CP 013012

Ministério da Educação
UNIVERSIDADE FEDERAL DE ITAJUBÁ

Criada pela Lei nº10.435, de 24 de abril de 2002
Pró-Diretoria de Pesquisa e Pós-Graduação
DIAGNÓSTICO DE FALHAS EM
TRANSFORMADORES DE
POTÊNCIA PELA ANÁLISE DE
GASES DISSOLVIDOS EM ÓLEO
ISOLANTE ATRAVÉS DE REDES
NEURAIS
JOSÉ GERALDO ARANTES
i
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
Diagnóstico de Falhas em Transformadores de
Potência pela Análise de Gases Dissolvidos em Óleo
Isolante Através de Redes Neurais
JOSÉ GERALDO ARANTES
Orientador: Prof. EDSON DA COSTA BORTONI
Dissertação apresentada à
Universidade Federal de Itajubá para
obtenção do grau de Mestre em
Ciências
ITAJUBÁ
Estado de Minas Gerais – Brasil

2005
ii
Arantes, José Geraldo.
Diagnóstico de Falhas em Transformadores de Potência pela
Análise de Gases Dissolvidos no Óleo Isolante Através de Redes
Neurais. / José Geraldo Arantes: UNIFEI, 2005.
76p.
Monografia apresentada a UNIFEI para obtenção do grau de
mestre em ciências em engenharia.
1. Transformadores de potência 2. Diagnóstico de Falhas

3. DGA 4. Redes Neurais
I. Título.
iii
Agradecimentos
A minha esposa e filhos
iv
Agradecimentos
Agradeço de forma especial ao meu orientador Prof. Edson da Costa Bortoni

pelo apoio constante e incentivo dado ao longo desta caminhada.
A minha esposa e filhos por estarem ao meu lado em todos os momentos.
A Furnas Centrais Elétricas na figura do Chefe de Departamento do Centro

Técnico de Ensaios e Medições, Luiz Antonio Gouvêa de Albuquerque, que muito
me incentivou e permitiu o acesso às instalações do CTEE bem como às
informações que necessitei durante o trabalho de pesquisa e desenvolvimento.
v
Não sei o que possa parecer aos olhos do mundo, mas aos meus
pareço apenas ter sido como um menino brincando à beira-
mar, divertindo-me com o fato de encontrar de vez em
quando um seixo mais liso ou uma concha mais bonita que o
normal, enquanto o grande oceano da verdade permanece
completamente por descobrir à minha frente.
Isaac Newton
vi
Resumo
RESUMO
Equipamentos de Subestação que utilizam o óleo isolante para a isolação de
suas partes internas necessitam de um programa de manutenção periódico que visa
detectar possíveis falhas tais como a deterioração da celulose do isolamento dos
enrolamentos, curto circuito entre espiras destes, gases dissolvidos no óleo devido a
sua degeneração, etc. Normalmente, programas de manutenção preventiva têm sido
utilizados por empresas de geração, transmissão e distribuição de energia elétrica
buscando evitar que estas falhas venham a provocar a retirada do equipamento do
sistema elétrico o que significa grandes perdas financeiras, seja pela diminuição do
faturamento, seja pelo pagamento de multas à agência reguladora, além da
diminuição da confiabilidade do sistema. Para evitar estes inconvenientes, sensores
on-line e técnicas de inteligência artificial (IA) têm encontrado aplicação na
engenharia de sistemas elétricos.
Esta dissertação é um estudo de uma dessas técnicas – cromatografia de
gases associada a redes neurais – visando apoiar o diagnóstico de falhas presentes
e futuras baseando-se nos resultados obtidos através de cromatografia pela análise
de gases dissolvidos em óleo isolante ao longo da vida útil dos transformadores de
potência, prevenindo desta forma os inconvenientes acima relatados, facilitando
assim a decisão de técnicos e engenheiros de manutenção para a manutenção
preditiva daqueles equipamentos servindo também de base para o diagnóstico da
vii
Resumo
atuação de sensores on-line se instalados naqueles, permitindo ainda uma
estimativa do grau de envelhecimento e, portanto da vida útil do transformador.
Técnicas como estas do estudo podem ser associadas a outras ferramentas de IA
como a lógica fuzzy, algoritmos genéticos, sistemas especialistas e outras,
constituindo assim os sistemas chamados híbridos, na tentativa de se obter a melhor
solução para o problema.
viii
Abstract
ABSTRACT
Substation Equipments that use insulation oil for isolate their internal parts
needs a periodic maintenance program to detect possible fails like cellulose
deterioration of coils insulation, short circuit between their springs, dissolved gas in
oil caused by its deterioration, etc. Actually, preventive maintenance programs have
been used by generation, transmission and distribution companies, as a fundamental
tool to identify incipient faults, trying to avoid that these faults come to take away the
equipment from electrical system, carrying out great financial losses caused by
decreasing invoicing, payment of fines to regulatory agency or by decreasing of
system reliability. Trying to avoid these inconvenient, on-line sensors and intelligent
artificial (IA) techniques has been found application on electrical system engineering.
This dissertation is a study of one of these techniques – gas chromatography
associated with neural networks – looking to support presents and futures fault
diagnosis based on results from chromatography by the analysis of dissolved
insulation oil gases during the useful power transformer life, avoiding this way the
inconvenient related above, making easy the decision of engineers and technicians
about the predictive maintenance of these equipment and also serving as a base for
the on-line sensors actuation diagnosis if installed on these allowing yet an estimated
old age degree and so the useful age of transformer. Techniques like that from this
study may be associated with other IA tools like fuzzy logic, genetic algorithms,
expert system and others, consisting the system called hybrid, attempted to get the
best solution for the problem.
ix
Sumário
SUMÁRIO
RESUMO............................................................................................................................... VII
ABSTRACT ........................................................................................................................... IX
ÍNDICE DE FIGURAS ...................................................................................................... XIII
ÍNDICE DE TABELAS ......................................................................................................XIV
1. INTRODUÇÃO .......................................................................................................... 1
1.1. Considerações Gerais.....................................................................................3
1.2. Revisão da Literatura ......................................................................................4
1.3. Objetivo do Trabalho..................................................................................... 13
1.4. Escopo do Trabalho ...................................................................................... 14
2. DIAGÓSTICO DE FALTAS EM LÍQUIDOS ISOLANTES.......15
2.1. Materiais e Líquidos Isolantes...................................................................... 15
2.2. Cromatografia Gasosa .................................................................................. 19
2.3. Análise de Faltas ........................................................................................... 21
2.4. Métodos de Detecção de Faltas ................................................................... 29
2.5. Métodos de Interpretação ............................................................................. 31
2.5.2. Método adotado pela C.A.G.B.............................................................. 32
2.5.3. Aplicação do Método da Razões de Rogers....................................... 34
x
Sumário
2.6. Estudo e Aplicação do Médodo do Gás Chave...........................................38
2.7. Triângulo de Duval ........................................................................................40
2.8. Técnicas Modernas de Detecção de faltas Incipientes baseadas em IA...43
2.8.1. Sistemas Especialistas......................................................................... 43
2.8.2. Lógica Fuzzy ......................................................................................... 46
2.8.3. Redes Neurais ....................................................................................... 48
2.8.4. Sistemas Híbridos................................................................................. 49
3. REDES NEURAIS ARTIFICIAIS ............................................................... ..50
3.1. Introdução ...................................................................................................... 50
3.2. Histórico ......................................................................................................... 50
3.3. Características Básicas de uma Rede Neural ............................................. 53
3.4. Função de Ativação de uma RNA ................................................................ 58
3.5. Treinamento e classificação de uma RNA................................................... 59
3.4. Perceptron...................................................................................................... 63
3.6. Definição de Modelo, Topologia, Parâmetros ............................................. 66
xi
Sumário
4. APLICAÇÕES DE REDES NEURAIS NO DIAGNÓSTICO ..... 67
4.1. Considerações Gerais................................................................................... 67
4.2. Topologia adotada......................................................................................... 67
4.3. Treinamento da RNA ..................................................................................... 72
4.4. Resultados ..................................................................................................... 72
5. CONCLUSÃO.............................................................................................................. 75
5.1.Conclusões ..................................................................................................... 75
5.2.Sugestão de Trabalhos Futuros ............................................................................ 76
REFERÊNCIAS BIBLIOGRÁFICAS.............................................................. 78
xii
Índice de Figuras
ÍNDICE DE FIGURAS
Figura 1 – Desenho esquemático do sistema de cromatografia a gás.................................21
Figura 2 – Gases típicos gerados durante faltas .....................................................................25
Figura 3 – Percentual dos gases gerados durante um arco elétrico no óleo ......................26
Figura 4 – Percentual dos gases gerados durante descarga parcial no óleo ......................27
Figura 5 – Percentual dos gases gerados na ocorrência de sobre-aquecimento no óleo ..27
Figura 6 – Percentual dos gases gerados pela degradação da celulose ..............................28
Figura 7 – Percentual dos gases gerados durante uma eletrólise ........................................28
Figura 8 – Distribuição de faltas típicas e percentuais relativos dos gases........................29
Figura 9 – Distribuição de faltas típicas e percentuais relativos dos gases........................30
Figura 10 – Solubilidade relativa como função da temperatura..........................................31
Figura 11 – Gráfico de Dornenburg .........................................................................................34
Figura 12 – Triângulo de Duval................................................................................................43
Figura 13 – Fluxograma para diagnóstico através do método de Rogers ..........................47
Figura 14 – Fluxograma para diagnóstico através do método de Dornenburg.................48
Figura 15 – Diagramas fuzzy para cada razão de gás ...........................................................50
Figura 16 – Sistema para inferência de diagnóstico de faltas em trafos para Rogers.......50
Figura 17 – Neurônio Biológico ................................................................................................58
Figura 18 – Exemplo de uma rede neural articial ..................................................................61
Figura 19 – Representação de um neurônio artificial............................................................62
Figura 20 – Tipos de função mais comuns aplicadas às Redes Neurais Artificiais ..........63
Figura 21 – Perceptron Multicamada.......................................................................................69
Figura 22 – Exemplo de uma Rede Neural Artificial ............................................................72
xiii
Índice de Figuras
Figura 23 – Associação entre gases e tipos de faltas..............................................................76
Figura 24 – Topologia da rede utilizada na dissertação........................................................77
Figura 25 – Função do tipo sigmoidal .....................................................................................79
Figura 26 – Desempenho da rede .............................................................................................82
xiv
Índice de Figuras
ÍNDICE DE TABELAS
Tabela 1 – Principais gases gerados durante faltas........................................................... 25
Tabela 2 – Ocorrência dos gases relativos ao tipo de falta e material envolvido ......... 26
Tabela 3 – Solubilidade de gases em transformadores .................................................... 30
Tabela 4 – C.E.G.B. Razões de gases de faltas ................................................................... 35
Tabela 5 – Códigos e Diagnósticos C.E.G.B. ...................................................................... 35
Tabela 6 – Níveis normais e diretrizes da Univ. Sacramento e Pacific Gas & Testing 36
Tabela 7 – Pontos de alerta da Northern Technology & Testing .................................... 36
Tabela 8 – Valores extremos em ppm e recomendações.................................................. 37
Tabela 9 – Valores extremos em ppm e recomendações (cont.)...................................... 37
Tabela 10 – Valores extremos em ppm e recomendações (cont.).................................... 37
Tabela 11 – Definição de taxas do Método das Razões .................................................... 38
Tabela 12 – Método das Razões de Dornenburg............................................................... 38
Tabela 13 – Limite L1 de Dornenburg ................................................................................ 38
Tabela 14 – Diagnóstico original do Método das Razões de Rogers.............................. 39
Tabela 15 – Definição do código do Método das Razões................................................. 40
Tabela 16 – Diagnóstico do Método das Razões de Rogers............................................. 40
Tabela 17 – Critério de diagnóstico do Método do Gás Chave....................................... 42
Tabela 18 – Limites e Taxas de geração de gases .............................................................. 44
Tabela 19 – Sistemas Especialistas para diagnóstico de Transformadores ................... 47
Tabela 20 – Código para gases dissolvidos em óleo mineral IEC 10A 53 ..................... 51
Tabela 21 – Exemplos de concentração de gases usados no treinamento da rede....... 78
Tabela 22 – Dados usados para diagnóstico da rede........................................................ 81
xv
Índice de Figuras
Tabela 23 – Resultados finais ............................................................................................... 81
Tabela 24 – Resultados obtidos pela rede neural usada e métodos tradicionais ......... 82
xvi
Capítulo I Introdução
Capítulo I
1. INTRODUÇÃO
Inegavelmente o setor de energia elétrica tem papel preponderante na vida de
empresas e do cidadão comum. Entre os centros de geração de energia e o centro
consumidor, o transformador de potência representa o equipamento de maior
importância estratégica e de maior investimento. A ocorrência de uma falha que
venha a retirar um transformador de serviço para evitar danos maiores ao
equipamento poderá causar problemas de ordem política, econômica e financeira, já
que afetará a estabilidade e a confiabilidade do sistema, podendo deixar importantes
cargas inoperantes, além do pagamento de pesadas multas por parte da empresa
responsável pelo equipamento faltoso. A acentuada dependência energética mundial
aliada á escassez de recursos das fontes de energia, á falta de investimento e á falta
de uma política adequada de desregulamentação do setor só agravam este quadro.
Neste cenário torna-se fundamental o monitoramento constante do
funcionamento e da operação dos transformadores, principalmente os
transformadores elevadores das usinas e subestações buscando evitar-se a
ocorrência de superaquecimentos, arcos ou descargas parciais, deterioração
acentuada da isolação, formação excessiva de gases, etc., problemas estes
derivados de esforços térmicos, mecânicos e elétricos e de reações físico-químicas
que ocorrem internamente ao transformador. Deve-se ter em conta também que a
1
maioria dos transformadores em operação no Brasil foi instalada há 30, 40 anos
atrás, além do que, devido a escassez de energia ocorrida há alguns anos, os
transformadores tiveram que operar em constantes sobrecargas o que só tem
agravado o envelhecimento da isolação.
O transformador de potência é um dos mais caros equipamentos do sistema
de potência. Assim, numerosos métodos têm sido desenvolvidos para monitorar as
condições deste valioso equipamento. Há duas partes principais na função de
monitoramento, a detecção das condições da falta e a detecção das faltas
incipientes.
O monitoramento tradicional e as etapas da análise das faltas eram
desenvolvidos no campo por engenheiros e técnicos elétricos. Os computadores em
um passado recente não eram capazes de processar dados não lineares.
Contrariamente, recentes avanços na modelagem das técnicas de inteligência,
softwares de programação e processadores mais potentes permitiram a
implementação de numerosas aplicações em sistemas de potência. Várias
pesquisas foram desenvolvidas na aplicação de técnicas de modelagem de
inteligência artificial na análise de faltas em transformadores de potência e
diagnóstico de sistemas. Assim no próximo capítulo estaremos apresentando uma
revisão da base teórica para o presente trabalho. Para isso, revisamos um grande
número artigos da literatura técnica sobre o assunto.
Esta dissertação tem quatro capítulos. O capítulo 1 é uma introdução ao
problema. O capítulo 2 é uma revisão da tecnologia DGA e identifica o que é o
estado da arte e o que se espera de futuros desenvolvimentos. O capítulo 3 se
2
concentrará na apresentação de conceitos sobre Redes Neurais Artificiais. O
capítulo 4 se baseará extensivamente no diagnóstico de faltas utilizando redes
neurais, incluindo a seleção da rede, o vetor de entrada, a otimização da topologia,
etc.
1.1 Considerações Gerais
Faz-se aqui uma revisão dos mecanismos da decomposição do óleo e da
isolação e dos métodos tradicionais de detecção de gases dissolvidos no óleo.
Transformadores utilizam óleo isolante mineral derivado de petróleo e, portanto
constituído por hidrocarbonetos parafínicos ou naftênicos, óleos sintéticos como os
óleos silicones e os askaréis ou ainda envolvidos por compostos resinosos a seco
visando a isolação de suas partes internas. Podem ser ainda, isolados com o gás
SF6 - hexafluoreto de enxofre - que tem propriedades isolantes excelentes, além de
ser atóxico e não inflamável. Neste estudo estaremos nos referindo aos óleos
isolantes minerais parafínicos que são mais freqüentemente encontrados nos
transformadores de grande potência.
A função de um óleo isolante em transformadores é a de garantir isolamento
elétrico entre suas partes energizadas e a de permitir a refrigeração interna destas
partes através da transferência de calor, substituindo ainda o possível ar existente
entre aquelas partes proporcionando alta rigidez dielétrica e baixa condutividade
entre si.
3
O óleo isolante e os materiais de isolamento elétrico em transformadores
podem se decompor sob condições normais de operação devido ao stress térmico e
elétrico. Três fases distintas indicam o estado da decomposição e deterioração do
óleo: a fase inicial caracterizada pela formação de peróxidos quimicamente instáveis
quando há a liberação de oxigênio e a formação de compostos oxi-celulósicos com o
papel isolante; a fase intermediária caracterizada pela formação de gases
dissolvidos no óleo; e a fase final quando há a formação de uma substância
resinosa, uma borra que se deposita no fundo do tanque do transformador,
resultante da polimerização a partir de ácidos e de outros compostos. Este estudo
preocupa-se com o estado intermediário, quando ainda é possível tomar
providências sem envolver maiores custos e sem risco de retirada do equipamento
do sistema.
A concentração de gases dissolvidos é um indicativo da saúde do
transformador. A freqüência de surgimento dos gases gerados e as mudanças
específicas na concentração dos mesmos ao longo do tempo são usadas para
determinar a manutenção de suas partes internas e o tratamento ou troca do óleo
isolante, ou a substituição do transformador.
1.2 Resenha Bibliográfica
Vários artigos relacionados com o tema desta dissertação foram consultados
e os relacionados abaixo em muito contribuíram para esse trabalho além daqueles
também citados na Bibliografia.
4
GUARDADO, J. L., NAREDO, J. L., et al. A Comparative Study of Neural Network
Efficiency in Power Transformers Diagnosis Using Dissolved Gas Analysis, IEEE
Trans. on Power Delivery. Vol. 16, No. 4, October 2001, pp. 643-647.
Guardado et al., realizaram um estudo comparativo da eficiência de redes
neurais em diagnósticos de transformadores de potência utilizando DGA. Suas redes
neurais foram treinadas de acordo com cinco critérios de diagnósticos comumente
utilizados para óleo isolante: Dörnenburg, Rogers modificado, Rogers, IEC e CSUS.
Nos quatro primeiros critérios foram utilizadas relações gasosas como dados de
entrada e no último, concentrações individuais de gases. Em todos estes foi utilizado
um algoritmo de aprendizado do tipo back-propagation, uma função ativação do tipo
sigmóide, uma arquitetura composta de três camadas e número de neurônios da
camada escondida variando para cada critério utilizado. O modelo proposto
apresenta resultados satisfatórios mantendo uma taxa de acerto de diagnóstico
acima de 87% em todos os casos. Vale salientar que os dados utilizados para os
testes, foram os mesmos utilizados durante o treinamento.
X. Ding, E. Yao, Y. Liu, “ANN Based Transformer Fault Diagnosis Using Gas-in- Oil
Analysis,” Proc. Of the American Power Conference, Illinois Inst. Technol., Chicago,
1995, pp. 1096 – 1100.
Um ponto forte deste artigo é que destaca a dificuldade para se estabelecer
um modelo físico vinculando faltas, tipos e concentrações de gases, pois as relações
entre eles não são lineares nem diretas, pois algumas faltas são dependentes da
existência de vários gases, do tipo do transformador, localização da falta, etc. O
5
artigo enfatiza que “Diferentes padrões de gases são produzidos devido às
diferentes intensidades de energia dissipada quando da ocorrência de faltas.” A
precisão desse método para resultados corretos é de 95%; a análise dos gases
pode ser usada para determinara além do tipo de falha o material dielétrico
envolvido na mesma, o que não é sempre fácil, pois outros fatores como condições
externas, sobrecargas, etc.; diferentes padrões de gases resultam em diferentes
concentrações / intensidades que auxiliam no diagnóstico das faltas; quanta maior a
quantidade de dados para o treinamento, melhor o diagnóstico. A melhor
performance foi obtida usando uma topologia com 5 input 1 camada escondida e 1
output; maior precisão é obtida quando o modelo usa as taxas de geração de gases;
a topologia da RNA difere dependendo da quantidade de dados existentes para
treinamento; não considera as concentrações de CO e CO2 para o diagnóstico de
faltas. Pois estão relacionados com a degradação da isolação e não com o tipo de
falta; melhores resultados são obtidos com a degradação da celulose quando um
modelo de rede com 1 input é usado.
DUKARM James J., Transformer Oil Diagnosis Using Fuzzy Logic and Neural
Networks, Canadian Conference on Electrical and Computer Engineering, Vol. 1, pp
329-332, 1993.
Este artigo apresenta uma forma de uso de redes neurais de modo um pouco
diferente daquele exposto no artigo anterior. Ele ressalta alguns pontos
interessantes: muitos fatores contribuem para o ruído nos dados obtidos para a
análise de gases dissolvidos ou simplesmente DGA, tornando difícil e menos preciso
o processo; o diagnóstico é baseado nas concentrações dos gases predominantes e
6
na sua proporção relativa ao total dos gases combustíveis dissolvidos; Para o
TDCG são especificados 3 limites L1, L2, L3 para os níveis anormal, alto e muito alto
respectivamente; para cada gás, limites inferiores Q1 e Q2 para proporções altas e
muito altas de TDCG respectivamente; para TDG e cada gás, limites inferiores R1 e
R2 são definidos para a geração de gases alta e muito alta respectivamente; através
de gráficos são mostrados intervalos para 3 razões; 3 exemplos com outros
métodos são dados e comparados; ele sugere um método das razões de Rogers
melhorado simulado por uma rede com três pequenas camadas feedforward (3
inputs, 3 nós e 6 outputs); lógica fuzzy pode ser utilizada para analisar gases
dissolvidos no óleo de transformadores de potência e que embora fiel aos métodos
tradicionais melhora o resultado do diagnóstico; em alguns casos as redes neurais
podem ser usadas combinadas com lógica fuzzy para implementar métodos de
diagnósticos mais complexos.
Wang Z., Liu Y., Griffin, Paul J., A combined ANN and Expert System for
Transformer Fault Diagnosis, IEEE Transactions on Power Delivery, Vol.13, No.4,
October 1998.
Este tipo de técnica combinando redes neurais e sistemas especialistas,
conhecida como ANNEPS foi desenvolvida para melhor diagnosticar faltas em
transformadores pela análise de gases dissolvidos em óleo isolante Inclui o
conhecimento de especialistas em manutenção de transformadores e regras
derivadas do IEEE e IEC. A topologia e o conjunto de dados de treinamento desse
sistema são cuidadosamente selecionados para extrair diagnósticos conhecidos e
desconhecidos e suas correlações. A combinação das saídas de uma rede neural e
7
de um sistema especialista otimiza o mecanismo para garantir um alto grau de
precisão para o tipo geral de faltas. Mostra que a combinação dos dois métodos
resulta melhor que cada método individual para os mesmos dados testados.
NOGAMI T., Y. Yokoi, H. Ichiba, Y. Atsumi, “Gas Discrimination Method for Detecting
Transformer Faults by Neural Network”, Neural Networks, 1994, IEEE World
Congress on Computational Intelligence, pp. 3800 – 3805, vol.6.
Um dos métodos chave usado para diagnóstico de falhas em transformadores
é o DGA. Ele usa um processo de cromatografia gasosa e o equipamento é lento e
caro. Este paper apresenta um método diferente para determinar os tipos de gases e
suas concentrações. Uma série de sensores de gases é colocada em um dispositivo
de detecção onde a tensão de saída de um circuito simples é medida. Esta saída
varia com o nível dos vários gases presentes no dispositivo de detecção e um
computador determina quais os gases e suas concentrações conforme aquela
tensão de saída e as informações pré-programadas. Este método evita o uso de
separadores de gases caros e complexos tornando o uso de DGA mais acessível e
obtendo resultados mais rápidos.
L. Yongli, G. Fuhai, H. Jiali, “Study on the Fault Identification of Transformers Using
the Neural Network”, POWERCON ’98. 1998 International Conference on Power
System Technology, IEEE, NY, 1998, pp. 1058 – 1061.
8
O processo desenvolvido neste artigo usa 9 inputs (nós) para determinar as
faltas e inclui correntes de seqüências positivas e negativas, tensões primárias e
faltas internas e externas conhecidas. O sistema usa as entradas para gerar saídas
intermediárias que são combinadas ou cruzadas com outras saídas para gerar “Falta
(1)” ou “Sem Falta (0)”. O sistema é considerado avançado em ralação aos outros
métodos e sua maior contribuição é a alta precisão e respostas mais rápidas.
Y. Zhang, X. Ding, Y. Liu, “An Artificial Neural Network Approach to Transformer
Fault Diagnosis,” IEEE Transactions on Power Delivery, IEEE Power Engineering
Society, NY, 1996, pp. 1836-1841.
Zhang et al. propuseram o uso de redes neurais artificiais para o diagnóstico e
detecção de falhas em transformadores de potência. A saída era caracterizada
como: sobre aquecimento, corona, arco e condições normais de operação. Foram
testadas diferentes topologias de redes, variando os parâmetros de entrada, o
número de camadas escondidas e o número de nós na saída. O algoritmo utilizado
para treinamento da rede foi o back-propagation. Os vetores de entrada eram
constituídos da concentração individual dos gases incluindo em algumas das
variações o monóxido de carbono e o dióxido de carbono. Os resultados foram
satisfatórios, já que não distinguiam entre falhas de diferentes temperaturas, ou arco
de alta ou baixa energia. A topologia ótima para todos os casos foi a que utiliza duas
camadas escondidas. A presença do CO e CO2 está fortemente vinculada à
degradação da isolação. O sistema proposto é muito preciso.
9
HALSTEAD W.D., A Thermodynamic Assessment of the Formation of Gaseous
Hydrocarbons in Faulty Transformers, Journal Inst. Petroleum, Vol. 59, Sept. 1073,
pp. 239-241.
Halstead propôs um modelo termodinâmico para descrever as relações entre
a temperatura e as características dos gases e assume que todos os
hidrocarbonetos presentes no óleo são decompostos em os mesmos produtos e que
cada produto está em equilíbrio com todos os outros. De acordo com o modelo, a
evolução da razão ou taxa de cada gás pode ser calculada a qualquer temperatura.
Assim a relação entre a geração de gás e a temperatura pode ser obtida para cada
gás.
LIN C., LING J., HUANG C., “An Expert System for Transformer Fault Diagnosis
Using Dissolved Gas Analysis,” IEEE Transactions on Power Delivery, IEEE, NY,
1993, pp. 231 – 238.
A maioria dos artigos por nós analisados utiliza o método DGA de Rogers.
Este artigo foi muito útil pois mostra passo a passo o método utilizado por Rogers
para uma amostra de gás. Dá muitos exemplos de que falta pode ocorrer se são
conhecidas as razões entre as concentrações dos gases. Um exemplo disso: Se a
razão entre C2H2 e C2H4 < 0.1 e entre CH4 e H2 > 1.0 e C2H4 com C2H6 está entre
1.0 e 3.0, então provavelmente está ocorrendo uma falta térmica envolvendo
temperaturas entre 300 e 700 oC. O artigo fornece oito condições de faltas através
das razões de faltas incluindo aquela mencionada anteriormente. O artigo também
discute que a análise da densidade de energia da falta pode fazer distinção entre
10
três processos faltosos. Por exemplo, se altos níveis de C2H2 e H2 estão presentes e
a concentração de C2H4 é maior que a de C2H6 então é provável a existência de arco
elétrico; se os resultados diferem das normas o grau de severidade implica em
manutenção; os intervalos fuzzy e as relações entre os níveis fuzzy podem ser
considerados para determinar o tipo de falta.
BALMA P., R. Degeneff, B. Lloyd, “Expert Systems for Power Transformer
Maintenance, Diagnostics and Design Review”, Proceedings of the American Power
Conference, Illinois Inst. Technol., Chicago, USA 1996, pp. 963 – 967.
Este artigo dá uma visão geral dos tipos de sistemas especialistas disponíveis
para engenheiros e técnicos e o papel desses sistemas no diagnóstico de faltas.
Comenta que alguns sistemas utilizam uma interface gráfica do usuário (GUI) para
executar o programa que age sobre parâmetros programados, métodos de análise e
banco de dados; o programa faz perguntas aos usuários sobre os dados existentes;
todas as informações são registradas e disponibilizadas as pessoas que não
conhecem o processo, sendo efetivamente um sistema tutorial; o sistema concentra-
se em diagnóstico e manutenção; depois são sugeridos métodos de teste e
inspeção; o sistema tenta identificar boas e más condições.
CAO, L., Chan T., Kong C., “A Universal Neural Expert System with Self-Learning
Mechanism for DGA of Power Transformer Oil,” International Power Engineering
Conference 1995, Nanyang Technol. Univ, Singapore, 1995, pp. 355 – 359.
11
Os autores deste artigo salientam que o diagnóstico de faltas em
transformadores é um processo muito complexo e não pode ser facilmente
implementado em computadores. É raro que os dados obtidos por DGA se ajustem
aos padrões e razões para o exato diagnóstico das faltas. Por essa razão os autores
desenvolveram um programa de aprendizagem para enfrentar os casos mais
difíceis. O método usa DGA e o método das razões de Rogers para detectar os tipos
de faltas. Ele considera os níveis de concentração dos gases, as razões entre essas
concentrações, os valores históricos das razões e da vida do transformador e 90%
dos valores normalizados na determinação do tipo de falta. Para evitar os casos de
“Sem Diagnóstico” ou “Não Identificada”, os especialistas desenvolveram um
processo de auto-aprendizagem usando redes neurais para dar a probabilidade da
falta em futuros casos limites analisados.
Z. Wang and Y. Liu, “A Combined ANN and Expert System Tool for Transformer
Fault Diagnosis,” IEEE Transactions on Power Delivery, IEEE Power Engineering
Society, NY, 1998, pp. 1224-1229.
Várias informações úteis estão presentes nesse artigo e agregam
conhecimento aos primeiros sistemas utilizados para o diagnóstico de faltas em
transformadores como o método das razões de Dornenburg e o de Rogers. Ele
apresenta alguns dos problemas desses métodos, tais como a freqüência de
resultados, “Não Identificado”. Entretanto, a combinação de redes neurais e sistemas
especialistas proporcionam: um método de estimativa melhorado – evitando o caso
“Não Identificado”; especifica que informação é desejada do transformador para
fazer o diagnóstico, tais como fabricante, tipo de transformador, tipo de núcleo etc.;
12
fornece saídas como – tipo de falta diagnosticada, diagnóstico confiável, intervalo de
re-testagem, ações de manutenção recomendadas; executando dados através de
dois sistemas ações de manutenção recomendadas; executando dados através de
dois sistemas pode-se obter uma interpretação confiável do sistema em geral; tem
uma alta precisão de teste e treinamento. O artigo aperfeiçoa um sistema combinado
anterior e dá exemplos de diagnóstico de casos. Menciona também que o sistema é
muito mais preciso que o método de Rogers para os casos, “Não Identificado”.
Y. Huang, H. Yang, C. Huang, “Developing a New Transformer Fault Diagnosis
System through Evolutionary Fuzzy Logic,” IEEE Transactions on Power Delivery,
1997, pp. 761 – 767.
Este artigo apresenta a idéia de que as regras que normalmente são
utilizadas no diagnóstico de faltas devem ser estendidas. É descrito como as regras
“if-then” devem ser alteradas ou modificadas continuamente de acordo com os
dados efetivos para a obtenção de melhores resultados. Também detalha que ainda
é necessária a opção da “falta não identificada”; quando múltiplas faltas têm a
mesma probabilidade o problema fica mais complexo; o artigo inclui um exemplo de
estudo e afirma que um sistema com um grande número de razões de gases (neste
caso 3) é necessário para melhores resultados. O ponto principal desse artigo é de
que co o uso da lógica fuzzy logic pode-se desenvolver um sistema que dá a melhor
estimativa. Se a confiabilidade da melhor estimativa é maior que o caso presente, o
programa incorpora essa melhor estimativa, nos dados de treinamento e ainda alerta
o usuário de que esta não é ainda confiável.
13
TOMSOVIC K., M. Tapper, T. Ingvarsson, “A Fuzzy Information Approach to
Integrating Different Transformer Diagnostic Methods,” IEEE Transactions on Power
Delivery, 1993, pp. 1638 – 1646.
Nesse paper os autores reconhecem que muitos desenvolvedores de técnicas
de diagnóstico de faltas em transformadores ignoram a incerteza dos vários métodos
existentes. Os autores desenvolveram um método que utilize lógica fuzzy para tentar
combinar os métodos para obter um método sistemático melhorado de diagnóstico
de faltas. Pontos chaves do artigo: há a necessidade de ter uma tendência a partir
das amostras regulares de gases; todos os métodos de diagnóstico têm vantagens e
desvantagens. Daí, quando um método indica um problema outros métodos devem
ser utilizados. Um exemplo é dado e determina que se a análise DGA indica
descarga ativa, é prudente aplicar um teste acústico antes de se tentar uma
inspeção que retire o transformador de serviço. Também neste trabalho vários
métodos são integrados para tentar formar uma análise simples e coerente.
Estabelece também que “Uma característica fundamental nos sistemas baseados no
conhecimento” é a simplicidade para adicionar, remover e modificar conhecimentos
existentes no sistema. Além disso, medidas erradas ou perdidas não deveriam
inviabilizar a análise. Desse modo, cada relação na base do conhecimento deve ser
independente.
14
1.3 Objetivo
Demonstrar que a aplicação de uma rede neural artificial para o diagnóstico
de faltas em transformadores proporciona a detecção eficiente de faltas incipientes
mais adequadamente e precisa que os métodos tradicionais baseados em DGA.
Através da aplicação do método, proporcionar rapidez e confiabilidade na
detecção de defeitos, oferecendo uma melhor programação da manutenção,
minimização de custos e prolongamento da vida útil de transformadores.
1.3 Escopo do trabalho
O capítulo 1 apresenta a conceituação do problema, as soluções existentes
para a sua solução e proposta da dissertação.
O capítulo 2 descreve os métodos tradicionais existentes e de larga aplicação
nas empresas de energia elétrica e em indústrias conceituando o leitor quanto aos
termos normalmente utilizados e a composição do óleo isolante e os subprodutos de
sua decomposição assim como os tipos de isolação mais comuns utilizados nos
transformadores. Esclarece ainda os tipos de faltas mais freqüentes em
transformadores de potência e suas prováveis causas a partir da análise do gás de
decomposição dissolvido no óleo isolante e como é feito o diagnóstico baseado na
DGA.
15
O capítulo 3 introduz a teoria das redes neurais artificiais RNA ou ANN,
relatando seu histórico de desenvolvimento e suas aplicações.
Já no capítulo 4 faço uma discussão e análise da aplicação do método das
redes neurais no diagnóstico de falhas incipientes em transformadores de potência,
comprovando a sua eficácia.
No capítulo 6 apresento as conclusões sobre o método apresentado e
sugestões para trabalhos futuros.
16
Capítulo 2 – Diagnóstico de Faltas em Transformadores de Potência
Capítulo 2
2. Diagnóstico de Faltas em Transformadores de Potência

Baseado em Análise de Gases Dissolvidos em Óleo Isolante
2.1. Materiais e líquidos Isolantes
Sob condições normais de operação, os transformadores de potência isolados a
óleo geram gases muito lentamente, como resultado da idade e relativo ás
condições de carregamento do mesmo.
Durante uma operação anormal, aumenta a produção de gases na relação
direta da severidade do stress elétrico ou térmico. Esta formação de gases é
causada pela deterioração do óleo e da celulose isolante (papel, por exemplo).
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 têm 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 kraft é muito poroso, estimando-se que contenha de 80% a 90% de ar.
Ele absorve cerca de 10% do volume do óleo contido no tanque do transformador.
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 podem ser avaliadas pela medição do fator de potência da isolação,
descargas estas que darão origem a gases que se dissolverão no óleo como será
relatado mais á frente.
O óleo mineral isolante utilizado em aparelhos elétricos, como transformadores,
reatores, disjuntores, religadores, etc., é extraído do petróleo. O óleo mineral pode
ser de origem naftênica, mais usual, mas em vias de escassez (3% do óleo
disponível), ou parafínica, tipo de óleo mais comum existente nas jazidas do Brasil e
que tem baixo ponto de fluidez o que dificulta seu uso em regiões de inverno
rigoroso, mas que tem recebido altos investimentos em pesquisas para obter este
tipo de óleo com características mais adequadas para utilização em aparelhos e
equipamentos elétricos. Este dois tipos de óleo apresentam características distintas
[MYERS, 2004].
Estes óleos têm 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).
18
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.
Se misturados os dois tipos de óleo, a mistura apresentará características
médias dos valores de seus componentes, tendo sempre melhores características
que o pior dos componentes. Portanto, não se deve misturar óleos deteriorados com
óleos novos.
A água e o calor são dois dos piores inimigos da isolação dos transformadores.
A deterioração da isolação sólida e líquida dá origem á 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. As condições
podem ficar propícias também á ocorrência de descargas parciais que levam á
ionização e á condução. Com a continuidade do processo, poderá haver a formação
de corona com conseqüente falha de isolação. Todo o processo pode ser agravado
com o aumento de temperatura.
Diz-se que o óleo está contaminado quando contém água e outras substâncias
estranhas que não são produtos de sua decomposição. Diz-se que ele está
19
deteriorado quando contém produtos resultantes de sua oxidação. A deterioração se
inicia tão logo ocorre o enchimento do transformador 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.
Desde 1930 se tem estudado o processo de gases dissolvidos no óleo devido ao
stress do papel e do líquido isolante e o ponto de partida deu-se com os estudos e
publicações de Halstead [Halstead, 70]. Estudos similares ocorreram a partir daí
especialmente na degradação do papel isolante. Há trinta anos, a técnica de análise
de gases dissolvidos no óleo tem sido implementada e desenvolvida como
ferramenta de diagnóstico para monitoramento de transformadores isolados a óleo
mineral. Este método é agora aceito universalmente para localizar faltas incipientes
térmicas e elétricas. O desenvolvimento desta técnica inclui novos métodos de
laboratório, análise de gases dissolvidos on-line aplicação de outros fluídos
dielétricos que não o óleo isolante e novos protocolos de diagnóstico. Dispositivos
que periodicamente ou continuamente monitoram um ou mais gases dissolvidos no
óleo estão disponíveis para análise on-line. A DGA foi originalmente desenvolvida
para transformadores, mas está sendo agora aplicada a buchas de alta tensão
isoladas a óleo e em comutadores de derivação em carga também isolados a óleo.
Os métodos de interpretação dos dados têm sido extensivamente desenvolvidos
para transformadores preenchidos com óleo isolante mineral e a IEEE ultimamente
está desenvolvendo um guia para transformadores preenchidos com silicone.
20
Assim, a vida útil de um transformador dependerá das condições de sua
operação e manutenção. Esta vida, estimada em 25 a 30 anos, poderá ser
prolongada há até 50 anos com um programa de acompanhamento de operação e
de manutenção adequados. Testes e ensaios periódicos podem detectar falhas
incipientes, avaliar as condições de deterioração e orientar as medidas para evitar o
envelhecimento prematuro e a progressão de falhas incipientes, evitando assim um
enorme prejuízo á empresa de energia proprietária do equipamento.
Durante o tempo de operação do transformador, os gases gerados permanecem
dissolvidos no óleo e a cromatografia gasosa é usada para analisar a concentração
dos vários gases presentes.
2.2 Cromatografia gasosa
A Cromatografia Gasosa (CG) é uma técnica para separação e análise de
misturas de substâncias voláteis. A amostra (2) é vaporizada e introduzida em um
fluxo de um gás adequado denominado de fase móvel (FM) ou gás de arraste (1)
como ilustrado na figura 1 a seguir:
Figura 1 - Desenho esquemático do Sistema de Cromatografia a gás
21
Este fluxo de gás com a amostra vaporizada, passa por um tubo (3) contendo
a fase estacionária FE (coluna cromatográfica), onde ocorre a separação da mistura.
A FE pode ser um sólido adsorvente (Cromatografia Gás-Sólido) ou, mais
comumente, um filme de um líquido pouco volátil (4), suportado sobre um sólido
inerte (Cromatografia Gás-Líquido com Coluna Empacotada ou Recheada) ou sobre
a própria parede do tubo (Cromatografia Gasosa de Alta Resolução). Na
cromatografia gás-líquido (CGL), os dois fatores que governam a separação dos
constituintes de uma amostra são:
- a solubilidade na FE: quanto maior a solubilidade de um constituinte na FE,

mais lentamente ele caminha pela coluna.
- a volatilidade: quanto mais volátil a substância (ou, em outros termos,
quanto maior a pressão de vapor), maior a sua tendência de permanecer vaporizada
e mais rapidamente caminha pelo sistema.
As substâncias separadas saem da coluna, dissolvidas no gás de arraste e
passam por um dispositivo detector (5) que gera um sinal elétrico proporcional à
quantidade de material fluido. O registro deste sinal em função do tempo é o
cromatograma (6), sendo que as substâncias aparecem nele como picos com área
proporcional à sua massa, o que possibilita a análise quantitativa.
Durante a vida útil do transformador, amostras de óleo são colhidas com o
equipamento em operação e enviadas a um laboratório que irá testar as condições
deste óleo cujo resultado facilitará a tomada de decisão quanto ao que fazer com o
óleo e/ou com o equipamento. O resultado da análise do óleo isolante é assim um
diagnóstico do grau de envelhecimento e desgaste dos transformadores e determina
22
a sua vida útil, o que torna importante conhecer os mecanismos da sua deterioração
e os meios para a sua detecção. Métodos padrão ASTM (American Society for
Testing and Materials) extraem e medem os gases dissolvidos no óleo isolante
elétrico usando a cromatografia gasosa. Um destes métodos, o ASTM D3612-01,
especifica que a análise de hidrogênio, oxigênio, nitrogênio, monóxido de carbono,
dióxido de carbono, metano, etano, etileno, acetileno, propano e propileno que são
gases característicos da decomposição do óleo isolante mineral devem ser obtidos
para identificação e quantificação.
Assim, a vida útil de um transformador dependerá das condições de sua
operação e manutenção. Esta vida, estimada em 25 a 30 anos, poderá ser
prolongada há até 50 anos com um programa de acompanhamento de operação e
de manutenção adequados.
2.3. Análise de faltas
Testes e ensaios periódicos podem detectar falhas incipientes, avaliar as
condições de deterioração e orientar as medidas para evitar o envelhecimento
prematuro e a progressão de falhas incipientes, evitando assim um enorme prejuízo
á empresa de energia proprietária do equipamento.
A análise de gases dissolvidos no óleo pela cromatografia gasosa, DGA, tem
provado ser viável e preditiva. Alguns problemas que poderiam caminhar para falhas
catastróficas em transformadores que podem ser detectadas são: arco elétrico
(freqüentemente devido à perda ou mau contato de conexões dentro dos
transformadores causados por vibrações); corona (descargas elétricas no
23
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).
Assim, a análise dos gases dissolvidos em óleo isolante é capaz de identificar o
tipo de falta bem como a sua severidade além de possibilitar a elaboração de ações
de manutenção pelo acompanhamento e tendência de evolução das faltas.
A intensidade mais severa de dissipação de energia acontece na ocorrência de
arco elétrico, é menor no aquecimento, e menor ainda no corona.
Algumas vantagens óbvias da análise de faltas são:
1. Aviso antecipado da ocorrência de faltas
2. Evita o uso impróprio das unidades
3. Aceitação de unidades novas ou reparadas
4. Agendamento conveniente de manutenções
5. Monitoramento de unidades em sobrecarga
Os gases gerados durante as faltas que são geralmente encontrados em
transformadores estão ilustrados abaixo na figura 2 relacionados á temperatura em
que ocorrem e á proporção do seu desenvolvimento:
24
HIDROGENIO
(H 2)
GASES CONSTITUINTES
METANO
(CH4)
ETANO
(C2H6 )
ETILENO
(C2H4)
ACETILENO
(C2H2)
250 500 750 1000 1250 1500 1750 2000
TEMPERATURA DA FALTA (°C)
Figura 2 – Gases típicos gerados durante faltas
Estes gases podem ser relacionados nos três grupos seguintes:
• Hidrocarbonetos e hidrogênio
Metano CH4
Etano C2H6
Etileno C2H4
Acetileno C2H2
Hidrogênio H2
• Óxidos de carbono
Monóxido de carbono CO
Dióxido de carbono CO2
• Gases não oriundos de faltas
Nitrogênio N2
Oxigênio O2
Tabela 1 – Principais gases gerados durante faltas
25
A maioria dos gases gerados nas faltas pode ser classificada de acordo com o
tipo de material envolvido e o tipo de falta presente como segue:
1. Corona
a. Óleo H2
b. Celulose H2, CO e CO2
2. Pirólise
a. Óleo
Baixa temperatura CH4, C2H6
Alta temperatura C2H4, H2 (CH4, C2H6)
b. Celulose
Baixa temperatura CO2 (CO)
Alta temperatura CO (CO2)
3. Arco elétrico H2, C2H2, (CH4, C2H6, C2H4)
Tabela 2 – Ocorrência dos gases relativos ao tipo de falta e material envolvido
a. 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.

%
G ARCO ELÉTRICO NO ÓLEO

A 100
S
E
90
S 80
C 70 60
O 60
M
B 50
U 40
S 30
T 30
Í
V
20
5 5.5
E 10 1.6
I 0.01
S
0
CO H2 CH4 C2H6 C2H4 C2H2
Figura 3 – Percentual dos gases gerados durante um arco elétrico no óleo
26
b. 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.

%
G
DESCARGA PARCIAL NO ÓLEO
A 100
86
S 90
E
S 80
C 70
O
M 60
B 50
U
S 40
T 30
Í
V
20
E 10 5 1.6
0.2 0.2 0.1
I
S
0
Figura 4 – Percentual dos gases gerados durante uma descarga parcial no óleo
c. 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.
%
G ÓLEO SUPERAQUECIDO
A 100
S
E
90
S 80
C 70 63
O 60
M
B 50
U 40
S
T 30
Í 16 17
V
20
E 10 2 2
I < 0.01
S 0
Figura 5 – Percentual dos gases gerados na ocorrência de sobre aquecimento no óleo
27
d. 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.

%
G CELULOSE
A 100 92
S 90
E
S 80
C 70
O 60
M
B 50
U 40
S
T 30
Í
20
V 6.7
E 10 1.2 0.01 0.01 0.01
I
S 0
Figura 6 – Percentual dos gases gerados pela degradação da celulose
e. 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.

%
99.9 ELETRÓLISE
G 100
A
S 90
E 80
S 70
C 60
O 50
M 40
B
U 30
S 20
T 10
Í < 0.01 < 0.01 < 0.01 < 0.01 < 0.01
V 0
Figura 7 – Percentual dos gases gerados durante uma eletrólise
28
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. Como em outros
testes, a análise gases deveria ser conduzida em uma base regular para indicar
traços ou alterações nos resultados.
As figuras a seguir ilustram os processos desenvolvidos na ocorrência do
corona, pirólise e arco no óleo e pirólise da celulose respectivamente. Distribuições
de faltas típicas nos gases também são mostradas.
Corona no Óleo Pirólise no Óleo
H2 88% H2 16%
C02 1 C02 traços
C0 1 C0 traços
CH4 6 CH4 16
C2H6 1 C2H6 6
C2H4 0.1 C2H4 41
C2H2 0.2 C2H2 traços
Figura 8 – Distribuição de faltas típicas e percentuais relativos dos gases
29
Arco no Óleo Pirólise da Celulose
H2 39% H2 9%
C02 2 C02 25
C0 4 C0 50
CH4 10 CH4 8
C2H4 6 C2H4 4
C2H2 35 C2H2 0.3
Figura 9 – Distribuição de faltas típicas e percentuais relativos dos gases
A solubilidade dos gases de falta no óleo mineral assim como a sua
dependência da temperatura são também fatores importantes a serem considerados
na análise de gases de falta. A tabela abaixo lista as solubilidades de saturação para
os gases de falta.
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.
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 25oC
Tabela 3 – Solubilidade de gases em transformadores
30
Quando as taxas de geração de gases estão sendo acompanhadas é
importante levar em conta as solubilidades destes gases como uma função da
temperatura do óleo.
1,8 H2 (+79%)
1,4 N2
CO
O2
1,0
CH4
0,6
C2H2 e CO2
C2H4
C2H6
0,2 (+66%)
o
0 40 40 C
Figura 10 – Solubilidade relativa como função da temperatura
Acima da faixa de temperatura de 0 a 80oC alguns gases aumentam em
solubilidade em mais de 79% enquanto outros decrescem em solubilidade em até
66%.
2.4. Métodos de Detecção de Faltas
Três métodos serão discutidos e suas vantagens e desvantagens serão
comparadas. O primeiro método e provavelmente a técnica mais usada atualmente é
aquela que determina o total de gases combustíveis (TCG) que estão presentes no
gás acima do nível do óleo. A maior desvantagem do método TCG comparado com
outros é que ele é mais rápido e aplicável no campo. De fato este indicador pode ser
usado para monitorar continuamente uma unidade. Entretanto, há várias
31
desvantagens do método TCG. Embora ele detecte os gases combustíveis de falta
(hidrogênio, dióxido de carbono, metano, etano, etileno, e acetileno), ele não detecta
outros gases não combustíveis (dióxido de carbono, nitrogênio e oxigênio).
Este método é somente aplicável a aquelas unidades que têm um manto de
gás sobre o óleo e não ás unidades completamente cheias de óleo do tipo com
conservador ou tanque de expansão de óleo. Como a maioria das faltas ocorre sob
a superfície do óleo, os gases devem primeiro saturar o óleo e difundir-se na
superfície antes de se acumular acima no manto de gás acima do óleo. Estes
processos levam tempo, o que atrasa a detecção prematura da falta. A maior
desvantagem do método TCG é aquela que dá somente um valor simples para a
percentagem dos gases combustíveis, mas não identifica quais os gases que estão
normalmente presentes. É esta última informação a mais útil na determinação do
tipo de falta que está ocorrendo.
O segundo método para a detecção dos gases de falta é a análise do manto
de gás na qual uma amostra do gás no espaço acima do óleo tem sua composição
analisada.
Este método detecta todos os componentes individuais; entretanto, ele
também não se aplica ás unidades com tanque de expansão e também apresentam
a desvantagem de que os gases, primeiro precisam difundir-se no manto de gás.
Além disso, este método não é o melhor para aplicação no campo. Um laboratório
adequadamente equipado é preferido para a requerida separação, identificação, e
para a determinação quantitativa destes gases em partes por milhão. O terceiro e

32
mais informativo dos métodos de detecção de gases de falta é a análise dos gases
dissolvidos no óleo (DGA). Neste método uma amostra do óleo é retirada de uma
unidade e os gases dissolvidos são extraídos do óleo. Então, os gases extraídos são
separados, identificados, e quantitativamente determinados.
Atualmente está técnica é mais bem realizada em um laboratório desde que
ela requer operações de precisão. Como este método usa uma amostra de óleo ele
é aplicável a todos os tipos de unidades e como o método do manto de gás ele
detecta todos os componentes individuais. A principal vantagem da técnica DGA é
que ele detecta os gases na fase de óleo possibilitando a detecção antecipada de
uma falta incipiente. Esta vantagem por si anula qualquer desvantagem desta
técnica.
A técnica DGA envolve vários métodos tais como o Método dos Gases Chave
[Fallou, 75], o Método das Razões de Dornenburg [Dornenburg, 67], [Dornenburg e
Strittmatter, 74], [Fallou et al., 70] e o Método das Razões de Rogers [Rogers, 75],
(Rogers, 78). Estes métodos foram desenvolvidos a partir de análises estatísticas de
bases de dados européias e assim apresentam erros significativos quando aplicados
a equipamentos instalados em países que apresentam diferenças climáticas
relativas á Europa.
Diversos sistemas de diagnóstico vêm sendo desenvolvidos buscando reduzir
estes erros, usando principalmente técnicas de Inteligência Artificial (IA), como
apresentadas por [Dukarm, 93], [Zang, et Gao, 76], [Huanf et al., 97], [Darveniza et
al., 97], [Wang, 98], [Lin et al., 93], [Tonsovic et al., 93], [Werle et al., 2003].
33
2.5. Métodos de Interpretação
O aspecto mais importante da análise de gases de falta é tomar os dados dos
gases gerados e diagnosticar corretamente a falta que está gerando os gases que
foram detectados. Muitos métodos que estão atualmente em uso serão aqui
cobertos.
Um dos métodos mais recentes é o de Dornenburg [Dornenburg e Strittmatter,
74] no qual duas taxas de gases são plotadas em eixos log-log. A área em que os
pontos se situarem é indicativa do tipo de falta que foi desenvolvida.
0.001 0.01 0.1 1 10 100

100
SOBRE-
AQUECIMENTO 10
1
C H4 / H 2
ARCO
ELÉTRICO
0.1
CORONA
0.01
C2 H2 / C2 H 4
Figura 11 – Gráfico de Dornenburg
34
2.5.1. Método adotado pela empresa CEGB
A Central Electric Generating Board (CEGB) da Inglaterra tem usado o
método desenvolvido por Rogers [ROGERS, 75] no qual a grandeza das quatro
razões de gases é usada para gerar um código de quatro dígitos como mostrado na
tabela abaixo.
Razão Faixa Código

<= 0.1 5
> 0.1 < 1 0
CH4/H2
>= 1 < 3 1
>= 3 2
<1 0
C2H2/CH4
>= 1 1
<1 0
C2H4/C2H
>= 1 < 3 1
6
>= 3 2
< 0.5 0
C2H2/C2H
>= 0.5 < 3 1
4
>= 3 2
Tabela 4 – C.E.G.B. Razões de Gases de Falta
O número de código gerado pode ser associado a um diagnóstico como
mostrado na tabela abaixo:
CÓDIGO DIAGNÓSTICO
0 0 0 0 Normal
5 0 0 0 Descarga Parcial
1 ou 2 0 0 0 Sobre aquecimento desprezível < 150oC
1 ou 2 1 0 0 Sobre aquecimento desprezível 150 - 200oC
0 1 0 0 Sobre aquecimento desprezível 200 - 300oC
0 0 1 0 Sobre aquecimento geral do condutor
1 0 1 0 Correntes circulantes no enrolamento
1 0 2 0 Correntes circulantes no núcleo e no tanque, Sobre
i d j
0 0 0 1 Flashover, sem continuidade elétrica.
0 0 1,2 1,2 Arco elétrico, com continuidade elétrica.
0 0 2 2 Centelha continuada para potencial flutuante
5 0 0 1,2 Descarga parcial com vestígios (nota CO)
CO2 / CO > 11 Mais alta que a temperatura normal na isolação
Tabela 5 – Códigos e diagnósticos da C.E.G.B.
35
A tabela a seguir mostra as diretrizes desenvolvidas pela Universidade de
Sacramento do estado da Califórnia em cooperação com a Pacific Gas & Electric
Company para indicar os níveis normais e anormais dos gases individuais.
Gás Normal (<) Anormal (>) Interpretação

Hidrogênio 150 ppm 1000 ppm Corona, Arco elétrico
Metano 25 80 Centelha
Etano 10 35 Sobre aquecimento local
Etileno 20 150 Sobre aquecimento severo
Acetileno 15 70 Arco elétrico
Monóxido de carbono 500 1000 Sobre aquecimento severo
Dióxido de Carbono 10,000 15,000 Sobre aquecimento severo
Nitrogênio 1 to 10 % N.A. N.A.
Oxigênio 0.2 to 3.5% N.A. N.A.
Total de Combustíveis 0.03 % 0.5 % N.A.
Tabela 6 – Níveis normais e anormais e diretrizes da Universidade de Sacramento e Pacific

Gás & Electric
Atualmente a Northern Technology & Testing está usando os seguintes pontos de
alerta (flag points) para os vários gases de falta mostrados na tabela abaixo:
Gás Pontos de alerta (>)

Hidrogênio 1500 ppm
Metano 80
Etano 35
Etileno 150
Acetileno 7
Monóxido de Carbono 1000
Dióxido de Carbono 10,000
Tabela 7 – Pontos de alerta da Northern Technology & Testing
36
Os seguintes exemplos são extremos, mas servem para ilustrar como a
análise de gases dissolvidos no óleo pode ser usada para focar problemas ativos.
Informações do Análise DGA Recomendação

Transformador
400 MVA Hidrogênio: 7.040 O etileno é o gás chave na análise
Metano: 17.700 sugerindo alta temperatura e sobre
345 kV Etano: 4.200 aquecimento do óleo.
Etileno: 21.700
Tanque com manto de gás Acetileno: 165
Monóxido de carbono: 67
Ano de fabricação 1969 Dióxido de carbono:
1.040
Tabela 8 – Valores extremos em ppm vol/vol a 25oC e 760 mmHg e recomendações
Informações do Transformador Análise DGA* Recomendação

2.5 MVA Hidrogênio: 10.900 O etileno e o metano são os gases
Metano: 18.400 chave sugerindo alta temperatura e
44 kV Etano: 4.400 sobre aquecimento do óleo. O
Etileno: 24.500 conteúdo de acetileno é alto o
Ano de fabricação 1991 Acetileno: 3.820 bastante para sugerir que ocorreu
Monóxido de carbono: 23.800 arco elétrico no óleo. Os óxidos de
Dióxido de carbono: 36.900 carbono estão em níveis muito
Falhou após quatro anos de serviço altos indicando sobre aquecimento
envolvendo a celulose.
Informações do Transformador Análise DGA* Recomendação

11.46 MVA Hidrogênio: 1.980 Embora a concentração de
Metano: 166 hidrogênio esteja alta e alguma
33 kV Etano: 87 descarga parcial possa ter ocorrido a
Etileno: 205 grande concentração de CO e CO2
Acetileno: 0 indica severo sobre aquecimento
Tanque com manto de gás envolvendo a celulose.
Monóxido de carbono: 2.990
Dióxido de carbono: 58.300
Ano de fabricação 1940
2.5.2. Aplicação do método das razões de Rogers
O método das razões usa a relação entre as concentrações de gases
dissolvidos como base para o diagnóstico de faltas. Historicamente cinco razões têm
sido usadas [RANDY, 97].
37
Razão CH4/H2 C2H2/ C2H4 C2H2/ CH4 C2H6/ C2H2 C2H4/ C2H6
Abreviação R1 R2 R3 R4 R5
Tabela 11 – Definição de taxas do método das Razões [Randy, 97]
A primeira tentativa foi feita no final dos anos 1960 na Central Electricity
Generating Board (CEGB) [Rogers 78] como mostrado anteriormente. Em 1970
Dornenburg foi capaz de diferenciar faltas térmicas e elétricas usando quatro razões
e seis gases [Dornenbürg, 67], [Fallou, 70], [Randy, 97]. Os seis gases são H2, CH4,
CO, C2H2, C2H4 e C2H6. As quatro razões e seus valores de diagnósticos estão
mostrados na tabela a seguir.
O método consiste em muitos testes de validação antes de atingir a decisão final e
sempre falha. O teste de validação mais importante é o teste L1, que determina um
valor crítico para cada gás. De modo a aplicar o método, ao menos um gás para
cada uma das razões deve exceder a norma L1 correspondente. As normas L1
revisadas estão listadas abaixo.
Falta R1 R2 R3 R4
Decomposição térmica >1 <0.75 <0.3 >0.4
Corona (baixa intensidade) >0.1 Não significativo <0.3 >0.4
Arco elétrico (alta intensidade) >0.1 e < 1 >0.75 >0.3 <0.4
Tabela 12 – Método das razões de Dornenburg [Randy, 97]
Gás H2 CH4 CO C2H2 C2H4 C2H6

Limite de L1 (ppm) 100 120 350 35 50 65
Tabela 13 – Limite L1 de Dornenburg [Randy, 97]
Seguindo o modelo termodinâmico de Halstead [Halstead, 73], o método das
razões de Rogers foi primeiro proposto em 1973 [Barraclough, 73], refinado em 1975
[Rogers 1975], e mais uma vez refinado em 1977 [Rogers, 77]. Levando em
38
consideração experiências industriais [Manger, 78], testes de laboratório, e
considerações teóricas posteriores, o método foi modificado para o padrão IEC
[IEC599]. O método original das razões de Rogers foi usado na tabela acima para o
diagnóstico, onde o 1 indica que o valor normal é acima de 1.0, e um 0 indica que o
valor normal é abaixo de 1.0.
O método refinado de Rogers usava duas tabelas: uma definia o código, e a
outra definia as regras de diagnóstico, como mostrado nas tabelas 14 a 16. Estes
métodos preliminares usavam quatro razões. A razão etano/metano (C2H6/CH4)
somente indicava uma faixa limitada de temperatura de decomposição, mas não
fornecia suporte na identificação da falta. Posteriormente, no padrão IEC 599, o
desenvolvimento adicional do método das razões de Rogers foi suprimido.
CH4/H2 C2H6/CH4 C2H4/C2H6 C2H2/C2H4 Diagnóstico
0 0 0 0 Se CH4/H2 é 0.1 ou mais Ö descarga parcial,

senão deterioração normal
1 0 0 0 Leve sobre aquecimento Ö abaixo de 150º C
1 1 0 0 Leve sobre aquecimento Ö entre 150 e 200ºC
0 1 0 0 Leve sobre aquecimento Ö entre 200 e 300ºC
0 0 0 1 Correntes circulantes com sobre aquecimento

de juntas
0 1 0 1 Flashover sem continuidade elétrica
0 0 1 1 Corrente de interrupção no seletor do

comutador
Arco com continuidade elétrica ou centelha
persistente
Tabela 14 – Diagnóstico Original do Método das Razões de Rogers [Barraclough, 73]
39
As vantagens de métodos baseados em razões são que eles são
quantitativos e independem do volume de óleo no transformador. Entretanto, o
método de razões pode produzir interpretações errôneas ou nenhuma. Mas pode ser
usado em conjunto com outros métodos de diagnóstico como o do gás chave.
Razão do gás Faixa Código

CH4/H2 Não maior que 0.1 5
(R1) Entre 0.1 e 1.0 0
Entre 1.0 e 3.0 1
Não menor que 3.0 2
C2H2/CH4 Menor que 1.0 0
(R4) Não menor que 1.0 1
C2H4/C2H6 Menor que 1.0 0
(R5) Entre 1.0 e 3.0 1
C2H2/C2H4 Menor que 0.5 0
(R2) Entre 0.5 e 3.0 1
Tabela 15 – Definição do código do Método das Razões de Rogers [Barraclough, 73]
R1 R4 R5 R2 Diagnóstico
0 0 0 0 Deterioração normal
5 0 0 0 Descarga parcial
1 ou 2 0 0 0 Leve sobre aquecimento – abaixo de 150oC
1 ou 2 1 0 0 Leve sobre aquecimento – entre 150 e 200oC
0 1 0 0 Leve sobre aquecimento – entre 200 e 300oC
1 0 1 0 Correntes de circulação no enrolamento
1 0 2 0 Correntes circulantes no tanque e no núcleo, juntas sobre
aquecidas.
0 0 0 1 Flashover sem conseqüência elétrica
0 0 1 ou 2 1 ou 2 Arco com conseqüência elétrica
0 0 2 2 Centelhamento contínuo para potencial flutuante
5 0 0 1 ou 2 Descarga parcial com trilha (notar CO)
Tabela 16 –Diagnóstico do Método das Razões de Rogers Refinado[Rogers, 75]
40
2.6 Estudo e aplicação do método do gás chave
O estudo do método do gás chave começou nos laboratórios da Doble foi
estabelecido em 1973 [Pugh, 73] e oficialmente proposto em 1974 [Pugh, 74]. Em
1978, a comparação entre o método do gás chave e o método das razões de Rogers
ocorreu na conferência anual da Doble [Rick, 78]. 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 seja para
transformadores com pulmão de gás. Griffin fez uma grande revisão no método do
gás chave, métodos das razões, e aplicações relacionadas [Griffin, 88].
O método do gás chave identifica o gás chave para cada tipo de falta e usa o
percentual deste gás para identificar a falta. Ele interpreta a análise de gases
dissolvidos no óleo baseado em um conjunto simples de fatos. Por exemplo, baixa
intensidade de descargas parciais ou produção de corona principalmente H2 com
alguns traços de gases derivados de hidrocarbonetos, assim o gás chave para
descargas parciais ou corona é o H2, e a descarga parcial e o corona podem ser
detectados se o percentual da quantidade de H2 é significativo em uma amostra de
óleo. Baseado no trabalho original do Dr. Pugh e no padrão IEEE C57.104, a Tabela
17 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.
41
Falta Gás chave Critério Percentual do gás

Arco Acetileno Grande quantidade de H2 e C2H2 e H2: 60%
menor quantidade de CH4 e C2H4. CO e
C2H2 CO2 podem também existir se a celulose C2H2: 30%
estiver envolvida.
Corona Hidrogênio Grande quantidade de H2, algum CH4, H2: 85%
com pequena quantidade de C2H6 e C2H4.
(H2) CO e CO2 podem ser comparados se a CH4: 13%
celulose estiver envolvida.
Sobre Etileno Grande quantidade de C2H4, menor C2H4: 63%
aquecimento quantidade de C2H6 algum a quantidade
do óleo (C2H4) de C2H4 e H2. Traços de CO e CO2. C2H6: 20%
Sobre Monóxido de Grande quantidade de CO e CO2. Gases CO: 92%
aquecimento hidrocarbonetos podem existir.
Carbono
da celulose
(CO)
Tabela 17 – Critério de Diagnóstico do Método do Gás Chave
2.7 Triângulo de Duval
Michel Duval, [Duval, 82, 89, 01, 02] desenvolveu na década de 1960 uma
técnica de análise que plota a concentração de três gases específicos, metano,
etileno e acetileno, dissolvidos no óleo de transformadores que possibilita apontar as
possíveis causas de falta incipiente, tais como arco elétrico e pontos quentes dentro
do transformador. Duval verificou que um número significativo de resultados da
análise de gases dissolvidos no óleo não se enquadrava nos códigos do IEEE-IEC
não podendo assim ser diagnosticados. Este método é largamente usado na Europa
e Canadá e pouco usado nos Estados Unidos, e nos países da América Latina, Ásia
e África.
O triângulo de Duval não se aplica à maioria dos transformadores a não ser
quando os três gases explosivos citados aparecem juntos, caracterizando um
iminente perigo ao equipamento mesmo em concentrações moderadas.

42
O triângulo é traçado utilizando os dados históricos obtidos pela análise de gases
dissolvidos no óleo. O tipo de falta é diagnosticado diretamente no gráfico triangular
gerado.
Como usar:
1. Primeiramente determina-se a existência do problema através da aplicação das
técnicas das Razões de Rogers e de Dornenburg ou dos gases chave já descritos, e
ou a tabela 3 abaixo. Ao menos um dos gases hidrocarbonetos ou o hidrogênio (H2)
devem estar na condição 3 do IEEE e o aumento da taxa de geração (G2) da tabela
abaixo, antes que o problema seja confirmado. Para usar a tabela 17 a seguir sem o
método do IEEE, ao menos um dos gases individuais deve estar no nível L1 ou
acima e a taxa de geração de gás ao menos em G2. Os limites L1 e as taxas de
geração de gases da tabela 17 são mais confiáveis que o método do IEEE;
entretanto, deve-se usar ambos os métodos para confirmar a existência do
problema. Os passos para o diagnóstico através do triângulo de Duval estão listados
na próxima página.
Figura 12 – Triângulo de Duval
Onde: PD = Descargas Parciais (corona)

T1 = Faltas Térmicas abaixo de 300 °C (pontos quentes)
T2 = Faltas Térmicas entre 300 ° e 700 °C (pontos quentes)
T3 = Faltas Térmicas Maiores que 700 °C (pontos quentes)
D1 = Descarga de Baixa Energia (Centelhamento)
D2 = Descarga de Alta Energia (Arco Elétrico I > 20 In)
DT = Ocorrência Simultânea de Falta Térmica e Arco
43
Limite G1 Limite G2
Gás Limite L1 (ppm/mês) (ppm/mês)
H2 100 10 50
CH4 75 8 38
C2H2 3 3 3
C2H4 75 8 38
C2H6 75 8 38
CO 700 70 350
CO2 7000 700 3500
Tabela 18 – Limites e taxas de geração de gases
Se houver um súbito incremento em H2 com somente monóxido de carbono
(CO) e dióxido de carbono (CO2) e pouco ou nenhum gás hidrocarboneto, usar a
razão CO2/CO abaixo para determinar se a isolação da celulose está degradada por
sobre aquecimento.
2. Confirmando a existência do problema, usar a quantidade total de gases
acumulados do triângulo de Duval e plotar as percentagens do total no triângulo para
chegar a um diagnóstico. Também, calcular a quantidade dos três gases usados no
triângulo de Duval, gerados desde o início do súbito incremento. Subtraindo o total
dos gases gerados desde o súbito aumento dos gases obtém-se a quantidade de
gases gerados desde o início da falta.
a. Tomar a quantidade em partes por milhão de metano (CH4) obtida da análise de
gases dissolvidos no óleo e subtrair a quantidade CH4 desde a primeira análise de
gases, antes do aumento súbito de gases. Isto dará a quantidade de metano gerada
desde o início do problema.
b. Repetir o processo para os dois gases restantes, etileno (C2H4) e acetileno (C2H2).
44
3. Adicionar os três números (diferenças) obtidos no passo dois do processo acima.
Isto representa 100% dos três gases chave gerados desde o início da falta.
4. Dividir cada diferença individual de gás pela diferença total dos gases obtidos no
passo 3 acima. Isto fornece o aumento percentual de cada gás em relação ao
aumento total.
5. Plotar o percentual de cada gás no triângulo de Duval, começando do lado de um
gás em particular. Desenhar linhas paralelas através do triângulo para cada gás a
partir da marcas mostradas em cada lado do triângulo.
Na maioria dos casos o acetileno (C2H2) será zero, e o resultado será um ponto no
lado direito do triângulo de Duval.
2.8 Técnicas modernas de detecção de faltas incipientes baseadas em IA
Os métodos do gás chave, de Rogers e de Dornenburg são facilmente
computados 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 são usados como guias para os sistemas inteligentes
baseados em inteligência Artificial.
Técnicas de inteligência artificial tais como Sistemas Especialistas [Barret 89,
Lin, 93], Joseph, 94], Lógica Fuzzy [Dukarm, 93], [Tom 93], [Huang, 97], [Gao, 98],
[Yang, 98] e Redes Neurais Artificiais (ANN) [Dukarm, 93], [Sumit, 93], [Ding, 95],
45
[Zhang, 97], [Wang, 97, 98], [Yang 98 para assistir a análise de gases dissolvidos em
óleo têm sido bastante pesquisadas e utilizadas desde os anos 90.
2.8.1 Sistemas especialistas
Um Sistema Especialista é um método que fornece o diagnóstico da falta e
sugestões para a manutenção. Os métodos de análise de gases dissolvidos no óleo
formam a maior parte do sistema além de outras regras de diagnóstico que têm sido
desenvolvidas pelas indústrias. Informações, tais como, o tipo de transformador,
nível de tensão, tendência de formação de gases, e histórico de manutenção são
também incorporados.
Há um bom número de sistemas especialistas já desenvolvidos e em uso
pelas empresas de energia. A tabela a seguir lista três deles como exemplos, dos
quais podemos resumir as três últimas funções que deverão ser incluídas em um
sistema de diagnóstico de faltas para transformadores de potência: primeiro, o
“mecanismo central de diagnóstico” incorpora vários métodos de análise de gases
dissolvidos em óleo; depois, um “gerente especialista” considera regras especiais; e
por fim, o “consultor da manutenção” propõe a época da próxima análise e as ações
de manutenção que devem ser tomadas.
A eficácia de um sistema especialista depende da precisão e da extensão de
dados da base de conhecimento, que normalmente é muito complicada e deve ser
construída manualmente. O maior problema com os sistemas especialistas é que
estes não podem ajustar automaticamente as regras de diagnósticos, e assim não
46
podem adquirir conhecimento a partir de novas amostras de dados através de um
processo de auto-aprendizagem. Uma vez construídos são normalmente difíceis de
ser atualizados.
Referência Métodos DGA Características

[BARRET, 89] Razões de Rogers • Controle do estado da gaxeta e do aquecimento
IEC 599 • Controle do conteúdo de água e do aquecimento
Gás Chave • “Norma” baseada na identificação do nível de gases
suspeitos
Orientações de manutenção baseadas na TDCG
[LIN, 93] Razões de Dornenburg • Tendência das razões, limites da norma, gás chave e
Razões de Rogers outros especialistas considerados.
IEC599 • Conjuntos fuzzy condicionados aos limites da norma,
análises de razões limites e de gases chave.
Regras Heurísticas de manutenção
[JOSEPH, 94] Método das razões • Limites da “Norma”
• Análise de tendências históricas
• Regras Heurísticas de experiências
• Banco de dados e acesso avançado a dados remotos
• Recomendações de manutenção
Tabela 19 – Sistemas Especialistas para Diagnóstico de Transformadores de Potência
Um sistema especialista para o método de Rogers pode ser implementado
por programação a partir de um fluxograma:
Figura 13 – Fluxograma para diagnóstico através do método de Rogers
47
Ou para o método de Dornenburg:
Figura 14 – Fluxograma para diagnóstico através do método de Dornenburg
2.8.2 Lógica Fuzzy
A Lógica Fuzzy é baseada na teoria dos Conjuntos Fuzzy. Esta é uma
generalização da teoria dos Conjuntos Tradicionais para resolver os paradoxos
gerados a partir da classificação “verdadeiro ou falso” da Lógica Clássica.
Tradicionalmente, uma proposição lógica tem dois extremos: ou “completamente
verdadeiro” ou “completamente falso”. Entretanto, na Lógica Fuzzy, uma premissa
varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou
parcialmente falsa, permitindo assim incluir a imprecisão ("fuzziness") nos processos
decisórios usando termos lingüístico, tais como: alto, morno, ativo, pequeno, perto,
etc. o que caracteriza o grau de pertinência variável (valor que indica o grau em que
um elemento pertence a um conjunto).
48
A força da Lógica Fuzzy deriva da sua habilidade em inferir conclusões e
gerar respostas baseadas em informações vagas, ambíguas e qualitativamente
incompletas e imprecisas. Neste aspecto, os sistemas de base Fuzzy têm habilidade
de simular o raciocínio de forma semelhante à dos humanos. Seu comportamento é
representado de maneira muito simples e natural, levando à construção de sistemas
compreensíveis e de fácil manutenção.
Usando a teoria de inferência fuzzy, pode ser construído um conjunto fuzzy
baseado no diagnóstico de faltas [Tom, 93]. O foco principal é sintonizar as funções
de pertinência baseadas nos métodos e experiências da análise de gases
dissolvidos no óleo. Convencionalmente isto é feito manualmente [Tom, 93, Dukarm
93], e depois automaticamente utilizando métodos matemáticos sofisticados como
computação evolucionária (evolutionary computing), algoritmos genéticos,
apodização adaptiva (adaptive pruning) [Huang, 97], [Yang, 98].
Dukarm [Dukarm, 93] verificou que uma abordagem utilizando técnicas fuzzy e
sistemas de inferência fuzzy se aplicariam aos métodos de análise de gases
dissolvidos já apresentados. Como os métodos de diagnóstico de Rogers e
Dornenburg baseiam-se em valores limiares, para que se possa aplicar a lógica
fuzzy juntamente com estes métodos, as razões de gases são aplicadas a um
sistema de inferência onde as funções de pertinência associadas aos conjuntos
fuzzy são relacionadas às variáveis consideradas. Para cada gás é associado um
conjunto denominado Baixo, Médio ou Alto de acordo com seu nível de
concentração no óleo.
49
⎛ CH 4 ⎞ ⎛ C2 H 2 ⎞ ⎛ C2 H 4 ⎞
μ ⎜⎜ μ ⎜⎜ ⎟⎟ μ ⎜⎜ ⎟
⎟⎟ ⎝ C2 H 4 ⎠
⎟
⎝ C2 H 6 ⎠
⎝ H2 ⎠
1.0 1.0 1.0
0.5 0.5 0.5
0.1 1.0 0.1 3.0 1.0 3.0

⎛ CH 4
⎜
⎞
⎟ ⎛ C2H2 ⎞ ⎛ C2H4 ⎞
Razão metano/hidrogênio ⎜ H
⎝ 2
⎟
⎠
Razão acetileno/etileno ⎜
⎜C H ⎟
⎟ Razão etileno/etano ⎜
⎜C H ⎟
⎟
⎝ 2 4⎠ ⎝ 2 6⎠
Figura 15 – Diagramas fuzzy para cada razão de gás
As regras são testadas conforme ilustra a figura abaixo sendo que a regra que
possuir maior grau de ativação será associada ao diagnóstico final.
⎛ CH 4 ⎞ SE R1 é Baixo E R2 é Médio E R3 é Baixo

R1 = ⎜⎜ ⎟⎟ Regra 1
ENTÃO TF é 0
⎝ H2 ⎠
⎛ C2H 2 ⎞
R2 = ⎜
⎜ CH ⎟⎟ SE R1 é Baixo E R2 é Médio E R3 é Médio Inferência Tipo de Falta
⎝ 4 ⎠ Regra 2
ENTÃO TF é 1 Mandani Diagnosticado
⎛ C2H 4 ⎞
R3 =
⎜⎜ C H ⎟⎟
⎝ 2 6⎠ SE R1 é Médio E R2 é Médio E R3 é Alto
Regra 3
ENTÃO TF é 8
Vetor de entrada Base de regras Processo de inferência Saída
Figura 16 – Sistema de inferência para diagnóstico de faltas em transformadores para Rogers
A saída fuzzy será um dos tipos de falta classificados na tabela 20 [IEC 10A
53] recomendada pelo IEEE onde L, M, e N são os conjuntos fuzzy Baixo, Médio e
Alto.
50
Razão de Gases Característicos

Código de Faixas de Razão
C2H2/C2H4 CH4/H2 C2H4/C2H6
< 0.1 0 (L) 1 (L) 0 (L)
0.1 a 1.0 1 (M) 0 (M) 0 (L)
0.1 a 3.0 1 (M) 2 (H) 1 (M)
> 3.0 2 (H) 2 (H) 0 (L)
Código da
Tipo de Falta Característica
Falta
0 Operação Normal 0 (L) 0 (M) 0 (L)
1 Falta Térmica de Baixa 0 (L) 0 (M) 1 (M)

Intensidade < 150oC
2 Falta Térmica de Baixa 0 (L) 2 (H) 0 (L)
Intensidade 150o a 300oC
3 Falta Térmica de Média 0 (L) 2 (H) 1 (M)
Intensidade 300o a 700oC
4 Falta Térmica de Alta 0 (L) 2 (H) 2 (H))
Intensidade > 700oC
5 Descargas Parciais de Baixa 0 (L) 1 (L) 0 (L)
Intensidade
6 Descargas Parciais de Alta 1 (M) 1 (L) 0 (H)
Intensidade
7 1-2 (M-H) 0 (M) 1-2 (M-H)
Descargas de Baixa
Intensidade
8 Descargas de Alta 1 (M) 0 (M) 2 (H)

Intensidade
Tabela 20 – Código para Gases Dissolvidos em Óleo Mineral – IEC 10A 53
51
2.8.3 Redes neurais
Dukarm tentou usar redes neurais artificiais (ANN) para o diagnóstico de faltas
em transformadores no início dos anos 90 sem seguir adiante, provavelmente devido
à falta de qualidade dos dados [Dukarm, 93].
Houve alguns estudos ao final dos anos 90 [Esp, 98], [Yang, 98], [Gao, 98],
mas foram atividades separadas que não constituíram uma séria consideração do
problema.
Em meados dos anos 90 iniciaram-se esforços de pesquisa na Universidade
de Tecnologia da Virgínia, [Ding, 95], [Zhang, 96], [Zhang, 97], [Wang, 97], [Wang,
98]. Estes esforços incluíram não só estudos metodológicos, mas também coleta de
dados e testes industriais. Como resultado, um sistema de diagnóstico foi
desenvolvido com tecnologias ANN e um sistema especialista [Wang, 98].
Uma importante vantagem baseada no diagnóstico de faltas ANN é que ele
pode aprender diretamente a partir de amostras de treinamento, e atualizar seus
conhecimentos quando necessário. A alta capacidade de mapeamento não linear
dos neurônios garante um desempenho quase sempre superior ás soluções dos
sistemas fuzzy. A complexidade computacional das ANN não é tão grande, no
processo de teste (diagnóstico). Como este método é o proposto para o
desenvolvimento desta dissertação, será mais extensamente tratado no próximo
capítulo.
52
2.8.4 Sistemas híbridos
Buscando obter melhor desempenho dos sistemas inteligentes de
diagnósticos vários pesquisadores têm desenvolvido sistemas híbridos que
combinam dois ou mais métodos de IA para a solução de diagnósticos complexos
para faltas em transformadores isolados com óleo isolante. Encontramos na
literatura a combinação de sistemas especialistas e lógica fuzzy, sistemas
especialistas e redes neurais, redes neurais e lógicas fuzzy, algoritmo genético e
redes neurais e outras associações. Porém todos utilizam os resultados e dados dos
métodos tradicionais e o conhecimento de especialistas como dados de entrada
para estes sistemas.
53
Capítulo 3 – Redes Neurais
CAPÍTULO 3
3. Redes Neurais Artificiais
3.1 Introdução
Há mais de meio século o homem busca modos de resolução de problemas
cotidianos, extremamente complexos ou nem tanto, através de métodos que tentam
imitar o funcionamento do cérebro biológico. Após o surgimento da eletrônica e
principalmente como o seu desenvolvimento, era natural esperar do ser humano a
busca de uma simulação do funcionamento do cérebro, através da construção de
circuitos que tentassem imitar suas funções. Neste capítulo pretendemos apresentar
as características das chamadas Redes Neurais Artificiais (RNA), que são modelos
matemáticos inspirados no sistema nervoso biológico, e como elas podem ser
utilizadas para o diagnóstico de problemas. Redes Neurais é uma sub-especialidade
da Inteligência Artificial (IA) também chamada de Sistemas Inteligentes. Um sistema
inteligente deve ser capaz de adaptar-se a novas situações, realizar interações,
entender relações entre fatos, descobrir significados, reconhecer padrões e aprender
com base em sua experiência. No próximo capítulo iremos implementar uma
concepção de rede neural visando agilizar o diagnóstico de falhas incipientes em
transformadores imersos em óleo isolante.
54
3.2 Histórico
O homem estuda o cérebro há várias centenas de anos tentando entender o
seu funcionamento. Mas foi em 1943 que um neurologista americano chamado
Warren McCulloch e um matemático de nome Walter Pitts escreveram o possível
funcionamento dos neurônios modelando uma rede neural simples através de
circuitos eletrônicos. Donald Hebb em seu livro intitulado Organization of Behaviour
reforçou este conceito apontando as interligações neuronais e aplicabilidade e cada
vez são mais usadas.
Nathanial Rochester da IBM, á partir do advento dos computadores nos anos
50, foi o primeiro a tentar simular o funcionamento neuronal tentando modelar o
rudimento destas teorias. A primeira tentativa foi frustrante, mas tentativas
posteriores, bem mais tarde tiveram sucesso. A ênfase no desenvolvimento da
computação da época deixou o problema em segundo plano. Mas em 1956 o projeto
de pesquisa de verão em Inteligência Artificial do Dartmouth College deu um grande
impulso tanto à inteligência artificial ou AI, como era conhecida na Indústria, quanto
às redes neurais estimulando a pesquisa.
Nos anos seguintes, John von Neumann sugeriu imitar o funcionamento de
um neurônio simples utilizando relés telegráficos e válvulas. Também Frank
Rosenblatt, um neuro-biologista da Universidade de Cornell começou a trabalhar em
um projeto conhecido por Perceptron. Ele estava intrigado com o processo de vôo de
uma mosca, pois parecia este estar ligado ao olho dela. O resultado desta pesquisa,
55
o Perceptron, foi o hardware por ele construído é a rede neural mais antiga e que é
utilizada até hoje.
Em 1959, Bernard Widrow e Marcian Hoff da Universidade de Stanford
desenvolveram modelos chamados de Adaline e Madaline (Multiple ADAptive LINear
Elements). A primeira rede neural aplicada a um problema real, foi a Madaline
simulando um filtro adaptivo que eliminava ecos em linhas telefônicas e é atualmente
ainda usada.
Infelizmente o potencial das redes neurais foi exagerado pelas pessoas e
devido à limitação da eletrônica e o excesso de literatura ficcional, através de livros
como os de Isaac Asimov e suas máquinas pensantes que sugeriam a substituição
do ser humano por robôs e do filme 2001 Uma Odisséia no Espaço, trouxe
desapontamentos tanto à população quanto aos meios acadêmicos, deixando a
indústria de financiar as necessárias pesquisas para continuar o desenvolvimento
nesta área do conhecimento. Além disso, Minsky e Pappert publicaram em 1969 um
livro intitulado “Perceptrons” onde provavam que as estruturas utilizadas nos
dispositivos da época eram incapazes de aprender regras lógicas tão simples quanto
à do “OU” exclusivo.
Este período obscuro da computação durou até. Em 1982 John Hopfield
apresentou um artigo na Academia de Ciências que não era um simples modelo do
cérebro, mas criava dispositivos úteis. Através de análise matemática ele mostrou
como as redes poderiam trabalhar e o que elas poderiam fazer. Ao mesmo tempo
56
uma conferência em Kyoto no Japão anunciou a quinta geração de computadores o
que levou a imprensa dos Estados Unidos a questionar um possível atraso na
corrida do conhecimento. Isto produziu um novo fluxo de investimentos em
pesquisas explorando diversas possibilidades de aplicação foram exploradas, como
por exemplo, em otimização, em reconhecimento de padrões, etc., com resultados
bastante encorajadores.
Em 1986 Rumelhart e McClelland, Hinton e Willians [Rumelhart, 86 ]
explicaram um algoritmo de aprendizagem chamado de Backpropagation para redes
do tipo Perceptron com estrutura multicamadas que colocou a área de Redes
Neurais Artificiais com uma das prioritárias na obtenção de recursos. Á partir de
então, com o desenvolvimento de vários projetos financiados principalmente pelo
Departamento de Defesa dos Estados Unidos, as discussões sobre as redes neurais
têm-se ampliado e o anúncio de novas aplicações têm sido freqüentes
principalmente na indústria e constituem uma teoria para estudo de problemas ou
fenômenos complexos.
Hoje, um dos fatores limitantes das pesquisas é o desenvolvimento de hardware e
de software. Na tentativa de que os projetos saiam dos laboratórios para colocá-los
em uso, busca-se implementar os protótipos em neuro-chips analógicos, digitais e
óticos, sendo que estes últimos têm-se revelado como os mais promissores.
57
3.3 Características básicas de uma Rede Neural (RN)
Como já foi dito, as RNA são modelos matemáticos inspirados no sistema
nervoso, o que as torna diferentes da computação convencional, cuja função é
determinada pelas conexões entre seus elementos. É um processador distribuído
que tem como tendência natural armazenar o conhecimento e torná-lo disponível
para uso [Arbib, 2002].
Figura 17 – Neurônio biológico
O elemento mais básico do cérebro humano é um tipo específico de célula
chamado neurônio que tem a habilidade de lembrar, pensar e aplicar experiências
anteriores nas mais diversas ações. Estima-se que o cérebro possua
aproximadamente 10 bilhões de neurônios. Cada neurônio pode conectar-se a
outros milhares através de um processo físico-químico chamado sinapse. A
quantidade destas células especialistas e o número de conexões entre elas
determinam o potencial do cérebro. O cérebro tem receptores sensoriais de entrada
e neurônios motores para a saída. No ser humano há entre sete e um milhar de
classes diferentes de neurônios já identificadas.
58
O sistema nervoso responde quase imediatamente a estímulos que são
produzidos pelos neurônios na forma de impulsos elétricos e formam a bases
estrutural e funcional deste sistema. Há várias formas de neurônios cada um com
uma aparência física diferente.
Neurônios são pequenas massas de citoplasma com um núcleo central. Um
sistema capilar – filamentos citoplásmicos - interligados aos neurônios e chamados
de dendritos conduz os impulsos elétricos através das células do corpo humano,
com uma simples e longa fibra chamada axônio que são a via de condução dos
impulsos elétricos. Alguns axônios são cobertos com um revestimento de mielina
recoberto por células de Schwann que também participam de sinapses.
A fibra nervosa tem a propriedade especial de transmitir impulsos elétricos
muito rapidamente através de todo seu comprimento e passá-los á próxima célula
nervosa interligada. O corpo da célula normalmente está no cérebro ou na coluna
vertebral enquanto que o axônio ou dendrito estende-se até o órgão em questão, por
exemplo, desde a base da espinha até o dedão do pé. O axônio possui uma carga
elétrica que é liberada quando o nervo é estimulado e é carregada novamente antes
que o próximo impulso seja enviado. Células nervosas geralmente enviam impulsos
em somente uma direção.
Um simples impulso pode não ser feito através de sinapse podendo ser
constituído por uma rápida sucessão de dois ou três impulsos vindos por um
dendrito ou talvez por dois ou mais para iniciar a descarga para o próximo neurônio.
O corpo de uma célula individual pode ter sinapses vindas de fibras próximas e é
através das sinapses que as diferentes partes do corpo e do cérebro são mantidas
59
em comunicação. Por causa da enorme possibilidade de interconexões e desde que
a chegada de impulsos simultâneos a uma célula pode estimular ou inibir a
retransmissão de um impulso subseqüente, a sinapse é provavelmente a unidade
básica de saída do “processador” do sistema nervoso central, tornando possível uma
efetiva coordenação e aprendizagem.
Uma Rede Neural Artificial (RNA ou ANN) funciona de maneira similar aos
neurônios do cérebro onde a rede através do processo de aprendizagem adquire
conhecimento e as forças de conexão interneural conhecidas como pesos sinápticos
são usadas para armazenar o conhecimento. Redes neurais é assim uma nova
técnica de processamento de informação. São simulações de sistemas nervosos
vivos e baseados em computador que operam de forma bem diferente da
computação convencional.
Assim, uma rede neural é uma rede de neurônios ou Elementos de
Processamento (PE’s) e conexões ponderadas. As conexões correspondem aos
axônios e os pesos às sinapses no cérebro biológico. A PE realiza duas funções. Ela
soma as entradas vidas de várias conexões e então aplica a função de transferência
à soma. O valor resultante é propagado através de conexões de saída para outros
PE’s. Tipicamente esses PE’s estão arranjados em camadas; Com a camada de
entrada recebendo inputs do mundo real e cada layer sucessiva recebendo saídas
ponderadas da layer precedente como inputs. Daí a criação da rede neural
feedforward onde cada input alimenta a layer que sucede. A primeira e a última layer
nessa configuração de rede neural são tipicamente referidas como layer de entrada
e de saída. (Elementos de processamento de layers de entrada não são
verdadeiramente PE’s já que não executam uma computação na entrada.)
60
Quaisquer layers entre as layers de entrada e saída (usualmente uma ou
mais) são chamadas de layers escondidas ou hidden layer porque não têm contato
com dados de entrada ou de saída do mundo real.
Figura 18 – Exemplos de Rede Neural Artificial
Esta estrutura é, porém, bem diferente daquela dos computadores a que
estamos acostumados a usar desde os anos 40. As redes neurais são compostas
não de uma ou duas, mas de muitas unidades de processamento que são
conectadas entre si formando a rede.
Seu poder computacional depende do trabalho conjunto das muitas tarefas –
isto é chamado, algumas vezes de processamento paralelo. Não há uma CPU
central seguindo uma seqüência lógica de regras – ao contrário, não há um conjunto
de regras ou programas como nos computadores.
O neurônio artificial ou elemento de processamento, ou ainda, unidade de
processamento é um simples dispositivo capaz de calcular o somatório de N
entradas ponderadas, cujo resultado passa através de uma função não-linear.
Basicamente, este dispositivo é caracterizado por um “offset” ou limiar interno e por
algum tipo de função não-linear, como mostra a figura.
61
O corpo das células dos neurônios soma os sinais que chegam dos dendritos.
Um neurônio particular enviará um impulso para seu axônio se os sinais recebidos
na entrada forem suficientes para estimular o neurônio a certo nível. Se as entradas
não atingirem este nível ou limiar a entrada decairá e não gerará qualquer ação.
A saída Y do dispositivo é função do somatório das entradas x1, x2, ...xn-1,
ponderadas pelos pesos w1, w2, ...wn-1 menos o offset θ .
n
y = ∑ ( X iWi ) − θ k
i =1
Figura 19 – Representação de um neurônio artificial
Os valores x1 ,x2 ,x3 ,…..,xn são os valores de entrada da rede. Os valores w1
,w2 ,w3 ,…..,wn são pesos associados a cada nó para determinar a intensidade do
vetor linha de entrada.
Cada entrada é multiplicada pelo peso associado à conexão do neurônio xiwi.
Dependendo da função de ativação, se o peso é positivo, xiwi normalmente excita o
nó de saída; diferentemente, para pesos negativos, xiwi tende a inibir o nó de saída.
62
O valor de θ , também chamado “vício” ou limiar, tem a finalidade de aumentar
o número de graus de liberdade do modelo, permitindo um aumento na capacidade
da rede neural para se ajustar ao conhecimento que lhe é fornecido. Ele afeta a
ativação do nó de saída Y.
3.4 A função de ativação de uma RNA
Um dos mais influentes pesquisadores em sistemas neurológicos (Donald
Hebb) propôs que a aprendizagem consiste, principalmente, da intensidade das
conexões sinapticas.
Uma função de ativação executa uma operação matemática no sinal de
saída. Funções de ativação mais sofisticadas podem também ser utilizadas
dependendo do tipo de problema a ser resolvido pela rede. Normalmente são
usadas:
Função linear Função degrau Função sigmoidal
Figura 20 - Tipos de função mais comuns aplicadas às Redes Neurais Artificiais
A saída de função sigmoidal é a função mais comum de ativação utilizada em
f (x ) = ,0 ≤ f ( x ) ≤ 1
1
redes neurais: Onde α define a forma de f(x)
α ⋅x
1+ e
Normalmente a saída depende da função de ativação escolhida. Entretanto,
se não se quiser ter um bias em um neurônio em particular, ele pode ser omitido.
63
Tipicamente a função de transferência é escolhida pelo projetista e os
parâmetros são ajustados de acordo com uma regra de aprendizagem que as
relações de saída entrada/saída encontram para um caso específico.
3.5 Treinamento e classificação de uma RNA
Redes Neurais Artificiais, como as pessoas, aprendem a partir de exemplos.
Backpropagation é uma das possíveis regras de aprendizagem para ajustar as
conexões dos pesos durante a aprendizagem por exemplos. A aprendizagem ocorre
quando os pesos da rede são ajustados como uma função do erro encontrado na
sida da rede. O erro é a diferença entre a saída esperada e a saída normal. Os
pesos são ajustados para trás (propagados para trás) através da rede neural até que
o erro esteja minimizado para o conjunto de dados de treinamento.
Existem diversos tipos de RNA e diferentes maneiras de classificá-las. Talvez
a mais importante seja quanto à forma de aprendizado que pode ser supervisionada
e não supervisionada.
No aprendizado supervisionado são sucessivamente apresentadas à rede
conjuntos de padrões de entrada e seus correspondentes padrões de saída. Durante
este processo, a rede realiza um ajustamento dos pesos das conexões entre os
elementos de processamento, segundo uma determinada lei de aprendizagem, até
que o erro entre os padrões de saída gerados pela rede alcance um valor mínimo
desejado. Por exemplo, perceptron, adaline e madaline, backpropagation são
algumas dentre as dezenas de leis de aprendizagem supervisionada.
64
No aprendizado não-supervisionado a rede “analisa” os conjuntos de dados
apresentados a ela, determina algumas propriedades do conjunto de dados e
“aprende” a refletir estas propriedades na sua saída. A rede utiliza padrões,
regularidades e correlações para agrupar os conjuntos de dados em classes. As
propriedades que a rede vai “aprender” sobre os dados podem variar em função do
tipo de arquitetura utilizada e da lei de aprendizagem. Por exemplo, Mapa Auto-
Organizável de Kohonen, Redes de Hopfield e Memória Associativa Bidirecional, são
alguns métodos de aprendizado não-supervisionado.
Essencialmente o aprender de redes neurais consiste em colocar valores de
conexões sinápticas. Em alguns casos estes valores são colocados representando
certo conhecimento, como no caso usado em sistemas especialistas. Em outros se
usa um algoritmo para encontrá-los. A este algoritmo chama-se algoritmo de
aprendizagem.
A lei de Hebb é talvez a mais antiga regra de aprendizagem usada. Uma
extensão desta lei é: “Ajuste a intensidade da conexão entre os neurônios A e B de
uma quantidade proporcional ao valor da ativação simultânea dos dois neurônios.
Se, no entanto A tenta excitar B e não consegue a conexão é enfraquecida.”
Uma característica importantíssima da lei de Hebb é que ela goza da propriedade
de localidade. Isto significa que para alterar o valor de uma conexão sinaptica
apenas informações locais à sinapse em jogo são usadas dando plausibilidade
biológica ao algoritmo. A expressão usada na Lei de Hebb é muito simplificada. Com
efeito, considerando uma sinapse real tem-se:
Δwij = ai aj
65
O valor da modificação da intensidade da conexão sinaptica para mesmas
excitações dos neurônios envolvidos pode variar com o tempo. A modificação da
intensidade da conexão sinaptica Δwij de wij pode depender de wij o que será um
efeito não linear (anteriormente tem-se um sistema bi-linear por apresentar um
produto de duas intensidades). Isto ocorre como um efeito de saturação do valor de
conexão sinaptica. Pode-se imaginar que a modificação da intensidade da conexão
sinaptica dependa também de neurônios vizinhos.
Um modelo um pouco mais completo seria:
Δwij = φ(xi, di, wij , oj , t)
Note-se que di não é local à sinapse, mas local com relação ao neurônio i.
Uma expressão um pouco mais simples seria obtida com a função η
dependendo da diferença entre a excitação real do neurônio i e a que seria
desejada.
Com isto tem-se a Regra de Widrow-Hoff ou Regra Delta que pode ser
expressa como: Δwij = η(di − xi)oj
Nesta regra de aprendizado toda a informação necessária à modificação de
uma sinapse é local à sinapse, sendo portanto um regra de aprendizado plausível.
A retro-propagação ou backpropagation pode ser considerada como a da
Regra Delta generalizada para redes diretas com mais de duas camadas.
66
No aprendizado competitivo, usado nas redes popularizadas por Kohonen,
neurônios são inibidos por outros neurônios de modo a que a competição entre eles
leva apenas um deles acabar excitado. Assim, enquanto uma rede neural baseada
em um aprendizado Hebbiano, vários neurônios de saída podem estar
simultaneamente ativos, no caso do aprendizado competitivo, somente um neurônio
de saída fica ativo de cada vez. Fundamentalmente existem três elementos que
caracterizam o aprendizado competitivo:
1. Existe um conjunto de neurônios idênticos, ligados por valores de conexões
sinapticas de valores distribuídos de modo aleatório.
2. Existe um valor máximo bem definido para a ativação dos neurônios.
3. Existe um mecanismo que permite que os neurônios entrem em
competição pelo direito de permanecerem excitados.
No aprendizado competitivo entradas possuindo alguma semelhança tendem
a excitar o mesmo neurônio na saída.
Existem ainda o Aprendizado Reforçado ou “Reinforcement learning” consiste
no aprendizado através do método da tentativa e erro de modo a otimizar um índice
de performance chamado sinal de reforço. O Aprendizado Aleatório quando os
passos no sentido de se obter o comportamento aprendido se baseiam em valores
tomados aleatoriamente que são testados para verificar sua adaptabilidade. O
Aprendizado Evolutivo que é o paradigma de aprendizado que, tirando inspiração da
evolução biológica é capaz de modificar a topologia e os valores das conexões
sinapticas de modo a fazer uma rede se tornar apta a resolver um problema.
67
Uma rede neural treinada, isto é, a uma rede que aprendeu por exemplos,
pode ser aplicada a problemas do mundo real de enorme complexidade. Sua
vantagem mais importante é processar dados muito complexos para as tecnologias
existentes - problemas que não têm uma solução algorítmica ou para os quais este
tipo de solução é complexo demais para os dados existentes.
Em geral, devido a sua abstração do cérebro biológico, as redes neurais
artificiais são ajustadas aos problemas aos quais as pessoas são boas para resolver,
mas computadores nem tanto. Essa classe de problemas inclui o reconhecimento de
padrões a previsão de tempo e o reconhecimento de tendências nos dados.
3.6 Perceptron Multilayer
MLP’s ou perceptrons multilayers são arranjos multicamadas de elementos de
processamento não lineares.
Figura 21 - Perceptrons multicamadas
Um arranjo com somente uma layer de entrada e uma de saída é chamada
simplesmente de perceptron.
68
Uma rede encadeada para frente ou feedforward consiste de um número de
neurônios conectados por links divididos em duas layers. Um conjunto de dados
entrada é aplicado de fora da rede ou de uma layer anterior.
A figura a seguir ilustra uma rede encadeada para frente ou feedforward com
duas camadas.
inputs layer 1 layer 2 outputs

w1(1,1) a1(1) w1(1,1) a2(1)
p(1) ∑ ƒ ∑ ƒ
b1(1) b2(1)
a2(1) a2(2)
p(2) ∑ ƒ ∑ ƒ
b1(2) b2(2)
a2(3)
p(3) ∑ ƒ ∑ ƒ
. b1(3) . b2(3) .
. a2(S1) . a2 (S2) .
p(R) ∑ ƒ ∑ ƒ
w1(S1,R) w1(S1S2,)
b1(S1) b2(S1)
a1 = ƒ1(w1.p1+b1) a2 = ƒ2(w2.a1+b2)
Figura 22 – Configuração de uma rede Perceptron Multi-Camada
Quando estruturamos uma rede MLP para um objetivo específico, geralmente,
os valores assumidos pelos pesos são aleatórios ou zerados.
Quando falamos em aprendizado, não estamos sendo tão abrangentes
quanto o processo de aprendizado referente ao ser humano o é.
69
Em uma rede MLP, o processo de aprendizado se restringe a uma espécie de
treinamento por inibição e reforço, onde “penalizamos” a rede se a mesma estiver
fora do padrão requerido ou a “elogiamos” quando está dentro do padrão.
Em outras palavras, o aprendizado estabelece valores para os pesos de
forma a dar à rede um sentido de processamento. Se você entra com dados em uma
rede não treinada, a saída é aleatória e não previsível.
Á medida que mostramos à rede um padrão de entrada (amostragem),
mostramos também como deve ser o resultado na saída da rede.
Cada entrada dos neurônios de entrada é então multiplicada por um peso w.
A soma das entradas ponderadas e o bias b formam a entrada n para a função de
transferência ƒ. Neurônios podem usar qualquer função diferencial monotônica
crescente para gerar suas saídas.
As redes Back-propagation freqüentemente usam as funções de transferência
log-sigmoidal e tan-sigmoidal. Para cada neurônio da primeira camada, o neurônio
da camada de saída é dado por:
a1 = ƒ1(w1.p + b1)
e a saída da segunda layer é:
a2 = ƒ2(w2.a1 + b2) = ƒ2((w1.p + b1) + b2)
onde p é a entrada da primeira layer; ƒ1 e ƒ2 são as funções de transferência, b1 e
b2 são biases e w1 e w2 são os pesos das conexões da primeira e segunda layer
70
respectivamente para cada um deles. A rede é treinada para aprender as relações
entre as entradas e as saídas esperadas.
Para o treinamento, um número par de padrões de entrada p e de alvos t é
apresentado à rede neural e então é solicitado à rede o ajuste dos pesos em todos
os links de conexões e também para os biases nos nós tal que os padrões de saída
desejados são produzidos para os nós de saída.
As redes neurais podem ser divididas em duas classes: rede supervisionadas
e não supervisionadas. Redes neurais supervisionadas, tais como o perceptron,
usam o algoritmo de treinamento, o que significa que os dados de entrada e saída
são necessários durante a fase de treinamento. O algoritmo de treinamento mais
comum é o backpropagation. A grande maioria das redes neurais artificiais é
treinada com supervisão. Neste modo, a saída normal da rede é comparada à saída
desejada. Pesos, que normalmente iniciam com valores aleatórios, são ajustados
pela rede de modo que, na próxima iteração, ou ciclo, produzirá um valor mais
próximo entre a entrada desejada e a saída atual. O método de aprendizagem tenta
minimizar os erros correntes de todos os elementos do processamento. Esta
redução do erro global criada pela continua modificação dos pesos de entrada até
que uma precisão aceitável da rede é alcançada.
Por outro lado, redes neurais não supervisionadas, tais como a rede de
Kohonen, requer somente dados de entrada para ser treinada. Elas auto-organizam
os dados de entrada, de acordo com uma métrica de similaridade que permite a rede
aprender sem saber a resposta correta.
71
Certos modelos teóricos de redes neurais têm sido analisados de modo a que
permitem certas propriedades tais como sua máxima capacidade de armazenamento
ser calculada independentemente de qualquer algoritmo de treinamento.
3.7 Definição do Modelo, Topologia e Parâmetros da RN
A seleção das características de entrada é um primeiro passo essencial para
a configuração de uma RNA. Deve ser uma escolha muito cuidadosa de modo que
estas entradas refletirão as características do problema. Uma outra tarefa importante
no projeto de uma RNA é a escolha da topologia da rede.
Isto é feito experimentalmente através de processos repetitivos para otimizar
o número de nós e de layers escondidas de acordo como o processo de treinamento
e da precisão desejada.
O número de neurônios da layer de entrada deve ser igual ao número de
dados de entrada e o número de neurônios na layer de saída é normalmente
definido de acordo com o número de variáveis de controle.
A figura ao lado ilustra um exemplo
de uma rede com 9 inputs, uma camada
escondida com 8 neurônios e 9 outputs:
Figura 23 - Exemplo de uma rede neural artificial
72
3.8. O futuro das Redes Neurais Artificiais
As redes nem sempre levam a resultados com grande precisão. É por isso que as
redes se aplicam onde humanos não são capazes de obter resultados com precisão.
As redes neurais precisam de hardware muito rápido. Cada vez mais tomam parte
de sistemas híbridos que utilizam lógica fuzzy e sistemas especialistas, quando não,
também, sistemas evolucionários.
73
Capítulo 4 – Aplicação de Redes Neurais no Diagnóstico de Falhas Incipientes
CAPÍTULO 4
4. APLICAÇÃO DE REDES NEURAIS NO DIAGNÓSTICO
DE FALHAS INCIPIENTES
Redes neurais artificiais são sistemas inspirados nos neurônios biológicos e
na estrutura massivamente paralela do cérebro, com capacidade de adquirir,
armazenar e utilizar conhecimento experimental. Tipicamente consistem em
centenas de unidades simples de processamento interligadas, formando uma rede
de comunicação complexa.
Cada unidade ou nó da rede é um modelo simplificado de um neurônio
biológico que dispara (envia um novo sinal) se ele recebe um forte sinal de entrada
vindo de outros nós aos quais está conectado.
Uma tarefa importante no projeto de uma Rede Neural é a escolha da
topologia da rede, isto é, os números de camadas e os números de neurônios por
camada.
Isto é feito experimentalmente através de processos repetitivos e técnicas
construtivistas para otimizar o número de nós e de layers escondidas de acordo
como o processo de treinamento e da precisão desejada.

4.1 Topologia
A topologia ou estrutura da RNA que usamos é a de uma rede neural com
uma só camada escondida.
A seleção das características de entrada é um primeiro passo essencial. Deve
ser uma escolha muito cuidadosa de modo que estas entradas refletirão as
características do problema.
O número de neurônios da layer de entrada será igual ao número de dados
de entrada e o número de neurônios na layer de saída será definido de acordo com
o número de variáveis de controle – as respostas desejadas.
No meu caso, cinco gases chave precursores de falhas em transformadores,
H2, CH4, C2H6, C2H4 e C2H2, são os escolhidos como características de entrada.
Inputs: As entradas da rede serão, pois, vetores com as concentrações de H2,
CH4, C2H2, C2H4 e C2H6 em ppm. Outputs: As saídas que queremos são os tipos de
faltas que aquelas entradas podem resultar, ou seja, faltas térmicas ou sobre
aquecimento, descargas parciais, arco elétrico, ou ainda faltas não identificadas,
além da saída normal - caso os dados de entrada não impliquem em falha no
transformador.
75
Figura 24 – Associação de gases e tipos de faltas
Hidden layer: A utilização de um grande número de camadas escondidas não
é recomendada. A grande maioria dos problemas de classificação de padrões utiliza
somente uma quando muito duas camadas escondidas. Aqui fez-se uso de apenas
uma.
O número de neurônios na camada escondida geralmente é definido de modo
empírico. Se forem utilizados neurônios demais, pode-se levar a rede a memorizar
os dados do treinamento (overfitting ) ao invés de extrair as características gerais
que permitirão a generalização.
Neurônios a menos, podem forçar a rede a gastar tempo em demasia
tentando encontrar uma representação ótima e assim a rede pode não convergir
durante o seu treinamento (underfitting).
76
Pode-se definir este número como sendo a média geométrica entre o
tamanho da entrada e o tamanho da saída ou números que podem variar de 2n+1 a
2 0.5+1 [Fletcher et Goss, 91] ou igual a 3n onde n é o número de camadas de
entrada ou de saída. Assim, poderíamos ter 5, 11 ou 15 neurônios.
Obteve-se experimentalmente a rede dessa dissertação e verificou-se que a
topologia que teve o melhor desempenho, isto é, convergiu mais rapidamente com
menor erro e menor número de épocas para o conjunto de dados disponíveis no
estudo foi a rede com 11 neurônios. Assim:
H2 falta não identificada

CH4 normal
C2H6 sobreaquecimento
C2H4 descargas parciais
C2H2 arco elétrico
Figura 25 – Topologia da rede utilizada na dissertação
Taxa de treinamento: Configuramos para o valor 1.
Momentum: ou fator de amortecimento feito igual a 0.9.
77
Dados de entrada: São as concentrações dos gases encontradas no ensaio
cromatográfico da análise das amostras colhidas ao longo da vida do transformador
(treinamento) ou na amostra suspeita (rede em uso normal). A figura seguinte ilustra
como exemplo, 10 dos padrões usados no treinamento.
Concentrações dos gases chave em ppm:
Padrões H2 CH4 CO CO2 C2H4 C2H6 C2H2 TDCG

1 101 125 100 1160 121 32 24 1663
2 105 348 50 1000 383 93 1 1980
3 170 310 50 4000 340 83 0 4953
4 1245 400 100 370 247 28 322 2712
5 99 230 191 5930 164 212 0 6826
6 300 300 120 1300 350 55 12 2437
7 321 349 100 1070 388 64 43 2335
8 316 342 0 0 374 58 14 1104
9 516 508 100 1160 639 98 23 3044
10 534 508 85 1050 598 91 22 2888
Tabela 21 - Exemplo de concentrações de gases usadas no treinamento da rede
Nesta tabela estão apresentadas também as concentrações de monóxido e
de dióxido de carbono, pois na comparação que fiz com outros métodos utilizamos
essas concentrações para obter diagnósticos de sobre aquecimento, devidos à
degradação do óleo ou da celulose ou de ambos. Da mesma forma apresentou-se
na coluna TDCG – total de gases combustíveis dissolvidos – o total dos gases
dissolvidos para determinar o percentual de cada gás em função do TDCG para
avaliar o método do gás chave que é usado como comparação nos resultados da
tabela 24.
As concentrações, para efeito de normalização, devem ser divididas por 1000,
pela média de cada gás ou pelo maior valor de concentração de cada gás antes de
serem fornecidas à rede, pois os valores de entrada devem estar entre 0 e 1.
78
Pesos: São valores aleatórios usados para determinar a intensidade do vetor
de entrada.
Bias: entrada de valor unitário multiplicada por valores aleatórios ajustados
durante o processo de treinamento. Tem a finalidade de aumentar o número de
graus de liberdade do modelo, permitindo um aumento na capacidade da rede
neural para se ajustar ao conhecimento que lhe é fornecido.
Transfer function: tangent sigmoid (tansig), é a função mais comum de
ativação utilizada em redes neurais.
f(x)
eα x − e − α x
f ( x ) = tanh(α .x) =
eαx + e −αx
− 1 ≤ f ( x) ≤ 1
x
Figura 26 – Função do tipo sigmoidal
4.2. Treinamento da Rede Neural
Por muitos anos não houve um algoritmo ideal para o treinamento de RNA
multi-layer, e assim, as aplicações de uma rede eram bastante limitadas.
A invenção do algoritmo Backpropagation desempenhou um papel vital no
ressurgimento do interesse nas RNA’s. Back-propagation é um método sistemático
de treinamento das RNA multi-layer. Ele tem uma forte base matemática.
79
Testei essa rede com os algoritmos do MatLab, o de Levenberg – Marquardt
(trainlm), [Shoureshi et al., 2001] - por ser o que apresenta melhores resultados no
trato de problemas não lineares e o de Sejnowski e Rosenberg [Sejnowski et
Rosenberg, 86] cujo método implementa o tempo de treinamento do algoritmo
backpropagation para o caso de função de ativação tangente sigmóide. Os
resultados foram semelhantes.
4.3. Resultados
Em geral, a saída a1 da rede não será a mesma do alvo ou valores desejados
t. Para cada padrão, a soma dos quadrados do Erro é:
1
SEE =
2
∑ || t − a 2 || 2
A principal meta do algoritmo back-propagation (BP) é ajustar os pesos w das
conexões e os biases b para minimizar o erro entre a saída desejada e a saída
normal da rede. Uma aproximação comum para atingir esta meta é a regra delta
generalizada. O erro máximo obtido foi 0.0029.
Utilizou-se 300 padrões para treinar a rede e testou-se 20 que estão tabelados a
seguir acompanhados dos resultados de saída da rede:
80
Padrões H2 CH4 CO CO2 C2H4 C2H6 C2H2

1 4 140 510 1700 10 320 0
2 370 75 700 4500 57 13 76
3 382 96 786 6520 20 133 0
4 3998 581 136 1240 431 31 788
5 83 350 800 8800 1200 230 140
6 105 43 620 4100 185 35 125
7 94 36 680 6200 59 13 190
8 60 74 690 11000 520 94 81
9 190 1100 580 5500 1900 700 12
10 110 910 450 4600 1700 660 11
11 48 43 120 1500 75 3 81
12 318 337 96 560 583 57 641
13 338 32 85 840 32 1 50
14 114 1417 100 610 2096 296 0
15 2 4 88 590 4 3 0
16 21 34 97 610 47 5 62
17 37 75 31 510 5 126 0
18 59 339 110 990 392 42 1
19 13 10 70 840 13 4 0
20 800 1393 423 2180 2817 304 3000
Tabela 22 - Dados usados para diagnóstico pela rede
Resultados dos testes:
Padrões Não Normal Sobre aque- Descargas Arco

Identificado cimento parciais Elétrico
1 0.0019 0.0348 0.9901 0.0002 0.0042
2 0.0001 0.0301 0.0044 0.0000 0.9904
3 0.0021 0.9964 0.0012 0.0010 0.0015
4 0.0002 0.0011 0.0021 0.0007 0.9958
5 0.0188 0.0014 0.0017 0.0001 0.9164
6 0.0166 0.0018 0.0012 0.0003 0.9864
7 0.0100 0.0130 0.0025 0.0004 0.9936
8 0.0124 0.0032 0.8945 0.0013 0.1007
9 0.0311 0.0420 0.9822 0.0001 0.0099
10 0.0191 0.0120 0.9913 0.0011 0.0031
11 0.0002 0.0009 0.0014 0.0003 0.9968
12 0.0013 0.0019 0.0027 0.0001 0.9966
13 0.0001 0.0188 0.0000 0.0001 0.0037
14 0.0162 0.0720 0.9921 0.0000 0.0139
15 0.0018 0.9986 0.0020 0.0018 0.0011
16 0.0020 0.0013 0.0017 0.0002 0.9964
17 0.0102 0.9990 0.0002 0.0006 0.0010
18 0.0114 0.0500 0.7942 0.0000 0.1157
19 0.0109 0.9975 0.0015 0.0012 0.0001
20 0.0028 0.0030 0.0125 0.0001 0.9928
Tabela 23 - Resultados finais de saída da rede
81
Apresenta-se abaixo o diagnóstico obtido e o gráfico de performance da rede
codificada no MatLab.
Diagnósticos comparativos de faltas por vários métodos
Padrões Diagnóstico pela Método do Método de Método de Relatórios de

RNA Gás Chave Rogers Dornenburg Campo
1 Sobre aquecimento Sobre aquecimento Sobre aquecimento Sobre aquecimento Sobre aquecimento
2 Arco elétrico Arco elétrico Arco elétrico Não identificada Arco elétrico
3 Normal Sobre aquecimento Sobre aquecimento Normal Normal
4 Arco elétrico Indefinida Arco elétrico Não identificada Arco elétrico
5 Arco elétrico Indefinida Sobre aquecimento Sobre aquecimento Arco elétrico
6 Arco elétrico Indefinida Arco elétrico Não identificada Arco elétrico
7 Arco elétrico Arco elétrico Arco elétrico Não identificada Arco elétrico
8 Sobre aquecimento Indefinida Não identificada Normal Sobre aquecimento
9 Sobre aquecimento Indefinida Sobre aquecimento Não identificada Sobre aquecimento
10 Sobre aquecimento Indefinida Sobre aquecimento Sobre aquecimento Sobre aquecimento
11 Arco elétrico Normal Arco elétrico Arco elétrico Arco elétrico
12 Arco elétrico Indefinida Sobre aquecimento Não identificada Arco elétrico
13 Descargas parciais Normal Arco elétrico Não identificada Descargas parciais
14 Sobre aquecimento Indefinida Sobre aquecimento Sobre aquecimento Sobre aquecimento
15 Normal Normal Sobre aquecimento Normal Normal
16 Arco elétrico Normal Não identificada Não identificada Arco elétrico
17 Normal Normal Sobre aquecimento Sobre aquecimento Sobre aquecimento
18 Sobre aquecimento Arco elétrico Sobre aquecimento Sobre aquecimento Sobre aquecimento
19 Normal Normal Sobre aquecimento Normal Normal
20 Arco elétrico Arco elétrico Não identificada Não identificada Arco elétrico
Tabela 24 – Resultados obtidos pela rede neural usada e pelos métodos tradicionais
Conclui-se que pela análise das tabelas acima que os resultados obtidos
através da RN são realmente mais precisos que os outros métodos. O diagnóstico
de valores de saída muito próximos uns dos outros foi resolvido forçando-se a saída
da rede a passar por uma função competitiva de forma a que o neurônio que
apresentou maior valor de saída foi associado à falta.
82
Capítulo 5 - Conclusões
CAPÍTULO 5
5. CONCLUSÃO
5.1. Conclusões
Apresentou-se nessa dissertação, um histórico da detecção de falhas
incipientes em transformadores isolados com óleo isolante. Discorri também as
várias técnicas utilizadas no século passado, suas vantagens e desvantagens sobre
os métodos ditos inteligentes que surgiram ao final do século XX e que também
foram objeto de apresentação. Concluiu-se como era a proposta da dissertação, que
os métodos que utilizam técnicas de Inteligência Artificial, são mais precisos e mais
rápidos que os métodos tradicionais, trazendo mais segurança ao pessoal de
decisão responsável pela operação e manutenção dos sistemas elétricos de
potência.
Pela análise bibliográfica feita em [Dukarm, 93], [Kosko, 92], [Tomsovic 1993],
[Wang, 2000], [Yan et al. 96], [Gao et al. 98] e outros, inferiu-se que as técnicas
híbridas, isto é, que combinam Redes Neurais com Sistemas Especialistas, Redes
Neurais com Lógica Fuzzy, Redes Neurais com Algoritmos Genéticos ou ainda a
combinação de três ou mais destas técnicas, são mais eficientes, produzindo
resultados com maior grau de precisão.

Uma contribuição importante para esta dissertação, baseada experiência
profissional do autor e na análise de papers existentes, é a de que de nada adianta o
desenvolvimento de técnicas de inteligência artificial sofisticadas se a coleta de óleo
não for confiável. Os métodos existentes para tal são suscetíveis de falha
produzindo a contaminação das amostras.
Da mesma forma, no laboratório, mesmo que o espectrômetro seja o mais
moderno ou bem calibrado existirá sempre a possibilidade de falha humana no
manuseio das amostras e utilização do aparelho. Os sistemas comerciais Hydran da
General Electric Co. e TrueGas da Serveron CMS que são detectores on-line de
gases e de predição de faltas ainda não empregados no Brasil resolvem em parte o
problema pois captam e testam as amostras diretamente no tanque do
transformador. Acreditamos, porém, que o sistema sugerido a seguir deverá
apresentar melhor desempenho e confiabilidade.
5.2. Sugestões de Trabalhos Futuros
Como contribuição para o futuro, se poderia procurar melhorar dispositivos os
mais eficientes, tais como a detecção on-line dos gases e suas concentrações,
utilizando um dispositivo acoplado diretamente ao tanque do transformador que
através de ondas acústicas, a chamada Análise por Vibro-acústica, ondas essas
emitidas por um sensor dentro do tanque, que retorna quais os gases dissolvidos no
óleo além da sua concentração em ppm e faz a análise das falhas incipientes em
tempo real devidas a descargas parciais, arco elétrico e sobre aquecimento do óleo.
É um método interessante para se desenvolver embora já esteja operacional em
84
alguns países como os Estados Unidos da América, apesar de ter que se utilizar
filtros sofisticados conjugados ao dispositivo de detecção visando eliminar fontes de
interferência de harmônicos, ruídos devido ao efeito corona, fontes ambientais como
a chuva, poeira, granizo, turbulência no óleo, operações do LTC, de bombas de óleo
e de ventiladores, e da vibração das lâminas do núcleo além de outros, poderíamos
ter um resultado verdadeiramente confiável. Pelo que se pesquisou em [EPRI 2004],
[Berler et al., 98], [Golubev et al., 00] e outros mais, inferi que os dispositivos
existentes para incorporar tais filtros ficariam sobremaneira dispendiosos tornando-
os comercialmente inviáveis e à custa da menor eficiência do método. A
espectroscopia foto-acústica é outro método recentemente desenvolvido nos
Estados Unidos, mas mantém a coleta manual de óleo, o que não descarta a
contaminação.
Preferencialmente, porém, desenvolver-se-ia um protótipo em um posterior
curso de Doutorado, que utilizasse a técnica de sonda ótica, associando o laser com
a espectroscopia, para a detecção on-line dos gases e sua concentração efetuando
também, em tempo real, a análise das falhas incipientes através de sistemas
inteligentes, emitindo assim diagnósticos rápidos, precisos e extremamente
confiáveis. Permitiria assim, a manutenção preditiva com grande redução de custos
e amostragem, transporte, laboratório, homens-hora, etc.
Outra técnica possível de ser pesquisada e elaborada é a da espectroscopia
de ressonância magnética nuclear da amostra com detecção também on-line para
evitar a possibilidade de intervenção humana e prováveis contaminações
indesejáveis. Esta tecnologia está sendo aplicada em vários campos da física e
85
biologia, mas acreditamos que também poderia ser utilizada com adaptações na
detecção de gases em óleo isolante possibilitando assim a classificação de faltas
incipientes e poderá ser objeto de futuros trabalhos de pesquisa na área de
diagnóstico de falhas incipientes em transformadores.
86
Referências Bibliográficas
REFERÊNCIAS BIBLIOGRÁFICAS
ABNT, Associação Brasileira de Normas Técnicas, Referências Bibliográficas, Rio de
Janeiro, 1989. NBR 6023.
ALI M. et al., Measuring and Understanding the Ageing of Kraft Insulating Paper in
Power Transformers, IEEE Electrical Insulation Magazine, Vol. 12, No.3, May/June
1996, pp. 28-34.
ARBIB A. Michael, Handbook of Brain Theory and Neural Networks, Bradford Books,
Second Edition, 2002
ASTM D3612-01, Standard Test Method for Analysis of Gases Dissolved in Electrical
Insulating Oil by Gas Chromatography, ASTM Book of Standards Volume 10.03, May
2002 - Electrical Insulating Liquids and Gases; Electrical Protective Equipment
BARRACLOUGH, B. et al., CEGB Experience of the Analysis of Dissolved Gas in
Transformer Oil for the Detection of Incipient Faults, IEE Conference on Diagnostic
Testing of High Voltage Power Apparatus in Service, March 6-8, 1973.
BATES, Danny, DGA in a Box – A Utility’s Perspective, Alabam Power Company.
BELANGER, G., MISSOUT, G. and GIBEAULT, J. P., Laboratory Testing of a Sensor
for Hydrogen Dissolved in Transformer Oil, IEEE Transactions on Electrical
Insulation, Vol. EI-15, No. 2, April, 1980, pg. 144-148.

BERLER, Z. et al., A New Method of Parcial Discharge Measurements, IEEE 1998
Conference on Electrical Insulation and Dielectric Phenomena, Atlanta, GA, USA,
October 1998.
BISH, N.B., et al., Condition Monitoring of Dielectric Behavior Leading to the
Diagnosis of Partial Discharge Onset Using Neural Network Analysis, University of
Brighton Press, U.K.
BOSHE E.E., “Experience With the Development & Use of An Expert System for the
Evaluation of Transformer Dissolved Gas Data,” Proc. Electrical Electronics
Insulation Conference and Electrical Manufacturing and Coil Winding Conference,
Electr. Manuf. & Coil Winding Assoc., Imperial Beach, Calif., 1995, pp. 295-299
BOUTHIBA, Tahar, Artificial Neural Network-Based Fault Location in EHV
Transmission Lines, University of Science and Technology of Oran, Algeria.
C57.125, IEEE PES Transformer Committee, IEEE Guide for Failure Investigation,
Documentation and Analysis for Power Transformers and Shunt Reactors, IEEE
Standards Board, 1991.
C57.113, IEEE PES Transformers Committee, IEEE Trial-Use Guide for Partial
Discharge Measurement in Liquid-Filled Power Transformers and Shunt Reactors,
IEEE/NEMA, 1998.
88
CAO, L., Chan T., Kong C., A Universal Neural Expert System with Self-Learning
Mechanism for DGA of Power Transformer Oil, International Power Engineering
Conference 1995, Nanyang Technol. Univ, Singapore, 1995, pp. 355 – 359.
CIGRE’s WORK on POWER TRANSFORMERS, Paper apresentado na IX
Conference Substation Equipment Diagnostics, 18-21 Fevereiro, 2001 New Orleans,
Louisiana, USA.
CHEIM, L. et al., XV SNPTEE, 1999, CEPEL
COBEI – Comitê Brasileiro de Eletricidade, Curso de Óleos Isolantes Líquidos para
Fins Elétricos, 1982.
COSTA JR, Pedro, Sistema de Diagnóstico de Falhas em Transformadores de

Potência Imersos em Óleo, PUCMINAS, 2002
DA SILVA, Ivan N., et al., Técnicas de Sistemas Inteligentes Aplicadas na
Identificação do Envelhecimento de Transformadores. XVI SNPTEE, Outubro 2001,
Campinas, SP.
DIOGO, A.C.T. e CARNEIRO, E.M., IEEE em Revista, 1998 - CTEEP
DÖRNENBURG, Eberhard and GERBER O. E., Othmar E., La surveillance de
l’Huille des Transformateurs en Exploitation par l’Analyse des Gaz Dissouz dans
l’Huile et des Gaz Libérés, Revue Brown Boveri, Tome 54, No 213, pp. 104 -111.
89
DÖRNENBURG, Eberhard and GERBER O. E., Analysis of Dissolved and Free
Gases for Monitoring Performance of Oil-Filled Transformers, The Brown Boveri
Review, 54(2/3): 104-11, 1967.
DÖRNENBURG, Eberhard and W. Stritmatter, Monitoring Oil Oil-Cooled
Transformers by Gas Analysis, Brown Boveri Review, Vol. 61, No. 5, p.238, 1970.
DONG M. et al., Aging Diagnosis of Solid Insulation for Large Oil-immersed Power
Transformers.
DOS SANTOS, J. Carvalho et al., Diagnóstico de Falhas em Transformadores por
Análise Cromatográfica, revista Energia Elétrica, pág. 11, Mar-Abr 1978.
DUKARM James J., Transformer Oil Diagnosis Using Fuzzy Logic and Neural
Networks, Canadian Conference on Electrical and Computer Engineering, Vol. 1, pp
329-332, 1993.
DUMKE, K. and al., Influence of Stressing on Gaseous Decomposition Product in
Insulation Liquids, IEEE International Symposium on Electric Insulation, 1998.
DUVAL, Michel, A Review of Faults Detectable in Gas-in-Oil Transformers, IEEE
Electric Insulation Magazine, Vol.18, No. 3, pp. 8-18, 2002.
90
DUVAL, Michel, Fault Gases Formed in Oil - Filled Breathing E,H.V. Power
Transformers The Interpretation of Gas Analysis Data, IEEE PES Summer Meeting &
Energy Resources Conference, Anaheim, CA, July, 1974.
DUVAL, Michel. et al., Interpretation of Dissolved Gas-in-Oil Levels in Power
Transformers, Minutes of Fifty-Fifth International Conference of Doble Clients, Sec.
10-71, 1988.
DUVAL, Michel. et DEPABLO Alfonso, Interpretation of Gas-In-Oil Analysis Using
New IEC Publication 60599 and IEC TC 10 Databases, IEEE Electrical Insulation
Magazine, Vol. 17, No. 2, 2001
DUVAL M., Dissolved Gas Analysis: It can Save Your Transformer, IEEE Electrical
Insulation Magazine, Vol. 5, No. 6, 1989
DUVAL, Michel, New Techniques for Dissolved Gas-in-Oil Analysis, IEEE Electrical
Insulation Magazine, Vol. 19, No. 2, 2003
EPRI - Electric Power Research Institute – 2004, Substation Equipment Diagnosis
Conference XII “Recent developments in the Condition Assessment of Power
Transformers and LTC Using Acoustic Emission (AE)”, New Orleans, Lousiana.
FALLOU B. et al., Application of Physico-Chemical Methods of Analysis to the Study
of Deterioration in the Insulation of Electrical Apparatus, CIGRE 1970, Report 15-07.
91
GRIFFIN, Paul J., et al. A combined ANN and Expert System, Tool for Transformer
Fault Diagnosis, IEEE Transactions on Power Delivery, vol.13, No. 4, October 1998.
FLETCHER, D. et GOSS, E., Neural Networks in Regional Science: An Application
Using Migration Data, Proceedings of 38th North American Meeting Of Regional
Science Association, 1991, p. 38.
GOULUBEV A. et Al., Increasing the Reliability of Online Insulation Condition
Assessment of MV-HV Equipment, Electricity – Today, vol.12, no. 6, August, 2000,
pp. 22-27.
GUARDADO, J. L et al. A Comparative Study of Neural Network Efficiency in Power
Transformers Diagnosis Using Dissolved Gas Analysis, IEEE Trans. on Power
Delivery. Vol. 16, No. 4, October 2001, pp. 643-647.
GOULUBEV, A. et al., On-Line Vibro-Acoustic Alternative to the Frequency
Response Analysis and On-Line Parcial Discharge Measurements on Large Power
Transformers, TechCon’99 Annual Conference of TJ/H2b, February, 18-19, 1999,
New Orleans, USA.
Hydrocarbons in Faulty Transformers, Journal inst. Petroleum, Vol. 59, Sept. 1073,
pp. 239-241.
92
IEC standard 599: Interpretation of the Analysis of Gases in Transformers and Other
Oil Filled Electrical Equipment in Service, International Electrotechnical Commission,
Geneve, Switzerland, 1978.
IEC standard 354: Loading Guide for Oil-Immersed Power Transformers, 1991.
IEC, IEC 599 – Interpretation of the Analysis of gases in Transformers and Other Oil
Filled Electrical Equipment in Service, International Electrotechnical Commission,
Geneva, Switzerland, 1978.
IEEE C57.104-1991, IEEE Guide for the Interpretation of Gases Generated in Oil-
Immersed Transformers, 1991.
IEEE Guide for Loading Mineral-Oil-Immersed Transformers. IEEE Std C57.91-1995.
JAKOB Fredi, Dissolved Gas Analysis - Past, Present and Future, Weidmann-ACTI
Inc., [s.ed], 2001.
IEEE P1258, IEEE Trial-Use Guide for the Interpretation of Gases Generated in
Silicone-Immersed Transformers, 1995.
JAIN, Anil K. et MAO, Jianchang et MOHIUDDIN, K. M., IEEE Artificial Neural
Networks: A Tutorial, pp. 31-44, March, 1996.
93
KAWADA H. and al., Partial Discharge Automatic Monitor for Oil-Filled Power
Transformer, IEEE Transactions on Power Apparatus and Systems, Vol. PAS-103,
No. 2, Fev 1984, pp. 422-428.
HALSTEAD W.D., Transformer Fault Diagnosis by Oil Decomposition Product
Analysis, Central Electricity Research Laboratories Note, No. RD/L/N, 66/70, 1970.
Hydrocarbons in Faulty Transformers, Journal Inst. Petroleum, Vol 59, pp. 239-241,
Sept 1973.
HAYES T. W., Investigation to Determine the Location of a Low- Energie, Audible
Electrical Arcing in a Power Transformer, Minutes of Fifty-Third International
Conference of Doble Clients, 1986, Sec. 6-301.
HISAO, Kan, T. Miyamoto, Proposals for an Improvement in Transformer Diagnosis
Using Dissolved Gas Analysis, IEEE – Electrical Insulation Magazine, Vol. 11, No. 6,
Nov/Dez, 1995, pp. 15-21.
JALBERT J., R. Gilbert, Decomposition of Transformer Oils: A New Approach for
Determination of Dissolved Gases, IEEE Transactions on Power Delivery, 1997, pp.
754-760.
LIN Cao and al., An Expert System for Transformer Fault Diagnosis Using Dissolved
Gas Analysis, IEEE Transactions on Power Delivery, NY, 1993, pp. 231-238.
94
K. Zalis, Dielectric Diagnostics in Service – From Databases to Expert Systems,
Stochholm Power Tech International Symposium on Electric Power EEngieering,
IEEE, NY, USA, 1995, pp. 34-38.
KOIVO, N. Heikki, Neural Networks: Basics Using MATLAB Neural Network Toolbox,
[s.ed], 2000.
KOSKO, Bart, Neural Networks and Fuzzy Systems – A Dynamical Systems
Approach to Machine Intelligence, Prentice-Hall International, Inc., [s.ed], 1992.
MANGER H. C., Combustible Gas Ratio and Problems Detected, Minutes of Forty-
Fifth Internation Conference of Doble Clients, Sec. 6-1101, 1978.
MCILROY, Colin., Photo-Acoustic Spectroscopy, A New Technique for Dissolved

Gas
Analysis in Oil. EPRI Substation Equipment Diagnostics Conference, New Orleans,
LA,
USA. February 23–26, 2003
MCNAIR, H.M and BONELLI, E.J., Basic Gas Chromatography, Consolidated
Printers, Berkeley, California, 5th. Edition, 1969.
MILASH Milan, Manutenção de Transformadores em Líquido Isolante. Ed. Edgard
Blücher, 1984.
MILLER, George, Analyzing transformer insulating fluid, Electrical Construction &
Maintenance, Nov 1, 1995.
95
MORGAN, James E., A Guide to Interpretation of Transformer Fault Gas, Data
Bulletin MS-5, Morgan, Shaffer Corporation, Canada.
MYERS, S. D., et al., Transformer Maintenance Guide, Transformer Maintenance
Institute, S. D. Myers Inc., Akron, Ohio, USA, 3ed, 2004.
NOGAMI T., Y. Yokoi, H. Ichiba, Y. Atsumi, “Gas Discrimination Method for Detecting
Transformer Faults by Neural Network”, Electrical Engineering in Japan, 1995, pp. 93
– 103.
P.T.M. Vaessen, E. Hanique, A New Frequency Response Analysis Method for
Power Transformers, IEEE Transactions on Power Delivery; Vol .7 N° 1, January
1992, pp. 384 – 391.
PAREKH Rajesh et al., Constructive Neural-Network Learning Algorithms for Pattern
Classification, IEEE Transactions on Neural Network, Vol. 11, No. 2, March 2000.
PUGH, D. R., Combustible Gas Analysis, Doble Client Conference Minutes,
42AIC73, Sec. 10-401, 1973.
RANDY, D. S. et al., Power Transformer Fault Diagnosis, IEEE PES WM. Panel
Session, New York, Feb 6, 1977.
96
RIBEIRO Jr. Adolfo et al., Sistema de Diagnósticos para o Monitoramento de
Subestações de Alta Tensão e o Gerenciamento das Atividades de Manutenção:
Integração e Aplicações, Comitê A3 – Equipamentos de Alta Tensão, 2002.
ROGERS R. R., Doble Publication AIC75, Sec. 10-201.
ROGERS R. R., IEEE and IEC Codes to Interpret Incipient Faults in Transformers,
Using Gas in Oil Analysis, IEEE Trans. Vol. EI-13, No. 5, Oct. 1978, pp. 349-354.
ROGERS R. R., UK Experiences in the Interpretation of Incipient Faults in Power
Transformer by Dissolved Gas-in-oil Chromatography Analysis ( A Progress Report),
Minutes of Forty-Second International Conference of Doble Clients. 1975, Sec. 10-
201.
SHERTUKDE, H. M., J. G. Lackey, Interpretation of Results obtained from Testing of
Oil filled Electrical Power Transformers in Field for several Utilities in the World, IEEE
International Symposium on Electrical Insulation, Vol. 1, pp. 49-52, June 1998,
Washington DC, USA.
SHOURESHI Rahmat et al., Sensor Fusion and Complex Data Analysis for
Predictive Maintenance, 36th Hawaii International Conference on System Sciences,
[s.ed], 2003
MORAIS, DR e ROLIM, J.G., XVII CBA 2004 - UFRGS
97
MURTHY T., Assessment of Transformer Insulation Condition by Evaluation of
Paper-oil System, IEEE Annual Report – Conference on Electrical Insulation and
Dielectric Phenomena, San Francisco, 1996, pp. 332-335.
TASSI, M.R., Pado – Programa de Análise e Diagnóstico de Óleo Isolante, XV
Seminário Nacional de Energia Elétrica, 2002.
THOMAS, Waters et al., Online Measurements of Transformer Fault Gases
As Measured Directly in the Headspace and in the Oil, EPRI Substation Equipment
Diagnostics Conference, 2001.
TOMSOVIC K. et al., A Fuzzy Information Approach to Integrating Different
Transformer Diagnostic Methods, IEEE Transactions on Power Delivery, 1993, pp.
1638-1646.
SEJNOVISKI, T.J. and ROSENBERG, R.C., Parallel Networks that Learn to
Pronounce English Text, Complex System, 11, pp. 145-168, 1987.
TENBOHLEN, S. and FIGEL F., On-line Condition Monitoring for Power
Transformers, IEEE Power Engineering Society Winter Meeting, Singapore,Jan.
2000.
TOMSOVIC, K. and AMAR, A., On Refining Equipment Condition Monitoring Using
Fuzzing Sets and Artificial Neural Nets, Washington State University, [s.ed], 1994.
98
V.RENATA & O. FERNANDO, Inteligência Artificial e Sistemas Inteligentes,
Unisinos.
ZHANG Yuwen, An Artificial Neural Network Approach to Transformer Fault
Diagnosis, Thesis of Virginia Tech, 1996.
YAN Z. and al., Application of Expert System in Insulation Diagnosis, Proceedings of
the 3rd International Conference on Properties and Applications of Dielectric
Materials, IEEE, NY, USA, 1991, pp. 63-65.
WANG Zhenyuan, Artificial Intelligence Applications in the Diagnosis of Power
Transformer Incipient Faults, Dissertation submitted to the Faculty of the Virginia
Polytechnic Institute and State University In partial fulfillment of the requirement for
the degree of Doctor of Philosophy In Electrical Engineering, [s.ed], August 2000.
WERLE P. et al., Partial Discharge Localization on Power Transformers using Neural
Networks combined with Sectional Winding Transfer Functions as Knowledge Base,
12th ISH, International Symposium on High Voltage Engineering, Bangalore, India,
August 2001, Ed. IEEE 2003.
99
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração

Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo

CP 013012

Enviado por

Direitos autorais:

Formatos disponíveis

CP 013012

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

CP 013012

Enviado por

Direitos autorais:

Formatos disponíveis

Ministério da Educação

UNIVERSIDADE FEDERAL DE ITAJUBÁ

POTÊNCIA PELA ANÁLISE DE

GASES DISSOLVIDOS EM ÓLEO

ISOLANTE ATRAVÉS DE REDES

JOSÉ GERALDO ARANTES

Potência pela Análise de Gases Dissolvidos em Óleo

Isolante Através de Redes Neurais

JOSÉ GERALDO ARANTES

Orientador: Prof. EDSON DA COSTA BORTONI

Estado de Minas Gerais – Brasil

1. Transformadores de potência 2. Diagnóstico de Falhas

A minha esposa e filhos

Agradeço de forma especial ao meu orientador Prof. Edson da Costa Bortoni

A minha esposa e filhos por estarem ao meu lado em todos os momentos.

A Furnas Centrais Elétricas na figura do Chefe de Departamento do Centro

Equipamentos de Subestação que utilizam o óleo isolante para a isolação de

suas partes internas necessitam de um programa de manutenção periódico que visa

detectar possíveis falhas tais como a deterioração da celulose do isolamento dos

sua degeneração, etc. Normalmente, programas de manutenção preventiva têm sido

utilizados por empresas de geração, transmissão e distribuição de energia elétrica

buscando evitar que estas falhas venham a provocar a retirada do equipamento do

faturamento, seja pelo pagamento de multas à agência reguladora, além da

diminuição da confiabilidade do sistema. Para evitar estes inconvenientes, sensores

on-line e técnicas de inteligência artificial (IA) têm encontrado aplicação na

engenharia de sistemas elétricos.

Esta dissertação é um estudo de uma dessas técnicas – cromatografia de

gases associada a redes neurais – visando apoiar o diagnóstico de falhas presentes

e futuras baseando-se nos resultados obtidos através de cromatografia pela análise

de gases dissolvidos em óleo isolante ao longo da vida útil dos transformadores de

potência, prevenindo desta forma os inconvenientes acima relatados, facilitando

assim a decisão de técnicos e engenheiros de manutenção para a manutenção

preditiva daqueles equipamentos servindo também de base para o diagnóstico da

atuação de sensores on-line se instalados naqueles, permitindo ainda uma

estimativa do grau de envelhecimento e, portanto da vida útil do transformador.

Técnicas como estas do estudo podem ser associadas a outras ferramentas de IA

como a lógica fuzzy, algoritmos genéticos, sistemas especialistas e outras,

constituindo assim os sistemas chamados híbridos, na tentativa de se obter a melhor

solução para o problema.

needs a periodic maintenance program to detect possible fails like cellulose

been used by generation, transmission and distribution companies, as a fundamental

decreasing invoicing, payment of fines to regulatory agency or by decreasing of

This dissertation is a study of one of these techniques – gas chromatography

diagnosis based on results from chromatography by the analysis of dissolved

best solution for the problem.

ÍNDICE DE FIGURAS ...................................................................................................... XIII

ÍNDICE DE TABELAS ......................................................................................................XIV

1.1. Considerações Gerais.....................................................................................3

1.2. Revisão da Literatura ......................................................................................4

1.3. Objetivo do Trabalho..................................................................................... 13

1.4. Escopo do Trabalho ...................................................................................... 14

2. DIAGÓSTICO DE FALTAS EM LÍQUIDOS ISOLANTES.......15

2.1. Materiais e Líquidos Isolantes...................................................................... 15

2.2. Cromatografia Gasosa .................................................................................. 19

2.3. Análise de Faltas ........................................................................................... 21

2.4. Métodos de Detecção de Faltas ................................................................... 29

2.5. Métodos de Interpretação ............................................................................. 31

2.5.2. Método adotado pela C.A.G.B.............................................................. 32

2.5.3. Aplicação do Método da Razões de Rogers....................................... 34