Diagnóstico de falha em transformador imerso a óleo isolante usando uma rede neural artificial.

Abstract

O monitoramento e diagnóstico de falhas incipientes em transformadores de potência imersos em óleo isolante relaciona-se à avaliação das condições do sistema de isolamento. Esse sistema necessita de um programa de manutenção periódico que visa detectar possíveis falhas, tais como: deterioração da celulose do isolamento dos enrolamentos, curto circuito entre espiras e gases dissolvidos no óleo devido à sua degeneração, entre outros. Esses programas de manutenção preventiva evitam que essas falhas provoquem a retirada do equipamento em operação, o que acarretaria em grandes perdas, principalmente em casos não planejados. Uma maneira utilizada para se diagnosticar transformadores em funcionamento é o método de análise cromatográfica do líquido isolante, por exemplo o Metódo de Rogers. Utiliza-se esse tipo de análise devido ao contato direto do óleo isolante com a parte ativa do equipamento e, de acordo com a quantidade de gases imersas nesse óleo, é possível diagnosticar falhas específicas no equipamento. Existem alguns métodos que visam padronizar o diagnóstico, tais como os métodos de: Duval, Dornenburg e de Rogers. Para evitar avaliações equívocos na hora de diagnosticar e interpretar laudos cromatográficos, técnicas de inteligência artificial (IA) que fazem o uso de redes neurais artificiais podem auxiliar na definição e classificação do resultado final. Assim a rede apresenta importância para a confiabilidade do sistema elétrico de potência, pois se apresenta como uma ferramenta para auxiliar técnicas preditivas de manutenção em transformadores imersos em óleos isolantes, garantido a vida útil do dispositivo. Diante do exposto, este trabalho investigou o uso das redes neurais artificiais (RNA) no diagnóstico de falhas de transformadores imersos em óleo isolante. A RNA foi treinada e validada, a partir de dados de combinações de concentrações gasosas do óleo isolante disponíveis de uma empresa do ramo siderúrgico. Para implementação da RNA foram utilizadas duas abordagens: a primeira implementando a rede via código em ambiente Matlab e a segunda usando o Toolbox para RNAs do próprio Matlab. Ambas as redes utilizadas conseguiram um nível de acerto acima de 80 por cento e conseguiram diferenciar quanto ao tipo de falha (elétrica ou química) e se o transformador se encontra ou não em falha.