Professional Documents
Culture Documents
Abstract — This paper describes the development and the riscos desta operação [1]. A ocorrência de
implementation of an artificial neural network for the sobreaquecimento no isolamento deve levar o óleo a uma
diagnosis of faults in power transformers through the temperatura que varia em função da sua severidade. Da
analysis of dissolved gases in oil. Two groups of data of mesma forma, a ocorrência de ruptura da rigidez dielétrica
generated gases were used, one for network training e
do óleo, com o surgimento de descargas, pode estar
another for testing. The neural network results are
compared with the results obtained from analysis of the
associada com as temperaturas de formação do arco em
traditional methods already consolidated in the technical função de sua intensidade. Assim, com base na
literature. temperatura de decomposição do óleo, e em função da
Index Terms — incipient faults, neural networks, formação de gases para essa temperatura, supõe-se que
standards uma falha possa estar ocorrendo no mesmo [2].
Com este propósito, diversas técnicas computacionais
I. INTRODUÇÃO [2-7] estão sendo desenvolvidas e podem consistentemente
diagnosticar condições de falhas incipientes e ainda
Diversas empresas do setor de energia elétrica têm vislumbrar novos conhecimentos aos especialistas [3].
optado pela manutenção com base nas condições de Zhang et al. [3] propuseram o uso de redes neurais
operação do equipamento, a qual prevê o monitoramento e artificiais para diagnóstico e detecção de falha em
o diagnóstico de forma contínua ou periódica de alguns transformadores de força. A saída era caracterizada como:
parâmetros para se estimar as condições atuais e sobreaquecimento, corona, arco e condições normais de
remanescentes da vida útil dos equipamentos. Este tipo de operação. Foram testadas diferentes topologias de redes,
manutenção proporciona uma integração entre as variando os parâmetros de entrada, o número de camadas
condições do material, desempenho do equipamento, taxa escondidas e o número de nós na saída. O algoritmo
de degradação e ações preventivas. utilizado para treinamento da rede foi o back-propagation.
Por muitos anos, os programas de manutenção Os vetores de entrada eram constituídos da concentração
preventiva em transformadores consistiram em inspeções, individual dos gases incluindo em algumas das variações o
testes e ações periódicas em intervalos de tempo monóxido de carbono e o dióxido de carbono. Os
normalmente sugeridos pelo fabricante ou determinados resultados foram satisfatórios, já que não distinguiam entre
através da experiência prática. Essa manutenção baseada falhas de diferentes temperaturas, ou arco de alta ou baixa
no tempo, analisando as máquinas off-line, de acordo com energia. A topologia ótima para todos os casos, foi a que
o agendamento ou horas de funcionamento, pode evitar utilizada duas camadas escondidas.
muitas falhas, mas também pode causar desligamentos Guardado et al. [7], realizaram um estudo comparativo
desnecessários, com desperdício de recursos humanos e da eficiência de redes neurais em diagnósticos de
financeiros. transformadores de potência utilizando DGA. Suas redes
Historicamente, a técnica de análise dos gases neurais foram treinadas de acordo com cinco critérios de
dissolvidos no óleo foi a única utilizada para avaliação dos diagnósticos comumente utilizados para óleo isolante:
processos de degradação e envelhecimento do isolamento Doernenburg, Rogers modificado, Rogers, IEC e CSUS.
de transformadores em sua fase inicial. Nos quatro primeiros critérios foram utilizadas relações
A detecção de certos gases gerados no óleo do gasosas como dados de entrada e no último, concentrações
transformador em serviço é freqüentemente a primeira individuais de gases. Em todos estes foi utilizado um
indicação de seu mau funcionamento. Descargas de baixa algoritmo de aprendizado do tipo back-propagation, uma
energia, de alta energia e sobreaquecimento são alguns dos função ativação do tipo sigmóide, uma arquitetura
mecanismos de falha que podem ser identificados através composta de três camadas e número de neurônios da
desta análise. A ocorrência destes eventos pode resultar na camada escondida variando para cada critério utilizado. O
decomposição dos materiais isolantes e conseqüente modelo proposto apresenta resultados satisfatórios
formação de vários gases combustíveis e não combustíveis. mantendo uma taxa de acerto de diagnóstico acima de 87%
A operação de transformadores com grande quantidade de em todos os casos. Vale salientar que os dados utilizados
gases combustíveis, não é uma condição normal, mas pode para os testes, foram os mesmos utilizados durante o
acontecer, desde que investigado e avaliados os possíveis treinamento.
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil
Zirbes [4] também abordou diferentes tipos de redes A. Método Clássico de Rogers
neurais no processo de diagnóstico de falhas incipientes
em transformadores. Utilizando-se dos dados de geração Utiliza a filosofia de diagnóstico baseado em relações de
dos gases e forma individual ou na forma de relações, concentrações de gases e limites de variação para estas
comprovou que as técnicas não convencionais podem relações. Utiliza quatro relações entre cinco gases, no
apresentar resultados de diagnósticos bem mais estabelecimento das condições do equipamento. A forma
significativos que as metodologias tradicionais. Entretanto de apresentação do método é dividida em duas tabelas. Na
têm uma dependência muito grande da qualidade e Tabela I, em função das faixas de valores obtidos para as
representatividade dos dados utilizados. De uma maneira relações gasosas, estabelece-se um código. E na Tabela II,
geral, mostrou que as redes neurais possuem condições de através da combinação destes códigos, é que se determina
serem utilizados em aplicações on-line, onde os dados o diagnóstico final da amostra [1].
medidos podem ser diretamente processados, uma vez que
seus tempos de processamento não são longos. Sob a ótica
de facilidade, tempo envolvido na manutenção dos TABELA I
DEFINIÇÃO DOS CÓDIGOS DO MÉTODO DE ROGERS
algoritmos, atualização de novos dados e resultados, a rede
do tipo General Regression Neural Network - GRNN -
apresentou as melhores condições.
Desta forma, este artigo apresenta o uso de uma rede
neural artificial (RNA) para o diagnóstico de falhas
incipientes em transformadores, e compara os resultados
desta técnica com diferentes critérios de diagnósticos já
consolidados em concessionárias do setor elétrico. Para
esta comparação, são utilizados dois critérios referenciados
em norma internacional: Rogers e Doernenburg [1], uma
norma nacional: NBR 7274 [8] e a RNA, do tipo GRNN.
Ainda com relação ao estudo desta técnica de
classificação de falhas, foram utilizados dois conjuntos de
dados de análises de gases dissolvidos no óleo: IEC [9] e
CEPEL [2]. O primeiro conjunto é constituído de 52
amostras, distribuídas em 16 amostras com diagnóstico de
normalidade, 22 amostras com diagnóstico de falha
elétrica e 14 amostras com diagnóstico de falha térmica. O TABELA II
segundo conjunto é constituído de 224 amostras de óleo DIAGNÓSTICO DO MÉTODO DE ROGERS EM FUNÇÃO DO
CÓDIGO
com seus respectivos dados cromatográficos, distribuídos
em 83 amostras com diagnóstico de normalidade, 61
!"#$%&'(
amostras com diagnóstico de falha elétrica e 80 amostras
com diagnóstico de falha térmica. Ambos os conjuntos )&)*(*!+,(-(*.!/
possuem diagnósticos confirmados por medições )%'!*"!% 0!*'!%
específicas e inspeções visuais feitas por especialistas.
(1*)!23)'.)#&
(4!1!5(6) 7
TABELA VIII
0(#&
(23)#&
) D
AGRUPAMENTO DE DIAGNÓSTICOS PARA A NBR 7274
)%'!*"!;!*'!/ -,(% "#E
3&*(% &;(% 6)6)%'!*"! ) D > - - ?
- @ #=)/
K)'.)#&(#(*.!/
TABELA V
A? )%'!*"!;!*'!/1!5!)#)*"! )%'!*"!;!*'!/!/
&!)#)*"! *'(4
CONCENTRAÇÃO DE GASES PARA VALIDAÇÃO DO MÉTODO 6)%'!*"!1!5!)#)*"! *'(4 6)%'!*"!!/
&!)#)*"!
? ;(% 6)"F%
?A @ (1*)!23)'.)#&( 7 & 7 (1*)!23)'.)#&( 7 &
(#')#&*!+,(;;.G= =H D 7 (1*)!23)'.)#&(& D 7
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil
D. Rede Neural
Unidades
Unidades Padrões
de Entrada
X1 b Unidades Unidades
Somadoras de Saída
X2
Y1
b
Xj Yn
b
Xp
Figura 1 – Arquitetura da rede neural do tipo GRNN. Figura 3 – Estrutura de operação da Rede Neural
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil
TABELA X
III. RESULTADOS OBTIDOS TIPOS DE DIAGNÓSTICOS ERRÔNEOS
V. REFERÊNCIAS
[l] IEEE Std C57.104-1991. IEEE Guide for the
Interpretation of Gases Generated in Oil-Immersed
Transformers.
[2] R. Zirbes, “Metodologias para Avaliação e Diagnóstico
do Estado de Isolamentos de Papel Impregnado com Óleo