You are on page 1of 6

A Neural Network for Detection of Incipient Faults in Transformers

Based on the Dissolved Gas Analysis of Insulating Oil

Diego R. Morais, Jacqueline Gisèle Rolim


Depto. de Engenharia Elétrica, Universidade Federal de Santa Catarina
CEP 88040-900, Florianópolis, SC, BRASIL, +48 – 331-9593
E-mails: diego@labspot.ufsc.br; jackie@labspot.ufsc.br

Abstract — This paper describes the development and the riscos desta operação [1]. A ocorrência de
implementation of an artificial neural network for the sobreaquecimento no isolamento deve levar o óleo a uma
diagnosis of faults in power transformers through the temperatura que varia em função da sua severidade. Da
analysis of dissolved gases in oil. Two groups of data of mesma forma, a ocorrência de ruptura da rigidez dielétrica
generated gases were used, one for network training e
do óleo, com o surgimento de descargas, pode estar
another for testing. The neural network results are
compared with the results obtained from analysis of the
associada com as temperaturas de formação do arco em
traditional methods already consolidated in the technical função de sua intensidade. Assim, com base na
literature. temperatura de decomposição do óleo, e em função da
Index Terms — incipient faults, neural networks, formação de gases para essa temperatura, supõe-se que
standards uma falha possa estar ocorrendo no mesmo [2].
Com este propósito, diversas técnicas computacionais
I. INTRODUÇÃO [2-7] estão sendo desenvolvidas e podem consistentemente
diagnosticar condições de falhas incipientes e ainda
Diversas empresas do setor de energia elétrica têm vislumbrar novos conhecimentos aos especialistas [3].
optado pela manutenção com base nas condições de Zhang et al. [3] propuseram o uso de redes neurais
operação do equipamento, a qual prevê o monitoramento e artificiais para diagnóstico e detecção de falha em
o diagnóstico de forma contínua ou periódica de alguns transformadores de força. A saída era caracterizada como:
parâmetros para se estimar as condições atuais e sobreaquecimento, corona, arco e condições normais de
remanescentes da vida útil dos equipamentos. Este tipo de operação. Foram testadas diferentes topologias de redes,
manutenção proporciona uma integração entre as variando os parâmetros de entrada, o número de camadas
condições do material, desempenho do equipamento, taxa escondidas e o número de nós na saída. O algoritmo
de degradação e ações preventivas. utilizado para treinamento da rede foi o back-propagation.
Por muitos anos, os programas de manutenção Os vetores de entrada eram constituídos da concentração
preventiva em transformadores consistiram em inspeções, individual dos gases incluindo em algumas das variações o
testes e ações periódicas em intervalos de tempo monóxido de carbono e o dióxido de carbono. Os
normalmente sugeridos pelo fabricante ou determinados resultados foram satisfatórios, já que não distinguiam entre
através da experiência prática. Essa manutenção baseada falhas de diferentes temperaturas, ou arco de alta ou baixa
no tempo, analisando as máquinas off-line, de acordo com energia. A topologia ótima para todos os casos, foi a que
o agendamento ou horas de funcionamento, pode evitar utilizada duas camadas escondidas.
muitas falhas, mas também pode causar desligamentos Guardado et al. [7], realizaram um estudo comparativo
desnecessários, com desperdício de recursos humanos e da eficiência de redes neurais em diagnósticos de
financeiros. transformadores de potência utilizando DGA. Suas redes
Historicamente, a técnica de análise dos gases neurais foram treinadas de acordo com cinco critérios de
dissolvidos no óleo foi a única utilizada para avaliação dos diagnósticos comumente utilizados para óleo isolante:
processos de degradação e envelhecimento do isolamento Doernenburg, Rogers modificado, Rogers, IEC e CSUS.
de transformadores em sua fase inicial. Nos quatro primeiros critérios foram utilizadas relações
A detecção de certos gases gerados no óleo do gasosas como dados de entrada e no último, concentrações
transformador em serviço é freqüentemente a primeira individuais de gases. Em todos estes foi utilizado um
indicação de seu mau funcionamento. Descargas de baixa algoritmo de aprendizado do tipo back-propagation, uma
energia, de alta energia e sobreaquecimento são alguns dos função ativação do tipo sigmóide, uma arquitetura
mecanismos de falha que podem ser identificados através composta de três camadas e número de neurônios da
desta análise. A ocorrência destes eventos pode resultar na camada escondida variando para cada critério utilizado. O
decomposição dos materiais isolantes e conseqüente modelo proposto apresenta resultados satisfatórios
formação de vários gases combustíveis e não combustíveis. mantendo uma taxa de acerto de diagnóstico acima de 87%
A operação de transformadores com grande quantidade de em todos os casos. Vale salientar que os dados utilizados
gases combustíveis, não é uma condição normal, mas pode para os testes, foram os mesmos utilizados durante o
acontecer, desde que investigado e avaliados os possíveis treinamento.
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil

Zirbes [4] também abordou diferentes tipos de redes A. Método Clássico de Rogers
neurais no processo de diagnóstico de falhas incipientes
em transformadores. Utilizando-se dos dados de geração Utiliza a filosofia de diagnóstico baseado em relações de
dos gases e forma individual ou na forma de relações, concentrações de gases e limites de variação para estas
comprovou que as técnicas não convencionais podem relações. Utiliza quatro relações entre cinco gases, no
apresentar resultados de diagnósticos bem mais estabelecimento das condições do equipamento. A forma
significativos que as metodologias tradicionais. Entretanto de apresentação do método é dividida em duas tabelas. Na
têm uma dependência muito grande da qualidade e Tabela I, em função das faixas de valores obtidos para as
representatividade dos dados utilizados. De uma maneira relações gasosas, estabelece-se um código. E na Tabela II,
geral, mostrou que as redes neurais possuem condições de através da combinação destes códigos, é que se determina
serem utilizados em aplicações on-line, onde os dados o diagnóstico final da amostra [1].
medidos podem ser diretamente processados, uma vez que
seus tempos de processamento não são longos. Sob a ótica
de facilidade, tempo envolvido na manutenção dos TABELA I
DEFINIÇÃO DOS CÓDIGOS DO MÉTODO DE ROGERS
algoritmos, atualização de novos dados e resultados, a rede
do tipo General Regression Neural Network - GRNN -
apresentou as melhores condições.
Desta forma, este artigo apresenta o uso de uma rede
neural artificial (RNA) para o diagnóstico de falhas
incipientes em transformadores, e compara os resultados
desta técnica com diferentes critérios de diagnósticos já
consolidados em concessionárias do setor elétrico. Para
esta comparação, são utilizados dois critérios referenciados
em norma internacional: Rogers e Doernenburg [1], uma
norma nacional: NBR 7274 [8] e a RNA, do tipo GRNN.
Ainda com relação ao estudo desta técnica de
classificação de falhas, foram utilizados dois conjuntos de
dados de análises de gases dissolvidos no óleo: IEC [9] e
CEPEL [2]. O primeiro conjunto é constituído de 52
amostras, distribuídas em 16 amostras com diagnóstico de
normalidade, 22 amostras com diagnóstico de falha
elétrica e 14 amostras com diagnóstico de falha térmica. O TABELA II
segundo conjunto é constituído de 224 amostras de óleo DIAGNÓSTICO DO MÉTODO DE ROGERS EM FUNÇÃO DO
CÓDIGO
com seus respectivos dados cromatográficos, distribuídos
em 83 amostras com diagnóstico de normalidade, 61
!"#$%&'(
amostras com diagnóstico de falha elétrica e 80 amostras
com diagnóstico de falha térmica. Ambos os conjuntos )&)*(*!+,(-(*.!/
possuem diagnósticos confirmados por medições )%'!*"!% 0!*'!%
específicas e inspeções visuais feitas por especialistas.
(1*)!23)'.)#&
(4!1!5(6) 7

II. CRITÉRIOS DE DIAGNÓSTICO (1*)!23)'.)#&


(6) 7 4 7
(1*)!23)'.)#&
(6) 7 4 7
Nos itens a seguir são abordados os aspectos relevantes
(1*)!23)'.)#&
(6)'(#63&(*)%
considerados no desenvolvimento da rede neural artificial
e dos métodos tradicionais de análise de gases, utilizados (**)#&)% 6)'*'3/
!+,(#(% )#*(/
!.)#&
(%
pelas concessionárias do setor elétrico. Serão comparados (**)#&)% 6)'*'3/
!+,(#(#8'/)()&
!#23)
os resultados obtidos para cada método e para a rede. %(1*)!23)'.)#& ().'(#)59)%
A entrada considerada no desenvolvimento e aplicação
)%'!*"!'(#&
:#3!
das técnicas é formada pela concentração individual (em
ppm) de cinco gases formados no óleo. São considerados *'('(.!/
&!)#)*"!
os seguintes gases: hidrogênio (H2), metano (CH4), )%'!*"!'(#&
:#3!6)1!5!;(&<#'!
acetileno (C2H2), etileno (C2H4) e etano (C2H6). Na saída
)%'!*"!;!*'!/)#=(/
=)#6((;!;)/
as técnicas apresentam uma classificação para o
isolamento entre: “Normal”, “Falha Elétrica”, “Falha
Térmica” e “Sem Diagnóstico”.
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil

TABELA III TABELA VI


AGRUPAMENTO DE DIAGNÓSTICOS PARA O MÉTODO DE AGRUPAMENTO DE DIAGNÓSTICOS PARA O MÉTODO DE
ROGERS DOERNENBURG
> - - ? > - - ?

- @ )&)*(*!+,(#(*.!/ - @ I3!#6((% =!/ (*)% (1&6(% ;!*!!% '(#')#&


*!+9)% E(*). !1!5(6(%
=!/
(*)% 3&/J!6(% ;!*!=!/6!+,(
A? )%'!*"!% ;!*'!% )%'!*"! '(#&:
#3! *'( '(. !/ &! )#)*"!
A? )%'!*"!;!*'!/ 3&*(% &;(% 6)6)%'!*"!
)%'!*"!'(#&:#3!6)1!5!;(&<#'! )%'!*"!;!*'!/)#=(/
=)#6((
;!;)/ ?A @ 0(#&(23)#&)
?A @ (1*)!23)'.)#&( 4 !1!5( 6) 7 (1*)!23)'.)#&( 4 6)
7 B 7 (1*)!23)'.)#&(4 7 B 7 (1*)!23)'.)#&(
6)'(#63& (*)% (**)#&)% 6)'*'3/
!+,(#(% )#*(/
!.)#&(% (**)#&)% Da mesma forma que o método de Rogers, e mesmo
6)'*'3/!+,(#(#8'/ )()&!#23)%(1*)!23)'.)#& ().'(#)59)% possuindo menor quantidade de diagnósticos considerados,
alguns destes foram agregados para que fossem
A Tabela III apresenta os diagnósticos correlacionados contempladas as saídas consideradas pela ferramenta,
que foram agregados para efeito de saída na aplicação como mostrado na Tabela VI [10].
deste método [10]:
C. NBR7274
B. Método de Doernenburg
O método previsto na NBR7274 (1982) [8], apresentada
O método de Doernenburg, referenciado em [1] e na Tabela VII, sugere a utilização de um método
apresentado na Tabela IV, não estabelecia critérios para a semelhante ao método de Rogers, variando alguns limites
identificação de condições normais do isolamento, mas constantes das relações e também algumas alterações na
estabelece as condições de validade para aplicação do interpretação dos valores para o referido diagnóstico. Está
método de diagnóstico em função das concentrações baseada em cinco gases e três relações entre eles
individuais dos gases componentes das relações. Trabalha (C2H2/C2H4, CH4/H2 e C2H4/C2H6) no estabelecimento das
com duas relações de gases principais (CH4/H2 e condições.
C2H2/C2H4) e duas relações auxiliares (C2H6/C2H2 e Também para efeitos de comparação posterior,
C2H2/CH4), contemplando cinco gases. Posteriormente, diagnósticos de mesma origem foram agrupados,
segundo sugestão da IEEE, o método através da sua não resultando em três saídas possíveis, conforme mostrado na
validade, passou a identificar a condição de normalidade. Tabela VIII [10].
Já a Tabela V apresenta os dados de formação de gases
TABELA VII
individuais para a validação de aplicação do referido
CRITÉRIO DE IDENTIFICAÇÃO DE FALHA DA NBR 7274
método. Segundo a norma [1], o método é válido quando
no mínimo um dos gases que compõem as relações !"#$%&'(
principais apresenta uma concentração superior ao dobro ! #=)/ K)'.)#&( -(*.!/
do valor da Tabela V, e para as relações auxiliares, pelo )%'!*"!;!*'!/1!5!)#)*"!
menos um dos gases, em cada relação, tenha uma ! )%'!*"!;!*'!/!/
&!)#)*"!
concentração superior ao constante na mesma tabela. ! *'( 4 6)%'!*"!1!5!)#)*"!
! ! *'( 4 6)%'!*"!!/
&!)#)*"!
TABELA IV ! ! (1*)!23)'.)#&( & 7
CRITÉRIO DE IDENTIFICAÇÃO DE FALHA DE (1*)!23)'.)#&( 7 & 7
DOERNENBURG ! (1*)!23)'.)#&( 7 & D 7
C -? - -? C (1*)!23)'.)#&( & D 7
)/
!+9)% ;*#';!% )/
!+9)% !35/!*)%
?0

TABELA VIII
0(#&
(23)#&
) D
AGRUPAMENTO DE DIAGNÓSTICOS PARA A NBR 7274
)%'!*"!;!*'!/ -,(% "#E
3&*(% &;(% 6)6)%'!*"! ) D > - - ?

- @ #=)/
K)'.)#&(#(*.!/
TABELA V
A? )%'!*"!;!*'!/1!5!)#)*"! )%'!*"!;!*'!/!/
&!)#)*"! *'(4
CONCENTRAÇÃO DE GASES PARA VALIDAÇÃO DO MÉTODO 6)%'!*"!1!5!)#)*"! *'(4 6)%'!*"!!/
&!)#)*"!
? ;(% 6)"F%
?A @ (1*)!23)'.)#&( 7 & 7 (1*)!23)'.)#&( 7 &
(#')#&*!+,(;;.G= =H D 7 (1*)!23)'.)#&(& D 7
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil

D. Rede Neural

A rede neural aplicada neste artigo, foi do tipo GRNN


(General Regression Neural Network) e constitui-se em
uma variação da rede de base radial (RBF), sendo utilizada
principalmente para aproximar funções ou relações. Por
esta característica também pode ser utilizada como um
classificador por semelhança. Sua arquitetura pode ser Figura 2 – Operação Interna da Unidade Padrão.
visualizada na Figura 1.
Para o melhor entendimento de seu funcionamento, na Caso o parâmetro spread seja muito grande,e várias
Figura 1, as conexões entre as camadas padrão e soma que unidades poderão ser excitadas quando uma entrada for
apresentam pesos iguais a zero foram omitidas. Um peso apresentada à rede. Neste caso a rede apresenta uma
de valor zero é utilizado quando não há conexão entre capacidade de generalização demasiada. De outra forma,
estas unidades, enquanto que um peso de valor diferente de se o valor for muito pequeno implica em uma excitação
zero representa um elo de ligação entre as mesmas. única e exclusiva da unidade que possuir o exemplar mais
O número de unidades de entrada neste caso é nove, ou próximo ao vetor apresentado à rede, sendo esta incapaz
seja, o número de relações entre gases consideradas: de generalizar.
C2H2/CH4, C2H6/C2H2, C2H4/CH4, C2H2/H2, C2H4/H2, Resumidamente, um conjunto de dados com diagnóstico
CH4/H2, C2H2/C2H4, C2H4/C2H6 e C2H6/CH4. verificado é utilizado para treinamento da rede, outro
Já o número de neurônios na camada padrão é igual ao conjunto é utilizado para a regulagem do espalhamento e
número de exemplos utilizados no treinamento. por fim são testados os dados em questão. Em nosso caso,
Após apresentar à rede os casos-exemplos, cada foi utilizado os dados o CEPEL para os dois primeiros fins
neurônio calcula a distância entre o vetor de entrada e o e foram testados os dados da IEC.
exemplo a ele associado. A distância utilizada é a distância A rede neural foi implementada junto empregando o
Euclidiana. A distância obtida é multiplicada por um valor toolbox de redes neurais do Matlab, que automaticamente
de “bias” e aplicada à função radial. Assim, quando a realiza o seu treinamento e seu processamento interno,
distância entre o vetor de pesos e o vetor de entrada for fornecendo como resposta final um vetor normalizado,
próximo a zero o valor de saída do neurônio será próximo representado pelo número de saídas consideradas. Quanto
a unidade. O valor do “bias” aplicado tem a finalidade de mais alto o valor representado neste vetor, mais próximo
ampliar ou reduzir a área da função radial. Assim para estará a amostra da saída correspondente. As regras
cada neurônio é associado um vetor peso, que pode ser utilizadas para a interpretação destes valores foram as
visto como o centro de uma superfície Gaussiana no seguintes: se um dos valores deste vetor é >0.7, ou se um
espaço multidimensional sendo ajustado seu raio pelo deles (maior) apresenta diferença > 0.3, em relação aos
valor do “bias” [2]. O processamento interno da rede outros, é considerada esta amostra pertencente a esta
neural pode ser visualizado através da Figura 2. saída/diagnóstico. Esse procedimento pode ser melhor
O ajuste do parâmetro espalhamento é realizado de entendido através da Figura 3. Vale salientar ainda, que as
maneira heurística, sendo este geralmente um valor entre a amostras que não satisfizeram estas condições, foram
mínima e máxima distância entre os vetores que consideradas com saídas do tipo “Sem Diagnóstico”.
correspondem aos padrões armazenados.

Unidades
Unidades Padrões
de Entrada

X1 b Unidades Unidades
Somadoras de Saída

X2
Y1
b

Xj Yn
b

Xp

Figura 1 – Arquitetura da rede neural do tipo GRNN. Figura 3 – Estrutura de operação da Rede Neural
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil

TABELA X
III. RESULTADOS OBTIDOS TIPOS DE DIAGNÓSTICOS ERRÔNEOS

Para avaliação das técnicas de classificação de falhas


utilizadas neste trabalho, foram empregados dois conjuntos !"#$%&'( #'(**)&(6)'(#6+,(#(*.!/;!*!3.!'(#6+,(6)E!/
K!
de dados de análises de gases dissolvidos no óleo já !"#$%&'( #'(**)&(6)'(#6+,(6)E!/
K!;!*!3.!'(#6+,(6)#(*.!/6!6)
descritos anteriormente, totalizando 276 amostras, com !"#$%&'( #'(**)&( )5%&) ! E!/
K! .!% ;)*&)#') P (3&*! (*").
diagnósticos associados. Estas amostras não se G&L*. '! )/
L&*'!H
apresentavam divididas por famílias de transformadores, ). 6!"#$%&'()!;*)%)#&!3.!'(#6+,(6)#(*.!/6!6)
fazendo com que os dados fossem utilizados em função ). 6!"#$%&'()!;*)%)#&!3.!'(#6+,(6)E!/
K!
somente das falhas diagnosticadas.
O banco de dados do CEPEL foi utilizado para o TABELA XI
treinamento da rede GRNN e a validação desta se deu com DISTRIBUIÇÃO PERCENTUAL DE DIAGNÓSTICOS ERRÔNEOS
POR MÉTODO
os dados da IEC. Para possibilitar a avaliação dos
@L&(6(
resultados obtidos com o uso da rede neural, os critérios de
Rogers, Doernenburg e NBR7274 foram aplicados a este (")*% O D BBB D
mesmo conjunto de dados (52 amostras). ()*#)#13*" M M BBB DO DO
Os níveis percentuais de acertos dos três critérios e da
rede neural em função das saídas consideradas podem ser -N D D BBB M BBB O D D
visualizados na Tabela IX. --
Os valores apresentados mostram que a rede neural teve
desempenho superior aos demais métodos na tarefa de
identificação de condição normal para o estado do Após a qualificação dos tipos de erros, foi feita essa
isolamento e identificação de falhas incipientes de origem análise para a rede neural implementada e para os demais
elétrica em transformadores. critérios, com relação aos dados IEC. Esta análise está
No entanto, verifica-se que a rede neural teve resumida na Tabela XI.
comportamento abaixo do esperado na tarefa de O erro do tipo E3 é o menos crítico para a operação do
identificação de falhas de origem térmica. Isso se deve equipamento e dos sistemas.
possivelmente à diferença de padrões entre o conjunto Embora o erro tipo E2 evite danos ao equipamento,
utilizado em seu treinamento (CEPEL) e conjunto de teste pode representar prejuízos financeiros, à medida que pode
(IEC), para falhas deste tipo. O desempenho da GRNN na levar a empresa a tirar um equipamento de serviço
tarefa de identificação de falhas térmicas poderia então ser desnecessariamente.
melhorado com a apresentação de novos exemplos de Nota-se que os principais erros verificados no caso da
padrões de gases associados a falhas térmicas para rede GRNN são os do tipo E1, E4 e E5, sendo que o
utilização no seu treinamento. primeiro é o erro mais crítico, onde o equipamento pode
Para esta análise, foram qualificados os tipos de erros permanecer em operação, mesmo operando com falha
encontrados, como mostra a Tabela X. incipiente. O caso E5 ao menos sugere uma nova
avaliação, já que não foi possível fornecer um diagnóstico
para o padrão apresentado.
TABELA IX Vale destacar aqui o melhor desempenho do critério de
RESULTADOS OBTIDOS Doernenburg para condições de normalidade em relação
ao critério de Rogers e a NBR7274, que não identificaram
nenhum dos dezesseis casos de condição normal do
isolamento. O critério de Doernenburg, como já foi
@L&(6(% -(*.!/ /
L&*'! ?L*. '! ? ? mencionado anteriormente, identifica condições de
G '!%(%H G '!%(%H G '!%(%H G '!%(%H normalidade através da não-validade do método. Ou seja,
quando determinados limites de geração de gases, não
(")*% BBB M M M forem alcançados, o método vai indicar a condição de
()*#)#13*" D DD D normalidade para o estado do equipamento. Como os
dados de geração de gases por vezes não ultrapassam estes
-N D D BBB M DM D DO limites, ele apresentou melhores resultados do que os
demais critérios referenciados em normas. Entretanto, este
-- MD O método apresenta maior percentual de erro tipo E1, ou
seja, identificação da condição de normalidade quando o
equipamento possui falha.
A Neural Network for Detection of Incipient Faults in Transformers
Based on the Dissolved Gas Analysis of Insulating Oil

IV. CONCLUSÕES Mineral”. Dissertação de Mestrado, Fev. 2003,


Universidade Federal de Santa Catarina.
Conforme apresentado na seção anterior, as redes [3] Y. Zhang, X. Ding, Y. Liu, P.J. Griffin. “An Artificial
neurais mostram-se totalmente aplicáveis na solução do Neural Network Approach to Transformer Fault
problema proposto, principalmente pela sua facilidade de Diagnosis”, IEEE Trans. on Power Delivery, vol. 11, nº 4,
aprendizado. Baseando-se somente nos exemplos Oct. 1996, pp. 1836-1841.
históricos que lhe são fornecidos, não necessitando do [4] K. Tomsovic, M. Tapper, T. Ingvarsson, ”A Fuzzy
conhecimento dos especialistas, a rede neural é capaz de Information Approach to Integrating Different
adquirir o conhecimento, não sendo necessário informar Transformer Diagnostic Methods”, IEEE Trans. on Power
porque tal situação resultou em tal conseqüência ou Delivery, vol. 8, nº 3, Jul. 1993, pp. 1638-1646.
decisão no passado. Também se caracteriza pela rápida [5] Z. Wang, Y. Liu, P.J. Griffin, “A Combined ANN and
implementação facilitando a sua utilização em problemas Expert System Tool for Transformer Fault Diagnosis”,
deste tipo. IEEE Trans. on Power Delivery, vol. 13, nº 4, Oct. 1998,
Particularmente, as redes do tipo GRNN possuem pp. 1224-1229.
também a facilidade de atualização da base de casos. Em [6] W. Xu, D. Wang, Z. Zhou, H. Chen, “Fault Diagnosis of
nosso caso específico, a obtenção de novos conjuntos de Power Transformers: Application of Fuzzy Set Theory,
dados com diagnóstico confirmado de falha térmica, Expert Systems and Artificial Neural Networks”, IEE
certamente elevaria o nível de acerto da rede e confirmaria Proc.-Sci. Measurement Technology, vol. 144, nº1, Jan.
ainda mais a sua aplicação ao problema de avaliação do 1997, pp. 39-44.
estado de transformadores a partir da análise dos gases [7] J.L. Guardado, J.L. Naredo, P. Moreno, C.R. Fuerte, “A
dissolvidos no óleo. Comparative Study of Neural Network Efficiency in Power
Um aspecto pertinente a se colocar é a dificuldade da Transformers Diagnosis Using Dissolved Gas Analysis”,
obtenção de dados cromatográficos organizados e com IEEE Trans. on Power Delivery, vol. 16, nº 4, Oct. 2001,
diagnósticos confirmados por medições específicas. Se pp. 643-647.
houvesse a possibilidade de agrupamento destes dados por [8] NBR 7274 – Interpretação da Análise dos Gases de
famílias de transformadores ou faixas de potências Transformadores em Serviço – Procedimento. Abril /
semelhantes, a rede neural teria uma tendência natural de 1982.
melhoria no seu desempenho. Com a disponibilidade de [9] M. Duval, A. De Pablo, “Interpretation of Gas-In-Oil
um banco de dados adequado para treinamento, também é Analysis Using New IEC Publication 60599 and IEC TC
possível aumentar o número de saídas da rede neural, por 10 Databases”, IEEE Electrical Insulation Magazine, vol.
exemplo, dividindo os casos de falha elétrica em alta 17, nº2, Mar./Apr. 2001, pp. 31-41.
energia e baixa energia. [10] D.R. Morais, “Ferramenta Inteligente para Detecção de
Por fim, vale ressaltar ainda que a incerteza contida nos Falhas Incipientes em Transformadores Baseada na
processos de obtenção de dados de geração de gases, Análise de Gases Dissolvidos no Óleo Isolante”.
aliados às diferenças entre os transformadores, como: Dissertação de Mestrado, Fev. 2004, Universidade Federal
classes de tensão, volume de óleo, aspectos construtivos, de Santa Catarina.
fatores ambientais envolvidos, dentre outros,
impossibilitariam o desenvolvimento de uma ferramenta
que chegasse a 100% de identificação de casos de forma
acertada. Contudo, a combinação de métodos tradicionais
com o uso de técnicas de inteligência artificial aplicadas de
forma conjunta no diagnóstico dos equipamentos, tende a
aumentar a confiabilidade dos sistemas gerenciais de
manutenção nas concessionárias do setor elétrico.

V. REFERÊNCIAS
[l] IEEE Std C57.104-1991. IEEE Guide for the
Interpretation of Gases Generated in Oil-Immersed
Transformers.
[2] R. Zirbes, “Metodologias para Avaliação e Diagnóstico
do Estado de Isolamentos de Papel Impregnado com Óleo