Sistema Nebuloso Preditivo para Manutenção de Transformadores de Potência em Sistema de Medição de Gases Dissolvidos em Óleo Mineral Isolante

Transcrição

1 Sistema Nebuloso Preditivo para Manutenção de Transformadores de Potência em Sistema de Medição de Gases Dissolvidos em Óleo Mineral Isolante Adriane Beatriz de Souza Serapião Depto. Estatística, Matemática Aplicada e Computação Universidade Estadual Paulista (UNESP) Rio Claro SP, Brasil adriane@rc.unesp.br Celso C. N. Modesto Junior Seção Técnica de Informática Instituto de Química de São Carlos (IQSC) Universidade de São Paulo (USP) São Carlos - SP, Brasil cmodestojr@usp.br Abstract This work presents a methodology for diagnosis of incipient faults in power transformers through the analysis of dissolved gases in isolating oil and for predictive maintenance of transformers. The developed computational system is based on a combined use of three standard diagnostic methods by gases concentration measurements (Rogers, Doernenburg and NBR774) and by using fuzzy logic. The proposed methodology was validated with a data set from IEC and the results obtained with this tool have reached success levels above 90%. Keywords power transformers, dissolved gas analysis, fuzzy logic. Resumo Este trabalho apresenta uma metodologia para diagnóstico de falhas incipientes em transformadores de potência através da análise dos gases dissolvidos no óleo isolante e para a previsão de manutenção de transformadores. O sistema computacional desenvolvido é baseado na combinação de três métodos diagnósticos clássicos de medição da concentração de gases (Rogers, Doernenburg e NBR774) e na lógica nebulosa. A metodologia proposta foi validada por um conjunto de dados de IEC e os resultados obtidos com esta ferramenta atingiram níveis de sucesso acima de 90%. Palavras-chaves transformadores de potência, análise de gases dissolvidos, lógica nebulosa. I. INTRODUÇÃO Dentre diversas atividades que podem ser realizadas em um transformador de potência com o objetivo de prevenir o aparecimento de falhas, bem como a realização de onerosas manutenções corretivas encontra-se a análise de gases dissolvidos em óleo mineral isolante como uma das mais importantes a serem destacadas [1]. Geralmente, o monitoramento da concentração desses gases dissolvidos em óleo é realizado através da análise por cromatografia em fase gasosa, que apresenta resultados aceitáveis. Esta análise, porém, representa um estado determinado na condição do transformador, não permitindo uma análise continuada e de longo prazo, isto é, a análise por cromatografia não garante a permanência dos valores aferidos até que uma próxima amostra de óleo seja analisada. Existem atualmente no mercado aplicações para a realização destas medições que, ao serem instaladas nos transformadores, são capazes de monitorar continuamente os níveis de concentração dos gases dissolvidos no óleo isolante. Entretanto, esses equipamentos são caros e requerem a instalação de um sistema por transformador. Nesse sentido, este trabalho apresenta a proposta de um modelo automatizado, que permita o monitoramento de transformadores de potência. Esse modelo é capaz de analisar a concentração dos gases dissolvidos no óleo dos transformadores para produzir diagnósticos sobre suas condições, reduzindo significativamente os custos de monitoramento e manutenção dos mesmos, já que permite o acompanhamento de transformadores à distância, minimizando deslocamentos aleatórios de equipes de manutenção a campo. Mais especificamente, neste trabalho foi desenvolvida uma ferramenta de simulação, que visa simular o recebimento de informações de um analisador de gás que acompanhe em tempo real as condições do óleo mineral isolante presente no equipamento, realizando o tratamento dos dados recebidos através de análises, aplicando aos resultados obtidos as regras nebulosas [] para identificação e apontamento de eventuais falhas que possam ser encontradas nos transformadores. Basicamente, o sistema recebe as informações do analisador de gases através de arquivo e/ou outra forma de entrada de dados, como transmissão via rádio para uma estação em um procedimento online, analisa as informações recebidas através dos métodos de análise de gases utilizados neste trabalho (Rogers [3], Doernenburg [4] e NBR 774 [5]), realiza a aplicação da lógica nebulosa, obtendo as saídas padronizadas. Em caso de uma saída que seja identificada dentro de um leque de possibilidades, o sistema emite sua análise e o resultado esperado. Caso a saída não seja identificada, então é realizada a análise das possíveis dúvidas, para em seguida o sistema emitir também o resultado esperado. Este trabalho está estruturado da seguinte forma: na Seção são apresentados os métodos mais usuais de análise de óleo

2 isolante em transformadores de potência; a Seção 3 relaciona alguns trabalhos correlatos da literatura para o diagnóstico de transformadores baseados na análise de gases dissolvidos no óleo isolante; a Seção 4 mostra a metodologia proposta para o sistema de diagnósticos, utilizando lógica nebulosa; a Seção 5 apresenta os resultados obtidos pelos testes realizados e a Seção 6 apresenta a conclusão e os trabalhos futuros. II. MÉTODOS TRADICIONAIS DE DIAGNÓSTICO DE ÓLEOS DE TRANSFORMADORES A análise de desempenho do transformador por meio das condições do óleo isolante é uma importante ferramenta utilizada na manutenção preventiva destes equipamentos. Esta análise tem como premissa uma avaliação quantitativa e qualitativa de produtos de degradação presentes no óleo mineral [6], bem como os processos que apressam seu envelhecimento, como agentes de oxidação, umidade, etc. Através da Análise dos Gases Dissolvidos (Dissolved Gas Analysis DGA) no óleo mineral isolante é possível avaliar a condição de operação do isolamento do equipamento, com a detecção de eventuais processos de falha que possam estar ocorrendo. A DGA é a técnica mais utilizada para monitorar o desempenho de transformadores de potência assim como de outros equipamentos elétricos já citados [7]. O descobrimento de falhas incipientes na isolação pelo método de DGA baseia-se no fato de que a quebra de isolação líquida e sólida, a partir de condições térmicas e elétricas anormais fornecem uma variedade de substâncias voláteis e não voláteis resultantes da degradação, que podem evoluir a falhas nos equipamentos. A DGA é importante porque, primeiramente, cada falha possível gera um ou mais gases. Estes gases surgem do aumento da degradação do óleo adjacente à possível falha, e a DGA é capaz de avaliar vários tipos de gases, mesmo em concentrações muito pequenas e, portanto, apta a identificar e diagnosticar vários tipos de falhas [7] Estes gases são produzidos pela degradação do óleo do transformador e dos materiais isolantes tais como o papel e o papelão de isolação do núcleo. A taxa da degradação da celulose e do óleo é aumentada significativamente na presença de uma falha dentro do transformador [7]. Os gases mais relevantes que são produzidos na operação do transformador são: hidrogênio (H ) e hidrocarbonetos como metano (CH 4 ), etano (C H 6 ), etileno (C H 4 ) e acetileno (C H ); óxidos de carbono, como monóxido de carbono (CO) e dióxido de carbono (CO ); e gases normais nitrogênio (N ) e oxigênio (O ). Normalmente as causas do surgimento dos gases de falha são classificadas em três categorias [7]: efeito Corona, aquecimento e arco elétrico. Dependendo da energia envolvida, da sua localização, da ocorrência intermitente ou contínua, cada tipo de falha afeta o óleo ou papel de uma forma diferente, gerando quantidades consideráveis, características de gases dissolvidos. Do ponto de vista operacional, os procedimentos de detecção e análise dos gases combustíveis, devem seguir as seguintes prioridades (IEEE): Detecção: detectar a geração de algum gás que excede as quantidades consideradas normais e utilizar critérios apropriados que possam identificar as possíveis anormalidades que por ventura estejam ocorrendo. Avaliação: avaliar a confiabilidade de operação do transformador, usando um conjunto de critérios ou recomendações. Ação: recomendar ação, que vai desde a confirmação da existência da falha com análise suplementar, redução da carga, ou até mesmo a retirada da unidade de serviço. Há vários métodos de acompanhamento utilizados para diagnóstico de transformadores de potência através de ensaios de cromatografia gasosa no óleo isolante, os quais são apresentados a seguir. A. Método de Rogers Este método utiliza a filosofia de diagnóstico baseado em relações de concentrações de gases e limites de variação para estas relações [3]. Utiliza cinco gases (CH 4, H, C H 6, C H 4 e C H ) e quatro relações (CH 4 /H, C H 6 /CH 4, C H 4 /C H 6 e C H /C H 4 ) no estabelecimento das condições do equipamento, de acordo com duas tabelas pré-definidas. Na primeira tabela, a partir das faixas de valores obtidos para as relações entre os gases, estabelece-se um código para cada faixa de valor obtido. Em seguida, na próxima tabela, realizando-se a combinação destes códigos, é que se determina o diagnóstico final da amostra em 1 categorias (deterioração normal; descargas parciais baixa densidade; sobreaquecimento abaixo de 150ºC; sobreaquecimento de 150ºC a 00ºC; sobreaquecimento de 00ºC a 300ºC; sobreaquecimento de condutores; correntes de circulação nos enrolamentos, correntes de circulação no núcleo e tanque; sobreaquecimento em conexões; descarga contínua; arco com alta energia; descarga contínua de baixa potência; descarga parcial envolvendo o papel). De forma simplificada esse conjunto de diagnósticos pode ser reduzido para: deterioração normal, superaquecimento local (pontos quentes), descargas parciais e outros tipos de descargas (falhas elétricas). Entretanto, esta última tabela não é completa o suficiente para definir todas as condições possíveis estabelecidas pela primeira tabela que as relações entre os gases podem gerar. Desta forma, torna-se necessário aplicar este método em conjunto com outros disponíveis, tais como Doernenburg [4] e NBR774 [5]. B. Método de Doernenburg O método baseia-se nas relações CH 4 /H, CH /C H 4, C H 6 /C H e C H /CH 4. Este critério é também capaz de identificar os três tipos de falhas: superaquecimento local (pontos quentes), descargas parciais e outros tipos de descargas (falhas elétricas). O critério de identificação de falha do método de Doernenburg [4] também é definido por uma tabela que associa as relações (principais e auxiliares) gasosas a um tipo de falha. Para a ratificação do método, no mínimo um dos gases que compõem as relações principais tem que

3 possuir concentração maior que o dobro do valor indicado em uma segunda tabela e para as relações auxiliares, ao menos um dos gases tenha uma concentração superior à apresentada nesta mesma tabela. Bem como acontece no método de Rogers, determinadas combinações de resultados não são contempladas pelo método de Doernenburg. Tal como acontece no método anterior, torna-se necessário que a aplicação deste método seja de forma conjunta a outros métodos, como forma de contemplar o maior de número de diagnósticos possíveis. C. Método previsto na NBR 774 A Norma Brasileira (NBR) 774/198 [5] Interpretação da Análise dos Gases de Transformadores em Serviço (baseada na norma internacional IEC 599/78) foi desenvolvida para transformadores de potência, com enrolamentos de cobre, isolados com papel, papelão ou celulose e imersos em óleo isolante mineral, em serviço em sistemas de potência. Este método assemelha-se ao método de Rogers, variando apenas alguns dos limites constantes das relações, bem como algumas alterações na interpretação de valores para diagnóstico (NBR 774, NBR 7070). Este método é baseado nas relações C H /C H 4, CH 4 /H e C H 4 /C H 6 e pode utilizar uma segunda tabela para realizar o diagnóstico da amostra em análise. Por este método 8 diagnósticos são possíveis (envelhecimento normal; descargas parciais de pequena densidade de energia; descargas parciais de alta densidade de energia; descargas parciais de energia reduzida; descargas de alta energia; sobreaquecimento (150 < T < 300 ºC); sobreaquecimento (300 < T < 700 ºC); sobreaquecimento (T > 300 ºC)), mas que podem ser agrupados em: envelhecimento normal, descargas parciais, descargas de alta energia e sobreaquecimento. Mais uma vez, nem todas as combinações possíveis são contempladas pelo presente método, fazendo-se necessário sua utilização conjuntamente com outros métodos previamente apresentados. D. Motivação para o desenvolvimento da nova metodologia Como os métodos não trazem consigo todas as possibilidades de combinações possíveis, estes serão utilizados em conjunto, tendo seus resultados validados pela aplicação das tabelas de cada um deles. Sua utilização neste trabalho também visa mostrar que os mesmos são originalmente muito simples, justamente por serem incompletos em seu número de combinações possíveis, o que é passível de melhorias através da utilização de técnicas. III. TRABALHOS RELACIONADOS Há algumas pesquisas na literatura com a aplicação de técnicas de inteligência computacional no diagnóstico de falhas incipientes. Um dos fatores que contribuem para este tipo de abordagem é que os métodos de DGA são aplicados há muito tempo com muita confiabilidade e existe uma grande disponibilidade de dados disponíveis. Assim, o desenvolvimento de metodologias incorporando essas técnicas são bastante atrativas e promissoras. Dentre as técnicas de inteligência computacional mais utilizadas em transformadores de potência encontram-se a lógica nebulosa [8 11], as redes neurais artificiais (RNAs) [1 17], a computação evolutiva [18] e sistemas híbridos [19 1]. A utilização de lógica nebulosa para a elaboração de diagnóstico de falhas em transformadores usando análise de gases em óleo isolante considera as incertezas existentes no processo de medição dos gases, obtendo resultados em situações limítrofes de duplo diagnósticos em que os métodos convencionais falham. Ou seja, a lógica nebulosa tem como vantagem reduzir a sensibilidade aos processos de amostragem e análise dos gases. Na abordagem proposta por Lin et al. [8] os níveis das concentrações de gases no óleo isolante de transformadores são colocados na forma de intervalos nebulosos e as relações entre os níveis nebulosos são considerados para determinar o tipo de falha, de acordo com o método de Rogers. No trabalho de Tomsovic et al. [9], os autores utilizaram a lógico nebulosa para tentar combinar os métodos tradicionais de análise de gases para obter um método sistemático melhorado de diagnóstico de faltas, de modo que quando um método DGA indica um problema, outros métodos devem ser acionado para a confirmação do diagnóstico. Neste caso, o conjunto nebuloso é construído baseado no diagnóstico de faltas e o objetivo é sintonizar as funções de pertinência baseadas nos métodos e experiências da análise de gases dissolvidos no óleo. Su et al. [10] desenvolveram um sistema de diagnósticos com lógica nebulosa para detectar múltiplas falhas incipientes no transformador, utilizando a taxa de gases do IEC, combinando informações binárias e de função de pertinência das taxas para produzir um vetor nebuloso (função qualidade) com o diagnóstico. Santos et al. [11] desenvolveram um sistema de decisão para diagnóstico de falhas em transformadores usando DGA com módulo de sistema de inferência nebulosa do tipo Mamdani para diagnóstico de falha, com processo de extração de regras realizado pelo método de Wang e Mendel. IV. METODOLOGIA PROPOSTA A metodologia proposta neste trabalho consiste na avaliação do estado e no diagnóstico preventivo de transformadores. Para o tratamento dos dados de análise dos gases dissolvidos, este trabalho foi desenvolvido em fases, conforme apresentado na Fig. 1. Como já mencionado anteriormente, este trabalho apresenta uma ferramenta de simulação, que aplica automaticamente o crescimento gradual das concentrações dos gases dissolvidos, contendo as informações de geração dos seguintes gases, em ppm: hidrogênio (H ), metano (CH 4 ), acetileno (C H ), etileno (C H 4 ) e etano (C H 6 ). Como saída, a ferramenta apresenta uma classificação para o isolamento, de acordo com o método utilizado, entre: funcionamento normal, falha elétrica e falha térmica. Além disso,

4 apresenta também como saída, a partir do nível de concentrações de gases, em conjunto com o resultado da análise pelos métodos já citados, a necessidade de manutenção através de níveis de prioridade: sem previsão, agendar preventiva normal, agendar preventiva urgente, caráter de urgência e caráter prioritário. Na Fase 1 são testados os diferentes critérios de identificação de falhas através da análise dos gases dissolvidos no óleo, que incluem os dois critérios internacionais de Rogers e Doernenburg, integrantes da norma IEEE C (1991), e também a NBR 774 (198). A Fase foi desenvolvida como um conjunto de regras, as quais serão explicadas mais adiante, onde, de posse dos dados de gases fornecidos como parâmetros de entrada, serão aplicadas, podendo ou não determinar as condições atuais do equipamento, identificando possíveis falhas, ou fornecendo ao usuário indicação de um procedimento posterior que deverá ser adotado. A Fase 3 consiste na aplicação do sistema nebuloso, que visa determinar a necessidade de manutenção do transformador através dos resultados obtidos anteriormente pelas análises dos métodos supra mencionados, sendo aplicado na ferramenta de simulação desenvolvida. São apresentadas as técnicas utilizadas para o diagnóstico de falhas em transformadores, buscando variar o foco com relação à disposição destas técnicas e também no que tange à união dos melhores resultados, com o objetivo de produzir uma ferramenta eficiente, que forneça ao usuário a indicação de manutenção antes da ocorrência de severa deterioração do isolamento e posteriores danos ao equipamento. A. Fase 1 Utilização dos métodos de análise Para cada um dos três critérios de identificação de falhas, alguns diagnósticos correlacionados foram agrupados de modo a se obter somente as saídas consideradas pela ferramenta. A Tab. 1 com a relação de diagnósticos agregados é apresentada então para cada método na descrição correspondente. TABELA I. TABELA DE DIAGNÓSTICOS CORRETOS Método/Diagnóstico Normal Falha elétrica Falha térmica Rogers Deterioração normal Superaquec. local Descargas parciais Outras descargas Doernenburg Concentrações de gás abaixo da validação Superaquec. local Descargas parciais Outras descargas NBR 714 Envelhecimento normal Descargas parciais Descargas alta energia Sobreaquecimento Fig. 1. Fluxograma de desenvolvimento do trabalho por fases De posse dos dados de gases fornecidos como parâmetros de entrada, são aplicados os três, que podem ou não determinar a condição do equipamento em questão, identificando a falha à que está submetido. B. Fase Regras de diagnósticos Estas regras são aplicadas em conjunto com a avaliação realizada na Fase 1, através dos métodos de análise. A Tab. apresentada abaixo contempla as possibilidades de saídas obtidas pelos três métodos de análise tradicionais, devolvendo como resposta o diagnóstico unificado mais provável. TABELA II. REGRAS DE DIAGNÓSTICOS PARA AS SAÍDAS DA FASE Saídas Iguais Composição das Saídas Resposta 3 mesmo diagnóstico próprio diagnóstico falhas elétricas + 1 normal/falha térmica falha elétrica falhas térmicas + 1 normal/falha elétrica falha térmica normais + 1 falha funcionamento térmica normal normais + 1 falha funcionamento elétrica normal 1 sem diagnóstico 1 normal + 1 falha elétrica (necessita nova + 1 falha térmica análise) C. Fase 3 Sistema de inferência nebulosa para agendamento da manutenção Alguns trabalhos já realizados anteriormente por outros autores mostram a aplicação da lógica nebulosa em diagnóstico preventivo de transformadores [8 11], embora usando uma metodologia diferente da apresentada aqui. No presente trabalho, esta fase basicamente prevê que os mesmos parâmetros de entrada, constituídos pelos níveis de concentração dos gases dissolvidos, forneçam entradas

5 precisas para ativação das regras e, consequentemente, seja realizada a inferência nebulosa, constituindo um conjunto nebuloso de saída, fornecendo uma saída precisa ao final deste processo. Através deste sistema é possível inferir qual a suposta situação de um transformador hipotético, simulando se o funcionamento do mesmo passa por boas condições ou em qual nível de deterioração se encontra, a partir do nível de concentração apresentado pelos gases de entrada, sendo passível a tomada de decisões quanto à manutenção necessária. Os valores finais são analisados através de sua transformação da forma determinística (valores numéricos) em forma nebulosa (graus de pertinência), baseando-se na Tab., a partir dos valores que são considerados o máximo permitido para que exista uma condição de normalidade de operação em transformadores de transmissão, expressos pela CEGB. Dessa forma, as concentrações dos gases (variáveis linguísticas) são adjetivadas conforme o nível da concentração (indicados pelos termos linguísticos normal, alto, muito alto), correspondendo aos conjuntos nebulosos de entrada mostrados na Fig. a. Tais conjuntos nebulosos utilizaram funções triangulares e trapezoidais para a descrição das variáveis. Por sua vez, o conjunto nebuloso de saída visa estabelecer as reais condições do transformador avaliado, buscando indicar de maneira precisa a necessidade de manutenção do equipamento, portanto tendo como variável de saída a previsão de manutenção, que pode ser caracterizada em (sem previsão, agendar preventiva normal, agendar preventiva urgente, situação de urgência, situação de prioridade), representadas respectivamente pelos números inteiros de 1 a 5, conforme Fig. b. O conjunto nebuloso de saída utiliza singletons (valores de saída constantes, representados por linhas verticais). A partir da combinação dos termos linguísticos das variáveis de entrada, o sistema de inferência ativa o conjunto de regras fornecido, relacionando estas variáveis de maneira a determinar a necessidade de manutenção. A Tab. 3 a seguir mostra algumas das regras utilizadas nesta fase, sendo que o conjunto total de regras compreendeu 43 situações distintas. TABELA III. EEMPLOS DE REGRAS NEBULOSAS UTILIZADAS NA FASE 3 ENTRADAS SAÍDA H CH 4 C H C H 4 C H 6 N E N E N E N E N S/ PREVISÃO N E A E N E N E A S/ PREVISÃO N E A E N E M E MA AG.PREV.NORMAL A E MA E A E A E N AG.PREV.URGENTE A E MA E A E MA E A SIT.URGÊNCIA A E MA E MA E MA E MA SIT.PRIORIDADE N E MA E N E N E MA AG.PREV.NORMAL Onde se lê, por exemplo, na última regra desta tabela: Se concentração de H é normal, e concentração de CH 4 é muito alta, e concentração de C H é normal, e concentração de C H 4 é normal, e concentração de C H 6 é muito alta, então agendar previsão de manutenção normal. Para cada fator da parte Se da regra, obtém-se um grau de pertinência do valor de entrada para cada termo linguístico, fase conhecida como fuzzificação. Na implicação (forma de combinar os antecedentes) de cada regra foi utilizada como norma triangular (T-norma) a função mínimo. Na agregação da regra (forma de combinar os consequentes) utilizou-se como conorma triangular (S-norma) a função máximo. A etapa de defuzzificação mapeia a saída nebulosa em um valor definido. A estratégia de inferência utilizada neste sistema foi o método do máximo critério, ou seja, esse método produz como saída do sistema, o valor numérico da saída correspondente ao índice da variável linguística de saída, produzida pela máquina de inferência, de maior grau de pertinência. Em outras palavras, apenas a regra com maior valor de pertinência é ativada e seu consequente é assumido como a resposta final. Aplicado o sistema de inferência para ativação das regras junto às variáveis de entrada, é determinado o conjunto nebuloso de saída e, consequentemente, a indicação da necessidade de manutenção no equipamento avaliado. V. RESULTADOS Para o estudo das técnicas de classificação de falhas e, principalmente, para a realização de testes de funcionamento da ferramenta de simulação, foi utilizado um conjunto de dados de análises de gases (H, CH 4, C H, C H 4 e C H 6 ) dissolvidos no óleo, que representam uma parte de um banco de dados da IEC TC10 []. Esta publicação apresenta vários conjuntos de dados referentes a diferentes equipamentos, organizados pelo seu tipo, e pelo tipo de falha encontrada, totalizando 5 amostras, distribuídas em 16 amostras com diagnóstico de normalidade, amostras com diagnóstico de falha elétrica e 14 amostras com diagnóstico de falha térmica. Estes diagnósticos foram determinados através de medições específicas e inspeções visuais feitas por especialistas. Através da utilização do banco de dados IEC, foram produzidos os resultados da aplicação da Fase 1, que foram comparados com os valores disponibilizados pelo banco de dados citado. Dessa forma, foi possível validar os resultados obtidos pela aplicação através dos níveis percentuais de acertos de diagnósticos em função da saída considerada pela metodologia proposta. Os resultados obtidos na Fase 1 a partir da verificação dos dados IEC junto à ferramenta de simulação desenvolvida são listados na Tab. 4, considerando a porcentagem de diagnósticos corretos. TABELA IV. DIAGNÓSTICOS CORRETOS FASES 1 E IEC Dados IEC Diagnósticos Corretos (%) Fase Fase Normal 75,0 87,5 Falha elétrica 90,9 90,9 Falha térmica 100,0 100,0 Média Total 88,5 9,3

6 a) Conjuntos nebulosos das concentrações dos gases Fig. 3. Exemplo de fuzzificação das concentrações dos gases no óleo do transformador b) Conjunto nebuloso da previsão da manutenção Fig.. Conjuntos nebulosos de entrada e saída A taxa de acerto total média na Fase 1 foi de 88,5%. Através da análise das taxas de diagnósticos corretos obtidos, pode-se perceber que para os diagnósticos de falha térmica e falha elétrica, a aplicação da metodologia referente à Fase 1 encontra-se em um alto nível de acerto. Porém, o nível de acertos para o diagnóstico de normalidade encontra-se apenas regular (75%), o que pode atestar certa ineficiência à citada metodologia, se utilizada sozinha. Dessa forma, sugere-se que a mesma seja usada em conjunto com a metodologia aplicada à Fase, como mostrado neste trabalho. Na utilização do mesmo conjunto de dados IEC, aplicando em conjunto as metodologias Fase 1 e Fase, o nível de acerto aumentou para 87,5%, para o diagnóstico de normalidade, o que demonstra maior confiabilidade na aplicação desenvolvida. Para os diagnósticos de falha térmica e falha elétrica o nível de acerto permaneceu o mesmo apurado anteriormente, ainda conforme exibido na Tab. 4. Desta forma, o acerto global do sistema com a incorporação da Fase resultou em uma taxa de acerto total de 9,3%. Ou seja, das 5 amostras do banco de dados, apenas quatro foram erroneamente classificadas, sendo essas duas amostras de normalidade e duas de falha elétrica. No banco de dados da IEC TC10 algumas amostram apresentaram ausência dos valores de concentração em algum dos cinco gases, sendo que isso ocorreu em 5 dentre as 16 Fig. 4. Exemplo de diagnóstico de previsão de manutenção amostras com diagnóstico de normalidade, em 4 dentre as amostras de falha elétrica, e 1 dentre as 14 amostras de falha térmica. Os valores de concentração não detectados foram substituídos pelo valor de 0.4 ppm para a realização dos testes. Os quatro diagnósticos incorretos obtidos na Fase ocorreram nas amostras com algum dado ausente na concentração dos gases. Para ilustrar a aplicação da Fase 3 pelo sistema nebuloso preditivo desenvolvido, tem-se a seguir um exemplo de situação hipotética, onde são obtidos os valores de entrada, a partir da Fase 1: H = 17,13, C H = 0,79, C H 6 = 80,54, C H 4 = 15,91 e CH 4 = 1539,94. Em seguida, o sistema de diagnóstico realiza a transformação para a forma nebulosa, como na Fig. 3, aplicando os resultados desta fuzzificação ao conjunto de regras fornecidas, que são ativadas pelo sistema de inferência nebulosa, retornando como recomendação a necessidade de manutenção do equipamento, conforme mostrado pela Fig. 4, cujo diagnóstico foi Agendar preventiva urgente. A taxa de acerto nos diagnósticos de previsão de manutenção utilizando-se a base de dados da IEC TC10 foi a mesma obtida na Fase, como era esperado, visto que a recomendação da manutenção está associada ao diagnóstico do estado do transformador.

7 VI. CONCLUSÕES Neste trabalho foi proposta uma metodologia baseada em lógica nebulosa para realizar a análise dos gases e produzir diagnósticos sobre as condições de transformadores de potência e recomendação de manutenção. Esta aplicação indicou resultados que podem ser considerados bastante satisfatórios, apresentando diagnósticos de maior confiabilidade em relação aos métodos tradicionais. A análise realizada a partir da utilização da lógica nebulosa mostrou-se altamente aplicável ao problema. Foi possível comprovar também que a utilização conjunta das fases propostas através da metodologia indicada, considerando parcialmente outras abordagens de análise de gases, minimiza as deficiências individuais dos critérios tradicionais, fornecendo ao usuário uma excelente taxa de diagnósticos corretos. Como trabalho futuro, pretende-se acoplar ao sistema proposto a funcionalidade de identificar padrões de desgaste do óleo através de técnicas de aprendizado de máquina, de forma que o diagnóstico de falhas possa acontecer antes que a análise do óleo seja realizada. REFERÊNCIAS BIBLIOGRÁFICAS [1] I.M. Araújo, and C.K.S. Santos, Capítulo 09 - Manutenção de Transformadores. Disponível em: < Acesso em: 19 abr [] L.A. Zadeh, The concept of a linguistic variable and its application to approximate reasoning-part II, Information Sciences, vol. 8, 1975, p [3] R.R. Rogers, B. Barraclough, L. Davies et al., CEGB experience of analysis of dissolved gases in transformer oils for the detection of incipient faults, Proceedings of the conference on diagnostic testing of HV power apparatus, [4] ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 7070: Guia para Amostragem de Gases e Óleos em Transformadores e Análise dos Gases Livres e Dissolvidos. Rio de Janeiro, [5] ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 774: Interpretação da análise dos gases de transformadores em serviço. Rio de Janeiro, 198. [6] M. Milasch, Manutenção de Transformadores em Líquido Isolante. São Paulo: Edgar Blücher Ltda., [7] P.M Cardoso, Adaptação de um Sistema de Medição de Gases Dissolvidos em Óleo Mineral Isolante para Monitoração de Múltiplos Transformadores de Potência. Dissertação de Mestrado, Universidade Federal de Santa Catarina, Florianópolis, 005, 13f. [8] C.E. Lin, J.M. Ling, and C.L. Huang, An Expert System for Transformer Fault Diagnosis Using Dissolved Gas Analysis, IEEE Transaction on Power Delivery, vol. 8 (1), 1993, p [9] K. Tomsovic; M. Tapper, T. Ingvarsson, A Fuzzy Information Approach to Integrating Different Transformer Diagnostic Methods, IEEE Transactions on Power Delivery, 1993, pp [10] Q. Su, L.L. Lai and P. Austin, A Fuzzy Dissolved Gas Analysis Method for the Diagnosis of Multiple Incipient Faults in a Transformer, Proceedings of the 5th International Conference on Advances in Power system Control, Operation and Management, APSCOM 000, Hong Kong, 000, p [11] L.T.B. Santos, M.M.B.R. Vellasco and R. Tanscheit. Decision Support System for Diagnosis of Power Transformers. Proceedings of the 15th International Conference on Intelligent System Applications to Power Systems (ISAP 009), 8-1 Nov [1] D.R. Morais, Ferramenta Inteligente para Detecção de Falhas Incipientes em Transformadores Baseada na Análise de Gases Dissolvidos no Óleo Isolante. Dissertação de Mestrado, Universidade Federal de Santa Catarina, Florianópolis, 004, 11f. [13] M.M. Imamura, I.N. Silva and A.N. Souza, Uma Abordagem Neural para Análise dos Gases Dissolvidos em Óleo Isolante em Função das Grandezas Físico-Químicas. Anais do III Congresso Brasileiro de Automática (CBA 000), Florianópolis, pp , 000. [14] S.E.U. Lima. Diagnóstico Inteligente de Falhas Incipientes em Transformadores de Potência Utilizando a Análise dos Gases Dissolvidos em Óleo. Dissertação de Mestrado, UFC/CT/DEE - Departamento de Energia Elétrica, Fortaleza, CE, 005. [15] V. Miranda and A.R.G. Castro. Improving the IEC Table for Transformer Failure Diagnosis with Knowledge Extraction from Neural Networks. IEEE Transactions on Power Delivery, v. 0, n. 4, pp , 005. [16] F.R. Barbosa, O.M. Almeida, A.P.S. Braga, M.A.B. Amora and S.J.M. Cartaxo. Application of an Artificial Neural Network in the Use of Physicochemical Properties as a Low Cost Proxy of Power Transformers DGA Data. IEEE Transactions on Dielectrics and Electrical Insulation, v. 19, n. 1, pp , 01. [17] N.A.M. Isa and W.M.F.W. Mamat. Clustered-hybrid multilayer perceptron network for pattern recognition application. Applied Soft Computing Journal, v. 11, n. 1, pp , 011. [18] S.L Senna. Computação evolucionária aplicada ao diagnóstico de falhas incipientes em transformadores de potência utilizando dados de cromatografia. Dissertação (Mestrado em Engenharia Elétrica). Universidade Federal de Minas Gerais, Belo Horizonte, 010. [19] O.M. Almeida, M.A.B. Amora, F.R. Barbosa, F.A.P. Aragão, O.C.E.S. Nottingham, L.H.S.C. Barreto and R. Vitor. Monitoramento e Diagnóstico de um Transformador de Potência: Análise de Gases Dissolvidos no Óleo e Análise Térmica. Anais do IV CITENEL - Congresso de Inovação Tecnológica em Energia Elétrica 007, Araxá, MG, 007. [0] V. Duraisamy, D. Devarajanb, D. Somasundareswaria, A.M. Vasanthb and S.N. Sivanandamc. Neuro-fuzzy Schemes for Fault Detection in Power Transformer. Applied Soft Computing, v. 7, n., pp , 007. [1] R. Naresh, V. Sharma and M. Vashisth. An Integrated Neural Fuzzy Approach for Fault Diagnosis of Transformers. IEEE Transactions On Power Delivery, v. 3, n. 4, p , Out. 008 [] M. Duval and A. De Pablo. Interpretation of Gas-In-Oil Analysis Using New IEC Publication and IEC TC 10 Databases, IEEE Electrical Insulation Magazine, vol. 17 (), 001, p