You are on page 1of 115

UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ

UNIOESTE – CAMPUS DE FOZ DO IGUAÇU


CECE – CENTRO DE ENGENHARIA E CIÊNCIAS EXATAS
ENGENHARIA MECÂNICA

ARTHUR SANCHEZ DE ALMEIDA

AVALIAÇÃO DO EMPREGO DE ESTRUTURAS POLINOMIAIS


AUTOREGRESSIVAS NA MODELAGEM LINEAR DO AQUECIMENTO DE
TRANSFORMADORES DE POTÊNCIA

FOZ DO IGUAÇU
2017
ARTHUR SANCHEZ DE ALMEIDA

AVALIAÇÃO DO EMPREGO DE ESTRUTURAS POLINOMIAIS


AUTOREGRESSIVAS NA MODELAGEM LINEAR DO AQUECIMENTO DE
TRANSFORMADORES DE POTÊNCIA

Trabalho de Conclusão de Curso apresentado


como requisito para a obtenção do grau de
Engenheiro Mecânico ao curso de Engenharia
Mecânica do Centro de Engenharias e Ciências
Exatas da Universidade Estadual do Oeste do
Paraná – Campus Foz do Iguaçu.
Orientador: Eng. Eduardo Moreira, Dr.
Coorientador: Eng. Rui Jovita Godinho Corrêa
da Silva, Dr.

FOZ DO IGUAÇU
2017
À Celeide Bertaglia de Almeida
e Irineu Sanchez de Almeida,
meus pais.
AGRADECIMENTOS

À minha família, fundadores do meu caráter e onde encontro segurança e


conforto em todos os momentos da minha vida.
Ao meu orientador Eduardo Moreira, pessoa que estimo muito pela
organização, paciência e disposição.
Ao meu coorientador Rui Jovita, detentor de um talento admirável para o
gerenciamento de pessoas e solução de problemas.
A toda divisão OPSE.DT, que esteve sempre disposta a contribuir com meu
conhecimento e na qual passei momentos valiosos de aprendizado e descontração.
Aos meus amigos, que quando presentes tornam as tarefas do cotidiano mais
agradáveis.
A todos que auxiliaram de alguma maneira na realização desse trabalho.
“The man who moves a mountain
begins by carrying away small stones”
(Confúcio)
RESUMO

A temperatura interna é um dos principais parâmetros de influência no desempenho e


expectativa de vida de um transformador de potência, sendo responsável também por
restrições de carregamento durante a operação. Para que se tenha um melhor
domínio sobre o equipamento, um modelo dinâmico deve ser desenvolvido a fim de
representar a variação de temperatura do topo de óleo em função da carga e
temperatura ambiente, para isso propõem-se a avaliação de um método de
modelagem empírica empregando estruturas lineares autoregressiva. O procedimento
de modelagem é dividido em cinco etapas, das quais a seleção de variáveis e a sua
organização em uma estrutura adequada são as principais responsáveis pela
obtenção de um resultado satisfatório, por esse motivo essas etapas são
desenvolvidas em maior profundidade com o auxílio de ferramentas como a análises
de correlação cruzada e algoritmos de regressão stepwise. Para a aplicação do
processo utiliza-se dados coletados por intermédio dos sistemas supervisores de um
autotransformador rebaixador localizado na Subestação Margem direita de Itaipu. O
modelo é avaliado através de simulações em que se comparam as respostas obtidas
com valores experimentais e realiza-se a análise dos resíduos. Ao final do processo
de validação é possível concluir sobre a aplicabilidade e precisão da técnica
empregada na abordagem do problema proposto.

Palavras-chave: Temperatura de Topo de Óleo. Sistema Dinâmico Linear.


Identificação de Sistemas. Regressão Stepwise.
ABSTRACT

The internal temperature is one of the main parameters influencing the performance
and life expectancy of a power transformer, being also responsible for loading
restrictions during operation. In order to acquire a better control over of the equipment,
a dynamic model must be developed to represent the top oil temperature elevation as
a function of the load and ambient temperature, for this purpose the application and
evaluation of an empirical model using autoregressive structure was proposed. The
procedure for identifying linear parametric models can be divided into five steps of
which the selection of the variables and their organization on a proper structure are the
main responsible for obtaining a satisfactory result, for this reason these steps are
analysed with more emphasis with the help of tools such as the cross-correlation
analysis and stepwise regression algorithms. The data used are collected by a step-
down autotransformer’s supervisor system located on Itaipu’s Right Bank Substation.
The linear model obtained is assessed through comparison with experimental values
and residual analysis. At the end of the validation process is possible to reach a
conclusion on the applicability and accuracy of the technique employed in the
approach to the problem proposed.

Key-words: Top Oil Temperature. Linear Dynamic Systems. System Identification.


Stepwise regression.
LISTA DE ILUSTRAÇÕES

Figura 1 – Representação esquemática de um transformador ideal 23


Figura 2 – Componentes principais de um transformador de potência 24
Figura 3 – Núcleo laminado de um transformador 25
Figura 4 – Núcleos core type e shell type 26
Figura 5 – Disposição característica de um enrolamento 27
Figura 6 – Pacote de condutores transpostos 28
Figura 7 – Barreiras para direcionamento do fluxo de óleo no enrolamento 28
Figura 8 – Curva de magnetização para um material ferromagnético 30
Figura 9 – Correntes de Foucault no núcleo 31
Figura 10 – Circuito equivalente de um transformador real 32
Figura 11 – Exemplos de resfriamento natural 35
Figura 12 – Exemplos de resfriamento forçado 36
Figura 13 – Representação das variáveis de um sistema 43
Figura 14 – Procedimento para análise teórica e experimentalmente de sistemas 46
Figura 15 – Etapas do processo de identificação de sistemas 47
Figura 16 – Distribuição simplificada de temperatura em um transformador 53
Figura 17 – Variação da elevação do hot-spot sob o topo de óleo 59
Figura 18 - Volume de controle adotado por Santos para o enrolamento 61
Figura 19 – Autotransformador T05 66
Figura 20 – Comportamento das variáveis no período em avaliação. 73
Figura 21 – Autocorrelação das variáveis 74
Figura 22 – Derivada primeira das variáveis em avaliação 75
Figura 23 – Autocorrelação das variáveis após a aplicação da derivada primeira 75
Figura 24 – Coeficientes de correlação entre entradas e saída 76
Figura 25 – Correlação entre Temperatura Ambiente e Umidade Relativa. 77
Figura 26 – Comportamento das variáveis durante o período de inverno 79
Figura 27 – Influência da refrigeração na temperatura do óleo 80
Figura 28 – Comportamento das variáveis durante o período de verão 81
Figura 29 – Comparação entre etapas de condicionamento dos dados 83
Figura 30 – Diagrama lógico da regressão Stepwise 85
Figura 31 – Predição sobre os dados de estimação 89
Figura 32 – Predição sobre os dados de validação 89
Figura 33 – Simulação no ponto de operação ótimo para os parâmetros de inverno93
Figura 34 – Resíduos da simulação 94
Figura 35 – Simulação do período de inverno para um novo conjunto de dados 95
Figura 36 – Resíduos da simulação 96
Figura 37 – Correlação entre os resíduos e as entradas 96
Figura 38 - Simulação do modelo para a predição um passo à frente 97
Figura 39 – Simulação do período de verão 98
Figura 40 – Resíduos da simulação de verão 98
Figura 41 – Resposta do modelo de inverno aos dados de verão 99
Figura 42 – Simulação do ensaio de aquecimento 100
Figura 43 – Comparação dos modelos sobre os dados de estimação 102
Figura 44 – Comparação dos modelos sobre o período de inverno 102
Figura 45 – Comparação dos modelos sobre o período de verão 102
Figura 46 – Resposta do modelo a elevação instantânea de corrente 103
Figura 47 – Resposta do modelo a elevação gradual de temperatura ambiente 104
Figura 48 – Simulação de entrada e retirada de operação do equipamento 105
Figura 49 – Temperatura do enrolamento em função do óleo e corrente 106
Figura 50 – Reprodução do modelo térmico para temperatura do enrolamento 107
LISTA DE TABELAS

Tabela 1 – Valores de 𝑛 conforme o guia IEEE STD C57.91-1995 57


Tabela 2 – Potência nominal para cada etapa de resfriamento 68
Tabela 3 – Limites de temperatura adotados por Itaipu 69
Tabela 4 – Parâmetros dos filtros utilizados 82
Tabela 5 – Coeficientes estimados para primeira ordem. 87
Tabela 6 – Coeficientes estimados para segunda ordem 88
Tabela 7 – Parâmetros estatísticos para avaliação dos modelos 90
Tabela 8 – Parâmetros para o período de verão 91
Tabela 9 – Coeficientes para o modelo proposto por Tylavsky 101
LISTA DE QUADROS

Quadro 1 – Nomenclatura para descrição dos estágios de resfriamento 33


Quadro 2 – Definição da nomenclatura dos estágios de resfriamento 34
Quadro 3 – Outros tipos de estrutura com suas situações de aplicação 50
Quadro 4 – Parâmetros necessários para os modelos IEEE 60
Quadro 5 – Características físicas do autotransformador T05 67
Quadro 6 – Variáveis amostradas 70
Quadro 7 – Resumo da notação de Wilkinson 86
SUMÁRIO

1 INTRODUÇÃO 15
1.1 DESCRIÇÃO DO PROBLEMA 15
1.2 OBJETIVO GERAL 17
1.3 OBJETIVOS ESPECÍFICOS 17
1.4 JUSTIFICATIVA 17
1.5 TÉCNICAS EMPREGADAS E RESULTADOS ESPERADOS 18
1.6 ESTRUTURA DO TRABALHO 19
2 REVISÃO BIBLIOGRÁFICA 20
2.1 TEORIA GERAL DOS TRANSFORMADORES 20
2.1.1 Relações fundamentais e princípios de funcionamento 20
2.1.2 Aspectos construtivos de transformadores 24
2.1.3 Perdas em transformadores 29
2.1.4 Modos de resfriamento 33
2.2 EFEITOS TÉRMICOS 37
2.2.1 Termodinâmica e volume de controle 37
2.2.2 Transferência de calor 39
2.3 SISTEMAS DINÂMICOS E MODELAGEM MATEMÁTICA 42
2.3.1 Classificação de sistemas 43
2.3.2 Modelagem matemática 45
2.3.3 Regressão linear e Método dos mínimos quadrados 50
3 MODELOS MATEMÁTICOS DE TRANSFORMADORES 52
3.1 MODELOS NORMATIVOS 53
3.1.1 Proposta do guia IEEE Cláusula 7 53
3.1.2 Proposta do guia IEEE Anexo G 59
3.2 MODELO ELABORADO PARA OS TRAFOS PRINCIPAIS DE ITAIPU 61
3.3 OUTROS MODELOS DA LITERATURA 64
4 OBJETO DE ESTUDO 66
5 DESENVOLVIMENTO DO MODELO 70
5.1 ESCOLHA DAS VARIÁVEIS DO MODELO 70
5.2 ESCOLHA DO PERÍODO DE ANÁLISE E TRATAMENTO DOS DADOS 78
5.2.1 Condicionamento dos dados 82
5.3 SELEÇÃO DA ESTRUTURA DO MODELO 84
6 SIMULAÇÕES E ANÁLISE DE RESULTADOS 92
6.1 SIMULAÇÃO DE INVERNO COM O INTERVALO DE ESTIMAÇÃO 93
6.2 SIMULAÇÃO DO MODELO DE INVERNO EM UM NOVO INTERVALO 94
6.3 SIMULAÇÃO DO PERÍODO DE VERÃO 97
6.4 REPRODUÇÃO DO ENSAIO DE AQUECIMENTO 99
6.5 COMPARAÇÃO COM O MODELO PROPOSTO POR TYLAVSKY 101
6.6 DEGRAU DE CARGA E RAMPA DE TEMPERATURA AMBIENTE 103
6.6.1 Simulação de entrada e saída de operação 105
6.7 EQUIVALÊNCIA COM A TEMPERATURA DO ENROLAMENTO 106
7 CONCLUSÃO 108
7.1 SUGESTÕES PARA TRABALHOS FUTUROS 109
REFERÊNCIAS BIBLIOGRÁFICAS 110
15

1 INTRODUÇÃO

Os transformadores de potência são componentes essenciais em sistemas de


geração, transmissão e distribuição de energia elétrica, bem como representam uma
parcela expressiva dos custos de uma subestação. Em longo prazo, a operação fora
dos regimes recomendados de temperatura promovem desgastes, antecipando o fim
da vida útil e reduzindo a confiabilidade desses dispositivos. Nesse contexto, propõe-
se a avaliação da modelagem matemática por meio de estruturas lineares
autoregressivas, buscando verificar a capacidade das mesmas na representação do
aquecimento de um autotransformador, para que se monitorem os limites e condições
operativas do equipamento a fim de desenvolver estratégias operacionais que
maximizem o seu desempenho perante solicitações de carregamento.

1.1 DESCRIÇÃO DO PROBLEMA

A Associação Brasileira de Normas Técnicas, através da NBR 5458, define


transformador como ‘‘um equipamento elétrico estático que, por indução
eletromagnética, transforma tensão e corrente alternadas entre dois ou mais
enrolamentos, sem mudança de frequência”. Suas aplicações abrangem diversos
ramos, incluindo sistemas de áudio, telecomunicação e dispositivos eletrônicos.
Sendo que, transformadores de potência são usados extensivamente por empresas
tradicionais de energia, usinas geradoras e plantas industriais (WINDERS JR, 2002).
Todo equipamento elétrico é passível de perdas de potência, em
transformadores modernos que, segundo Harlow (2004), operam com uma eficiência
na ordem de 99%, tais perdas podem parecer insignificantes quando comparadas a
potência nominal do dispositivo, entretanto elas são as responsáveis pela elevação
significativa da temperatura. Assim, para transformadores de grande porte, o calor
gerado é considerado o principal fator restritivo de carregamento.
É muito importante que o equipamento opere dentro de limites de temperatura
especificados, garantindo a integridade e segurança do sistema energético. A
extrapolação desses limites ocasiona a aceleração da deterioração dos materiais
isolantes e consequente redução da vida útil, danos à pintura e juntas de vedação,
decomposição do óleo resultando na produção excessiva de gases e, em casos
extremos, a atuação dos relés de proteção retirando o equipamento do sistema.
16

A temperatura do ponto quente no enrolamento e do topo de óleo são os


parâmetros mais influentes a serem monitorados quando se deseja definir as
condições operativas e de sobrecarga do transformador. Atualmente a medida direta
da temperatura através de sistemas de fibra ótica está cada vez mais difundida e sua
utilização é comprovadamente satisfatória, como mostra Lundquist (2008). Porém, o
caráter invasivo dos sensores, modificações construtivas necessárias e dificuldades
para determinar a localização dos pontos de medição podem tornar essa solução
inviável para transformadores já em operação.
Para contornar esse problema utilizam-se modelos dinâmicos térmico-
operativos, que relacionam a transferência de calor com o carregamento. Essas
técnicas retratam a temperatura de forma conveniente ao se utilizar de analogias e
relações físicas para descrever os fenômenos de aquecimento. Sendo assim, as
medições não dispensam a utilização de um modelo capaz de predizer e definir qual
o desempenho esperado do equipamento para as condições submetidas.
Diversos métodos para modelagem térmica e cálculo das temperaturas do
ponto quente do enrolamento e topo do óleo foram propostos por pesquisadores e
órgãos competentes, conforme demonstra Askari (2012). Ao mesmo tempo outros
autores, como Jauregui-rivera (2008) realizaram trabalhos com ênfase na
confiabilidade dos métodos, levantando questionamentos sobre a aptidão desses para
representar o comportamento dinâmico do equipamento em situações especificas.
Em razão das características generalistas desses métodos, coeficientes
obtidos mediante considerações e idealizações podem ocasionar resultados não
suficientemente precisos. De fato, é comprovado que a modelagem com base em
dados de utilização do equipamento origina modelos mais exatos (TYLAVSKY, 2006).
Dessa forma, o interesse em técnicas de identificação é impulsionado pelo
fato das relações físicas em um sistema não serem facilmente determinadas, tornando
a representação dos fenômenos por meio da análise teórica uma tarefa bastante
complexa, mesmo para problemas simples (ISERMANN; MÜNCHHOF, 2011).
Contudo, para que o modelo possa satisfazer as necessidades do utilizador, a
confiabilidade e precisão da técnica de modelagem proposta precisam ser avaliadas
para o caso em estudo.
17

1.2 OBJETIVO GERAL

Utilizando técnicas de identificação de sistemas, elaborar e avaliar o modelo


térmico linear de um autotransformador de potência da Subestação Margem Direita
de Itaipu, relacionando a temperatura de interesse com a carga aplicada e condições
ambientais que o equipamento está submetido.

1.3 OBJETIVOS ESPECÍFICOS

a) determinar os modos de dissipação de potência que acarretam o aumento


de temperatura do equipamento;
b) levantar os dados do histórico operativo dos transformadores;
c) identificar uma estrutura matemática que represente a temperatura do topo
de óleo do transformador escolhido;
d) realizar a obtenção dos parâmetros do modelo através de dados de
operação da usina;
e) simular o modelo dinâmico térmico do transformador e avaliar a capacidade
de predição do mesmo.

1.4 JUSTIFICATIVA

Segundo o Banco de Informações de Geração elaborado pela ANEEL, em


abril de 2016 o Brasil possuía um total 4.493 plantas de geração de energia em
operação, somando 142.457 MW de potência instalada (ANEEL, 2016). A Usina
Hidrelétrica de Itaipu é responsável por fornecer cerca de 15% da energia consumida
no Brasil e 75% no Paraguai, com uma potência instalada de 14.000 MW estabelecida
por 20 unidades geradoras (ITAIPU, 2016a).
A Itaipu Binacional tem a tarefa de fornecer a energia produzida na usina ao
sistema interligado, no lado brasileiro essa conexão é realizada na Subestação Foz
do Iguaçu, propriedade de Furnas. No lado paraguaio, a conexão é realizada na
Subestação Margem Direita, de propriedade e operação de Itaipu. (ITAIPU, 2016c). A
Subestação Margem Direita, atualmente, conta com seis conjuntos
autotransformadores/reguladores que reduzem a tensão de 500 kV para 220 kV e
entregam a energia a quatro linhas responsáveis por suprir o sistema elétrico
paraguaio (ITAIPU, 2016b).
18

Em caso de falha, as dificuldades logísticas, despesas elevadas e a


indisponibilidade de equipamentos sobressalentes geram diversos transtornos as
concessionárias e consumidores. Nesse contexto, o conhecimento pleno das
condições operativas dos transformadores é de fundamental importância para que
Itaipu cumpra a missão de fornecer energia com qualidade e confiabilidade.
Além do mais, um modelo capaz de retratar com aptidão o comportamento
térmico do transformador pode ser comparado a dados de monitoramento para avaliar
o desempenho, detectar problemas no resfriamento e estimar a vida útil do dispositivo.
Devido à grande variedade de transformadores presentes na usina, é
desejável que a modelagem adotada seja capaz de individualizar cada um desses
equipamentos sem que seja necessário reconsiderar todo o sistema. Nesse sentido,
as estruturas polinomiais autoregressivas mostram-se promissoras ao estarem aptas
a otimização e calibração por meio de dados monitorados, além de possuir um vasto
histórico de aplicações na modelagem de sistemas e séries temporais. Essas
circunstâncias juntamente com a importância estratégica dos transformadores para a
rede elétrica fomentou o desenvolvimento deste trabalho.

1.5 TÉCNICAS EMPREGADAS E RESULTADOS ESPERADOS

O método seguido neste trabalho faz uso de estruturas polinomiais


autoregressivas para a modelagem de um sistema dinâmico através de técnicas de
identificação. Os passos empregados para a obtenção do modelo são propostos por
Aguirre (2015, p. 79) sendo que as técnicas e ferramentas descritas durante o
desenvolvimento do trabalho também são abordadas pelo autor ao longo do livro.
A avaliação do modelo deve indicar se o mesmo é capaz de reproduzir o
comportamento do sistema original. Porém, não se deve avaliar apenas a precisão
dos resultados, mas também a sua competência em abordar os regimes de operação
do equipamento. Assim, espera-se obter um modelo capaz de simular diversos
eventos retratando os valores de temperatura de topo de óleo com precisão aceitável.
Caso isso não se concretize, espera-se que com o detalhamento das etapas e
decisões tomadas seja possível identificar os pontos fracos da metodologia na
abordagem do problema proposto.
19

1.6 ESTRUTURA DO TRABALHO

Este trabalho está dividido em seis capítulos, seguindo a estrutura abaixo:


Capítulo 2 – Revisão Bibliográfica: Realizou-se uma breve apresentação dos
conceitos e nomenclaturas essenciais para o desenvolvimento do trabalho,
propiciando ao leitor o entendimento mais claro das etapas de solução do problema.
Abordaram-se os princípios do funcionamento de transformadores, transferência de
calor, sistemas dinâmicos e modelos polinomiais autoregressivos.
Capítulo 3 – Modelos Matemáticos: Apresentam-se algumas das abordagens
realizadas pela indústria e meio acadêmico em busca das temperaturas internas de
transformadores de potência, dá-se enfoque aos modelos sugeridos pelas normativas
IEEE e suas evoluções. O conhecimento prévio das análises realizadas e suas
características é fundamental para justificar a metodologia empregada neste trabalho.
Capítulo 4 – Descrição do Objeto de Estudo: Descrevem-se aqui as
características do transformador estudado e seu sistema de refrigeração,
apresentando alguns limites operativos e peculiaridades.
Capítulo 5 – Desenvolvimento da Modelagem: Nesse capítulo são
apresentadas as decisões tomadas para representação satisfatória do aquecimento
através do modelo matemático. O leitor ficará a par dos métodos escolhidos e artifícios
utilizados para alcançar o resultado esperado. Ao final é apresentado o modelo que
relaciona a temperatura de interesse com as condições que o equipamento está
submetido.
Capítulo 6 – Simulações e Análise de Resultados: A partir do modelo
desenvolvido este capítulo trata da obtenção e avaliação de resultados que possam
ser comparados com os dados amostrados pelo monitoramento do transformador a
fim de julgar a capacidade de previsão do modelo. A medida que o capitulo se
desenvolve o leitor irá comparar, graficamente, a resposta dinâmica de diversas
simulações e a investigação de seus resíduos.
Capítulo 7 – Conclusão: São apresentadas as conclusões que o autor chegou
ao longo do desenvolvimento do trabalho e se os objetivos específicos e o objetivo
geral foram alcançados. Também neste capítulo são propostas sugestões para
trabalhos futuros e possíveis avanços.
20

2 REVISÃO BIBLIOGRÁFICA

2.1 TEORIA GERAL DOS TRANSFORMADORES

Alguns aspectos referentes à construção e princípios de funcionamento de


transformadores serão abordados. Deve-se atentar ao fato de que o estudo dessas
características proporciona um melhor entendimento dos mecanismos de
aquecimento e parâmetros influentes na dinâmica térmica dos transformadores, sendo
o conhecimento deste tópico essencial para a avaliação da modelagem proposta.

2.1.1 Relações fundamentais e princípios de funcionamento

Transformadores são dispositivos que alteram o nível de tensão de um circuito


de corrente alternada para outro através de condutores elétricos acoplados
indutivamente. O princípio básico de funcionamento de um transformador, conhecido
como indução eletromagnética, foi revelado por Michael Faraday em 1831, porém foi
William Stanley no ano de 1886 que primeiro desenvolveu um transformador para uso
comercial (COLTMAN, 2002).
Daquele tempo para cá ocorreram evoluções tecnológicas que resultaram em
grandes mudanças no aspecto construtivo dos transformadores, contudo, os
princípios físicos que a eles se aplicam continuam os mesmos (ABB, 2012).

2.1.1.1 Lei de Ampère

Em 1820, Ørsted demonstrou a relação entre eletricidade e magnetismo,


observando que a circulação de corrente elétrica por um condutor gera um campo
magnético ao redor desse. Posteriormente, os físicos Jean-Baptiste Biot e Félix Savart
realizaram a análise precisa do fenômeno, descrevendo matematicamente o campo
⃗ , produzido por uma distribuição de corrente em um ponto de
magnético diferencial, dB
interesse (WHITTAKER, 1954). A equação (1) representa essa relação na forma
vetorial, como exposto por Halliday (2009).

𝜇𝑜 𝐼 𝑑𝑠×𝑟̂
⃗ =
𝑑𝐵 (1)
4𝜋 𝑟 2
21

sendo:
𝜇𝑜 , permeabilidade magnética = 4𝜋×10−7 [𝑇. 𝑚/𝐴];
𝑟̂ , vetor unitário de 𝑑𝑠 ao ponto de interesse;
𝑟, distância de 𝑑𝑠 ao ponto de interesse [𝑚];
𝐼 𝑑𝑠, elemento de corrente [𝐴. 𝑚].

O emprego da relação definida pode ser bastante trabalhoso em uma


disposição com diversos condutores. Entretanto, é possível encontrar o campo
magnético em virtude de qualquer distribuição de cargas, primeiramente escrevendo
o campo diferencial devido a um elemento de corrente, como em (1), e então somando
as contribuições de todos os elementos para o campo magnético total. Young,
Freedman e Ford (2012) apresenta esse processo na forma da equação (2).

𝑑ΦE
⃗ ∙ 𝑑𝑙 = 𝜇0 (𝐼 + 𝜀0
∮𝐵 ) (2)
𝑑𝑡

sendo:
𝜀0 , permeabilidade elétrica = 8,85×10−12 [𝐶²/𝑁. 𝑚²];
ΦE , fluxo do campo elétrico [𝑁. 𝑚²/𝐶];
𝐼, corrente elétrica [𝐴].

Esse procedimento é denominado Lei de Ampère-Maxwell e estabelece que


⃗ , pode ser produzido por uma corrente elétrica, 𝐼, ou pela
um campo magnético, 𝐵
variação temporal do fluxo de campo elétrico, 𝑑ΦE ⁄𝑑𝑡.

2.1.1.2 Lei de Faraday

Descoberta experimentalmente ao se aproximar um imã de uma bobina


notando o aparecimento de uma circulação de corrente, cessando-a uma vez que a
aproximação é interrompida, a lei de Faraday demonstra que não há tensão induzida
sem a variação do fluxo magnético, e que o módulo da tensão é proporcional a essa
variação (KOSOW, 1982).
22

Neumann quantificou essa afirmação como mostrado na equação (3), na qual


o módulo da força eletromotriz induzida em um circuito elétrico fechado é igual ao
valor absoluto da taxa de variação temporal do fluxo magnético (REITZ, 2012).

𝑑Φ𝐵
∮ 𝐸⃗ ∙ 𝑑𝑙 = − (3)
𝑑𝑡

sendo:
𝐸⃗ , intensidade de campo elétrico [𝑉/𝑚];
Φ𝐵 , fluxo do campo magnético [𝑊𝑏];

∮ 𝐸⃗ ∙ 𝑑𝑙 , força eletromotriz [𝑉].

O sinal negativo que aparece nessa expressão refere-se ao sentido da força


eletromotriz induzida, esse sentido é tal que o efeito da força sempre se opõe à
variação do fluxo, afirmação conhecida como Lei de Lenz.
Essas leis formam o alicerce do princípio de funcionamento de um
transformador rudimentar, no qual sempre que um condutor transportando uma
corrente alternada é aproximado de um segundo condutor, então, a mudança de fluxo
magnético em torno do primeiro induzirá uma tensão no segundo (WINDERS JR,
2002).

2.1.1.3 Transformador ideal

A partir das discussões acerca dos preceitos básicos da indução magnética,


é possível verificar que a construção de um transformador elementar é relativamente
simples. A princípio, esse consiste essencialmente de um núcleo ferromagnético e de
dois ou mais conjuntos de bobinas que o circundam.
O conjunto de bobinas com maior número de voltas, 𝑁1 , é chamado de
enrolamento de alta-tensão e indicado por AT. O enrolamento de baixa tensão,
indicado por BT, possui um menor número de voltas, 𝑁2 . Sendo que, o enrolamento
que recebe energia do circuito externo é chamado de primário e o enrolamento
fornecendo energia a carga é denominado secundário, como retratado na Figura 1
(SEALEY, 1948).
23

Figura 1 – Representação esquemática de um transformador ideal

Fonte: SEALEY (1948)

Alguns transformadores possuem um enrolamento adicional de menor tensão,


denominado terciário, que pode ser conectado a um circuito externo para alimentação
de dispositivos auxiliares como reatores, compensadores síncronos, motobombas,
entre outros (IEEE, 2002).
Considerando um transformador ideal, em que o fluxo magnético é o mesmo
em todas as bobinas e o núcleo tem permeabilidade infinita, as forças eletromotrizes
são obtidas a partir da Lei de Faraday como expresso na equação (4).

𝑑ΦB
𝑣=𝑁 (4)
𝑑𝑡

sendo:
𝑑ΦB ⁄𝑑𝑡, variação do fluxo magnético;
𝑁, número de espiras;
𝑣, tensão [𝑉].

Fazendo as devidas manipulações algébricas obtém-se a relação de


transformação do equipamento, apresentada na equação (5).

𝑣1 𝑁1
= (5)
𝑣2 𝑁2
24

Em outras palavras, a tensão no secundário do transformador é equivalente


ao produto da tensão no primário e a razão do número de voltas, sendo que a potência
instantânea fornecida ao equipamento é igual a potência entregue por este à carga
acoplada, satisfazendo o princípio de conservação de energia (KOSOW, 1982).

2.1.2 Aspectos construtivos de transformadores

Devido à importância do transformador para o sistema elétrico, cada projeto é


concebido segundo especificações estritas do comprador acerca da tensão, potência,
condições ambientais suportadas, nível de ruído, entre outras características
desejáveis (SIEMENS, 2016). Contudo, a estrutura geral apresentada na Figura 2 é
predominante nos transformadores de potência.

Figura 2 – Componentes principais de um transformador de potência

Fonte: VALLES (2010)

Onde, entre outros componentes, temos:


1 – Enrolamento; 2 – Núcleo;
3 – Isolamento; 4 – Tanque;
5 – Acumulador de óleo; 6 – Bucha;
7 – Comutador de carga; 8 – Radiadores;
9 – Painel de controle; 10 – Monitores de temperatura.
25

Deve-se destacar o conjunto formado pelo núcleo, enrolamentos, comutador


de carga e conexões internas, denominado parte ativa. Além desses, existem diversos
outros componentes que garantem o funcionamento adequado do dispositivo, tais
como sensores de proteção e monitoramento, buchas, tanque de expansão, sistema
de refrigeração entre outros, denominados acessórios.

2.1.2.1 Núcleo

O núcleo consiste em um material de alta permeabilidade com a função de


guiar o fluxo magnético através dos enrolamentos. Porém, produzi-lo a partir de um
bloco sólido desse material é impraticável em razão das grandes correntes parasitas
que atuariam nessas condições (WINDERS JR, 2002).
Para contornar essa limitação, utiliza-se chapas de aço-silício de alta
qualidade eletricamente isoladas por uma fina camada de revestimento (HARLOW,
2004). Devido à espessura reduzida e características metalúrgicas as chapas
possuem excelentes propriedades de magnetização e perdas. A visão geral de um
núcleo laminado é apresentada na Figura 3.

Figura 3 – Núcleo laminado de um transformador

Fonte: INDIAMART (2016)


26

Heathcote (2007) expõe algumas práticas construtivas desenvolvidas ao


longo do tempo para melhorar as características do núcleo, entre elas estão a
orientação dos grãos metalúrgicos por laminação, sobreposição das chapas em
junções e substituição de parafusos por amarrações de fibra. Além do mais, a seção
transversal do núcleo é preferivelmente circular, evitando concentrações de campo
magnético nas pontas e cantos (SILVA, 2005).
Quanto à sua disposição, o núcleo pode ser arranjado em duas maneiras
distintas, denominadas núcleo envolvente ou shell type e núcleo envolvido ou core
type. Em transformadores com núcleo envolvente, o fluxo magnético percorre
caminhos contidos integralmente no interior do material. Já no núcleo envolvido,
existem caminhos sem retorno nas extremidades, como mostrado na Figura 4,
forçando o fluxo magnético a usar outros meios de propagação e aumentando as
perdas do equipamento.

Figura 4 – Núcleos core type e shell type

Fonte: U.S. Dept. of the Interior (2005)

Enquanto o aço e o revestimento são capazes de resistir às elevações de


temperaturas causadas pelas perdas, estes estão em contato com materiais isolantes
que podem ser danificados. Em equipamentos de maior potência, dutos de
refrigeração são usados no interior do núcleo e seções de laminações podem ser
divididas para reduzir as perdas localizadas (KULKARNI, 2004).
27

2.1.2.2 Enrolamentos

O enrolamento é responsável pela condução da corrente, sendo esse


constituído por condutores empacotados em forma de bobinas e arranjados de
maneira axial ao redor das pernas do núcleo (PAULINO, 2014).
Tipicamente, o primário e secundário são adjacentes a fim de maximizar o
acoplamento magnético, sendo que a bobina de baixa tensão é mais próxima ao
núcleo devido a menor demanda de material necessário para o seu isolamento. A
Figura 5 mostra a disposição característica dos enrolamentos.

Figura 5 – Disposição característica de um enrolamento

Fonte: U.S. Dept. of the Interior (2005)

Ao se subdividir um condutor de grande área de seção transversal em uma


série de condutores menores, o efeito skin e as correntes de Foucault podem ser
reduzidos substancialmente, tornando essa prática desejável em equipamentos de
alta eficiência. Para evitar que esses condutores estejam sujeitos a diferentes
quantidades de fluxo e tensões induzidas, gerando uma distribuição não uniforme de
corrente e consequentemente aumentando as perdas totais, eles são transpostos
como mostrado na Figura 6 (WINDERS JR, 2002).
28

Figura 6 – Pacote de condutores transpostos

Fonte: HEATHCOTE (2007) e WINDERS JR (2002)

Harlow (2004) apresenta diversas maneiras em que os condutores podem ser


empilhados para formar o enrolamento, sendo os mais comuns por camadas, discos,
helicoidal e pancake. Em transformadores de potência, enrolamentos do tipo disco
são geralmente utilizados devido as excelentes características elétricas e estabilidade
mecânica sob condições de sobre tensão e curto circuito (KANOHAR, 2016).
Para reduzir os efeitos do aquecimento os enrolamentos normalmente são
envoltos sobre cilindros com espaçadores anexados a fim de formar dutos, tanto
radiais quanto axiais, entre os condutores. Além do mais, o fluxo de óleo por entre os
dutos pode ser controlado com o uso de barreiras estrategicamente posicionadas
como ilustrado na Figura 7, este conceito é definido como fluxo direcionado
(HARLOW, 2004).

Figura 7 – Barreiras para direcionamento do fluxo de óleo no enrolamento

Fonte: HEATHCOTE (2007)


29

2.1.3 Perdas em transformadores

Transformadores de potência estão entre as máquinas elétricas mais


eficientes do mercado. Contudo, suas perdas são representativas do ponto de vista
financeiro e são as principais responsáveis pelas limitações de carregamento. Essas
podem ser classificadas como perdas em carga e perdas em vazio.
Segundo a norma IEEE C57.123 (2010), as perdas em carga, muitas vezes
chamadas de perdas no cobre, ocorrem com a passagem de corrente através dos
enrolamentos e incluem as perdas resistivas nos condutores, perdas por corrente de
Foucault nos enrolamentos e devido ao fluxo de dispersão no tanque, suportes e
outras partes metálicas do transformador.
Por sua vez, as perdas em vazio, também ditas perdas no núcleo ou perdas
no ferro, são decorrentes da excitação do transformador e incluem as perdas no
núcleo, perdas dielétricas, perdas no enrolamento primário devido à corrente de
excitação e perdas por corrente parasita em enrolamentos acoplados (IEEE, 2010).
As perdas por histerese e por corrente de Foucault contribuem para a quase
totalidade das perdas em vazio, sendo as outras muitas vezes negligenciadas. Como
estas perdas são devido à alternância do campo magnético, elas ocorrem quando o
primário está energizado, mesmo que nenhuma carga seja colocada no enrolamento
secundário.

2.1.3.1 Histerese magnética

A formulação ideal da relação de transformação, mostrada na seção 2.1.1.3,


supõe uma permeabilidade infinita do núcleo, porém, em transformadores reais, a
magnetização se comporta de uma maneira muito mais complexa, governada por uma
curva característica como a esquematizada na Figura 8.
O loop de histerese ilustra o comportamento não linear e irreversível da
magnetização em função da intensidade do campo magnético aplicado. À medida que
o campo se torna mais intenso percebe-se uma maior dificuldade em se obter um
aumento de fluxo, até que, ao atingir o ponto de saturação, o campo magnético deixa
de contribuir para a densidade do fluxo magnético.
30

Figura 8 – Curva de magnetização para um material ferromagnético

Fonte: HYPERPHYSICS (2016)

Guru (2001) declara que a perda por histerese decorre da energia liberada
pelo atrito entre os domínios magnéticos quando esses são reorganizados em
resposta ao campo variável. Portanto, cada vez que o material ferromagnético
atravessa seu laço de histerese, origina-se uma perda de energia. Steinmetz (1984)
quantifica essa perda no núcleo através de uma relação experimental, evidenciada na
equação (6).

𝑃ℎ = 𝐾ℎ 𝑓𝐵𝑚𝑎𝑥 𝑛 𝜈 (6)

sendo:
𝐵𝑚𝑎𝑥 , máxima densidade de fluxo magnético [𝑇];
𝑛, coeficiente comumente na faixa 1,5 ≤ 𝑛 ≤ 2,5.
𝑓, frequência de variação do fluxo [𝐻𝑧];
𝐾ℎ , constante dependente do material;
𝜈, volume total do material [𝑚3 ].

De acordo com a equação a perda por histerese por metro cúbico por ciclo de
magnetização de um material depende do valor máximo da densidade de fluxo e das
propriedades magnéticas do material.
31

2.1.3.2 Correntes parasitas de Foucault e fluxo de dispersão

Correntes de Foucault ou correntes parasitas é o termo empregado para


descrever as correntes elétricas induzidas que formam caminhos fechados dentro dos
condutores, como visto na Figura 9.

Figura 9 – Correntes de Foucault no núcleo

Fonte: YOUNG; FREEDMAN; FORD (2012)

O maior efeito dessas correntes é presenciado no núcleo do transformador.


Del Toro (1994) apresenta, através da equação (7), uma relação empírica que as
quantificam.

𝑃𝑓 = 𝐾𝑒 𝑓 2 𝐵𝑚𝑎𝑥
2
𝜏2𝜈 (7)

sendo:
𝐵𝑚𝑎𝑥 , máxima densidade de fluxo magnético [𝑇];
𝐾𝑒 , constante dependente do material;
𝜏, espessura de laminação [𝑚];
𝜈, volume total do material [𝑚3 ].

Contudo, uma parte do fluxo magnético gerado pelo enrolamento primário não
permeia o núcleo, atingindo outras partes condutoras do transformador, como o
tanque, suportes e conectores. Esse fluxo não contido é chamado de fluxo de
dispersão e causa o aparecimento de correntes parasitas e aquecimento nas diversas
partes do equipamento.
32

2.1.3.3 Efeito Joule

Durante a passagem de corrente elétrica por um condutor os portadores de


carga sofrem colisões com a rede cristalina do material, assim parte da energia
cinética é transferida para o átomo aumentando seu estado de agitação,
consequentemente sua temperatura. Esse fenômeno, quantificado pela equação (8),
é conhecido como Efeito Joule (HALLIDAY, 2009).

𝑃𝑗 = 𝑅𝐼 2 (8)

Em outras palavras, a energia elétrica dissipada em um condutor devido a sua


resistência, 𝑅, num dado intervalo de tempo, é diretamente proporcional ao quadrado
da intensidade de corrente elétrica, 𝐼, que o percorre.

2.1.3.4 Modelo real

O modelo ideal da seção 2.1.1.3 pode ser aperfeiçoado para levar em conta
as perdas discutidas anteriormente. Esse novo modelo é representando em circuito
equivalente como o da Figura 10.

Figura 10 – Circuito equivalente de um transformador real

Fonte: GURU (2001)

Nesse circuito pode-se identificar cada componente como:


𝑅1 e 𝑅2 , representam as perdas por efeito Joule nos condutores [𝛺];
𝑗𝑋1 e 𝑗𝑋2, representam as perdas pelo fluxo de dispersão [𝛺];
𝑅𝑐𝑙 , perdas por corrente de Foucault no núcleo [𝛺];
𝑗𝑋𝑚𝑙 , reatância de magnetização no núcleo [𝛺].
33

As perdas impactam diretamente no custo de transmissão da energia, além


do mais podem provocar elevação de temperatura acima dos limites admissíveis,
causando alterações nas características dos materiais, comprometendo o
desempenho, vida útil e segurança do equipamento (TOLEDO, 2011).
Por ser um dispositivo isolado e selado, a dissipação do calor gerado é um
problema bastante difícil de ser tratado em comparação com qualquer outra máquina
elétrica (HARITHA, 2011).

2.1.4 Modos de resfriamento

A função de um transformador de potência presume que esse deve operar


ininterruptamente diante das variadas solicitações de carregamento. Para evitar que
as perdas gerem superaquecimento interno e falha do equipamento deve-se garantir
uma boa refrigeração e controle de temperatura.
A norma IEEE C57.12.00-2000 adotou a identificação de transformadores
imersos em óleo de acordo com o seu método de resfriamento, expresso por um
código de quatro letras, como visto no Quadro 1.

Quadro 1 – Nomenclatura para descrição dos estágios de resfriamento


1º 2º 3º 4º
Meio Mecanismo Meio Mecanismo
Meio interno Meio externo
Fonte: HARLOW (2004)

A primeira letra enuncia o meio de refrigeração interno em contato com os


enrolamentos. A segunda letra identifica o mecanismo de circulação do meio de
resfriamento interno. A terceira letra expressa o meio de arrefecimento externo. A
quarta identifica o mecanismo de circulação do meio de arrefecimento externo
(GEORGILAKIS, 2009). As possíveis combinações são formadas com as designações
demonstradas no Quadro 2.
34

Quadro 2 – Definição da nomenclatura dos estágios de resfriamento


Letra Descrição
Líquido com ponto de fulgor
O
menor ou igual a 300ºC
Primeira letra Líquido com ponto de fulgor
K
(Meio de resfriamento) maior que 300ºC
Líquido com ponto de fulgor
Meio L
imensurável
interno
Convecção natural através do
N equipamento de refrigeração e
dos enrolamentos
Circulação forçada através do
equipamento de refrigeração e
Segunda letra F
convecção natural nos
(Mecanismo de resfriamento)
enrolamentos
Circulação forçada através do
equipamento de refrigeração e
D
fluxo direcionado nos
enrolamentos
Terceira letra A Ar
Meio (Meio de resfriamento) W Água
externo Quarta letra N Convecção natural
(Mecanismo de resfriamento) F Circulação forçada
Fonte: HARLOW (2004)

Um transformador pode dispor de dois ou mais estágios de refrigeração, por


exemplo ONAN/ODAF, em que o dispositivo opera em uma condição de circulação
natural para atender as situações de carregamento moderado e em uma de
refrigeração forçada para as circunstâncias de carga normal ou sobrecarga
(HEATHCOTE, 2007).

2.1.4.1 Circulação natural

Quando um corpo aquecido está imerso em um fluido, a troca de calor faz


com que as camadas próximas a superfície do corpo se aqueçam, causando um fluxo
ascendente gerado pelas diferenças de densidade. O resfriamento ONAN é alcançado
quando o fluxo de óleo através do transformador é impulsionado por essa circulação
natural devido aos gradientes de temperatura.
A velocidade de circulação do óleo nesta configuração é relativamente lenta.
Por esta razão, transformadores ONAN possuem uma elevada variação de
temperatura entre o topo de óleo e o fundo do tanque.
35

Uma maneira de intensificar a taxa de circulação de óleo é melhorando a troca


de calor com o meio externo. Isso pode ser feito empregando ventiladores para forçar
a passagem de ar sobre as superfícies dos radiadores. Este tipo de refrigeração
denomina-se ONAF e é ilustrada na Figura 11, juntamente com o modo ONAN.

Figura 11 – Exemplos de resfriamento natural

Fonte: KULKANI (2004)

O uso de equipamentos auxiliares como ventiladores e bombas leva a um


aumento significativo na troca de calor. Isso permite, graças a temperatura mais baixa
do óleo, o aumento da capacidade de carga do transformador sem que as dimensões
do dispositivo sejam alteradas (HARLOW, 2004).

2.1.4.2 Circulação forçada

A medida que a potência do transformador aumenta, a capacidade de


dissipação de calor deve se ampliar proporcionalmente. Isso pode ser feito
aumentando o fluxo de massa nos radiadores com o emprego de uma bomba para a
circulação de óleo e mantendo os ventiladores em operação (KULKANI, 2004). Este
modo de refrigeração é chamado OFAF.
Quando o óleo é forçado para dentro do transformador, o seu fluxo é
governado pelo empuxo através do caminho de menor resistência. Assim, uma grande
parte do óleo pode não atravessar os enrolamentos e núcleo, formando um caminho
paralelo fora desses. Deste modo, a temperatura do topo de óleo é reduzida devido à
mistura de óleo quente, proveniente dos enrolamentos, e o óleo frio, proveniente da
bomba, reduzindo a eficiencia dos radiadores (KULKANI, 2004).
36

A taxa de dissipação de calor pode ser melhorada se o óleo forçado for dirigido
aos enrolamentos através de caminhos predeterminados. Este tipo de refrigeração é
denominado ODAF. A Figura 12 esclarece o funcionamento dos métodos OFAF e
ODAF.

Figura 12 – Exemplos de resfriamento forçado

Fonte: KULKANI (2004)

O esquema ODAF resultará em gradientes de temperatura menores no


enrolamento, reduzindo também a elevação de temperatura no topo de óleo e,
portanto, no hot-spot, em comparação aos modos naturais de refrigeração.
Devido ao movimento natural de ascensão do óleo quente os dutos
horizontais do enrolamento estão sujeitos a um menor fluxo de óleo e
consequentemente menor taxa de troca de calor que os verticais. Por essa razão
dirigir o óleo através do enrolamento usando barreiras, como ilustrado na Figura 7, é
desejável para um bom resfriamento (HEATHCOTE, 2007).
Para uma melhor compreensão dos métodos de resfriamento e das
características térmicas de um transformador é necessária uma boa distinção dos
fenômenos de transferência de calor.
37

2.2 EFEITOS TÉRMICOS

2.2.1 Termodinâmica e volume de controle

Uma das considerações fundamentais para a interpretação de um sistema é


a conservação de energia. Denominada de Primeira Lei da Termodinâmica, ela é
definida por Incropera et al (2011) como “O aumento na quantidade de energia
armazenada em um volume de controle deve ser igual à quantidade de energia que
entra no volume de controle, menos a quantidade de energia que deixa o volume de
controle”. Çengel (2003) equaciona a taxa de mudança de energia no interior do
volume de controle por meio da equação de balanço (9).

𝐸̇𝑒𝑛𝑡𝑟𝑎 − 𝐸̇𝑠𝑎𝑖 = 𝑑𝐸𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ⁄𝑑𝑡 (9)

sendo:
𝑑𝐸𝑠𝑖𝑠𝑡𝑒𝑚𝑎 ⁄𝑑𝑡, variação de energia do sistema [𝑊];
𝐸̇𝑒𝑛𝑡𝑟𝑎 , taxa de energia transferia ao sistema [𝑊];
𝐸̇𝑠𝑎𝑖 , taxa de energia retirada do sistema [𝑊].

Na análise de transferência de calor há interesse, geralmente, apenas nas


formas de energia que podem ser transferidas como resultado de uma diferença de
temperatura, ou seja, energia térmica. Nesses casos, é conveniente escrever uma
equação de equilíbrio que trate da correspondência entre a energia térmica do sistema
e o calor. Ainda segundo Çengel (2003), essa relação pode ser expressa por (10).

𝑄𝑒𝑛𝑡𝑟𝑎 − 𝑄𝑠𝑎𝑖 + 𝐸𝑔𝑒𝑟 = ∆𝐸𝑡𝑒𝑟𝑚𝑖𝑐𝑎, 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 (10)

sendo:
∆𝐸𝑡𝑒𝑟𝑚𝑖𝑐𝑎, 𝑠𝑖𝑠𝑡𝑒𝑚𝑎 , variação de energia térmica do sistema [𝐽];
𝑄𝑒𝑛𝑡𝑟𝑎 , calor que entra no sistema [𝐽];
𝐸𝑔𝑒𝑟 , energia gerada no sistema [𝐽];
𝑄𝑠𝑎𝑖 , calor que sai do sistema [𝐽].
38

Lienhard IV (2015) afirma que a análise dos processos de transferência de


calor geralmente pode ser feita sem referência a quaisquer processos de trabalho,
embora a transferência de calor posteriormente pode ser combinada com trabalho
para sistemas reais.
Sendo assim, quando as mudanças nas energias cinéticas e potenciais são
desprezíveis e não há nenhuma interação de trabalho o balanço se reduz a (11) e
(12).

𝑑𝑈 𝑑𝑇
𝑃𝑟𝑜𝑐𝑒𝑠𝑠𝑜 𝑎 𝑣𝑜𝑙𝑢𝑚𝑒 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒: ∆𝐸𝑡é𝑟𝑚𝑖𝑐𝑎 = = 𝑚𝑐𝑣 (11)
𝑑𝑡 𝑑𝑡

𝑑𝐻 𝑑𝑇
𝑃𝑟𝑜𝑐𝑒𝑠𝑠𝑜 𝑎 𝑝𝑟𝑒𝑠𝑠ã𝑜 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒: ∆𝐸𝑡é𝑟𝑚𝑖𝑐𝑎 = = 𝑚𝑐𝑝 (12)
𝑑𝑡 𝑑𝑡

sendo:
𝑐𝑣 e 𝑐𝑝 , calores específicos a volume e pressão constantes [𝑐𝑎𝑙/º𝐶];
𝑑𝑇⁄𝑑𝑡, taxa de variação de temperatura [º𝐶];
𝑚, massa [𝑘𝑔].

Kaminski (2005) mostra que como os sólidos e líquidos são frequentemente


aproximados como substâncias incompressíveis os dois calores específicos são
iguais para determinadas aplicações. Portanto, a equação pode ser escrita como (13).

𝑑𝑈 𝑑𝑇
𝑄= = 𝑚𝑐 (13)
𝑑𝑡 𝑑𝑡

sendo:
𝑐, calor específico [𝐽/º𝐶. 𝑘𝑔];
𝑄, calor sensível [𝐽].

Esta é uma das relações de equilíbrio experimentais mais frequentemente


aplicadas quando se lida com uma massa fixa. Essa equação define a quantidade de
calor Q que um corpo de massa 𝑚 e calor específico 𝑐 absorve ou libera para variar
sua temperatura em certo valor 𝑑𝑇⁄𝑑𝑡.
39

É primordial que se defina precisamente o que está sendo estudado em um


problema, para assim ser possível determinar qual abordagem será realizada e
garantir a efetividade dos métodos aplicados. Uma das técnicas mais recomendadas
para esta descrição é a decomposição em volumes de controle.
O volume de controle deve ser delimitado cuidadosamente antes de se
prosseguir com a análise termodinâmica, no entanto, o mesmo fenômeno físico muitas
vezes pode ser analisado igualmente em diferentes sistemas, fronteiras e vizinhanças,
obtendo-se resultados equivalentes.
A escolha dos limites que serão utilizados é regida principalmente pela
conveniência da análise posterior (MORAN; SHAPIRO, 2006). Uma vez que o sistema
é definido e as interações relevantes com a vizinhança são identificadas, pode-se
aplicar uma ou mais leis físicas ou relações.

2.2.2 Transferência de calor

A Transferência de Calor lida exclusivamente com a energia térmica, mas não


somente com as maneiras que ela é transferida de um corpo para outro, como também
a qual taxa essa troca irá ocorrer sob certas condições (HOLMAN, 2010). Incropera et
al (2011) deixa claro que para haver a transferência de calor é necessária uma
perturbação no equilíbrio termodinâmico do sistema, comumente devido a uma
diferença de temperatura.
Nesse sentido, a dinâmica da energia térmica não é expressa por uma única
relação, mas por uma combinação de leis independentes que regem a transmissão
de calor de três modos diferentes, compondo os fenômenos de condução, convecção
e radiação (KREITH, 2011).

2.2.2.1 Condução

A condução é o transporte de energia em um meio devido a um gradiente de


temperatura, através de uma atividade atômica ou molecular aleatória (INCROPERA
et al, 2011).
Em 1822, Joseph Fourier publicou a obra Théorie Analytique de la Chaleur,
em que formulou a lei empírica que leva o seu sobrenome, afirmando que o fluxo de
calor, 𝑞 [𝑊 ⁄𝑚2 ], resultante da condução térmica é proporcional a magnitude do
40

gradiente de temperatura e de sinal oposto a essa (LIENHARD IV, 2015). Portanto a


expressão unidimensional da Lei de Fourier pode ser descrita matematicamente pela
equação (14).

𝑑𝑇
𝑞"𝑥 = −𝑘 (14)
𝑑𝑥

sendo:
𝑞"𝑥 , taxa transferência de calor por unidade de área [𝑊/𝑚²];
𝑑𝑇⁄𝑑𝑥, gradiente de temperatura na seção;
𝑘, condutividade térmica [𝑊/𝑚. 𝐾].

A relação acima indica que a taxa de condução de calor em uma direção é


proporcional ao gradiente de temperatura nessa direção. O sinal negativo na equação
(14) garante que o calor é conduzido no sentido de diminuir a temperatura (ÇENGEL,
2003). Fica claro também o fato que não só o gradiente de temperatura interfere na
taxa de condução de um corpo, mas também as características dos materiais.
Segundo Karadağ (2012), em um transformador de potência o fenômeno de
transferência de calor por condução ocorre, principalmente, nos seguintes casos:
a) das partes internas do núcleo e enrolamento para a suas respectivas
superfícies;
b) entre o enrolamento e o núcleo;
c) dentro do material isolante;
d) através das paredes do tanque do transformador.

2.2.2.2 Convecção

Incropera et al (2011) define o modo de transferência de calor por convecção


como a superposição de dois mecanismos, o transporte de energia pelo movimento
global do fluido e o movimento molecular aleatório presente, ou seja, a transmissão
de calor por convecção ocorre por uma combinação do transporte de massa com a
condução de calor. A lei de Newton do arrefecimento, vista em (15), expressa o efeito
global da convecção.
41

𝑞" = ℎ(𝑇𝑤 − 𝑇∞ ) (15)

sendo:
𝑞", taxa de transferência de calor por convecção [𝑊/𝑚²];
ℎ, coeficiente de troca de calor por convecção [𝑊/𝑚²𝐾];
𝑇𝑤 , temperatura da superfície [𝐾];
𝑇∞ , temperatura do fluido [𝐾].

A constante ℎ denomina-se coeficiente de transferência de calor por


convecção, sendo um parâmetro que deve levar em consideração todas as variáveis
que influenciam a convecção abrangendo geometria da superfície, natureza do
movimento do fluido, propriedades do fluido e velocidade. Um cálculo analítico pode
ser feito para alguns sistemas, porém para situações complexas ela deve ser
determinada experimentalmente (HOLMAN, 2010).
Ainda para Çengel (2003), a convecção é chamada de forçada se o fluido é
submetido a ação de fatores externos que impõe o movimento deste sobre a
superfície, como um ventilador, bomba ou o vento. Em contraste, é chamada
convecção natural se o movimento do fluido é causado por forças de empuxo
induzidas por diferenças de densidade devido à variação de temperatura no fluido.
Karadağ (2012) analisa que em transformadores a principal ocorrência de
convecção é em:
a) transferência de calor da superfície do núcleo e enrolamentos para o
material isolante;
b) do material isolante para a superfície interna do tanque e radiadores;
c) da superfície externa do tanque e radiadores para o ambiente.

2.2.2.3 Radiação

Em contraste com os mecanismos de condução e convecção, em que a


transferência de energia através de um meio material está envolvida, o calor também
pode ser transferido através de regiões onde existe um vácuo completo (HOLMAN,
2010). Todos os corpos a uma temperatura acima de zero absoluto emitem radiação
térmica (ÇENGEL, 2003).
42

O limite máximo para potência irradiada é descrito pela lei de Stefan-


Boltzmann, e só pode ser alcançado por uma superfície ideal, chamada de corpo
negro. A medida de quão eficientemente uma superfície emite energia em relação a
um corpo negro é dada pela emissividade e depende fortemente do tipo de material e
acabamento da superfície (INCROPERA et al 2011).
Uma parte da irradiação do ambiente pode ser absorvida pela superfície
aumentando assim a energia térmica do material. Se a superfície é assumida como
um corpo cinza, possuindo a mesma eficiência de absorção e emissão, ou seja,
absortividade igual a emissividade, a transferência líquida de calor pode ser expressa
por unidade de área como mostrado na equação (16).

4
𝑞"𝑟𝑎𝑑 = 𝜀𝜎(𝑇𝑠4 − 𝑇𝑚𝑒𝑖𝑜 ) (16)

sendo:
𝜎, constante de Stefan-Boltzmann = 5,67𝑥10−8 [𝑊/𝑚². 𝐾 4 ];
𝑇𝑠 , temperatura absoluta da superfície [𝐾];
𝑇𝑚𝑒𝑖𝑜 , temperatura absoluta do meio [𝐾];
𝜀, emissividade 0 ≤ 𝜀 ≤ 1.

Esta expressão fornece a diferença de energia térmica perdida devido à


emissão e adquirida devido à absorção de radiação. A transferência por radiação em
transformadores, para Karadağ (2012), ocorre em:
a) calor transferido da superfície do núcleo e enrolamentos para a superfície
interna do tanque;
b) transferência do tanque para o ambiente externo por radiação.

2.3 SISTEMAS DINÂMICOS E MODELAGEM MATEMÁTICA

Felício (2007) define sistema como um conjunto de elementos que se


encontram dentro de um volume de controle convenientemente escolhido, sendo um
sistema dinâmico aquele em que as entradas, saídas, e até mesmo as características
do sistema em si podem mudar com o tempo. As variáveis presentes em um sistema
dinâmico generalizado são esquematizadas na Figura 13 e suas descrições
apresentadas em sequência.
43

Figura 13 – Representação das variáveis de um sistema

Fonte: VICAIRE (2016)

As variáveis atuantes em um sistema são:


a) variáveis de entrada, geralmente são fatores sujeitos a medições e que
exercem uma influência significativa sobre os valores de saída;
b) variáveis de perturbação, representam entradas com menores influências
sobre os valores de saída, seu papel é normalmente desconhecido ou elas
não podem ser submetidas a medições;
c) variáveis de controle, tem o papel de controlar o funcionamento do sistema,
muitas vezes são dependentes dos sinais de saída;
d) variáveis de saída, são as variáveis de resposta, responsáveis por
caracterizar o sistema e cujo valor é determinado pelas variáveis anteriores
assim como pela composição do sistema.

2.3.1 Classificação de sistemas

A relação entre as entradas e saídas de um modelo pode ser representada


matematicamente com o auxílio de diversas técnicas, sendo a compreensão do tipo
de sistema analisado fundamental para que se defina quais delas podem ser
empregadas.
Os sistemas podem ser classificados de inúmeras maneiras, mas comumente
a divisão é realizada conforme o comportamento e natureza de seus parâmetros. Tal
classificação é útil por estar vinculada com o conceito de modelagem matemática e
identificação de sistemas.
44

2.3.1.1 Linearidade

A linearidade pode ser caracterizada pela concordância com a lei da


superposição de efeitos, ou seja, a resposta do sistema a uma combinação linear de
duas entradas, 𝑋1 e 𝑋2, é uma combinação linear das saídas, 𝑌1 e 𝑌2 , como exposto
no sistema de equações (17) (MELLODGE, 2015).

𝑋1 = 𝑌1
𝑋2 = 𝑌2 (17)
𝑎𝑋1 + 𝑎𝑋2 = 𝑎𝑌1 + 𝑎𝑌2

Lathi (2007) exalta que quase todos os sistemas observados na prática se


tornam não lineares quando periodos de observação longos o suficiente são
aplicados. Entretanto, é possivel aproximar a maioria desses por sistemas lineares em
curtos espaços de tempo, para isso a linearização de um sistema é feita em torno de
uma condição de operação.

2.3.1.2 Sistemas discretos e contínuos

Um sistema dinâmico discreto, é aquele em que o seu estado só se altera


durante os instantes {𝑡0 , 𝑡1 , 𝑡2 , … }, no intervalo de tempo entre dois desses instantes o
estado permanece estável. Já em sistemas contínuos a variação é gradual e
constante. Na prática a maior parte dos sistemas de tempo discreto resultam de
amostragens de um sistema de tempo contínuo.
Villate (2007) destaca a forte tendência ao processamento de sinais contínuos
no tempo através de sinais discretos. A equação de evolução, representada em (18),
é uma equação de diferenças de primeira ordem na qual, dado um estado inicial,
aplicações sucessivas permitem obter facilmente a sequência de estados, 𝑦𝑘 , a partir
do estado no instante anterior, 𝑦𝑘−1 .

𝑦𝑘 = 𝐹(𝑦𝑘−1 ) (18)

Comumente o símbolo 𝑘, em vez de 𝑡, é usado para denotar os índices de


tempo discreto.
45

2.3.1.3 Parâmetros concentrados ou distribuídos

Em sistemas com parâmetros concentrados as variáveis dependentes estão


em função apenas de uma variável independente, no caso, o tempo. Em um sistema
com parâmetros distribuídos, as dimensões dos componentes não são desprezadas
e, nessas circunstâncias, deve-se considerar que as variáveis são uma função do
tempo e do espaço, levando o modelo a ser descrito por equações diferenciais parciais
(MONTEIRO, 2006).

2.3.2 Modelagem matemática

Klee (2011) esclarece que o comportamento de sistemas dinâmicos pode ser


explicado por equações matemáticas que incorporam princípios científicos,
observações empíricas ou ambos. O desenvolvimento das equações que relacionam
as diferentes variáveis e a determinação dos parâmetros associados a essas é
conhecido como modelagem matemática. Logo, define-se modelo como uma entidade
que descreve, prevê ou transmite informações sobre o comportamento de algum
processo ou sistema.
Um modelo confiável deve ser capaz de produzir soluções numéricas
razoavelmente próximas as soluções reais. Porém, vários autores como Garcia
(1997), Coelho (2004) e Ogata (2003) realçam a ideia que as equações que compõem
o modelo são uma simplificação e não devem incorporar todas as características do
processo real.
Assim, como alternativa a representação de sistemas sem a exigência da
modelagem analítica, surgem as técnicas de identificação. A identificação de sistemas
se propõe a obter um modelo matemático que explique, pelo menos em parte e de
forma aproximada, a relação de causa e efeito presente em uma série de dados
empíricos através de métodos estatísticos (AGUIRRE, 2015).
As etapas de um processo de identificação de sistemas, também chamado de
modelagem experimental, são apresentadas e comparadas com a modelagem
analítica no diagrama da Figura 14. Enfatiza-se que as duas metodologias não são
mutuamente exclusivas, possibilitando a aplicação de técnicas de identificação para
determinar parâmetros necessários a modelagem analítica.
46

Figura 14 – Procedimento para análise teórica e experimentalmente de sistemas

Fonte: ISERMANN; MUNCHHOF (2011)

Segundo Bloem (1994), modelos obtidos por identificação tem as seguintes


propriedades, em contraste com os modelos com base exclusivamente analítica:
a) são relativamente fáceis de obter e aplicar. Sendo que o conhecimento
físico suficiente pode não estar disponível para uma modelagem
matemática pura;
b) possuem pouco significado físico em sua estrutura, uma vez que na maioria
dos casos, os parâmetros são usados apenas para dar uma boa descrição
do comportamento global do sistema;
c) são válidos apenas para um certo ponto de trabalho, um determinado tipo
de entrada, um determinado processo, conforme a abrangência dos dados.
47

A metodologia recomendada por Aguirre (2015) para identificação de um


processo é mostrada na Figura 15.

Figura 15 – Etapas do processo de identificação de sistemas

Fonte: LJUNG (1999)

As etapas propostas são:


a) testes dinâmicos e coleta de dados: Os dados podem ser adquiridos
através de sistemas supervisores ou de ensaios. Deve-se atentar aos tipos
de sinal de excitação, número de amostras e tempo de amostragem
empregados;
b) escolha da representação matemática: Nesta etapa se definem as variáveis
mais adequadas para a série analisada. Um excesso de variáveis na
descrição da série não garante melhores resultados, além de complicar
demasiadamente o processamento matemático;
c) determinação da estrutura do modelo: Após a escolha das variáveis, as
ordens e os termos que compõe o modelo são estimados. Da mesma forma
que na etapa de identificação, deve-se manter o modelo em sua forma mais
simples. Em diversos casos usar dados referentes a um passado distante
não influencia em nada o comportamento do sistema;
d) estimação dos parâmetros: Constitui na aplicação de um método numérico
visando à determinação dos coeficientes do modelo. O procedimento
habitual é baseado no método dos mínimos quadrados;
e) validação: Nesta etapa, verifica-se a acurácia do modelo estimado através
de simulações. É recomendado usar um conjunto de dados com
informações diferentes das utilizadas na etapa de estimação de parâmetros
para validar o modelo. Caso se comprove que a modelagem não obteve
sucesso, retoma-se às etapas anteriores em busca de um novo modelo.
48

2.3.2.1 Modelos Polinomiais Autoregressivos

No início, modelos autoregressivos eram utilizados na área de modelagem de


séries temporais para posteriormente serem adaptados, em que, por meio da adição
de novos artifícios, tornou-se viável a aplicação em sistemas dinâmicos complexos ou
impossíveis de serem descritos através dos métodos tradicionais (CARVALHO, 2008).
O modelo polinomial autoregressivo (AR) é uma representação matemática
discreta no tempo constituída por equações de diferença que descrevem uma variável
de saída submetida linearmente aos seus próprios valores anteriores e a um termo
estocástico, não havendo, portanto, entradas externas ou perturbações. Assim, o
modelo é representado sob a forma da equação apresentada em (19).

𝑛𝑎

𝑌(𝑘) = 𝑐 + ∑ 𝛼𝑖 𝑌(𝑘 − 𝑖) + 𝑒(𝑘) (19)


𝑖=1

sendo:
𝑛𝑎 , quantidade de valores atrasados de 𝑌(𝑘);
𝑒(𝑡), ruído com média zero e variância constante;
𝛼𝑖 , parâmetros constantes;
𝑐, constante.

Logo, a versão expandida do modelo AR é representada como em (20).

𝑌(𝑘) = 𝑐 + 𝑎1 𝑌(𝑘 − 1) + ⋯ + 𝑎𝑛𝑎 𝑌(𝑘 − 𝑛𝑎 ) + 𝑒(𝑘) (20)

Há a possibilidade de se acrescentar entradas 𝑋𝑖 (𝑘) ao modelo AR. Neste


caso os valores de 𝑌(𝑘) serão relacionados não apenas aos seus valores atrasados,
mas também a valores de uma série externa. Segundo Carvalho (2008), qualquer
modelo polinomial linear e discreto no tempo pode ser representado pela estrutura
generalizada mostrada na equação (21).

𝑛𝑢
𝐵𝑖 (𝑞) 𝐶(𝑞)
𝐴(𝑞)𝑌(𝑘) = ∑ 𝑋𝑖 (𝑘 − 𝑛𝑘𝑖 ) + 𝑒(𝑘) (21)
𝐹𝑖 (𝑞) 𝐷(𝑞)
𝑖=1
49

Dado que 𝑛𝑢 é o número total de entradas e o parâmetro 𝑛𝑘𝑖 representa o


atraso da entrada para a saída. As variáveis 𝐴, 𝐵, 𝐶, 𝐷, e 𝐹 são polinômios expressos
em função do operador de atraso e definidos em (22) no qual 𝑛𝑎, 𝑛𝑏, 𝑛𝑐, 𝑛𝑑 e 𝑛𝑓 são
suas respectivas ordens.

𝐴(𝑞) = 1 + 𝑎1 𝑞 −1 − ⋯ − 𝑎𝑛𝑎 𝑞 −𝑛𝑎


𝐵𝑖(𝑞) = 𝑏1 + 𝑏2 𝑞 −1 − ⋯ − 𝑏𝑛𝑏 𝑞 −𝑛𝑏+1
𝐶(𝑞) = 1 + 𝑐1 𝑞 −1 − ⋯ − 𝑐𝑛𝑣 𝑞 −𝑛𝑐 (22)
𝐷(𝑞) = 1 + 𝑑1 𝑞 −1 − ⋯ − 𝑑𝑛𝑑 𝑞 −𝑛𝑑
𝐹𝑖(𝑞) = 1 + 𝑓1 𝑞 −1 − ⋯ − 𝑓𝑛𝑓 𝑞 −𝑛𝑓

Sendo 𝑇 a frequência de amostragem do sinal, o operador de atraso pode ser


determinado tal como (23).

𝑞 −1 𝑢(𝑡) = 𝑢(𝑡 − 𝑇) = 𝑢(𝑘 − 1)


𝑞 −2 𝑢(𝑡) = 𝑢(𝑡 − 2𝑇) = 𝑢(𝑘 − 2)
(23)

𝑞 −𝑛 𝑢(𝑡) = 𝑢(𝑡 − 𝑛𝑇) = 𝑢(𝑘 − 𝑛)

Deve-se notar que 𝐴(𝑞) corresponde aos polos comuns entre a dinâmica do
sistema e a modelagem do ruído. Já 𝐹(𝑞) e 𝐵(𝑞) representam polos e zeros que
afetam somente a entrada e 𝐷(𝑞) e 𝐶(𝑞) os pólos e zeros que afetam somente o ruído.
Considerando 𝐶(𝑞) = 𝐷(𝑞) = 𝐹(𝑞) = 1 tem-se a estrutura que define um
modelo genérico com entradas exógenas, (24). Nestes casos as ordens dos
polinômios desnecessários são zeradas.

𝑛𝑏

𝐴(𝑞)𝑌(𝑡) = ∑ 𝛽𝑖 (𝑞)𝑋(𝑘 − 𝑛𝑘𝑖 ) + 𝑒(𝑘) (24)


𝑖=1

O modelo autoregressivo com entradas exógenas (ARX) é a estrutura mais


simples a incorporar um sinal externo. Uma vantagem dessa estrutura reside na
capacidade de estimar seus parâmetros eficientemente pela resolução das equações
de regressão linear na forma analítica.
50

Uma desvantagem do modelo ARX está no fato dos distúrbios serem


incorporados na dinâmica do sistema, assim quando a perturbação não é um ruído
branco o acoplamento entre a dinâmica determinística e estocástica pode influenciar
a estimativa do modelo. No entanto, esta desvantagem pode ser amenizada com uma
boa relação sinal-ruído (NATIONAL INSTRUMENTS, 2016).
O quadro 3 destaca algumas estruturas polinomiais autoregressivas, porém
muitas outras podem ser elaboradas para as mais diversas abordagens.

Quadro 3 – Outros tipos de estrutura com suas situações de aplicação


Modelo Denominação Descrição
𝑛𝑢 Estende a estrutura ARX
oferecendo uma maior
ARMAX 𝐴(𝑞)𝑌(𝑘) = ∑ 𝐵𝑖 (𝑞)𝑋𝑖 (𝑘 − 𝑛𝑘𝑖 ) + 𝐶(𝑞)𝑒(𝑘)
versatilidade para a
𝑖=1
modelagem dos ruídos.
Inclui um integrador na
1 fonte de ruído. Essa
ARIX 𝐴(𝑞)𝑌(𝑘) = 𝐵(𝑞)𝑋(𝑘) + 𝑒(𝑘) estrutura é útil quando
1 − 𝑞 −1 os distúrbios não são
estacionários.
𝑓(𝐴𝑅𝑋), sendo 𝑓 uma função não linear
NARX Modelo não linear.
genérica
𝑓(𝐴𝑅𝑀𝐴𝑋), sendo 𝑓 uma função não linear
NARMAX Modelo não linear.
genérica
Fonte: MATHWORKS (2016b)

2.3.3 Regressão linear e Método dos mínimos quadrados

Análise de regressão é uma técnica estatística usada para estabelecer uma


relação matemática entre uma variável dependente e uma ou mais variáveis
independentes. Se esta relação é linear, a regressão realizada, portanto, é chamada
de regressão linear.
A aplicação da técnica requer uma estrutura paramétrica que relaciona os
dados de resposta às entradas com um ou mais coeficientes preditores, assim o
resultado do processo de regressão é a estimativa dos coeficientes do modelo. Uma
estrutura generalizada é dada pela equação (25).

𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 (25)
51

Esta equação prevê 𝑌 através de uma relação aditiva linear entre as variáveis
𝑋, de modo que a inclinação das curvas de associação entre elas são os coeficientes
de regressão, 𝛽. A equação pode ser reescrita na forma matricial 𝑌 = 𝛽𝑋 com
elementos definidos tal qual (26).

𝑌(1) 𝑋1 (1) … 𝑋𝑛 (1) 𝛽1


𝑌(2) 𝑋 (2) … 𝑋𝑛 (2) 𝛽 (26)
𝑌=[ ] 𝑋=[ 1 ] 𝛽 = [ 2]
⋮ ⋮ ⋮ ⋮
𝑌(𝑚) 𝑋1 (𝑚) … 𝑋𝑛 (𝑚) 𝛽𝑛

Para estimar os 𝑛 parâmetros 𝛽 é necessário que 𝑚 ≥ 𝑛. Se 𝑚 = 𝑛 então 𝛽


pode ser obtido diretamente pela equação (27), sendo 𝑋 −1 a matriz inversa de 𝑋 e 𝛽̂
a estimativa de 𝛽.

𝛽̂ = 𝑋 −1 𝑌 (27)

Quando 𝑚 > 𝑛 não é possível determinar um conjunto 𝛽̂ que satisfaça as 𝑚


equações, este problema torna-se então um dilema de otimização, no qual se busca
minimizar o erro entre o modelo e os dados experimentais a partir do ajuste de 𝛽.
Neste caso os coeficientes são estimados pelo Método dos Mínimos
Quadrados. Define-se o resíduo para os dados do i-ésimo ponto como a diferença
entre o valor observado 𝑌𝑖 e o valor ajustado ŷ𝑖 , tal qual a relação (28).

𝜀 = 𝑌 − 𝛽𝑋 (28)

Sendo 𝜀 o vetor erro (𝜀1 , 𝜀2 , … , 𝜀𝑚 )𝑇 , determina-se assim a função objetivo, 𝐽,


a ser minimizada como a soma dos quadrados das diferenças entre o valor estimado
e os dados observados, como apresentado em (29).

𝐽 = ∑ 𝜀𝑖2 = 𝜀 𝑇 𝜀 (29)
𝑖=1

Realizando as devidas substituições chega-se a equação (30).

𝐽 = (𝑌 − 𝛽𝑋)𝑇 (𝑌 − 𝛽𝑋) = 𝑌 𝑇 𝑌 − 𝛽 𝑇 𝑋 𝑇 𝑌 − 𝑌 𝑇 𝛽𝑋 + 𝛽 𝑇 𝑋 𝑇 𝛽𝑋. (30)


52

Derivando 𝐽 em relação a 𝛽 e igualando o resultado a zero, como em (31), é


possível obter o vetor 𝛽̂ que minimiza 𝐽.

𝜕𝐽
| = −2𝑋 𝑇 𝑌 + 2𝑋 𝑇 𝛽̂ 𝑋 = 0 (31)
𝜕𝛽 𝛽=𝛽̂

Assim 𝑋 𝑇 𝛽̂ 𝑋 = 𝑋 𝑇 𝑌, no qual 𝛽̂ é descrito por (32).

𝛽̂ = (𝑋 𝑇 𝑌)−1 𝑋 𝑇 𝑌 (32)

Este resultado é chamado de estimador por mínimos quadrados de 𝛽. Cabe


ao método minimizar a função erro para que os parâmetros do modelo representem
com sucesso a relação entre entradas e saídas. Há inúmeros outros métodos de
obtenção de parâmetros, porém a técnica dos mínimos quadrados continua sendo a
mais conhecida e mais utilizada entre engenheiros e cientistas.

3 MODELOS MATEMÁTICOS DE TRANSFORMADORES

Para qualquer análise de engenharia, existem inúmeras maneiras de se


abordar um determinado problema, quanto mais complexa é a tarefa mais espaço há
para a diversidade. Não diferente, vários modelos foram concebidos com objetivo de
prever as temperaturas internas de um transformador de potência. Esses modelos vão
de estruturas lineares simples até modelos de elementos finitos tridimensionais.
Assim, normas são formuladas para que a indústria evite desperdiçar recursos
elaborando novas metodologias, e também para oferecer certa simplicidade e
padronização. No entanto, as normas apresentam deficiências inerentes, já que um
único procedimento dificilmente será capaz de retratar todos os casos de aplicação
(SUSA, 2005). Desse modo, metodologias concorrentes surgem para atender
diferentes necessidades, e como resultado gera-se uma vasta literatura acerca do
assunto.
53

3.1 MODELOS NORMATIVOS

A referência normativa internacional sobre carregamento de transformadores


de potência encontra-se na Norma IEC 60076-7:2005 e no Guia IEEE STD C57.91-
1995. Ambos os documentos apresentam abordagens matemáticas clássicas e muito
semelhantes ao descrever os fenômenos de elevação de temperatura no interior dos
transformadores. No Brasil, a Norma NBR 5416 estabelece os procedimentos para
carregamento de transformadores de potência, fabricados e testados conforme a
Norma NBR 5356, a qual possui equivalência com a IEC (TOLEDO, 2011).

3.1.1 Proposta do guia IEEE Cláusula 7

A modelagem térmica apresentada na norma IEEE Clausula 7 é composta por


duas etapas. Inicialmente a elevação de temperatura do topo de óleo em relação a
temperatura ambiente é determinada, e em seguida a diferença de temperatura entre
o hot-spot e o topo de óleo (ARCHER, 1988). As temperaturas internas de um
transformador de potência são representadas no diagrama da Figura 16. Os cálculos
sugeridos para determinação do hot-spot fogem ao escopo do trabalho e serão
omitidos.

Figura 16 – Distribuição simplificada de temperatura em um transformador

Fonte: ODOGLU (2009)


54

Assim, define-se temperatura do topo de óleo por duas componentes tal qual
a equação (33).

𝜃𝑇𝑂 = 𝜃𝐴 + ∆𝜃𝑇𝑂 (33)

sendo:
∆𝜃𝑇𝑂 , elevação do topo do óleo acima da temperatura ambiente [º𝐶];
𝜃𝑇𝑂 , temperatura do topo de óleo [º𝐶];
𝜃𝐴 , temperatura ambiente [º𝐶].

A elevação da temperatura do topo do óleo acima da temperatura ambiente


captura a ideia fundamental de que um acréscimo no carregamento do transformador
apresenta como efeito o aumento das perdas e, consequentemente, da temperatura
interna do equipamento.
Esta variação de temperatura depende da constante térmica e do valor da
taxa de transferência de calor (IEEE, 1995). Em função do tempo a mudança de
temperatura é modelada de acordo com a equação (34).

𝑑𝜃𝑇𝑂
𝜏 𝑇𝑂 = −𝜃𝑇𝑂 + 𝜃𝑇𝑂,𝑈 (34)
𝑑𝑡

De modo que sua solução analítica tem a forma da equação (35), constituindo
uma resposta exponencial de primeira ordem do estado de temperatura inicial para o
final.

𝑡
−𝜏
∆𝜃𝑇𝑂 = (∆𝜃𝑇𝑂,𝑈 − ∆𝜃𝑇𝑂,𝐼 ) (1 − 𝑒 𝑇𝑂 ) + ∆𝜃𝑇𝑂,𝐼 (35)

sendo:
∆𝜃𝑇𝑂,𝑈 , elevação final do topo de óleo para a carga atual [º𝐶];
∆𝜃𝑇𝑂,𝐼 , elevação inicial do topo de óleo no intervalo [°𝐶];
𝜏 𝑇𝑂 , constante de tempo do topo de óleo [h].
55

O conceito de variação exponencial de temperatura é atraente devido a sua


associação ao comportamento da água quando submetida aos fenômenos de
transferência de calor. Outra vantagem desta abordagem é a semelhança com o
processo de carga e descarga de um circuito Resistor-Capacitor, de modo que as
analogias são muito convenientes à compreensão do processo (TOLEDO, 2011).
Para o cálculo da temperatura em um ciclo de carga constituído de várias
etapas em uma série de intervalos de tempo a equação (35) é aplicada a cada
intervalo, desta maneira a temperatura calculada na etapa anterior é usada como
elevação inicial para o intervalo que se sucede. A elevação final do topo de óleo é
dada pela equação (36).

𝑛
𝐾𝑈2 𝑅 + 1 (36)
∆𝜃𝑇𝑂,𝑈 = ∆𝜃𝑇𝑂,𝑅 [ ]
𝑅+1

sendo:
𝑅, razão entre perdas em carga e perdas em vazio no carregamento nominal;
𝐾𝑈 , razão do carregamento atual para o carregamento nominal [𝑝. 𝑢. ];
∆𝜃𝑇𝑂,𝑅 , elevação do topo de óleo para carregamento nominal [º𝐶];
𝑛, expoente empírico.

Exceto para carregamentos constantes e durante um longo período de tempo


a temperatura calculada pela equação (36) nunca é atingida.
A capacidade térmica do transformador é uma propriedade responsável por
determinar a relação entre a quantidade de calor fornecido para o equipamento e a
variação de temperatura observada neste, estando diretamente relacionada com a
massa dos componentes. A norma determina valores distintos de capacidade térmica
para cada modo de refrigeração, estimados pelas equações (37) e (38).

𝑂𝑁𝐴𝑁 𝑒 𝑂𝑁𝐴𝐹 → 𝐶 = 0,1323𝑊𝑎 + 0,0882𝑊𝑡 + 0,3523𝑉𝑜 (37)

𝑂𝐹𝐴𝐹 𝑒 𝑂𝐷𝐴𝐹 → 𝐶 = 0,1323𝑊𝑎 + 0,1323𝑊𝑡 + 0,5099𝑉𝑜 (38)

sendo:
𝑊𝑡 , massa do tanque e acessórios [𝑘𝑔];
𝑊𝑎 , massa da parte ativa [𝑘𝑔];
𝑉𝑜 , volume de óleo [𝑙].
56

A constante de tempo, definida como a razão entre a capacitância térmica e


a transferência de calor, leva em consideração apenas os componentes que estão em
contato com o óleo aquecido. Logo, para elevação de temperatura inicial de 0 ºC e
carregamento nominal, a constante de tempo é obtida pela relação (39).

𝐶∆𝜃𝑇𝑂,𝑅 (39)
𝜏 𝑇𝑂,𝑅 =
𝑃𝑇,𝑅

sendo:
∆𝜃𝑇𝑂,𝑅 , elevação do topo de óleo para carregamento nominal [º𝐶];
𝐶, capacitância térmica [𝑊ℎ/º𝐶];
𝑃𝑇,𝑅 , perdas nominais [𝑊].

Enfim, para outros valores de carregamento e elevação de temperatura a


constante de tempo deve ser ajustada segundo a equação (40).

∆𝜃 ∆𝜃
(∆𝜃𝑇𝑂,𝑈 ) − (∆𝜃 𝑇𝑂,𝐼 )
𝑇𝑂,𝑅 𝑇𝑂,𝑅 (40)
𝜏 𝑇𝑂 = 𝜏 𝑇𝑂,𝑅 1/𝑛 1/𝑛
∆𝜃 ∆𝜃
(∆𝜃𝑇𝑂,𝑈 ) − (∆𝜃 𝑇𝑂,𝐼 )
𝑇𝑂,𝑅 𝑇𝑂,𝑅

sendo:
𝜏 𝑇𝑂,𝑅 , constante de tempo do óleo para carregamento nominal [h];
∆𝜃𝑇𝑂,𝑈 , elevação final do topo de óleo para a carga atual, [º𝐶];
∆𝜃𝑇𝑂,𝐼 , elevação inicial do topo de óleo no intervalo [°𝐶];
∆𝜃𝑇𝑂,𝑅 , Elevação nominal do topo de óleo [º𝐶];
𝑛, expoente empírico.

Em cada passo de tempo, as perdas são calculadas para a carga e corrigidas


para a variação da resistência dos enrolamentos com a temperatura. Essas correções
foram incorporadas nas equações com o auxílio do coeficiente 𝑛, apresentado na
Tabela 1.
57

Tabela 1 – Valores de 𝑛 conforme o guia IEEE STD C57.91-1995


Tipo de Refrigeração n
ONAN 0,8
ONAF 0,9
OFAF 0,9
ODAF 1
Fonte: IEEE (1995)

A equação exponencial de primeira ordem e alguns poucos parâmetros torna-


se muito atrativa do ponto de vista de implementação. Porém, devido a suposição de
temperatura ambiente constante, esse modelo possui a limitação fundamental de não
computar corretamente a dinâmica ambiental.
Na tentativa de obter uma melhora na reprodução das temperaturas internas
do transformador, Lesieutre (1997) introduz a dinâmica da temperatura ambiente na
equação diferencial dada em (34), resultando em (41).

𝑑𝜃𝑇𝑂
𝜏 𝑇𝑂 = −𝜃𝑇𝑂 + 𝜃𝑇𝑂,𝑈 + 𝜃𝑎𝑚𝑏 (41)
𝑑𝑡

Cuja solução tem a forma apresentada em (42).

𝑡
−𝜏
𝜃𝑇𝑂 = (∆𝜃𝑇𝑂,𝑈 − ∆𝜃𝑇𝑂,𝐼 + 𝜃𝑎𝑚𝑏 ) (1 − 𝑒 𝑇𝑂 ) + ∆𝜃𝑇𝑂,𝐼 (42)

Para realizar a estimação da temperatura do topo de óleo através de dados


de operação emprega-se o método de Euler na discretização da equação (42),
resultando em (43).

𝑛
𝜏 𝑇𝑂 ∆𝑡 𝜃𝑇𝑂,𝑅 𝐼 2 [𝑘](𝑅 + 1)
𝜃𝑇𝑂 [𝑘] = 𝜃𝑇𝑂 [𝑘 − 1] + ( )
𝜏 𝑇𝑂 + ∆𝑡 𝜏 𝑇𝑂 + ∆𝑡 (𝑅 + 1) (43)
∆𝑡
+ 𝜃 [𝑘]
𝜏 𝑇𝑂 + ∆𝑡 𝑎𝑚𝑏
58

Assim, assumindo 𝑛 = 1 a equação é linearizada e condicionada para o


processo de regressão linear. Agrupando os termos constantes como em (44), (45) e
(46).

∆𝑡 𝑅 𝜃𝑇𝑂,𝑅 (44)
𝐾1 =
(𝜏 𝑇𝑂 + ∆𝑡)(𝑅 + 1)
∆𝑡 (45)
𝐾2 =
𝜏 𝑇𝑂 + ∆𝑡
∆𝑡 𝜃𝑇𝑂,𝑅 (46)
𝐾4 =
(𝜏 𝑇𝑂 + ∆𝑡)(𝑅 + 1)

Temos então a equação (47).

𝜃𝑇𝑂 [𝑘] = 𝐾1 𝐼 2 [𝑘] + 𝐾2 𝜃𝑎𝑚𝑏 [𝑘] + (1 − 𝐾2 )𝜃𝑇𝑂 [𝑘 − 1] + 𝐾4 (47)

Tylavsky (1999) propôs a substituição de (1 − 𝐾2 ) em (47) por um novo


parâmetro independente. Aplicando a mudança de notação a equação pode ser
representada como em (48).

𝜃𝑇𝑂 [𝑘] = 𝐾1 𝐼 2 [𝑘] + 𝐾2 𝜃𝑎𝑚𝑏 [𝑘] + 𝐾3 𝜃𝑇𝑂 [𝑘 − 1] + 𝐾4 (48)

Devido à substituição realizada as constantes perdem a sua significância


física, porém o aumento de um grau de liberdade na equação rende melhorias sob o
modelo físico sugerido por Lesieutre.
As relações apresentadas constituem um procedimento de cálculo de
diferenças finitas com marcha para frente, formuladas de modo que as temperaturas
obtidas a partir do cálculo no tempo anterior 𝑡1 , ou [𝑘 − 1] no modelo discreto, sejam
utilizadas para calcular as temperaturas no instante seguinte 𝑡1 + 𝛥𝑡 ou [𝑘]. Com esta
abordagem, uma precisão maior é alcançada selecionando um pequeno valor para o
incremento de tempo, sem a necessidade de iterações (IEEE, 1995).
59

3.1.2 Proposta do guia IEEE Anexo G

Em relação a dinâmica térmica, espera-se que os modelos baseados no


equacionamento da Cláusula 7 do guia IEEE apresente a elevação de temperatura no
topo do óleo sobre a temperatura ambiente como um ponto de partida razoável para
as pesquisas na área.
No entanto, investigações realizadas por Pierce (1992) mostraram que
durante sobrecargas a temperatura do óleo nos dutos de refrigeração aumenta
rapidamente seguindo uma constante de tempo igual à do enrolamento. Durante esta
condição transitória, a temperatura do óleo adjacente ao ponto quente é superior à
temperatura do topo de óleo no tanque, esse fenômeno é ilustrado na Figura 17.

Figura 17 – Variação da elevação do hot-spot sob o topo de óleo

Fonte: SUSA (2005).

As equações apresentadas no Anexo G do guia IEEE STD C57.91-1995 são


desenvolvidas na tentativa de quantificar esse fenômeno. Para isso, diferentemente
da Clausula 7 que trabalha com a aproximação pela variação exponencial, o anexo G
usa diretamente os princípios da termodinâmica e transferência de calor. Entretanto,
a aplicação desse modelo requer que sejam determinados diversos parâmetros,
apresentados no Quadro 4.
60

Quadro 4 – Parâmetros necessários para os modelos IEEE


IEEE Clausula 7 IEEE Anexo G
1. Elevação do topo de óleo em 1. Elevação do topo de óleo em
carga nominal carga nominal
2. Elevação do hot-spot sob o 2. Elevação do hot-spot sob o
topo de óleo em carga nominal topo de óleo em carga nominal
3. Razão das perdas em carga 3. Elevação média de temperatura
nominal do enrolamento para carga
nominal
4. Constante de tempo do 4. Temperatura do fundo do óleo
enrolamento em carga nominal
5. Constante de tempo do óleo ou: 5. Perdas medidas em ensaio:
a) peso da parte ativa a) potência base do ensaio, kVA
b) peso do tanque e acessórios b) elevação de temperatura do
c) volume de óleo enrolamento
c) perdas no enrolamento
d) perdas por Foucault
e) perdas por dispersão
f) perdas no núcleo
6. Tipo de refrigeração 6. Peso da parte ativa
7. Peso do tanque e acessórios
8. Volume de óleo
9. Tipo de refrigeração
10. Material do enrolamento
11. Constante de tempo do
enrolamento
12. Localização do hot-spot
13. Perdas por unidade devido a
correntes de Foucault no ponto
quente
Fonte: Askari (2012)

Desta maneira, devido à grande quantidade de parâmetros de difícil obtenção,


o modelo disponível no Anexo G, apesar de muito conveniente para o fabricante, é de
difícil emprego prático.
61

3.2 MODELO ELABORADO PARA OS TRAFOS PRINCIPAIS DE ITAIPU

Os transformadores principais de Itaipu têm a finalidade de elevar a tensão de


saída dos geradores de 18 kV para 500 kV possibilitando a transmissão eficiente de
energia da usina até as subestações de Foz do Iguaçu e Margem Direita. Existem 66
transformadores elevadores em operação, sendo que cada unidade geradora possui
três equipamentos monofásicos e os seis restantes estão dispostos como reserva.
Santos (2016), com o emprego de balanços de energia obteve as equações
diferenciais que descrevem as temperaturas internas em função da corrente nos
enrolamentos. Para isso cada equipamento é dividido em cinco volumes de controles,
sendo eles, enrolamento de baixa tensão, enrolamento de alta tensão, núcleo, óleo
isolante e trocadores de calor.
A solução dessas equações é encontrada através do método da transformada
de Laplace, com o intuito de utilizar funções algébricas de uma variável complexa.
Assim, para cada volume de controle, definem-se suas respectivas funções de
transferência e os coeficientes de ajuste do modelo.
Para exemplificar a metodologia adotada por Santos (2016), o
desenvolvimento das equações para o enrolamento de baixa tensão é realizado a
partir do balanço de energia retratado na Figura 18.

Figura 18 - Volume de controle adotado por Santos para o enrolamento

Fonte: (SANTOS, 2016)

Dessa maneira 𝐸̇𝑒𝑛𝑟,𝑏𝑡 (𝑡) representa a energia acumulada no volume de


controle, 𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑔𝑒𝑟 (𝑡) a energia gerada devido as dissipações de potência, 𝑞̇ 𝑜𝑙𝑒𝑜,𝑓 (𝑡) a
energia térmica que entra no volume com o óleo que retorna do trocador de calor e
𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑐𝑜𝑛𝑣 (𝑡) a energia dissipada por convecção.
62

Logo, a equação diferencial que rege as trocas térmicas sobre o volume de


controle do enrolamento é obtida através do balanço de energia e pode ser expressa
pela equação (49).

𝑑𝐸̇𝑒𝑛𝑟,𝑏𝑡 (𝑡)
= 𝑞̇ 𝑜𝑙𝑒𝑜,𝑓 (𝑡) − 𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑐𝑜𝑛𝑣 (𝑡) + 𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑔𝑒𝑟 (𝑡) (49)
𝑑𝑡

Definido cada termo do balanço, temos que a energia acumulada no


enrolamento de baixa tensão é dada pela equação (50).

𝑑𝐸̇𝑒𝑛𝑟,𝑏𝑡 (𝑡) 𝑑[𝑚𝑒𝑛𝑟.𝑏𝑡 𝑐𝑝 𝑇𝑒𝑛𝑟.𝑏𝑡 (𝑡)]


= (50)
𝑑𝑡 𝑑𝑡

sendo:
𝑐𝑝 , calor específico do enrolamento [𝐽⁄º𝐶 . 𝑘𝑔 ];
𝑇𝑒𝑛𝑟.𝑏𝑡 (𝑡), temperatura do enrolamento [º𝐶];
𝑚𝑒𝑛𝑟.𝑏𝑡 , massa do enrolamento [𝑘𝑔].

Sabe-se que quanto maior a temperatura do óleo menor é a quantidade de


calor retirado da parte ativa do transformador, assim define-se a equação (51).

𝑞̇ 𝑜𝑙𝑒𝑜,𝑓 (𝑡) = 𝑚̇𝑜𝑙𝑒𝑜,𝑓 𝑇𝑜𝑙𝑒𝑜,𝑓 (𝑡)


(51)

sendo:
𝑚̇𝑜𝑙𝑒𝑜,𝑓 𝑇𝑜𝑙𝑒𝑜,𝑓 (𝑡), temperatura do óleo que retornados trocadores de calor;
𝑚̇𝑜𝑙𝑒𝑜,𝑓 , vazão mássica de óleo na saída do trocador de calor.

A parcela que representa a troca térmica do volume de controle nos


enrolamentos de baixa tensão é dada pela equação (52), sendo essa responsável
pelo resfriamento desse componente.

𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑐𝑜𝑛𝑣 (𝑡) = ℎ𝑜𝑙𝑒𝑜 𝐴𝑒𝑛𝑟,𝑏𝑡 (𝑇𝑒𝑛𝑟,𝑏𝑡 (𝑡) − 𝑇𝑜𝑙𝑒𝑜,𝑓 (𝑡) )


(52)
63

sendo:
ℎ𝑜𝑙𝑒𝑜 , coeficiente de troca de calor por convecção [𝑊 ⁄𝑚2 . 𝐾];
𝐴𝑒𝑛𝑟,𝑏𝑡 , área superficial do enrolamento [𝑚2 ].

A energia gerada no volume de controle é oriunda das perdas por Efeito Joule
no enrolamento e pode ser quantificada pela equação (53).

𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑔𝑒𝑟 (𝑡) = 𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼 2 (𝑡)


(53)

sendo:
𝑅𝑒𝑛𝑟,𝑏𝑡 , resistência elétrica do enrolamento [Ω];
𝐼 2 (𝑡), corrente [𝐴].

Linearizando esta relação por meio da Série de Taylor, chega-se a (54).

2
𝑞̇ 𝑒𝑛𝑟,𝑏𝑡,𝑔𝑒𝑟 (𝑡) = 2𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼𝑒𝑛𝑟,𝑏𝑡 0 𝐼𝑒𝑛𝑟,𝑏𝑡 (𝑡) − 𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼𝑒𝑛𝑟,𝑏𝑡 (54)
0

Substituindo na equação (49) todos os termos definidos, obtém-se a equação


diferencial que descreve o comportamento térmico do volume de controle, (55).

𝑑𝑇𝑒𝑛𝑟.𝑏𝑡 (𝑡)
𝑚𝑒𝑛𝑟.𝑏𝑡 𝑐𝑝 = −ℎ𝑜𝑙𝑒𝑜 𝐴𝑒𝑛𝑟,𝑏𝑡 (𝑇𝑒𝑛𝑟,𝑏𝑡 (𝑡) − 𝑇𝑜𝑙𝑒𝑜,𝑓 (𝑡) )
𝑑𝑡 (55)
2
+2𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼𝑒𝑛𝑟,𝑏𝑡 0 𝐼𝑒𝑛𝑟,𝑏𝑡 (𝑡) − 𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼𝑒𝑛𝑟,𝑏𝑡 0
+ 𝑚̇𝑜𝑙𝑒𝑜,𝑓 𝑇𝑜𝑙𝑒𝑜,𝑓 (𝑡)

Reordenando a equação e deixando em evidência a temperatura do


enrolamento chega-se a (56).

(𝐾1 𝑆 + 𝐾2 )𝑇𝑒𝑛𝑟,𝑏𝑡 (𝑠) = 𝐾2 𝑇𝑜𝑙𝑒𝑜,𝑓 (𝑠) + 𝐾3 𝐼𝑒𝑛𝑟,𝑏𝑡 (𝑠) + 𝑇𝑒𝑛𝑟,𝑏𝑡 (0+ ) − 𝐾4 (56)

sendo:
𝐾1 = 𝑚𝑒𝑛𝑟.𝑏𝑡 𝑐𝑝;
𝐾2 = ℎ𝑜𝑙𝑒𝑜 𝐴𝑒𝑛𝑟,𝑏𝑡 ;
𝐾3 = 2𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼𝑒𝑛𝑟,𝑏𝑡 0;
2
𝐾4 = 𝑅𝑒𝑛𝑟,𝑏𝑡 𝐼𝑒𝑛𝑟,𝑏𝑡 0;
64

A relação se apresenta condicionada para a regressão linear múltipla onde as


constantes 𝐾𝑛 são definidas. Essa metodologia é aplicada em todos os volumes de
controle, resultando em um conjunto de equações que descreve as temperaturas
internas do equipamento.

3.3 OUTROS MODELOS DA LITERATURA

Partindo das lacunas dos modelos normativos outros métodos de modelagem


foram desenvolvidos, sendo em sua maioria não lineares a fim de capturar os
fenômenos de aquecimento com mais rigor, apresentando também a capacidade de
representarem um maior número de regimes dinâmicos frente aos lineares
convencionais.
Deve-se dar notoriedade a Swift (2001) e Susa (2005), que elaboraram
modelos empregando a analogia de circuito elétrico equivalente. A característica
principal desses modelos é o uso de uma fonte de corrente e uma resistência não
linear para representar a geração de calor devido às perdas e os efeitos da convecção
do óleo, respectivamente.
Ressalta-se que uma extensa revisão acerca de estudos realizados pode ser
encontrada no primeiro capítulo de Marko (1997). Da mesma forma, Susa (2005) faz
menção a diversos trabalhos no segundo capítulo de sua dissertação, principalmente
se tratando de modelos não lineares baseados na analogia termoelétrica. Vilaithong
(2011) também distingue as várias abordagens ao longo de sua monografia. Muitos
autores como Jauregui-Rivera (2006), Amoda (2009) e Rao (2013) analisaram a fundo
a aceitação e performance de diversos modelos.
As tentativas de aprimorar a precisão dos resultados se deparam com um
sucesso limitado devido, principalmente, ao dilema da utilização de parâmetros
generalizados. Ou seja, os autores buscam representar o maior número de casos
possível e, em consequência, sofrem com restrições de precisão. Além do mais, as
equações diferenciais aplicadas são complexas e sujeitas a algumas metodologias
para modelagem de sistemas não lineares de difícil entendimento.
Com o advento das tecnologias computacionais em todos os domínios da
engenharia e com o desenvolvimento de simulações cada vez mais apuradas, a
resolução de problemas complexos utilizando técnicas computacionais tornou-se
conveniente (HARITHA, 2011).
65

No campo da modelagem térmica de transformadores têm sido apresentados


extensos estudos relativos ao uso de técnicas baseadas em identificação de sistemas.
Neste contexto, os modelos matemáticos concebidos a partir de variados algoritmos
de treinamento recebem grande atenção, tanto da comunidade acadêmica quanto no
campo de aplicações industriais (RODRIGUES, 2010).
A combinação de métodos como, por exemplo, sistemas neurais, algoritmos
genéticos e estruturas polinomiais autoregressivas podem ser empregados com
sucesso para melhorar a eficiência dos sistemas que modelam o aquecimento de
transformadores, como exemplificado em inúmeras publicações (CARVALHO et al.,
2008; He, 2000; SEIER, 2015).
Portanto, devido à natureza do problema sugerido, no qual se busca
representar o comportamento de um equipamento específico desfrutando de uma
extensa base de dados operacionais, propõem-se a utilização de técnicas de
regressão para encontrar a estrutura do modelo que melhor se acomoda aos dados.
Dessa forma, sendo capaz de incorporar peculiaridades e características do
dispositivo de maneira que outras metodologias encontrariam dificuldades.
66

4 OBJETO DE ESTUDO

A Subestação Margem Direita (SEMD), é responsável pela interconexão entre


a geração 50 Hz de ITAIPU e o sistema elétrico paraguaio. Sob responsabilidade da
Administracion Nacional de Electricidad - ANDE, em 2010 sua estrutura foi ampliada
para atender o crescente setor energético do país, tornando-se assim responsável por
transferir um equivalente de até 7 mil megawatts, representando cerca de 75% da
energia consumida nesse.
Na SEMD a energia solicitada pelo sistema é rebaixada de 525 kV para 220
kV através de seis conjuntos autotransformador-regulador e transmitida através de
quatro linhas. O autotransformador adquirido mais recentemente, denominado T05 e
mostrado na Figura 19, é o de maior potência entre todos já instalados na usina. Com
a chegada deste a capacidade instalada da subestação foi elevada de 1875 MVA para
2345 MVA (WEG, 2012).

Figura 19 – Autotransformador T05

Fonte: WEG (2012)


67

Esse equipamento foi selecionado como plataforma para o desenvolvimento


do modelo por possuir o histórico de aquisição de dados desde a sua entrada em
operação, em 2012, assim como uma extensa documentação e disponibilidade de
ensaios de elevação de temperatura monitorados por fibra ótica, possibilitando a
futura expansão deste trabalho para a caracterização das demais temperaturas
internas do dispositivo.
Sendo assim, o Quadro 5 ilustra algumas das características físicas principais
do equipamento. As informações a seguir foram retiradas do manual do fabricante.

Quadro 5 – Características físicas do autotransformador T05


Dados técnicos principais
Classificação: Autotransformador Nº de fases: 3
Meio isolante: Óleo mineral naftênico Frequência: 50 Hz
Normas: ABNT NBR 5356 Instalação: Ao tempo
Sistema de refrigeração: ONAN, ODAF I, ODAF II Altura de instalação sobre
Elevação média de temperatura dos enrolamentos: o nível do mar: ≤1000 m
65º C
Elevação de temperatura do ponto mais quente do
enrolamento: 80º C
Elevação de temperatura do ponto mais quente do
óleo: 65º C
Massa total: 297.050 kg
Massa do tanque e 87.600 kg
acessórios
Massa da parte ativa 124.800 kg
Massa do óleo 84.650 kg
Volume de óleo 95.100 litros
Fonte: Manual do equipamento

Quanto a sua construção, o autotransformador possui um núcleo do tipo core


type com três colunas prensadas por armaduras através de tirantes horizontais e
também com o auxílio de camadas de fita polyglass, havendo vários canais de
circulação de óleo para a sua refrigeração, inclusive entre a armadura e as chapas de
silício o que permite isolar e refrigerar ambos.
Os enrolamentos do autotransformador estão divididos em Enrolamento
Terciário (baixa tensão), Enrolamento Comum (média tensão) e Enrolamento Série
(alta tensão).
68

O enrolamento comum é do tipo disco contínuo sem espaçadores, constituído


por condutores confeccionados em cobre e isolados com papel termoestabilizado,
formando um cabo transposto, conforme mostrado na Figura 6 da seção 2.1.2.2.
O enrolamento série é do tipo disco entrelaçado onde todos os discos são
separados por calços de presspahn, formando canais de circulação. O tipo de
condutor utilizado é o cabo geminado, que consiste de dois condutores de cobre
isolados individualmente por uma camada de esmalte e unidos em um único condutor
isolado com papel termoestabilizado.
É importante ressaltar que o enrolamento terciário não está sendo utilizado na
operação do equipamento e, portanto, encontra-se ligado em vazio.
Separando os enrolamentos existem calços de presspahn, cilindros e anéis
isolantes que proporcionam o devido apoio radial e axial além de formar os canais de
refrigeração e barreiras para controle das tensões envolvidas.
Para realizar o controle de temperatura o autotransformador possui três
estágios de resfriamento, sendo sua potência nominal dada pelo estágio atuante, de
acordo com a Tabela 2.

Tabela 2 – Potência nominal para cada etapa de resfriamento


Enrolamento Potência Nominal [MVA] Tensão Corrente Nominal [A]
ONAN ODAF1 ODAF2 Nominal [kV] ONAN ODAF1 ODAF2
Alta tensão
238 376 470 525 261,7 413,5 516,9
(H1, H2, H3)
Média tensão
238 376 470 241,5
(X1, X2, X3)
Baixa tensão
80 125 157 13,8
(Y1, Y2, Y3)
Fonte: Manual do equipamento

Composto por 18 motoventiladores e quatro motobombas o sistema de


resfriamento do autotransformador é responsável pela circulação forçada de ar e óleo
no equipamento. O controle dos estágios de refrigeração é realizado automaticamente
pelos monitores de temperatura, denominados TM1 e TM2, ou manualmente através
do painel do equipamento.
Nesta aplicação o módulo TM1 faz o monitoramento do topo do óleo e o
módulo TM2 dos enrolamentos, ambos podem acionar os ventiladores e bombas para
refrigeração de acordo com os limites pré-estabelecidos.
69

A medição de temperatura do topo de óleo no transformador é realizada


através de um sensor de temperatura do tipo PT100 a 0ºC, instalado em um
termopoço existente na tampa do tanque. A temperatura é adquirida em intervalos
irregulares, normalmente no instante de tempo em que uma variação em torno de 0,2
ºC for detectada.
Baseado nestas leituras e na carga do transformador, o monitor de
temperatura traça a curva de aquecimento dos enrolamentos através do algoritmo
implementado em seu software, essa técnica é amplamente difundida e denomina-se
Imagem Térmica. Para garantir a correta operação do equipamento, devem ser
ajustados no TM1 e TM2 os parâmetros que fornecerão as condições para a atuação
do sistema de refrigeração.
Os limites de temperatura permitidos dependem do tipo de isolamento e óleo
utilizado no transformador. O limite do isolamento encontra-se geralmente entre 120
e 180 ºC, acima desta faixa falhas dielétricas podem ocorrer devido à formação de
bolhas de gás. O limite para o óleo determina a carga nominal do transformador e
encontra-se geralmente a 98 ºC, de acordo com as normas IEC, temperatura em que
a taxa de envelhecimento do papel isolante é considerada normal.
Os limites de temperatura são ajustados de acordo com os procedimentos
operacionais da usina seguindo um documento interno, denominado IOPI 02 –
Revisão 30, e mostrados na Tabela 3.

Tabela 3 – Limites de temperatura adotados por Itaipu


T05 Óleo Enrolamentos
Partida da 1º etapa 2º etapa 1º etapa 2º etapa
ventilação 70ºC 80ºC 70ºC 80ºC
Níveis críticos Alarme Desligamento Alarme Desligamento
85ºC 95ºC 90ºC 100ºC
Fonte: IOPI 02 – Revisão 30

A programação dos parâmetros nos monitores de temperatura deve ser


realizada durante os procedimentos de instalação e comissionamento do sistema, os
valores atribuídos são baseados nos ensaios realizados pelo fabricante. É através
desses ensaios também que os parâmetros necessários para a aplicação do modelo
IEEE Clausula 7 são levantados.
70

5 DESENVOLVIMENTO DO MODELO

Até mesmo os métodos automáticos de seleção de estrutura só trabalham


com as variáveis que lhes são fornecidas e na forma que são dadas, para então
procurar apenas padrões lineares e aditivos entre elas. Desse modo, fica a cargo do
pesquisador coletar e tratar os dados relevantes, realizar investigações a procura de
padrões de interesse e, após concluída a modelagem, conferir os resíduos e princípios
físicos apropriados para determinar se as equações são capazes de predizer os
fenômenos de maneira coerente.

5.1 ESCOLHA DAS VARIÁVEIS DO MODELO

O primeiro passo para a identificação de um sistema dinâmico é a escolha das


variáveis que serão utilizadas na estrutura do seu respectivo modelo matemático.
Existem diversos critérios que podem ser utilizados nessa etapa, mas em todos os
casos, por se tratar de um sistema real, deve-se assegurar a possibilidade de medição
destas variáveis ao longo do tempo. Ou seja, os valores devem ser passiveis de
amostragem através de sistemas de aquisição de dados durante a operação normal
ou ensaios do equipamento (CARVALHO, 2008).
Todas as variáveis disponíveis para análise que possuem potencial de
influenciar nos fenômenos de geração e transferência de calor são apresentadas no
Quadro 6.

Quadro 6 – Variáveis amostradas


Operacionais Ambientais
Temperatura do topo de óleo, ºC Temperatura ambiente, ºC
Temperatura dos enrolamentos, ºC Velocidade do vento, m/s
Corrente, A Umidade relativa, %
Tensão, V Precipitação, mm
Estado do sistema de refrigeração, on/off

No caso em estudo, os dados operativos são provenientes dos sistemas


supervisores da subestação e os valores utilizados correspondem a fase S do
enrolamento de alta tensão sabendo que, para meios de análise, as outras fases são
idênticas. Os dados ambientais são obtidos por uma estação meteorológica
71

automática operada em convênio com o Sistema Meteorológico do Paraná (Simepar)


e localizada nas proximidades da Margem Direita. Visto que estas medições orientam
os processos de previsão, supervisão e controle da operação de Itaipu, considera-se
os sistemas de aquisição confiáveis e os valores aferidos com precisão satisfatória.
Para a seleção dos regressores que irão compor a estrutura do modelo antes
de tudo é necessário estabelecer qual será a resposta do mesmo, sendo essa o
objetivo do trabalho. Isto é, deseja-se obter uma estrutura que represente a
temperatura no topo de óleo do transformador, portanto essa foi selecionada como a
única saída do modelo.
O próximo passo é a determinação das entradas. Após o levantamento de
todas as variáveis disponíveis que pudessem vir a afetar a temperatura do
transformador, sejam ambientais ou de operação, é necessário escolher quais
exercem influência considerável na saída do modelo, de maneira a não criar uma
estrutura complexa para correlacionar entradas com impactos ínfimos.
Sabendo que a temperatura dos enrolamentos é estimada através da técnica
de imagem térmica, ou seja, por meio de um modelo matemático em função da carga
e temperatura do topo de óleo optou-se por rejeitá-la de antemão, evitando
predisposições na estrutura regressiva.
A correlação cruzada é uma medida de similaridade entre dois sinais em
função de um atraso aplicado a um deles e apresenta-se como uma ferramenta capaz
de apontar uma dependência significativa entre duas ou mais variáveis candidatas a
compor um modelo (AGUIRRE, 2015). A função correlação cruzada discreta entre
dois sinais 𝑋(𝑘) e 𝑌(𝑘) é definida segundo a equação (57).

𝑁
1
𝑅𝑥𝑦 (𝑎) = lim ∑ 𝑋(𝑘) ∙ 𝑌(𝑘 − 𝑎) (57)
𝑁→ ∞ 𝑁
𝑎=1

sendo:
𝑋(𝑘) 𝑒 𝑌(𝑘), sinais de entrada e saída, respectivamente;
𝑎, número de atrasos analisados para o sinal;
𝑁, número de amostras.
72

A relevância da correlação é mais facilmente visualizada se as amostras


forem padronizadas anteriormente, o que significa convertê-las de uma escala real
para uma escala representativa. Para isso utilizam-se unidades de desvios padrão da
média, obtidas através da equação (58), sendo 𝑋𝑖 o valor da amostra, 𝑋̅ a média da
população e 𝜎 o desvio padrão da população.

𝑋𝑖 − 𝑋̅ (58)
𝑋=
𝜎

Vale mencionar que a padronização das variáveis não afeta de forma alguma
a legitimidade do modelo de regressão, uma vez que, considerando a equação (25)
da seção 2.3.3, os estimadores 𝛽1 , 𝛽2 , … , 𝛽𝑛 representam as inclinações da curva de
ajuste, ou seja, o quanto a curva se modifica quando 𝑋1 , 𝑋2 , … , 𝑋𝑛 é alterado, nas quais
observa-se que multiplicando 𝑋𝑛 por um fator 𝑎 modifica-se 𝛽𝑛 por 1/𝑎 de mesmo
modo. Tal afirmação pode ser comprovada através das relações (59) e (60).

𝑁
∑𝑖=1(𝑋𝑛,𝑖 − 𝑋̅𝑛 )(𝑌𝑖 − 𝑌̅) (59)
𝑁 = 𝛽𝑛 (𝑋𝑛 )
∑𝑖=1(𝑋𝑛,𝑖 − 𝑋̅𝑛 )2

Então,

𝑁 𝑁
∑𝑖=1(𝑎𝑋𝑛,𝑖 − 𝑎𝑋̅𝑛 )(𝑌𝑖 − 𝑌̅) 𝑎 ∑𝑖=1(𝑋𝑛,𝑖 − 𝑋̅𝑛 )(𝑌𝑖 − 𝑌̅) 𝛽𝑛 (𝑋𝑛 ) (60)
𝑁 = 𝑁 =
∑𝑖=1(𝑎𝑋𝑛,𝑖 − 𝑎𝑋̅𝑛 )2 𝑎2 ∑𝑖=1(𝑋𝑛,𝑖 − 𝑋̅𝑛 )2 𝑎

Deste modo, fica claro que escalar as amostras equivale a escalar os


coeficientes associados, não modificando a relação dinâmica das variáveis.
À medida que o coeficiente de correlação se aproxima a 1 pode-se afirmar
que existe uma quase sobreposição dos sinais analisados. De mesmo modo, quando
o seu valor é próximo a -1 os sinais possuem distribuição de picos e vales análoga,
porém com orientação oposta. O coeficiente de correlação próximo a 0 indica sinais
ortogonais e sem semelhança significativa.
73

Os dados utilizados para a análise de correlação cruzada, exibidos na Figura


20, foram amostrados entre 15 e 19 de abril de 2013 e encontram-se em um período
sem perturbações, como chuva ou atuação do sistema de refrigeração forçada,
permitindo aferir quais variáveis influenciam continuamente o comportamento da
saída.

Figura 20 – Comportamento das variáveis no período em avaliação.

A correlação cruzada entre um sinal e ele próprio constitui-se de um artifício


matemático denominado autocorrelação e mostra-se útil para encontrar padrões
repetitivos, como a presença de um sinal periódico, e avaliar a aleatoriedade de uma
série. Posto isso, investiga-se a autocorelação de todas as variáveis disponíveis,
resultando nos graficos observados na Figura 21.
74

Figura 21 – Autocorrelação das variáveis

Como esperado, constata-se uma forte autocorrelação e sazonalidade nas


variáveis, comportamento característico de fenômenos físicos e ambientais, sendo
que o segundo pico observado, correspondente a cerca de 144 intervalos de medição,
representa o valor no qual o atraso se alinha com dia anterior.
Em 1926, Yule realizou um estudo minucioso sobre o fenômeno denominado
pelo mesmo de nonsense-correlation (“Correlação sem sentido”, em tradução literal)
apontando que correlações espúrias podem ocorrer entre séries temporais
independentes quando elas próprias são autocorrelacionadas. Assim, mesmo que os
valores de uma série não forneçam informações sobre os valores da outra, ainda é
possível que a correlação cruzada entre elas seja significativamente não zero.
Esse fenômeno é facilmente observado quando se considera a situação em
questão, na qual os sinais são autocorrelacionados e possuem sazonalidade. Tais
séries são relativamente suaves com o predomínio de baixas frequências e, neste
caso, fica evidente que o comportamento delas pode ser aproximadamente alinhado
em certo atraso, dando a impressão, visualmente e numericamente, que são
correlacionadas. (DEAN, 2016)
Para evitar conclusões errôneas recomenda-se, quando possível, aproximar
a situação de entrada ao ruído branco, essa técnica é chamada de pré-
branqueamento e compreende o uso da derivada primeira ou filtros regressivos para
tratamento das séries, conforme mostrado em PennState (2016).
75

Com o emprego do método das derivadas primeiras, chegam-se as variáveis


mostradas na Figura 22.

Figura 22 – Derivada primeira das variáveis em avaliação

Assim, em posse das variáveis “branqueadas” levantam-se novamente os


coeficientes de autocorrelação, resultando nos gráficos exibidos na Figura 23.

Figura 23 – Autocorrelação das variáveis após a aplicação da derivada primeira


76

Percebe-se que as derivadas da Tensão e Velocidade do Vento comportam-


se como um ruído branco e as outras variáveis, mesmo que não completamente
branqueadas, apresentam coeficientes de autocorrelação mais expressivos. Deste
modo, é possível chegar a conclusões significativas avaliando a correlação cruzada
entre as entradas e a saída, apresentadas na Figura 24.

Figura 24 – Coeficientes de correlação entre entradas e saída


77

As linhas horizontais no gráfico de correlação representam os limites para um


intervalo de confiança de 95%, podendo ser rejeitada a hipótese de que as séries são
relacionadas caso o coeficiente de correlação esteja dentro deste intervalo para o
atraso especificado.
Com o auxílio da análise das correlações existentes entre as variáveis
candidatas a entrada e a variável de saída percebe-se que a velocidade do vento e a
tensão não influenciam significativamente na temperatura do topo de óleo, portanto
essas não irão compor o modelo.
Tendo definido quais não serão usadas como entrada, resta saber se todas
as variáveis correlacionadas com a saída são necessárias. Para isso, além da
investigação entre cada uma das candidatas a entrada e a variável de saída, também
é investigada a correlação entre as entradas com o intuito de evitar a inclusão de
parâmetros redundantes no modelo. Destaca-se a relação elevada entre Temperatura
Ambiente e Umidade Relativa, como indicado na Figura 25.

Figura 25 – Correlação entre Temperatura Ambiente e Umidade Relativa.

O resultado observado entre Temperatura Ambiente e Umidade Relativa é um


caso claro no qual as variáveis A e B estão correlacionadas, pois ambas são causadas
por uma terceira variável C, no caso, o aumento da solubilidade da água no ar com a
elevação da temperatura ambiente resulta em uma redução da umidade relativa.
Consequentemente, optou-se por manter apenas a Temperatura Ambiente no modelo
considerando a Umidade Relativa como uma variável redundante.
78

Dessa forma, a relação que se busca tem como saída a Temperatura do Topo
de Óleo e como entradas o valor atrasado da Temperatura do Topo de Óleo,
Temperatura Ambiente e a Corrente no equipamento, se caracterizando como a
função apresentada em (61).

𝑇𝑂𝑙𝑒𝑜 = 𝑓(𝑇𝑂𝑙𝑒𝑜 𝑘−1 , 𝐼, 𝑇𝐴𝑚𝑏 ) (61)

Fica evidente que as devidas precauções devem ser tomadas ao se realizar


uma análise de correlação. A negligência da autocorrelação e a inabilidade da
ferramenta em capturar certas relações não lineares podem induzir conclusões
inadequadas e até mesmo perigosas em diversas circunstâncias (DEAN, 2016).

5.2 ESCOLHA DO PERÍODO DE ANÁLISE E TRATAMENTO DOS DADOS

O clima subtropical úmido de Foz do Iguaçu proporciona uma das maiores


amplitudes térmicas do estado do Paraná, cerca de 14 °C de diferença média entre
inverno e verão (ITAIPU, 2015d). O período mais quente vai de novembro a fevereiro,
quando a temperatura máxima ultrapassa facilmente os 30ºC, e o inverno restringe-
se aos meses de junho a agosto, quando a temperatura mínima média é de 13ºC.
Aguirre (2015) ressalta a importância da validação de modelos em condições
semelhantes às usadas para sua estimação, principalmente devido ao caráter linear
das estruturas identificadas. Portanto, é aconselhável selecionar diferentes pontos de
operação que caracterizem o funcionamento do transformador e onde comportamento
dinâmico do sistema seja aproximadamente linear.
Em regiões com clima diversificado é possível estimar um modelo para cada
condição de operação que se queira, desde que se disponha de dados com qualidade
necessária para a regressão nesses períodos. No caso em estudo há interesse em
caracterizar a operação do equipamento em duas situações, uma com temperatura
ambiente baixa e a segunda com temperaturas média-altas.
Os pontos de operação do equipamento também podem ser definidos pela
corrente, cuja variação se mostra bastante ampla, indo de 261,7 A nominais para o
regime ONAN até 516,9 A para ODAF. Contudo, por não apresentar variações
repentinas, a temperatura ambiente se mostra mais adequada como parâmetro de
referência.
79

Em vista disso, o primeiro conjunto de dados selecionados, denominado


“Período de inverno” e apresentado na Figura 26, dá-se com o equipamento operando
a uma temperatura ambiente amena, entre 10 e 25 ºC, onde não será necessária a
atuação dos sistemas de refrigeração forçada. Nessas circunstâncias a temperatura
de topo de óleo responde uniformemente as variações dos parâmetros de entrada.

Figura 26 – Comportamento das variáveis durante o período de inverno


80

O segundo caso em estudo, denominado "Período de verão", representa a


operação durante dias quentes, nos quais a temperatura ambiente pode chegar
facilmente a 35 ºC e raramente reduz-se a menos de 18 ºC, durante esses períodos
os monitores de temperatura acionam diversas vezes o sistema de refrigeração,
causando o comportamento descontinuo observado na Figura 27.

Figura 27 – Influência da refrigeração na temperatura do óleo

A temperatura do topo de óleo apresenta um comportamento transiente


marcante nos instantes após o acionamento do sistema de refrigeração forçada, esse
fenômeno impede a obtenção de coeficientes confiáveis através das técnicas de
regressão linear, já que independentemente dos níveis de corrente e temperatura
ambiente a temperatura do óleo sofrerá uma redução significativa no início do
intervalo.
Um segundo agravante no processo de modelagem do período é a dificuldade
em se obter intervalos longos o bastante para que a dinâmica saia do regime
transiente e a resposta do sistema passe a representar a elevação de temperatura
regular. Assim, a aplicação dos algoritmos para seleção de uma nova estrutura que
represente o regime ODAF se torna inviável a luz da metodologia adotada.
Visto isso, para que o modelo estimado represente adequadamente a
variação da temperatura do topo de óleo o período de verão é considerado apenas
em intervalos onde a refrigeração não está ativa, caracterizando o regime de operação
ONAN.
81

A seleção dos dados se procede da mesma forma que o período de inverno e


os valores obtidos são exibidos na Figura 28.

Figura 28 – Comportamento das variáveis durante o período de verão

A operação ininterrupta em regime ONAN ao longo de dias quentes é uma


condição atípica, uma vez que a atividade em temperatura ambiente elevada, sem
que atinja a temperatura limite para acionamento do sistema de refrigeração,
demanda um carregamento baixo, não superando 260 A no período investigado, onde
os picos de carregamento normais durante o mês ultrapassam facilmente os 320 A.
82

5.2.1 Condicionamento dos dados

As informações das plataformas de monitoramentos estão disponíveis em


arquivos individuais no Sistema de Pós Operação (SPO) de Itaipu. Um algoritmo foi
desenvolvido com o intuito de importar e condicionar os dados de entrada,
preparando-os para o processo de regressão.
Tais variáveis são amostradas em períodos irregulares que podem ir de
medições quase simultâneas até intervalos de cerca de 15 minutos, no entanto para
realizar a estimação do modelo é necessário que todas as medidas tenham a mesma
frequência de amostragem. Nesse sentido, o algoritmo interpola linearmente os
valores para um intervalo adequado e especificado com antecedência.
Pela conveniência de manipulação e por ser suficientemente breve para
representar os fenômenos térmicos, a interpolação dos períodos ONAN, tanto de
inverno quanto de verão, foi estabelecida em intervalos de 10 minutos. Após a
importação e visualização gráfica dos valores constata-se que o sistema de medição
apresenta ruídos de baixa amplitude e alta frequência, advindos principalmente das
flutuações do sistema de controle da usina.
Devido às características da estrutura ARX deseja-se minimizar quaisquer
perturbações que possam causar tendências na estimação do modelo. Para tanto,
utiliza-se um filtro passa-baixa de resposta ao impulso finita definido pela aproximação
polinomial local por mínimos quadrados, denominado Filtro Savitzky-Golay.
O problema enfrentado aqui é como escolher o número de pontos da média
móvel e a ordem do polinômio de interpolação de modo a preservar a integridade do
sinal. Ou seja, como o modelo é essencialmente empírico, deve-se decidir quanto das
informações do sinal é significativa e quanto é ruído (KRISHNAN, 2013).
Optando-se previamente pela utilização de um polinômio interpolador de 2º
grau o número de pontos da média móvel é incrementado até que a redução dos
ruídos seja satisfatória. Os parâmetros dos filtros utilizados para cada variável são
mostrados na Tabela 4.

Tabela 4 – Parâmetros dos filtros utilizados

Variável Grau do polinômio Número de pontos


Temperatura Ambiente 2 21
Temperatura do Óleo 2 15
Corrente 2 05
83

O caso mais acentuado de presença de ruído é observado nos valores de


corrente elétrica, e associa-se principalmente à volatilidade dessa variável e ao
controle que está submetida. Observa-se também, que o ruído presente nas medições
de temperatura do óleo possui amplitude bem definida, sendo ocorrência de
arredondamentos no sistema de aquisição de dados.
Para atestar a performance dos filtros o comportamento da temperatura de
óleo antes e depois da suavização é apresentado na Figura 29.

Figura 29 – Comparação entre etapas de condicionamento dos dados

Considerando os gráficos de comparação fica claro que o processo de


interpolação e suavização dos dados melhora a qualidade das variáveis analisadas
sem alterar significativamente a dinâmica dos sinais. Dessa forma, após a criação do
algoritmo e seleção dos parâmetros apropriados para o filtro, o processo de
tratamento dos dados torna-se metódico e capaz de manipular uma grande
quantidade de informações.
84

5.3 SELEÇÃO DA ESTRUTURA DO MODELO

Estimar um modelo utilizando dados de medição requer a seleção de uma


estrutura e sua ordem com antecedência. Se o conhecimento prévio sobre detalhes
do sistema é inexistente a escolha de uma estrutura razoável pode não ser óbvia e
deve ser motivada pela análise dos dados em si. Modelos matemáticos gerados pela
identificação de sistemas podem ser classificados em três grupos de acordo com o
nível de conhecimento utilizado na seleção de sua estrutura (Ljung, 1987):
a) modelos caixa-branca ou analíticos;
b) modelos caixa-cinza;
c) modelos caixa-preta ou empíricos.
Os modelos caixa-branca têm sua estrutura completamente definida a partir
de uma função matemática previamente conhecida que descreve o comportamento
dinâmico do sistema. Os modelos caixa-cinza são identificados utilizando algum
conhecimento particular para simplificar os algoritmos de seleção de estrutura, porém
a relação entre as variáveis não é completamente determinada. Por fim, a
identificação dos modelos caixa-preta não utiliza quaisquer informações conhecidas.
No presente trabalho optou-se por utilizar uma estrutura linear regressiva com
entrada exógena (ARX). Esta representação foi escolhida devido à simplicidade
quando comparada a representações com parâmetros de média móvel ou
integradores, resultando em um menor esforço computacional necessário. Outro fator
relevante para a tomada de decisão é a quantidade significativamente alta de
trabalhos realizados utilizando essa técnica, sugerindo a aptidão da mesma para a
representação de fenômenos físicos.
A partir da compreensão que as entradas e a saída do sistema investigado
estão relacionadas por fenômenos de transferência de calor, determinou-se que a
estrutura buscada é restrita a primeira ordem, ou seja, o valor dos regressores no
tempo atual é influenciado apenas pelo seu instante anterior, 𝑘 − 1. Como essa
decisão é baseada no conhecimento prévio sobre as condições físicas do
equipamento, o procedimento pode ser classificado como caixa-cinza, mesmo que
ainda bastante escuro (AGUIRRE, 2015).
Na tentativa de melhor explicar os dados de identificação os modelos tendem
a se tornar excessivamente complexos, inviabilizando a sua utilização em
consequência do tempo e esforço computacional necessário para implementar,
85

estimar os parâmetros e simular o comportamento do mesmo. Além disso, modelos


sobreparametrizados costumam apresentar regimes dinâmicos não observados no
sistema original (AGUIRRE, 2015).
Busca-se então a aplicação de algoritmos que possam selecionar a melhor
estrutura, adotando o conjunto de preditores que minimizem o erro de previsão, por
meio do emprego de técnicas baseadas na significância estatística. A Regressão
Stepwise é um método sistemático para inclusão e retirada de termos de um modelo
linear a partir da avaliação quantitativa de um parâmetro, neste caso o valor-p.
Na regressão de mínimos quadrados usual, todas as variáveis são avaliadas
simultaneamente. Já na seleção Stepwise as variáveis são incluídas ou excluídas da
estrutura de maneira progressiva, passo a passo, como o próprio nome sugere. À vista
disso, o método parte de uma estrutura inicial e em seguida, compara o poder
explicativo dos modelos incrementalmente maiores ou menores, procedendo como
ilustrado no diagrama da Figura 30.

Figura 30 – Diagrama lógico da regressão Stepwise

Fonte: MATHWORKS (2016c)

Em termos gerais o valor-p nos fornece uma ideia do quanto os dados


contradizem a hipótese nula. Assim, os valores-p de corte, adotados como 0,05 para
a inclusão e 0,1 para a retirada de um termo da estrutura, correspondem ao menor
nível de significância que pode ser assumido para rejeitá-la.
Dessa forma, se o termo não está no modelo, a hipótese nula é que este
apresentaria um coeficiente zero se incluído, se houver evidências suficientes para
rejeitá-la o termo é incorporado. Inversamente, se um termo está atualmente no
modelo a hipótese nula é que o termo tem um coeficiente zero, se não há evidências
suficientes para que seja negada o termo é removido (MATHWORKS, 2016c).
86

A notação utilizada para representar a estrutura de um modelo polinomial de


maneira compacta é proposta por Wilkinson e Rogers (1973), na qual as relações
entre variáveis são especificadas pelas operações do Quadro 7. Deve-se atentar ao
fato que os operadores * e K incluem automaticamente todos os outros termos de
menor ordem. Por exemplo, a especificação 𝐴³ irá automaticamente incluir 𝐴³, 𝐴² e 𝐴
(MATHWORKS, 2016b).

Quadro 7 – Resumo da notação de Wilkinson


Termos Especificação
𝐴+𝐵 Efeitos principais de A e B
𝐴: 𝐵 Termo de interação entre A e B, corresponde a multiplicação.
𝐴∗𝐵 Efeitos principais e interação, corresponde a 𝐴 + 𝐵 + 𝐴: 𝐵
𝐴−𝐵 Tudo em A exceto o que está em B
𝐴𝐾 Todos os termos de A até a ordem K
Fonte: (MATHWORKS, 2016b).

A princípio, devido a maior quantidade de dados disponíveis, a rotina de


estimação da estrutura ONAN é inicializada buscando retratar satisfatoriamente a
dinâmica da temperatura no período de inverno, apresentado na Figura 26 da seção
5.2. Para tanto, o algoritmo Stepwise é iniciado a partir de um termo constante,
resultando nas seguintes iterações:

1. 𝑇𝑂𝑙𝑒𝑜 𝑘−1 , incluída com valor-p = 0;


2. 𝐼, incluída com valor-p = 1,8×10−208;
3. 𝑇𝐴𝑚𝑏 , incluída com valor-p = 2,3×10−42 ;
4. 𝑇𝑂𝑙𝑒𝑜 𝑘−1 : 𝑇𝐴𝑚𝑏 , incluída com valor-p = 9, 0×10−29;
5. 𝐼: 𝑇𝐴𝑚𝑏 , incluída com valor-p = 6,5×10−29 .

Assim, a estrutura polinomial estimada pode ser apresentada na notação de


Wilkinson como em (62), salientando que cada termo é multiplicado por um coeficiente
de ajuste omitido na representação para maior clareza.

𝑇𝑂𝑙𝑒𝑜 = 1 + 𝑇𝑂𝑙𝑒𝑜 𝑘−1 ∗ 𝑇𝐴𝑚𝑏 + 𝐼 ∗ 𝑇𝐴𝑚𝑏 (62)

Os coeficientes que multiplicam cada termo da estrutura são mostrados na


Tabela 6, suas unidades são tais que satisfaçam a análise dimensional do problema.
87

Tabela 5 – Coeficientes estimados para primeira ordem.


Termo Coeficiente Valor p
1 −1.2194 2,2×10−36
𝑇𝑂𝑙𝑒𝑜 𝑘−1 1.0281 0
𝐼 −0.0026172 8,5×10−04
𝑇𝐴𝑚𝑏 0.10283 3,7×10−17
𝑇𝑂𝑙𝑒𝑜 𝑘−1 : 𝑇𝐴𝑚𝑏 −0.0037462 1,2×10−49
𝐼: 𝑇𝐴𝑚𝑏 0.00053926 6,5×10−29

Posto que a rotina é finalizada quando nenhuma iteração melhora o modelo,


a metodologia Stepwise retorna valores localmente ideais, não garantindo, que uma
estrutura inicial diferente ou uma sequência diferente de passos não levarão a um
melhor ajuste. Sendo assim, outra condição inicial foi aplicada ao algoritmo em busca
de uma nova estrutura.
Desta vez inicia-se a rotina com uma equação linear de primeira ordem,
restringindo a adição de preditores até a sua segunda potência resultando nas
iterações a seguir:

1. 𝑇𝑂𝑙𝑒𝑜 𝑘−1 , incluída com valor p = 0;


2. 𝐼, incluída com valor p = 1,8×10−208 ;
3. 𝑇𝐴𝑚𝑏 , incluída com valor p = 2,2×10−42 ;
4. 𝑇𝑂𝑙𝑒𝑜 𝑘−1 : 𝑇𝐴𝑚𝑏 , incluída com valor p = 9,0×10−29;
5. 𝐼: 𝑇𝐴𝑚𝑏 , incluída com valor p = 6,5×10−29 ;
6 𝑇𝑂𝑙𝑒𝑜 𝑘−1 2 , incluída com valor p = 9,7×10−10 ;

7. 𝑇𝐴𝑚𝑏 2 , incluída com valor p = 9,6×10−04.

A estrutura obtida é apresentada em (63) e os coeficientes ajustados exibidos


na Tabela 6.

𝑇𝑂𝑙𝑒𝑜 = 1 + 𝑇𝑂𝑙𝑒𝑜 𝑘−1 ∗ 𝑇𝐴𝑚𝑏 + 𝐼 ∗ 𝑇𝐴𝑚𝑏 + 𝑇𝑂𝑙𝑒𝑜 𝑘−1 2 + 𝑇𝐴𝑚𝑏 2 (63)


88

Tabela 6 – Coeficientes estimados para segunda ordem

Termo Coeficiente Valor p


1 1.8102 3.1×10−04
𝑇𝑂𝑙𝑒𝑜 𝑘−1 0.9068 3.8×10−204
𝐼 −0.0050621 2.6×10−09
𝑇𝐴𝑚𝑏 0.12849 2,4×10−19
𝑇𝑂𝑙𝑒𝑜 𝑘−1 : 𝑇𝐴𝑚𝑏 −0.0035753 6,7×10−13
𝐼: 𝑇𝐴𝑚𝑏 0.00064667 6,7×10−37
𝑇𝑂𝑙𝑒𝑜 𝑘−1 2 0.0011744 7,6×10−07
𝑇𝐴𝑚𝑏 2 −0.0013202 9,6×10−04

Para efeito de comparação um terceiro modelo foi identificado. A rotina é


iniciada novamente com uma estrutura linear, porém restringe-se a ordem máxima
das variáveis a quatro. Assim, após 20 iterações, chega-se a uma estrutura com 21
termos. Devido à extensão e não contribuição desta para o resultado final do trabalho,
as iterações, sua representação e os parâmetros de ajuste serão omitidos.
Percebe-se que o número de termos possíveis em modelos polinomiais
cresce rapidamente com o aumento do grau permitido. Fica claro também que,
dependendo dos termos iniciais e a sequência em que estes são incluídos ou retirados
da estrutura, o método pode selecionar modelos diferentes a partir do mesmo conjunto
de variáveis potenciais. Logo, fica a cargo do pesquisador examinar qual das
estruturas estimadas melhor satisfaz os requisitos exigidos.

5.3.1.1 Avaliação das estruturas identificadas

As técnicas para avaliar o comportamento dinâmico das estruturas


identificadas podem ser agrupadas em métodos gráficos e numéricos. A comparação
visual entre as curvas e a observação das tendências auxilia na compreensão geral
do comportamento do modelo, enquanto o cálculo dos resíduos e coeficientes
estatísticos produzem valores numéricos que amparam as tomadas de decisão.
A análise visual da curva ajustada é o primeiro passo na avaliação das
estruturas, assim a Figura 31 ilustra o comportamento dos modelos comparando-os
com os dados utilizados para estimação.
89

Figura 31 – Predição sobre os dados de estimação

Percebe-se que os três modelos se comportam de maneira muito semelhante


quando comparados com os dados utilizados para a regressão. Porém, para avaliar a
capacidade de predição de cada modelo deve-se confrontar os mesmos com um
conjunto de dados diferente. O resultado da predição dos modelos para um novo
conjunto, que se estende de 07 a 11 de maio de 2013, é mostrado na Figura 32.

Figura 32 – Predição sobre os dados de validação

Nos extremos do período de avaliação constatam-se desvios acentuados do


modelo de 4º ordem, comportamento instável característico da sobreparametrização.
Verifica-se também que o modelo de primeira ordem não reproduz com aptidão alguns
dos vales presentes no sinal.
90

De um modo geral, análises gráficas são mais abrangentes do que medidas


numéricas, principalmente por exibir o conjunto de dados em sua íntegra, facilmente
exibindo uma ampla gama de relações presentes no modelo, sendo as medidas
numéricas restritas a um aspecto particular dos dados, condensando a informação em
um único parâmetro. Quando possível, deve-se utilizar os dois tipos para determinar
o melhor ajuste (MATHWORKS, 2016a).
Sendo assim, para clarear o processo de escolha, os seguintes parâmetros
estatísticos são avaliados:
a) soma dos quadrados dos erros (SSE), mede o desvio total entre a resposta
dos modelos e os valores medidos, quanto menor o seu valor melhor;
b) raiz do erro quadrático médio (RMSE), estima o desvio padrão do
componente aleatório nos dados. Um valor mais próximo de 0 significa um
melhor modelo;
c) coeficiente de determinação, R², mede quão bem-sucedido o ajuste é para
explicar a variação dos dados. Quanto mais próximo a 1 melhor.
A Tabela 7 apresenta os resultados numéricos dos parâmetros estatísticos
calculados.

Tabela 7 – Parâmetros estatísticos para avaliação dos modelos

Estrutura SSE RMSE R²


1ª ordem 797,53 1,18 0,83
2ª ordem 483,85 0,92 0,83
4ª ordem 1519,80 1,63 0,89

O modelo de 4º ordem, apesar de possuir o melhor coeficiente de


determinação entre os três, é o que apresenta o maior nível de erro. Esse resultado
confirma o comportamento observado nos gráficos, no qual, mesmo se ajustando bem
aos dados em grande parte do tempo, o modelo apresenta desvios acentuados em
certos momentos.
Fica claro também a superioridade o modelo de 2º sobre o de 1º ordem, uma
vez que todos os parâmetros avaliados demonstram um melhor ajuste por parte
desse. Portanto, tendo em vista a análise gráfica e os parâmetros avaliados
encontram-se motivos suficientes para determinar que a estrutura de segunda ordem
é superior às demais, sendo capaz de modelar dinamicamente os fenômenos de
aquecimento do autotransformador estudado na faixa de operação analisada.
91

5.3.1.2 Expansão da estrutura ONAN para o período de verão

Em razão das características típicas e já esperadas de uma estrutura linear,


os modelos identificados são capazes de descrever a dinâmica do sistema apenas em
regiões similares as encontradas nos dados de estimação. Como a estrutura
identificada se mostra capaz de replicar o comportamento dinâmico da temperatura
com aptidão não é necessária a identificação de uma nova estrutura, sendo realizada
apenas a calibração dos coeficientes para o novo ponto de operação.
Assim a estrutura escolhida é utilizada para determinar novos parâmetros
sobre os dados do período de verão com refrigeração natural (ONAN). A estimação é
realizada com o método dos mínimos quadrados tradicional e os novos parâmetros
são apresentados na Tabela 8.

Tabela 8 – Parâmetros para o período de verão

Termo Coeficiente Valor p


1 4.9952 3,8×10−04
𝑇𝑂𝑙𝑒𝑜 𝑘−1 0.77286 2,1×10−41
𝐼 −0.010242 8,0×10−10
𝑇𝐴𝑚𝑏 0.19834 8,5×10−10
𝑇𝑂𝑙𝑒𝑜 𝑘−1 : 𝑇𝐴𝑚𝑏 −0.0065149 4,3×10−11
𝐼: 𝑇𝐴𝑚𝑏 0.00069938 5,8×10−19
𝑇𝑂𝑙𝑒𝑜 𝑘−1 2 0.0031178 2,4×10−08
𝑇𝐴𝑚𝑏 2 0.0011234 1,5×10−01

Alguns termos do modelo apresentam coeficientes cujos valores absolutos


são bastante reduzidos. Isso acontece porque a estimação foi realizada utilizando
dados não normalizados, consequentemente estes parâmetros são pequenos para
compensar os elevados valores dos termos que os multiplicam.
A expansão da estrutura para novos pontos de operação ou identificação de
novas estruturas polinomiais que possam representar com mais aptidão outros
regimes do equipamento, como o modo de refrigeração ODAF, é um processo
metódico e capaz de ser reproduzido sem maiores complicações desde que se tenha
acesso a dados com qualidade e extensão necessária para os algoritmos.
92

6 SIMULAÇÕES E ANÁLISE DE RESULTADOS

O último passo do procedimento de identificação de sistemas é a avaliação


do modelo obtido. A validação estatística de um modelo deve levar em conta a
simulação dinâmica, responsável por indicar se o modelo é capaz de reproduzir o
comportamento do sistema original, e a investigação de seus resíduos, comumente
realizada através da análise das funções de correlação.
A respeito da avaliação da dinâmica do sistema, enfatiza-se a possibilidade
de averiguar diversas situações distintas, tais quais a reprodução de ensaios onde a
entrada do sistema normalmente é bem controlada, ou procurando representar a
operação normal do equipamento. Porém, independente do intuito da simulação é
necessário atentar-se ao número de valores futuros que esta prediz, denominado de
“passos à frente”.
Aguirre (2015) esclarece que uma das formas de se fazer a predição é, no
instante 𝑘, adotar para os regressores com atraso, 𝑘 − 1, os valores observados no
conjunto de dados medidos e simplesmente calcular a saída do modelo. Por essa
razão, tal simulação é denominada de “um passo à frente”. Nesse caso a saída do
modelo não é utilizada para a predição do passo seguinte.
Nessas circunstâncias o erro de predição é, por definição, o resíduo de
estimação no instante 𝑘. Sabendo que a técnica de mínimos quadrados busca
minimizar a soma do quadrado dos resíduos, torna-se evidente que os erros de um
passo a frente serão sempre os menores possíveis. Consequentemente esse
procedimento não se caracteriza como um bom critério para avaliação de modelos.
Outra forma de simular um modelo é reutilizar as saídas passadas como
entrada dos regressores no instante atual, sendo necessário inicializar a simulação a
partir de condições de contorno medidas. Essa técnica é chamada de simulação livre
ou predição de infinitos passos à frente e se mostra como uma boa maneira de validar
o comportamento dinâmico do modelo. Evidentemente, o preditor de infinitos passos
à frente é o caso extremo onde o erro obtido é o maior possível. (AGUIRRE, 2015)
O caso intermediário, chamado de preditor de 𝑘 passos à frente consiste em
utilizar o modelo como preditor livre apenas por 𝑘 intervalos de amostragem,
reinicializando-o logo a seguir com dados amostrados.
93

Visto isso, as simulações foram implementadas utilizando a estrutura e


parâmetros identificados para gerar predições infinitos passos à frente, como
recomendado por Aguirre (2015). Ao final, o sinal de saída do modelo é comparado
com o conjunto de dados correspondentes para verificação da dinâmica.

6.1 SIMULAÇÃO DE INVERNO COM O INTERVALO DE ESTIMAÇÃO

A primeira simulação realizada representa o perfil de carregamento aplicado


aos transformadores durante o período de inverno. Os dados utilizados foram
amostrados de 15 a 19 de abril de 2013 e trata-se do mesmo período empregado para
a estimação da estrutura, assim as entradas nessa simulação coincidem com o ponto
de operação ótimo para o conjunto de coeficientes adotados.
Nesse período a corrente apresenta picos superiores ao valor nominal para o
modo de resfriamento ONAN. Contudo, devido à temperatura ambiente baixa o óleo
não atinge a temperatura requerida para atuação dos sistemas de refrigeração. As
entradas e os resultados da simulação são mostrados na Figura 33Figura 35.

Figura 33 – Simulação no ponto de operação ótimo para os parâmetros de inverno


94

As temperaturas máximas registradas para o topo de óleo no intervalo são de


58.9 ºC e 58.5 ºC para os dados amostrados e para o modelo, respectivamente. Já as
temperaturas mínimas são 40.6 ºC e 40.3 ºC em mesma ordem. Em geral observa-se
competência do modelo na reprodução dos valores almejados. Para melhor
visualização do comportamento os gráficos de resíduo são mostrados na Figura 34.

Figura 34 – Resíduos da simulação

Constata-se a partir da observação do histograma que apesar de próximo, o


arranjo dos resíduos não segue a distribuição gaussiana como desejado,
apresentando média -0.058 ºC e valor absoluto máximo de 1.7 ºC. O erro máximo
nesse caso é cerca de 3,4% da temperatura média no período e pode ser considerado
como aceitável.

6.2 SIMULAÇÃO DO MODELO DE INVERNO EM UM NOVO INTERVALO

Para investigar a capacidade da estrutura em se comportar fora do seu ponto


ideal de operação um novo conjunto de dados é escolhido, desta vez se estendendo
de 07 a 11 de maio de 2013.
Fica claro ao se analisar o novo período que as entradas se encontram nos
limites próximos dos quais os coeficientes foram linearizados, com temperatura
ambiente variando entre 10 e 26 ºC e corrente entre 150 e 275 A. Nessa faixa espera-
se que a saída, mesmo que não tanto quanto no intervalo de estimação, ainda se
mantenha coerente aos dados. A Figura 35 ilustra os resultados obtidos.
95

Figura 35 – Simulação do período de inverno para um novo conjunto de dados

A dinâmica do modelo manifesta coerência com os dados associados, sendo


que a temperatura calculada se apresenta mais próxima aos valores experimentais
conforme se aproxima da média no intervalo analisado e exibe maior resíduo na
vizinhança de picos e vales, característica considerada normal para um modelo
linearizado quando este se afasta do ponto de operação ótimo.
Uma peculiaridade observada nesse conjunto de dados é a tendência de
elevação da temperatura ambiente média ao longo do tempo, como pode ser
observado pela suave elevação entre picos e vales sucessivos. Essa tendência não
impactou significativamente na resposta do modelo.
Deve-se notar que as predições apresentam um caráter conservador,
estimando as temperaturas para valores normalmente maiores que os medidos, como
fica claro pela maioria de resíduos negativos mostrados na Figura 36. Esse aspecto é
preferível sobre uma estimação com valores mais baixos por questões de proteção do
equipamento, caso por ventura a temperatura chegue próxima a valores críticos.
96

Figura 36 – Resíduos da simulação

Os resíduos de validação apresentados são submetidos aos testes de


correlação cruzada para verificar a dependência destes com as entradas. Os gráficos
representando os coeficientes obtidos podem ser vistos na Figura 37.

Figura 37 – Correlação entre os resíduos e as entradas


97

Os resíduos se mostram correlacionados com a dinâmica do sinal nas


extremidades de temperatura, como observado anteriormente. Espera-se que essa
correlação seja ainda mais evidente conforme os valores investigados se distanciem
do ponto de linearização. Contudo, nos demais intervalos as funções de correlação
apresentam o comportamento desejado, mantendo-se dentro do intervalo de
significância estatística.
Apenas a título de comparação, esta mesma simulação é repetida para
predições um passo à frente, como discutido no início desse capítulo. O resultado
alcançado é exposto na Figura 38.

Figura 38 - Simulação do modelo para a predição um passo à frente

É evidente a presença do comportamento defendido por Aguirre (2015), onde


a resposta um passo à frente é extremamente próxima aos valores medidos e não
representa a capacidade de predição real da estrutura. Sendo recomendado por
Aguirre o repúdio a qualquer modelo que tenha sido validado utilizando essa técnica.

6.3 SIMULAÇÃO DO PERÍODO DE VERÃO

Por fim, substituindo na estrutura os parâmetros estimados para o período de


verão é possível realizar as mesmas análises anteriores, como mostrado na Figura
39. Os resultados dessas simulações indicam que mesmo esse conjunto de dados
não tendo influenciado na escolha da estrutura ela se mostra capaz de representá-lo
após a calibração dos coeficientes.
98

Figura 39 – Simulação do período de verão

Nestas condições a temperatura ambiente se encontra em patamares


elevados, chegando próxima a 30 ºC. Porém a corrente se apresenta em valores
menores que os observados durante os períodos de inverno, não ultrapassando os
259 A, permitindo assim a operação em regime ONAN.
Nota-se que a curvas de temperatura possuem um comportamento menos
acertado no período de verão, apresentando um resíduo médio de -0.19 ºC, porém o
valor máximo de -1.9 ºC não é tão distante dos observados nos períodos de inverno.
A distribuição dos resíduos pode ser vista na Figura 40.

Figura 40 – Resíduos da simulação de verão


99

Observando a os resíduos nota-se um comportamento muito próximo ao já


avaliado durante o período de inverno, comprova-se que alterações no nível das
variáveis de entrada não causam problemas de perda de representatividade da
estrutura, desde que os seus parâmetros sejam calibrados para tal faixa de operação.
Com o objetivo de ilustrar o comportamento do modelo em diversas situações
e reforçar os pontos já discutidos até aqui, aplicasse as entradas do período de verão
na estrutura ajustada pelos parâmetros de inverno, assim é possível avaliar a
dinâmica da estrutura quando está utilizada totalmente fora do intervalo recomendado.
Os resultados obtidos são exibidos na Figura 41.

Figura 41 – Resposta do modelo de inverno aos dados de verão

Deve-se notar que no primeiro dia do intervalo de verão, apesar da mínima de


18.1 ºC, a temperatura ambiente máxima ainda é considerada baixa, não
ultrapassando os 25 ºC. Portanto, os valores estimados são relativamente próximos
do medido no primeiro dia, porém, assim que a temperatura ambiente se eleva a
resposta do modelo deixa a desejar, mantendo a relação dinâmica, mas com um
ganho incorreto.

6.4 REPRODUÇÃO DO ENSAIO DE AQUECIMENTO

Para investigar a resposta a uma situação de entrada controlada e avaliar se


o valor da constante de tempo representada pelo modelo é o mesmo presente no
equipamento, a simulação do ensaio de aquecimento é realizada.
100

Este ensaio é executado pelo fabricante em busca de parâmetros, como a


elevação de temperatura nominal, que caracterizem e garantam a operação do
transformador conforme especificado.
Durante o ensaio aplica-se um degrau de carga com potência equivalente ao
necessário para reproduzir as perdas nominais calculadas para o equipamento em
questão. O degrau é mantido até a estabilização da temperatura interna.
O ensaio analisado teve duração de nove horas e medições através de fibra
ótica foram realizadas em vários pontos do óleo, núcleo e enrolamentos, aferindo os
valores de temperatura a cada 15 minutos.
Para representá-lo o modelo foi calibrado com os parâmetros de inverno e as
entradas aplicadas são:
a) temperatura ambiente constante e igual a 22 ºC;
b) corrente constante e igual a 261 A;
c) elevação inicial de temperatura do óleo de 31,2 ºC.
O resultado do ensaio e a resposta do modelo é apresentada na Figura 42.

Figura 42 – Simulação do ensaio de aquecimento

A predição do modelo e as medições do ensaio de elevação coincidem até


instantes próximos a 150 minutos, ou seja, o modelo assimila com precisão os dados
dentro do intervalo referentes a constante de tempo do sistema, calculada como sendo
132 minutos. Contudo, a estabilização da resposta não ocorre dentro do tempo
analisado, sinalizando um comportamento divergente da mesma.
101

6.5 COMPARAÇÃO COM O MODELO PROPOSTO POR TYLAVSKY

Na seção 3.1.1 foi discutido o modelo proposto pela Cláusula 7 da normativa


IEEE STD C57.91-1995, esse modelo foi posteriormente adaptado por Tylavsky
(1999) e condicionado para regressão linear através da equação (48).
A partir dos dados utilizados para estimação dos parâmetros do modelo
proposto nesse trabalho, mostrados na Figura 26 e Figura 28, os coeficientes da
estrutura proposta por Tylavsky foram calibrados pelo método dos mínimos
quadrados, processo equivalente ao realizado para estimação do modelo de verão na
seção 5.3.1.2. Os valores obtidos são apresentados na Tabela 9.

Tabela 9 – Coeficientes para o modelo proposto por Tylavsky

𝐾1 𝐾2 𝐾3 𝐾4
Inverno 0.000016337 0.019422 0.96623 0.74603
Verão 0.000013803 0.024702 0.96466 0.85916

O modelo de Tylavsky foi escolhido para comparação devido a algumas


características desejáveis. Primeiramente, este possui uma estrutura polinomial
simples e apta ao processo de regressão linear, sendo assim muito semelhante à
obtida durante o desenvolvimento deste trabalho.
Devido à possibilidade de aplicar as técnicas de regressão é possível
encontrar parâmetros otimizados para o transformador em estudo, não dependendo
de constantes tabeladas, coeficientes obtidos pelo autor de maneira desconhecida ou
ensaios realizados. Assim é possível avaliar puramente o desempenho das estruturas
de cada um, independente dos coeficientes de ajuste.
Outro fator decisivo para a escolha é a grande quantidade de trabalhos
publicados pelo autor e seus orientandos na área térmica de transformadores de
potência, abrangendo desde o desenvolvimento de novos modelos até o estudo de
parâmetros de influência e confiabilidade de modelos já desenvolvidos.
Por fim, a comparação das estruturas é realizada através de simulações
dinâmicas equivalentes as utilizadas para avaliar o modelo aqui proposto e os seus
resultados podem ser visualizados nas Figuras 43, 44 e 45.
102

Figura 43 – Comparação dos modelos sobre os dados de estimação

Figura 44 – Comparação dos modelos sobre o período de inverno

Figura 45 – Comparação dos modelos sobre o período de verão


103

Como esperado, as estruturas possuem respostas bastante próximas e


capazes de retratar com relativa competência o comportamento da temperatura do
topo de óleo, sendo necessário apenas um conjunto de dados representativo para a
calibração do ponto de operação.
Julga-se a predição da estrutura identificada neste trabalho como sendo mais
próxima aos valores reais, principalmente quando se trata dos picos e vales presentes
nos dados. Essa melhora é creditada ao processo de regressão stepwise, pois foi
possível identificar termos de influência significativa evitando os problemas da
sobreparametrização e mantendo a estrutura simples.

6.6 DEGRAU DE CARGA E RAMPA DE TEMPERATURA AMBIENTE

A simulação de degrau é útil para identificar o comportamento do modelo caso


um dos seis transformadores da subestação seja subitamente retirado do sistema,
elevando instantaneamente a carga nos equipamentos restantes. Buscando investigar
a resposta do modelo nessas circunstâncias, dois degraus de corrente consecutivos
são aplicados como entrada sendo a temperatura ambiente fixada em 20 ºC.
Inicialmente a 135 A o primeiro degrau eleva a corrente até o patamar de 188
A, valores referentes ao mínimo e a média registrada no período de estimação,
respectivamente. O segundo degrau intensifica o carregamento para 288 A,
equivalente a uma sobrecarga de 10% da corrente nominal. Cada degrau se estende
por 600 minutos e dá-se início a simulação com uma temperatura arbitrária de 42 ºC.
A resposta do modelo é exibida na Figura 46.

Figura 46 – Resposta do modelo a elevação instantânea de corrente


104

A concordância da elevação final de temperatura para ambos os modelos em


resposta ao primeiro degrau ocorre, pois, as entradas se mostram como um ponto de
equivalência das estruturas, no qual a combinação de corrente e temperatura
ambiente está próxima ao ponto de operação ideal dos parâmetros estimados.
Percebe-se que a resposta ao segundo degrau se apresenta instável,
resultando em uma temperatura inconsistente que converge para valores
indefinidamente grandes conforme o tempo se estende. Esse resultado é justificado
pela presença de termos regressores quadráticos na estrutura, que contribuem para
a inexatidão da resposta fora do intervalo de linearidade.
Portanto, os parâmetros identificados não se mostram aptos a representar
com confiabilidade a sobrecarga do equipamento, principalmente em períodos de
longa duração.
Para avaliar o comportamento do modelo a mudanças graduais de
temperatura ambiente aplica-se a simulação de rampa. A temperatura ambiente
inicialmente a 10 ºC é elevada até 26 ºC e posteriormente a 65 ºC durante períodos
de 300 minutos.
A elevação da segunda rampa a uma temperatura ambiente de 65 ºC não
corresponde a um cenário possível de operação, porém, aplicando um limite extremo
é possível verificar com mais clareza a divergência do modelo. Dá-se início a
simulação com uma temperatura arbitrária de 36 ºC e a resposta é apresentada na
Figura 47.

Figura 47 – Resposta do modelo a elevação gradual de temperatura ambiente


105

A resposta dinâmica dos modelos a primeira rampa é plausível. Porém, é


nítida a divergência e saturação após certa temperatura ambiente durante a segunda
rampa, onde a resposta mantém um valor constante independentemente do nível de
entrada. O comportamento do Modelo de Inverno mostrou-se imprevisível as
extrapolações de temperatura ambiente, retornando uma redução de temperatura.
Tanto a simulação de degrau de carga quanto a rampa de temperatura
ambiente são fundamentais para visualizar os limites operativos dos parâmetros
identificados, confirmando a recomendação de que, para garantir a segurança do
equipamento, o modelo não deve ser utilizado fora dos limites de estimação.

6.6.1 Simulação de entrada e saída de operação

Para investigar o comportamento impróprio do modelo em condições que se


distinguem da operação normal, um conjunto de dados foi selecionado no decorrer da
entrada e retirada do transformador de operação. A partir destes as simulações são
conduzidas para as duas condições, como mostrado na Figura 48.

Figura 48 – Simulação de entrada e retirada de operação do equipamento


106

Assim, comprova-se por meio do confronto com os dados medidos a resposta


inadequada prevista pelas simulações de degrau e rampa.

6.7 EQUIVALÊNCIA COM A TEMPERATURA DO ENROLAMENTO

Sabendo que os valores de temperatura do enrolamento são estabelecidos


por medições indiretas é possível representar seus valores em função da temperatura
do óleo e da corrente. Essa função é retratada graficamente por um plano inclinado e
sua visualização, formada pelos dados de medição, é apresentada na Figura 49.

Figura 49 – Temperatura do enrolamento em função do óleo e corrente

A partir dos dados coletados e com auxílio da ferramenta de ajuste de curva


presente no software MATLAB®, um modelo equivalente ao utilizado para traçar a
imagem térmica do enrolamento pelos monitores de temperatura é definido. O
polinômio que descreve esse modelo é apresentado na equação (64).

𝑇𝑒𝑛𝑟 = 1,005 ∙ 𝑇𝑜𝑙𝑒𝑜 + 0,02903 ∙ 𝐼 − 2,221 (64)

O ajuste de curva apresenta uma excelente qualidade, com parâmetros 𝑅 2 =


0,9995, 𝑅𝑀𝑆𝐸 = 0,1158 e 𝑆𝑆𝐸 = 7,692. Assim, a resposta do modelo de predição de
temperatura do óleo é utilizado em conjunto com a relação (64) para reproduzir os
valores de temperatura no enrolamento como apresentado na Figura 50.
107

Figura 50 – Reprodução do modelo térmico para temperatura do enrolamento

Os desvios observados entre o modelo e os dados são causados


predominantemente por erros de predição na temperatura do óleo. Portanto, é
possível representar facilmente as medições de temperatura do enrolamento a partir
das estruturas identificadas.
108

7 CONCLUSÃO

A escolha do melhor método a se utilizar na modelagem de sistemas é uma


questão sem resposta definitiva. O volume e a qualidade das informações que estão
disponíveis sobre o fenômeno a ser modelado são parâmetros determinantes na
escolha da sua representação matemática. No entanto, é importante ressaltar que na
maioria dos casos de aplicação os conhecimentos a priori são escassos ou
inexistentes.
Determinar a estrutura de um modelo polinomial autoregressivo, é
essencialmente um processo de tentativa e erro amparado por ferramentas
estatísticas e parâmetros de avaliação, como a correlação cruzada e a regressão
stepwise. Nesse sentido, a metodologia proposta constitui-se como uma ferramenta
para profissionais que desejam representar sistemas de natureza dinâmica,
considerando o fato de que para tanto, não seja preciso um modelo fenomenológico,
mas sim um conjunto de dados representativos do comportamento do sistema.
O modelo identificado a partir de dados empíricos coincide com o sistema na
faixa de valores utilizados para a regressão de seus parâmetros. Entretanto, os
sistemas reais em sua maioria são não-lineares, o que limita de certa forma a sua
representação por uma estrutura linearizada, apresentando erros de predição quando
o regime se desvia do ponto de operação avaliado.
Devido à complexidade construtiva de um autotransformador, a quantidade de
não linearidades presentes no sistema é elevada. Portanto, considera-se que as
diferenças entre os valores medidos e simulados podem decorrer de fatores não
controlados e não avaliados, tais como fenômenos de escoamento do óleo isolante,
distribuição espacial não uniforme da temperatura, variação de resistência dos
enrolamentos e fenômenos climáticos imprevisíveis.
Além do mais, a aplicação da técnica é prejudicada devido à dificuldade em
se representar os intervalos transientes que ocorrem durante a atuação do sistema de
refrigeração, sendo necessário negligenciar uma parte significativa do regime de
operação do equipamento, principalmente durante temperaturas elevadas onde se
tem grande interesse em realizar as previsões. Assim, o modelo obtido mostra-se
muito restrito e de baixa aplicabilidade como observado ao longo das simulações.
Assim, julga-se o método e ferramentas utilizadas não satisfatórios na
abordagem do problema de representação do aquecimento de um transformador de
109

potência. Para uma melhor previsão da temperatura em função das variáveis


operacionais e ambientais é imprescindível o uso de estruturas não lineares.
Este trabalho foi realizado em etapas propostas pela metodologia adotada,
sendo que ao início foram definidos objetivos específicos que auxiliariam no
desenvolvimento e conclusão destas etapas. Com a finalização do modelo e avaliação
do mesmo considera-se que todos os passos intermediários foram cumpridos e,
portanto, o objetivo geral alcançado.

7.1 SUGESTÕES PARA TRABALHOS FUTUROS

Como sugestão de trabalhos futuros, após a análise dos resíduos e das


correlações no modelo desenvolvido, recomenda-se a expansão da modelagem dos
transformadores da Subestação Margem Direita utilizando uma estrutura
autoregressiva não linear, como a NARX. Fomenta-se também o estudo de viabilidade
para aplicação de estruturas com parâmetros de média móvel.
Em virtude da disposição dos ensaios de aquecimento do equipamento uma
análise com parâmetros distribuídos pode ser realizada. Percebe-se uma tendência
crescente no interesse de modelagem das temperaturas internas de transformadores
através de softwares baseados em elementos finitos tridimensionais.
Para expandir o potencial das estruturas autoregressivas e aproveitar-se ao
máximo da plataforma de medições oferecida pela Itaipu Binacional um sistema
permanente de monitoramento on-line pode ser acoplado a modelos térmicos
fornecendo um quadro das condições térmicas do transformador, permitindo ao
operador detectar sinais precoces de falha ou perda de performance através da
visualização de desvios de temperatura.
O ápice da aplicação de modelos regressivos se dá com o emprego de
algoritmos que permitem o cálculo automático de novos parâmetros à medida que um
conjunto de dados diferente está disponível. Este processo é chamado de
identificação em tempo real e admite que o modelo se adapte a mudanças ambientais
e de operação.
110

REFERÊNCIAS BIBLIOGRÁFICAS

ABB. ABB Review: Special Report Transformers. [s.l]: Abb, 2012. Disponível em:
<https://library.e.abb.com/public/c3791bac5b25bd10c1257ab80037553b/ABB%20SR
%20Transformers-121031.pdf> Acesso em: 28 jul. 2016.

AGUIRRE, L. A. Introdução à identificação de sistemas–Técnicas lineares e não-


lineares aplicadas a sistemas reais. Editora UFMG, 2015.

AMODA, O. et al. Sensitivity of estimated parameters in transformer thermal modeling.


In: North American Power Symposium (NAPS), 2009. IEEE, 2009. p. 1-6.

ANEEL. BIG - Banco de Informações de Geração. Disponível em:


<http://www2.aneel.gov.br/aplicacoes/capacidadebrasil/capacidadebrasil.cfm>.
Acesso em: 08 abr. 2016.

ARCHER, D. S. An adaptive thermal module for transformer monitoring. 1988.


Tese de Doutorado. Massachusetts Institute of Technology.

ASKARI, M. T.; KADIR, M. B.; IZADI, M. On the trend of improvement of thermal


model for calculating the TOT and HST. Przegląd Elektrotechniczny, v. 88, n. 12a,
p. 297-301, 2012.

ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 5458: Transformador


de potência - Terminologia. Rio de Janeiro, 2010,

BLOEM, J. J. System identification applied to building performance data. Office


for Official Publications of the European Communities, 1994.

CARVALHO, A. S.; FELIPE, L. H. G. Modelagem de colunas de destilação através


de modelos auto-regressivos. 2008. Tese de Doutorado. Dissertação de Mestrado
em Engenharia de Produção-Campos dos Goytacazes, RJ-Universidade Estadual do
Norte Fluminense–UENF.

CARVALHO, M. F. Técnicas de modelagem Não-lineares Aplicadas no


carregamento dinâmico de Transformadores de potência. Departamento de
engenharia Elétrica–DEE, Universidade Federal do Ceará–UFC, Fortaleza–CE, Abril,
2007.

ÇENGEL, Y. A. Heat transfer: a practical approach. 2nd ed. Reno: Mcgraw-hill


Publishing, 2003.

COELHO R. A. A., COELHO C. L., Identificação de sistemas dinâmicos lineares.


Florianópolis: editora da UFSC 2004.

COLTMAN, J. W. The transformer [historical overview]. IEEE Industry Applications


Magazine, v. 8, n. 1, p. 8-15, 2002.

DEL TORO, V. Fundamentos de máquinas elétricas. Prentice-Hall do Brasil, 1994.


111

DEAN, R. T.; DUNSMUIR, W. T. M. Dangers and uses of cross-correlation in


analyzing time series in perception, performance, movement, and neuroscience: The
importance of constructing transfer function autoregressive models. Behavior
research methods, v. 48, n. 2, p. 783-802, 2016.

FELÍCIO, L. C. Modelagem da dinâmica de sistemas e estudo da resposta.


RiMa, 2007.

GARCIA, C., Modelagem e simulação de processos industriais e de sistemas


eletromecânicos. 2ed., São Paulo: Editora da Universidade de São Paulo, 2009.

GEORGILAKIS, P. S. Spotlight on modern transformer design. Springer Science


& Business Media, 2009.

GURU, B. S.; HIZIROGLU, H. R. Electric machinery and transformers. New York:


Oxford University Press, 2001.

HALLIDAY, D.; RESNICK, R.; WALKER, J. Fundamentos de Física:


Eletromagnetismo - vol. 3. 8ª edição Rio de Janeiro: Ltc, 2009.

Haluk Odoğlu. Tansformer Tests. BEST Elektromekanik Sanayi Tesisleri, A.Ş. 2009.

HARITHA, V. V. S. S. Thermal modeling of electrical utility transformers. 2011.


Tese de Mestrado. International Institute of Information Technology. Hyderabad,
India

HARLOW, J. H. Electric power transformer engineering. CRC press, 2004.

HEATHCOTE, M. J & P transformer book. Newnes, 2011.

HE, Q.; SI, J.; TYLAVSKY, D. J. Prediction of top-oil temperature for transformers
using neural networks. IEEE Transactions on Power Delivery, v. 15, n. 4, p. 1205-
1211, 2000.

HOLMAN, J. P. Heat Transfer. 10, ed. Higher Education, 2010,

Hydroelectric Research and Technical Services Group. "Transformers: Basics,


Maintenance, and Diagnostics". U.S. Dept. of the Interior, Bureau of Reclamation.
Denver. Abr. 2005

HYPERPHYSICS. Hysteresis Loop. Disponível em: <http://hyperphysics.phy-


astr.gsu.edu/hbase/solids/hyst.html >. Acesso em: 08 abr. 2016.

IEEE Guide for Transformer Loss Measurement, IEEE Standard C57.123-2010,


IEEE, New York, 2010

IEEE. Terminology for power and distribution transformers. IEEE Standard


C57.12.80, IEEE, New York, 2002
112

INCROPERA, F. P.; DEWITT D. P.; BERGMAN T. L.; LAVINE A. S. Fundamentals


of heat and mass transfer. 6th ed. John Wiley & Sons, 2011.

INDIAMART. STACKED TRANFORMER CORE. Disponível em:


<http://trade.indiamart.com/details.mp?offer=4111774973>. Acessado em 22 ago.
2016.

ISERMANN, R.; MÜNCHHOF, M. Identification of Dynamic Systems: An


Introduction with Applications Springer. 2011.

ITAIPU. Geração. Disponível em: <http://www.itaipu.gov.br/energia/geracao>.


Acesso em: 08 abr. 2016.

ITAIPU. Integração ao Sistema Paraguaio. Disponível em


<http://www.itaipu.gov.br/energia/integracao-ao-sistema-paraguaio>. Acesso em: 08
abr. 2016.

ITAIPU. Transmissão. Disponível em:


<http://www.itaipu.gov.br/energia/transmissao>. Acesso em: 08 abr. 2016.

ITAIPU. Clima. Disponível em: < https://www.itaipu.gov.br/turismo/clima>. Acesso


em: 08 abr. 2016.

JAUREGUI-RIVERA, L.; TYLAVSKY, D. J. Acceptability of four transformer top-


oil thermal models—Part I: Defining metrics. Power Delivery, IEEE Transactions
on, v. 23, n. 2, p. 860-865, 2008.

JAUREGUI-RIVERA, L.; TYLAVSKY, D. J. Acceptability of four transformer top-


oil thermal models—Part II: Comparing metrics. Power Delivery, IEEE
Transactions on, v. 23, n. 2, p. 866-872, 2008.

KAMINSKI, D. A.; JENSEN, M. K. Introduction to thermal and fluids engineering.


New York: Wiley, 2005.

KANOHAR. Power transformers. Disponível em:


<http://www.kanohar.com/transformers.html>. Acesso em: 08 ago. 2016.

KARADAĞ, R. TEMPERATURE DISTRIBUTION IN POWER TRANSFORMERS.


2012. Tese de Doutorado. MIDDLE EAST TECHNICAL UNIVERSITY.

KLEE, H.; ALLEN, R. Simulation of Dynamical Systems with MATLAB and


Simulink (2011).

KOSOW, I. L. Máquinas Elétricas e Transformadores. 4ed. Porto Alegre: Editora


Globo, 1982. Tradução de: Felipe Luiz Ribeiro Daniello e Percy Antônio Pinto Soare.

KREITH, F.; MANGLIK R. M.; BOHN M. S. Principles of Heat Transfer. 7th ed.
Cengage Learning, 2011.
113

KRISHNAN, S. R.; SEELAMANTULA, C. S. On the selection of optimum Savitzky-


Golay filters. IEEE transactions on signal processing, v. 61, n. 2, p. 380-391, 2013.

KULKARNI, S. V.; KHAPARDE, S. A. Transformer engineering: design and


practice. CRC Press, 2004.

LATHI, B. P. Sinais e Sistemas Lineares. Bookman, 2007.

LESIEUTRE, B. C.; HAGMAN, W. H.; KIRTLEY, J. L. An improved transformer top oil


temperature model for use in an on-line monitoring and diagnostic system. IEEE
Transactions on Power Delivery, v. 12, n. 1, p. 249-256, 1997.

LIENHARD IV, J. H.; LIENHARD V, J. H. A Heat Transfer Text Book. 4th ed.
Cambridge: Phlogiston Press, 2015.

LJUNG, L. System identification. John Wiley & Sons, Inc., 1999.

LUNDQUIST, T.; KNUTH, W. Finally fiber optic sensing of power transformer


“Hotspots” is paying off. In: Condition Monitoring and Diagnosis, 2008. CMD 2008.
International Conference on. IEEE, 2008. p. 819-824.

MARKO, R. M. Thermal modelling of a natural-convection-cooled, oil-immersed


distribution transformer. 1997. tese de mestrado. Universidade de Manitoba.
Canadá

MATHWORKS. Evaluating goodness of fit. Disponível em:


<https://www.mathworks.com/help/curvefit/evaluating-goodness-of-fit.html>. Acesso
em: 08 dez. 2016.

MATHWORKS. What are polynomial models?. Disponível em:


<https://www.mathworks.com/help/ident/ug/what-are-polynomial-models.html>.
Acesso em: 08 dez. 2016.

MATHWORKS. Stepwise fit. Disponível em: <


https://www.mathworks.com/help/stats/stepwisefit.html?requestedDomain=www.mat
hworks.com>. Acesso em: 08 dez. 2016.

MELLODGE, P. A Practical Approach to Dynamical Systems for Engineers.


Woodhead Publishing, 2015.

MONTEIRO, L. H. A. Sistemas dinâmicos. Editora Livraria da Física, 2006

MORAN, M. J.; SHAPIRO, H. N. Fundamentals of engineering thermodynamics.


5th ed. John Wiley & Sons, 2006.

NATIONAL INSTRUMENTS. Selecting a Model Structure in the System


Identification Process. Disponível em: <http://www.ni.com/white-paper/4028/en/>.
Acesso em: 10 dez. 2016.
114

OGATA K., Engenharia de controle moderno. 4ed., São Paulo: Pearson Prentice
Hall, 2003.

PAULINO, M. E. C. Manutenção de transformadores. O Setor Elétrico. n. 96, jan.


2014. p. 52-61. Disponível em: < http://www.osetoreletrico.com.br/web/a-
revista/revista-eletronica/book/60-janeiro-de-2014/11-2014.html>. Acesso em: 08
ago. 2016

PENNSTATE. Pre-whitening as an Aid to Interpreting the CCF. Disponível em: <


https://onlinecourses.science.psu.edu/stat510/node/75>. Acesso em: 10 dez. 2016.

PIERCE, L. W. Predicting liquid filled transformer loading capability. In: Petroleum and
Chemical Industry Conference, 1992, Record of Conference Papers., Industry
Applications Society 39th Annual. IEEE, 1992. p. 197-207.

RAO, S.; ZHANG, M.; TYLAVSKY, D. Model screening metrics for thermal models of
substation distribution transformers. In: North American Power Symposium
(NAPS), 2013. IEEE, 2013. p. 1-6.

REITZ, J. R.; MILFORD, F. J.; CHRISTY, R. W. Fundamentos da teoria


eletromagnética. 3. ed. Rio de Janeiro: Editora Campus, 2012.

RODRIGUES, G. G. Identificação de Sistemas Dinâmicos Não-Lineares


Utilizando Modelos NARMAX Polinomiais − Aplicação a Sistemas Reais. 2011.
tese de mestrado. Universidade Federal de Minas Gerais

SANTOS, C. W. Modelo térmico do sistema de resfriamento do transformador


principal da unidade geradora da usina hidrelétrica de itaipu. 2016. Trabalho de
conclusão de curso. Universidade Estadual do Oeste do Paraná.

SEALEY, W. C. Transformers, Theory and Construction. International Textbook


Company, 1948. Scraton, Pennsylvania

SECRETARIA DO ESPORTE E DO TURISMO. Clima do Paraná. Disponível em:


<http://www.turismo.pr.gov.br/modules/conteudo/conteudo.php?conteudo=393>.
Acesso em: 10 dez. 2016.

SEIER, A.; HINES, P. DH; FROLIK, J. Data-driven thermal modeling of residential


service transformers. IEEE Transactions on Smart Grid, v. 6, n. 2, p. 1019-1025,
2015.

SIEMENS. Transformadores de Potência. Disponível em:


<http://www.energy.siemens.com/br/pt/transmissao-de-
energia/transformadores/transformadores-de-potencia/>. Acesso em: 27 ago. 2016.

SILVA, J. R. Modelagem para monitoramento térmico de transformadores em


operação e avaliação do envelhecimento em função do perfil de carregamento.
Dissertação (Mestrado em Ciências Exatas) – Universidade Federal de Santa
Catarina, Florianópolis, 2005.
115

STEINMETZ, C. P. “On the law of hysteresis”, Proc. IEEE, vol. 72, no. 2, pp. 197–
221, Fev. 1984.

SUSA, D.; LEHTONEN, M.; NORDMAN, H. Dynamic thermal modelling of power


transformers. IEEE transactions on Power Delivery, v. 20, n. 1, p. 197-204, 2005.

SWIFT, G.; MOLINSKI, T. S.; LEHN, W. A fundamental approach to transformer


thermal modeling. I. Theory and equivalent circuit. IEEE Transactions on Power
Delivery, v. 16, n. 2, p. 171-175, 2001.

TOLEDO, R. A. N. Avaliação teórico-experimental de modelos térmicos para


estudos de carregamento senoidal e não-senoidal de transformadores de
potência. 2011. tese de doutorado. Universidade federal de Minas Gerais.

TYLAVSKY, D. J. et al. The effect of quantization and sampling time on transformers


thermal performance and parameters calculation. In: Industry Applications
Conference, 1999. Thirty-Fourth IAS Annual Meeting. Conference Record of the
1999 IEEE. IEEE, 1999. p. 1345-1351.

TYLAVSKY, D. J.; MAO, X.; MCCULLA, G. A. Transformer thermal modeling:


improving reliability using data quality control. Power Delivery, IEEE
Transactions on, v. 21, n. 3, p. 1357-1366, 2006.

VALLES, M.; MIRANDA, F. Servicios en Transformadores. Em: ABB Transformer


day, Bogotá-Medellín, 2010,

VICAIRE. Basic concepts of the systems' theory. Disponível em: <


http://echo2.epfl.ch/VICAIRE/mod_1b/chapt_1/main.htm>. Acesso em: 28 ago. 2016.

VILAITHONG, Rummiya. Models for Thermal and Mechanical Monitoring of Power


Transformers. Shaker, 2011.

VILLATE, J E. Introdução aos sistemas dinâmicos: uma abordagem prática com


maxima. Universidade do Porto. 2011.

WEG. Produtos e Soluções. Disponível em: <http://www.weg.net/br/Media-


Center/Noticias/Produtos-e-Solucoes/WEG-realiza-a-entrega-de-seu-maior-
fornecimento-a-Itaipu-Binacional>. Acesso em: 10 dez. 2016.

WHITTAKER, E. A history of the theories of aether and electricity. The American


Journal of the Medical Sciences, v. 228, n. 2, p. 241, 1954.

WILKINSON, G. N; ROGERS C. E. Symbolic Description of Factorial Models for


Analysis of Variance. Applied Statistics, Vol. 22, No. 3, 392-399. 1973

WINDERS JR, J. J. Power Transformers Principle and Applications. Marcel


Dekker, Inc. New York. 2002.

YOUNG, H. D.; FREEDMAN, R. A.; FORD, L. University Physics with modern


physics. 13th ed. Pearson education, 2012.

You might also like