Diagnostico de Falhas

Ministrio da Educao UNIVERSIDADE FEDERAL DE ITAJUB Criada pela Lei n10.
435, de 24 de abril de 2002 Pr-Diretoria de Pesquisa e Ps-Graduao
DIAGNSTICO DE FALHAS EM TRANSFORMADORES DE POTNCIA PELA ANLISE DE GASES DISSOLVIDOS EM LEO ISOLANTE ATRAVS DE REDES NEURAIS
JOS GERALDO ARANTES
Diagnstico de Falhas em Transformadores de Potncia pela Anlise de Gases Dissolvidos em leo Isolante Atravs de Redes Neurais
JOS GERALDO ARANTES
Orientador: Prof. EDSON DA COSTA BORTONI
Dissertao apresentada Universidade Federal de Itajub para obteno do grau de Mestre em Cincias
ITAJUB Estado de Minas Gerais Brasil 2005 ii
Arantes, Jos Geraldo. Diagnstico de Falhas em Transformadores de Potncia pela Anlise de Gases Dissolvidos no leo Isolante Atravs de Redes Neurais. / Jos Geraldo Arantes: UNIFEI, 2005. 76p. Monografia apresentada a UNIFEI para obteno do grau de mestre em cincias em engenharia. 1. Transformadores de potncia 2. Diagnstico de Falhas 3. DGA 4. Redes Neurais I. Ttulo.
iii
Agradecimentos
A minha esposa e filhos
iv
Agradecimentos
Agradeo de forma especial ao meu orientador Prof. Edson da Costa Bortoni pelo apoio constante e incentivo dado ao longo desta caminhada.
A minha esposa e filhos por estarem ao meu lado em todos os momentos. A Furnas Centrais Eltricas na figura do Chefe de Departamento do Centro Tcnico de Ensaios e Medies, Luiz Antonio Gouva de Albuquerque, que muito me incentivou e permitiu o acesso s instalaes do CTEE bem como s informaes que necessitei durante o trabalho de pesquisa e desenvolvimento.
No sei o que possa parecer aos olhos do mundo, mas aos meus
pareo apenas ter sido como um menino brincando beiramar, divertindo-me com o fato de encontrar de vez em quando um seixo mais liso ou uma concha mais bonita que o normal, enquanto o grande oceano da verdade permanece completamente por descobrir minha frente.
Isaac Newton
vi
Resumo
RESUMO
Equipamentos de Subestao que utilizam o leo isolante para a isolao de suas partes internas necessitam de um programa de manuteno peridico que visa detectar possveis falhas tais como a deteriorao da celulose do isolamento dos enrolamentos, curto circuito entre espiras destes, gases dissolvidos no leo devido a sua degenerao, etc. Normalmente, programas de manuteno preventiva tm sido utilizados por empresas de gerao, transmisso e distribuio de energia eltrica buscando evitar que estas falhas venham a provocar a retirada do equipamento do sistema eltrico o que significa grandes perdas financeiras, seja pela diminuio do faturamento, seja pelo pagamento de multas agncia reguladora, alm da diminuio da confiabilidade do sistema. Para evitar estes inconvenientes, sensores on-line e tcnicas de inteligncia artificial (IA) tm encontrado aplicao na engenharia de sistemas eltricos.
Esta dissertao um estudo de uma dessas tcnicas cromatografia de gases associada a redes neurais visando apoiar o diagnstico de falhas presentes e futuras baseando-se nos resultados obtidos atravs de cromatografia pela anlise de gases dissolvidos em leo isolante ao longo da vida til dos transformadores de potncia, prevenindo desta forma os inconvenientes acima relatados, facilitando assim a deciso de tcnicos e engenheiros de manuteno para a manuteno preditiva daqueles equipamentos servindo tambm de base para o diagnstico da
vii
Resumo
atuao de sensores on-line se instalados naqueles, permitindo ainda uma estimativa do grau de envelhecimento e, portanto da vida til do transformador. Tcnicas como estas do estudo podem ser associadas a outras ferramentas de IA como a lgica fuzzy, algoritmos genticos, sistemas especialistas e outras, constituindo assim os sistemas chamados hbridos, na tentativa de se obter a melhor soluo para o problema.
viii
Abstract
ABSTRACT
Substation Equipments that use insulation oil for isolate their internal parts needs a periodic maintenance program to detect possible fails like cellulose deterioration of coils insulation, short circuit between their springs, dissolved gas in oil caused by its deterioration, etc. Actually, preventive maintenance programs have been used by generation, transmission and distribution companies, as a fundamental tool to identify incipient faults, trying to avoid that these faults come to take away the equipment from electrical system, carrying out great financial losses caused by decreasing invoicing, payment of fines to regulatory agency or by decreasing of system reliability. Trying to avoid these inconvenient, on-line sensors and intelligent artificial (IA) techniques has been found application on electrical system engineering.
This dissertation is a study of one of these techniques gas chromatography associated with neural networks looking to support presents and futures fault diagnosis based on results from chromatography by the analysis of dissolved insulation oil gases during the useful power transformer life, avoiding this way the inconvenient related above, making easy the decision of engineers and technicians about the predictive maintenance of these equipment and also serving as a base for the on-line sensors actuation diagnosis if installed on these allowing yet an estimated old age degree and so the useful age of transformer. Techniques like that from this study may be associated with other IA tools like fuzzy logic, genetic algorithms, expert system and others, consisting the system called hybrid, attempted to get the best solution for the problem. ix
Sumrio
SUMRIO
RESUMO............................................................................................................................... VII ABSTRACT ........................................................................................................................... IX NDICE DE FIGURAS ...................................................................................................... XIII NDICE DE TABELAS ......................................................................................................XIV
1. INTRODUO .......................................................................................................... 1
1.1. Consideraes Gerais.....................................................................................3 1.2. Reviso da Literatura ......................................................................................4 1.3. Objetivo do Trabalho..................................................................................... 13 1.4. Escopo do Trabalho ...................................................................................... 14
2. DIAGSTICO DE FALTAS EM LQUIDOS ISOLANTES.......15

2.1. Materiais e Lquidos Isolantes...................................................................... 15 2.2. Cromatografia Gasosa .................................................................................. 19 2.3. Anlise de Faltas ........................................................................................... 21 2.4. Mtodos de Deteco de Faltas ................................................................... 29 2.5. Mtodos de Interpretao ............................................................................. 31 2.5.2. Mtodo adotado pela C.A.G.B.............................................................. 32 2.5.3. Aplicao do Mtodo da Razes de Rogers....................................... 34 x
Sumrio
2.6. Estudo e Aplicao do Mdodo do Gs Chave...........................................38 2.7. Tringulo de Duval ........................................................................................40 2.8. Tcnicas Modernas de Deteco de faltas Incipientes baseadas em IA...43 2.8.1. Sistemas Especialistas......................................................................... 43 2.8.2. Lgica Fuzzy ......................................................................................... 46 2.8.3. Redes Neurais ....................................................................................... 48 2.8.4. Sistemas Hbridos................................................................................. 49
3. REDES NEURAIS ARTIFICIAIS ............................................................... ..50

3.1. Introduo ...................................................................................................... 50 3.2. Histrico ......................................................................................................... 50 3.3. Caractersticas Bsicas de uma Rede Neural ............................................. 53 3.4. Funo de Ativao de uma RNA ................................................................ 58 3.5. Treinamento e classificao de uma RNA................................................... 59 3.4. Perceptron...................................................................................................... 63 3.6. Definio de Modelo, Topologia, Parmetros ............................................. 66
xi
Sumrio
4. APLICAES DE REDES NEURAIS NO DIAGNSTICO ..... 67

4.1. Consideraes Gerais................................................................................... 67 4.2. Topologia adotada......................................................................................... 67 4.3. Treinamento da RNA ..................................................................................... 72 4.4. Resultados ..................................................................................................... 72
5. CONCLUSO.............................................................................................................. 75
5.1.Concluses ..................................................................................................... 75 5.2.Sugesto de Trabalhos Futuros ............................................................................ 76
REFERNCIAS BIBLIOGRFICAS.............................................................. 78
xii
ndice de Figuras
NDICE DE FIGURAS
Figura 1 Desenho esquemtico do sistema de cromatografia a gs.................................21 Figura 2 Gases tpicos gerados durante faltas .....................................................................25 Figura 3 Percentual dos gases gerados durante um arco eltrico no leo ......................26 Figura 4 Percentual dos gases gerados durante descarga parcial no leo ......................27 Figura 5 Percentual dos gases gerados na ocorrncia de sobre-aquecimento no leo ..27 Figura 6 Percentual dos gases gerados pela degradao da celulose ..............................28 Figura 7 Percentual dos gases gerados durante uma eletrlise ........................................28 Figura 8 Distribuio de faltas tpicas e percentuais relativos dos gases........................29 Figura 9 Distribuio de faltas tpicas e percentuais relativos dos gases........................30 Figura 10 Solubilidade relativa como funo da temperatura..........................................31 Figura 11 Grfico de Dornenburg .........................................................................................34 Figura 12 Tringulo de Duval................................................................................................43 Figura 13 Fluxograma para diagnstico atravs do mtodo de Rogers ..........................47 Figura 14 Fluxograma para diagnstico atravs do mtodo de Dornenburg.................48 Figura 15 Diagramas fuzzy para cada razo de gs ...........................................................50 Figura 16 Sistema para inferncia de diagnstico de faltas em trafos para Rogers.......50 Figura 17 Neurnio Biolgico ................................................................................................58 Figura 18 Exemplo de uma rede neural articial ..................................................................61 Figura 19 Representao de um neurnio artificial............................................................62 Figura 20 Tipos de funo mais comuns aplicadas s Redes Neurais Artificiais ..........63 Figura 21 Perceptron Multicamada.......................................................................................69 Figura 22 Exemplo de uma Rede Neural Artificial ............................................................72
xiii
ndice de Figuras
Figura 23 Associao entre gases e tipos de faltas..............................................................76 Figura 24 Topologia da rede utilizada na dissertao........................................................77 Figura 25 Funo do tipo sigmoidal .....................................................................................79 Figura 26 Desempenho da rede .............................................................................................82
xiv
ndice de Figuras
NDICE DE TABELAS
Tabela 1 Principais gases gerados durante faltas........................................................... 25 Tabela 2 Ocorrncia dos gases relativos ao tipo de falta e material envolvido ......... 26 Tabela 3 Solubilidade de gases em transformadores .................................................... 30 Tabela 4 C.E.G.B. Razes de gases de faltas ................................................................... 35 Tabela 5 Cdigos e Diagnsticos C.E.G.B. ...................................................................... 35 Tabela 6 Nveis normais e diretrizes da Univ. Sacramento e Pacific Gas & Testing 36 Tabela 7 Pontos de alerta da Northern Technology & Testing .................................... 36 Tabela 8 Valores extremos em ppm e recomendaes.................................................. 37 Tabela 9 Valores extremos em ppm e recomendaes (cont.)...................................... 37 Tabela 10 Valores extremos em ppm e recomendaes (cont.).................................... 37 Tabela 11 Definio de taxas do Mtodo das Razes .................................................... 38 Tabela 12 Mtodo das Razes de Dornenburg............................................................... 38 Tabela 13 Limite L1 de Dornenburg ................................................................................ 38 Tabela 14 Diagnstico original do Mtodo das Razes de Rogers.............................. 39 Tabela 15 Definio do cdigo do Mtodo das Razes................................................. 40 Tabela 16 Diagnstico do Mtodo das Razes de Rogers............................................. 40 Tabela 17 Critrio de diagnstico do Mtodo do Gs Chave....................................... 42 Tabela 18 Limites e Taxas de gerao de gases .............................................................. 44 Tabela 19 Sistemas Especialistas para diagnstico de Transformadores ................... 47 Tabela 20 Cdigo para gases dissolvidos em leo mineral IEC 10A 53 ..................... 51 Tabela 21 Exemplos de concentrao de gases usados no treinamento da rede....... 78 Tabela 22 Dados usados para diagnstico da rede........................................................ 81 xv
ndice de Figuras
Tabela 23 Resultados finais ............................................................................................... 81 Tabela 24 Resultados obtidos pela rede neural usada e mtodos tradicionais ......... 82
xvi
Captulo I Introduo
Captulo I
1. INTRODUO
Inegavelmente o setor de energia eltrica tem papel preponderante na vida de empresas e do cidado comum. Entre os centros de gerao de energia e o centro consumidor, o transformador de potncia representa o equipamento de maior importncia estratgica e de maior investimento. A ocorrncia de uma falha que venha a retirar um transformador de servio para evitar danos maiores ao equipamento poder causar problemas de ordem poltica, econmica e financeira, j que afetar a estabilidade e a confiabilidade do sistema, podendo deixar importantes cargas inoperantes, alm do pagamento de pesadas multas por parte da empresa responsvel pelo equipamento faltoso. A acentuada dependncia energtica mundial aliada escassez de recursos das fontes de energia, falta de investimento e falta de uma poltica adequada de desregulamentao do setor s agravam este quadro.
Neste cenrio torna-se fundamental o monitoramento constante do funcionamento e da operao dos transformadores, principalmente os transformadores elevadores das usinas e subestaes buscando evitar-se a ocorrncia de superaquecimentos, arcos ou descargas parciais, deteriorao acentuada da isolao, formao excessiva de gases, etc., problemas estes derivados de esforos trmicos, mecnicos e eltricos e de reaes fsico-qumicas que ocorrem internamente ao transformador. Deve-se ter em conta tambm que a 1
Captulo I Introduo
maioria dos transformadores em operao no Brasil foi instalada h 30, 40 anos atrs, alm do que, devido a escassez de energia ocorrida h alguns anos, os transformadores tiveram que operar em constantes sobrecargas o que s tem agravado o envelhecimento da isolao. O transformador de potncia um dos mais caros equipamentos do sistema de potncia. Assim, numerosos mtodos tm sido desenvolvidos para monitorar as condies deste valioso equipamento. H duas partes principais na funo de monitoramento, a deteco das condies da falta e a deteco das faltas incipientes.
O monitoramento tradicional e as etapas da anlise das faltas eram desenvolvidos no campo por engenheiros e tcnicos eltricos. Os computadores em um passado recente no eram capazes de processar dados no lineares. Contrariamente, recentes avanos na modelagem das tcnicas de inteligncia, softwares de programao e processadores mais potentes permitiram a implementao de numerosas aplicaes em sistemas de potncia. Vrias pesquisas foram desenvolvidas na aplicao de tcnicas de modelagem de inteligncia artificial na anlise de faltas em transformadores de potncia e diagnstico de sistemas. Assim no prximo captulo estaremos apresentando uma reviso da base terica para o presente trabalho. Para isso, revisamos um grande nmero artigos da literatura tcnica sobre o assunto.
Esta dissertao tem quatro captulos. O captulo 1 uma introduo ao problema. O captulo 2 uma reviso da tecnologia DGA e identifica o que o estado da arte e o que se espera de futuros desenvolvimentos. O captulo 3 se 2
Captulo I Introduo
concentrar na apresentao de conceitos sobre Redes Neurais Artificiais. O captulo 4 se basear extensivamente no diagnstico de faltas utilizando redes neurais, incluindo a seleo da rede, o vetor de entrada, a otimizao da topologia, etc.
1.1 Consideraes Gerais Faz-se aqui uma reviso dos mecanismos da decomposio do leo e da isolao e dos mtodos tradicionais de deteco de gases dissolvidos no leo.
Transformadores utilizam leo isolante mineral derivado de petrleo e, portanto constitudo por hidrocarbonetos parafnicos ou naftnicos, leos sintticos como os leos silicones e os askaris ou ainda envolvidos por compostos resinosos a seco visando a isolao de suas partes internas. Podem ser ainda, isolados com o gs SF6 - hexafluoreto de enxofre - que tem propriedades isolantes excelentes, alm de ser atxico e no inflamvel. Neste estudo estaremos nos referindo aos leos isolantes minerais parafnicos que so mais freqentemente encontrados nos transformadores de grande potncia.
A funo de um leo isolante em transformadores a de garantir isolamento eltrico entre suas partes energizadas e a de permitir a refrigerao interna destas partes atravs da transferncia de calor, substituindo ainda o possvel ar existente entre aquelas partes proporcionando alta rigidez dieltrica e baixa condutividade entre si.
Captulo I Introduo
O leo isolante e os materiais de isolamento eltrico em transformadores podem se decompor sob condies normais de operao devido ao stress trmico e eltrico. Trs fases distintas indicam o estado da decomposio e deteriorao do leo: a fase inicial caracterizada pela formao de perxidos quimicamente instveis quando h a liberao de oxignio e a formao de compostos oxi-celulsicos com o papel isolante; a fase intermediria caracterizada pela formao de gases dissolvidos no leo; e a fase final quando h a formao de uma substncia resinosa, uma borra que se deposita no fundo do tanque do transformador, resultante da polimerizao a partir de cidos e de outros compostos. Este estudo preocupa-se com o estado intermedirio, quando ainda possvel tomar providncias sem envolver maiores custos e sem risco de retirada do equipamento do sistema.
A concentrao de gases dissolvidos um indicativo da sade do transformador. A freqncia de surgimento dos gases gerados e as mudanas especficas na concentrao dos mesmos ao longo do tempo so usadas para determinar a manuteno de suas partes internas e o tratamento ou troca do leo isolante, ou a substituio do transformador.
1.2 Resenha Bibliogrfica
Vrios artigos relacionados com o tema desta dissertao foram consultados e os relacionados abaixo em muito contriburam para esse trabalho alm daqueles tambm citados na Bibliografia.
Captulo I Introduo
GUARDADO, J. L., NAREDO, J. L., et al. A Comparative Study of Neural Network Efficiency in Power Transformers Diagnosis Using Dissolved Gas Analysis, IEEE Trans. on Power Delivery. Vol. 16, No. 4, October 2001, pp. 643-647. Guardado et al., realizaram um estudo comparativo da eficincia de redes neurais em diagnsticos de transformadores de potncia utilizando DGA. Suas redes neurais foram treinadas de acordo com cinco critrios de diagnsticos comumente utilizados para leo isolante: Drnenburg, Rogers modificado, Rogers, IEC e CSUS. Nos quatro primeiros critrios foram utilizadas relaes gasosas como dados de entrada e no ltimo, concentraes individuais de gases. Em todos estes foi utilizado um algoritmo de aprendizado do tipo back-propagation, uma funo ativao do tipo sigmide, uma arquitetura composta de trs camadas e nmero de neurnios da camada escondida variando para cada critrio utilizado. O modelo proposto apresenta resultados satisfatrios mantendo uma taxa de acerto de diagnstico acima de 87% em todos os casos. Vale salientar que os dados utilizados para os testes, foram os mesmos utilizados durante o treinamento.
X. Ding, E. Yao, Y. Liu, ANN Based Transformer Fault Diagnosis Using Gas-in- Oil Analysis, Proc. Of the American Power Conference, Illinois Inst. Technol., Chicago, 1995, pp. 1096 1100. Um ponto forte deste artigo que destaca a dificuldade para se estabelecer um modelo fsico vinculando faltas, tipos e concentraes de gases, pois as relaes entre eles no so lineares nem diretas, pois algumas faltas so dependentes da existncia de vrios gases, do tipo do transformador, localizao da falta, etc. O
Captulo I Introduo
artigo enfatiza que Diferentes padres de gases so produzidos devido s diferentes intensidades de energia dissipada quando da ocorrncia de faltas. A preciso desse mtodo para resultados corretos de 95%; a anlise dos gases pode ser usada para determinara alm do tipo de falha o material dieltrico envolvido na mesma, o que no sempre fcil, pois outros fatores como condies externas, sobrecargas, etc.; diferentes padres de gases resultam em diferentes concentraes / intensidades que auxiliam no diagnstico das faltas; quanta maior a quantidade de dados para o treinamento, melhor o diagnstico. A melhor performance foi obtida usando uma topologia com 5 input 1 camada escondida e 1 output; maior preciso obtida quando o modelo usa as taxas de gerao de gases; a topologia da RNA difere dependendo da quantidade de dados existentes para treinamento; no considera as concentraes de CO e CO2 para o diagnstico de faltas. Pois esto relacionados com a degradao da isolao e no com o tipo de falta; melhores resultados so obtidos com a degradao da celulose quando um modelo de rede com 1 input usado.
DUKARM James J., Transformer Oil Diagnosis Using Fuzzy Logic and Neural Networks, Canadian Conference on Electrical and Computer Engineering, Vol. 1, pp 329-332, 1993. Este artigo apresenta uma forma de uso de redes neurais de modo um pouco diferente daquele exposto no artigo anterior. Ele ressalta alguns pontos interessantes: muitos fatores contribuem para o rudo nos dados obtidos para a anlise de gases dissolvidos ou simplesmente DGA, tornando difcil e menos preciso o processo; o diagnstico baseado nas concentraes dos gases predominantes e 6
Captulo I Introduo
na sua proporo relativa ao total dos gases combustveis dissolvidos; Para o TDCG so especificados 3 limites L1, L2, L3 para os nveis anormal, alto e muito alto respectivamente; para cada gs, limites inferiores Q1 e Q2 para propores altas e muito altas de TDCG respectivamente; para TDG e cada gs, limites inferiores R1 e R2 so definidos para a gerao de gases alta e muito alta respectivamente; atravs de grficos so mostrados intervalos para 3 razes; 3 exemplos com outros mtodos so dados e comparados; ele sugere um mtodo das razes de Rogers melhorado simulado por uma rede com trs pequenas camadas feedforward (3 inputs, 3 ns e 6 outputs); lgica fuzzy pode ser utilizada para analisar gases dissolvidos no leo de transformadores de potncia e que embora fiel aos mtodos tradicionais melhora o resultado do diagnstico; em alguns casos as redes neurais podem ser usadas combinadas com lgica fuzzy para implementar mtodos de diagnsticos mais complexos.
Wang Z., Liu Y., Griffin, Paul J., A combined ANN and Expert System for Transformer Fault Diagnosis, IEEE Transactions on Power Delivery, Vol.13, No.4, October 1998. Este tipo de tcnica combinando redes neurais e sistemas especialistas, conhecida como ANNEPS foi desenvolvida para melhor diagnosticar faltas em transformadores pela anlise de gases dissolvidos em leo isolante Inclui o conhecimento de especialistas em manuteno de transformadores e regras derivadas do IEEE e IEC. A topologia e o conjunto de dados de treinamento desse sistema so cuidadosamente selecionados para extrair diagnsticos conhecidos e desconhecidos e suas correlaes. A combinao das sadas de uma rede neural e 7
Captulo I Introduo
de um sistema especialista otimiza o mecanismo para garantir um alto grau de preciso para o tipo geral de faltas. Mostra que a combinao dos dois mtodos resulta melhor que cada mtodo individual para os mesmos dados testados.
NOGAMI T., Y. Yokoi, H. Ichiba, Y. Atsumi, Gas Discrimination Method for Detecting Transformer Faults by Neural Network, Neural Networks, 1994, IEEE World Congress on Computational Intelligence, pp. 3800 3805, vol.6. Um dos mtodos chave usado para diagnstico de falhas em transformadores o DGA. Ele usa um processo de cromatografia gasosa e o equipamento lento e caro. Este paper apresenta um mtodo diferente para determinar os tipos de gases e suas concentraes. Uma srie de sensores de gases colocada em um dispositivo de deteco onde a tenso de sada de um circuito simples medida. Esta sada varia com o nvel dos vrios gases presentes no dispositivo de deteco e um computador determina quais os gases e suas concentraes conforme aquela tenso de sada e as informaes pr-programadas. Este mtodo evita o uso de separadores de gases caros e complexos tornando o uso de DGA mais acessvel e obtendo resultados mais rpidos.
L. Yongli, G. Fuhai, H. Jiali, Study on the Fault Identification of Transformers Using the Neural Network, POWERCON 98. 1998 International Conference on Power System Technology, IEEE, NY, 1998, pp. 1058 1061.
Captulo I Introduo
O processo desenvolvido neste artigo usa 9 inputs (ns) para determinar as faltas e inclui correntes de seqncias positivas e negativas, tenses primrias e faltas internas e externas conhecidas. O sistema usa as entradas para gerar sadas intermedirias que so combinadas ou cruzadas com outras sadas para gerar Falta (1) ou Sem Falta (0). O sistema considerado avanado em ralao aos outros mtodos e sua maior contribuio a alta preciso e respostas mais rpidas.
Y. Zhang, X. Ding, Y. Liu, An Artificial Neural Network Approach to Transformer Fault Diagnosis, IEEE Transactions on Power Delivery, IEEE Power Engineering Society, NY, 1996, pp. 1836-1841. Zhang et al. propuseram o uso de redes neurais artificiais para o diagnstico e deteco de falhas em transformadores de potncia. A sada era caracterizada como: sobre aquecimento, corona, arco e condies normais de operao. Foram testadas diferentes topologias de redes, variando os parmetros de entrada, o nmero de camadas escondidas e o nmero de ns na sada. O algoritmo utilizado para treinamento da rede foi o back-propagation. Os vetores de entrada eram constitudos da concentrao individual dos gases incluindo em algumas das variaes o monxido de carbono e o dixido de carbono. Os resultados foram satisfatrios, j que no distinguiam entre falhas de diferentes temperaturas, ou arco de alta ou baixa energia. A topologia tima para todos os casos foi a que utiliza duas camadas escondidas. A presena do CO e CO2 est fortemente vinculada degradao da isolao. O sistema proposto muito preciso.
Captulo I Introduo
HALSTEAD W.D., A Thermodynamic Assessment of the Formation of Gaseous Hydrocarbons in Faulty Transformers, Journal Inst. Petroleum, Vol. 59, Sept. 1073, pp. 239-241. Halstead props um modelo termodinmico para descrever as relaes entre a temperatura e as caractersticas dos gases e assume que todos os hidrocarbonetos presentes no leo so decompostos em os mesmos produtos e que cada produto est em equilbrio com todos os outros. De acordo com o modelo, a evoluo da razo ou taxa de cada gs pode ser calculada a qualquer temperatura. Assim a relao entre a gerao de gs e a temperatura pode ser obtida para cada gs.
LIN C., LING J., HUANG C., An Expert System for Transformer Fault Diagnosis Using Dissolved Gas Analysis, IEEE Transactions on Power Delivery, IEEE, NY, 1993, pp. 231 238. A maioria dos artigos por ns analisados utiliza o mtodo DGA de Rogers. Este artigo foi muito til pois mostra passo a passo o mtodo utilizado por Rogers para uma amostra de gs. D muitos exemplos de que falta pode ocorrer se so conhecidas as razes entre as concentraes dos gases. Um exemplo disso: Se a razo entre C2H2 e C2H4 < 0.1 e entre CH4 e H2 > 1.0 e C2H4 com C2H6 est entre 1.0 e 3.0, ento provavelmente est ocorrendo uma falta trmica envolvendo temperaturas entre 300 e 700 oC. O artigo fornece oito condies de faltas atravs das razes de faltas incluindo aquela mencionada anteriormente. O artigo tambm discute que a anlise da densidade de energia da falta pode fazer distino entre
10
Captulo I Introduo
trs processos faltosos. Por exemplo, se altos nveis de C2H2 e H2 esto presentes e a concentrao de C2H4 maior que a de C2H6 ento provvel a existncia de arco eltrico; se os resultados diferem das normas o grau de severidade implica em manuteno; os intervalos fuzzy e as relaes entre os nveis fuzzy podem ser considerados para determinar o tipo de falta.
BALMA P., R. Degeneff, B. Lloyd, Expert Systems for Power Transformer Maintenance, Diagnostics and Design Review, Proceedings of the American Power Conference, Illinois Inst. Technol., Chicago, USA 1996, pp. 963 967. Este artigo d uma viso geral dos tipos de sistemas especialistas disponveis para engenheiros e tcnicos e o papel desses sistemas no diagnstico de faltas. Comenta que alguns sistemas utilizam uma interface grfica do usurio (GUI) para executar o programa que age sobre parmetros programados, mtodos de anlise e banco de dados; o programa faz perguntas aos usurios sobre os dados existentes; todas as informaes so registradas e disponibilizadas as pessoas que no conhecem o processo, sendo efetivamente um sistema tutorial; o sistema concentrase em diagnstico e manuteno; depois so sugeridos mtodos de teste e inspeo; o sistema tenta identificar boas e ms condies.
CAO, L., Chan T., Kong C., A Universal Neural Expert System with Self-Learning Mechanism for DGA of Power Transformer Oil, International Power Engineering Conference 1995, Nanyang Technol. Univ, Singapore, 1995, pp. 355 359.
11
Captulo I Introduo
Os autores deste artigo salientam que o diagnstico de faltas em transformadores um processo muito complexo e no pode ser facilmente implementado em computadores. raro que os dados obtidos por DGA se ajustem aos padres e razes para o exato diagnstico das faltas. Por essa razo os autores desenvolveram um programa de aprendizagem para enfrentar os casos mais difceis. O mtodo usa DGA e o mtodo das razes de Rogers para detectar os tipos de faltas. Ele considera os nveis de concentrao dos gases, as razes entre essas concentraes, os valores histricos das razes e da vida do transformador e 90% dos valores normalizados na determinao do tipo de falta. Para evitar os casos de Sem Diagnstico ou No Identificada, os especialistas desenvolveram um processo de auto-aprendizagem usando redes neurais para dar a probabilidade da falta em futuros casos limites analisados.
Z. Wang and Y. Liu, A Combined ANN and Expert System Tool for Transformer Fault Diagnosis, IEEE Transactions on Power Delivery, IEEE Power Engineering Society, NY, 1998, pp. 1224-1229. Vrias informaes teis esto presentes nesse artigo e agregam conhecimento aos primeiros sistemas utilizados para o diagnstico de faltas em transformadores como o mtodo das razes de Dornenburg e o de Rogers. Ele apresenta alguns dos problemas desses mtodos, tais como a freqncia de resultados, No Identificado. Entretanto, a combinao de redes neurais e sistemas especialistas proporcionam: um mtodo de estimativa melhorado evitando o caso No Identificado; especifica que informao desejada do transformador para fazer o diagnstico, tais como fabricante, tipo de transformador, tipo de ncleo etc.; 12
Captulo I Introduo
fornece sadas como tipo de falta diagnosticada, diagnstico confivel, intervalo de re-testagem, aes de manuteno recomendadas; executando dados atravs de dois sistemas aes de manuteno recomendadas; executando dados atravs de dois sistemas pode-se obter uma interpretao confivel do sistema em geral; tem uma alta preciso de teste e treinamento. O artigo aperfeioa um sistema combinado anterior e d exemplos de diagnstico de casos. Menciona tambm que o sistema muito mais preciso que o mtodo de Rogers para os casos, No Identificado.
Y. Huang, H. Yang, C. Huang, Developing a New Transformer Fault Diagnosis System through Evolutionary Fuzzy Logic, IEEE Transactions on Power Delivery, 1997, pp. 761 767. Este artigo apresenta a idia de que as regras que normalmente so utilizadas no diagnstico de faltas devem ser estendidas. descrito como as regras if-then devem ser alteradas ou modificadas continuamente de acordo com os dados efetivos para a obteno de melhores resultados. Tambm detalha que ainda necessria a opo da falta no identificada; quando mltiplas faltas tm a mesma probabilidade o problema fica mais complexo; o artigo inclui um exemplo de estudo e afirma que um sistema com um grande nmero de razes de gases (neste caso 3) necessrio para melhores resultados. O ponto principal desse artigo de que co o uso da lgica fuzzy logic pode-se desenvolver um sistema que d a melhor estimativa. Se a confiabilidade da melhor estimativa maior que o caso presente, o programa incorpora essa melhor estimativa, nos dados de treinamento e ainda alerta o usurio de que esta no ainda confivel.
13
Captulo I Introduo
TOMSOVIC K., M. Tapper, T. Ingvarsson, A Fuzzy Information Approach to Integrating Different Transformer Diagnostic Methods, IEEE Transactions on Power Delivery, 1993, pp. 1638 1646. Nesse paper os autores reconhecem que muitos desenvolvedores de tcnicas de diagnstico de faltas em transformadores ignoram a incerteza dos vrios mtodos existentes. Os autores desenvolveram um mtodo que utilize lgica fuzzy para tentar combinar os mtodos para obter um mtodo sistemtico melhorado de diagnstico de faltas. Pontos chaves do artigo: h a necessidade de ter uma tendncia a partir das amostras regulares de gases; todos os mtodos de diagnstico tm vantagens e desvantagens. Da, quando um mtodo indica um problema outros mtodos devem ser utilizados. Um exemplo dado e determina que se a anlise DGA indica descarga ativa, prudente aplicar um teste acstico antes de se tentar uma inspeo que retire o transformador de servio. Tambm neste trabalho vrios mtodos so integrados para tentar formar uma anlise simples e coerente. Estabelece tambm que Uma caracterstica fundamental nos sistemas baseados no conhecimento a simplicidade para adicionar, remover e modificar conhecimentos existentes no sistema. Alm disso, medidas erradas ou perdidas no deveriam inviabilizar a anlise. Desse modo, cada relao na base do conhecimento deve ser independente.
14
Captulo I Introduo
1.3 Objetivo Demonstrar que a aplicao de uma rede neural artificial para o diagnstico de faltas em transformadores proporciona a deteco eficiente de faltas incipientes mais adequadamente e precisa que os mtodos tradicionais baseados em DGA.
Atravs da aplicao do mtodo, proporcionar rapidez e confiabilidade na deteco de defeitos, oferecendo uma melhor programao da manuteno, minimizao de custos e prolongamento da vida til de transformadores.
1.3 Escopo do trabalho O captulo 1 apresenta a conceituao do problema, as solues existentes para a sua soluo e proposta da dissertao.
O captulo 2 descreve os mtodos tradicionais existentes e de larga aplicao nas empresas de energia eltrica e em indstrias conceituando o leitor quanto aos termos normalmente utilizados e a composio do leo isolante e os subprodutos de sua decomposio assim como os tipos de isolao mais comuns utilizados nos transformadores. Esclarece ainda os tipos de faltas mais freqentes em transformadores de potncia e suas provveis causas a partir da anlise do gs de decomposio dissolvido no leo isolante e como feito o diagnstico baseado na DGA.
15
Captulo I Introduo
O captulo 3 introduz a teoria das redes neurais artificiais RNA ou ANN, relatando seu histrico de desenvolvimento e suas aplicaes.
J no captulo 4 fao uma discusso e anlise da aplicao do mtodo das redes neurais no diagnstico de falhas incipientes em transformadores de potncia, comprovando a sua eficcia.
No captulo 6 apresento as concluses sobre o mtodo apresentado e sugestes para trabalhos futuros.
16
Captulo 2 Diagnstico de Faltas em Transformadores de Potncia
Captulo 2
2. Diagnstico de Faltas em Transformadores de Potncia Baseado em Anlise de Gases Dissolvidos em leo Isolante
2.1. Materiais e lquidos Isolantes
Sob condies normais de operao, os transformadores de potncia isolados a leo geram gases muito lentamente, como resultado da idade e relativo s condies de carregamento do mesmo.
Durante uma operao anormal, aumenta a produo de gases na relao direta da severidade do stress eltrico ou trmico. Esta formao de gases causada pela deteriorao do leo e da celulose isolante (papel, por exemplo).
A maior parte da isolao slida dos transformadores constituda de papel e, portanto, de natureza celulsica. Estes materiais tm elevada resistncia de isolamento quando secos (0,5% a 1% de umidade) e so altamente higroscpicos, isto tm absorvem umidade e leo. Os principais tipos de materiais celulsicos empregados na isolao que envolve os enrolamentos dos transformadores so:
Papel Kraft feito de fibras de madeiras Papel manilha feito de fibras de madeira e cnhamo Papelo Kraft feito de fibra de madeira Pressboard feito de papelo com fibras de algodo
O papel kraft muito poroso, estimando-se que contenha de 80% a 90% de ar. Ele absorve cerca de 10% do volume do leo contido no tanque do transformador.
O papel isolante utilizado em transformadores , depois de seco, impregnado de verniz ou resina isolante e posteriormente de leo isolante. Sua impregnao com verniz ou resina no impede, mas retarda a penetrao de gua. A impregnao do papel com verniz que contm um solvente voltil pode dar origem formao de cavidades na massa isolante favorecendo a formao de descargas parciais, que podem ser podem ser avaliadas pela medio do fator de potncia da isolao, descargas estas que daro origem a gases que se dissolvero no leo como ser relatado mais frente.
O leo mineral isolante utilizado em aparelhos eltricos, como transformadores, reatores, disjuntores, religadores, etc., extrado do petrleo. O leo mineral pode ser de origem naftnica, mais usual, mas em vias de escassez (3% do leo disponvel), ou parafnica, tipo de leo mais comum existente nas jazidas do Brasil e que tem baixo ponto de fluidez o que dificulta seu uso em regies de inverno rigoroso, mas que tem recebido altos investimentos em pesquisas para obter este tipo de leo com caractersticas mais adequadas para utilizao em aparelhos e equipamentos eltricos. Este dois tipos de leo apresentam caractersticas distintas [MYERS, 2004].
Estes leos tm cor amarelo-plida e so transparentes. Eles so constitudos por uma mistura de hidrocarbonetos (saturados e aromticos) em maior proporo e de no-hidrocarbonetos (compostos de nitrognio de enxofre e de oxignio).
18
Sua deteriorao, principalmente pela ocorrncia de arcos e descargas eltricas, pode provocar a precipitao de partculas de carvo, a formao de cidos e a liberao de gases. Com a deteriorao a cor do leo muda e escurece.
O envelhecimento dos leos parafnicos tende a produzir uma maior quantidade de dixido de carbono do que os naftnicos o que pode acelerar a deteriorao dos papis celulsicos.
Se misturados os dois tipos de leo, a mistura apresentar caractersticas mdias dos valores de seus componentes, tendo sempre melhores caractersticas que o pior dos componentes. Portanto, no se deve misturar leos deteriorados com leos novos.
A gua e o calor so dois dos piores inimigos da isolao dos transformadores. A deteriorao da isolao slida e lquida d origem gua e outros produtos que podem tambm servir como catalisadores, juntamente com o ferro do tanque, do ncleo, dos parafusos e suportes, com o cobre do enrolamento e com a umidade, e aceleradores do processo, o que ir diminuir o poder dieltrico do leo. As condies podem ficar propcias tambm ocorrncia de descargas parciais que levam ionizao e conduo. Com a continuidade do processo, poder haver a formao de corona com conseqente falha de isolao. Todo o processo pode ser agravado com o aumento de temperatura.
Diz-se que o leo est contaminado quando contm gua e outras substncias estranhas que no so produtos de sua decomposio. Diz-se que ele est
19
deteriorado quando contm produtos resultantes de sua oxidao. A deteriorao se inicia to logo ocorre o enchimento do transformador quando o oxignio existente no tanque entra em combinao com os hidrocarbonetos instveis do leo. Por isso ultimamente tem-se adotado a prtica de encher o tanque dos transformadores com nitrognio desde a fbrica at o local da instalao dos mesmos e s ento proceder ao enchimento dos mesmos para minimizar o problema, mas como existe oxignio dissolvido no prprio leo o processo de oxidao inevitvel.
Desde 1930 se tem estudado o processo de gases dissolvidos no leo devido ao stress do papel e do lquido isolante e o ponto de partida deu-se com os estudos e publicaes de Halstead [Halstead, 70]. Estudos similares ocorreram a partir da especialmente na degradao do papel isolante. H trinta anos, a tcnica de anlise de gases dissolvidos no leo tem sido implementada e desenvolvida como ferramenta de diagnstico para monitoramento de transformadores isolados a leo mineral. Este mtodo agora aceito universalmente para localizar faltas incipientes trmicas e eltricas. O desenvolvimento desta tcnica inclui novos mtodos de laboratrio, anlise de gases dissolvidos on-line aplicao de outros fludos dieltricos que no o leo isolante e novos protocolos de diagnstico. Dispositivos que periodicamente ou continuamente monitoram um ou mais gases dissolvidos no leo esto disponveis para anlise on-line. A DGA foi originalmente desenvolvida para transformadores, mas est sendo agora aplicada a buchas de alta tenso isoladas a leo e em comutadores de derivao em carga tambm isolados a leo. Os mtodos de interpretao dos dados tm sido extensivamente desenvolvidos para transformadores preenchidos com leo isolante mineral e a IEEE ultimamente est desenvolvendo um guia para transformadores preenchidos com silicone.
20
Assim, a vida til de um transformador depender das condies de sua operao e manuteno. Esta vida, estimada em 25 a 30 anos, poder ser prolongada h at 50 anos com um programa de acompanhamento de operao e de manuteno adequados. Testes e ensaios peridicos podem detectar falhas incipientes, avaliar as condies de deteriorao e orientar as medidas para evitar o envelhecimento prematuro e a progresso de falhas incipientes, evitando assim um enorme prejuzo empresa de energia proprietria do equipamento.
Durante o tempo de operao do transformador, os gases gerados permanecem dissolvidos no leo e a cromatografia gasosa usada para analisar a concentrao dos vrios gases presentes.
2.2 Cromatografia gasosa
A Cromatografia Gasosa (CG) uma tcnica para separao e anlise de misturas de substncias volteis. A amostra (2) vaporizada e introduzida em um fluxo de um gs adequado denominado de fase mvel (FM) ou gs de arraste (1) como ilustrado na figura 1 a seguir:
Figura 1 - Desenho esquemtico do Sistema de Cromatografia a gs
21
Este fluxo de gs com a amostra vaporizada, passa por um tubo (3) contendo a fase estacionria FE (coluna cromatogrfica), onde ocorre a separao da mistura. A FE pode ser um slido adsorvente (Cromatografia Gs-Slido) ou, mais comumente, um filme de um lquido pouco voltil (4), suportado sobre um slido inerte (Cromatografia Gs-Lquido com Coluna Empacotada ou Recheada) ou sobre a prpria parede do tubo (Cromatografia Gasosa de Alta Resoluo). Na cromatografia gs-lquido (CGL), os dois fatores que governam a separao dos constituintes de uma amostra so:
- a solubilidade na FE: quanto maior a solubilidade de um constituinte na FE, mais lentamente ele caminha pela coluna. - a volatilidade: quanto mais voltil a substncia (ou, em outros termos, quanto maior a presso de vapor), maior a sua tendncia de permanecer vaporizada e mais rapidamente caminha pelo sistema.
As substncias separadas saem da coluna, dissolvidas no gs de arraste e passam por um dispositivo detector (5) que gera um sinal eltrico proporcional quantidade de material fluido. O registro deste sinal em funo do tempo o cromatograma (6), sendo que as substncias aparecem nele como picos com rea proporcional sua massa, o que possibilita a anlise quantitativa.
Durante a vida til do transformador, amostras de leo so colhidas com o equipamento em operao e enviadas a um laboratrio que ir testar as condies deste leo cujo resultado facilitar a tomada de deciso quanto ao que fazer com o leo e/ou com o equipamento. O resultado da anlise do leo isolante assim um diagnstico do grau de envelhecimento e desgaste dos transformadores e determina 22
a sua vida til, o que torna importante conhecer os mecanismos da sua deteriorao e os meios para a sua deteco. Mtodos padro ASTM (American Society for Testing and Materials) extraem e medem os gases dissolvidos no leo isolante eltrico usando a cromatografia gasosa. Um destes mtodos, o ASTM D3612-01, especifica que a anlise de hidrognio, oxignio, nitrognio, monxido de carbono, dixido de carbono, metano, etano, etileno, acetileno, propano e propileno que so gases caractersticos da decomposio do leo isolante mineral devem ser obtidos para identificao e quantificao.
Assim, a vida til de um transformador depender das condies de sua operao e manuteno. Esta vida, estimada em 25 a 30 anos, poder ser prolongada h at 50 anos com um programa de acompanhamento de operao e de manuteno adequados.
2.3. Anlise de faltas Testes e ensaios peridicos podem detectar falhas incipientes, avaliar as condies de deteriorao e orientar as medidas para evitar o envelhecimento prematuro e a progresso de falhas incipientes, evitando assim um enorme prejuzo empresa de energia proprietria do equipamento.
A anlise de gases dissolvidos no leo pela cromatografia gasosa, DGA, tem provado ser vivel e preditiva. Alguns problemas que poderiam caminhar para falhas catastrficas em transformadores que podem ser detectadas so: arco eltrico (freqentemente devido perda ou mau contato de conexes dentro dos transformadores causados por vibraes); corona (descargas eltricas no
23
enrolamento); sobre aquecimento do leo (sobrecarga do transformador, aquecimento exagerado do leo isolante e de outras partes do equipamento, ou leo em ms condies necessitando de reciclagem ou regenerao, resultando em transferncia de calor ineficiente); e degradao da celulose (o papel de material isolante enrolado em torno das bobinas torna-se frgil e comea a se deteriorar).
Assim, a anlise dos gases dissolvidos em leo isolante capaz de identificar o tipo de falta bem como a sua severidade alm de possibilitar a elaborao de aes de manuteno pelo acompanhamento e tendncia de evoluo das faltas.
A intensidade mais severa de dissipao de energia acontece na ocorrncia de arco eltrico, menor no aquecimento, e menor ainda no corona.
Algumas vantagens bvias da anlise de faltas so: 1. Aviso antecipado da ocorrncia de faltas 2. Evita o uso imprprio das unidades 3. Aceitao de unidades novas ou reparadas 4. Agendamento conveniente de manutenes 5. Monitoramento de unidades em sobrecarga Os gases gerados durante as faltas que so geralmente encontrados em transformadores esto ilustrados abaixo na figura 2 relacionados temperatura em que ocorrem e proporo do seu desenvolvimento:
24
HIDROGENIO (H 2) GASES CONSTITUINTES
METANO (CH4)
ETANO (C2H6 ) ETILENO (C2H4) ACETILENO (C2H2) 250 500 750 1000 1250 1500 1750 2000
TEMPERATURA DA FALTA (C)
Figura 2 Gases tpicos gerados durante faltas Estes gases podem ser relacionados nos trs grupos seguintes: Hidrocarbonetos e hidrognio
Metano Etano Etileno Acetileno Hidrognio
CH4 C2H6 C2H4 C2H2 H2
xidos de carbono
Monxido de carbono Dixido de carbono CO CO2
Gases no oriundos de faltas

Nitrognio Oxignio N2 O2
Tabela 1 Principais gases gerados durante faltas
25
A maioria dos gases gerados nas faltas pode ser classificada de acordo com o tipo de material envolvido e o tipo de falta presente como segue:
1. Corona a. leo b. Celulose 2. Pirlise a. leo Baixa temperatura Alta temperatura b. Celulose Baixa temperatura Alta temperatura 3. Arco eltrico
H2 H2, CO e CO2
CH4, C2H6 C2H4, H2 (CH4, C2H6) CO2 (CO) CO (CO2) H2, C2H2, (CH4, C2H6, C2H4)
Tabela 2 Ocorrncia dos gases relativos ao tipo de falta e material envolvido
a. Arco eltrico. Produo de grande volume de hidrognio e acetileno e em menores volumes o metano e o etileno. Se o arco envolve a celulose, tambm podem ser formados monxido e dixido de carbono. Gs chave: acetileno.
% G A S E S C O M B U S T V E I S
ARCO ELTRICO NO LEO
100 90 80 70 60 50 40 30 20 10 0
60
30 5 0.01 CO H2 CH4 5.5 C2H4 C2H2
1.6 C2H6
Figura 3 Percentual dos gases gerados durante um arco eltrico no leo
26
b. Corona. Descargas eltricas de baixa energia produzem hidrognio e metano com pequenas quantidades de etano e etileno. Quantidades significativas de monxido e dixido de carbono podem ser devido a descargas na celulose. Gs chave: hidrognio.
DESCARGA PARCIAL NO LEO
100 90 80 70 60 50 40 30 20 10 0
86
5 0.2 CO H2 CH4
1.6 C2H6
0.2 C2H4
0.1 C2H2
Figura 4 Percentual dos gases gerados durante uma descarga parcial no leo
c. Sobre aquecimento do leo. Decomposio de produtos incluindo etileno e metano, juntos com pequenas quantidades de hidrognio e etano. Traos de acetileno podem ser formados se o sobre aquecimento severo ou envolve contatos eltricos. Gs chave: etileno.
LEO SUPERAQUECIDO
100 90 80 70 60 50 40 30 20 10 0
63
16
17 2
< 0.01
CO
2 H2 CH4 C2H6 C2H4
C2H2
Figura 5 Percentual dos gases gerados na ocorrncia de sobre aquecimento no leo
27
d. Degradao da celulose. Grandes quantidades de monxido e dixido de carbono esto envolvidas no sobre aquecimento da celulose. Gases hidrocarbonetos, tais como o metano e etileno sero formados se o problema envolver a isolao do enrolamento, normalmente papel isolante impregnado de leo. Gs chave: monxido de carbono.
CELULOSE
100 90 80 70 60 50 40 30 20 10 0
92
6.7 CO H2
1.2 CH4
0.01 C2H6
0.01 C2H4
0.01 C2H2
Figura 6 Percentual dos gases gerados pela degradao da celulose
e. Eletrlise. Formao de grandes quantidades de hidrognio, com pequenas quantidades de outros gases combustveis devido decomposio da gua associada com a ferrugem. Gs-chave: hidrognio.
% G A S E S C O M B U S T V
100 90 80 70 60 50 40 30 20 10 0
99.9
ELETRLISE
< 0.01
CO H2
< 0.01
CH4
< 0.01
C2H6
< 0.01
C2H4
< 0.01
C2H2
Figura 7 Percentual dos gases gerados durante uma eletrlise
28
A interpretao dos resultados a partir da cromatografia de gases depende da quantidade total de gases combustveis, TDCG, da quantidade de cada gs individual, e da taxa de crescimento destes gases. Entretanto a interpretao dos gases dissolvidos no leo no exatamente uma cincia.
Desde que uma operao normal tambm causa a formao de certos gases, simplesmente determinar a presena de gases no leo no deveria causar alarme. O que importante a taxa e a quantidade dos gases gerados. Como em outros testes, a anlise gases deveria ser conduzida em uma base regular para indicar traos ou alteraes nos resultados.
As figuras a seguir ilustram os processos desenvolvidos na ocorrncia do corona, pirlise e arco no leo e pirlise da celulose respectivamente. Distribuies de faltas tpicas nos gases tambm so mostradas.
Corona no leo
Pirlise no leo
H2 C02 C0 CH4 C2H6 C2H4 C2H2
88% 1 1 6 1 0.1 0.2
H2 C02 C0 CH4 C2H6 C2H4 C2H2
16% traos traos 16 6 41 traos
Figura 8 Distribuio de faltas tpicas e percentuais relativos dos gases
29
Arco no leo
Pirlise da Celulose
H2 C02 C0 CH4 C2H4 C2H2
39% 2 4 10 6 35
H2 C02 C0 CH4 C2H4 C2H2
9% 25 50 8 4 0.3
Figura 9 Distribuio de faltas tpicas e percentuais relativos dos gases
A solubilidade dos gases de falta no leo mineral assim como a sua dependncia da temperatura so tambm fatores importantes a serem considerados na anlise de gases de falta. A tabela abaixo lista as solubilidades de saturao para os gases de falta.
Deve-se notar que h quase duas ordens de diferena de magnitude entre o gs menos solvel (hidrognio) e o gs mais solvel (acetileno). A maioria dos gases que so indicativos de faltas so tambm aqueles que, em geral, so mais solveis no leo. Hidrognio 7 % em volume Nitrognio 8.6 % Monxido de 9% Oxignio 16 % Metano 30 % Dixido de carbono 120 % Etano 280 % Etileno 280 % Acetileno 400 % Equilbrio Esttico 760 mm Hg e 25oC Tabela 3 Solubilidade de gases em transformadores 30
Quando as taxas de gerao de gases esto sendo acompanhadas importante levar em conta as solubilidades destes gases como uma funo da temperatura do leo.
1,8 H2 (+79%)
1,4
N2 CO
1,0
O2 CH4
0,6
C2H2 e CO2 C2H4
0,2 0 40 40 C
o
C2H6
(+66%)
Figura 10 Solubilidade relativa como funo da temperatura
Acima da faixa de temperatura de 0 a 80oC alguns gases aumentam em solubilidade em mais de 79% enquanto outros decrescem em solubilidade em at 66%.
2.4. Mtodos de Deteco de Faltas
Trs mtodos sero discutidos e suas vantagens e desvantagens sero comparadas. O primeiro mtodo e provavelmente a tcnica mais usada atualmente aquela que determina o total de gases combustveis (TCG) que esto presentes no gs acima do nvel do leo. A maior desvantagem do mtodo TCG comparado com outros que ele mais rpido e aplicvel no campo. De fato este indicador pode ser usado para monitorar continuamente uma unidade. Entretanto, h vrias
31
desvantagens do mtodo TCG. Embora ele detecte os gases combustveis de falta (hidrognio, dixido de carbono, metano, etano, etileno, e acetileno), ele no detecta outros gases no combustveis (dixido de carbono, nitrognio e oxignio).
Este mtodo somente aplicvel a aquelas unidades que tm um manto de gs sobre o leo e no s unidades completamente cheias de leo do tipo com conservador ou tanque de expanso de leo. Como a maioria das faltas ocorre sob a superfcie do leo, os gases devem primeiro saturar o leo e difundir-se na superfcie antes de se acumular acima no manto de gs acima do leo. Estes processos levam tempo, o que atrasa a deteco prematura da falta. A maior desvantagem do mtodo TCG aquela que d somente um valor simples para a percentagem dos gases combustveis, mas no identifica quais os gases que esto normalmente presentes. esta ltima informao a mais til na determinao do tipo de falta que est ocorrendo.
O segundo mtodo para a deteco dos gases de falta a anlise do manto de gs na qual uma amostra do gs no espao acima do leo tem sua composio analisada.
Este mtodo detecta todos os componentes individuais; entretanto, ele tambm no se aplica s unidades com tanque de expanso e tambm apresentam a desvantagem de que os gases, primeiro precisam difundir-se no manto de gs. Alm disso, este mtodo no o melhor para aplicao no campo. Um laboratrio adequadamente equipado preferido para a requerida separao, identificao, e para a determinao quantitativa destes gases em partes por milho. O terceiro e 32
mais informativo dos mtodos de deteco de gases de falta a anlise dos gases dissolvidos no leo (DGA). Neste mtodo uma amostra do leo retirada de uma unidade e os gases dissolvidos so extrados do leo. Ento, os gases extrados so separados, identificados, e quantitativamente determinados.
Atualmente est tcnica mais bem realizada em um laboratrio desde que ela requer operaes de preciso. Como este mtodo usa uma amostra de leo ele aplicvel a todos os tipos de unidades e como o mtodo do manto de gs ele detecta todos os componentes individuais. A principal vantagem da tcnica DGA que ele detecta os gases na fase de leo possibilitando a deteco antecipada de uma falta incipiente. Esta vantagem por si anula qualquer desvantagem desta tcnica.
A tcnica DGA envolve vrios mtodos tais como o Mtodo dos Gases Chave [Fallou, 75], o Mtodo das Razes de Dornenburg [Dornenburg, 67], [Dornenburg e Strittmatter, 74], [Fallou et al., 70] e o Mtodo das Razes de Rogers [Rogers, 75], (Rogers, 78). Estes mtodos foram desenvolvidos a partir de anlises estatsticas de bases de dados europias e assim apresentam erros significativos quando aplicados a equipamentos instalados em pases que apresentam diferenas climticas relativas Europa.
Diversos sistemas de diagnstico vm sendo desenvolvidos buscando reduzir estes erros, usando principalmente tcnicas de Inteligncia Artificial (IA), como apresentadas por [Dukarm, 93], [Zang, et Gao, 76], [Huanf et al., 97], [Darveniza et al., 97], [Wang, 98], [Lin et al., 93], [Tonsovic et al., 93], [Werle et al., 2003].
33
2.5. Mtodos de Interpretao
O aspecto mais importante da anlise de gases de falta tomar os dados dos gases gerados e diagnosticar corretamente a falta que est gerando os gases que foram detectados. Muitos mtodos que esto atualmente em uso sero aqui cobertos. Um dos mtodos mais recentes o de Dornenburg [Dornenburg e Strittmatter, 74] no qual duas taxas de gases so plotadas em eixos log-log. A rea em que os pontos se situarem indicativa do tipo de falta que foi desenvolvida.
0.001
0.01
0.1
10
100 100
SOBREAQUECIMENTO
10
C H4 / H 2
ARCO ELTRICO
0.1
CORONA
0.01
C2 H2 / C2 H 4
Figura 11 Grfico de Dornenburg
34
2.5.1. Mtodo adotado pela empresa CEGB A Central Electric Generating Board (CEGB) da Inglaterra tem usado o mtodo desenvolvido por Rogers [ROGERS, 75] no qual a grandeza das quatro razes de gases usada para gerar um cdigo de quatro dgitos como mostrado na tabela abaixo.
Razo
CH4/H2
Faixa
<= 0.1 > 0.1 < 1 >= 1 < 3 >= 3 <1 >= 1 <1 >= 1 < 3 >= 3 < 0.5 >= 0.5 < 3 >= 3
Cdigo
5 0 1 2 0 1 0 1 2 0 1 2
C2H2/CH4 C2H4/C2H
6
C2H2/C2H
4
Tabela 4 C.E.G.B. Razes de Gases de Falta O nmero de cdigo gerado pode ser associado a um diagnstico como mostrado na tabela abaixo:
CDIGO
0 5 1 ou 2 1 ou 2 0 0 1 1 0 0 0 5 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 2 0 1,2 2 0 0 0 0 0 0 0 0 1 1,2 2 Normal Descarga Parcial
DIAGNSTICO
Sobre aquecimento desprezvel < 150oC Sobre aquecimento desprezvel 150 - 200oC Sobre aquecimento desprezvel 200 - 300oC Sobre aquecimento geral do condutor Correntes circulantes no enrolamento Correntes circulantes no ncleo e no tanque, Sobre i d j Flashover, sem continuidade eltrica. Arco eltrico, com continuidade eltrica. Centelha continuada para potencial flutuante Descarga parcial com vestgios (nota CO) Mais alta que a temperatura normal na isolao
0 0 1,2 CO2 / CO > 11
Tabela 5 Cdigos e diagnsticos da C.E.G.B. 35
A tabela a seguir mostra as diretrizes desenvolvidas pela Universidade de Sacramento do estado da Califrnia em cooperao com a Pacific Gas & Electric Company para indicar os nveis normais e anormais dos gases individuais.
Gs Hidrognio Metano Etano Etileno Acetileno Monxido de carbono Dixido de Carbono Nitrognio Oxignio Total de Combustveis
Normal (<) 150 ppm 25 10 20 15 500 10,000 1 to 10 % 0.2 to 3.5% 0.03 %
Anormal (>) 1000 ppm 80 35 150 70 1000 15,000 N.A. N.A. 0.5 %
Interpretao Corona, Arco eltrico Centelha Sobre aquecimento local Sobre aquecimento severo Arco eltrico Sobre aquecimento severo Sobre aquecimento severo N.A. N.A. N.A.
Tabela 6 Nveis normais e anormais e diretrizes da Universidade de Sacramento e Pacific Gs & Electric
Atualmente a Northern Technology & Testing est usando os seguintes pontos de alerta (flag points) para os vrios gases de falta mostrados na tabela abaixo:
Gs Hidrognio Metano Etano Etileno Acetileno Monxido de Carbono Dixido de Carbono
Pontos de alerta (>) 1500 ppm 80 35 150 7 1000 10,000
Tabela 7 Pontos de alerta da Northern Technology & Testing
36
Os seguintes exemplos so extremos, mas servem para ilustrar como a anlise de gases dissolvidos no leo pode ser usada para focar problemas ativos.
Informaes do Transformador 400 MVA 345 kV Tanque com manto de gs Ano de fabricao 1969 Anlise DGA Hidrognio: 7.040 Metano: 17.700 Etano: 4.200 Etileno: 21.700 Acetileno: 165 Monxido de carbono: 67 Dixido de carbono: 1.040 Recomendao O etileno o gs chave na anlise sugerindo alta temperatura e sobre aquecimento do leo.
Tabela 8 Valores extremos em ppm vol/vol a 25oC e 760 mmHg e recomendaes

Informaes do Transformador 2.5 MVA 44 kV Ano de fabricao 1991 Falhou aps quatro anos de servio Anlise DGA* Hidrognio: 10.900 Metano: 18.400 Etano: 4.400 Etileno: 24.500 Acetileno: 3.820 Monxido de carbono: 23.800 Dixido de carbono: 36.900 Recomendao O etileno e o metano so os gases chave sugerindo alta temperatura e sobre aquecimento do leo. O contedo de acetileno alto o bastante para sugerir que ocorreu arco eltrico no leo. Os xidos de carbono esto em nveis muito altos indicando sobre aquecimento envolvendo a celulose.

Informaes do Transformador 11.46 MVA 33 kV Tanque com manto de gs Ano de fabricao 1940 Anlise DGA* Hidrognio: 1.980 Metano: 166 Etano: 87 Etileno: 205 Acetileno: 0 Monxido de carbono: 2.990 Dixido de carbono: 58.300 Recomendao Embora a concentrao de hidrognio esteja alta e alguma descarga parcial possa ter ocorrido a grande concentrao de CO e CO2 indica severo sobre aquecimento envolvendo a celulose.
2.5.2. Aplicao do mtodo das razes de Rogers O mtodo das razes usa a relao entre as concentraes de gases dissolvidos como base para o diagnstico de faltas. Historicamente cinco razes tm sido usadas [RANDY, 97].
37
Razo Abreviao
CH4/H2 R1
C2H2/ C2H4 R2
C2H2/ CH4 R3
C2H6/ C2H2 R4
C2H4/ C2H6 R5
Tabela 11 Definio de taxas do mtodo das Razes [Randy, 97] A primeira tentativa foi feita no final dos anos 1960 na Central Electricity Generating Board (CEGB) [Rogers 78] como mostrado anteriormente. Em 1970 Dornenburg foi capaz de diferenciar faltas trmicas e eltricas usando quatro razes e seis gases [Dornenbrg, 67], [Fallou, 70], [Randy, 97]. Os seis gases so H2, CH4, CO, C2H2, C2H4 e C2H6. As quatro razes e seus valores de diagnsticos esto mostrados na tabela a seguir.
O mtodo consiste em muitos testes de validao antes de atingir a deciso final e sempre falha. O teste de validao mais importante o teste L1, que determina um valor crtico para cada gs. De modo a aplicar o mtodo, ao menos um gs para cada uma das razes deve exceder a norma L1 correspondente. As normas L1 revisadas esto listadas abaixo. Falta Decomposio trmica Corona (baixa intensidade) Arco eltrico (alta intensidade) R1 >1 >0.1 >0.1 e < 1 R2 <0.75 No significativo >0.75 R3 <0.3 <0.3 >0.3 R4 >0.4 >0.4 <0.4
Tabela 12 Mtodo das razes de Dornenburg [Randy, 97]
Gs Limite de L1 (ppm)
H2 100
CH4 120
CO 350
C2H2 35
C2H4 50
C2H6 65
Tabela 13 Limite L1 de Dornenburg [Randy, 97] Seguindo o modelo termodinmico de Halstead [Halstead, 73], o mtodo das razes de Rogers foi primeiro proposto em 1973 [Barraclough, 73], refinado em 1975 [Rogers 1975], e mais uma vez refinado em 1977 [Rogers, 77]. Levando em 38
considerao experincias industriais [Manger, 78], testes de laboratrio, e consideraes tericas posteriores, o mtodo foi modificado para o padro IEC [IEC599]. O mtodo original das razes de Rogers foi usado na tabela acima para o diagnstico, onde o 1 indica que o valor normal acima de 1.0, e um 0 indica que o valor normal abaixo de 1.0.
O mtodo refinado de Rogers usava duas tabelas: uma definia o cdigo, e a outra definia as regras de diagnstico, como mostrado nas tabelas 14 a 16. Estes mtodos preliminares usavam quatro razes. A razo etano/metano (C2H6/CH4) somente indicava uma faixa limitada de temperatura de decomposio, mas no fornecia suporte na identificao da falta. Posteriormente, no padro IEC 599, o desenvolvimento adicional do mtodo das razes de Rogers foi suprimido.
CH4/H2 0 1 1 0 1 0 0 0
C2H6/CH4 0 0 1 1 0 0 1 0
C2H4/C2H6 C2H2/C2H4 Diagnstico 0 0 0 0 1 0 0 1 0 0 0 0 0 1 1 1 Se CH4/H2 0.1 ou mais descarga parcial, seno deteriorao normal Leve sobre aquecimento abaixo de 150 C Leve sobre aquecimento Leve sobre aquecimento entre 150 e 200C entre 200 e 300C
Sobre aquecimento geral do condutor Correntes circulantes com sobre aquecimento de juntas Flashover sem continuidade eltrica Corrente de interrupo no seletor do comutador Arco com continuidade eltrica ou centelha persistente
Tabela 14 Diagnstico Original do Mtodo das Razes de Rogers [Barraclough, 73] 39
As vantagens de mtodos baseados em razes so que eles so quantitativos e independem do volume de leo no transformador. Entretanto, o mtodo de razes pode produzir interpretaes errneas ou nenhuma. Mas pode ser usado em conjunto com outros mtodos de diagnstico como o do gs chave.
Razo do gs CH4/H2 (R1)
C2H2/CH4 (R4) C2H4/C2H6 (R5) C2H2/C2H4 (R2)
Faixa No maior que 0.1 Entre 0.1 e 1.0 Entre 1.0 e 3.0 No menor que 3.0 Menor que 1.0 No menor que 1.0 Menor que 1.0 Entre 1.0 e 3.0 No menor que 3.0 Menor que 0.5 Entre 0.5 e 3.0 No menor que 3.0
Cdigo 5 0 1 2 0 1 0 1 2 0 1 2
Tabela 15 Definio do cdigo do Mtodo das Razes de Rogers [Barraclough, 73]
R1 0 5 1 ou 2 1 ou 2 0 0 1 1 0 0 0 5
R4 0 0 0 1 1 1 0 0 0 0 0 0
R5 0 0 0 0 0 0 1 2 0 1 ou 2 2 0
R2 0 0 0 0 0 0 0 0 1 1 ou 2 2 1 ou 2
Diagnstico Deteriorao normal Descarga parcial Leve sobre aquecimento abaixo de 150oC Leve sobre aquecimento entre 150 e 200oC Leve sobre aquecimento entre 200 e 300oC Sobre aquecimento geral do condutor Correntes de circulao no enrolamento Correntes circulantes no tanque e no ncleo, juntas sobre aquecidas. Flashover sem conseqncia eltrica Arco com conseqncia eltrica Centelhamento contnuo para potencial flutuante Descarga parcial com trilha (notar CO)
Tabela 16 Diagnstico do Mtodo das Razes de Rogers Refinado[Rogers, 75]
40
2.6 Estudo e aplicao do mtodo do gs chave
O estudo do mtodo do gs chave comeou nos laboratrios da Doble foi estabelecido em 1973 [Pugh, 73] e oficialmente proposto em 1974 [Pugh, 74]. Em 1978, a comparao entre o mtodo do gs chave e o mtodo das razes de Rogers ocorreu na conferncia anual da Doble [Rick, 78]. Imaginou-se que o mtodo das razes fosse exclusivo para transformadores do tipo com conservador, mas o mtodo do gs chave foi desenvolvido seja para transformadores selados seja para transformadores com pulmo de gs. Griffin fez uma grande reviso no mtodo do gs chave, mtodos das razes, e aplicaes relacionadas [Griffin, 88]. O mtodo do gs chave identifica o gs chave para cada tipo de falta e usa o percentual deste gs para identificar a falta. Ele interpreta a anlise de gases dissolvidos no leo baseado em um conjunto simples de fatos. Por exemplo, baixa intensidade de descargas parciais ou produo de corona principalmente H2 com alguns traos de gases derivados de hidrocarbonetos, assim o gs chave para descargas parciais ou corona o H2, e a descarga parcial e o corona podem ser detectados se o percentual da quantidade de H2 significativo em uma amostra de leo. Baseado no trabalho original do Dr. Pugh e no padro IEEE C57.104, a Tabela 17 resume o critrio de diagnstico do mtodo do gs chave. O percentual do gs baseado no total de gases combustveis dissolvidos (TDCG) e um nmero aproximado.
41
Falta Arco
Gs chave Acetileno C2H2
Critrio Grande quantidade de H2 e C2H2 e menor quantidade de CH4 e C2H4. CO e CO2 podem tambm existir se a celulose estiver envolvida. Grande quantidade de H2, algum CH4, com pequena quantidade de C2H6 e C2H4. CO e CO2 podem ser comparados se a celulose estiver envolvida. Grande quantidade de C2H4, menor quantidade de C2H6 algum a quantidade de C2H4 e H2. Traos de CO e CO2. Grande quantidade de CO e CO2. Gases hidrocarbonetos podem existir.
Percentual do gs H2: 60% C2H2: 30% H2: 85% CH4: 13% C2H4: 63% C2H6: 20% CO: 92%
Corona
Hidrognio (H2)
Sobre aquecimento do leo Sobre aquecimento da celulose
Etileno (C2H4) Monxido de Carbono (CO)
Tabela 17 Critrio de Diagnstico do Mtodo do Gs Chave
2.7 Tringulo de Duval Michel Duval, [Duval, 82, 89, 01, 02] desenvolveu na dcada de 1960 uma tcnica de anlise que plota a concentrao de trs gases especficos, metano, etileno e acetileno, dissolvidos no leo de transformadores que possibilita apontar as possveis causas de falta incipiente, tais como arco eltrico e pontos quentes dentro do transformador. Duval verificou que um nmero significativo de resultados da anlise de gases dissolvidos no leo no se enquadrava nos cdigos do IEEE-IEC no podendo assim ser diagnosticados. Este mtodo largamente usado na Europa e Canad e pouco usado nos Estados Unidos, e nos pases da Amrica Latina, sia e frica.
O tringulo de Duval no se aplica maioria dos transformadores a no ser quando os trs gases explosivos citados aparecem juntos, caracterizando um iminente perigo ao equipamento mesmo em concentraes moderadas. 42
O tringulo traado utilizando os dados histricos obtidos pela anlise de gases dissolvidos no leo. O tipo de falta diagnosticado diretamente no grfico triangular gerado.
Como usar: 1. Primeiramente determina-se a existncia do problema atravs da aplicao das tcnicas das Razes de Rogers e de Dornenburg ou dos gases chave j descritos, e ou a tabela 3 abaixo. Ao menos um dos gases hidrocarbonetos ou o hidrognio (H2) devem estar na condio 3 do IEEE e o aumento da taxa de gerao (G2) da tabela abaixo, antes que o problema seja confirmado. Para usar a tabela 17 a seguir sem o mtodo do IEEE, ao menos um dos gases individuais deve estar no nvel L1 ou acima e a taxa de gerao de gs ao menos em G2. Os limites L1 e as taxas de gerao de gases da tabela 17 so mais confiveis que o mtodo do IEEE; entretanto, deve-se usar ambos os mtodos para confirmar a existncia do problema. Os passos para o diagnstico atravs do tringulo de Duval esto listados na prxima pgina.
Figura 12 Tringulo de Duval

Onde: PD = Descargas Parciais (corona) T1 = Faltas Trmicas abaixo de 300 C (pontos quentes) T2 = Faltas Trmicas entre 300 e 700 C (pontos quentes) T3 = Faltas Trmicas Maiores que 700 C (pontos quentes) D1 = Descarga de Baixa Energia (Centelhamento) D2 = Descarga de Alta Energia (Arco Eltrico I > 20 In) DT = Ocorrncia Simultnea de Falta Trmica e Arco
43
Gs H2 CH4 C2H2 C2H4 C2H6 CO CO2
Limite L1 100 75 3 75 75 700 7000
Limite G1 (ppm/ms) 10 8 3 8 8 70 700
Limite G2 (ppm/ms) 50 38 3 38 38 350 3500
Tabela 18 Limites e taxas de gerao de gases Se houver um sbito incremento em H2 com somente monxido de carbono (CO) e dixido de carbono (CO2) e pouco ou nenhum gs hidrocarboneto, usar a razo CO2/CO abaixo para determinar se a isolao da celulose est degradada por sobre aquecimento.
2. Confirmando a existncia do problema, usar a quantidade total de gases acumulados do tringulo de Duval e plotar as percentagens do total no tringulo para chegar a um diagnstico. Tambm, calcular a quantidade dos trs gases usados no tringulo de Duval, gerados desde o incio do sbito incremento. Subtraindo o total dos gases gerados desde o sbito aumento dos gases obtm-se a quantidade de gases gerados desde o incio da falta.
a. Tomar a quantidade em partes por milho de metano (CH4) obtida da anlise de gases dissolvidos no leo e subtrair a quantidade CH4 desde a primeira anlise de gases, antes do aumento sbito de gases. Isto dar a quantidade de metano gerada desde o incio do problema.
b. Repetir o processo para os dois gases restantes, etileno (C2H4) e acetileno (C2H2).
44
3. Adicionar os trs nmeros (diferenas) obtidos no passo dois do processo acima. Isto representa 100% dos trs gases chave gerados desde o incio da falta. 4. Dividir cada diferena individual de gs pela diferena total dos gases obtidos no passo 3 acima. Isto fornece o aumento percentual de cada gs em relao ao aumento total.
5. Plotar o percentual de cada gs no tringulo de Duval, comeando do lado de um gs em particular. Desenhar linhas paralelas atravs do tringulo para cada gs a partir da marcas mostradas em cada lado do tringulo.
Na maioria dos casos o acetileno (C2H2) ser zero, e o resultado ser um ponto no lado direito do tringulo de Duval.
2.8 Tcnicas modernas de deteco de faltas incipientes baseadas em IA Os mtodos do gs chave, de Rogers e de Dornenburg so facilmente computados e do bons resultados para o diagnstico para a preveno ou aps a ocorrncia de faltas severas em transformadores mas podem ser pouco sensveis na deteco de faltas. Entretanto so usados como guias para os sistemas inteligentes baseados em inteligncia Artificial.
Tcnicas de inteligncia artificial tais como Sistemas Especialistas [Barret 89, Lin, 93], Joseph, 94], Lgica Fuzzy [Dukarm, 93], [Tom 93], [Huang, 97], [Gao, 98], [Yang, 98] e Redes Neurais Artificiais (ANN) [Dukarm, 93], [Sumit, 93], [Ding, 95],
45
[Zhang, 97], [Wang, 97, 98], [Yang 98 para assistir a anlise de gases dissolvidos em leo tm sido bastante pesquisadas e utilizadas desde os anos 90.
2.8.1 Sistemas especialistas Um Sistema Especialista um mtodo que fornece o diagnstico da falta e sugestes para a manuteno. Os mtodos de anlise de gases dissolvidos no leo formam a maior parte do sistema alm de outras regras de diagnstico que tm sido desenvolvidas pelas indstrias. Informaes, tais como, o tipo de transformador, nvel de tenso, tendncia de formao de gases, e histrico de manuteno so tambm incorporados.
H um bom nmero de sistemas especialistas j desenvolvidos e em uso pelas empresas de energia. A tabela a seguir lista trs deles como exemplos, dos quais podemos resumir as trs ltimas funes que devero ser includas em um sistema de diagnstico de faltas para transformadores de potncia: primeiro, o mecanismo central de diagnstico incorpora vrios mtodos de anlise de gases dissolvidos em leo; depois, um gerente especialista considera regras especiais; e por fim, o consultor da manuteno prope a poca da prxima anlise e as aes de manuteno que devem ser tomadas.
A eficcia de um sistema especialista depende da preciso e da extenso de dados da base de conhecimento, que normalmente muito complicada e deve ser construda manualmente. O maior problema com os sistemas especialistas que estes no podem ajustar automaticamente as regras de diagnsticos, e assim no 46
podem adquirir conhecimento a partir de novas amostras de dados atravs de um processo de auto-aprendizagem. Uma vez construdos so normalmente difceis de ser atualizados.
Referncia
[BARRET, 89]
Mtodos DGA Razes de Rogers IEC 599 Gs Chave
[LIN, 93]
[JOSEPH, 94]
Caractersticas Controle do estado da gaxeta e do aquecimento Controle do contedo de gua e do aquecimento Norma baseada na identificao do nvel de gases suspeitos Orientaes de manuteno baseadas na TDCG Razes de Dornenburg Tendncia das razes, limites da norma, gs chave e Razes de Rogers outros especialistas considerados. IEC599 Conjuntos fuzzy condicionados aos limites da norma, anlises de razes limites e de gases chave. Regras Heursticas de manuteno Mtodo das razes Limites da Norma Anlise de tendncias histricas Regras Heursticas de experincias Banco de dados e acesso avanado a dados remotos Recomendaes de manuteno
Tabela 19 Sistemas Especialistas para Diagnstico de Transformadores de Potncia Um sistema especialista para o mtodo de Rogers pode ser implementado por programao a partir de um fluxograma:
Figura 13 Fluxograma para diagnstico atravs do mtodo de Rogers 47
Ou para o mtodo de Dornenburg:
Figura 14 Fluxograma para diagnstico atravs do mtodo de Dornenburg
2.8.2 Lgica Fuzzy A Lgica Fuzzy baseada na teoria dos Conjuntos Fuzzy. Esta uma generalizao da teoria dos Conjuntos Tradicionais para resolver os paradoxos gerados a partir da classificao verdadeiro ou falso da Lgica Clssica. Tradicionalmente, uma proposio lgica tem dois extremos: ou completamente verdadeiro ou completamente falso. Entretanto, na Lgica Fuzzy, uma premissa varia em grau de verdade de 0 a 1, o que leva a ser parcialmente verdadeira ou parcialmente falsa, permitindo assim incluir a impreciso ("fuzziness") nos processos decisrios usando termos lingstico, tais como: alto, morno, ativo, pequeno, perto, etc. o que caracteriza o grau de pertinncia varivel (valor que indica o grau em que um elemento pertence a um conjunto). 48
A fora da Lgica Fuzzy deriva da sua habilidade em inferir concluses e gerar respostas baseadas em informaes vagas, ambguas e qualitativamente incompletas e imprecisas. Neste aspecto, os sistemas de base Fuzzy tm habilidade de simular o raciocnio de forma semelhante dos humanos. Seu comportamento representado de maneira muito simples e natural, levando construo de sistemas compreensveis e de fcil manuteno.
Usando a teoria de inferncia fuzzy, pode ser construdo um conjunto fuzzy baseado no diagnstico de faltas [Tom, 93]. O foco principal sintonizar as funes de pertinncia baseadas nos mtodos e experincias da anlise de gases dissolvidos no leo. Convencionalmente isto feito manualmente [Tom, 93, Dukarm 93], e depois automaticamente utilizando mtodos matemticos sofisticados como computao evolucionria (evolutionary computing), algoritmos genticos, apodizao adaptiva (adaptive pruning) [Huang, 97], [Yang, 98].
Dukarm [Dukarm, 93] verificou que uma abordagem utilizando tcnicas fuzzy e sistemas de inferncia fuzzy se aplicariam aos mtodos de anlise de gases dissolvidos j apresentados. Como os mtodos de diagnstico de Rogers e Dornenburg baseiam-se em valores limiares, para que se possa aplicar a lgica fuzzy juntamente com estes mtodos, as razes de gases so aplicadas a um sistema de inferncia onde as funes de pertinncia associadas aos conjuntos fuzzy so relacionadas s variveis consideradas. Para cada gs associado um conjunto denominado Baixo, Mdio ou Alto de acordo com seu nvel de concentrao no leo.
49
CH 4 H2
1.0
C2 H 2 C2 H 4
1.0
C2 H 4 C2 H 6
1.0
0.5
0.5
0.5
0.1
1.0
0.1
3.0
1.0
3.0
Razo metano/hidrognio
CH 4 H 2
Razo acetileno/etileno
C2H2 C H 2 4
Razo etileno/etano
C2H4 C H 2 6
Figura 15 Diagramas fuzzy para cada razo de gs
As regras so testadas conforme ilustra a figura abaixo sendo que a regra que possuir maior grau de ativao ser associada ao diagnstico final.
CH 4 H 2 C2H 2 R2 = CH 4
R1 = R3 =
Regra 1
SE R1 Baixo E R2 Mdio E R3 Baixo ENTO TF 0
Regra 2
SE R1 Baixo E R2 Mdio E R3 Mdio ENTO TF 1
Inferncia Mandani
Tipo de Falta Diagnosticado
C2H 4 C H 2 6
Regra 3
SE R1 Mdio E R2 Mdio E R3 Alto ENTO TF 8
Vetor de entrada
Base de regras
Processo de inferncia
Sada
Figura 16 Sistema de inferncia para diagnstico de faltas em transformadores para Rogers
A sada fuzzy ser um dos tipos de falta classificados na tabela 20 [IEC 10A 53] recomendada pelo IEEE onde L, M, e N so os conjuntos fuzzy Baixo, Mdio e Alto.
50
Razo de Gases Caractersticos Cdigo de Faixas de Razo C2H2/C2H4 < 0.1 0.1 a 1.0 0.1 a 3.0 > 3.0 Cdigo da Tipo de Falta Caracterstica Falta 0 1 Operao Normal Falta Trmica de Baixa Intensidade < 150oC 2 Falta Trmica de Baixa Intensidade 150o a 300oC 3 Falta Trmica de Mdia Intensidade 300o a 700oC 4 Falta Trmica de Alta Intensidade > 700oC 5 Descargas Parciais de Baixa Intensidade 6 Descargas Parciais de Alta Intensidade 7 Descargas de Baixa Intensidade 8 Descargas de Alta Intensidade Tabela 20 Cdigo para Gases Dissolvidos em leo Mineral IEC 10A 53 1 (M) 0 (M) 2 (H) 1-2 (M-H) 0 (M) 1-2 (M-H) 1 (M) 1 (L) 0 (H) 0 (L) 1 (L) 0 (L) 0 (L) 2 (H) 2 (H)) 0 (L) 2 (H) 1 (M) 0 (L) 2 (H) 0 (L) 0 (L) 0 (L) 0 (M) 0 (M) 0 (L) 1 (M) 0 (L) 1 (M) 1 (M) 2 (H) CH4/H2 1 (L) 0 (M) 2 (H) 2 (H) C2H4/C2H6 0 (L) 0 (L) 1 (M) 0 (L)
51
2.8.3 Redes neurais
Dukarm tentou usar redes neurais artificiais (ANN) para o diagnstico de faltas em transformadores no incio dos anos 90 sem seguir adiante, provavelmente devido falta de qualidade dos dados [Dukarm, 93].
Houve alguns estudos ao final dos anos 90 [Esp, 98], [Yang, 98], [Gao, 98], mas foram atividades separadas que no constituram uma sria considerao do problema.
Em meados dos anos 90 iniciaram-se esforos de pesquisa na Universidade de Tecnologia da Virgnia, [Ding, 95], [Zhang, 96], [Zhang, 97], [Wang, 97], [Wang, 98]. Estes esforos incluram no s estudos metodolgicos, mas tambm coleta de dados e testes industriais. Como resultado, um sistema de diagnstico foi desenvolvido com tecnologias ANN e um sistema especialista [Wang, 98].
Uma importante vantagem baseada no diagnstico de faltas ANN que ele pode aprender diretamente a partir de amostras de treinamento, e atualizar seus conhecimentos quando necessrio. A alta capacidade de mapeamento no linear dos neurnios garante um desempenho quase sempre superior s solues dos sistemas fuzzy. A complexidade computacional das ANN no to grande, no processo de teste (diagnstico). Como este mtodo o proposto para o desenvolvimento desta dissertao, ser mais extensamente tratado no prximo captulo.
52
2.8.4 Sistemas hbridos Buscando obter melhor desempenho dos sistemas inteligentes de diagnsticos vrios pesquisadores tm desenvolvido sistemas hbridos que combinam dois ou mais mtodos de IA para a soluo de diagnsticos complexos para faltas em transformadores isolados com leo isolante. Encontramos na literatura a combinao de sistemas especialistas e lgica fuzzy, sistemas especialistas e redes neurais, redes neurais e lgicas fuzzy, algoritmo gentico e redes neurais e outras associaes. Porm todos utilizam os resultados e dados dos mtodos tradicionais e o conhecimento de especialistas como dados de entrada para estes sistemas.
53
Captulo 3 Redes Neurais
CAPTULO 3 3. Redes Neurais Artificiais
3.1 Introduo
H mais de meio sculo o homem busca modos de resoluo de problemas cotidianos, extremamente complexos ou nem tanto, atravs de mtodos que tentam imitar o funcionamento do crebro biolgico. Aps o surgimento da eletrnica e principalmente como o seu desenvolvimento, era natural esperar do ser humano a busca de uma simulao do funcionamento do crebro, atravs da construo de circuitos que tentassem imitar suas funes. Neste captulo pretendemos apresentar as caractersticas das chamadas Redes Neurais Artificiais (RNA), que so modelos matemticos inspirados no sistema nervoso biolgico, e como elas podem ser utilizadas para o diagnstico de problemas. Redes Neurais uma sub-especialidade da Inteligncia Artificial (IA) tambm chamada de Sistemas Inteligentes. Um sistema inteligente deve ser capaz de adaptar-se a novas situaes, realizar interaes, entender relaes entre fatos, descobrir significados, reconhecer padres e aprender com base em sua experincia. No prximo captulo iremos implementar uma concepo de rede neural visando agilizar o diagnstico de falhas incipientes em transformadores imersos em leo isolante.
54
3.2 Histrico
O homem estuda o crebro h vrias centenas de anos tentando entender o seu funcionamento. Mas foi em 1943 que um neurologista americano chamado Warren McCulloch e um matemtico de nome Walter Pitts escreveram o possvel funcionamento dos neurnios modelando uma rede neural simples atravs de circuitos eletrnicos. Donald Hebb em seu livro intitulado Organization of Behaviour reforou este conceito apontando as interligaes neuronais e aplicabilidade e cada vez so mais usadas.
Nathanial Rochester da IBM, partir do advento dos computadores nos anos 50, foi o primeiro a tentar simular o funcionamento neuronal tentando modelar o rudimento destas teorias. A primeira tentativa foi frustrante, mas tentativas posteriores, bem mais tarde tiveram sucesso. A nfase no desenvolvimento da computao da poca deixou o problema em segundo plano. Mas em 1956 o projeto de pesquisa de vero em Inteligncia Artificial do Dartmouth College deu um grande impulso tanto inteligncia artificial ou AI, como era conhecida na Indstria, quanto s redes neurais estimulando a pesquisa.
Nos anos seguintes, John von Neumann sugeriu imitar o funcionamento de um neurnio simples utilizando rels telegrficos e vlvulas. Tambm Frank Rosenblatt, um neuro-biologista da Universidade de Cornell comeou a trabalhar em um projeto conhecido por Perceptron. Ele estava intrigado com o processo de vo de uma mosca, pois parecia este estar ligado ao olho dela. O resultado desta pesquisa,
55
o Perceptron, foi o hardware por ele construdo a rede neural mais antiga e que utilizada at hoje.
Em 1959, Bernard Widrow e Marcian Hoff da Universidade de Stanford desenvolveram modelos chamados de Adaline e Madaline (Multiple ADAptive LINear Elements). A primeira rede neural aplicada a um problema real, foi a Madaline simulando um filtro adaptivo que eliminava ecos em linhas telefnicas e atualmente ainda usada.
Infelizmente o potencial das redes neurais foi exagerado pelas pessoas e devido limitao da eletrnica e o excesso de literatura ficcional, atravs de livros como os de Isaac Asimov e suas mquinas pensantes que sugeriam a substituio do ser humano por robs e do filme 2001 Uma Odissia no Espao, trouxe desapontamentos tanto populao quanto aos meios acadmicos, deixando a indstria de financiar as necessrias pesquisas para continuar o desenvolvimento nesta rea do conhecimento. Alm disso, Minsky e Pappert publicaram em 1969 um livro intitulado Perceptrons onde provavam que as estruturas utilizadas nos dispositivos da poca eram incapazes de aprender regras lgicas to simples quanto do OU exclusivo.
Este perodo obscuro da computao durou at. Em 1982 John Hopfield apresentou um artigo na Academia de Cincias que no era um simples modelo do crebro, mas criava dispositivos teis. Atravs de anlise matemtica ele mostrou como as redes poderiam trabalhar e o que elas poderiam fazer. Ao mesmo tempo
56
uma conferncia em Kyoto no Japo anunciou a quinta gerao de computadores o que levou a imprensa dos Estados Unidos a questionar um possvel atraso na corrida do conhecimento. Isto produziu um novo fluxo de investimentos em pesquisas explorando diversas possibilidades de aplicao foram exploradas, como por exemplo, em otimizao, em reconhecimento de padres, etc., com resultados bastante encorajadores.
Em 1986 Rumelhart e McClelland, Hinton e Willians [Rumelhart, 86 ] explicaram um algoritmo de aprendizagem chamado de Backpropagation para redes do tipo Perceptron com estrutura multicamadas que colocou a rea de Redes Neurais Artificiais com uma das prioritrias na obteno de recursos. partir de ento, com o desenvolvimento de vrios projetos financiados principalmente pelo Departamento de Defesa dos Estados Unidos, as discusses sobre as redes neurais tm-se ampliado e o anncio de novas aplicaes tm sido freqentes principalmente na indstria e constituem uma teoria para estudo de problemas ou fenmenos complexos.
Hoje, um dos fatores limitantes das pesquisas o desenvolvimento de hardware e de software. Na tentativa de que os projetos saiam dos laboratrios para coloc-los em uso, busca-se implementar os prottipos em neuro-chips analgicos, digitais e ticos, sendo que estes ltimos tm-se revelado como os mais promissores.
57
3.3 Caractersticas bsicas de uma Rede Neural (RN)
Como j foi dito, as RNA so modelos matemticos inspirados no sistema nervoso, o que as torna diferentes da computao convencional, cuja funo determinada pelas conexes entre seus elementos. um processador distribudo que tem como tendncia natural armazenar o conhecimento e torn-lo disponvel para uso [Arbib, 2002].
Figura 17 Neurnio biolgico O elemento mais bsico do crebro humano um tipo especfico de clula chamado neurnio que tem a habilidade de lembrar, pensar e aplicar experincias anteriores nas mais diversas aes. Estima-se que o crebro possua aproximadamente 10 bilhes de neurnios. Cada neurnio pode conectar-se a outros milhares atravs de um processo fsico-qumico chamado sinapse. A quantidade destas clulas especialistas e o nmero de conexes entre elas determinam o potencial do crebro. O crebro tem receptores sensoriais de entrada e neurnios motores para a sada. No ser humano h entre sete e um milhar de classes diferentes de neurnios j identificadas.
58
O sistema nervoso responde quase imediatamente a estmulos que so produzidos pelos neurnios na forma de impulsos eltricos e formam a bases estrutural e funcional deste sistema. H vrias formas de neurnios cada um com uma aparncia fsica diferente.
Neurnios so pequenas massas de citoplasma com um ncleo central. Um sistema capilar filamentos citoplsmicos - interligados aos neurnios e chamados de dendritos conduz os impulsos eltricos atravs das clulas do corpo humano, com uma simples e longa fibra chamada axnio que so a via de conduo dos impulsos eltricos. Alguns axnios so cobertos com um revestimento de mielina recoberto por clulas de Schwann que tambm participam de sinapses.
A fibra nervosa tem a propriedade especial de transmitir impulsos eltricos muito rapidamente atravs de todo seu comprimento e pass-los prxima clula nervosa interligada. O corpo da clula normalmente est no crebro ou na coluna vertebral enquanto que o axnio ou dendrito estende-se at o rgo em questo, por exemplo, desde a base da espinha at o dedo do p. O axnio possui uma carga eltrica que liberada quando o nervo estimulado e carregada novamente antes que o prximo impulso seja enviado. Clulas nervosas geralmente enviam impulsos em somente uma direo.
Um simples impulso pode no ser feito atravs de sinapse podendo ser constitudo por uma rpida sucesso de dois ou trs impulsos vindos por um dendrito ou talvez por dois ou mais para iniciar a descarga para o prximo neurnio. O corpo de uma clula individual pode ter sinapses vindas de fibras prximas e atravs das sinapses que as diferentes partes do corpo e do crebro so mantidas 59
em comunicao. Por causa da enorme possibilidade de interconexes e desde que a chegada de impulsos simultneos a uma clula pode estimular ou inibir a retransmisso de um impulso subseqente, a sinapse provavelmente a unidade bsica de sada do processador do sistema nervoso central, tornando possvel uma efetiva coordenao e aprendizagem.
Uma Rede Neural Artificial (RNA ou ANN) funciona de maneira similar aos neurnios do crebro onde a rede atravs do processo de aprendizagem adquire conhecimento e as foras de conexo interneural conhecidas como pesos sinpticos so usadas para armazenar o conhecimento. Redes neurais assim uma nova tcnica de processamento de informao. So simulaes de sistemas nervosos vivos e baseados em computador que operam de forma bem diferente da computao convencional.
Assim, uma rede neural uma rede de neurnios ou Elementos de Processamento (PEs) e conexes ponderadas. As conexes correspondem aos axnios e os pesos s sinapses no crebro biolgico. A PE realiza duas funes. Ela soma as entradas vidas de vrias conexes e ento aplica a funo de transferncia soma. O valor resultante propagado atravs de conexes de sada para outros PEs. Tipicamente esses PEs esto arranjados em camadas; Com a camada de entrada recebendo inputs do mundo real e cada layer sucessiva recebendo sadas ponderadas da layer precedente como inputs. Da a criao da rede neural feedforward onde cada input alimenta a layer que sucede. A primeira e a ltima layer nessa configurao de rede neural so tipicamente referidas como layer de entrada e de sada. (Elementos de processamento de layers de entrada no so verdadeiramente PEs j que no executam uma computao na entrada.) 60
Quaisquer layers entre as layers de entrada e sada (usualmente uma ou mais) so chamadas de layers escondidas ou hidden layer porque no tm contato com dados de entrada ou de sada do mundo real.
Figura 18 Exemplos de Rede Neural Artificial Esta estrutura , porm, bem diferente daquela dos computadores a que estamos acostumados a usar desde os anos 40. As redes neurais so compostas no de uma ou duas, mas de muitas unidades de processamento que so conectadas entre si formando a rede.
Seu poder computacional depende do trabalho conjunto das muitas tarefas isto chamado, algumas vezes de processamento paralelo. No h uma CPU central seguindo uma seqncia lgica de regras ao contrrio, no h um conjunto de regras ou programas como nos computadores.
O neurnio artificial ou elemento de processamento, ou ainda, unidade de processamento um simples dispositivo capaz de calcular o somatrio de N entradas ponderadas, cujo resultado passa atravs de uma funo no-linear. Basicamente, este dispositivo caracterizado por um offset ou limiar interno e por algum tipo de funo no-linear, como mostra a figura.
61
O corpo das clulas dos neurnios soma os sinais que chegam dos dendritos. Um neurnio particular enviar um impulso para seu axnio se os sinais recebidos na entrada forem suficientes para estimular o neurnio a certo nvel. Se as entradas no atingirem este nvel ou limiar a entrada decair e no gerar qualquer ao.
A sada Y do dispositivo funo do somatrio das entradas x1, x2, ...xn-1, ponderadas pelos pesos w1, w2, ...wn-1 menos o offset .
y = ( X iWi ) k
i =1
Figura 19 Representao de um neurnio artificial
Os valores x1 ,x2 ,x3 ,..,xn so os valores de entrada da rede. Os valores w1 ,w2 ,w3 ,..,wn so pesos associados a cada n para determinar a intensidade do vetor linha de entrada.
Cada entrada multiplicada pelo peso associado conexo do neurnio xiwi. Dependendo da funo de ativao, se o peso positivo, xiwi normalmente excita o n de sada; diferentemente, para pesos negativos, xiwi tende a inibir o n de sada.
62
O valor de , tambm chamado vcio ou limiar, tem a finalidade de aumentar o nmero de graus de liberdade do modelo, permitindo um aumento na capacidade da rede neural para se ajustar ao conhecimento que lhe fornecido. Ele afeta a ativao do n de sada Y.
3.4 A funo de ativao de uma RNA
Um dos mais influentes pesquisadores em sistemas neurolgicos (Donald Hebb) props que a aprendizagem consiste, principalmente, da intensidade das conexes sinapticas.
Uma funo de ativao executa uma operao matemtica no sinal de sada. Funes de ativao mais sofisticadas podem tambm ser utilizadas dependendo do tipo de problema a ser resolvido pela rede. Normalmente so usadas:
Funo linear
Funo degrau
Funo sigmoidal
Figura 20 - Tipos de funo mais comuns aplicadas s Redes Neurais Artificiais
A sada de funo sigmoidal a funo mais comum de ativao utilizada em redes neurais:
f (x ) =
1 1+ e
x
,0 f ( x ) 1
Onde define a forma de f(x)
Normalmente a sada depende da funo de ativao escolhida. Entretanto, se no se quiser ter um bias em um neurnio em particular, ele pode ser omitido.
63
Tipicamente a funo de transferncia escolhida pelo projetista e os parmetros so ajustados de acordo com uma regra de aprendizagem que as relaes de sada entrada/sada encontram para um caso especfico.
3.5 Treinamento e classificao de uma RNA Redes Neurais Artificiais, como as pessoas, aprendem a partir de exemplos. Backpropagation uma das possveis regras de aprendizagem para ajustar as conexes dos pesos durante a aprendizagem por exemplos. A aprendizagem ocorre quando os pesos da rede so ajustados como uma funo do erro encontrado na sida da rede. O erro a diferena entre a sada esperada e a sada normal. Os pesos so ajustados para trs (propagados para trs) atravs da rede neural at que o erro esteja minimizado para o conjunto de dados de treinamento.
Existem diversos tipos de RNA e diferentes maneiras de classific-las. Talvez a mais importante seja quanto forma de aprendizado que pode ser supervisionada e no supervisionada.
No aprendizado supervisionado so sucessivamente apresentadas rede conjuntos de padres de entrada e seus correspondentes padres de sada. Durante este processo, a rede realiza um ajustamento dos pesos das conexes entre os elementos de processamento, segundo uma determinada lei de aprendizagem, at que o erro entre os padres de sada gerados pela rede alcance um valor mnimo desejado. Por exemplo, perceptron, adaline e madaline, backpropagation so algumas dentre as dezenas de leis de aprendizagem supervisionada.
64
No aprendizado no-supervisionado a rede analisa os conjuntos de dados apresentados a ela, determina algumas propriedades do conjunto de dados e aprende a refletir estas propriedades na sua sada. A rede utiliza padres, regularidades e correlaes para agrupar os conjuntos de dados em classes. As propriedades que a rede vai aprender sobre os dados podem variar em funo do tipo de arquitetura utilizada e da lei de aprendizagem. Por exemplo, Mapa AutoOrganizvel de Kohonen, Redes de Hopfield e Memria Associativa Bidirecional, so alguns mtodos de aprendizado no-supervisionado.
Essencialmente o aprender de redes neurais consiste em colocar valores de conexes sinpticas. Em alguns casos estes valores so colocados representando certo conhecimento, como no caso usado em sistemas especialistas. Em outros se usa um algoritmo para encontr-los. A este algoritmo chama-se algoritmo de aprendizagem.
A lei de Hebb talvez a mais antiga regra de aprendizagem usada. Uma extenso desta lei : Ajuste a intensidade da conexo entre os neurnios A e B de uma quantidade proporcional ao valor da ativao simultnea dos dois neurnios. Se, no entanto A tenta excitar B e no consegue a conexo enfraquecida.
Uma caracterstica importantssima da lei de Hebb que ela goza da propriedade de localidade. Isto significa que para alterar o valor de uma conexo sinaptica apenas informaes locais sinapse em jogo so usadas dando plausibilidade biolgica ao algoritmo. A expresso usada na Lei de Hebb muito simplificada. Com efeito, considerando uma sinapse real tem-se: wij = ai aj 65
O valor da modificao da intensidade da conexo sinaptica para mesmas excitaes dos neurnios envolvidos pode variar com o tempo. A modificao da intensidade da conexo sinaptica wij de wij pode depender de wij o que ser um efeito no linear (anteriormente tem-se um sistema bi-linear por apresentar um produto de duas intensidades). Isto ocorre como um efeito de saturao do valor de conexo sinaptica. Pode-se imaginar que a modificao da intensidade da conexo sinaptica dependa tambm de neurnios vizinhos.
Um modelo um pouco mais completo seria: wij = (xi, di, wij , oj , t) Note-se que di no local sinapse, mas local com relao ao neurnio i.
Uma expresso um pouco mais simples seria obtida com a funo dependendo da diferena entre a excitao real do neurnio i e a que seria desejada.
Com isto tem-se a Regra de Widrow-Hoff ou Regra Delta que pode ser expressa como: wij = (di xi)oj
Nesta regra de aprendizado toda a informao necessria modificao de uma sinapse local sinapse, sendo portanto um regra de aprendizado plausvel.
A retro-propagao ou backpropagation pode ser considerada como a da Regra Delta generalizada para redes diretas com mais de duas camadas.
66
No aprendizado competitivo, usado nas redes popularizadas por Kohonen, neurnios so inibidos por outros neurnios de modo a que a competio entre eles leva apenas um deles acabar excitado. Assim, enquanto uma rede neural baseada em um aprendizado Hebbiano, vrios neurnios de sada podem estar simultaneamente ativos, no caso do aprendizado competitivo, somente um neurnio de sada fica ativo de cada vez. Fundamentalmente existem trs elementos que caracterizam o aprendizado competitivo: 1. Existe um conjunto de neurnios idnticos, ligados por valores de conexes sinapticas de valores distribudos de modo aleatrio. 2. Existe um valor mximo bem definido para a ativao dos neurnios. 3. Existe um mecanismo que permite que os neurnios entrem em competio pelo direito de permanecerem excitados.
No aprendizado competitivo entradas possuindo alguma semelhana tendem a excitar o mesmo neurnio na sada.
Existem ainda o Aprendizado Reforado ou Reinforcement learning consiste no aprendizado atravs do mtodo da tentativa e erro de modo a otimizar um ndice de performance chamado sinal de reforo. O Aprendizado Aleatrio quando os passos no sentido de se obter o comportamento aprendido se baseiam em valores tomados aleatoriamente que so testados para verificar sua adaptabilidade. O Aprendizado Evolutivo que o paradigma de aprendizado que, tirando inspirao da evoluo biolgica capaz de modificar a topologia e os valores das conexes sinapticas de modo a fazer uma rede se tornar apta a resolver um problema.
67
Uma rede neural treinada, isto , a uma rede que aprendeu por exemplos, pode ser aplicada a problemas do mundo real de enorme complexidade. Sua vantagem mais importante processar dados muito complexos para as tecnologias existentes - problemas que no tm uma soluo algortmica ou para os quais este tipo de soluo complexo demais para os dados existentes.
Em geral, devido a sua abstrao do crebro biolgico, as redes neurais artificiais so ajustadas aos problemas aos quais as pessoas so boas para resolver, mas computadores nem tanto. Essa classe de problemas inclui o reconhecimento de padres a previso de tempo e o reconhecimento de tendncias nos dados.
3.6 Perceptron Multilayer
MLPs ou perceptrons multilayers so arranjos multicamadas de elementos de processamento no lineares.
Figura 21 - Perceptrons multicamadas Um arranjo com somente uma layer de entrada e uma de sada chamada simplesmente de perceptron. 68
Uma rede encadeada para frente ou feedforward consiste de um nmero de neurnios conectados por links divididos em duas layers. Um conjunto de dados entrada aplicado de fora da rede ou de uma layer anterior.
A figura a seguir ilustra uma rede encadeada para frente ou feedforward com duas camadas.
inputs
layer 1
w1(1,1)
layer 2
outputs
p(1)
a1(1) a2(1)
w1(1,1)
a2(1)
b1(1) p(2)

b2(1)

a2(2) a2(3)
b1(2) p(3)

b2(2)

a2(S1)
p(R)
. .
w1(S1,R)
b1(3)

. .
b2(3)
w1(S1S2,)
a2 (S2)
. .
b1(S1) a1 = 1(w1.p1+b1)
b2(S1)
a2 = 2(w2.a1+b2)
Figura 22 Configurao de uma rede Perceptron Multi-Camada Quando estruturamos uma rede MLP para um objetivo especfico, geralmente, os valores assumidos pelos pesos so aleatrios ou zerados.
Quando falamos em aprendizado, no estamos sendo to abrangentes quanto o processo de aprendizado referente ao ser humano o . 69
Em uma rede MLP, o processo de aprendizado se restringe a uma espcie de treinamento por inibio e reforo, onde penalizamos a rede se a mesma estiver fora do padro requerido ou a elogiamos quando est dentro do padro.
Em outras palavras, o aprendizado estabelece valores para os pesos de forma a dar rede um sentido de processamento. Se voc entra com dados em uma rede no treinada, a sada aleatria e no previsvel.
medida que mostramos rede um padro de entrada (amostragem), mostramos tambm como deve ser o resultado na sada da rede.
Cada entrada dos neurnios de entrada ento multiplicada por um peso w. A soma das entradas ponderadas e o bias b formam a entrada n para a funo de transferncia . Neurnios podem usar qualquer funo diferencial monotnica crescente para gerar suas sadas.
As redes Back-propagation freqentemente usam as funes de transferncia log-sigmoidal e tan-sigmoidal. Para cada neurnio da primeira camada, o neurnio da camada de sada dado por:
a1 = 1(w1.p + b1) e a sada da segunda layer :
a2 = 2(w2.a1 + b2) = 2((w1.p + b1) + b2) onde p a entrada da primeira layer; 1 e 2 so as funes de transferncia, b1 e b2 so biases e w1 e w2 so os pesos das conexes da primeira e segunda layer
70
respectivamente para cada um deles. A rede treinada para aprender as relaes entre as entradas e as sadas esperadas.
Para o treinamento, um nmero par de padres de entrada p e de alvos t apresentado rede neural e ento solicitado rede o ajuste dos pesos em todos os links de conexes e tambm para os biases nos ns tal que os padres de sada desejados so produzidos para os ns de sada.
As redes neurais podem ser divididas em duas classes: rede supervisionadas e no supervisionadas. Redes neurais supervisionadas, tais como o perceptron, usam o algoritmo de treinamento, o que significa que os dados de entrada e sada so necessrios durante a fase de treinamento. O algoritmo de treinamento mais comum o backpropagation. A grande maioria das redes neurais artificiais treinada com superviso. Neste modo, a sada normal da rede comparada sada desejada. Pesos, que normalmente iniciam com valores aleatrios, so ajustados pela rede de modo que, na prxima iterao, ou ciclo, produzir um valor mais prximo entre a entrada desejada e a sada atual. O mtodo de aprendizagem tenta minimizar os erros correntes de todos os elementos do processamento. Esta reduo do erro global criada pela continua modificao dos pesos de entrada at que uma preciso aceitvel da rede alcanada.
Por outro lado, redes neurais no supervisionadas, tais como a rede de Kohonen, requer somente dados de entrada para ser treinada. Elas auto-organizam os dados de entrada, de acordo com uma mtrica de similaridade que permite a rede aprender sem saber a resposta correta.
71
Certos modelos tericos de redes neurais tm sido analisados de modo a que permitem certas propriedades tais como sua mxima capacidade de armazenamento ser calculada independentemente de qualquer algoritmo de treinamento.
3.7 Definio do Modelo, Topologia e Parmetros da RN
A seleo das caractersticas de entrada um primeiro passo essencial para a configurao de uma RNA. Deve ser uma escolha muito cuidadosa de modo que estas entradas refletiro as caractersticas do problema. Uma outra tarefa importante no projeto de uma RNA a escolha da topologia da rede. Isto feito experimentalmente atravs de processos repetitivos para otimizar o nmero de ns e de layers escondidas de acordo como o processo de treinamento e da preciso desejada. O nmero de neurnios da layer de entrada deve ser igual ao nmero de dados de entrada e o nmero de neurnios na layer de sada normalmente definido de acordo com o nmero de variveis de controle.
A figura ao lado ilustra um exemplo de uma rede com 9 inputs, uma camada escondida com 8 neurnios e 9 outputs:
Figura 23 - Exemplo de uma rede neural artificial 72
3.8. O futuro das Redes Neurais Artificiais
As redes nem sempre levam a resultados com grande preciso. por isso que as redes se aplicam onde humanos no so capazes de obter resultados com preciso. As redes neurais precisam de hardware muito rpido. Cada vez mais tomam parte de sistemas hbridos que utilizam lgica fuzzy e sistemas especialistas, quando no, tambm, sistemas evolucionrios.
73
Captulo 4 Aplicao de Redes Neurais no Diagnstico de Falhas Incipientes
CAPTULO 4
4. APLICAO DE REDES NEURAIS NO DIAGNSTICO DE FALHAS INCIPIENTES
Redes neurais artificiais so sistemas inspirados nos neurnios biolgicos e na estrutura massivamente paralela do crebro, com capacidade de adquirir, armazenar e utilizar conhecimento experimental. Tipicamente consistem em centenas de unidades simples de processamento interligadas, formando uma rede de comunicao complexa.
Cada unidade ou n da rede um modelo simplificado de um neurnio biolgico que dispara (envia um novo sinal) se ele recebe um forte sinal de entrada vindo de outros ns aos quais est conectado.
Uma tarefa importante no projeto de uma Rede Neural a escolha da topologia da rede, isto , os nmeros de camadas e os nmeros de neurnios por camada.
Isto feito experimentalmente atravs de processos repetitivos e tcnicas construtivistas para otimizar o nmero de ns e de layers escondidas de acordo como o processo de treinamento e da preciso desejada.
4.1 Topologia
A topologia ou estrutura da RNA que usamos a de uma rede neural com uma s camada escondida.
A seleo das caractersticas de entrada um primeiro passo essencial. Deve ser uma escolha muito cuidadosa de modo que estas entradas refletiro as caractersticas do problema.
O nmero de neurnios da layer de entrada ser igual ao nmero de dados de entrada e o nmero de neurnios na layer de sada ser definido de acordo com o nmero de variveis de controle as respostas desejadas.
No meu caso, cinco gases chave precursores de falhas em transformadores, H2, CH4, C2H6, C2H4 e C2H2, so os escolhidos como caractersticas de entrada.
Inputs: As entradas da rede sero, pois, vetores com as concentraes de H2, CH4, C2H2, C2H4 e C2H6 em ppm. Outputs: As sadas que queremos so os tipos de faltas que aquelas entradas podem resultar, ou seja, faltas trmicas ou sobre aquecimento, descargas parciais, arco eltrico, ou ainda faltas no identificadas, alm da sada normal - caso os dados de entrada no impliquem em falha no transformador.
75
Figura 24 Associao de gases e tipos de faltas
Hidden layer: A utilizao de um grande nmero de camadas escondidas no recomendada. A grande maioria dos problemas de classificao de padres utiliza somente uma quando muito duas camadas escondidas. Aqui fez-se uso de apenas uma.
O nmero de neurnios na camada escondida geralmente definido de modo emprico. Se forem utilizados neurnios demais, pode-se levar a rede a memorizar os dados do treinamento (overfitting ) ao invs de extrair as caractersticas gerais que permitiro a generalizao.
Neurnios a menos, podem forar a rede a gastar tempo em demasia tentando encontrar uma representao tima e assim a rede pode no convergir durante o seu treinamento (underfitting).
76
Pode-se definir este nmero como sendo a mdia geomtrica entre o tamanho da entrada e o tamanho da sada ou nmeros que podem variar de 2n+1 a 2 0.5+1 [Fletcher et Goss, 91] ou igual a 3n onde n o nmero de camadas de entrada ou de sada. Assim, poderamos ter 5, 11 ou 15 neurnios.
Obteve-se experimentalmente a rede dessa dissertao e verificou-se que a topologia que teve o melhor desempenho, isto , convergiu mais rapidamente com menor erro e menor nmero de pocas para o conjunto de dados disponveis no estudo foi a rede com 11 neurnios. Assim:
H2 CH4 C2H6 C2H4 C2H2
falta no identificada normal sobreaquecimento descargas parciais arco eltrico
Figura 25 Topologia da rede utilizada na dissertao Taxa de treinamento: Configuramos para o valor 1. Momentum: ou fator de amortecimento feito igual a 0.9.
77
Dados de entrada: So as concentraes dos gases encontradas no ensaio cromatogrfico da anlise das amostras colhidas ao longo da vida do transformador (treinamento) ou na amostra suspeita (rede em uso normal). A figura seguinte ilustra como exemplo, 10 dos padres usados no treinamento. Concentraes dos gases chave em ppm: Padres 1 2 3 4 5 6 7 8 9 10 H2 101 105 170 1245 99 300 321 316 516 534 CH4 125 348 310 400 230 300 349 342 508 508 CO 100 50 50 100 191 120 100 0 100 85 CO2 1160 1000 4000 370 5930 1300 1070 0 1160 1050 C2H4 121 383 340 247 164 350 388 374 639 598 C2H6 32 93 83 28 212 55 64 58 98 91 C2H2 24 1 0 322 0 12 43 14 23 22 TDCG 1663 1980 4953 2712 6826 2437 2335 1104 3044 2888
Tabela 21 - Exemplo de concentraes de gases usadas no treinamento da rede
Nesta tabela esto apresentadas tambm as concentraes de monxido e de dixido de carbono, pois na comparao que fiz com outros mtodos utilizamos essas concentraes para obter diagnsticos de sobre aquecimento, devidos degradao do leo ou da celulose ou de ambos. Da mesma forma apresentou-se na coluna TDCG total de gases combustveis dissolvidos o total dos gases dissolvidos para determinar o percentual de cada gs em funo do TDCG para avaliar o mtodo do gs chave que usado como comparao nos resultados da tabela 24.
As concentraes, para efeito de normalizao, devem ser divididas por 1000, pela mdia de cada gs ou pelo maior valor de concentrao de cada gs antes de serem fornecidas rede, pois os valores de entrada devem estar entre 0 e 1. 78
Pesos: So valores aleatrios usados para determinar a intensidade do vetor de entrada.
Bias: entrada de valor unitrio multiplicada por valores aleatrios ajustados durante o processo de treinamento. Tem a finalidade de aumentar o nmero de graus de liberdade do modelo, permitindo um aumento na capacidade da rede neural para se ajustar ao conhecimento que lhe fornecido.
Transfer function: tangent sigmoid (tansig), a funo mais comum de ativao utilizada em redes neurais.
f(x)
f ( x ) = tanh( .x) = 1 f ( x) 1
e x e x ex + e x
x
Figura 26 Funo do tipo sigmoidal
4.2. Treinamento da Rede Neural
Por muitos anos no houve um algoritmo ideal para o treinamento de RNA multi-layer, e assim, as aplicaes de uma rede eram bastante limitadas.
A inveno do algoritmo Backpropagation desempenhou um papel vital no ressurgimento do interesse nas RNAs. Back-propagation um mtodo sistemtico de treinamento das RNA multi-layer. Ele tem uma forte base matemtica.
79
Testei essa rede com os algoritmos do MatLab, o de Levenberg Marquardt (trainlm), [Shoureshi et al., 2001] - por ser o que apresenta melhores resultados no trato de problemas no lineares e o de Sejnowski e Rosenberg [Sejnowski et Rosenberg, 86] cujo mtodo implementa o tempo de treinamento do algoritmo backpropagation para o caso de funo de ativao tangente sigmide. Os resultados foram semelhantes.
4.3. Resultados
Em geral, a sada a1 da rede no ser a mesma do alvo ou valores desejados t. Para cada padro, a soma dos quadrados do Erro :
SEE =
1 || t a 2 ||2 2
A principal meta do algoritmo back-propagation (BP) ajustar os pesos w das conexes e os biases b para minimizar o erro entre a sada desejada e a sada normal da rede. Uma aproximao comum para atingir esta meta a regra delta generalizada. O erro mximo obtido foi 0.0029.
Utilizou-se 300 padres para treinar a rede e testou-se 20 que esto tabelados a seguir acompanhados dos resultados de sada da rede:
80
Padres 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
H2 4 370 382 3998 83 105 94 60 190 110 48 318 338 114 2 21 37 59 13 800
CH4 140 75 96 581 350 43 36 74 1100 910 43 337 32 1417 4 34 75 339 10 1393
CO 510 700 786 136 800 620 680 690 580 450 120 96 85 100 88 97 31 110 70 423
CO2 1700 4500 6520 1240 8800 4100 6200 11000 5500 4600 1500 560 840 610 590 610 510 990 840 2180
C2H4 10 57 20 431 1200 185 59 520 1900 1700 75 583 32 2096 4 47 5 392 13 2817
C2H6 320 13 133 31 230 35 13 94 700 660 3 57 1 296 3 5 126 42 4 304
C2H2 0 76 0 788 140 125 190 81 12 11 81 641 50 0 0 62 0 1 0 3000
Tabela 22 - Dados usados para diagnstico pela rede Resultados dos testes: Padres 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 No Normal Sobre aqueDescargas Identificado cimento parciais 0.0019 0.0348 0.9901 0.0002 0.0001 0.0301 0.0044 0.0000 0.0021 0.9964 0.0012 0.0010 0.0002 0.0011 0.0021 0.0007 0.0188 0.0014 0.0017 0.0001 0.0166 0.0018 0.0012 0.0003 0.0100 0.0130 0.0025 0.0004 0.0124 0.0032 0.8945 0.0013 0.0311 0.0420 0.9822 0.0001 0.0191 0.0120 0.9913 0.0011 0.0002 0.0009 0.0014 0.0003 0.0013 0.0019 0.0027 0.0001 0.0001 0.0188 0.0000 0.0001 0.0162 0.0720 0.9921 0.0000 0.0018 0.9986 0.0020 0.0018 0.0020 0.0013 0.0017 0.0002 0.0102 0.9990 0.0002 0.0006 0.0114 0.0500 0.7942 0.0000 0.0109 0.9975 0.0015 0.0012 0.0028 0.0030 0.0125 0.0001 Tabela 23 - Resultados finais de sada da rede Arco Eltrico 0.0042 0.9904 0.0015 0.9958 0.9164 0.9864 0.9936 0.1007 0.0099 0.0031 0.9968 0.9966 0.0037 0.0139 0.0011 0.9964 0.0010 0.1157 0.0001 0.9928 81
Apresenta-se abaixo o diagnstico obtido e o grfico de performance da rede codificada no MatLab. Diagnsticos comparativos de faltas por vrios mtodos Padres Diagnstico pela Mtodo do Mtodo de Mtodo de Relatrios de RNA Gs Chave Rogers Dornenburg Campo 1 Sobre aquecimento Sobre aquecimento Sobre aquecimento Sobre aquecimento Sobre aquecimento 2 Arco eltrico Arco eltrico Arco eltrico No identificada Arco eltrico 3 Normal Sobre aquecimento Sobre aquecimento Normal Normal 4 Arco eltrico Indefinida Arco eltrico No identificada Arco eltrico 5 Arco eltrico Indefinida Sobre aquecimento Sobre aquecimento Arco eltrico 6 Arco eltrico Indefinida Arco eltrico No identificada Arco eltrico 7 Arco eltrico Arco eltrico Arco eltrico No identificada Arco eltrico 8 Sobre aquecimento Indefinida No identificada Normal Sobre aquecimento 9 Sobre aquecimento Indefinida Sobre aquecimento No identificada Sobre aquecimento 10 Sobre aquecimento Indefinida Sobre aquecimento Sobre aquecimento Sobre aquecimento 11 Arco eltrico Normal Arco eltrico Arco eltrico Arco eltrico 12 Arco eltrico Indefinida Sobre aquecimento No identificada Arco eltrico 13 Descargas parciais Normal Arco eltrico No identificada Descargas parciais 14 Sobre aquecimento Indefinida Sobre aquecimento Sobre aquecimento Sobre aquecimento 15 Normal Normal Sobre aquecimento Normal Normal 16 Arco eltrico Normal No identificada No identificada Arco eltrico 17 Normal Normal Sobre aquecimento Sobre aquecimento Sobre aquecimento 18 Sobre aquecimento Arco eltrico Sobre aquecimento Sobre aquecimento Sobre aquecimento 19 Normal Normal Sobre aquecimento Normal Normal 20 Arco eltrico Arco eltrico No identificada No identificada Arco eltrico Tabela 24 Resultados obtidos pela rede neural usada e pelos mtodos tradicionais
Conclui-se que pela anlise das tabelas acima que os resultados obtidos atravs da RN so realmente mais precisos que os outros mtodos. O diagnstico de valores de sada muito prximos uns dos outros foi resolvido forando-se a sada da rede a passar por uma funo competitiva de forma a que o neurnio que apresentou maior valor de sada foi associado falta.
82
Captulo 5 - Concluses
CAPTULO 5
5. CONCLUSO
5.1. Concluses
Apresentou-se nessa dissertao, um histrico da deteco de falhas incipientes em transformadores isolados com leo isolante. Discorri tambm as vrias tcnicas utilizadas no sculo passado, suas vantagens e desvantagens sobre os mtodos ditos inteligentes que surgiram ao final do sculo XX e que tambm foram objeto de apresentao. Concluiu-se como era a proposta da dissertao, que os mtodos que utilizam tcnicas de Inteligncia Artificial, so mais precisos e mais rpidos que os mtodos tradicionais, trazendo mais segurana ao pessoal de deciso responsvel pela operao e manuteno dos sistemas eltricos de potncia.
Pela anlise bibliogrfica feita em [Dukarm, 93], [Kosko, 92], [Tomsovic 1993], [Wang, 2000], [Yan et al. 96], [Gao et al. 98] e outros, inferiu-se que as tcnicas hbridas, isto , que combinam Redes Neurais com Sistemas Especialistas, Redes Neurais com Lgica Fuzzy, Redes Neurais com Algoritmos Genticos ou ainda a combinao de trs ou mais destas tcnicas, so mais eficientes, produzindo resultados com maior grau de preciso.
Uma contribuio importante para esta dissertao, baseada experincia profissional do autor e na anlise de papers existentes, a de que de nada adianta o desenvolvimento de tcnicas de inteligncia artificial sofisticadas se a coleta de leo no for confivel. Os mtodos existentes para tal so suscetveis de falha produzindo a contaminao das amostras.
Da mesma forma, no laboratrio, mesmo que o espectrmetro seja o mais moderno ou bem calibrado existir sempre a possibilidade de falha humana no manuseio das amostras e utilizao do aparelho. Os sistemas comerciais Hydran da General Electric Co. e TrueGas da Serveron CMS que so detectores on-line de gases e de predio de faltas ainda no empregados no Brasil resolvem em parte o problema pois captam e testam as amostras diretamente no tanque do transformador. Acreditamos, porm, que o sistema sugerido a seguir dever apresentar melhor desempenho e confiabilidade.
5.2. Sugestes de Trabalhos Futuros
Como contribuio para o futuro, se poderia procurar melhorar dispositivos os mais eficientes, tais como a deteco on-line dos gases e suas concentraes, utilizando um dispositivo acoplado diretamente ao tanque do transformador que atravs de ondas acsticas, a chamada Anlise por Vibro-acstica, ondas essas emitidas por um sensor dentro do tanque, que retorna quais os gases dissolvidos no leo alm da sua concentrao em ppm e faz a anlise das falhas incipientes em tempo real devidas a descargas parciais, arco eltrico e sobre aquecimento do leo. um mtodo interessante para se desenvolver embora j esteja operacional em
84
alguns pases como os Estados Unidos da Amrica, apesar de ter que se utilizar filtros sofisticados conjugados ao dispositivo de deteco visando eliminar fontes de interferncia de harmnicos, rudos devido ao efeito corona, fontes ambientais como a chuva, poeira, granizo, turbulncia no leo, operaes do LTC, de bombas de leo e de ventiladores, e da vibrao das lminas do ncleo alm de outros, poderamos ter um resultado verdadeiramente confivel. Pelo que se pesquisou em [EPRI 2004], [Berler et al., 98], [Golubev et al., 00] e outros mais, inferi que os dispositivos existentes para incorporar tais filtros ficariam sobremaneira dispendiosos tornandoos comercialmente inviveis e custa da menor eficincia do mtodo. A espectroscopia foto-acstica outro mtodo recentemente desenvolvido nos Estados Unidos, mas mantm a coleta manual de leo, o que no descarta a contaminao.
Preferencialmente, porm, desenvolver-se-ia um prottipo em um posterior curso de Doutorado, que utilizasse a tcnica de sonda tica, associando o laser com a espectroscopia, para a deteco on-line dos gases e sua concentrao efetuando tambm, em tempo real, a anlise das falhas incipientes atravs de sistemas inteligentes, emitindo assim diagnsticos rpidos, precisos e extremamente confiveis. Permitiria assim, a manuteno preditiva com grande reduo de custos e amostragem, transporte, laboratrio, homens-hora, etc.
Outra tcnica possvel de ser pesquisada e elaborada a da espectroscopia de ressonncia magntica nuclear da amostra com deteco tambm on-line para evitar a possibilidade de interveno humana e provveis contaminaes indesejveis. Esta tecnologia est sendo aplicada em vrios campos da fsica e
85
biologia, mas acreditamos que tambm poderia ser utilizada com adaptaes na deteco de gases em leo isolante possibilitando assim a classificao de faltas incipientes e poder ser objeto de futuros trabalhos de pesquisa na rea de diagnstico de falhas incipientes em transformadores.
86
Referncias Bibliogrficas
REFERNCIAS BIBLIOGRFICAS
ABNT, Associao Brasileira de Normas Tcnicas, Referncias Bibliogrficas, Rio de Janeiro, 1989. NBR 6023.
ALI M. et al., Measuring and Understanding the Ageing of Kraft Insulating Paper in Power Transformers, IEEE Electrical Insulation Magazine, Vol. 12, No.3, May/June 1996, pp. 28-34.
ARBIB A. Michael, Handbook of Brain Theory and Neural Networks, Bradford Books, Second Edition, 2002
ASTM D3612-01, Standard Test Method for Analysis of Gases Dissolved in Electrical Insulating Oil by Gas Chromatography, ASTM Book of Standards Volume 10.03, May 2002 - Electrical Insulating Liquids and Gases; Electrical Protective Equipment
BARRACLOUGH, B. et al., CEGB Experience of the Analysis of Dissolved Gas in Transformer Oil for the Detection of Incipient Faults, IEE Conference on Diagnostic Testing of High Voltage Power Apparatus in Service, March 6-8, 1973.
BATES, Danny, DGA in a Box A Utilitys Perspective, Alabam Power Company.
BELANGER, G., MISSOUT, G. and GIBEAULT, J. P., Laboratory Testing of a Sensor for Hydrogen Dissolved in Transformer Oil, IEEE Transactions on Electrical Insulation, Vol. EI-15, No. 2, April, 1980, pg. 144-148.
BERLER, Z. et al., A New Method of Parcial Discharge Measurements, IEEE 1998 Conference on Electrical Insulation and Dielectric Phenomena, Atlanta, GA, USA, October 1998.
BISH, N.B., et al., Condition Monitoring of Dielectric Behavior Leading to the Diagnosis of Partial Discharge Onset Using Neural Network Analysis, University of Brighton Press, U.K.
BOSHE E.E., Experience With the Development & Use of An Expert System for the Evaluation of Transformer Dissolved Gas Data, Proc. Electrical Electronics Insulation Conference and Electrical Manufacturing and Coil Winding Conference, Electr. Manuf. & Coil Winding Assoc., Imperial Beach, Calif., 1995, pp. 295-299
BOUTHIBA, Tahar, Artificial Neural Network-Based Fault Location in EHV Transmission Lines, University of Science and Technology of Oran, Algeria.
C57.125, IEEE PES Transformer Committee, IEEE Guide for Failure Investigation, Documentation and Analysis for Power Transformers and Shunt Reactors, IEEE Standards Board, 1991.
C57.113, IEEE PES Transformers Committee, IEEE Trial-Use Guide for Partial Discharge Measurement in Liquid-Filled Power Transformers and Shunt Reactors, IEEE/NEMA, 1998.
88
CAO, L., Chan T., Kong C., A Universal Neural Expert System with Self-Learning Mechanism for DGA of Power Transformer Oil, International Power Engineering Conference 1995, Nanyang Technol. Univ, Singapore, 1995, pp. 355 359.
CIGREs WORK on POWER TRANSFORMERS, Paper apresentado na IX Conference Substation Equipment Diagnostics, 18-21 Fevereiro, 2001 New Orleans, Louisiana, USA.
CHEIM, L. et al., XV SNPTEE, 1999, CEPEL COBEI Comit Brasileiro de Eletricidade, Curso de leos Isolantes Lquidos para Fins Eltricos, 1982. COSTA JR, Pedro, Sistema de Diagnstico de Falhas em Transformadores de Potncia Imersos em leo, PUCMINAS, 2002 DA SILVA, Ivan N., et al., Tcnicas de Sistemas Inteligentes Aplicadas na Identificao do Envelhecimento de Transformadores. XVI SNPTEE, Outubro 2001, Campinas, SP.
DIOGO, A.C.T. e CARNEIRO, E.M., IEEE em Revista, 1998 - CTEEP
DRNENBURG, Eberhard and GERBER O. E., Othmar E., La surveillance de lHuille des Transformateurs en Exploitation par lAnalyse des Gaz Dissouz dans lHuile et des Gaz Librs, Revue Brown Boveri, Tome 54, No 213, pp. 104 -111.
89
DRNENBURG, Eberhard and GERBER O. E., Analysis of Dissolved and Free Gases for Monitoring Performance of Oil-Filled Transformers, The Brown Boveri Review, 54(2/3): 104-11, 1967.
DRNENBURG, Eberhard and W. Stritmatter, Monitoring Oil Oil-Cooled Transformers by Gas Analysis, Brown Boveri Review, Vol. 61, No. 5, p.238, 1970.
DONG M. et al., Aging Diagnosis of Solid Insulation for Large Oil-immersed Power Transformers.
DOS SANTOS, J. Carvalho et al., Diagnstico de Falhas em Transformadores por Anlise Cromatogrfica, revista Energia Eltrica, pg. 11, Mar-Abr 1978.
DUKARM James J., Transformer Oil Diagnosis Using Fuzzy Logic and Neural Networks, Canadian Conference on Electrical and Computer Engineering, Vol. 1, pp 329-332, 1993.
DUMKE, K. and al., Influence of Stressing on Gaseous Decomposition Product in Insulation Liquids, IEEE International Symposium on Electric Insulation, 1998.
DUVAL, Michel, A Review of Faults Detectable in Gas-in-Oil Transformers, IEEE Electric Insulation Magazine, Vol.18, No. 3, pp. 8-18, 2002.
90
DUVAL, Michel, Fault Gases Formed in Oil - Filled Breathing E,H.V. Power Transformers The Interpretation of Gas Analysis Data, IEEE PES Summer Meeting & Energy Resources Conference, Anaheim, CA, July, 1974.
DUVAL, Michel. et al., Interpretation of Dissolved Gas-in-Oil Levels in Power Transformers, Minutes of Fifty-Fifth International Conference of Doble Clients, Sec. 10-71, 1988.
DUVAL, Michel. et DEPABLO Alfonso, Interpretation of Gas-In-Oil Analysis Using New IEC Publication 60599 and IEC TC 10 Databases, IEEE Electrical Insulation Magazine, Vol. 17, No. 2, 2001
DUVAL M., Dissolved Gas Analysis: It can Save Your Transformer, IEEE Electrical Insulation Magazine, Vol. 5, No. 6, 1989
DUVAL, Michel, New Techniques for Dissolved Gas-in-Oil Analysis, IEEE Electrical Insulation Magazine, Vol. 19, No. 2, 2003
EPRI - Electric Power Research Institute 2004, Substation Equipment Diagnosis Conference XII Recent developments in the Condition Assessment of Power Transformers and LTC Using Acoustic Emission (AE), New Orleans, Lousiana.
FALLOU B. et al., Application of Physico-Chemical Methods of Analysis to the Study of Deterioration in the Insulation of Electrical Apparatus, CIGRE 1970, Report 15-07.
91
GRIFFIN, Paul J., et al. A combined ANN and Expert System, Tool for Transformer Fault Diagnosis, IEEE Transactions on Power Delivery, vol.13, No. 4, October 1998.
FLETCHER, D. et GOSS, E., Neural Networks in Regional Science: An Application Using Migration Data, Proceedings of 38th North American Meeting Of Regional Science Association, 1991, p. 38.
GOULUBEV A. et Al., Increasing the Reliability of Online Insulation Condition Assessment of MV-HV Equipment, Electricity Today, vol.12, no. 6, August, 2000, pp. 22-27.
GUARDADO, J. L et al. A Comparative Study of Neural Network Efficiency in Power Transformers Diagnosis Using Dissolved Gas Analysis, IEEE Trans. on Power Delivery. Vol. 16, No. 4, October 2001, pp. 643-647.
GOULUBEV, A. et al., On-Line Vibro-Acoustic Alternative to the Frequency Response Analysis and On-Line Parcial Discharge Measurements on Large Power Transformers, TechCon99 Annual Conference of TJ/H2b, February, 18-19, 1999, New Orleans, USA.
HALSTEAD W.D., A Thermodynamic Assessment of the Formation of Gaseous Hydrocarbons in Faulty Transformers, Journal inst. Petroleum, Vol. 59, Sept. 1073, pp. 239-241.
92
IEC standard 599: Interpretation of the Analysis of Gases in Transformers and Other Oil Filled Electrical Equipment in Service, International Electrotechnical Commission, Geneve, Switzerland, 1978.
IEC standard 354: Loading Guide for Oil-Immersed Power Transformers, 1991.
IEC, IEC 599 Interpretation of the Analysis of gases in Transformers and Other Oil Filled Electrical Equipment in Service, International Electrotechnical Commission, Geneva, Switzerland, 1978. IEEE C57.104-1991, IEEE Guide for the Interpretation of Gases Generated in OilImmersed Transformers, 1991.
IEEE Guide for Loading Mineral-Oil-Immersed Transformers. IEEE Std C57.91-1995. JAKOB Fredi, Dissolved Gas Analysis - Past, Present and Future, Weidmann-ACTI Inc., [s.ed], 2001.
IEEE P1258, IEEE Trial-Use Guide for the Interpretation of Gases Generated in Silicone-Immersed Transformers, 1995.
JAIN, Anil K. et MAO, Jianchang et MOHIUDDIN, K. M., IEEE Artificial Neural Networks: A Tutorial, pp. 31-44, March, 1996.
93
KAWADA H. and al., Partial Discharge Automatic Monitor for Oil-Filled Power Transformer, IEEE Transactions on Power Apparatus and Systems, Vol. PAS-103, No. 2, Fev 1984, pp. 422-428.
HALSTEAD W.D., Transformer Fault Diagnosis by Oil Decomposition Product Analysis, Central Electricity Research Laboratories Note, No. RD/L/N, 66/70, 1970.
HALSTEAD W.D., A Thermodynamic Assessment of the Formation of Gaseous Hydrocarbons in Faulty Transformers, Journal Inst. Petroleum, Vol 59, pp. 239-241, Sept 1973.
HAYES T. W., Investigation to Determine the Location of a Low- Energie, Audible Electrical Arcing in a Power Transformer, Minutes of Fifty-Third International Conference of Doble Clients, 1986, Sec. 6-301.
HISAO, Kan, T. Miyamoto, Proposals for an Improvement in Transformer Diagnosis Using Dissolved Gas Analysis, IEEE Electrical Insulation Magazine, Vol. 11, No. 6, Nov/Dez, 1995, pp. 15-21.
JALBERT J., R. Gilbert, Decomposition of Transformer Oils: A New Approach for Determination of Dissolved Gases, IEEE Transactions on Power Delivery, 1997, pp. 754-760.
LIN Cao and al., An Expert System for Transformer Fault Diagnosis Using Dissolved Gas Analysis, IEEE Transactions on Power Delivery, NY, 1993, pp. 231-238.
94
K. Zalis, Dielectric Diagnostics in Service From Databases to Expert Systems, Stochholm Power Tech International Symposium on Electric Power EEngieering, IEEE, NY, USA, 1995, pp. 34-38.
KOIVO, N. Heikki, Neural Networks: Basics Using MATLAB Neural Network Toolbox, [s.ed], 2000.
KOSKO, Bart, Neural Networks and Fuzzy Systems A Dynamical Systems Approach to Machine Intelligence, Prentice-Hall International, Inc., [s.ed], 1992.
MANGER H. C., Combustible Gas Ratio and Problems Detected, Minutes of FortyFifth Internation Conference of Doble Clients, Sec. 6-1101, 1978.
MCILROY, Colin., Photo-Acoustic Spectroscopy, A New Technique for Dissolved Gas Analysis in Oil. EPRI Substation Equipment Diagnostics Conference, New Orleans, LA, USA. February 2326, 2003 MCNAIR, H.M and BONELLI, E.J., Basic Gas Chromatography, Consolidated Printers, Berkeley, California, 5th. Edition, 1969.
MILASH Milan, Manuteno de Transformadores em Lquido Isolante. Ed. Edgard Blcher, 1984.
MILLER, George, Analyzing transformer insulating fluid, Electrical Construction & Maintenance, Nov 1, 1995.
95
MORGAN, James E., A Guide to Interpretation of Transformer Fault Gas, Data Bulletin MS-5, Morgan, Shaffer Corporation, Canada.
MYERS, S. D., et al., Transformer Maintenance Guide, Transformer Maintenance Institute, S. D. Myers Inc., Akron, Ohio, USA, 3ed, 2004.
NOGAMI T., Y. Yokoi, H. Ichiba, Y. Atsumi, Gas Discrimination Method for Detecting Transformer Faults by Neural Network, Electrical Engineering in Japan, 1995, pp. 93 103.
P.T.M. Vaessen, E. Hanique, A New Frequency Response Analysis Method for Power Transformers, IEEE Transactions on Power Delivery; Vol .7 N 1, January 1992, pp. 384 391.
PAREKH Rajesh et al., Constructive Neural-Network Learning Algorithms for Pattern Classification, IEEE Transactions on Neural Network, Vol. 11, No. 2, March 2000.
PUGH, D. R., Combustible Gas Analysis, Doble Client Conference Minutes, 42AIC73, Sec. 10-401, 1973.
RANDY, D. S. et al., Power Transformer Fault Diagnosis, IEEE PES WM. Panel Session, New York, Feb 6, 1977.
96
RIBEIRO Jr. Adolfo et al., Sistema de Diagnsticos para o Monitoramento de Subestaes de Alta Tenso e o Gerenciamento das Atividades de Manuteno: Integrao e Aplicaes, Comit A3 Equipamentos de Alta Tenso, 2002.
ROGERS R. R., Doble Publication AIC75, Sec. 10-201.
ROGERS R. R., IEEE and IEC Codes to Interpret Incipient Faults in Transformers, Using Gas in Oil Analysis, IEEE Trans. Vol. EI-13, No. 5, Oct. 1978, pp. 349-354. ROGERS R. R., UK Experiences in the Interpretation of Incipient Faults in Power Transformer by Dissolved Gas-in-oil Chromatography Analysis ( A Progress Report), Minutes of Forty-Second International Conference of Doble Clients. 1975, Sec. 10201.
SHERTUKDE, H. M., J. G. Lackey, Interpretation of Results obtained from Testing of Oil filled Electrical Power Transformers in Field for several Utilities in the World, IEEE International Symposium on Electrical Insulation, Vol. 1, pp. 49-52, June 1998, Washington DC, USA.
SHOURESHI Rahmat et al., Sensor Fusion and Complex Data Analysis for Predictive Maintenance, 36th Hawaii International Conference on System Sciences, [s.ed], 2003
MORAIS, DR e ROLIM, J.G., XVII CBA 2004 - UFRGS
97
MURTHY T., Assessment of Transformer Insulation Condition by Evaluation of Paper-oil System, IEEE Annual Report Conference on Electrical Insulation and Dielectric Phenomena, San Francisco, 1996, pp. 332-335.
TASSI, M.R., Pado Programa de Anlise e Diagnstico de leo Isolante, XV Seminrio Nacional de Energia Eltrica, 2002.
THOMAS, Waters et al., Online Measurements of Transformer Fault Gases As Measured Directly in the Headspace and in the Oil, EPRI Substation Equipment Diagnostics Conference, 2001.
TOMSOVIC K. et al., A Fuzzy Information Approach to Integrating Different Transformer Diagnostic Methods, IEEE Transactions on Power Delivery, 1993, pp. 1638-1646.
SEJNOVISKI, T.J. and ROSENBERG, R.C., Parallel Networks that Learn to Pronounce English Text, Complex System, 11, pp. 145-168, 1987.
TENBOHLEN, S. and FIGEL F., On-line Condition Monitoring for Power Transformers, IEEE Power Engineering Society Winter Meeting, Singapore,Jan. 2000.
TOMSOVIC, K. and AMAR, A., On Refining Equipment Condition Monitoring Using Fuzzing Sets and Artificial Neural Nets, Washington State University, [s.ed], 1994.
98
V.RENATA & O. FERNANDO, Inteligncia Artificial e Sistemas Inteligentes, Unisinos.
ZHANG Yuwen, An Artificial Neural Network Approach to Transformer Fault Diagnosis, Thesis of Virginia Tech, 1996.
YAN Z. and al., Application of Expert System in Insulation Diagnosis, Proceedings of the 3rd International Conference on Properties and Applications of Dielectric Materials, IEEE, NY, USA, 1991, pp. 63-65.
WANG Zhenyuan, Artificial Intelligence Applications in the Diagnosis of Power Transformer Incipient Faults, Dissertation submitted to the Faculty of the Virginia Polytechnic Institute and State University In partial fulfillment of the requirement for the degree of Doctor of Philosophy In Electrical Engineering, [s.ed], August 2000.
WERLE P. et al., Partial Discharge Localization on Power Transformers using Neural Networks combined with Sectional Winding Transfer Functions as Knowledge Base, 12th ISH, International Symposium on High Voltage Engineering, Bangalore, India, August 2001, Ed. IEEE 2003.
99

Diagnostico de Falhas

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Diagnostico de Falhas

Transféré par

Droits d'auteur :

Formats disponibles

Ministrio da Educao UNIVERSIDADE FEDERAL DE ITAJUB Criada pela Lei n10.

435, de 24 de abril de 2002 Pr-Diretoria de Pesquisa e Ps-Graduao

JOS GERALDO ARANTES

JOS GERALDO ARANTES

Orientador: Prof. EDSON DA COSTA BORTONI

ITAJUB Estado de Minas Gerais Brasil 2005 ii

A minha esposa e filhos

2. DIAGSTICO DE FALTAS EM LQUIDOS ISOLANTES.......15

3. REDES NEURAIS ARTIFICIAIS ............................................................... ..50

4. APLICAES DE REDES NEURAIS NO DIAGNSTICO ..... 67

1.2 Resenha Bibliogrfica

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

2.2 Cromatografia gasosa

Figura 1 - Desenho esquemtico do Sistema de Cromatografia a gs

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

HIDROGENIO (H 2) GASES CONSTITUINTES

TEMPERATURA DA FALTA (C)

Metano Etano Etileno Acetileno Hidrognio

CH4 C2H6 C2H4 C2H2 H2

Gases no oriundos de faltas

Tabela 1 Principais gases gerados durante faltas

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Tabela 2 Ocorrncia dos gases relativos ao tipo de falta e material envolvido

ARCO ELTRICO NO LEO

30 5 0.01 CO H2 CH4 5.5 C2H4 C2H2

Figura 3 Percentual dos gases gerados durante um arco eltrico no leo

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

DESCARGA PARCIAL NO LEO

2 H2 CH4 C2H6 C2H4

Figura 5 Percentual dos gases gerados na ocorrncia de sobre aquecimento no leo

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Figura 6 Percentual dos gases gerados pela degradao da celulose

Figura 7 Percentual dos gases gerados durante uma eletrlise

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

H2 C02 C0 CH4 C2H6 C2H4 C2H2

88% 1 1 6 1 0.1 0.2

H2 C02 C0 CH4 C2H6 C2H4 C2H2

16% traos traos 16 6 41 traos

Figura 8 Distribuio de faltas tpicas e percentuais relativos dos gases

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

H2 C02 C0 CH4 C2H4 C2H2

H2 C02 C0 CH4 C2H4 C2H2

Figura 9 Distribuio de faltas tpicas e percentuais relativos dos gases

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

C2H2 e CO2 C2H4

Figura 10 Solubilidade relativa como funo da temperatura

2.4. Mtodos de Deteco de Faltas

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

2.5. Mtodos de Interpretao

Figura 11 Grfico de Dornenburg

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia

0 0 1,2 CO2 / CO > 11

Tabela 5 Cdigos e diagnsticos da C.E.G.B. 35

Captulo 2 Diagnstico de Faltas em Transformadores de Potncia