve a capacidade do cérebro de auto-organizar seus neurônios e ligações sinápticas.

Entretanto, pouco se sabe ainda sobre o real funcionamento do cérebro. Não se conhece bem a forma como a experiência e o conhecimento são armazenados, bem como a forma como os neurônios interagem entre si. Acredita-se que a aquisição de conhecimento por parte do cérebro é realizada através da criação de novas conexões entre neurônios ou através de mudanças nas voltagens (intensidades) das ligações já existentes. Outro ponto a se considerar é que estas mudanças são realizadas a uma grande velocidade e podendo envolver milhões de neurônios ao mesmo tempo.

As Redes Neurais Artificiais representam, então, uma tentativa de simular as atividades do cérebro, com a finalidade de herdar parte da funcionalidade e do poder de realizar funções específicas que caracteriza este órgão.

As RNAs são usualmente implementadas através de componentes eletrônicos ou através de simulações em software. Uma rede neural é compostas por unidades atômicas de processamento denominadas neurônios artificiais, que se interconectam através de ligações

(43)

sinápticas (ou sinapses). Estas ligações são caracterizadas por suas intensidades (pesos). O processo pelo qual uma rede neural adquire seu conhecimento é denominado aprendizado.

3.1.1 Neurônio Artificial

As Redes Neurais Artificiais – assim como o cérebro – são caracterizadas pela presença de unidades atômicas de processamento (neurônio artificial) interconectadas. O funcionamento do neurônio artificial (Figura 3.1) é baseado no comportamento do neurônio biológico onde sinais de estímulo ou de inibição são processados e repassados. A ligação entre os neurônios é caracterizada pela sua intensidade, que é representada matematicamente por um valor denominado “peso”. Portanto, quanto maior o valor do peso, mais intensa é a conexão entre dois neurônios.

Figura 3.1 – Neurônio Artificial

Cada neurônio possui terminais de entrada e de saída. Através dos terminais de entrada, os sinais de estímulo ou inibição são recebidos pelo neurônio.

Os valores que alimentam um neurônio são agrupados através de uma função denominada Função de Junção (soma), onde os valores provenientes de cada terminal de entrada são agregados proporcionalmente ao seu peso. O valor resultante, denominado Valor de Ativação, será submetido à Função de Ativação do neurônio. O valor resultante é, então, repassado para os neurônios aos quais os terminais de saída estão conectados, ou podem ainda representar, em parte ou integralmente, a saída de toda a rede neural.

(44)

)

(

k k

u

y

=

ϕ

(3.1) Com:

=

=

p j k j kj k

w

x

v

1

.

θ

(3.2)

Onde yk é a saída do neurônio,

ϕ

(.)

a função ativação, vk o valor de ativação, wkj o peso entre o neurônio k e a entrada j e

θ

k o bias.

Os neurônios artificiais são basicamente classificados por suas funções ou localização na rede neural. Os neurônios artificiais podem ser:

Neurônios de Entrada

Recebem a informação que se deseja processar através de um único terminal de entrada (sem peso). Este tipo de neurônio simplesmente repassa o valor recebido como entrada para todos os neurônios subseqüentes. Portanto, nenhum tipo de processamento é realizado no âmbito de um neurônio de entrada.

Neurônios de Processamento

Recebem valores provenientes de outros neurônios, representando sinais de estímulo ou inibição. Estes valores estão associados aos pesos das conexões por onde os valores são repassados. O valor de saída do neurônio é, então, repassado a todos os neurônios subseqüentes.

Neurônios de Saída

Representam o último passo de processamento antes do resultado da rede neural ser apresentado. Através desses neurônios, os valores provenientes de outros neurônios sofrem o último processamento e seu resultado é apresentado através de um único terminal de saída, representando em parte ou integralmente a resposta da rede neural.

3.1.2 Funções de Ativação

Segundo Tafner [10], a função de ativação do neurônio ou função de saída é uma decisão tomada pelo neurônio sobre o que fazer com o valor resultante do somatório das entradas ponderadas.

Existem vários tipos de função de ativação, sendo que as mais utilizadas são as funções: linear, tangente hiperbólica e sigmóide.

(45)

3.1.2.1 Função Linear:

Esta função é apresentada na Figura 3.2 e é dada por:



=

≥ < ; 0 , 1 ; 0 , 0

)

(

k k v se v se k

v

ϕ

(3.3)

3.1.2.2 Função Linear de Piecewise:

Esta função é descrita por:

(

)

         − ≤ − > > ≥ = 2 1 , 0 ; 2 1 2 1 , ; 2 1 , 1 k k k k k v se v se v v se v

ϕ

(3.4)

3.1.2.3 Função Sigmoidal

Este modelo é o tipo mais comum de função de ativação utilizado para projeto de redes neurais. È uma função estritamente crescente que apresenta propriedades assintóticas e de suavidade. Um exemplo de função sigmoidal é a função logística (Figura 3.3), definida por:

( )

(

)

k k av v − + = exp 1 1 ϕ (3.5)

O parâmetro a define as diferentes declives da função sigmoidal.

3.1.2.4 Função Tangente Hiperbólica

Esta função é apresentada na Figura 3.4 e é dada por:

( )

kk av av k

e

e

v

+

=

1

1

ϕ

(3.6)

(46)

Figura 3.2 – Função Linear

Figura 3.3 - Função sigmoidal

Figura 3.4 - Função tangente hiperbólica

3.1.3 Arquiteturas de RNA

Segundo Haykin [11], a arquitetura é a maneira pela qual os neurônios de uma RNA estão estruturados. Podem-se identificar fundamentalmente três tipos principais de arquiteturas:

1. Redes alimentadas adiante (Feedforward) de uma única camada

2. Redes alimentadas adiante com múltiplas camadas (Multilayer Feedforward Networks); 3. Redes com realimentação.

Imagem

Referências

temas relacionados :