Análise de Métodos para o Diagnóstico de Falhas Incipientes em Transformadores com Base na Concentração de Gases no Óleo Isolante

Transcrição

1 1 Análise de Métodos para o Diagnóstico de Falhas Incipientes em Transformadores com Base na Concentração de Gases no Óleo Isolante R. O. de Sousa, M. A. B. Amora, F. R. Barbosa, R. S. T. Pontes, A. P. S. Braga e O. da M. Almeida Resumo-- Este artigo tem por objetivo expor e analisar as incertezas e imprecisões existentes entre os principais métodos de diagnóstico de falhas incipientes em equipamentos elétricos, especialmente em transformadores de potência, através da análise da concentração de gases formados por falhas incipientes e dissolvidos no óleo isolante. A apresentação dos principais métodos e normas é feita assim como a descrição das falhas incipientes mais comuns e dos gases gerados nos processos de falhas citados. Com essas informações expostas uma comparação entre os métodos de diagnóstico das falhas é feita, e com isso a análise das imprecisões, dos pontos positivos e negativos existentes em cada um deles. Um método de diagnóstico utilizando redes neurais é apresentado. Index Terms--Análise de gases dissolvidos, falhas incipientes, isolação a óleo, normas, redes neurais artificiais, transformadores. A I. INTRODUÇÃO S condições de funcionamento e integridade de um equipamento de potência imerso em óleo isolante, como transformadores, reatores, isoladores e etc., podem ser estabelecidas a partir da análise do óleo. Transformadores de potência de grande porte são um dos mais caros e críticos componentes de uma planta elétrica de transmissão e distribuição. Dessa forma uma grande atenção deve ser empregada para garantir seu bom funcionamento quanto a evitar possíveis falhas que venham a ocorrer devido ao seu ciclo natural de vida ou regimes elétricos a que são submetidos. Sabe-se que um conjunto de análises definidas por normas técnicas permite o diagnóstico das condições de falhas do transformador. Os métodos mais importantes de diagnóstico utilizados na identificação de falhas incipientes em transformadores de potência são: a avaliação físico-química, que determina o estado do óleo e a análise cromatográfica, que verifica possíveis falhas no equipamento. A partir desses dois R. O. de Sousa, M. A. B. Amora, F. R. Barbosa, R. S. T. Pontes, A. P. S. Braga e O. da M. Almeida estão com o Departamento de Engenharia Elétrica da Universidade Federal do Ceará (UFC) - Campus do Pici, Fortaleza - CE, Brasil ( rafael_oliveira@dee.ufc.br; marcio@dee.ufc.br; fabio@dee.ufc.br;; ricthe@dee.ufc.br; arthurp@dee.ufc.br; otacilio@dee.ufc.br). tipos de análises foram definidos procedimentos e normas de operação e manutenção de equipamentos isolados a óleo [1]. Para interpretar os dados das análises cromatográficas devem-se associar os valores atuais das concentrações a uma determinada falha que produziu tal formação de gases. Os métodos convencionais de identificação de falhas através das razões entre as concentrações dos gases foram padronizados por normas nacionais e internacionais [1], em [2]-[4]. Vale ressaltar que as normas brasileiras que tratam da interpretação e análise dos gases de transformadores são baseadas em normas internacionais [3], [4]. Na isolação de equipamentos e componentes tais como, transformadores de potência, buchas, reatores e transformadores de medição é normalmente utilizado o papel impregnado com óleo isolante. O isolamento de papel impregnado é um isolamento composto de celulose e óleo isolante, em que cada um dos componentes possui seus processos normais de degradação e que, quando em contato, interagem entre si, podendo alterar parcialmente suas características individuais. Os principais fatores primários externos que levam à degradação da celulose e do óleo são o aquecimento, umidade e oxigênio. Os métodos de avaliação da degradação podem medir diretamente características intrínsecas do isolamento, produtos de sua degradação, ou ainda seus efeitos em parâmetros físicos ou químicos [5]. Antes que se exponham as imprecisões e incertezas existentes entre os métodos de análise de gases dissolvidos associados a uma determinada falha considerados pelas diversas normas, é importante apresentar as falhas consideradas assim como os principais gases gerados por tais falhas. II. FALHAS INCIPIENTES As falhas incipientes podem ser classificadas em termos dos esforços térmicos, onde sobreaquecimentos são os agentes principais, e esforços elétricos, relacionados às descargas internas no equipamento. Conforme a norma IEC 60599[4], as falhas detectáveis pela análise de gases dissolvidos são codificadas da seguinte forma: PD = descargas parciais, D1 = descargas de baixa energia, D2 = descargas de alta energia, T1 = falhas térmicas de

2 2 temperatura < 300 C, T2 = falhas térmicas de temperatura 300 C < T < 700 C, T3 = falhas térmicas de temperatura > 700 C [6]. As falhas classificadas conforme [4] podem ser identificadas de forma confiável por inspeção visual do equipamento após a falha ter ocorrido em operação: descargas parciais (PD) do tipo plasma frio (corona) com possível formação de X-wax e do tipo centelhamento induzindo pequenas perfurações carbonizadas no papel; descargas de baixa energia (D1), evidenciadas por perfurações maiores no papel, trilhamento, ou partículas de carbono no óleo; descargas de alta energia (D2), com energia contínua, evidenciada pela larga carbonização, fusão de partes metálicas e possível obstrução do equipamento; falhas térmicas abaixo de 300 C (T1) se o papel se tornou amarronzado, acima de 300 C (T2) se o papel carbonizou; falhas térmicas acima de 700 C (T3), evidenciado pela carbonização do óleo, coloração metálica, ou fusão [7]. III. MÉTODOS PARA DIAGNÓSTICOS BASEADOS NA CONCENTRAÇÃO DE GASES NO ÓLEO ISOLANTE As várias técnicas para interpretação da análise cromatográfica visam diagnosticar a condição atual do sistema de isolamento do transformador. Dentre os métodos mais conhecidos estão: método do gás chave, triângulo de Duval, método das razões de Dörnenburg e método das razões de Rogers. Cada um deles será aqui comentado. Esses métodos derivam do modelo termodinâmico proposto por Halstead. Ele propôs um modelo termodinâmico para descrever a relação entre temperatura de falha e características dos gases, o qual supõe que todos os hidrocarbonetos no óleo são decompostos no mesmo produto e cada produto está em equilíbrio com todos os outros. De acordo com o modelo, a taxa de evolução de cada gás pode ser calculada em qualquer temperatura, tal que uma relação entre geração de gás e temperatura pode ser obtida para cada gás. Os estudos dessas relações mostram que os gases são gerados na seguinte ordem com um aumento de temperatura: H 2 CH 4 C 2 H 6 C 2 H 4 C 2 H 2. O gás hidrogênio é gerado em baixas temperaturas e sua quantidade aumenta de forma constante, enquanto o acetileno é gerado em temperaturas muito altas (próximo a 1000 C) e também apresenta aumento constante de sua quantidade [8]. A. Método do Gás Chave O método do gás chave faz uso do valor percentual dos gases para diagnosticar falhas incipientes em transformadores. A essência do método leva à formalização da base qualitativa a partir do conhecimento da temperatura onde um gás é predominantemente gerado e correlação dessa temperatura, e conseqüentemente do gás, a uma determinada falha. O gás predominante é o gás chave ou principal [9]. Em [3], as falhas incipientes, para o método descrito nesta subseção, são divididas em quatro tipos: falha térmica no óleo, falha térmica na celulose, descargas parciais e falha por arco elétrico. Falha térmica no óleo: produtos da decomposição incluem etileno ou eteno (C 2 H 4 cerca de 63%) e metano (CH 4 16%), junto com menor quantidade de hidrogênio (H 2 2%) e etano (C 2 H 6 19%). Traços de acetileno (C 2 H 2 ) podem ser formados se a falha for severa ou envolver contatos elétricos. O gás principal, como mostrado pelas proporções, é o etileno. Falha térmica na celulose: grandes quantidades de monóxido de carbono (CO 92%) e dióxido de carbono (CO 2 ) são desenvolvidas do sobreaquecimento da celulose. Gases hidrocarbonetos, tais como etileno e metano, serão formados se a falha envolve uma estrutura impregnada de óleo. O gás principal é o monóxido de carbono. Descarga parcial: produz hidrogênio (85%) e metano (13%), com pequenas quantidades de etano e etileno. Quantidades comparáveis de monóxido e dióxido de carbono podem resultar de descargas na celulose. O gás principal é o hidrogênio. Falha por arco elétrico: grandes quantidades de hidrogênio (60%) e acetileno (30%) são produzidas, com menores quantidades de metano (5%) e etileno (3%). Dióxido e monóxido de carbono podem também ser formados se a falha envolve celulose. Óleo pode ser carbonizado. O gás principal é o acetileno. B. Métodos das Razões de Dörnenburg O uso de razões entre as concentrações dos gases para indicar um tipo possível de falha é um processo empírico baseado na experiência de cada pesquisador de forma individual correlacionando as análises de gases de muitas unidades com o tipo de falha posteriormente determinada como a causa para o distúrbio ou falha quando a unidade foi examinada. Esse processo foi atribuído a Dörnenburg e posteriormente confirmado por Rogers em sistemas Europeus, dos quais a maior parte da correlação do diagnóstico é obtida [3]. As teorias de diagnósticos baseadas nos princípios de degradação térmica empregam um conjunto de relações de certos gases combustíveis chave como os indicadores do tipo de falha. As cinco relações são mostradas na Tabela I [3]. TABELA I RAZÕES ENTRE AS CONCENTRAÇÕES DOS GASES Razão CH 4 /H 2 C 2H 2/C 2H 4 C 2H 2/CH 4 C 2H 6 /C 2H 2 C 2H 4/ C 2H 6 Notação R1 R2 R3 R4 R5 O método de Dörnenburg utiliza as razões R1, R2, R3 e R4 para indicar uma determinada falha dentre três tipos gerais sugeridos: sobreaquecimento, descargas de baixa energia (corona) e descargas de alta energia (arco elétrico). Se no mínimo uma das concentrações dos gases em µl/l (p.p.m.), para H 2, CH 4, C 2 H 2 e C 2 H 2, excederem duas vezes os valores para o limite L1 (Tabela II) e um dos outros gases excederem os valores para o limite L1, a unidade é considerada defeituosa. Se no mínimo um dos gases em cada relação exceder o limite L1, o procedimento das razões é considerado válido, caso contrário, as razões não são

3 3 significativas e a unidade deveria ter novas amostras retiradas e ser investigada por processos alternativos [3]. Os valores de concentrações apresentados pela Tabela II, que seguem [3], norma do ano de 2008, diferem dos valores encontrados na versão anterior de [3], do ano de 1991, apresentados na Tabela III, e dos valores de Dörnenburg para validação do seu método (Tabela IV). A diferença apresentada entre os valores limites nas tabelas se deve a atualizações nesses limites, visando um maior rigor entre as avaliações de normalidade e não normalidade. TABELA II CONCENTRAÇÕES LIMITE DE GASES DISSOLVIDOS CONFORME [3] Gás chave Concentrações L1 [µl/l (p.p.m.)] Hidrogênio (H 2) 100 Metano (CH 4) 120 Acetileno (C 2H 2) 1 Etileno (C 2H 4) 50 Etano (C 2H 6) 65 TABELA III CONCENTRAÇÕES LIMITE DE GASES DISSOLVIDOS CONFORME VERSÃO ANTERIOR A [3] DE 1991 Gás chave Concentrações L1 [µl/l (p.p.m.)] Hidrogênio (H 2) 100 Metano (CH 4) 120 Acetileno (C 2H 2) 35 Etileno (C 2H 4) 50 Etano (C 2H 6) 65 TABELA IV CONCENTRAÇÕES LIMITE DE GASES DISSOLVIDOS DE ACORDO COM DÖRNENBURG [5] Gás chave Concentrações L1 [µl/l (p.p.m.)] Hidrogênio (H 2) 200 Metano (CH 4) 50 Acetileno (C 2H 2) 15 Etileno (C 2H 4) 60 Etano (C 2H 6) 15 Como pode ser observado nas tabelas, entre os valores das duas versões da norma, há diferença apenas no valor para o acetileno, enquanto que para os valores originais de Dörnenburg em relação às normas, há diferenças em todos os limites. As faixas das razões R1, R2, R3 e R4, definidas no método de Dörnenburg, e a respectiva falha associada são apresentadas na Tabela V. TABELA V FAIXAS DAS RAZÕES PARA OS GASES CHAVES DÖERNENBURG [3] Falha Incipiente R1 R2 R3 R4 Decomposição térmica >1.0 <0.75 <0.3 >0.4 Descargas de baixa <0.1 - <0.3 >0.4 energia Descargas de alta energia >0.1 e <1.0 >0.75 >0.3 <0.4 C. Métodos das Razões de Rogers O método das razões de Rogers segue o mesmo procedimento geral utilizado no método de Dörnenburg, exceto pelo fato que as razões utilizadas são: R1, R2 e R5. A validade desse método é baseada na correlação dos resultados de um grande número de testes de falhas com a análise dos gases para cada caso. A Tabela VI apresenta os valores para as três relações de gases chave correspondendo ao diagnóstico sugerido (caso) [3]. Os primeiros trabalhos de Rogers utilizavam quatro relações de gases. Em [3] é sugerido a utilização do método de Rogers com três relações de concentração de gases e cinco gases. Esse critério elimina a relação C 2 H 6 /CH 4 que era utilizada para identificação de sobreaquecimento de baixa temperatura [5]. A revisão de [10], 1999, sugere a utilização do método de Rogers com um formato similar ao acima exposto utilizando uma revisão em que o valor do limite mínimo da relação C 2 H 2 / C 2 H 4 é alterado. TABELA VI FAIXAS DAS RAZÕES PARA OS GASES CHAVES ROGERS Caso R2 R1 R5 Diagnóstico de falha 0 <0.1 >0.1 a <1.0 <1.0 Unidade Normal 1 <0.1 <0.1 <1.0 Descarga de baixa energia a a 1.0 >3.0 Descarga de alta energia 3 <0.1 >0.1 a Falha térmica de baixa 1.0 a 3.0 <1.0 temperatura 4 <0.1 > a 3.0 Falha térmica < 700 C 5 <0.1 >1.0 >3.0 Falha térmica > 700 C É possível observar que as faixas de variação das relações apresentam superposições, não permitindo uma interpretação única. Também em muitos casos não existe um diagnóstico definido, pois as combinações de variações que podem ocorrer nas relações são maiores que aquelas definidas na tabela do método. Esse fato ocorre com todas as variantes dos métodos [5]. D. Triângulo de Duval Este método foi desenvolvido por Michel Duval em 1974 e está descrito no apêndice B do IEC [4]. O procedimento de aplicação desse método se inicia com o cálculo das percentagens dos gases metano (CH 4 ), etileno (C 2 H 4 ) e acetileno (C 2 H 2 ) em relação à soma das concentrações desses gases gerados em p.p.m. partes por milhão (CH 4 + C 2 H 4 + C 2 H 2 ). Uma vez obtidos os percentuais (%CH 4, %C 2 H 4, %C 2 H 2 ), estes servem para identificação de um ponto em um sistema de coordenadas triangulares. O triângulo de Duval é geograficamente subdividido em zonas que representam as falhas. As coordenadas triangulares correspondentes ao resultado da análise de gases dissolvidos em p.p.m. podem ser calculadas

4 4 como segue [6]: %C 2 H 2 = 100x/(x+y+z); %C 2 H 4 = 100y/(x+y+z); %CH 4 = 100z/(x+y+z), com x = (C 2 H 2 ); y = (C 2 H 4 ); z = (CH 4 ), em p.p.m.. A Fig. 1 ilustra de forma gráfica o método do triângulo de Duval, bem como a composição das coordenadas e as zonas das respectivas falhas, cujos códigos: PD, D1, D2, T1, T2 e T3 já foram descritos na seção II. O código DT, contido no triângulo, está relacionado à combinação de falhas térmicas e elétricas associadas principalmente com transformadores com OLTC - On Load Tap Changer (comutador de tap em carga). Fig. 1. Representação gráfica do método do triângulo de Duval [6]. IV. IMPRECISÕES E INCERTEZAS DAS METODOLOGIAS DE ANÁLISE DE GASES DISSOLVIDOS A base das técnicas de análise de gases dissolvidos é o processo de cromatografia laboratorial a qual a amostra do óleo isolante do transformador é submetida. Esse processo tem como produto resultante uma estratificação das concentrações dos gases dissolvidos no óleo e a partir desses valores quantificadores aplica-se uma técnica de interpretação dos dados. Esses dados podem ser expressos na forma de concentrações individuais de cada gás, através de razões entre as concentrações dos gases ou ainda como porcentagens em relação à concentração total de gases combustíveis. O processo de falha está intrinsecamente relacionado com as temperaturas esperadas no óleo em função de seus mecanismos. São estabelecidas faixas de temperatura para as quais existe uma maior probabilidade da ocorrência de um determinado processo. Estabelecida a correlação entre a temperatura, o processo de falha e sua intensidade, os processos envolvidos e faixas de temperaturas esperadas para falhas específicas nos equipamentos, podem ser estimados. Essa é a forma usual de estabelecer uma correlação entre a formação de gases no óleo e processos ou falhas específicas [5]. A interpretação de uma análise individual pode não ser muito efetiva, pois, mais de uma falha pode estar ocorrendo ao mesmo tempo ou ainda um tipo de falha pode progredir para outro, tal como ocorre com alguns problemas elétricos que têm origem em problemas térmicos. Portanto, é de fundamental importância estabelecer uma base de dados para servir como valores de referência, de forma tal que se torna possível determinar a evolução temporal das concentrações dos gases, tomando-se como base os valores históricos. Isso é implementado através de coletas periódicas de amostras de óleo, análise cromatográfica para determinar as concentrações dos gases e formação de um banco de dados com o histórico do transformador. O tipo de equipamento e seu projeto têm influência no volume de gases gerados. Tradicionalmente a análise de gases é utilizada em transformadores de potência. Entretanto, é uma técnica recomendada para qualquer equipamento que utilize isolamento de papel impregnado imerso em óleo. A recomendação da IEC para análise de gases dissolvidos reconhece um comportamento diferenciado entre os equipamentos quanto à geração de gases, estabelecendo diferentes limites por tipo de equipamento. É importante salientar que para baixas concentrações de gases a incerteza é significativa, e no cálculo das relações entre os gases pode representar uma variação de até 40%. Esse fato é particularmente importante para transformadores de medição que apresentam normalmente baixas concentrações de gases [5]. Em [3], [4], é especificado que quando as relações ou concentrações de gases excedem seus respectivos valores típicos, uma tentativa de diagnóstico pode ser feita aplicando um dos métodos padrões de diagnóstico de análise de gases dissolvidos (métodos de Dörnenburg e Rogers) [11]. Essa característica já acrescenta uma limitação aos métodos. Esses métodos levam a um número significativo de casos onde nenhum diagnóstico pode ser dado, porque os valores das relações ficam fora da faixa de falhas. O método do gás chave leva a um grande número de diagnósticos errados. O método triângulo de Duval é uma abordagem gráfica, com menos erros, que gera coordenadas normalizadas em um sistema de coordenadas triangulares, tal que os pontos de dados caem dentro de uma zona correspondendo a um tipo de falha [11]. V. RESULTADOS DE CÁLCULOS DAS IMPRECISÕES DOS MÉTODOS DE ANÁLISE DE GASES DISSOLVIDOS Com base no banco de dados gerais de diagnósticos de casos testados, da IEC TC 10 [7], foram feitos cálculos utilizando os principais métodos de diagnósticos de falhas incipientes, para se obter a percentagem de acertos de tais métodos, e assim verificar a sua confiabilidade. Os valores encontrados são mostrados na Tabela VII. Para cada conjunto de gases medidos a condição dos equipamentos foi determinada através de medições específicas e inspeções visuais feitas por especialistas. Essa base de dados apresenta vários conjuntos de dados relativos a diferentes equipamentos, sendo organizada por tipo de falha e identificada por tipo de equipamento [5]. Os cálculos foram feitos com os dados em conjunto. TABELA VII RESULTADOS DE APLICAÇÃO DOS MÉTODOS Método Acerto (%) Rogers conforme IEC ,57

5 5 Rogers IEC com extensões [9] 56,41 Rogers IEEE C ,85 Rogers IEEE C ,85 Dörnenburg original 63,25 Dörnenburg IEEE C ,10 Dörnenburg IEEE C ,81 Triângulo de Duval (IEC ) 88,03 Os métodos clássicos apresentam uma taxa de acerto relativamente baixa, sendo o triângulo de Duval o método com melhor taxa de acerto entre os estudados (88,03% pela Tabela VII). Além disso, os métodos de Rogers e Dörnenburg apresentam problemas de não diagnóstico (vide Seção IV). Uma possibilidade de aumentar a taxa de acerto no diagnóstico de transformadores seria a utilização de inteligência artificial, como por exemplo, as redes neurais artificiais. VI. APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS AO DIAGNÓSTICO DE ANÁLISE DE GASES DISSOLVIDOS A. Redes Neurais Artificiais Uma rede neural artificial (RNA) consiste basicamente de um sistema formado por um grande número de elementos de processamento simples (os neurônios) interconectados por ligações (sinapses) ponderadas. Há diversos modelos de RNAs que diferem em aspectos como, por exemplo [12], [17]: (i) o padrão das conexões entre os neurônios (arquitetura), e (ii) o método de determinação dos pesos das conexões (treinamento ou aprendizado). A Fig. 2 apresenta um exemplo de modelo de RNA muito utilizado na literatura: o perceptron de múltiplas camadas (MLP Multilayer Perceptron) [17]. o backpropagation [17] aprendem a relacionar entradas com saídas, a partir de dados fornecidos à MLP, ao ajustar estes pesos w ji e β kj o que permite aproximar uma função entre entrada e saída apenas a partir de dados coletados. B. Método de Diagnóstico Utilizando Redes Neurais Os sistemas de monitoramento e diagnóstico de transformadores possuem geralmente, duas funções que, embora distintas por definição, evoluem e são utilizadas em conjunto. O monitoramento tem por fim a aquisição de um conjunto de dados relativos ao funcionamento do transformador e cuja coleta envolve modernas tecnologias em sensores, técnicas de aquisição de dados e dispositivos digitais ou analógicos utilizados. O diagnóstico, por sua vez, está mais relacionado à interpretação dos dados e pode ser realizado por um especialista ou por um software especialmente desenvolvido para este fim. Atualmente observa-se a tendência da substituição do diagnóstico feito por um especialista, por sistemas automáticos de diagnóstico que incorporam uma forte parcela de técnicas inteligentes para representar entre outros conhecimentos, aquele acumulado com a experiência de um especialista [14]-[16]. Diversos trabalhos vêm propondo sistemas inteligentes no diagnóstico de falhas incipientes em transformadores de potência imersos em óleo utilizando redes neurais artificiais [8], [12]. Como forma de demonstrar os ganhos desta abordagem, em comparação com os métodos descritos anteriormente, no diagnóstico de falhas incipientes em transformadores, este trabalho treinou uma rede MLP com as seguintes características: 3 neurônios na camada de entrada (as razões de gases R1, R2 e R5 conforme Tabela I), uma camada escondida com apenas 10 neurônios (configuração que apresentou os melhores resultados em termos de redução de erro e generalização nas simulações realizadas) e 1 neurônio na camada escondida (o valor de saída codifica a falha diagnosticada). Utilizando os mesmos dados da IEC TC 10 empregados para gerar a Tabela VII, sendo 70% dos dados apresentados para treinamento e 30% para testes, obteve-se com a RNA um percentual de acerto de 100% tanto na fase de treinamento quanto na fase de teste. Fig. 2. RNA feedforward [13]. Na MLP os neurônios são organizados em camadas (entrada, escondida e saída). A informação flui neste tipo de RNA da camada de entrada, passa pela(s) camada(s) escondida(s) e gera uma resposta na camada de saída [17]. Considerando na Fig.2 n neurônios na camada de entrada (x 1,..., x n ), h neurônios na camada escondida (z 1,..., z h ), e m neurônios na camada de saída (y 1,..., y m ), denomina-se: w ji o peso da conexão entre a entrada x i e o neurônio z j da camada escondida, e β kj o peso da conexão entre o neurônio z j e o neurônio de saída y k [13]. Algoritmos de aprendizagem como VII. CONCLUSÕES Apesar de versões mais recentes dos métodos indicados pelas normas (Seção III) para diagnóstico de falhas insipientes em transformadores com óleo isolante terem melhorado a precisão nos acertos, os mesmos ainda apresentam muitos erros de diagnóstico. Muitos trabalhos buscam reduzir ainda mais esses erros utilizando métodos de inteligência artificial (IA), como as RNAs, no diagnóstico e inclusive incorporando conhecimentos de especialistas. Enquanto vários dos métodos tradicionais de diagnóstico apresentam intervalos associados às razões de gases, onde não apresentam decisão/resultado, ou mesmo podem apresentar diagnósticos superpostos, o uso de ferramentas de IA pode preencher esses intervalos e resolver as superposições através de extrapolação e delimitação mais precisa de fronteiras durante o processo de aprendizagem.

6 6 Como trabalhos futuros, pretende-se utilizar ferramentas de IA e de extração de regras de conhecimento para propor melhorias nas regras de decisão indicadas nas normas. VIII. REFERÊNCIAS [1] F. R. Barbosa, Monitoramento e diagnóstico inteligente da qualidade dielétrica do isolamento líquido de transformadores de potência, Dissertação (Mestrado em Engenharia Elétrica) Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, [2] Amostragem de Gases e Óleo Mineral Isolantes de Equipamentos Elétricos e Análise dos Gases Livres e Dissolvidos - NBR 7070: [3] IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers, IEEE Standard C , Sept [4] IEC Mineral Oil-Impregnated Electrical Equipment in Service Guide to the Interpretation of Dissolved and Free Gases Analysis, IEC [5] R. Zirbes, J. G. Rolim e H. H. Zürn, Metodologias para avaliação e diagnóstico do estado de isolamentos de papel impregnado com óleo mineral, Revista Controle & Automação, Vol. 16, Nº 3, pp , Jul./Ago./Set [6] M. Duval, A Review of Faults Detectable by Gas-in-Oil Analysis in Transformer, IEEE Electrical Insulation Magazine, Vol. 18, Nº 3, pp. 8-17, May/June [7] M. Duval e A. de Pablo, Interpretation of Gas-in-Oil Analysis Using New IEC Publication and IEC TC 10 Databases, IEEE Electrical Insulation Magazine, Vol. 17, Nº 2, pp , March/April [8] Z. Wang, Artificial intelligence applications in the diagnosis of power transformer incipient faults, Ph. D. dissertation, Faculty of the Virginia Polytechnic Institute and State University, Blacksburg, [9] S. E. U. de Lima, Diagnóstico inteligente de falhas incipientes em transformadores de potência utilizando a análise dos gases dissolvidos em óleo, Dissertação (Mestrado em Engenharia Elétrica) Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, [10] ABNT NBR 7274: Interpretação da Análise dos Gases de Transformadores em Serviço. Rio de Janeiro, [11] M. Duval e J. Dukarm, Improving the Reliability of Transformer Gasin-Oil Diagnosis, IEEE Electrical Insulation Magazine, Vol. 21, Nº 4, pp , July/August [12] D. R. Morais, Ferramenta inteligente para a detecção de falhas incipientes em transformadores baseada na análise de gases dissolvidos no óleo isolante, Dissertação (Mestrado em Engenharia Elétrica) Universidade Federal de Santa Catarina, Florianópolis, [13] M.A.B. Amora, O.M. Almeida, A.P.S. Braga, F.R. Barbosa,, S.S. Lima, V. B. L. Benigno, L. A. C. Lisboa, Estudo de métodos para obtenção de conhecimento de redes neurais, IX SBAI Simpósio Brasileiro de Automação Inteligente, 2009, Brasília. Anais do IX SBAI, [14] M.A.B. Amora, et al. Decompositional Rule Extraction from Artificial Neural Networks and Application in Analysis of Transformers, Intelligent System Applications to Power Systems, ISAP '09. 15th International Conference on. [15] F.R. Barbosa, O.M. Almeida, A.P.S. Braga, C.M. Tavares, M.A.B. Amora, F.A.P. Aragao, P.R.O. Braga, S.S. Lima, Artificial Neural Network Application in Estimation of Dissolved Gases in Insulating Mineral Oil from Physical-Chemical Datas for Incipient Fault Diagnosis, Intelligent System Applications to Power Systems, ISAP '09. 15th International Conference on. [16] A.A.C. Freitas, Redes Neurais Artificiais Aplicadas em Transformadores de Distribuição Imersos em Óleo, Tese de Mestrado, UNESP/FE/DEE, Bauru-SP, IX. BIOGRAFIAS Rafael Oliveira de Sousa nasceu em Brasília - Distrito Federal no Brasil em Possui graduação em Engenharia Elétrica pela Universidade Federal do Ceará (2007), mestrado em Engenharia Elétrica pela Universidade Federal do Ceará (2010). Atualmente é estudante de doutorado em Engenharia Elétrica na Universidade Federal do Ceará. Tem experiência na área de Engenharia Elétrica, com ênfase em Transformadores de Potência, e Sistemas de Transmissão e Distribuição, atuando principalmente nos seguintes temas: Modelagem termo-eletromagnética de transformadores, projetos de transformadores e lavagem de isoladores. Márcio André Baima Amora graduado em engenharia elétrica pela Universidade Federal do Pará (1998), mestrado em engenharia elétrica pela Universidade Federal do Pará (2001). É atualmente professor assistente na Universidade Federal do Ceará. Tem experiência na área de Engenharia Elétrica, com ênfase em inteligência computacional aplicada, trabalhando principalmente nas seguintes áreas: diagnósticos de falhas incipientes em transformadores, análise de carga de transformadores de potência, geração de energia eólica, análise de estabilidade transitória. Fábio Rocha Barbosa formação técnica em eletrotécnica pelo Centro Federal de Educação Tecnológica do Ceará (1999), graduado em engenharia elétrica pela Universidade Federal do Ceará (2004), mestrado em engenharia elétrica pela Universidade Federal do Ceará (2008). Tem experiência na área de Engenharia Elétrica, com ênfase em inteligência artificial aplicada à engenharia. Atualmente é estudante de doutorado em Engenharia Elétrica na Universidade Federal do Ceará e desenvolve pesquisa na área de monitoramento e diagnóstico de transformadores de potência imersos em óleo isolante. Ricardo Silva Thé Pontes nasceu em Fortaleza Ceará no Brasil. Possui graduação em Engenharia Elétrica pela Universidade Federal do Ceará (1979), mestrado em Engenharia Elétrica pela Universidade de Brasília (1983) e doutorado em Engenharia Elétrica pela Universidade Federal de Uberlândia (2002). É o coordenador e principal responsável pelo LAMOTRIZ/UFC Laboratório de Eficiência Energética em Sistemas Motrizes Industriais. Atualmente é Professor Associado II do Departamento de Engenharia Elétrica da Universidade Federal do Ceará. Tem experiência na área de Engenharia Elétrica, com ênfase em Máquinas Elétricas, Automação industrial e Eficiência energética, atuando principalmente nos seguintes temas: eficiência em força motriz, máquinas de indução linear, máquinas elétricas de relutância, modelagem eletromagnética de máquinas elétricas, modelagem termo-eletromagnética de transformadores e monitoramento digital de sistemas ambientais. Arthur Plínio Souza Braga graduado em engenharia elétrica pela Universidade Federal do Ceará (1995), mestrado em engenharia elétrica pela Universidade de São Paulo (1998), doutorado em engenharia elétrica pela Universidade de São Paulo [S. Carlos] (2004), pós-doutorado pela Universidade de São Paulo / São Carlos - USP / SC (2006). É atualmente professor Adjunto da Universidade Federal do Ceará, trabalhando principalmente nas seguintes áreas: aprendizagem por reforço, agentes autônomos, redes neurais, inteligência artificial, mapas auto-organizáveis. Otacílio da Mota Almeida graduado em engenharia elétrica pela Universidade Federal do Ceará (1987), mestrado em engenharia elétrica pela Universidade Estadual de Campinas (1990), doutorado em engenharia elétrica pela Universidade Federal de Santa Catarina (2002). É atualmente professor Adjunto da Universidade Federal do Ceará. Tem experiência na área de Engenharia Elétrica, com ênfase em automação de sistemas de potência e processos elétricos industriais, trabalhando principalmente nas seguintes áreas: modelagem e controle de processos, controle de processos industriais, sistemas inteligentes.