Embed Size (px)
Citation preview
UNIVERSIDADE FEDERAL DE SERGIPE
PROEE – PROGRAMA DE PÓS-GRADUAÇÃO EM
ENGENHARIA ELÉTRICA DEPARTAMENTO DE ENGENHARIA ELÉTRICA - CCET
DIAGNÓSTICO DE FALHAS EM TRANSFORMADORES DE
POTÊNCIA UTILIZANDO SENSORES DE GAS
SEMICONDUTORES
LUCAS TENÓRIO DE SOUZA SILVA
São Cristovão
2012
i
UNIVERSIDADE FEDERAL DE SERGIPE
PROEE – PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA
ELÉTRICA
DEPARTAMENTO DE ENGENHARIA ELÉTRICA - CCET
DIAGNÓSTICO DE FALHAS EM TRANSFORMADORES DE
POTÊNCIA UTILIZANDO SENSORES DE GAS
SEMICONDUTORES
LUCAS TENÓRIO DE SOUZA SILVA
Dissertação apresentada ao Programa de Pós-
Graduação em Engenharia Elétrica da Universidade
Federal de Sergipe como requisito para a obtenção
do grau de Mestre em Engenharia Elétrica
Orientador: Prof. Dr. Carlos Alberto Villacorta Cardoso
São Cristovão
2012
ii
LUCAS TENÓRIO DE SOUZA SILVA
DIAGNÓSTICO DE FALHAS EM TRANSFORMADORES DE
POTÊNCIA UTILIZANDO SENSORES DE GAS
SEMICONDUTORES
Dissertação apresentada ao Programa de Pós-
Graduação em Engenharia Elétrica da Universidade
Federal de Sergipe como requisito para a obtenção
do grau de Mestre em Engenharia Elétrica
Orientador: Prof. Dr. Carlos Alberto Villacorta Cardoso
Aprovado em: _____/_____/_____
BANCA EXAMINADORA
_________________________________________
Prof. Dr. Carlos Alberto Villacorta Cardoso - UFS
(Orientador)
__________________________________________
Prof. Dr. Fernando Augusto Moreira - UFBA
___________________________________________
Prof. Dr. Jugurta Rosa Montalvão Filho- UFS
iii
AGRADECIMENTOS
Agradeço a Deus, a minha família e aos meus amigos por terem me ajudado a
ultrapassar por mais um obstáculo em minha formação intelectual e por terem compreendido
minha dedicação aos estudos no presente momento.
Agradeço à CAPES (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior)
pelo auxílio financeiro, à Energisa pela realização da análise cromatográfica e à Analítica
Ltda pela conversão dos dados da cromatografia, ajudando assim a validar as amostras criadas
em laboratório.
Agradeço ao Professor Dr. Farshad Yazdani por despertar algumas idéias para fazer o
circuito de energização utilizado para criar as falhas. Sou grato também ao apoio dos técnicos
do departamento e estudantes de graduação de Engenharia Elétrica, por me ajudar nos
momentos em que solicitei.
Agradeço de forma especial ao meu orientador, Professor Dr. Carlos Alberto
Villacorta, por ter me proposto o presente tema, por ter me ajudado de diversas maneiras para
o desenvolvimento e entendimento desta pesquisa, e, principalmente, por me motivar nos
momentos em que tive dúvidas relacionadas à pesquisa.
Agradeço, principalmente, a Rosimere Gomes de Sá, minha namorada, por tudo que
passamos juntos durante o mestrado. Nos momentos mais difíceis, de desânimo, desistência e
angustia, ela sempre esteve ao meu lado, me motivando e levantando minha cabeça e meu
espírito. Por estes e vários outros motivos, que dedico esta pesquisa a esta mulher, como
forma de profunda gratidão e reconhecimento dos seus atos.
iv
RESUMO
Esta dissertação introduz o estudo do uso de uma matriz de sensores de gases de dióxido de
estanho na detecção de falhas em transformadores de potência, através dos gases dissolvidos
no óleo. O objetivo desta pesquisa é analisar os dados obtidos pelos sensores de gás,
utilizando algumas técnicas de reconhecimento de padrão, e desta forma, verificar se o uso da
matriz de sensores possibilita a identificação das falhas. Com o intuito de facilitar o
entendimento da pesquisa, o presente documento foi organizado abordando os seguintes
tópicos: transformadores de potência; óleo mineral isolante; análise e interpretação dos gases
dissolvidos em óleo; sensores de dióxido de estanho e instrumento de aquisição de dados;
técnicas de reconhecimento de padrões; e metodologia de geração de falhas. Ao final desta
dissertação, os dados da matriz de sensores são analisados, a fim de atingir o objetivo de
verificar sua aplicação na identificação das falhas.
Palavras-chaves: Transformador de Potência; Óleo Mineral Isolante; Análise de Gases
Dissolvidos; Sensores de Gás; Extração de Características.
v
ABSTRACT
This dissertation introduces the study of the use of tin dioxide gas sensor array applied to fault
detection in power transformers, through dissolved gas-in-oil. The aim of this research is to
analyze the data obtained from gas sensors array, using pattern recognition techniques, and
thus to determine if the use of gas sensor array allows the identification of faults. In order to
facilitate the understanding of this research, the document was organized covering the
following topics: power transformers, mineral insulating oil, analysis and interpretation of
dissolved gás-in-oil, tin dioxide sensors and data acquisition instrument, techniques of pattern
recognition and methodology for generating faults. In the end of this dissertation, the data
from the sensor array are analyzed, in order to achieve the objective of verifying its
application in the identification of faults.
Key words: Power Transformer; Mineral Insulating Oil; Dissolved Gas Analysis; Gas
Sensors; Feature Extraction.
vi
SUMÁRIO
1 Introdução .............................................................................................................. 1
1.1 Objetivo ....................................................................................................................... 2
1.2 Organização ................................................................................................................. 3
2 Transformador de Potência .................................................................................. 5
2.1 Importância da Manutenção em Transformadores ...................................................... 8
3 Óleo Mineral Isolante ............................................................................................ 9
4 Análise de Gases Dissolvidos no Óleo Isolante .................................................. 11
4.1 Etapas físicas da Analise dos Gases Dissolvidos ....................................................... 11
4.2 Interpretação dos Dados Cromatográficos ................................................................. 13
4.3 Interpretação da Norma IEEE .................................................................................... 13
4.3.1 Método do Gás Chave ........................................................................................ 15
4.3.2 Método das Razões ............................................................................................. 16
4.4 Método da NBR7274 ................................................................................................. 18
4.5 Novas Tecnologias para auxiliar a análise AGD ....................................................... 20
5 Sensores de Dióxido de Estanho (SnO2) ............................................................ 22
5.1 Sistema de aquisição e Coleta dos dados ................................................................... 25
6 Processamento dos Dados ................................................................................... 27
6.1 Reconhecimento de Padrões ...................................................................................... 28
6.1.1 Análise das Componentes Principais .................................................................. 29
6.1.2 Regra do Vizinho Mais Próximo utilizando a métrica de Mahalanobis ............. 30
6.1.3 Redes Neurais Tipo Perceptron Multi-Camadas ................................................ 31
7 Metodologia de Criação das Falhas ................................................................... 35
7.1 Descargas parciais ...................................................................................................... 35
7.2 Arco Elétrico .............................................................................................................. 37
7.3 Celulose Superaquecida ............................................................................................. 37
7.4 Óleo Superaquecido ................................................................................................... 38
7.5 Procedimentos para Geração das Falhas .................................................................... 39
7.5.1 Procedimentos de Descargas Parciais................................................................. 40
7.5.2 Procedimentos de Arco Elétrico ......................................................................... 40
7.5.3 Procedimentos de Sobreaquecimento da Celulose ............................................. 41
vii
7.5.4 Procedimentos de Sobreaquecimento do Óleo ................................................... 41
8 Resultado e Discussão .......................................................................................... 42
8.1 Interpretação dos Dados Cromatográficos ................................................................. 42
8.1.1 Conclusão sobre a Cromatografia e os Métodos de Interpretação ..................... 43
8.2 Análise dos Dados Coletados pela Matriz de Sensores ............................................. 44
8.2.1 Exploração dos Dados (PCA) e Modelos de Extração da Característica ........... 46
8.2.2 Análise por Regra do Vizinho Mais Próximo (1-NN) ........................................ 49
8.2.3 Análise Utilizando Redes Neurais (MLP) .......................................................... 52
9 Conclusão ............................................................................................................. 58
REFERÊNCIAS BIBLIOGRÁFICAS ....................................................................... 61
APÊNDICES ................................................................................................................. 65
APÊNDICE A- Diagrama de Bloco da Análise Cromatográfica utilizada pela norma IEEE
(2008) ................................................................................................................................... 65
APÊNDICE B- Procedimento de coleta de dados ................................................................ 66
APÊNDICE C- Configurações e parâmetros das redes neurais MLP .................................. 68
APÊNDICE D- Análise Cromatográfica .............................................................................. 69
APÊNDICE E- Respostas da Matriz de Sensores ................................................................ 76
APÊNDICE F - Materiais utilizados para gerar amostras .................................................... 83
APÊNDICE G – Ilustrações dos Procedimentos Experimentais .......................................... 84
viii
LISTA DE FIGURAS
Figura 1- Transformadores (4x100MVA; 69KV) da Subestação Jardim – Sergipe. ................. 5
Figura 2 - Rede de Operação Sistêmica do Estado de Sergipe. .................................................. 5
Figura 3 - Esquema básico do sistema elétrico........................................................................... 6
Figura 4 - Características construtivas de um transformador de potência: 1-Núcleo; 2-
Enrolamentos; 3-Tanque principal; 4-Tanque de expansão; 5-Buchas; 6-Comutador sob
Carga; 7-Acionamento do Comutador; 8-Radiadores; 9-Painel de Controle; 10-Secador de ar;
11-Termômetros ......................................................................................................................... 7
Figura 5 - Medição de gás dissolvido em óleo - Método Convencional .................................. 11
Figura 6 - Sistema de extração de gases ................................................................................... 12
Figura 7 - Componentes básicos de um cromatógrafo ............................................................. 12
Figura 8- Concentração típica dos gases resultantes de falhas de Sobreaquecimento do óleo
isolante ...................................................................................................................................... 16
Figura 9 - Concentração típica dos gases resultantes de falha de Sobreaquecimento da celulose
.................................................................................................................................................. 16
Figura 10 - Concentração típica dos gases resultantes de descargas parciais. ......................... 16
Figura 11 - Concentração típica dos gases resultantes de arco elétrico.................................... 16
Figura 12 - Sistema de medição, on-line, da concentração de gás dissolvido em óleo. ........... 21
Figura 13 - Sistema Hydran 201R composto pelo transmissor inteligente e o controlador de
comunicação ............................................................................................................................. 21
Figura 14 - Vista interna do transmissor inteligente................................................................. 21
Figura 15 - Circuito de polarização elétrica dos sensores TGS 26xx ..................................... 25
Figura 16 - Circuito de polarização elétrica do sensor TGS 813.............................................. 25
Figura 17 - Interferência misturador magnético na resposta dos sensores (amostras x sinal
normalizado) ............................................................................................................................. 27
Figura 18 - Modelo do neurônio artificial ................................................................................ 33
Figura 19 – Exemplo de arquitetura da rede neural utilizada nas Análises 1 e 2. .................... 33
Figura 20 - Representação de átomo neutro (à esqueda) e quando este é submentido a um
campo (à direita) ....................................................................................................................... 35
Figura 21 - Processo de surgimento de uma avalanche de elétrons. ........................................ 36
ix
Figura 22 - Decomposição Térmica da Celulose ..................................................................... 37
Figura 23 – Decomposição Térmica da Celulose ..................................................................... 38
Figura 24 - a) Desenhos técnicos dos recipientes e suas tampas, respectivamente:
aquecimento, arco, padrão.; b) Foto dos recipientes utilizados para aquecer óleo, celulose,
descargas parciais, arco e amostra padrão. ............................................................................... 39
Figura 25 – Monitoramento da tensão entre os eletrodos durante o procedimento de criação da
falha de descargas parciais. ...................................................................................................... 40
Figura 26 - Recipientes utilizados para superaquecimento do óleo e da celulose (a direita).
Monitoração da temperatura do óleo superaquecido (a esquerda). .......................................... 41
Figura 27 - Modelo VD com Vista XY .................................................................................... 46
Figura 28 - Modelo VD com Vista Especial ............................................................................ 46
Figura 29 - Modelo VLog com Vista XY ................................................................................ 47
Figura 30 - Modelo VLog com Vista Especial ......................................................................... 47
Figura 31 - Modelo VDF com Vista XY .................................................................................. 47
Figura 32 - Modelo VDF com Vista Especial .......................................................................... 47
Figura 33 - Modelo VR com Vista XY .................................................................................... 47
Figura 34 - Modelo VR com Vista Especial ............................................................................ 47
Figura 35 – Progressão das amostragens 44, 51, 61 e 71 com o modelo VD (Vista XY)........ 48
Figura 36 - Progressão das amostragens 44, 51, 61 e 71 com o modelo VD (Vista Especial) 48
Figura 37 - Diagrama de Bloco da Análise Cromatográfica utilizada pela norma IEEE
C57.104 .................................................................................................................................... 65
Figura 38 - Diagrama de Blocos do Procedimento de Coleta .................................................. 67
Figura 39 - Recipiente de Descargas Parciais .......................................................................... 84
Figura 40 - Recipiente de Arco Elétrico ................................................................................... 84
Figura 41 - Recipiente de Sobreaquecimento de Celulose ....................................................... 84
Figura 42 - Recipiente de Sobreaquecimento de Óleo ............................................................. 84
Figura 43 - Sistema de Geração de Descargas Parciais e Arco Elétrico. ................................. 84
Figura 44 - Seringas para extração do óleo .............................................................................. 85
Figura 45 - Amostras extraídas dos recipientes de falha .......................................................... 85
x
Figura 46 - Sistema de extração de gases ................................................................................. 85
Figura 47 - Retirada da amostra dos gases ............................................................................... 85
Figura 48 - Injeção da mistura de Gases Combustíveis no Cromatógrafo ............................... 85
Figura 49 - Instrumento de aquisição de dados ........................................................................ 86
Figura 50 - Matriz de sensores do Instrumento ........................................................................ 86
Figura 51 - Sistema de aquisição de dados ............................................................................... 86
Figura 52 - Câmara adaptada para as análises .......................................................................... 86
Figura 53 - Sistema de aquisição de dados preparado para iniciar a amostragem ................... 86
xi
LISTA DE ABREVIATURAS
ABNT Associação Brasileira de Normas Técnicas
AE Arco Elétrico
AGD Análise dos Gases Dissolvidos
AI Amostra Inicial
ANEEL Agência Nacional de Energia Elétrica
ANP Agência Nacional do Petróleo, Gás Natural e Biocombustíveis
AP Amostra Padrão
CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
CIGRÉ Conseil International des Grands Réseaux Électriques
CTeste Conjunto de teste
CTreino Conjunto de Treinamento
DGA Dissolver Gases Analysis
DP Descargas Parciais
GCDT Gases Combustíveis Dissolvidos Totais
IEC International Electrotechnical Commission
IEEE Institute of Electrical and Electronics Engineers
L1 Limite de Doernenburg
LLxx <LL> indica o tipo da amostra criada de óleo; <xx> números indicando
respectivamente a etapa e a coleta das amostragens.
MatLab Matrix Laboratory: software utilizado nas análises
MC Matriz Característica
MLDA Análise de Discriminante Linear de Mahalanobis
MLP Perceptron Multi-Camadas
NBR Norma Brasileira aprovada pela ABNT
NCO Número de Neurônios na Camada Oculta.
OD Circulação Dirigida do Óleo
OF Circulação Forçada do Óleo
ON Circulação Natural do Óleo
PCA Análise das Componentes Principais
PCA-3D Redução para três dimensões aplicando a PCA
PM Matriz dos Pontos Médios
xii
ppm Parte por milhão
RH Resistência de aquecimento
RL Resistência de Carga
RNA Rede Neural Artificial
RS Resistência do Sensor
Rx Razão (1,2,3,4,5)
SC Sobreaquecimento da Celulose
SnO2 Dióxido de Estanho
SO Sobreaquecimento do Óleo
TA Total de acertos percentuais para cada análise 1 e 2.
TA3 Total de acertos percentuais para a análise 3
TA4 Total de acertos percentuais para a análise considerando AI, AP e DP
amostras normais.
TDCG Total Dissolved Combustible Gas
TNT Explosivo chamado Trinitrotolueno
VC Tensão de polarização do sensor
VD Valor diferencial
VDF Valor diferencial fracionário
VH Tensão de aquecimento
VLog Valor logarítmico
VR Valor relativo
VRL Tensão de saída medida na resistência de carga
XY Vista em duas dimensões
1
1 Introdução
A crescente demanda por energia, bem como a necessidade de conservar o meio
ambiente, torna cada vez mais urgente o uso eficiente da energia elétrica. Para isto, o
desenvolvimento de novos equipamentos e procedimentos de manutenção são de extrema
importância para manter o sistema elétrico operando em perfeitas condições.
Com a evolução tecnológica das últimas décadas, principalmente com o surgimento da
automação industrial, houve grandes mudanças e melhorias no gerenciamento de manutenção
de equipamentos essenciais para geração, transmissão e distribuição de energia elétrica. Isto
tem possibilitado transformar energia elétrica em conforto, proporcionando também, às
empresas, rentabilidade, competitividade e desenvolvimento com sustentabilidade.
No sistema elétrico, o transformador de potência é considerado como um dos
equipamentos de maior importância estratégica e de maior investimento. A ocorrência de uma
falha que venha a retirar um transformador de operação para evitar danos maiores ao
equipamento pode causar problemas de ordem política, econômica e social, já que afeta a
estabilidade e a confiabilidade do sistema, deixando inoperantes importantes cargas
(hospitais, metrôs, sistema de trânsito, shoppings centers, agências bancárias, etc.). Além
disto, a empresa responsável pelo equipamento faltoso geralmente é penalizada (advertência,
multa, revogação de autorização, intervenção administrativa, entre outras) de acordo com a
Resolução 63/2004 da ANEEL (ARANTES, 2005; ANEEL - REN 63/2004).
Falhas em transformadores de grande porte muitas vezes são catastróficas e, na
maioria dos casos, origina danos irreparáveis ao mesmo e às instalações ao seu redor
(COSTA, 1999). Um transformador em óleo mineral isolante de 100MVA possui potencial
explosivo equivalente à 0,5 Kg de TNT. Logo, no evento de uma explosão, as ondas de
choque podem comprometer o sistema e o meio ambiente circundante (PONTES, 2001).
Assim, quando uma falha incipiente é detectada, uma política de manutenção correta
minimiza o perigo e os custos. Neste caso, o transformador é avaliado e pode ser reparado ou
mesmo substituído antes que a falha aconteça com suas consequências desastrosas.
Transformadores que possuem resfriamento a óleo mineral isolante normalmente são
monitorados através de um pequeno volume do óleo retirado por uma válvula localizada na
parte inferior do tanque. Esta amostra é utilizada para fazer a análise cromatográfica (análise
2
dos gases dissolvidos - AGD) e a análise físico-química (rigidez dielétrica, teor de água,
índice de acidez, entre outros) (COSTA, 1999).
A análise de gases dissolvidos é um método comumente usado na monitoração
periódica de transformadores, cujo resultado contribui para detectar falhas que estão no início
(falhas incipientes) e para acompanhar o envelhecimento da isolação de forma não invasiva
(MILASCH, 1984).
Apesar do grande desenvolvimento tecnológico dos últimos anos, a análise de gases
dissolvidos é executada, há décadas, da mesma forma, e mesmo assim é considerada muito
importante para a confiabilidade e mantenabilidade do transformador.
Embora a AGD seja um método consagrado e fundamental para manutenção em
equipamentos a óleo, alguns estudos mostram que existem alguns fatores que influenciam na
confiabilidade e precisão de seus dados, comprometendo a interpretação dos mesmos e o
diagnóstico das falhas. Por conta disto, vários estudos têm sido realizados a fim de tornar
mais eficiente a manutenção baseada nos gases dissolvidos em óleo isolante.
Estes estudos contribuem para desenvolver equipamentos como cromatógrafos mais
precisos, menores e mais rápidos; e equipamentos de monitoração contínua e on-line como o
Hydran e o TrueGas. Algumas pesquisas também têm como objetivo acelerar e tornar mais
confiável o diagnóstico de falha, como a utilização de redes neurais para interpretar os dados
da cromatografia (ARANTES, 2005; GUARDADO et al; 2001), além de obter mais eficiência
na utilização dos equipamentos, como o uso de um único Hydran201-Ti na monitoração de
múltiplos transformadores (BENEDET, 2008).
1.1 Objetivo
A identificação rápida de falhas incipientes e uma política de manutenção correta são
muito importantes para manter o transformador em perfeito funcionamento, além de ajudar no
planejamento da operação, o que implica em redução de custos. Por este motivo, propor
outras ações mantenedoras ou outros métodos de monitoramento para melhorar ou auxiliar os
já existentes é o objetivo de muitos estudos.
O objetivo principal desta dissertação é introduzir o estudo do uso de um conjunto
(matriz) de sensores de gases de dióxido de estanho, em conjunto com uma técnica de
reconhecimento de padrão, para detectar falhas em transformadores de potência, através dos
gases dissolvidos em óleo mineral isolante. Além disto, esta pesquisa também apresenta uma
metodologia para criação das amostras com as falhas típicas encontradas em um
3
transformador; informa quais são os procedimentos para realizar a análise de gases
dissolvidos; apresenta quatro modelos de extração de características utilizados em aquisição
de dados com sensores de gases; e aplica técnicas de reconhecimento de padrão para
distinguir e classificar as amostras, além de avaliar os modelos citados anteriormente.
O estudo dos sensores de dióxido de estanho, aplicado ao sistema de análise vista
neste estudo, pode contribuir para o desenvolvimento de novos instrumentos capazes de
realizar o diagnóstico de falhas mais rápido. Estes instrumentos podem ser futuramente uma
nova alternativa barata em relação aos dispositivos baseados em membranas, atualmente
utilizados em análises on-line em transformadores apenas de grande porte, onde se justifica
sua utilização. O uso destes sensores pode, também, reduzir os custos das análises, quando
comparados com os das práticas convencionais, que utilizam o cromatógrafo.
1.2 Organização
A dissertação é organizada em nove capítulos. O capítulo 2 expõe uma visão geral de
transformadores e algumas características destes. Ainda neste capítulo, a importância da
manutenção nesses equipamentos é justificada.
Nos capítulos 3 e 4, são esclarecidos os principais aspectos do óleo mineral isolante
geralmente utilizado em transformadores de potência. É também descrita a análise
cromatográfica, seus procedimentos e a interpretação dos dados. Adicionalmente são
explicados alguns métodos de diagnóstico de falha; e, ao final, citam-se algumas das novas
tecnologias utilizadas na monitoração dos gases em transformadores de potência.
O capítulo 5 apresenta os sensores de dióxido de estanho – SnO2 – utilizados neste
estudo e as principais características dos mesmos. Além disto, é apresentado o circuito básico
do funcionamento dos sensores; como funciona o sistema de análise utilizado na pesquisa e o
procedimento de coleta dos dados.
No capítulo 6, são apresentados os modelos da extração de características utilizados na
análise dos dados; e as técnicas de reconhecimento de padrão (Análise das Componentes
Principais – PCA, Regra do Vizinho Mais Próximo - 1NN – e Rede Neural tipo Perceptron
Multi-Camadas – MLP) utilizadas para identificação das falhas.
O embasamento teórico e a metodologia para gerar as amostras com as falhas mais
comuns, identificadas pela análise de gases dissolvidos (AGD), são descritos no capítulo 7.
4
Os resultados encontrados com o sistema de análise e a discussão sobre os mesmos
encontram-se no capítulo 8.
No último capítulo, é feito um resumo dos resultados e das discussões, concluindo
com sugestões para futuros trabalhos relacionados com o uso dos sensores de dióxido de
estanho na identificação das falhas em transformadores em óleo isolante.
5
2 Transformador de Potência
O transformador de potência é um equipamento elétrico estático que, por indução
eletromagnética, transforma tensão e corrente alternada entre dois ou mais enrolamentos, sem
mudança de frequência, e tem como finalidade principal a transformação dos níveis de tensão
entre partes de um sistema de potência (ABNT-NBR 5458, 1986).
Por ser um equipamento de custo elevado e específico, os transformadores de potência
são projetados de acordo com as suas características individuais tais como tensão, potência,
configuração do sistema de distribuição de energia, condições ambientais e nível de ruído
(SIEMENS, 2011).
Para transformadores que não são fabricados em larga escala, a tensão nominal dos
enrolamentos deve ser escolhida, preferencialmente, entre os seguintes valores, em kV: 13,8;
23,1; 34,5; 69; 88; 138; 230; 345; 430; 525 e 765 (ABNT-NBR5356, 1993).
As figura 1 e 2 ilustram, respectivamente, os transformadores da subestação Jardim
localizada no estado de Sergipe e a rede de operação sistêmica do mesmo.
Figura 1- Transformadores (4x100MVA; 69KV)
da Subestação Jardim – Sergipe ( GOES, acesso:
16/08/2011).
Figura 2 - Rede de Operação Sistêmica do Estado
de Sergipe (ONS, acesso: 08/08/2011).
Com relação à potência dos transformadores, geralmente referida em potência
aparente (kVA ou MVA), depende da carga a ser alimentada, podendo ser menor que 300
kVA, a exemplo dos transformadores de distribuição aérea capazes de alimentar algumas
quadras de um bairro; chegando a alcançar até 1000 MVA, a exemplo dos transformadores de
força, utilizados no acoplamento de saída dos sistemas de geração ou para a interconexão
entre redes de transmissão e que são capazes de alimentar grandes cidades (SIEMENS, 2011).
6
Os transformadores podem ser denominados de acordo com características estruturais,
por exemplo: Transformadores a seco são os transformadores que utilizam apenas material
celulósico (papel isolante) para fazer o isolamento elétrico da parte ativa; Transformadores
em líquido isolante são transformadores que possuem a parte ativa imersa isolada
eletricamente com líquido isolante e material celulósico.
Os transformadores também podem ser caracterizados pelo tipo de sistema de
resfriamento utilizado, que depende do meio e da forma de resfriamento, tanto dos
enrolamentos como da estrutura externa. Exemplo: Transformador ONAN/ONAF -
resfriamento utilizando óleo com circulação natural com alternativa de resfriamento externo
natural ou forçada (ver tabela 1).
Tabela 1 - Siglas que identificam o tipo de resfriamento do transformador (ABNT-NBR5356, 1993).
Natureza do meio de resfriamento Símbolo
Óleo O
Líquido Isolante Sintético L
Gás G
Água W
Ar A
Natureza da Circulação
Natural N
Forçada sem direção F
Forçada com fluxo dirigido D
O sistema elétrico é subdividido em sistemas: de geração, de transmissão, de
subtransmissão e de distribuição de energia elétrica. Os transformadores também podem ser
denominados de acordo com a função ou sistema a que estão integrados (figura 3), por
exemplo:
Figura 3 - Esquema básico do sistema elétrico (BECHARA, 2010).
a) Transformadores Elevadores são transformadores encontrados no sistema de
geração com objetivo de elevar o nível de tensão produzida pelos geradores. Estes
7
são geralmente encontrados com níveis de tensão primária até 20 kV e tensão
secundária até 765 kV;
b) Transformadores de Transmissão são encontrados no sistema de transmissão,
utilizados para interligar linhas e sistemas em diferentes níveis de tensão. São mais
encontrados com nível de tensão primária de até 765 kV, e nível secundário até
550 kV e terciário de 13,8 kV ou 69 kV;
c) Transformadores de Subtransmissão são encontrados no sistema de
subtransmissão com objetivo de abaixar o nível de tensão recebido do sistema de
transmissão para alimentar o sistema de distribuição. São transformadores
geralmente com nível de tensão primária de até 138 kV, nível secundário de até
34,5 kV e terciário de 13,8 kV ou 69 kV;
d) Transformadores de Distribuição são transformadores do sistema de distribuição
utilizados para rebaixar os níveis de tensão a fim de alimentar os consumidores
finais. São transformadores de pequeno porte e com níveis de tensão primária de
até 34,5 kV e nível secundário de até 440 V (BECHARA, 2010).
A figura 4 ilustra as características construtivas de um transformador de potência de
grande porte.
Figura 4 - Características construtivas de um transformador de potência: 1-Núcleo; 2-Enrolamentos; 3-Tanque
principal; 4-Tanque de expansão; 5-Buchas; 6-Comutador sob Carga; 7-Acionamento do Comutador; 8-
Radiadores; 9-Painel de Controle; 10-Secador de ar; 11-Termômetros (BECHARA, 2010).
8
2.1 Importância da Manutenção em Transformadores
Devido à grande importância do transformador de potência no sistema elétrico,
tornou-se necessário e fundamental o monitoramento constante do mesmo, com auxílio de
instrumentos e um sistema de manutenção adequado. O conhecimento prévio do equipamento,
obtido pela monitoração (dados de instrumentos e inspeções), é muito importante para
planejar as futuras manutenções do transformador, reduzindo o perigo iminente e o custo das
mesmas.
A manutenção básica realizada em um transformador de potência em óleo mineral
isolante, considerada pela NBR 7037, baseia-se em inspeções periódicas com objetivo de
obter registros operacionais (valores de temperaturas, de nível do óleo, de carga e de tensão
do transformador); de detectar aquecimento anormal nos conectores, utilizando termovisores;
de verificar as condições do óleo isolante (retirada de amostras para realizar ensaios) e de
verificar o estado de conservação e funcionamento dos acessórios (termômetros do óleo e dos
enrolamentos, controladores de temperatura, dispositivo de alívio de pressão, secador do ar,
indicador de nível de óleo, e outros) (ABNT-NBR7037, 1993).
Essas ações têm como objetivo manter o transformador em condições satisfatórias de
operação, reduzindo principalmente as chances de ocorrerem falhas na parte ativa (núcleo e o
enrolamento) do transformador. Falhas na parte ativa provocam o desligamento e torna-o
indisponível por um bom tempo, por causa da longa duração e custo do reparo (BECHARA,
2010).
Com uma manutenção adequada e eficiente, é possível obter benefícios e dados
(informações) importantes sobre os transformadores como: a redução de custos e tempo de
reparo devido às ações tomadas de forma planejada; a redução da frequência de desligamentos
através da detecção de falhas incipientes; a redução do número de inspeções na subestação; o
controle efetivo de peças sobressalentes; a definição dos equipamentos críticos e a
determinação do ciclo de vida ótimo dos transformadores.
A saúde de um transformador de potência em óleo isolante mineral depende
essencialmente do bom estado de conservação do meio isolante formado pela isolação sólida
(papel) e líquida (óleo), pois estão diretamente associados à rigidez dielétrica entre condutores
que compõem os enrolamentos (BECHARA, 2010).
9
3 Óleo Mineral Isolante
O óleo mineral isolante, aplicado em transformadores, é regulamentado pela Agência
Nacional do Petróleo, Gás Natural e Biocombustíveis – ANP, através da Resolução ANP
Nº36 (ANP - RANP 36/2008). Nesta, são estabelecidas as especificações dos óleos minerais
isolantes tipo A (a base naftênica) e tipo B (a base parafínica), de origem nacional ou
importada, comercializados em todo território nacional. A principal diferença entre estes óleos
está no ponto de fluidez.
O ponto de fluidez é uma propriedade física que indica a menor temperatura em que o
óleo flui, quando sujeito a resfriamento sob condições determinadas de teste. Esta propriedade
estabelece as condições de manuseio e estocagem do produto, além disto, podem-se
especificar limites variados para esta característica, dependendo das condições climáticas das
regiões, de modo a facilitarem as condições de uso do produto (ANP - RT 3/1999). O óleo
tipo A tem menor ponto de fluidez, igual a -40°C, enquanto o do tipo B tem valor igual a –
12°C (ANP - RANP 36/2008).
A função do óleo mineral, seja ele constituído por hidrocarbonetos parafínicos ou
naftênicos, é garantir o isolamento elétrico e a refrigeração das partes internas através da troca
de calor com a estrutura externa.
O processo de deterioração do óleo mineral está ligado ao envelhecimento e à
contaminação do mesmo. Como consequência deste processo, outras substâncias são
produzidas, as quais também contribuem para continuidade dele. A deterioração do óleo inicia
imediatamente após o enchimento do transformador na fábrica ou em campo (MILASCH,
1984).
Segundo MILASCH e PENA o envelhecimento da isolação do transformador pode ser
acelerado por agentes como: o oxigênio, a umidade e o aumento de temperatura (MILASCH,
1984; PENA, 2003). PENA cita a hidrólise, a pirólise e a oxidação como sendo os três
mecanismos de envelhecimento e degradação do óleo e da isolação celulósica dos
transformadores (PENA, 2003). A degradação hidrolítica é o mecanismo de quebra da
molécula de água dominante em temperaturas, do óleo, superiores a 110ºC e que gera
compostos ácidos e gases (PENA, 2003). A pirólise é uma reação que rompe a estrutura
molecular do óleo e do papel pela ação de altas temperaturas, geralmente provenientes de
descargas elétricas, em um ambiente com pouco ou nenhum oxigênio.
10
A oxidação do óleo inicia quando hidrocarbonetos instáveis presentes no óleo entram
em contato com oxigênio (livre no interior e absorvido na celulose) e catalisadores (cobre,
ferro,etc.) (MILASCH, 1984). Junto com as variações de temperatura, reações químicas
proporcionam a formação de: hidroperóxidos; radicais livres; novas moléculas de
hidrocarbonetos; aldeídos; acetonas; ácidos; e ésteres (MILASCH, 1984), além da produção
de gases combustíveis e não combustíveis e da borra. Esta última se dissolve no óleo e
quando satura deposita-se sobre os enrolamentos, núcleo e demais partes internas do
transformador, além de ficar em suspensão no óleo (MILASCH, 1984). A borra possui
características ácidas, que atacam a isolação sólida, e prejudica a troca de calor (COSTA,
1999).
O envelhecimento do óleo é um fenômeno inevitável, já que, durante a vida útil do
transformador, o óleo sofre variações de temperatura e sempre estará em constante oxidação.
A contaminação do óleo geralmente está relacionada com a introdução de umidade do
ambiente, quando o óleo é eventualmente exposto ao ar atmosférico; e com a presença de
partículas de ferro, de cobre e de fibras de celulose deixados durante o processo de fabricação
ou manutenção. No ar atmosférico estão presentes agentes nocivos como o oxigênio e a
umidade, que são facilmente absorvidos pelo óleo mineral (pode chegar até 10% do volume
do óleo) e pela celulose (isolação sólida) (MILASCH, 1984). Os contaminantes agem como
catalisadores e aceleradores do processo de deterioração do óleo (MILASCH, 1984). A
absorção daquele acelera o processo de deterioração e perda das características iniciais da
isolação.
O envelhecimento e a contaminação do óleo são fatores inerentes ao funcionamento
dos transformadores, que devem ser controlados através de análises periódicas, tratamento
físico (recondicionamento: filtragem, desumidificação e desgaseificação) e tratamento
químico (regeneração: remoção de borra e ácidos) do óleo (BECHARA, 2010).
As inspeções periódicas desempenham dois papéis importantes: detectar as condições
da falha, ou seja, antes que ela se desencadeie; e detectar as falhas já deflagradas (ARANTES,
2005). A análise do óleo isolante do transformador é considerada um método convencional e
não invasivo utilizado para detectar as condições ou as falhas. Através dela é possível avaliar
as propriedades físico-químicas do óleo (ensaios físico-químicos); fazer a contagem de
partículas; determinar o grau de deterioração da celulose (teor de furfuraldeído); e
diagnosticar falhas através dos gases dissolvidos no óleo (análise cromatográfica).
11
4 Análise de Gases Dissolvidos no Óleo Isolante
4.1 Etapas físicas da Analise dos Gases Dissolvidos
Os esforços térmicos e elétricos que ocorrem internamente no transformador refletem
na geração de gases característicos no óleo isolante. A emissão de gases em transformadores
empregando papel e óleo mineral tem sido, por muitos anos, objeto de diversos estudos. Um
dos primeiros artigos apresentados neste sentido foi escrito por Eschholz, O. H., “Some
Characteristics of Transformers Oils”, datado de 1919 e publicado no “The Eletric Journal”
(COSTA, 1999).
A análise de gases dissolvidos (AGD ou DGA - Dissolver Gases Analysis) no óleo é
um método comumente usado na monitoração periódica dos transformadores, cujo resultado
contribui para detecção de falhas que estão no início (falhas incipientes) e acompanhamento
do envelhecimento da isolação de forma não invasiva (MILASCH, 1984).
A AGD é feita em três etapas: coleta do óleo; extração dos gases da amostra; e análise
dos gases extraídos no cromatógrafo. Na figura 5, é visto com mais detalhes os passos da
análise AGD desde o transformador até a obtenção dos dados cromatográficos.
Figura 5 - Medição de gás dissolvido em óleo - Método Convencional (NOGUEIRA, 2004).
A confiabilidade da análise AGD é diretamente ligada ao procedimento de retirada e
transporte da amostra de óleo e, principalmente, às pessoas responsáveis pela realização da
análise no laboratório (ZYLKA, P.; 1999). O procedimento de retirada de amostra de óleo
isolante em transformadores, estabelecido pela NBR7037, deve levar em conta os seguintes
fatores: as condições ambientais, a exposição do óleo ao ar e à luz, a forma de
armazenamento, os dispositivos e recipientes de amostragem (NBR7037, 1993).
A desgaseificação do óleo é o processo de extração dos gases dissolvidos no mesmo.
Ela é realizada em laboratório com auxílio de sistema de bombeamento, composto por uma
vidraria laboratorial específica de extração de gases, conhecido como bomba de Toepler
(figura 6).
12
Figura 6 - Sistema de extração de gases (NOGUEIRA, 2004).
A cromatografia é um método físico-químico de separação de gases, que permite
identificar cada gás e determinar sua concentração (NOGUEIRA, 2004). O cromatógrafo é
composto por: um cilindro de gás de arraste (hélio ou nitrogênio), controlador do fluxo de
gás; regulador de pressão, termostatos; pontos de injeção da amostra de gás, coluna de
absorção, detectores; e um sistema para registrar e imprimir os resultados (MILASCH, 1984).
O sistema básico deste equipamento pode ser visto na figura 7. Este equipamento utiliza o gás
de arraste (fase móvel) para conduzir a mistura pela coluna de absorção (fase estacionária), a
qual fará a separação dos gases, e em seguida cada gás é detectado pelo sensor (detector) do
cromatógrafo. A análise do registro do cromatógrafo considera o instante (tempo) para
identificar o tipo de gás, e a área do pico gerado pelo detector para determinar sua
concentração. O cromatógrafo é um equipamento laboratorial de custo bastante elevado e que
requer cuidados e recursos para um bom funcionamento. Como a análise do seu registro
depende do posicionamento e da área dos picos, a temperatura interna e vazão do gás de
arraste devem ser aferidas utilizando inicialmente uma mistura padrão. Além da mistura
padrão, a medida obtida na etapa de extração dos gases é inserida no programa do
cromatógrafo, para realizar o cálculo da concentração de cada gás.
Figura 7 - Componentes básicos de um cromatógrafo (NOGUEIRA, 2004).
13
Os principais gases identificados pelo cromatógrafo, para realizar a AGD, são: o
Hidrogênio (H2), o Metano (CH4), o Etano (C2H6), o Acetileno (C2H2), o Etileno (C2H4), o
Monóxido de Carbono (CO) e o Dióxido de Carbono (CO2).
4.2 Interpretação dos Dados Cromatográficos
A interpretação dos dados cromatográficos baseia-se na análise da concentração e da
taxa de geração dos gases característicos, com o objetivo de encontrar anormalidades no
processo natural de degradação da isolação. A interpretação e o diagnóstico são realizados
geralmente por meio de normas internacionais, como a do IEEE (Institute of Electrical and
Electronics Engineers - Instituto de Engenheiros Eletricistas e Eletrônicos) e IEC
(International Electrotechnical Commission - Comissão Eletrotécnica Internacional), ou pela
norma nacional da ABNT (Associação Brasileira de Normas Técnicas).
Apesar de existirem valores de concentração e métodos padronizados para
diagnosticar os tipos de falhas, ainda é necessário considerar outros parâmetros como: tipo de
equipamento, fabricante, tensão, idade, tamanho, condições operacionais, tipo de óleo e
histórico de manutenção do transformador (NUNES, 2009; BECHARA, 2010). O uso destas
considerações poderá facilitar a análise e torná-la mais precisa. Por não haver um método que
integre todos estes parâmetros, o diagnóstico depende da experiência e sensibilidade do
profissional laboratorial. Por conta disto, Milasch (MILASCH, 1984) considera a
interpretação dos resultados AGD como se fosse uma arte.
4.3 Interpretação da Norma IEEE
A norma IEEE utiliza uma rotina de avaliação que compara os valores de
concentração dos Gases Combustíveis Dissolvidos Totais (GCDT) e as concentrações
individuais de cada gás com os valores estabelecidos pela tabela 2 (IEEE, 2008). Após esta
comparação, cada amostra é classificada em uma condição de acordo com a concentração do
GCDT. A primeira comparação deve ser realizada, segundo a norma IEEE, com o valor de
concentração de Gases Combustíveis Dissolvidos Totais (GCDT).
Tabela 2 - Limites de Concentração de Gases Combustíveis em ppm (IEEE, 2008).
Condição H2 CH4 C2H2 C2H4 C2H6 CO CO2 GCDT
1 100 120 1 50 65 350 2500 720
2 101-700 121-400 36-50 51-100 66-100 354-570 2501-4000 721-1920
3 701-1800 401-1000 51-80 101-200 101-150 571-1400 4001-10000 1921-4630
4 1800 1000 80 200 150 1400 10000 4630
14
A primeira comparação classificará os transformadores em quatro condições:
a) Condição 1: indica que o transformador está operando de forma satisfatória e que
não há necessidade de uma investigação, exceto no caso de qualquer gás esteja
individualmente acima do limite dele;
b) Condição 2: indica que o nível de gases combustíveis está acima do normal e que
qualquer gás acima do limite desta condição deve ser investigado;
c) Condição 3: indica que o óleo está com elevado nível de degradação e que
medidas devem ser tomadas para recuperar o transformador;
d) Condição 4: indica que o estado de degradação do óleo é excessivo e que a
continuidade da operação pode danificar o transformador;
Qualquer amostra que obtenha valores de concentração do GCDT ou de concentração
individual do gás acima do que é estabelecido na tabela 2 para primeira condição é
considerada como suspeita. Após esta constatação, a taxa de geração de gases é calculada,
utilizando o histórico das amostras do transformador, e analisada utilizando a tabela 3.
Tabela 3 - Taxa de geração dos Gases Combustíveis em ppm (IEEE, 2008). Erro! Fonte de referência não
encontrada.
Condições
Nível do
GCDT
(μL/L)
Taxa do GCDT
(μL/L/dia)
Intervalo de amostra e Procedimento de Operação
para taxa de geração do gás
Intervalo de
amostra Procedimento de Operação
Condição 4 >4630
>30 Diário Considere a remoção de serviço.
Aconselha consultar o fabricante. 10 à 30 Diário
<10 Semanal
Muita Cautela.
Analisar gases individuais.
Plano de interrupção.
Aconselha consultar o fabricante.
Condição 3 1921 to 4630
>30 Semanal Muita Cautela.
Analisar gases individuais.
Plano de interrupção.
Aconselha consultar o fabricante. 10 à 30 Semanal
<10 Mensal
Condição 2 721 to 1920
>30 Mensal Cautela.
Analisar gases individuais.
Determinar a dependência de carga. 10 à 30 Mensal
<10 Trimestral
Condição 1 ≤720
>30 Mensal Cautela.
Analisar gases individuais.
Determinar a dependência de carga.
10 à 30 Trimestral Continua com operação normal.
<10 Anual
15
Com a análise comparativa da taxa de geração, os procedimentos de manutenção
podem ser intensificados reduzindo o período de amostragem e utilizando os procedimentos
sugeridos pela IEEE. De qualquer maneira, após a análise da taxa de geração, a norma indica
a aplicação de métodos de investigação. Os métodos apresentado pela IEEE são: método do
gás chave, método da razão de Doernenburg e o método da razão de Rogers. A rotina de
análise da norma IEEE STD C57.104 pode ser seguida pelo diagrama de bloco apresentado no
apêndice A.
4.3.1 Método do Gás Chave
O Método do Gás Chave é um dos métodos de identificação de falhas recomendado
pela norma IEEE (IEEE, 2008). Este método simplifica a análise e a identificação da falha,
pois leva em consideração que cada tipo de falha produzirá, em maior concentração
percentual, um gás combustível especifico, e assim apresentará um padrão de concentração
para cada falha. O gás combustível que identifica o padrão é chamado de Gás Chave. O
Método do Gás Chave permite diagnosticar quatro tipos de falhas que podem ser
desenvolvidas em transformadores a óleo mineral isolante. As falhas indicadas são:
a) Sobreaquecimento do Óleo (figura 8) – É uma falha térmica e o gás chave desta
falha é o etileno (C2H4), uma vez que se encontra em maior proporção. Na
sequência, com menor concentração, estão os gases etano (C2H6), metano (CH4) e
hidrogênio (H2).
b) Sobreaquecimento da Celulose (figura 9) - A degradação do material celulósico
está diretamente ligada ao aumento de temperatura, que resulta na produção do gás
monóxido de carbono (CO) - gás chave - em maior proporção, com geração
também de dióxido de carbono (CO2) e outros gases em baixíssima proporção.
c) Descargas Parciais (figura 10) – são sinais elétricos pulsantes incompletos,
intermitentes e rápidos, da ordem dos nanosegundos que produzem em grande
proporção o gás hidrogênio (H2), sendo este considerado o gás chave, e em menor
quantidade o gás metano (CH4). O surgimento de gases pode gerar bolhas no óleo
que facilitaram surgimento de novas descargas parciais.
d) Arco Elétrico (figura 11) – são descargas elétricas de intensidade e de duração
muito maior que a das descargas parciais. O gás chave desta falha é o acetileno
(C2H2), mesmo em uma proporção menor que a do hidrogênio (H2).
16
A norma NBR 7274 também utiliza o método do gás chave para identificação das
falhas e ainda inclui uma falha chamada eletrólise, a qual é associada a decomposição da água
ou da água associada com a ferrugem, resultando na geração de hidrogênio (H2) em grande
proporção e desprezando a quantidade dos demais gases (MILASCH, 1984).
Figura 8- Concentração típica dos gases
resultantes de falhas de Sobreaquecimento do óleo
isolante [BECHARA, 2010].
Figura 9 - Concentração típica dos gases
resultantes de falha de Sobreaquecimento da
celulose [BECHARA, 2010].
Figura 10 - Concentração típica dos gases
resultantes de descargas parciais [BECHARA,
2010].
Figura 11 - Concentração típica dos gases
resultantes de arco elétrico [BECHARA, 2010].
4.3.2 Método das Razões
Os Métodos das Razões são métodos que utilizam as razões de concentrações entre
dois gases para identificar o tipo de falha. Os métodos comumente utilizados são: Método de
Doernenburg, Método de Rogers e a norma NBR 7274 (IEEE, 2008; MILASCH, 1984). O
diagnóstico por estes métodos é considerado empírico, pois se baseia no resultado de vários
testes que correlacionam as análises de gases de muitas unidades com um tipo de falha,
posteriormente atribuída como a causa de perturbação ou falha, quando a unidade foi
examinada (IEEE, 2008).
17
Existem cinco razões, sendo que a norma NBR 7274 e o Método de Rogers aplicam as
razões R1, R2 e R5 e o Método de Doernenburg usa as razões R1, R2, R3 e R4. As razões
são:
a) Razão 1 (R1): CH4/H2
b) Razão 2 (R2): C2H2/C2H4
c) Razão 3 (R3): C2H2/CH4
d) Razão 4 (R4): C2H6/C2H2
e) Razão 5 (R5): C2H4/C2H6
4.3.2.1 Método de Doernenburg
A metodologia aplicada pelo método de Doernenburg, apresentada pela norma IEEE,
inicia comparando as concentrações dos gases obtidas pela cromatografia com os valores da
tabela 4, que são as mesmas para condição 1, da tabela 2. Para confirmar a suspeita de falha, o
limite de concentração de pelo menos um dos quatro primeiros gases apresentados na tabela 4
(H2, CH4, C2H2 e C2H4) deve ultrapassar duas vezes o limite L1 e os outros dois gases, C2H6 e
CO, pelo menos um deve exceder o limite L1. Caso não ocorra, o equipamento é considerado
normal. Caso a suspeita não seja comprovada, por não satisfazer uma das duas condições
limites, o método aconselha realizar uma nova coleta.
Tabela 4 - Limite de Concentração – L1 de Doernenburg (IEEE, 2008).
Gás Combustível Limite de Concentração - L1
(ppm = μL/L)
Hidrogênio (H2) 100
Metano (CH4) 120
Acetileno (C2H2) 1
Etileno (C2H4) 50
Etano (C2H6) 65
Monóxido de Carbono (CO) 350
Quando as condições limites de concentração são ultrapassadas, as razões R1, R2, R3
e R4 são calculadas e analisadas, nesta respectiva ordem, comparando com a tabela 5. O
Método de Doernenburg divide o diagnóstico em apenas três falhas, sendo: falha por
Decomposição Térmica, falha por Descargas Parciais e falha por Arco Elétrico.
Para os casos em que o valor de alguma das razões não pertença a um dos três
intervalos estabelecido na tabela 5, ou mesmo não apresente uma das três combinações das
18
razões, o diagnóstico será dado como “falha não identificada” e aconselha-se realizar uma
nova coleta e refazer a análise desde o inicio.
Tabela 5 - Razões e Diagnóstico de Doernenburg (IEEE, 2008).
Análise dos
Gases
Dissolvidos
Sugestão de
Diagnóstico
Decomposição
Térmica
Descargas
Parciais
Arco Elétrico (Alta
intensidade de DP)
R1(CH4/H2) > 1 < 0,1 0,1 < R1 < 1
R2(C2H2/C2H4) < 0,75 Não significante > 0,75
R3(C2H2/CH4) < 0,3 < 0,3 > 0,3
R4(C2H6/C2H2) > 0,4 > 0,4 < 0,4
4.3.2.2 Método de Rogers
O Método de Rogers, também apresentado pela norma IEEE, consegue identificar
cinco situações de falha e quando o equipamento se encontra sem falha (unidade normal).
Este método é aplicado quando o equipamento estiver com alguma suspeita de falha, ou seja,
algum gás combustível tem concentração superior ao apresentado para condição 1, da tabela
2. Com isto, as razões de Rogers (R1, R2 e R5) podem ser calculadas e analisadas na seguinte
ordem R2, R1e R5, utilizando a tabela 6.
Tabela 6 - Razões e Diagnóstico de Rogers (IEEE, 2008).
Razões R2 -
(C2H2/C2H4)
R1 -
(CH4/H2)
R5 -
(C2H4/C2H6) Sugestão de Diagnóstico
Casos
< 0,1 0,1 < R1 < 1 < 1 Unidade Normal
< 0,1 < 0,1 < 1 Descargas P. e Arco - Baixa
intensidade
0,1 < R2 < 3 0,1 < R1 < 1 > 3 Arco Elétrico de Alta intensidade
< 0,1 0,1 < R1 < 1 1 < R5 < 3 Falha térmica de baixa temperatura
< 0,1 > 1 1 < R5 < 3 Falha térmica <700°C
< 0,1 > 1 > 3 Falha térmica >700°C
Para os casos em que o valor de alguma das razões não pertença a um dos três
intervalos estabelecido na tabela 6, ou mesmo não apresente uma das seis combinações das
razões, não haverá diagnóstico. Por conta disto, aconselha-se realizar uma nova coleta, para
refazer a análise DGA.
4.4 Método da NBR7274
A norma NBR 7274 é baseada na norma IEC 599 de 1978 (ZURN, 2005). Este
método é similar ao método de Rogers, uma vez que utiliza as mesmas razões para análise,
19
mas diferencia em alguns intervalos de suas razões. Além disso, este consegue classificar o
equipamento com nove diagnósticos, sendo um destes como unidade normal.
A norma NBR 7274 deve ser utilizada após análise das concentrações dos gases e a
classificação em uma das condições de degradação do óleo. Caso haja alguma suspeita de
falha, indicada pela concentração anormal de pelo menos um gás, as razões devem ser
calculadas e codificadas utilizando a tabela 7:
Tabela 7 - Tabela de codificação das razões da NBR 7274, x =1,2 e 5 (MILASCH, 1984).
Intervalo das razões Código das Razões
R1 = CH4/H2 R2 = C2H2/C2H4 R5 = C2H4/C2H6
Rx 0,1 1 0 0
0,1 Rx 1 0 1 0
1 Rx 3 2 1 1
Rx 3 2 2 2
Após codificar as razões, o código deve ser identificada na tabela 8 para diagnosticar o
tipo de falha presente no equipamento.
Tabela 8 - Tabela de identificação de falhas usada pela NBR 7274 (MILASCH, 1984).
Caso Falha característica
Códigos
Exemplos Típicos R1 R2 R5
A Operação Normal 0 0 0 Envelhecimento Normal
B Descargas Parciais de baixa
energia 1 0 0
Descargas nas bolhas de gás resultantes de
impregnação incompleta, de supersaturação
ou de alta umidade
C Descargas Parciais de alta
energia 1 1 0
Como acima, porém provocando
arvorejamento ou perfuração da isolação
D Arco de baixa energia 0 1-2 1-2
Centelhamento contínuo no óleo devido a
más conexões de diferente potenciais ou
potenciais flutuantes. Ruptura dielétrica do
óleo entre materiais sólidos
E Arco de alta energia 0 1 2
Descargas de potência. Arco. Ruptura
dielétrica do óleo entre enrolamentos, entre
espiras ou entre espiras e massa, corrente de
interrupção do seletor
F Falha Térmica leve
(T<150°C) 0 0 1
Aquecimento generalizado de condutor
isolado
G
Falha Térmica de baixa
temperatura
(150°C<T<300°C)
2 0 0 Sobreaquecimento local do núcleo devido a
concentração de fluxo. Pontos quentes de
temperatura crescentes, desde pequenos
pontos no núcleo devido a correntes de
Foucault, sobreaquecimento do cobre, maus
contatos (formação de carbono por pirólise)
até pontos quentes devido a correntes de
circulação entre núcleo de carcaça.
H
Falha Térmica de média
temperatura
(300°C<T<700°C)
2 0 1
I Falha Térmica de alta
temperatura (T>700°C) 2 0 2
20
Este método também apresenta combinações que não possuem diagnóstico definido
(ZURN, 2005). Neste caso, aconselha-se fazer a análise por outro método, ou fazer uma nova
coleta e aplicar novamente o método.
4.5 Novas Tecnologias para auxiliar a análise AGD
A análise dos gases dissolvidos é considerada uma técnica convencional muito
importante para monitoração do transformador, mesmo apresentando alguns problemas que
influenciam na confiabilidade e precisão dos diagnósticos de falha.
Durante a extração da amostra nas subestações, o transporte da subestação para o
laboratório e a desgaseificação do óleo no próprio laboratório, é possível que haja alterações
nas informações contidas na amostra. Isto se dá porque os resultados da análise dos gases
dissolvidos em óleo mineral, feitas em laboratório, são extremamente dependentes da
concentração dos gases contidos no óleo. Avaliações dos laboratórios, feitas ao redor do
mundo pela TF11 da CIGRÉ (Conseil International des Grands Réseaux Électriques -
Conselho Internacional de Grandes Sistemas Elétricos), mostram que, para valores de
concentração acima de 10 ppm de hidrocarbonetos, poucos laboratórios conseguem erro
menor que 5% e que a média de erro para essa concentração fica em torno de 15 %. O
valor do erro piora rapidamente para 35%, quando a concentração de gases presentes na
amostras está entre 2 ppm a 10 ppm. Abaixo desta concentração, o erro ultrapassa o valor de
100% (NUNES; et al, 2009).
Além disso, o período de amostragem do óleo pelo método convencional não pode ser
muito curto, por causa do custo da análise de cada amostra, e nem muito longo, a ponto de
tornar a manutenção do transformador muito mais cara. Somando a esses fatos, o
equipamento utilizado nas análises convencional, o cromatógrafo, tem custo elevado;
necessita de recursos, como gás de arraste; precisa controlar a temperatura interna e a vazão
do gás de arraste e ainda ser aferido com gás padrão para funcionamento correto.
Para minimizar alguns desses problemas novos sistemas de medição, como o TrueGas
e o Hydran, foram criados para ser instalados em transformadores e fazer o monitoramento
on-line dos gases. Com isto, eles são capazes de realizar a pré-análise dos gases dissolvidos
no óleo e enviar as informações para um computador (figura 12), onde estas já podem ser
analisadas, reduzindo assim o custo por análise, o custo com hora-homem, o risco de
acidentes em subestações e, principalmente, alterações nas amostras de óleo, melhorando
21
assim a confiabilidade da análise. Entretanto, estes instrumentos são muito caros e geralmente
instalados em um único transformador.
Figura 12 - Sistema de medição, on-line, da concentração de gás dissolvido em óleo (NOGUEIRA, 2004).
O sistema Hydran 201E é um equipamento desenvolvido para monitoração contínua e
on-line de gases dissolvidos em óleo mineral isolante. Ele é composto por dois módulos:
transmissor inteligente Hydran 201 Ti e o controlador de comunicação Hydran 201 Ci-1
(figura 13). Este sistema tem como princípio de operação a extração dos gases dissolvidos no
óleo através de uma membrana permeável e a detecção por um sensor de gás (figura 14), o
qual detecta os gases na seguinte proporção (considerando o total dado pela cromatografia):
100% para o hidrogênio (H2); 18% para o monóxido de carbono (CO); 8% acetileno (C2H2); e
1,5% de etileno (C2H4). Na tabela 9, é apresentado alguns exemplos de indicação do Hydran.
Tabela 9 - Exemplos de Indicação do Hydran (NOGUEIRA, 2004).
Resultado da Cromatografia (ppm) Indicação do
Hydran 201 Ti
(ppm) Hidrogênio (H2) M. de Carbono (CO) Acetileno (C2H2) Etileno (C2H4)
100 0 0 0 100
100 1000 0 0 280
100 100 0 0 118
100 100 50 0 122
100 100 50 200 125
Figura 13 - Sistema Hydran 201R composto pelo
transmissor inteligente e o controlador de
comunicação (NOGUEIRA, 2004).
Figura 14 - Vista interna do transmissor inteligente
(NOGUEIRA, 2004).
22
5 Sensores de Dióxido de Estanho (SnO2)
Os sensores de Dióxido de Estanho são sensores de estado sólido que variam suas
propriedades elétricas em função da composição de uma mistura gasosa. Estes sensores são
componentes compostos por uma junção de material semicondutor tipo p-n exposta ao
ambiente, ou seja: sem o encapsulamento (JACK, 1999).
O princípio de funcionamento do sensor de dióxido de estanho baseia-se na variação
de sua condutância. Em altas temperaturas, ocorrem reações químicas de oxidação ou redução
envolvendo as moléculas gasosas presentes em suspensão. Estas reações, que acontecem na
superfície da junção, dependem do tipo de sensor semicondutor, da temperatura de
aquecimento e da substância gasosa do meio.
Sob condições ambientais, a camada de óxido de estanho absorve quimicamente o
oxigênio, criando-se uma região de depleção e aumentando a resistência elétrica do material.
Na presença de um gás capaz de promover reação de oxidação e com o aquecimento do
sensor, este libera oxigênio absorvidos da superfície, reduzindo a região de depleção e
diminuindo a resistência elétrica, ou seja, o sensor de óxido de estanho comporta-se como
uma resistência variável. A velocidade das reações químicas entre a mistura de gases e os
sensores depende da temperatura de funcionamento deste, e assim, a resposta do mesmo pode
variar com a polarização da resistência de aquecimento presente no sensor (VEGA, 1998).
O desenvolvimento de equipamentos utilizando sensores de óxido metálico já tem
aceitação em diversas aplicações de monitoração e análise de gases, isto porque estes sensores
possuem algumas vantagens como:
Comercialmente, são sensores de baixo custo e existe uma boa variedade de
sensores, que detectam mais de 150 tipos de gases diferentes;
Apresentam diferentes características de resposta alterando as técnicas de
processamento (fabricação) e a temperatura de funcionamento do sensor, sendo
esta última uma possível forma de controle para identificação;
Longevidade, que é a principal característica dos sensores semicondutores. Sua
expectativa de vida é longa, com durabilidade normalmente de 10 anos,
podendo se aumentada quando são realizadas limpeza;
Alta sensibilidade, por possuir capacidade de detectar ambos os níveis (faixas),
tanto de baixa concentração de gases em ppm, bem como de alta concentração.
Característica única dos sensores de estado sólido;
23
Baixa seletividade, porque são mais suscetíveis à interferência de gases que os
outros tipos de sensores. Mas isto também é positivo, pois com um único
sensor é possível monitorar vários gases e, assim, minimizar o uso de
tecnologias com múltiplos sensores seletivos (JACK, 1999).
O hardware utilizado para aquisição dos dados tem capacidade para instalação de até
cinco sensores, porém, para esta pesquisa, utilizou-se apenas quatro sensores de gases do tipo
dióxido de estanho (TGS813, TGS2600, TGS2602 e TGS2620). Estes sensores são
conhecidos como Sensores de Gás Tagushi (TGS) e são fabricados pela empresa japonesa
Figaro (FIGARO, 2005a). Na tabela 10, verificam-se, segundo as informações do fabricante
(FIGARO, 2002; 2005b; 2005c; 2005d), os principais gases detectados por estes sensores.
Tabela 10 - Sensibilidade dos sensores TGS utilizados na coleta de dados (FIGARO, 2002; 2005b; 2005c;
2005d).
Sensores Tagushi Sensibilidade aos Gases:
TGS813 Gases Combustíveis: Metano, Propano e Butano
TGS2600 Monóxido de Carbono, Hidrogênio e Etanol
TGS2602 Tolueno, Etanol, Amônia e Sulfeto de Hidrogênio
TGS2620 Etanol, Monóxido de Carbono, Hidrogênio e Solventes Orgânicos
A relação entre a resistência do sensor e a concentração de gases é expressa pela
equação (5. 1):
(5.1)
Onde:
Rs: Resistência elétrica do sensor;
A: Constante;
C: Concentração do gás;
b: Inclinação da curva Rs.
De acordo com a equação 5.1 e com as figuras 15, 16, 17 e 18 apresentadas a seguir, a
relação entre a resistência dos sensores e a concentração do gás poderá ser aproximadamente
linear para uma escala logarítmica, em um intervalo de valores de concentração (SANTOS,
2009). Apesar de a linearidade contribuir para a análise das respostas dos sensores, a mesma
não pode ser considerada neste estudo, pois os valores de concentração encontrados nas
amostras variam entre valores de 0 a pouco mais de 2000 ppm, fazendo com que as respostas
24
dos sensores deixem de ser linear. Além disto, as análises desta dissertação são feitas
utilizando misturas de gases, o que torna o comportamento dos sensores ainda menos linear.
Figura 15 - Curva de sensibilidade do sensor
TGS813 com relação à concentração dos gases.
Figura 16 - Curva de sensibilidade do sensor
TGS2600 com relação à concentração dos gases.
Figura 17 - Curva de sensibilidade do sensor
TGS2602 com relação à concentração dos gases.
Figura 18 - Curva de sensibilidade do sensor
TGS2620 com relação à concentração dos gases.
A polarização básica dos sensores de gás Tagushi é feita por meio de um divisor de
tensão, sendo que a resistência do sensor esta em série com uma resistência de carga.
A figura 19 e a figura 20 apresentam as polarizações básicas para sensores com quatro
e seis terminais, respectivamente. Observe que a resistência do sensor (RS) é medida
indiretamente com a variação de tensão (VRL) sobre a resistência de carga (RL). Outro
detalhe desta configuração é que a redução da resistência do sensor (RS), provocada por um
gás capaz de promover reação de oxidação, aumenta o valor da tensão sobre a resistência de
carga. O valor da resistência do sensor pode ser encontrada pela equação 5.2:
(5.2)
Onde:
25
VRL: Tensão de saída medida na resistência de carga;
VC: Tensão de polarização do sensor;
RL: Resistência de Carga;
RS: Resistência do Sensor.
Figura 19 - Circuito de polarização elétrica dos
sensores TGS 26xx (SANTOS, 2009).
Figura 20 - Circuito de polarização elétrica do
sensor TGS 813 (SANTOS, 2009).
A matriz de sensores, utilizada neste estudo, foi configurada com os resistores 2,2 kΩ,
2,2 kΩ, 1,8 kΩ e 2,2 kΩ como as Resistências de Carga (RL) dos sensores TGS813,
TGS2600, TGS2602, e TGS2620, respectivamente. O valor de tensão aplicada ao Circuito
(VC) e às Resistências de Aquecimento (RH) foi igual a 5 Volts DC.
As principais especificações técnicas dos sensores Tagushi, como a variação de
resistência, a potência, a resistência de aquecimento e o limite de resistência de carga, podem
ser vistas na tabela 11.
Tabela 11 - Especificações técnicas dos sensores TGS (SANTOS, 2009).
Características TGS 813 TGS 2600 TGS 2602 TGS 2620
Resistência do sensor (RS) 5kΩ a 15kΩ (1000 ppm CH4)
10kΩ a 90kΩ (no ar)
10kΩ a 100kΩ (no ar)
1kΩ a5 kΩ (1000 ppm CH4)
Potência máxima de RS 15 mW 15 mW 15 mW 15 mW
Resistência de Aquecimento (RH) 30,0Ω±3,0Ω Aprox. 83,0Ω Aprox. 53,0Ω Aprox. 83,0Ω
Potência Máxima de RH 835 mW 210 mW 280 mW 210 mW
Tensão de aquecimento (VH) 5,0±0,2 V
(AC ou DC)
5,0±0,2 V
(AC ou DC)
5,0±0,2 V
(AC ou DC)
5,0±0,2 V
(AC ou DC)
Tensão de circuito (VC) Max. 24 V
(DC)
5,0 ±0,2 V
(DC)
5,0 ±0,2 V
(DC)
5,0 ±0,2 V
(DC)
Resistência carga (RL) Min.
0,45 kΩ
Min.
0,45 kΩ
Min.
0,45 kΩ
Min.
0,45 kΩ
5.1 Sistema de aquisição e Coleta dos dados
O sistema completo de aquisição e análise dos gases contidos no óleo é composto por
um equipamento contendo uma matriz de sensores (instrumento) e um computador de mesa.
26
O sistema completo foi inspirado no equipamento conhecido como nariz eletrônico.
Este é composto por um hardware (matriz de sensores sensíveis e com baixa seletividade e
um sistema de aquisição de dados) e um software (algoritmo de aquisição dos dados e de
reconhecimento de padrões), que tenta imitar, rudimentarmente, o sistema olfativo humano. O
funcionamento dos arranjos de sensores é comparado ao conjunto de células olfativas e o
algoritmo de reconhecimento ao cérebro (MARTINS, 2011).
Nesta dissertação, o hardware utilizado foi desenvolvido por um grupo de pesquisa do
departamento de Engenharia Elétrica da Universidade Federal de Sergipe com intuito de
utilizá-lo para diversos propósitos de sensoriamento de gases (SANTOS, 2009). O software
utilizado para análise dos dados foi instalado em um computador e não no mesmo
equipamento com os sensores de gás.
No computador, utilizou-se o programa de interface com a placa de sensores,
desenvolvido para este instrumento; e o programa MatLab, para análise dos dados. Foi neste
programa, com suas instruções e seus blocos de ferramentas, que foram utilizados os
algoritmos de reconhecimento de padrões com objetivo de identificar as amostras.
Para obter os dados, foi criado um procedimento de coleta especificando o tempo de
limpeza e estabilização inicial, o momento da injeção do óleo na câmara e tempo de
estabilização final dos sensores e gravação dos dados. O objetivo principal deste
procedimento é padronizar as amostragens e, desta forma, obter características semelhantes e
as mesmas quantidades de dados no mesmo intervalo de tempo. O procedimento de coleta é
descrito no apêndice B.
O instrumento foi programado para coletar os dados com uma taxa de amostragem de
quatro amostras por segundo, registrando o estado inicial, o transitório da injeção do óleo e o
momento de estabilização dos sensores, totalizando ao final de cada coleta aproximadamente
3400 dados para cada sensor. O controlador digital de sinal do próprio instrumento possui um
conversor analógico digital de 10 bits, que converte o valor de tensão do resistor de carga em
um valor digital entre 0 e 1023 e envia-o para o programa de interface do instrumento. No
computador, este valor é normalizado e visualizado pelo programa de interface do
instrumento.
Os dados e os gráficos obtidos pelas respostas dos sensores são salvos pelo mesmo
programa. Assim, os arquivos podem ser facilmente acessados para análises futuras.
27
6 Processamento dos Dados
A análise dos dados gerados pelo protótipo foi realizada em um computador com o
programa MatLab, versão 7.8.0 - R2009a. Esta análise pode ser dividida em quatro etapas: a
seleção dos dados; o pré-processamento, o processamento e a análise dos resultados. A análise
considerou apenas os dados de quatro sensores.
A conversão analógica-digital (AD - 10 bits), que representa o valor de tensão na
resistência de carga, disponibilizou os dados no intervalo entre 0 e 1023. Ao realizar o
procedimento de coleta, o instrumento obtém cerca de 3400 dados, mas as análises utilizaram
apenas dados dos instantes estacionários (inicial e final) dos sensores. Desta forma, na etapa
de seleção dos dados, foram selecionadas as 100 amostras antes do início da injeção e as 100
últimas amostras colhidas pelo protótipo. Inicialmente, houve a intenção de analisar o
transitório da resposta dos sensores, durante a injeção do óleo, mas não foi possível
padronizar a injeção e controlar a formação do vórtex causado pelo misturador magnético. O
surgimento deste vórtex pode ser identificado pelo segundo salto da resposta dos sensores
mostrado na figura 21.
Figura 21 - Interferência misturador magnético na resposta dos sensores (amostras x sinal normalizado)
Apesar de acionar o misturador magnético praticamente no mesmo instante em todas
as coletas, a formação do vórtex ocorreu sempre em momentos diferentes, mesmo para o
mesmo tipo de amostra de óleo.
Na etapa de pré-processamento os dados, uma reta de aproximação (regressão linear)
foi calculada com os dados colhidos nos instantes estacionários de cada sensor. Ainda nessa
etapa, a matriz característica (MC) dos sensores foi calculada levando em consideração quatro
modelos (extratores de características) utilizados em processamento de sensores de gás, de
acordo com Gardner (GARDNER; et al, 1994). Os modelos utilizados foram:
Influência do vórtex
no óleo
100 amostras
100 amostras
28
Modelo VD: valor diferencial - diferença entre o valor final e o inicial:
(6.1)
Modelo VR: valor relativo - valor final dividido pelo valor inicial
(6.2)
Modelo VDF: valor diferencial fracionário – diferença entre o valor final e
inicial, dividido pelo valor inicial:
(6.3)
Modelo VLog: valor logarítmico - log da diferença entre o valor final e o valor
inicial:
(6.4)
A matriz composta pelos valores de x, da equação dos modelos acima, é chamada, a
partir deste momento, como Matriz Característica (MC). O valor inicial, que representa o
instante estacionário inicial, é chamado de Baseline.
Segundo Gardner (GARDNER; et al, 1994), existem evidências que os modelos VR e
VDF podem ajudar na compensação da sensibilidade do sensor em relação à temperatura e o
modelo VLog pode ser utilizado para linearizar a dependência da concentração altamente não
linear.
6.1 Reconhecimento de Padrões
Nesta dissertação, foram analisadas seis grupos de amostragem de óleo mineral
isolante em situações diferentes, são elas: Amostra Inicial (amostragens de óleo antes do
procedimento de geração de falhas), Amostra Padrão (amostragens de óleo após o
procedimento de geração de falhas, mas estas estiveram inerte, sem procedimento de falhas),
Descargas Parciais (amostragens geradas pelo procedimento de descargas parciais), Arco
Elétrico (amostragens geradas pelo procedimento de arco elétrico), Sobreaquecimento da
Celulose (amostragens geradas pelo procedimento de sobreaquecimento da celulose) e
Sobreaquecimento do Óleo (amostragens geradas pelo procedimento de sobreaquecimento do
óleo). Destes, os quatro últimos possuem suspeita de falhas, por conta dos procedimentos de
geração de falha; e somente os grupos de Amostras Iniciais e de Amostra Padrão são
considerados como grupos sem falhas. As análises feitas por esta dissertação consideraram
estas informações e também as obtidas pela análise dos gases dissolvidos.
29
A Matriz Característica, calculada por cada modelo extrator de características, foi
analisada através de três técnicas de reconhecimento de padrão, estas técnicas foram: análise
das componentes principais (PCA), regra do vizinho mais próximo (1-NN) e as redes neurais
tipo Perceptron Multi-Camadas (MLP).
A análise tipo PCA foi utilizada inicialmente nesta pesquisa para reduzir a dimensão
dos dados e explorar, de forma visual, o conjunto total de amostragens, com intuito de saber
se haveria possibilidades de distinguir os grupos com e sem falhas e, também, em seis grupos
de amostragens. Isto possibilitou selecionar dois dos quatro modelos para serem aplicados
pelas outras duas técnicas.
A análise utilizando regra do vizinho mais próximo (1-NN), utilizando a distância
Mahalanobis, teve como objetivo avaliar de forma quantitativa a capacidade de discriminação
das falhas. Os resultados das análises feitas por este método foram comparados com os
resultados da análise AGD, para confirma se há compatibilidade com a mesma.
De forma similar às análises usando vizinho mais próximo, as redes neurais MLP
foram testadas como uma alternativa no processo de classificação das amostras. Os resultados
das redes neurais também foram comprados com os resultados da AGD.
6.1.1 Análise das Componentes Principais
A Análise das Componentes Principais (PCA) é um método não supervisionado que
tem sido largamente utilizado por várias pesquisas para analisar a resposta de um nariz
eletrônico para odores simples ou complexos (exemplo: alcoóis, bebidas e café) (HINES; et
al, 2003).
Análise das Componentes Principais, conhecida também como transformação de
Karhunen-Loève; transforma o conjunto original de tal forma que o novo conjunto de dados
pode ser representado por um número reduzido de características efetivas e ainda reter a
maioria do conteúdo de informação intrínseco dos dados (HAYKIN, 2001). A análise PCA
pode ser entendida, também, como a seleção de novos eixos considerando a variância dos
dados.
Para utilizar a técnica PCA, inicialmente os dados são subtraídos pela média. Isto faz
com que a origem dos novos eixos seja posicionada no ponto médio dos dados originais. Após
os dados serem centralizados, a matriz covariância é encontrada e são calculados os
autovalores e autovetores da mesma. Os autovalores estão diretamente ligados à variância dos
dados, assim como os autovetores indicam a direção de variabilidade daqueles. Deste modo, a
30
primeira componente principal, que será o novo eixo principal, estará na direção do autovetor
correspondente ao maior autovalor; e a segunda componente, correspondente ao segundo
eixo, é ortogonal ao eixo principal e tem a mesma direção do autovetor correspondente ao
segundo maior autovalor. Seguindo a lógica, os dados serão reescritos em um novo conjunto
de eixos ortogonais, o qual apresenta seus eixos de acordo com a variabilidade dos dados. Isto
é a transformação, a qual também pode ser entendida como transformação de rotação de
eixos.
Para visualizar os dados em três ou duas dimensões, faze-se a projeção dos dados em
apenas três ou dois eixos principais do novo sistema de coordenadas.
(6.5)
Onde:
Y: é a nova matriz de dados, com dimensão reduzida;
A: é a matriz dos autovetores selecionados para a projeção dos dados;
X: é a matriz característica, com os dados originais.
A análise PCA pode ser aplicada aos conjuntos de dados de alta dimensionalidade para
explorar a natureza do problema de classificação em aplicações com sensores de gás e
determinar a separabilidade linear dos vetores respostas (HINES; et al, 2003).
6.1.2 Regra do Vizinho Mais Próximo utilizando a métrica de Mahalanobis
A regra do Vizinho Mais Próximo é um classificador não linear que utiliza uma
métrica para encontrar a amostragem conhecida mais próxima da que se deseja classificar. A
partir disto, amostragem desconhecida será classificado com a amostra conhecida. Este
método é considerado sub-ótimo, pois sua utilização normalmente obtém uma taxa de erro
maior do que a taxa de erro de Bayes (mínimo possível), mas nunca é pior do que duas vezes
a mesma (DUDA; et al, 2000; THEODORIDIS; et al, 2009). A análise pela regra do Vizinho
mais Próximo considerou os resultados da AGD e pressupôs, nesta dissertação, que os pontos
médios dos grupos de amostragens eram conhecidos. Por conta disto, este método pode ser
conhecido com regra de Um Vizinho mais Próximo (1-NN)
A métrica de Mahalanobis foi utilizada para encontra a distância entre a amostragem
desconhecida e os pontos médios dos grupos. Esta métrica é considerada como uma medida
de dissimilaridade, pois quanto maior for o valor dela, menor será a semelhança entre os
dados (ALBUQUERQUE, 2005). A equação de Mahalanobis é dada por:
31
(6.6)
Onde:
dM: é a Distância de Mahalanobis;
X: é o vetor de amostragem desconhecida, que se deseja classificar;
: é o vetor médio de um dos grupos de amostragem conhecida.
S: Matriz de Covariância do grupo de classificação de X
Para efetuar o cálculo da distância de Mahalanobis, foi considerado que os dados
apresentados pela Matriz Característica, calculada pelos modelos selecionados, apresentam
distribuição multinormal. Ainda para o cálculo da métrica, os vetores médios e a matriz
covariância de cada grupo foram introduzidos na equação de Mahalanobis, no caso: Amostra
Inicial, Amostra Padrão, Descargas Parciais, Arco Elétrico, Sobreaquecimento da Celulose e
Sobreaquecimento do Óleo.
Com a aplicação da Regra do Vizinho mais próximo, as amostragens desconhecida
poderão ser associadas a um dos seis grupos. Com o conhecimento de outras amostragens, é
possível utilizar a extensão dessa regra para a regra de K Vizinhos mais Próximos (K-NN,
com K maior que um).
6.1.3 Redes Neurais Tipo Perceptron Multi-Camadas
Uma rede neural é um processo distribuído e massivamente paralelo que tem uma
tendência natural para armazenar conhecimento experimental e fazer uso disto. Isto se
assemelha ao cérebro em dois aspectos:
a) O conhecimento é adquirido pela rede através de um processo de aprendizagem;
b) Os pesos das conexões inter-neurônios, conhecidas como pesos sinápticos, são
usados para armazenar o conhecimento (HAYKIN, 2001).
As redes neurais são técnicas bastante utilizadas para reconhecimento de padrões de
odores, porque são capazes de aprender através de exemplos, geralmente fornecem resultados
rápidos e são eficientes com o processamento de informações. No entanto, é difícil escolher
os parâmetros ideais da rede e o procedimento de treinamento (HINES; et al, 2003).
As principais vantagens de utilizar uma rede neural no reconhecimento de padrões
são:
32
a) Conhecimento empírico: o aprendizado a partir de exemplos é feito de uma
maneira bastante simples e permite uma aquisição de conhecimentos de forma
automática;
b) Adaptabilidade à degradação progressiva: Em geral, as redes obtêm uma boa
generalização dos conhecimentos presentes na base de aprendizado e sendo assim
são menos sensíveis a “perturbações e distorções”;
c) Não linearidade e manipulação de dados quantitativos: As redes neurais são
menos vulneráveis aos dados aproximativos e à presença de dados distorcidos ou
incorretos que possam estar presentes na base de aprendizado. Esta capacidade de
manipular dados aproximados e até mesmo inexatos é mais difícil de ser
encontrada em outros métodos de reconhecimento;
d) Paralelismo em larga escala: as redes neurais são compostas de um conjunto de
unidade de processamento de informações que podem trabalhar em paralelo
(OSÓRIO, 2000).
As redes neurais apresentam também alguns inconvenientes, do mesmo modo que os
outros tipos de métodos de classificação. No caso específico das redes, têm-se limitações tais
como: dificuldade na definição da melhor arquitetura, parâmetros e forma de codificação dos
dados; problemas de aprendizado ligados a uma inicialização ruim dos pesos; dificuldade em
se compreender e visualizar os conhecimentos adquiridos, entre outros (OSÓRIO, 2000).
Além disso, para que rede tenha uma boa generalização, é necessário obter um grande número
de amostras para a realização do treinamento.
A rede neural tipo MLP, com três camadas e treinada com o algoritmo de
retropropagação do erro (back-propagation), é o arranjo de neurônios mais popular na
classificação de odores e a primeira rede aplicada em um nariz eletrônico (HINES; et al,
2003).
Este tipo de rede é composto tipicamente de uma camada de entrada (que não possui
pesos sinápticos ajustáveis), uma ou mais camada ocultas e uma camada de saída
(FERREIRA, 2004). O número de nós de entrada é tipicamente determinado para
corresponder ao número de sensores utilizados. O número de neurônios da camada oculta é
determinado de forma experimental e o número de características analisadas geralmente
determina o número de neurônios de saída. Nesta dissertação, o número de neurônios na
entrada foi igual a quatro e o de neurônios ocultos e de saída dependeu do tipo análise feita.
33
As figuras 22 e 23 ilustram respectivamente um neurônio artificial e um exemplo de
arquitetura de rede neural.
Figura 22 - Modelo do neurônio artificial
(HAYKIN, 2001).
Figura 23 – Exemplo de arquitetura da rede neural
utilizada nas Análises 1 e 2.
O algoritmo back-progagation padrão é um dos algoritmos mais conhecido para
treinamento de redes neurais. Desde a sua criação, várias modificações deste algoritmo têm
sido propostas com objetivo de reduzir o tempo de treinamento e melhorar o desempenho na
classificação de padrões (FERREIRA, 2004). Uma destas modificações é o algoritmo
conhecido como Levenberg-Marquardt, utilizado como padrão de treinamento de redes
neurais no MatLab.
O algoritmo de Levenberg-Marquardt combina o método do gradiente e com o de
Gauss-Newton, herdando a vantagem da velocidade do algoritmo de Gauss-Newton e da
estabilidade do método do gradiente. Mais detalhes sobre este algoritmo poderá ser
encontrado em (YU, H.; et al, 2011).
Para realizar o treinamento das redes neurais, o conjunto de dados é dividido em dois
grupos, sendo que um é utilizado na fase de treinamento da rede, chamado de Conjunto de
Treinamento (CTreino), e outro na fase de simulação da rede, definido com Conjunto de teste
(CTeste).
A fase de treinamento é a etapa que a rede aprende a reconhecer as características do
problema. Após esta etapa, os dados de CTeste são utilizado para simulação da rede. A
capacidade desta para responder corretamente aos dados CTeste, sendo que estes valores não
apresentados na fase de treinamento, é chamada de generalização da rede (OSÓRIO, 2000 ;
FIGUEIREDO, 2007).
A análise das redes foi realizada com auxílio do programa MatLab, utilizando a
ferramenta nntool. Esta interface gráfica simplifica a criação de diversos tipos de rede e a
X1
X4
X2
X3
Y1
Y1
tgh
tgh
tgh
34
realização dos treinamentos. Além disto, permite analisar o desempenho do treinamento,
através da janela Neuro Network Training, e simular o uso da rede para outros dados. A
condição de escolha da rede treinada foi baseada no resultado dos gráficos de regressão
(plotregression), ao atingir o limite do gradiente. Estes gráficos comparam os resultados da
rede para partes dos dados utilizados no treinamento com a saída ótima (desejada).
Depois da criação e do treinamento da rede, os dados de teste (CTeste) foram
introduzidos na entrada da rede, na aba Simulate presente na janela principal da rede. Após
simulação da rede, é gerado um arquivo na tela inicial da ferramenta nntool, no espaço
destinado para dados de saída (Output Data). As configurações e os parâmetros utilizados
para a criação, o treinamento e a simulação das redes neurais podem ser encontrados no
apêndice C.
35
7 Metodologia de Criação das Falhas
A inexistência regional de transformadores com diagnóstico positivo para falha motivou
o desenvolvimento de uma metodologia para criação de amostras de óleo isolante, que
possibilitassem a identificação de falha através dos gases gerados. Esta metodologia se baseou
nas condições de confinamento do óleo encontrado no transformador e nas características de
cada falha. Para isto, recipientes de vidro foram adaptados com circuitos elétricos e alguns
procedimentos de manuseio foram criados para padronizar o processo.
A metodologia para criação das amostras levou em consideração os quatro tipos de falhas
encontradas no método do gás chave, as quais são: Descargas Parciais (DP), Arco Elétrico
(AE), Sobreaquecimento da Celulose (SC) e Sobreaquecimento do Óleo (SO).
7.1 Descargas parciais
Segundo CARVALHO, descargas parciais são fenômenos ocasionados pelo rompimento
localizado da rigidez dielétrica do material isolante, e são originadas pelo processo de
ionização de um meio gasoso submetido a um elevado campo elétrico (CARVALHO; et al,
2009). Para Cuenca, descargas parciais podem ser sintetizadas como sinais elétricos pulsantes
incompletos, intermitentes e rápidos, da ordem de nanosegundos, que ocorrem pela
proximidade entre duas partes condutoras de eletricidade e o meio isolante, através do efeito
de ionização em cavidades gasosas, no interior dos materiais isolantes e nas interfaces
condutor-isolante ou isolante-isolante (CUENCA, 2005).
Cuenca, em sua pesquisa, explica o processo de ionização, avalanche de elétrons e a
geração da descarga parcial (CUENCA, 2005). Estes se desenvolvem da seguinte maneira:
a) Ionização – é o processo em que moléculas e átomos neutros perdem ou ganham
elétrons. A ionização dos materiais dielétricos (óleo mineral) e dos gases presentes
no mesmo é causada pelo intenso campo elétrico entre as partes internas do
transformador (figura 24).
Figura 24 - Representação de átomo neutro (à esquerda) e quando este é submetido a um campo (à direita)
(CUENCA, 2005).
36
b) Avalanche de elétrons – após acontecer o processo de ionização, os elétrons
arrancados dos átomos são acelerados pelo campo elétrico e sua colisão com
átomos neutros pode retirar outros elétrons, que serão também acelerados. Este
processo é conhecido como avalanche de elétrons (figura 25).
Figura 25 - Processo de surgimento de uma avalanche de elétrons (CUENCA, 2005).
c) Descarga Parcial - Os elétrons e íons positivos provenientes deste processo são
suficientes para conduzir corrente entre os eletrodos e absorver uma quantidade
relativamente grande de potência da fonte, fazendo com que uma centelha surja
entre os eletrodos. Quando ocorre o centelhamento, diz-se que há uma ruptura do
material dielétrico. Como essa centelha normalmente não atravessa completamente
o material dielétrico entre os eletrodos, então ela é chamada de descarga parcial.
A ocorrência de descargas parciais produz em grande proporção o gás hidrogênio (H2),
sendo este considerado como o gás chave, e em menor quantidade o gás metano (CH4). O
surgimento de gases pode gerar outras bolhas no óleo que facilitam o surgimento de novas
descargas parciais.
Alguns parâmetros podem influenciar a ocorrência das descargas parciais, entre eles os
principais são: permissividade relativa do meio dielétrico (óleo tem maior permissividade do
que o ar, desta forma o campo elétrico dentro da bolha é maior, favorecendo a ocorrência de
descargas parciais) e geometria dos eletrodos (o gradiente de tensão aumenta quanto menor
for a área do eletrodo, assim, se o formato do eletrodo for uma ponta, o gradiente de tensão é
alto e a intensidade do campo elétrico é maior).
Os tipos de descargas localizadas em líquidos (óleo mineral), segundo Cuenca, são as
descargas tipos coronas (ocorrem em eletrodos tipo ponta ou condutores finos conectados a
um alto potencial ou à terra, particularmente em instalações isoladas com ar/gás ou com
materiais isolantes líquidos) e descargas internas (em cavidades de ar em líquidos - bolhas)
(CUENCA, 2005). Ainda de acordo com Cuenca, descargas parciais podem produzir luz,
ruído audível, ozônio, além de originar a outros efeitos, como:
a) Elevação da temperatura do material dielétrico.
37
b) Perda de potência e perda de energia nas cavidades do material isolante.
c) Geração de radiação ultravioleta.
d) Agentes oxidantes como oxigênio e ozônio.
e) Absorção ou geração de gás.
f) Em materiais isolantes líquidos as descargas parciais podem gerar gases
inflamáveis especialmente acetileno e metano causando a diminuição das
propriedades dielétricas e assim a vida útil deste material, obrigando a fazer
substituições desses isolantes com mais freqüência.
7.2 Arco Elétrico
Falhas identificadas como Arco Elétrico, que são descargas elétricas de intensidade e de
duração muito maior que a das descargas parciais, ocorrem geralmente quando a degradação
dos materiais isolantes (tanto sólido como líquido) está acentuada, pela evolução das
descargas parciais e por eventuais sobretensões. Este tipo de falha proporciona a carbonização
do óleo e da celulose, além de gerar grande quantidade de Acetileno (C2H2) e Hidrogênio (H2).
7.3 Celulose Superaquecida
A degradação do material celulósico é proporcionada pela elevação da temperatura nos
enrolamentos. A norma IEEE sugere que a temperatura máxima do óleo em um transformador
com operação contínua e que possui o papel Kraft comum, seja no máximo 110°C (IEEE,
2008; ASSUNÇÃO, 2007). O efeito do aquecimento da celulose, mesmo na ausência de
agentes oxidantes, e a umidade tendem a quebrar ligações glicosídicas e abrir anéis de glicose.
Essa reação produz moléculas de glicose livre, umidade, monóxido e dióxido de carbono e
ácidos orgânicos (figura 26).
Figura 26 - Decomposição Térmica da Celulose (PENA, 2003).
Segundo Assunção, quando a celulose é submetida a temperaturas entre 20°C a 80°C, a
mesma produz de água, monóxido e dióxido de carbono (ASSUNÇÃO, 2007). Em
temperaturas acima de 120°C, há produção e degradação simultânea dos compostos furânicos
(observar figura 27).
38
Figura 27 – Decomposição Térmica da Celulose (ASSUNÇÃO, 2007).
7.4 Óleo Superaquecido
O diagnóstico de Óleo Superaquecido demonstra que o óleo alcançou altas temperaturas.
Geralmente causado por pontos quentes situado nas conexões internas e por deficiência no
resfriamento do transformador.
De acordo com a resolução da ANP (ANP – RANP 36/2008), o ponto de fulgor, que é a
menor temperatura na qual um líquido combustível desprende vapores, para os óleos minerais
isolantes, tanto parafínico como naftênico, tem valor igual a 140°C.
Tabela 12- Tabela de limites de elevação de temperatura (NBR5356, 1993):
Tipos de
Transformadores
Limites de elevação de temperatura (°C) (A)
Dos enrolamentos
Do
óleo
Das partes metálicas
Método da variação
da resistência Do
ponto
mais
quente
Em contato com
a isolação sólida
ou adjacente a
ela
Não em contato
com a isolação
sólida e não
adjacente a ela Circulação
ON ou OF
Circulação
OD
Em
óle
o
Sem
conservador
ou sem gás
inerte acima
do óleo
55 60 65 50(B)
Não devem
atingir
temperaturas
superiores à
máxima
especificada
para o ponto
mais quente da
isolação
adjacente ou em
contato com esta
A temperatura
não deve atingir,
em nenhum caso,
valores que
venham a
danificar estas
partes, outras
partes ou
materiais
adjacentes
Com
conservador
ou com gás
inerte acima
do óleo
55
65(D)
60
70(D)
65
80(D)
55(C)
65(D)
(A) Os materiais isolantes, de acordo com experiência prática e ensaios, devem ser adequados para o
limite de elevação de temperatura em que o transformador é enquadrado.
(B) Medida próxima à superfície do óleo.
(C) Medida próxima à parte superior do tanque, quando tiver conservador, e próxima à superfície do
óleo, no caso de gás inerte.
(D) Quando é utilizada isolação de papel, este deve ser termoestabilizado.
39
A norma NBR 5356/93 informa que, durante o funcionamento normal, o transformador
não deve exceder os limites de variação de temperatura, em relação a temperatura média do
ambiente, especificados na tabela 12 (NBR5356, 1993).
7.5 Procedimentos para Geração das Falhas
Os procedimentos utilizados para geração de falhas foram criados baseando-se no
conhecimento obtido por livros, artigos e normas. A partir desses documentos, foi possível
desenvolver um método simplificado utilizando recipientes de vidro e alguns equipamentos
elétricos para criar amostras, que simulem falhas ocorridas em transformadores de potência.
Como inicialmente foi dito, foram criadas quatro amostras (DP, AE, SC e SO). Além destas,
uma amostra foi armazenada em um recipiente idêntico aos das falhas e foi mantido
confinado para realizar um comparativo entre amostras e para verificar a taxa de geração de
gás. Esta foi chamada de Amostra Padrão (AP).
Todos os experimentos partiram da consideração de que os recipientes utilizados na
criação das amostras são similares a um transformador sem conservador ou sem gás inerte
acima do óleo, com circulação do óleo natural ou forçada sem fluxo de óleo dirigido. Todas as
amostras foram criadas dentro de recipientes vedados de 1,3 litros, que possuíam válvulas
para realizar amostragem de óleo (figura 28).
a)
b)
Figura 28 - a) Desenhos técnicos dos recipientes e suas tampas, respectivamente: aquecimento, arco, padrão.; b)
Foto dos recipientes utilizados para aquecer óleo, celulose, descargas parciais, arco e amostra padrão.
Os recipientes que sofreram aquecimento foram envolvidos com uma manta para evitar a
troca térmica e evitar que os mesmos trincassem com a mudança de temperatura durante o
procedimento de aquecimento. A temperatura foi monitorada utilizando um termopar
conectado a um multímetro e o ponto de medição foi fixado na parede externa do recipiente
ao nível do óleo. A diferença de temperatura entre o óleo e a parede do recipiente, encontrada
experimentalmente, é por volta de 12°C.
40
Os recipientes das falhas de descargas elétricas (Descargas Parciais e Arco Elétrico)
utilizaram um sistema de elevação de tensão composto por um transformador (2400W) e um
dobrador de tensão. A tensão utilizada para ligar o circuito foi 127V e a saída do sistema
fornecia aos eletrodos tensão igual a 3,4 kV de forma contínua.
7.5.1 Procedimentos de Descargas Parciais
O desenvolvimento da falha conhecida como descargas parciais (DP) foi baseado na tese
de Cuenca e no artigo de Zylka (CUENCA, 2005; ZYLKA, 2005). No primeiro, é mostrado o
recipiente onde são geradas as descargas parciais e é explicado o processo de ionização e
avalanche de elétrons para provocá-la. Zylka informa que o processo de geração de descargas
parciais é longo e a produção do gás hidrogênio é muito baixa (ZYLKA, 2005). Duval reforça
esta informação dizendo que apenas atividades mais severas de descargas parciais são
detectadas pela DGA (DUVAL, 2002). Para criar a falha de descargas parciais, dois eletrodos,
sendo um dos dois um parafuso com uma agulha conectada na extremidade e o outro uma
placa, foram colocados a uma distância de aproximadamente 1mm e energizados com tensão
igual a 3,4 kV durante 2 horas. Este procedimento foi repetido nove vezes em duas semanas,
totalizando 18 horas de simulação. A figura 29 mostra a monitoração da tensão durante o
procedimento de descargas parciais.
Figura 29 – Monitoramento da tensão entre os eletrodos durante o procedimento de criação da falha de descargas
parciais.
7.5.2 Procedimentos de Arco Elétrico
A geração da falha de Arco Elétrico utilizou um recipiente com dois eletrodos, assim
como para a falha de descargas parciais. A distância entre os eletrodos foi reduzida até o
surgimento do arco elétrico de forma não instantânea, rompendo a isolação líquida (óleo) e
sólida (papel). Os eletrodos foram energizados com 3,4kV por um minuto e, durante este
tempo, foi registrada a quantidade de arcos elétricos. Cada simulação do procedimento
limitou aquela quantidade em 10 arcos. Esta foi repetida cinco vezes durante uma semana.
41
7.5.3 Procedimentos de Sobreaquecimento da Celulose
A falha de Sobreaquecimento da Celulose foi criada utilizando um aquecedor
(127V/1000W) envolvido com papel Kraft. A temperatura pretendida baseou-se na
dissertação de Assunção (2007). Esta informa que quando a celulose esta submetida a
temperaturas entre 20°C a 80°C produz de água, monóxido e dióxido de carbono (gases
pretendidos para identificação da falha). Além desta informação, baseado no artigo de Duval e
na norma NBR5356, a temperatura pretendida do topo do óleo, no ponto mais quente, estaria
por volta dos 90°C (temperatura ambiente:25°C + ponto quente:65°C) (DUVAL, 2002;
NBR5356, 1993). Este procedimento foi realizado apenas cinco vezes, uma vez por dia.
7.5.4 Procedimentos de Sobreaquecimento do Óleo
Para criar a amostra da falha de Sobreaquecimento do Óleo, foi utilizado apenas um
aquecedor (127V/1000W). Inicialmente, levou-se em conta o ponto de fulgor do óleo, que é
por volta de 150°C, mas, através do artigo de Duval, percebeu-se que amostras produzidas à
150°C em laboratórios poderiam ser confundidas e diagnosticadas como a falha de
sobreaquecimento de celulose (DUVAL, 2002). Desta forma, procurou-se atingir valores de
temperaturas acima de 200°C. Dentro deste recipiente, além de um litro de óleo, foi colocado
um aquecedor e um cabo de cobre envolvido com papel Kraft no fundo do recipiente, sem
contato com o aquecedor. O aquecimento do óleo foi realizado de forma progressiva. Este
procedimento foi realizado uma vez por dia, durante uma semana. A figura 30 mostra os
recipientes utilizados para superaquecimento do óleo e da celulose e a monitoração da
temperatura.
Figura 30 - Recipientes utilizados para superaquecimento do óleo e da celulose (a direita). Monitoração da
temperatura do óleo superaquecido (a esquerda).
Por conta da dificuldade para obter o óleo mineral isolante, o número de conjuntos de
amostras criadas foi limitado em apenas dois. Após a sequência de procedimentos de criação,
foi realizada a análise cromatográfica. A sequência de coleta com o sistema só foi realizada
no dia seguinte ao da AGD.
42
8 Resultado e Discussão
Este capítulo iniciará apresentando os resultados da análise cromatográfica para as
amostras criadas em laboratório, com o intuito de validá-las. Ainda nesta seção também serão
apresentados os resultados obtidos utilizando o protótipo, com a matriz de sensores de dióxido
de estanho e com as amostras já analisadas pela AGD. A partir destes resultados, é possível
verificar o desempenho da matriz de sensores na detecção de falhas em transformadores de
potência e avaliar a classificação das mesmas.
8.1 Interpretação dos Dados Cromatográficos
A Análise Cromatográfica foi feita pela empresa de distribuição de energia, Energisa, e
realizada no mesmo dia da extração das amostras de óleo dos recipientes. Por conta da
similaridade dos resultados cromatográficos das duas análises cromatográficas, apenas o
resultado da segunda será apresentada nesta dissertação. A análise cromatográfica foi
realizada na seguinte sequência: Amostra Padrão (AP); amostra de Descargas Parciais (DP);
amostra de Sobreaquecimento de Celulose (SC); amostra de Sobreaquecimento do Óleo (SO);
e amostra de Arco Elétrico (AE).
A análise inicial utilizando a norma IEEE (2008), avaliação do limite de concentração do
GCDT e dos gases individualmente, classifica apenas as amostras AP e DP na condição 1,
onde a degradação do óleo é considerada normal. As outras três amostras são classificadas nas
condições 2 e 3 (ver tabela 2 e tabela 25).
Com a Taxa de Geração de Gases, é possível avaliar a evolução do processo de
degradação da isolação. Os equipamentos que possuem óleo com características similares às
amostras AE e SC, SO, são classificados pela Taxa de Geração de Gases como preocupante.
A amostra de DP é considerada como amostra com evolução normal de degradação.
Aplicando o método do Gás Chave, é possível identificar com precisão apenas a amostra
SC. No entanto, as demais amostras não obtêm compatibilidade com este método, apesar dos
procedimentos de criação de falhas ocorrerem de forma ativa, para causá-las.
Os métodos das razões, considerados pelas normas IEEE (2008) e pela NBR7274, são
deficientes para a identificação de falhas que envolvem a celulose, pois os principais gases
(CO e CO2) gerados por esta falhas não são avaliados pelas razões e nem os métodos possuem
esta falha especificada com um dos diagnósticos. O método de Doernenburg consegue
identificar a amostra SO, classificando-a com falha térmica, e a amostra AE, classificando-a
como Arco Elétrico apenas quando desconsidera a segunda condição para aplicação do
43
método. Ainda aplicando este método, a amostra DP é identificada como sem falha, mesmo
desconsiderando os limites iniciais de Doernenburg.
O método de Rogers identifica apenas a amostra SC, mas classificou como sendo a
amostra de DP. Este diagnóstico pode ser considerado errado, já que este método não avalia
os gases de maior concentração, que são o CO e CO2. A não identificação das amostras pode
ser justificada pelo pequeno número de diagnósticos associado as razões, os quais são
identificados apenas por seis combinações, sendo que uma destas representa a situação normal
de degradação.
O último método das razões, NBR7274, consegue identificar a falha térmica entre 150°C
e 300°C (SO) e a falha por arco elétrico (AE) de acordo com o procedimento de criação de
amostra. Pela NBR7274, a amostra DP não é identificada e a amostra SC é classificada como
sendo a amostra de DP. Novamente, este diagnóstico obtido pela amostra SC pode ser
considerado errado, por não avaliar os gases de maior concentração (CO e CO2). Outro
detalhe que contribui para esta consideração é a forma como foi gerada a falha SC.
No apêndice D, todo o processo da análise dos dados cromatográficos e os diagnósticos
obtidos pelos métodos são explicados e apresentados em tabelas.
8.1.1 Conclusão sobre a Cromatografia e os Métodos de Interpretação
Tabela 13 - Resultados da Analise de Gases Dissolvidos
Métodos Amostras e Diagnóstico
Interpretação e Métodos DP AE SC SO
GCDT Condição 1 Condição 3 Condição 2 Condição 2
Gases Individuais C2H2 H2, CH4, C2H2e
C2H4 CO e CO2
CH4, C2H6 e
CO
Monitoração (T.G.) Anual Semanal Mensal Mensal
Gás Chave Sem
Identificação
Sem
Identificação Celulose
Aquecida
Sem
Identificação
Doernenburg ** Sem falha Arco Elétrico Sem falha* Falha Térmica
Rogers Sem
Identificação
Sem
Identificação
Descargas
Parciais*
Sem
Identificação
NBR7274 Sem
Identificação Arco Elétrico
Descargas
Parciais* Falha Térmica
Laudo Técnico
Descarga de
baixa
intensidade Arco Elétrico Falha Térmica Falha Térmica
Resultados Finais Sem
Identificação Arco Elétrico
Celulose
Aquecida Falha Térmica
*Celulose Aquecida é identificada com a concentração dos gases CO e CO2, os quais não são
utilizados nos métodos das razões.
**Diagnóstico excluindo a segunda consideração de concentração dos gases.
44
Observando a tabela 13, conclui-se que apenas três das quatro amostras podem ser
consideradas como amostras contendo falha. A amostra de SO é identificada pelo método de
Doernenburg e pela norma NBR7274, além de ser diagnosticada pelo laudo entregue pela
Energisa. A amostra de AE é identificada pelo método da norma NBR7274, pelo método de
Doernenburg, quando desconsidera o segundo limite para aplicação deste, e pelo laudo da
Energisa. A amostra SC é identificada pelo método do Gás Chave e, também, pelo laudo. É
importante lembrar que os métodos das razões não utilizam os gases característicos da falha
de Sobreaquecimento de Celulose e, por conta disto, esta não é identificada por eles.
A partir dos resultados vistos na tabela 13, as amostras criadas são classificadas e
consideradas de acordo com o que é apresentado na tabela 14.
Tabela 14 - Resultados e considerações sobre as amostras criadas.
Amostras Classificação e os métodos de comprovação
AP Amostras Padrão – sem procedimento de criação
DP Amostras sem falha – Todos os métodos não identificaram como amostra contendo falha;
AE Amostra de Arco Elétrico –NBR7274, Doernenburg**, Laudo e Procedimento de criação
de Arco Elétrico.
SC Amostra de Sobreaquecimento de Celulose* – Método do Gás chave e Procedimento de
criação de Sobreaquecimento de Celulose.
SO Amostra de Sobreaquecimento de Óleo - Doernenburg, NBR7274, Laudo e
Procedimento de criação de Sobreaquecimento do Óleo.
*Os métodos das razões não consideram os gases CO e CO2, que são os indicadores de falhas na
isolação celulósica.
**Diagnóstico excluindo a segunda consideração de concentração dos gases.
8.2 Análise dos Dados Coletados pela Matriz de Sensores
A análise destes dados foi feita em quatro etapas: seleção dos dados; pré-processamento,
processamento e impressão. Na fase de seleção dos dados, 100 dados iniciais e 100 dados
finais foram selecionados de cada amostragem, para o cálculo dos modelos de extração de
características (Extratores). Como resultado do pré-processamento, obteve-se a Matriz
Característica (MC - 6500X4) contendo quatro vetores, referentes a quatro sensores, contendo
6500 dados das 65 amostragens. No total, foram feitas 13 coletas, sendo que duas delas para
verificar o estado inicial do óleo obtendo, 10 amostragens de Amostra Inicial (AI - amostras
sem falha); e mais 11 coletas após os procedimentos de criação de amostras, totalizando em:
11 amostragens da Amostra Padrão (AP – amostra comparativa); 11 amostragens de Arco
Elétrico (AE), 11 amostragens de Descargas Parciais (DP); 11 amostragens de
Sobreaquecimento de Celulose (SC); e 11 amostragens de Sobreaquecimento do Óleo (SO).
45
Na tabela 15, são identificados os termos utilizados nesta dissertação, como: amostragem,
que é a aquisição de dados de uma única amostra; coleta, que é definida como o conjunto de
cinco amostragens, cada qual de uma amostra (AP, DP, AE, SC, SO); e etapas, que é o ciclo
de coleta(s).
Tabela 15 - Amostras e Seleção dos Dados
Eta
pa
s
Co
leta
s
**
Amostragens***
Dados
Selecionados
(Iniciais e
Finais)
Matriz
Caracterí
stica
1 1 *AI11=(AP11, AE11, DP11, SC11 e SO11) 1000 500X4
2
1 AP21, AE21, DP21, SC21 e SO21 1000 500X4
2 AP22, AE22, DP22, SC22 e SO22 1000 500X4
3 AP23, AE23, DP23, SC23 e SO23 1000 500X4
4 AP24, AE24, DP24, SC24 e SO24 1000 500X4
3 1 *AI20=(AP31, AE31, DP31, SC31 e SO31) 1000 500X4
4
1 AP41, AE41, DP41, SC41 e SO41 1000 500X4
2 AP42, AE42, DP42, SC42 e SO42 1000 500X4
3 AP43, AE43, DP43, SC43 e SO43 1000 500X4
4 AP44, AE44, DP44, SC44 e SO44 1000 500X4
5 1 AP51, AE51, DP51, SC51 e SO51 1000 500X4
6 1 AP61, AE61, DP61, SC61 e SO61 1000 500X4
7 1 AP71, AE71, DP71, SC71 e SO71 1000 500X4
Total 65 amostragens 13000 6500X4
*Amostra Inicial (AI)
**1 coleta = 5 Amostragens
***1 Amostragem=3400 dados (amostras)
LLxx: <LL> indica o tipo da amostra criada de óleo; <xx> números indicando
respectivamente a etapa e a coleta das amostragens. Ex.: AP24: Amostra Padrão, obtido
pela 2ª etapa 4ºcoleta.
As primeiras amostras (AP, DP, AE, SC, SO) dos recipientes de falha foram coletadas em
duas etapas, sendo que a primeira coleta, na Etapa 1, foi realizada antes de se aplicar os
procedimentos de criação de falhas, e as outras quatro coletas foram realizadas após a
primeira cromatografia na Etapa 2. O segundo conjunto de amostras dos recipientes também
foi coletado em duas etapas (3 e 4) de forma similar à primeira, sendo que a 4ª etapa foi
realizada após a segunda cromatografia. As outras três etapas (5, 6 e 7) foram realizadas com
as amostras da segunda cromatografia, mas, entre estas etapas, os procedimentos de criação
foram novamente realizados para cada falha. Estas três ultimas etapas possibilitou a
investigação da progressão das mesmas. As amostragens colhidas nas etapas 1 e 3 são
46
chamada de amostras iniciais (AI), por representarem o estado inicial das amostras de óleo, ou
seja, antes de realizar os procedimentos de criação de falhas.
Na fase de processamento, a Matriz Característica foi analisada por três técnicas de
reconhecimento de padrões: PCA, 1-NN, e RNA-MLP. Antes de avaliar a capacidade de
identificação das falhas utilizando a regra do vizinho mais próximo e a rede neural MLP,
utilizou-se da análise PCA para explorar e avaliar os quatro modelos de extração de
característica comumente utilizados em sistemas de identificação de odores (GARDNER; et
al, 1994; HINES; et al, 2003). Durante a exploração dos dados foram observados dois
aspectos: a formação de grupos correspondendo às amostras com e sem falhas; e a
proximidade ou sobreposições entre os mesmos.
8.2.1 Exploração dos Dados (PCA) e Modelos de Extração da Característica
Os modelos (VD, VR, VDF e VLog) utilizados para extração das características (ver
capítulo 6) apresentam dados com valores numéricos bastante distintos e, por este motivo,
estes foram convertidos (normalizados) para valores entre 0 e 1. Esta conversão permitiu
avaliar os modelos e os aspectos visualmente.
A visualização dos grupos através de gráficos de dois e três eixos foi possível aplicando a
técnica PCA, abordada na seção 6.1.1. Todos os dados da Matriz Característica foram
utilizados no cálculo da matriz covariância, mas somente os valores médios de cada
amostragem (65 pontos) foram projetados nos eixos e visualizados nos gráficos.
Nas figuras, à esquerda, são vistos os gráficos com os 65 pontos médios projetados em
duas dimensões (XY – 2D). Nas figuras à direita, são apresentadas as perspectivas que
permitem visualizar a separação das falhas, projetando apenas os 33 pontos em três dimensões
(Vista Especial – 3D), correspondentes as falhas observadas na figura à esquerda.
Figura 31 - Modelo VD com Vista XY
Figura 32 - Modelo VD com Vista Especial
Sem
Falhas
Com
Falhas
S.Óleo
A.Elétrico
S.Celulose
47
Figura 33 - Modelo VLog com Vista XY
Figura 34 - Modelo VLog com Vista Especial
Figura 35 - Modelo VDF com Vista XY
Figura 36 - Modelo VDF com Vista Especial
Figura 37 - Modelo VR com Vista XY
Figura 38 - Modelo VR com Vista Especial
Legendas
Sem
Falhas
Com
Falhas
S.Óleo
A.Elétrico
S.Celulose
Sem
Falhas
Com
Falhas
S.Óleo
A.Elétrico
S.Celulose
Sem
Falhas
Com
Falhas
S.Óleo
A.Elétrico
S.Celulose
48
As retas e as curvas na cor preta foram feitas nas figuras de forma manual, com intuito de
ressaltar a separação entre os grupos de amostragens.
Analisando as figuras (31 à 38), por meio da redução de dimensões aplicada pela técnica
PCA, é possível observar que os modelos VDF e VR são similares, isto é justificado pela
normalização que, ao ser feita, reduz a diferença de uma unidade para aproximadamente de
zero.
Ainda sobre as figuras dos modelos, é perceptível que a utilização dos modelos VD e
VLog facilita a separação e, assim, a identificação dos agrupamentos, tanto para amostras
com e sem falha, quanto entre as amostras com falhas reconhecidas pela AGD (tabela 15). Os
resultados para os modelos VD e VLog são positivos, pois ambos lidam com a diferença entre
os instantes de estabilização ( ), sendo influenciados apenas pela variação
(aumento) de concentração do meio, provocado pelos gases dissolvidos no óleo. Enquanto os
outros dois modelos, por utilizarem, em suas equações, o instante inicial ( ) como
divisor, tornam os dados característicos da mesma falha mais dispersos.
Por conta da análise gráfica obtida, os modelos VD e VLog foram selecionados para o
cálculo das Matrizes Características utilizadas pelas outras duas técnicas de reconhecimento
de padrões desta dissertação.
Figura 39 – Progressão das amostragens 44, 51, 61 e
71 com o modelo VD (Vista XY)
Figura 40 - Progressão das amostragens 44, 51, 61 e
71 com o modelo VD (Vista Especial)
Legendas
49
As figuras 39 e 40 mostram o comportamento evolutivo das falhas durante a ocorrência
seguidamente das mesmas falhas. Após a analise das figuras, observa-se que as falhas por
Arco-Elétrico e por Sobreaquecimento do Óleo tendem a direções distintas com a ocorrência
seguida da mesma falha. Nota-se que a falha de celulose aquecida progride de forma mais
lenta, quando é comparada com aquelas duas falhas. É observável também que, com o
progresso da geração de falhas, os grupos tendem a se separar, tornando sua identificação
mais fácil.
A partir destas análises iniciais, nota-se também que, com o conhecimento prévio dos
grupos de amostragens, a classificação de uma nova amostragem qualquer desconhecida já
pode ser feita aplicando a análise PCA, ao projetar seus os dados nos novos eixos.
8.2.2 Análise por Regra do Vizinho Mais Próximo (1-NN)
A Regra do Vizinho mais Próximo classifica todas as amostragens utilizando a métrica de
Mahalanobis. Esta métrica calcula a distância entre as amostragens e os centros de cada
grupo, considerando os dados apresentados pelos modelos (VD e VLog). Para aplicação desta
técnica, considerou-se inicialmente que todas as amostras estavam de acordo com o
procedimento de criação das amostras, ou seja: 10 amostragens de AI, 11 amostragens de AP,
11 amostragens de DP, 11 amostragens de AE, 11 amostragens de SC e 11 amostragens de
SO. A regra 1-NN foi aplicada em quatro análises, sendo que: as duas primeiras separam as
amostragens em dois grupos (Sem e Com falha), a terceira análise divide as amostragens em
seis grupos (AI, AP, DP, AE, SC e SO) e a quarta em quatro grupos (SF, AE, SC e SO, sendo
SF composta pelos grupos AI, AP e DP).
A primeira análise utilizou dois centróides, sendo um o ponto médio entre os grupos das
amostragens de AI e de AP, e outro o ponto médio entre os grupos das amostragens DP, AE,
SC e SO. A segunda análise considerou os resultados da AGD (tabela 15) e assim utilizou
como centróides os pontos médios entre AI, AP e DP e entre AE, SC e SO. A terceira análise
utilizou seis pontos médios como centróides, considerando cada grupo de amostra
individualmente e a quarta considerou o ponto médio entre AI, AP e DP e os centróides de
cada um dos demais grupos (AE, SC e SO).
Para calcular a distância de Mahalanobis, uma matriz covariância foi calculada para cada
grupo de amostra (AI, AP, DP, AE, SC e SO). A partir disto, foi calculada a distância dos
centróides dos grupos a cada um dos 65 pontos médios das amostragens.
50
A classificação por 1-NN possibilitou avaliar o desempenho do protótipo quanto à
capacidade de discriminação das amostragens, identificando quais estavam com e sem falhas.
Além disso, possibilitou verificar a compatibilidade com os resultados da cromatografia.
A tabela 16 apresenta os resultados da 1ª Análise e da 2ª Análise utilizando a regra do
Vizinho Mais Próximo, considerando os dois modelos selecionados na seção 8.2.1 e dois tipos
de dados (PM e PM – PCA 3D), sendo um com quatro vetores e outro com três e aplicando a
análise PCA. A Matriz Característica foi representada pela matriz PM (65x4) dos pontos
médios das amostragens.
Tabela 16 – Percentuais de acertos da 1ª e 2ª Análise – Regra do Vizinho Mais Próximo (1-NN)
Da
do
s
VD (65X4) VLog(65X4)
PM PM- PCA 3D PM PM- PCA 3D
Análises Análises
1ª 2ª 1ª 2ª 1ª 2ª 1ª 2ª
AI 50,00 90,91 50,00 90,00 70,00 100,00 60,00 100,00
AP 72,73 100,00 90,91 100,00 100,00 100,00 100,00 100,00
DP 63,64 72,73 54,55 81,82 81,82 100,00 81,82 100,00
AE 100,00 90,91 100,00 90,91 100,00 90,91 100,00 90,91
SC 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
SO 100,00 100,00 100,00 100,00 100,00 100,00 100,00 100,00
TA 81,54 92,31 83,08 93,85 92,31 98,46 90,77 98,46
1ª Análise considera apenas AI e AP como amostragens normais para o cálculo da distância de
Mahalanobis e as demais como amostragens com falha.
2ª Análise considera AI, AP e DP como amostragens normais para o cálculo da distância de Mahalanobis
e as demais como amostragens com falha.
PM: Matriz composta com os pontos médios de cada amostragem (65x4).
PM- PCA 3D: Matriz composta com os pontos médios projetados em 3 dimensões (65x3).
TA: Total de acertos percentuais para cada análise.
Observando a tabela 16, constata-se que a segunda análise obteve maior taxa de acerto
por amostragem em comparação com a primeira, com exceção apenas para amostragem do
Arco Elétrico (AE). Isto é um indicativo de que a amostra de Descargas Parciais pode ser
classificada como uma amostra normal, de acordo com a segunda análise.
É possível também verificar, através dos resultados da primeira análise, que a
identificação das amostragens de AI obteve maior taxa de erro, igual a 50% para o modelo
VD. Este é um diagnóstico contraditório, pois as amostragens de AI foram coletadas antes dos
procedimentos de criação de falhas, sendo considerada como marco inicial sem falha. Isto
51
contribui para que a primeira análise, que considera as amostragens de DP como amostras
contendo falha, não seja considerada correta.
Considerando os resultados da tabela 16 e os resultados da análise cromatográfica,
apresentados na tabela 14, pode-se concluir que o diagnóstico da segunda análise é válido e a
amostra DP, criada em laboratório, tem grandes chances de ser uma amostra normal (sem
falha), indicando que o procedimento de geração de falha não obteve o resultado esperado.
Observando o Total Acertos (TA), o modelo VLog obtém melhores resultados entre os
modelos comparados, com 98,46%. Os resultados são os mesmos com ou sem redução da
dimensão da matriz PM utilizando a análise PCA (PM - PCA 3D). Assim, dentre os modelos
analisados, provavelmente o VLog com PM - PCA 3D responde de forma mais satisfatória
para identificação das falhas.
Tabela 17 - Percentuais de acertos da 3ª e 4ª Análise - Regra do Vizinho Mais Próximo (1-NN)
Mo
del
os
Am
ost
ras
cria
da
s Amostras Pretendidas (%) Resultados (%)
AI AP DP AE SC SO TA3 TA4
VD
- P
M
AI 70,00 0,00 10,00 20,00 0,00 0,00
84,62 90,76
AP 18,18 63,64 18,18 0,00 0,00 0,00
DP 0,00 0,00 81,82 18,18 0,00 0,00
AE 0,00 0,00 9,09 90,91 0,00 0,00
SC 0,00 0,00 0,00 0,00 100,00 0,00
SO 0,00 0,00 0,00 0,00 0,00 100,00
VD
– P
M -
P
CA
3D
AI 50,00 10,00 30,00 10,00 0,00 0,00
76,92 90,76
AP 9,09 63,64 27,27 0,00 0,00 0,00
DP 0,00 18,18 63,64 18,18 0,00 0,00
AE 0,00 0,00 9,09 90,91 0,00 0,00
SC 0,00 0,00 0,00 0,00 100,00 0,00
SO 0,00 0,00 0,00 0,00 9,09 90,91
VL
og
- P
M AI 80,00 0,00 20,00 0,00 0,00 0,00
78,46 95,38
AP 27,27 63,64 9,09 0,00 0,00 0,00
DP 9,09 27,27 45,45 18,18 0,00 0,00
AE 0,00 0,00 9,09 90,91 0,00 0,00
SC 0,00 0,00 0,00 0,00 100,00 0,00
SO 0,00 0,00 0,00 9,09 0,00 90,91
VL
og
–
PM
-
PC
A 3
D
AI 70,00 10,00 20,00 0,00 0,00 0,00
75,38 93,85
AP 9,09 72,73 18,18 0,00 0,00 0,00
DP 9,09 45,45 27,27 18,18 0,00 0,00
AE 9,09 0,00 9,09 90,91 0,00 0,00
SC 0,00 0,00 0,00 0,00 100,00 0,00
SO 0,00 0,00 0,00 9,09 0,00 90,91
3ª Análise: considera seis centróides identificando cada grupo de amostras.
TA3: Total de acertos percentuais para a análise 3.
TA4: Total de acertos percentuais para a análise 4, considerando AI, AP e DP amostras
normais.
PM: Matriz composta com os pontos médios de cada amostragem (65x4).
PM- PCA 3D: Matriz composta com os pontos médios projetados em 3 dimensões (65x3).
52
O resultado da terceira Análise pode ser visualizado na tabela 17. Através desta, constata-
se que: o modelo VD, sem aplicação da análise PCA, obtém melhor desempenho na
classificação de cada amostragem como sendo integrante do seu grupo. Com este modelo, a
taxa de total de acertos (TA3) atinge 84,62%. Mas, quando se considera o grupo das
amostragens AI, AP e DP como um único grupo (amostras sem falhas), a taxa de acerto com o
modelo VLog foi superior a do VD, com total de acertos (TA4) igual a 95,38%. Desta forma,
percebe-se que 15,92% dos erros do modelo VLog, identificados com a taxa TA3 (separação
em seis grupos), são devidos às amostragens AI, AP e DP, que têm características dispersas e,
ao mesmo tempo, são misturadas. Isto pode ser visto nos gráficos deste modelo com Vista
XY.
A partir disto e da maior taxa de acerto TA4, também se entende que a aplicação do
modelo VLog faz com que os grupos com as mesmas características estejam mais próximos e
os com características diferentes mais distantes.
Considerando os resultados da AGD e os apresentados nas tabelas 16 e 17, conclui-se que
o reconhecimento utilizando a Regra do Vizinho mais Próximo (1-NN), aplicado aos dados
gerados por sensores de dióxido de estanho, consegue obter resultados favoráveis. O modelo
VLog junto com a aplicação da técnica PCA pode ser considerado como a melhor sugestão
para identificação das falhas utilizando 1-NN.
8.2.3 Análise Utilizando Redes Neurais (MLP)
A rede neural artificial é uma das técnicas mais aplicada no reconhecimento de padrões
de dados gerados por narizes eletrônicos (SCOTT; et al, 2007; HINES; et al, 2003;
GARDNER; et al, 1994). Este trabalho utiliza as redes Perceptron Multi-Camadas ( Multi-
Layer Perceptron - MLP), treinadas com o algoritmo Levenberg-Marquardt (algoritmo de
backpropagation que combina o método do gradiente com o algoritmo de Gauss-Newton),
para avaliar a capacidade de classificação das falhas utilizando os dados do protótipo. Para
esta finalidade, apenas foram utilizados os dados obtidos pelos modelos VD e VLog.
Para realizar o treinamento utilizaram-se 8 amostragens de cada grupo, ou seja 800
dados, totalizando 4800 dados para o treinamento. A simulação da rede utilizou 17
amostragens que não participaram do treinamento da rede. No conjunto de dados de
simulação foram inclusos também 65 pontos correspondentes aos valores médios de cada
amostragem. A separação das amostras para treinamento e simulação pode ser vista na tabela
18.
53
Tabela 18 – Seleção das Amostragens para Treinamento e Teste da rede MLP
Etapa - Coletas Amostragens de Treinamento Amostragens de Teste
11 AE11, DP11, SC11 e SO11 AP11
21 AE21, DP21 e SC21 AP21 e SO21
22 AP22, DP22, SC22 e SO22 AE22
23 AP23, AE23, SC23 e SO23 DP23
24 AP24, AE24, DP24 e SO24 SC24
31 AE31, DP31, SC31 e SO31 AP31
41 AP41, AE41, DP41 e SO41 SC41
42 AE42, DP42 e SC42 AP42 e SO42
43 AP43, DP43, SC43 e SO43 AE43
44 AP44, AE44, SC44 e SO44 DP44
51 AP51, AE51, DP51 e SC51 SO51
61 AP61, SC61 e SO61 DP61 e AE61
71 AE71, DP71 e SO71 AP71 e SC71
Extra - 65 Pontos Médios (PM) de Cada
Amostra
Total 48 amostragens 17 amostragens + 65 PM
Nº de Dados 4800 dados 1765 dados
As redes foram construídas com apenas uma camada oculta e sua análise foi subdividida
em outras quatro, sendo similares às feitas pela Regra do Vizinho Mais Próximo. As
configurações das redes na fase de treinamento podem ser vista nas tabelas 22, 23 e 24, no
apêndice C. A primeira considera as amostragens de Descargas Parciais como amostra com
falha. A segunda é similar à primeira análise, e diferencia desta por considerar as amostragens
de DP como amostra sem falha. A terceira análise busca classificar cada grupo de
amostragem, sendo assim, apresenta seis tipos de saídas (AI, AP, DP, AE, SC e SO). A última
análise utiliza três redes neurais treinadas para separar as amostras em quatro grupos (SF, AE,
SC, SO). Ela considera as amostragens AI, AP e DP iguais a amostragens sem falha (SF). Os
resultados destas análises podem ser vistos nas tabelas 19, 20 e 21.
A tabela 19 retrata os resultados da primeira e segunda análise, a qual leva em
consideração o número de neurônios na camada oculta e a matriz característica dos modelos
VD e VLog. Nota-se, através da mesma, que os melhores resultados são obtidos na segunda
análise, que considera a amostra de Descargas Parciais como amostra normal. Ao considerar o
54
acerto médio de cada análise, a segunda obtém 97,3%, enquanto a primeira acerta 89,6%, ao
simular as redes com 10, 5 e 2 neurônios ocultos e com ambos os modelos.
Ao comparar os resultados de cada modelo, diferentemente do resultado da análise por
Regra do Vizinho Mais Próximo, o melhor resultado foi obtido com o modelo VD, com
acerto médio de 95,3%, considerando ambas as análises e as redes contendo 10, 5 e 2
neurônicos ocultos. O modelo VLog obteve média igual a 91,7% de acerto, com as mesmas
considerações.
Tabela 19 – Percentuais de acertos da 1ª e 2ª Análise - MLP
Mo
del
o V
D
NCO AI AP DP AE SC SO Total
An
ali
se 1
10 89,5% 100,0% 67,2% 100,0% 100,0% 100,0% 93,0%
5 100,0% 75,6% 100,0% 100,0% 100,0% 100,0% 95,7%
2 100,0% 100,0% 35,7% 100,0% 100,0% 100,0% 88,7%
Acerto Médio da Análise 1 com o modelo VD 92,47%
An
ali
se 2
10 100,0% 100,0% 100,0% 99,7% 100,0% 100,0% 99,9%
5 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
2 100,0% 100,0% 100,0% 67,2% 100,0% 100,0% 94,2%
Acerto Médio da Análise 2 com o modelo VD 98,0%
Acerto Médio do Modelo 95,3%
Mo
del
o V
Lo
g
NCO AI AP DP AE SC SO Total
An
ali
se 1
10 100,0% 67,5% 67,2% 96,5% 100,0% 100,0% 87,9%
5 100,0% 67,5% 100,0% 95,8% 100,0% 100,0% 93,5%
2 100,0% 67,5% 35,7% 76,8% 100,0% 100,0% 78,9%
Acerto Médio da Análise 1 com o modelo VLog 86,8%
An
ali
se 2
10 100,0% 100,0% 100,0% 100,0% 100,0% 100,0% 100,0%
5 100,0% 100,0% 67,5% 100,0% 100,0% 100,0% 94,3%
2 62,9% 100,0% 100,0% 100,0% 100,0% 100,0% 95,6%
Acerto Médio da Análise 2 com o modelo VLog 96,6%
Acerto Médio do Modelo 91,7%
Acerto Médio da Análise 1 89,6%
Acerto Médio da Análise 2 97,3%
1ª Análise: Separa as amostras em dois grupos: com e sem falha. Considera apenas AI e AP
como amostras normais e as demais como amostras com falha.
2ª Análise: Separa as amostras em dois grupos: com e sem falha. Considera AI, AP e DP como
amostras normais e as demais como amostras com falha.
NCO: número de Neurônios na Camada Oculta.
55
Sobre a quantidade de neurônios na camada oculta, a tabela 19 mostra que a segunda
análise obteve melhores resultados de classificações, em ambos os modelos. As quantidades
de neurônios escondidos para obter os melhores resultados foram: 5 neurônios para VD e 10
neurônios para VLog.
Considerando que a velocidade de processamento da análise é inversamente proporcional
a quantidade de neurônios, então a melhor escolha para utilizar as redes neurais, como técnica
de reconhecimento de padrão para distinguir amostras com e sem falha, é utilizando o modelo
VD com apenas 5 neurônios na camada oculta. Este resultado não é definitivo. O uso da rede
neural é bastante subjetivo, pois, a cada treinamento, novos pesos sinápticos podem ser
utilizados para iniciá-lo, alterando a eficiência da classificação. Além disto, é necessária uma
grande quantidade de dados para obter uma boa generalização da rede.
Tabela 20 - Percentuais de acertos da 3ª Análise - MLP
Os resultados da terceira análise podem ser visualizados na tabela 20. Por meio dela,
podem-se analisar a respostas das redes neurais para classificar as amostragens em seis
grupos, utilizando os dados dos modelos selecionados anteriormente e alterando a quantidade
de neurônios na camada oculta. Após a simulação das redes, notou-se que algumas respostas
apresentadas pela rede não estavam presentes no conjunto de respostas desejadas. Estas foram
denominadas como respostas conflituosas ou, simplesmente, como conflitos.
Mo
del
o
Neu
rôn
ios
Ocu
lto
s
Total de
Acertos (%)
Erro de
Classificação
(%)
Conflitos (%) Erro Total (%)
VD
12 81,93% 11,44% 6,63% 18,07%
10 75,86% 7,76% 16,37% 24,13%
6 77,11% 6,06% 16,83% 22,89%
Acerto Médio do Modelo VD 78,30%
VL
og
12 71,39% 15,92% 12,69% 28,61%
10 80,91% 13,09% 6,01% 19,10%
6 72,97% 13,71% 13,31% 27,02%
Acerto Médio do Modelo VLog 75,09%
3ª Análise: Separa as amostras em seis grupos: AI, AP, DP, AE, SC e SO.
Conflitos: Conflito na resposta da rede, ou seja, a rede apresenta o código de saída diferente
daqueles que foi utilizado na identificação dos grupos.
56
As médias do total de acertos encontrada para os dois modelos são muito próximas,
sendo que o VD obteve 78,30%, enquanto o modelo VLog conseguiu 75,09% de acerto.
Observando os resultados considerando o número de neurônios na camada oculta, os
melhores resultados obtidos são com: 12 neurônios para o VD e 10 neurônios para o VLog.
Novamente, a escolha de uma rede neural utilizando os dados do modelo VD para efetuar
o treinamento é indicada como sendo mais satisfatória, quando comparada com outra rede que
utiliza o modelo VLog. Apesar disto, os resultados obtidos com o modelo VLog podem ser
considerados satisfatórios, pois esses foram próximos aos do modelo VD.
Tabela 21 - Percentuais de acertos da 4ª Análise - MLP
A quarta análise dos dados utilizando redes neurais é feita considerando as amostragens
AI, AP e DP como sendo o mesmo grupo e, sendo assim, todas são consideradas sem falha. A
partir desta consideração, as redes foram treinadas e simuladas, obtendo os resultados
apresentados pela tabela 21.
Através da tabela 21, observa-se que o acerto médio indica que o modelo Vlog obtém
melhores resultados na classificação das amostras, obtendo 93,98% de acertos. O modelo VD
também apresenta um bom resultado, mas inferior, com média de total de acertos igual a
91,80%.
Mo
del
o
Neu
rôn
ios
Ocu
lto
s
Total de
Acertos (%)
Erro de
Classificação
(%)
Conflitos (%) Erro Total (%)
VD
10 94,22 0,00 5,78 5,78
8 92,69 6,23 1,08 7,31
4 88,50 5,72 5,78 11,5
Acerto Médio do Modelo VD 91,80%
VL
og
10 100,00 0,00 0,00 0,00
8 94,56 0,00 5,44 5,44
4 87,37 7,71 4,93 12,64
Acerto Médio do Modelo VLog 93,98%
4ª Análise: Separa as amostras em quatro grupos: Sem falha, AE, SC e SO. Considera AI,
AP e DP como amostras normais e as demais como amostras com falha.
Conflitos: Conflito na resposta da rede, ou seja, a rede apresenta o código de saída diferente
daqueles que foi utilizado na identificação dos grupos.
57
Para ambos os modelos, as redes com 10 neurônicos obtêm resultados mais eficientes,
destacando a classificação do VLog com 100% de acerto.
Diferentemente das outras análises utilizando redes neurais, a quarta análise indica que a
rede neural com 10 neurônios ocultos, treinada e simulada com os dados do modelo VLog, é a
mais eficiente na classificação das amostragens. Apesar disso, deve-se lembrar: que os
resultados obtidos por ambos os modelos foram próximos e que o treinamento foi realizado
com 48 amostragens, ou seja, com uma quantidade pequena de dados. Além disto, sabe-se que
a escolha das redes neurais é feita de forma experimental e subjetiva atendendo às condições
de escolhas de quem realiza o treinamento da rede.
58
9 Conclusão
O trabalho apresentado nesta dissertação teve como objetivo principal estudar a
potencialidade do uso de uma matriz de sensores de gases de dióxido de estanho, em conjunto
com técnicas de reconhecimento de padrão, na detecção de falhas em transformadores de
potência através de gases dissolvidos em óleo mineral isolante.
As análises desta dissertação foram feitas com base em amostras criadas em laboratório.
Apesar disto, a análise AGD (cromatografia e interpretação) demonstrou que das quatro, três
delas foram compatíveis com algum dos métodos de interpretação convencionais.
Uma vez que os métodos de análise AGD tradicionais validaram, separadamente, quase
todas as amostras com falha, com exceção da amostra que deveria ser de Descargas Parciais,
foi possível considerar que as amostras de Arco Elétrico, Sobreaquecimento de Celulose e
Sobreaquecimento de Óleo apresentavam características similares às das falhas reais. Para o
caso das Descargas Parciais o procedimento deverá ser revisto e melhorado para obter
compatibilidade com a falha real.
Em geral, as análises dos dados coletados, realizadas com as técnicas de reconhecimento
de padrão, foram consideradas satisfatórias. Uma vez que as análises permitiram verificar a
separabilidade de amostragens em grupos, demonstrando que as respostas da matriz de
sensores apresentam diferentes padrões para as amostras (AI, AP, DP, AE, SC e SO), foi
possível observar que existe compatibilidade com os resultados apresentados pela análise
convencional (AGD).
Com os dados coletados, foi possível inicialmente aplicar a análise das componentes
principais (PCA) para reduzir a dimensão da matriz de dados. Isto permitiu que os dados
fossem explorados visualmente e, assim, escolher os modelos de extração de características,
entre: VD, VR, VDF e VLog, que oferecessem a melhor separação entre os grupos de
amostras, já conhecidos. Os modelos escolhidos, de forma visual, foram: VD e o VLog.
O uso da análise PCA permitiu também que fosse visualizada a progressão das falhas,
após dias consecutivos alternando os procedimentos de coleta das amostragens e de criação
das falhas. Com isto, observou-se que os grupos tenderam a se desenvolver, com a progressão
da falha, em direções distintas.
As análises feitas com a Regra do Vizinho mais Próximo (1-NN) permitiram avaliar tanto
o grau de similaridade entre as amostragens do mesmo grupo, quanto a possibilidade de
classificar as amostragens de Descargas Parciais (DP) como uma falha ou como uma amostra
59
normal. Todas as análises que classificaram as amostragens de Descargas Parciais como
normal obtiveram taxas de acerto superiores, concordando com a análise de gases dissolvidos.
A Regra do Vizinho mais Próximo foi utilizada também para avaliar os dois modelos
escolhidos (VD e VLog). Os resultados demonstraram que o modelo VLog com aplicação da
técnica PCA(3D) respondeu de forma satisfatória para separação das amostragens em dois
grupos (com e sem falha), com percentual de acerto igual a 98,46%.
Quando a Regra do Vizinho mais Próximo foi utilizada para avaliar a separação das
amostras em quatro grupos (Sem Falha, Arco Elétrico, Sobreaquecimento de Celulose e
Sobreaquecimento do Óleo), concordando com a AGD, o modelo VLog utilizando a análise
PCA 3D obteve o melhor resultado, com 93,85% de acertos. Por conta da capacidade de
reduzir a dimensão da matriz característica, este modelo foi também considerado satisfatório
para o objetivo desta análise.
A utilização das redes neurais, na classificação dos dados, mostrou que os melhores
resultados de classificação foram obtidos quando se consideram as amostragens de Descargas
Parciais como sendo amostras normais. Além disto, as redes neurais permitiram também
avaliar os modelos VD e VLog, de acordo com a quantidade de neurônios na camada oculta
utilizada. O modelo VD foi considerado mais eficiente para classificação das amostras em
dois (normais e com falha) e em seis (AI, AP, DP, AE, SC e SO) grupos, com 95,25% e
78,30% de média de acertos, respectivamente. Apesar disto, quando se desejou classificar as
amostras em quatro grupos (SF, AE, SC e SO), o modelo VLog obteve o melhor resultado,
com média de acertos igual a 93,98%.
Sobre as redes neurais, é necessário observar que para obter resultados mais precisos será
necessário utilizar uma quantidade maior de amostras no momento do treinamento. Outro
detalhe que poderá modificar um pouco os resultados de acerto dos modelos VD e VLog será
a condição de escolha (condição de parada do algoritmo de treinamento) da rede e a
introdução dos pesos sinápticos iniciais.
De forma geral, os resultados obtidos pelos dados coletados indicaram que existem boas
possibilidades de identificar que tipo de falha está presente no equipamento, analisando os
gases dissolvidos no óleo mineral isolante com uma matriz de sensores de dióxido de estanho
e uma técnica de reconhecimento de padrões.
A confirmação dos resultados obtidos por esta dissertação será mais expressivo com a
utilização de amostras reais de falhas de transformadores de potência no sistema de análise
60
proposto. Uma alternativa interessante para confirmar a aplicação do sistema será refazer os
procedimentos de criação de falha, apresentado nesta dissertação, utilizando outros materiais
(recipientes, eletrodos, sistema de energização, aquecedores, medidores) a fim de melhorá-los.
Além disto, desenvolver outra metodologia para geração das Descargas Parciais ou melhorar a
proposta nesta pesquisa será desejável.
Com relação ao sistema de aquisição de dados, será possível implementar melhorias ao
mesmo para que sua análise seja automática e mais rápida. Opções para isso serão: melhorar o
sistema de introdução e retirada da amostra da câmara utilizando válvulas hidráulicas e
sistema de bombeamento; utilizar uma bomba de vácuo para, junto com o misturador
magnético, acelerar o processo de desgaseificação do óleo dentro da câmara; construir uma
câmara para facilitar a introdução das amostras e evitar que o gás escape; e, a principal,
colocar um número maior de sensores, com respostas diferentes entre si, facilitando ainda
mais a identificação das amostras.
Além do instrumento, o desenvolvimento de outros algoritmos de análise de dados
poderá facilitar a classificação das amostras, assim como a utilização de outros modelos para
extração de características. A utilização de outras redes neurais poderá ser também uma opção
para melhorar os resultados da classificação das amostras.
Apesar dos resultados desta dissertação serem animadores, estudos mais aprofundados
devem ser realizados, inclusive com amostras de óleo de transformadores reais, pois existem
possibilidades de que os sensores de dióxido de estanho possam se tornar uma alternativa
viável para monitoramento de transformadores de potência, melhorando e auxiliando os
métodos de análises existentes.
61
REFERÊNCIAS BIBLIOGRÁFICAS
ABNT; norma: NBR 5458 - Transformador de potencia: Terminologia; 1986.
ABNT; norma: NBR5356 - Transformadores de Potência: Especifições; 1993.
ABNT; norma: NBR5380 - Transformadores de Potência: Método de ensaio; 1993.
ABNT; norma: NBR7037 - 1993 - Recebimento Instalações Manutenção de Transformadores
de Potência em Óleo: Procedimentos; 1993.
AGÊNCIA NACIONAL DE ENERGIA ELÉTRICA (ANEEL); resolução normativa: Nº 63,
de 12 de maio de 2004. Disponível em: http://www.aneel.gov.br/biblioteca/
pesquisadigitres.cfm; acesso em: 7 de jul. 2011.
AGÊNCIA NACIONAL DO PETRÓLEO, GÁS NATURAL E BIOCOMBUSTÍVEIS;
regulamento técnico: ANP Nº 3/99; Portaria Nº 80/99; Anexo I; item 3.6. Disponível em:
http://www.anp.gov.br/?id=478; acesso em 15 de ago. de 2011.
AGÊNCIA NACIONAL DO PETRÓLEO, GÁS NATURAL E BIOCOMBUSTÍVEIS;
resolução: ANP Nº 36, de 5.12.2008. Disponível em: http://www.anp.gov.br/?id=478; acesso
em 15 de ago. de 2011.
ALBUQUERQUE, M.A.; dissertação: Estabilidade em Análise de Agrupamento (cluster
analysis); Universidade Federal Rural de Pernambuco; Departamento de Física e Matemática;
Pernambuco; 2005.
ARANTES, J. G.; dissertação: Diagnóstico de Falhas em transformadores de Potência Pela
Análise de Gases Dissolvidos em Óleos Isolantes através de Redes Neurais; Universidade
Federal de Itajubá, Minas Gerais, 2005.
ASSUNÇÃO, T.C.B.N; tese: Contribuição à Modelagem e Análise do Envelhecimento de
Transformadores de Potência; Universidade Federal de Minas Gerais; Minas Gerais; jul. de
2007.
BECHARA, R.; dissertação: Análise de Falhas de Transformadores de Potência; Escola
Politécnica da Universidade de São Paulo, São Paulo, 2010.
BENEDET, M. E.; dissertação: Otimização de um analisador de gás dissolvido em óleo de
múltiplos transformadores de potência. Universidade Federal de Santa Catarina, Santa
Catarina; 2008.
CARVALHO, A.; LEVY, A.; AMORIM, H; et al; artigo: Medições de Descargas Parciais no
Campo: Aspectos Práticos em Transformadores de potência; XIII ERIAC - Décimo Terceiro
Encontro Regional Ibero-americano do CIGRÉ; Comitê de Estudo A2 - Transformadores;
2009.
62
COSTA, S.; dissertação: Técnicas de Monitoramento de Transformadores de Potência
Direcionadas à Manutenção com Base nas Condições; Escola Politécnica da Universidade de
São Paulo, São Paulo, 1999.
CUENCA, W. M. H; tese: Caracterização dos Sinais de Descargas Parciais em Equipamentos
de Alta Tensão a partir de Modelos Experimentais, Universidade Federal do Rio de Janeiro,
COPPE , Rio de Janeiro; 2005.
DUDA, R.O.; HART, E. P.; STORK, D.G.; livro: Pattern Classification; Wiley-Interscience;
2 edition; outubro, 2000.
DUVAL, M.; artigo: A Review of Faults Detectable by Gas-in-Oil Analysis in Transformers;
IEEE Electrical Insulation Magazine; 2002.
FERREIRA, A. A.; dissertação: Comparação de arquiteturas de redes neurais para sistemas de
reconhecimento de padrões em narizes artificiais; Universidade Federal de Pernambuco;
Pernambuco; 2004.
FÍGARO ENGINEERING INC; datasheet: Product information TGS 2600; Osaka; Japan;
2005b; disponível em: http://www.figarosensor.com/products; acesso em: 25 de ago. de 2010.
FÍGARO ENGINEERING INC; datasheet: Product information TGS 2602; Osaka; Japan;
2005c; disponível em http://www.figarosensor.com/products; acesso em: 25 de ago. de 2010.
FÍGARO ENGINEERING INC; datasheet: Product information TGS 2620; Osaka; Japan;
2005d; disponível em http://www.figarosensor.com/products; acesso em: 25 de ago. de 2010.
FÍGARO ENGINEERING INC; datasheet: Product information TGS 813; Osaka; Japan;
2002; disponível em http://www.figarosensor.com/products; acesso em: 25 de ago. de 2010.
FIGARO ENGINEERING INC; manual: GENERAL INFORMATION FOR TGS SENSORS
- Technical Information on Usage of TGS Sensors for Toxic and Explosive Gas Leak
Detectors; Fígaro Group; 2005a. Disponível em http://www.figarosensor.com/products/
common%281104%29.pdf; acesso em: 25 de ago. de 2010.
FIGUEIREDO, A. V. P.; dissertação: Comparação estatística de performance de métodos de
redes neurais para sistema de olfação biológica; UFRPE; 2007.
GARDNER, J. W.; BARTLETT, P. N. artigo: A brief history of electronic noses. Sensors and
Actuators B; vol. 18-19; p. 211-220; 1994.
GOES,G.; internet: Subestação Jardins - Aracaju – Sergipe; Disponível em:
http://www.panoramio.com/photo/ 40266028 ; acesso em: 16 de ago. de 2011.
GUARDADO, J. L.; NAREDO, J. L.; et al.; artigo: A Comparative Study of Neural Network
Efficiency in Power Transformers Diagnosis Using Dissolved Gas Analysis; IEEE Trans. on
Power Delivery; Vol. 16; No. 4; pp. 643-647; outubro 2001.
HAYKIN, S.; livro: Redes Neurais: Princípios e Prática, Tradução: Paulo Martins Engel;
Editora Bookman, 2ª ed.; reimpressão 2008; Porto Alegre, 2001.
63
HINES, E.L.; BOITOL; P.; GARDNER, J.W.; et al; livro: Handbook of Machine Olfaction:
Electronic Nose Technology; Cap. 6 :Pattern Analysis for Eletronic Noses; Editado por:
PEARCE, T.C.; SHIFFMAN, S.S.; GARDNER, J.W.; et al; publicado por: Wiley-VCH;
2003.
IEEE Std C57.104-2008; norma: IEEE - Guide for the Interpretation of Gases Generated in
Oil-Immersed Transformers; IEEE Power & Energy Society; New York; 2009.
JACK, C.; livro: Hazardous Gas Monitors - A Practical Guide to Selection, Operation and
Applications; Mcgraw-Hill; New York; 1999.
MARTINS, G. A. S.; tese: Identificação de plásticos comerciais por meio de um nariz
eletrônico baseado em polímeros condutores; Universidade de São Paulo; Escola Politécnica;
Engenharia Metalúrgica e de Materiais; 2011.
MILASCH, M.; livro: Manutenção de transformadores em líquido isolante; Ed. Edgard
Blücher; São Paulo, 1984; 4ª reimpressão 1993.
NOGUEIRA, C.A.A.; dissertação: Avaliação de Sistemas de Medição da Concentração de
Hidrogênio Dissolvido em Óleo Isolante; Universidade Federal de Santa Catarina;
Florianópolis; 2004.
NUNES, J.; PAHLAVANPOUR, B.; artigo: Os Recentes Desenvolvimentos na Análise de
Gases Dissolvidos (DGA); XIII Eriac; Argentina; 2009.
ONS – Operador Nacional do Sistema Elétrico; internet: Conheça o SI: Mapas do SI;
Disponível em: http://www.ons.org.br/conheca_sistema/mapas_sin.aspx; acesso em: 8 de ago.
de 2011.
OSÓRIO, F. S.; BITTENCOURT, J. R.; apostila-seminário: Sistemas Inteligentes baseados
em redes neurais artificiais aplicados ao processamento de imagens; In: Workshop de
Inteligência Artificial, 2000. Santa Cruz do Sul, UNISC – Universidade de Santa Cruz do Sul
– Departamento de Informática, 2000.
PENA, M.C. M.; dissertação: Falhas em transformadores de potência : uma contribuição para
análise, definições, causas e soluções; Universidade Federal de Itajubá, Minas Gerais; 2003;
PONTES, R. O; dissertação: Modelo Matemático Para Explosões em Transformadores.
Universidade Federal de Pernambuco, Recife; 2001.
SANTOS, R. R.; monografia: Projeto de um Sistema de Multipropósito de Sensoriamento de
Gases; Universidade Federal de Sergipe, Sergipe, 2009.
SCOTT, S.M.; JAMES D. ; ALI Z.; artigo: Data analysis for electronic nose systems;
Microchim Acta – 156; p. 183 – 207; 2007.
SIEMENS; internet: Transformadores de Potência; Siemens.com Global Website; Disponível
em: http://www.energy.siemens.com/br/pt/transmissao-de-energia/transformadores/
transformadores-de-potencia/; acesso em: 16 de ago. de 2011.
64
THEODORIDIS, S.; KOUTROUMBAS, K; livro: Pattern Recognition; Elsevier Inc.; United
States of America; 2009.
VEGA, M. L. B. P.; dissertação: Sistema Inteligente para identificar Gases; Escola Politécnica
da Universidade de São Paulo; São Paulo; 1998.
YU; H.; WILAMOWSKI; B. M.; livro: Industrial Electronics Handbook: Intelligent Systems;
CRC Press; vol. 5 –; 2nd Edition; Cap. 12: Levenberg–Marquardt Training; pp. 12-1 to 12-15;
2011.
ZURN, H. H.; ZIRBES, R; et al.; artigo: Metodologias para Avaliação e Diagnostico do
Estado de Isolamentos de Papel Impregnado com Óleo Mineral; Revista Controle e
Automação; Vol.16; No. 3; julho 2005
ZYLKA, P.; artigo: Electrochemical gas sensors can supplement chromatographybased DGA;
Electrical Engineering, vol. 87, pp. 137–142; abril 2005.
ZYLKA, P.; MAZUREK, B.; artigo: DGA system utilising semiconductor gas sensor; Proc.
SPIE: Optoelectronic and electronic sensors III, 3730, 93-97; 1999.
65
APÊNDICES
APÊNDICE A- Diagrama de Bloco da Análise Cromatográfica utilizada pela norma IEEE (2008)
Figura 41 - Diagrama de Bloco da Análise Cromatográfica utilizada pela norma IEEE (2008)
66
APÊNDICE B- Procedimento de coleta de dados Estabeleceu-se o seguinte padrão:
1. Realizar o procedimento de limpeza:
a. Limpeza da câmara: Ativar função de limpeza com o cooler do instrumento;
b. Limpeza manual das mangueiras com uso de óleo novo
c. Limpeza do recipiente que recebe o óleo com sabão neutro;
2. Configurar o protótipo
a. Colocar o recipiente na câmara
b. Encaixar as mangueiras e o sistema de bombeamento na câmara;
3. Ativar a função de Análise e Limpeza do instrumento com escotilhas abertas
a. Marca o início da estabilização inicial dos sensores;
4. Fechar as escotilhas após 3 minutos de análise;
a. Função de Limpeza é desativada
5. Programa: limpar o gráfico e os dados com 8 minutos de análise;
a. Início da gravação dos dados
6. Injeção de 140 ml de óleo no recipiente da câmara com 10 minutos de análise
a. Fim da Estabilização Inicial – Início da Injeção;
7. Ligar o misturador magnético logo após o término da injeção do óleo
a. Fim da Injeção – Início da Estabilização Final;
8. Parar a análise com 22 minutos ou 3400 dados:
a. Fim da Estabilização Final;
9. Programa: salvar os dados e o gráfico da análise
A injeção é feita no item 6, após 10 minutos de análise. O sistema de bombeamento
citado no item 2.b é o responsável pela injeção do óleo na câmara. Ele composto por uma
seringa de plástica de 60 ml e foram necessárias três injeções consecutivas para atingir a
marcação de feita no recipiente, colocado dentro da câmara, identificando o valor de 140 ml.
A quantidade de óleo injetada foi definida com base nos testes preliminares de detecção dos
gases e, também, para evitar respingos de óleo nos sensores causado pela proximidade e a
movimentação do líquido. A seguir, o procedimento de amostragem do óleo é mostrado por
um digrama de bloco (figura 42).
67
Figura 42 - Diagrama de Blocos do Procedimento de Coleta
68
APÊNDICE C- Configurações e parâmetros das redes neurais MLP
Tabela 22 - Dados de Entrada e de Saída Desejada utilizados pela rede neural
Dados de Entrada
C.Treino 73% da Matriz Característica; quantidade: 8 amostragens de cada
grupo.
C.Teste 27% da Matriz Característica; quantidade: 3 amostragens que não
estavam presentes no treinamento.
Dados de Saída Desejada
1ª e 2ª Análises Amostra sem Falha:[0 1];
Amostra com Falha: [1 0]
3ª Análise
Amostras Iniciais: [0 0 0 0 0 1];
Amostra Padrão: [1 0 0 0 0 0];
Descargas Parciais: [0 1 0 0 0 0];
Arco Elétrico: [0 0 0 0 1 0];
Sobreaquecimento da Celulose: [0 0 1 0 0 0];
Sobreaquecimento do Óleo: [0 0 0 1 0 0];
4ª Análise
Amostra sem Falha:[0 0 0 1];
Arco Elétrico:[1 0 0 0];
Sobreaquecimento Celulose:[0 1 0 0];
Sobreaquecimento Óleo:[0 0 1 0];
Tabela 23 - Parâmetros utilizados na criação da rede MLP com a ferramenta nntool
Parâmetros de Criação das Redes:
Tipo de Rede Feed-Forward backprop
Dado entrada D.Treinamento
Dados de saída desejada depende da análise
Função de Treinamento TRAINLM – (backpropagation tipo Levenberg-Marquardt )
Função de Aprendizado para
pesos e bias
LEARNGDM (Algoritmo de aprendizado gradiente descendente com
momento)
Função de desempenho MSE (erro médio quadrático)
Número de Neurônios ocultos
1ª e 2ª Analise: 10, 5, 2 neurônios
3ª Analise: 12, 10, 6 neurônios
4ª Analise: 10, 8, 4 neurônios
Função de Ativação TANSIG – ( tangente hiperbólica sigmóide)
Tabela 24 - Parâmetros utilizados durante o treinamento da rede MLP com a ferramenta nntool
Parâmetros de treinamento
Numero de épocas (epochs) 1000
Objetivo (goal) 0
Máximo número de falhas no conjunto de validação (Max_fail) 5
Parâmetro é usado para controlar a quantidade de memória usada pelo algoritmo (men_reduc)
1
Valor mínimo do Gradintes (min_grad) 1.0000e-10
Parâmetro da função de correção dos pesos e bia (mu) 1.0000e-03
Valor de decréscimo do parâmetro mu (mu_dec) 0.1000
Valor de acréscimo do parâmetro mu (mu_inc) 10
Valor máximo do parâmetro mu 10.000e+10
Duração do treinamento (time) infinito
69
APÊNDICE D- Análise Cromatográfica
Cromatografia
O resultado da cromatografia gasosa encontra-se na tabela 25. Nesta tabela, observam-se
os valores de concentração Gases Combustíveis Dissolvidos Totais (GCDT) e a Concentração
Individual de cada gás, a fim de classificar o estado da isolação do equipamento de acordo
com a tabela de limites de concentração estabelecida pela norma IEEE (ver tabela 2):
Tabela 25 - Cromatografia da amostras criadas em laboratório
Gases Amostras e Concentrações (ppm)
AP DP AE SC SO
Hidrogênio (H2) 2,819 5,795 489,849 52,793 63,060
Metano (CH4) 10,022 5,617 184,921 1,912 480,499
Acetileno (C2H2) 0,000 12,651 2700,814 0,000 0,076
Etileno (C2H4) 8,277 8,668 281,618 40,277 20,920
Etano (C2H6) 37,606 31,104 45,335 59,648 88,321
Monóxido de
Carbono (CO) 15,435 23,950 87,244 1669,643 485,468
Dióxido de
Carbono (CO2) 1019,996 789,331 857,275 5632,069 2125,549
GCDT* 74,159 87,785 3789,781 1824,273 1138,344
Classificação Condição 1 Condição 1 Condição 3 Condição 2 Condição 2
Legenda
GCDT*: Gases Combustíveis Dissolvidos Totais
Limite de Concentração na Condição-1
Limite de Concentração na Condição-2
Limite de Concentração na Condição-3
Limite de Concentração na Condição-4
Taxa de Geração
A Taxa de Geração indica o aumento ou redução da quantidade de gases combustíveis
produzidos durante certo tempo. A análise considerou as datas de início dos procedimentos da
criação das amostras e a data da cromatografia. Na tabela 26 são encontrados: a quantidade de
gases produzidos subtraindo os valores de concentração dos gases de cada falha pela a de
70
amostra AP e o tempo de geração de falha (dias contados do início da geração ao dia da
cromatografia).
Tabela 26 - Taxa de Geração de Gases das Amostras
Gases Amostras e Taxa de Geração de Gases (ppm)
AP DP AE SC SO
Hidrogênio (H2)
0,135 20,293 2,173 8,606
Metano (CH4) -0,200 7,287 -0,353 67,211
Acetileno (C2H2) 0,575 112,534 0,000 0,011
Etileno (C2H4) 0,018 11,389 1,391 1,806
Etano (C2H6) -0,296 0,322 0,958 7,245
Monóxido de
Carbono (CO) 0,387 2,992 71,922 67,148
Classificação Condição 1 Condição 1 Condição 3 Condição 2 Condição 2
Monitoração Anual Anual Semanal Mensal Mensal
Legenda
Dias: DP(22 dias); AE (24 dias); CS(23 dias); OS(7 dias)
Taxa de geração de gás abaixo de 10 ppm/dia
Taxa de geração de gás entre 10 e 30 ppm/dia
Taxa de geração de gás acima de 30 ppm/dia
A análise da taxa de geração, utilizada pela norma IEEE (2008), possibilita classificar
tanto a situação do equipamento, como também obter algumas diretrizes para realizar a
monitoração dos mesmos através da taxa de geração das amostras.
O equipamento que possuir o comportamento similar ao apresentado pela amostra SO é
classificado na condição 2, por conta da concentração GCDT. Além disto, a mesma amostra
apresenta a concentração dos gases CH4, C2H6 e CO com valores acima dos limites
estabelecidos pela norma. A taxa de geração dos gases CH4 e CO é considerada preocupante
pela norma, e esta aconselha monitorá-lo mensalmente.
O transformador, cujo óleo apresenta padrão similar a da amostra SC, também é
classificado na condição 2. Esta amostra apresenta a concentração individual dos gases CO e
CO2 acima dos limites pré-estabelecidos. Apesar disso, apenas a taxa de geração do gás CO é
71
considerada alta para os padrões. Neste caso, a norma também aconselha a monitoração
mensal.
Apesar de a amostra DP conter o gás C2H2 acima do limite da condição 1, esta foi
classificada na Condição 1 pela taxa GCDT. Além disto, a taxa de geração dos gases foi
considerada normal e a monitoração do equipamento, que tem o óleo na mesma situação da
DP, pode ser realizada de forma anual.
Para os casos que possuam comportamento similar a amostra AE, a norma aconselha a
monitoração semanal, a consulta do fabricante do equipamento e o planejamento de uma
possível interrupção. Esta amostra foi classificada na condição 3 e apresenta quatro gases (H2,
CH4, C2H2 e C2H4), acima dos valores limites. A da taxa de geração dos gases H2, C2H2, C2H4
é considerada muito preocupante, principalmente a do acetileno.
Diagnóstico pelo Método do Gás Chave:
O método Gás Chave baseia-se na concentração relativa dos gases para identificar a
falhas através dos gases de maior concentração.
Tabela 27 - Método do Gás Chave
Gases Amostras e Porcentagem relativa (%)
AP DP AE SC SO
Hidrogênio (H2)
6,601 12,926 2,894 5,540
Metano (CH4) 6,399 4,879 0,105 42,210
Acetileno (C2H2) 14,411 71,266 0,000 0,007
Etileno (C2H4) 9,874 7,431 2,208 1,838
Etano (C2H6) 35,432 1,196 3,270 7,759
Monóxido de
Carbono (CO) 27,283 2,302 91,524 42,647
Diagnóstico Normal Não Há Não Há S. Celulose Não Há
Legenda
Porcentagens Menores
2ª Maior Porcentagem de Concentração
1ª Maior Porcentagem de Concentração
É possível, também, fazer um comparativo entre os gráficos, apresentado pela norma
IEEE (2008) na seção 4.3.1, e constatar que a única amostra identificada foi a SC.
72
Tabela 28 – Comparativo gráfico das falhas pelo Método do Gás Chave
Gráficos da Amostras Criadas Gráficos da Norma IEEE C57.104
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
DP
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
DP - IEEE
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
AE
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
AE - IEEE
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
SC
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
SC - IEEE
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
SO
0,0
20,0
40,0
60,0
80,0
100,0
H2 CH4 C2H2 C2H4 C2H6 CO
SO - IEEE
73
Diagnóstico pelo Método do Doernenburg:
O Método de Doernenburg utiliza quatro razões: R1, R2, R3 e R4 para investigar a falha.
Antes de investigar as razões, inicialmente é feito uma comparação entre os dados da
cromatografia e os valores limites dos gases definidos por Doernenburg, para confirmar a
necessidade da investigação.
Tabela 29 - Método do Doernenburg
Gases Amostras e Razões
AP DP AE SC SO
R1 - (CH4/H2)
0,969 0,378 0,036 7,620
R2 - (C2H2/C2H4) 1,460 9,590 0,000 0,004
R3 - (C2H2/CH4) 2,252 14,605 0,000 0,000
R4 - (C2H6/C2H2) 2,459 0,017 59648,000 1162,118
1ª Gases > 2xL1 - C2H2 C2H2, H2,
C2H4 - CH4
2ª Gases > L1 - - - CO CO e C2H6
Diagnóstico: Sem falha Sem falha Sem falha Sem falha Falha
Térmica
Diagnóstico
desconsiderando os
limites de
Doernenburg:
Sem falha Sem falha Arco
Elétrico
Descargas
Parciais Falha
Térmica
A análise das amostras pelo método de Doernenburg, apresentada na tabela 30,
identificou duas falhas. O diagnóstico apresentados para estas falhas é compatível com o
procedimento adotado para a criação da amostra.
É preciso considerar que este método não utiliza os gases característicos da falha de
sobreaquecimento de celulose, e desta forma não é possível identificá-la corretamente, mesmo
desconsiderando os limites de Doernenburg. A amostra DP não é identificada, mesmo
desconsiderando os limites iniciais de Doernenburg.
Diagnóstico pelo Método Rogers:
O Método de Rogers utiliza apenas três razões: R1, R2 e R5 para investigar que tipo de
falha esta ocorrendo. A investigação é feita na seguinte sequência: R2 - R1 - R5.
74
Tabela 30 - Método de Rogers
Gases Amostras e Razões
A.Padrão D.Parciais A. Elétrico S. Celulose S. Óleo
R2 - (C2H2/C2H4)
1,460 9,590 0,000 0,004
R1 - (CH4/H2) 0,969 0,378 0,036 7,620
R5 -(C2H4/C2H6) 0,279 6,212 0,675 0,237
Diagnóstico: Sem falha ñ tem ñ tem Descargas
Parciais ñ tem
Apesar do limite de concentração GCDT e taxa de geração indicarem que existe suspeita
de falha em três amostras de óleo, este método diagnosticou apenas a amostra S.Celulose, de
forma errônea, como sendo amostra com descargas parciais. Isto pode ser explicado pela
utilização das razões, as quais não utilizam os principais gases (CO e CO2) gerados em falhas
envolvendo a celulose.
Diagnóstico pelo Método da NBR7274:
Tabela 31 - Método utilizado pela NBR7274
Gases Amostras e Razões
AP DP AE SC SO
R2 - (C2H2/C2H4)
1,460 9,590 0,000 0,004
R1 - (CH4/H2) 0,969 0,378 0,036 7,620
R5 -(C2H4/C2H6) 0,279 6,212 0,675 0,237
Có
dig
o
1 2 0 0
0 0 1 2
0 2 0 0
Diagnóstico: Sem falha ñ tem Arco Elétrico
- Baixa
intensidade
Descargas
Parciais
Baixa
temperatura
150°C -
300°C
O método da NBR7274 utiliza as mesmas razões do método de Rogers: R1, R2, R5 para
investigar a falha. A investigação é feita na seguinte sequência: R2 - R1 - R5. As razões são
codificadas e a combinação das três razões identifica nove condições sendo uma delas é
classificada como normal (sem falha).
75
Os resultados da análise utilizando a norma NBR7274 são apresentados na tabela 31, na
qual é possível observar dois diagnósticos compatíveis com o procedimento de criação das
falhas. A não identificação da falha de Sobreaquecimento de Celulose é explicada também
por causa das razões analisadas, as quais não possuem os gases característicos (CO e CO2).
76
APÊNDICE E- Respostas da Matriz de Sensores
AMOSTRAS INICIAIS
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
77
AMOSTRAS PADRÕES
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
78
DESCARGAS PARCIAIS
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
79
ARCO ELÉTRICO
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
80
SOBREAQUECIMENTO DE CELULOSE
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
81
SOBREAQUECIMENTO DO ÓLEO
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
82
EVOLUÇÃO DA FALHA
ARCO ELÉTRICO S. CELULOSE S. ÓLEO
LEGENDA
TGS 2602 TGS2600
TGS2620 TGS813
83
APÊNDICE F - Materiais utilizados para gerar amostras
Materiais Quant.
Óleo mineral isolante 5 l
Recipientes de Vidro com capacidade para 1,3 litros de óleo 5 u.
Tampa feitas com placas de vidro (12cm x 12cm) adaptada 5 u.
Aquecedores de água inox com potência de 1000W e tensão 127V. 2 u.
Papel Kraft comum, que foi enrolado nos aquecedor do recipiente de celulose superaquecida 0,5 m2
Termopar tipo “K” de níquel-cromo com limite de temperatura de 250°C para trabalho
contínuo. 1u.
Multímetro Icel MD-6110, com escala para temperatura de –40°C a 1000°C , resolução de
1°C. 1u.
Parafusos com cabeça arredondada (comprimento: 18cm; diâmetro: 1cm), que servirão de
eletrodos 2 u.
Porcas, para fixar os eletrodo e conectá-los circuitos elétricos 6 u.
Espalhador de chama de fogão de alumínio cromado, para ser utilizado como eletrodo. 2u.
Circuito utilizando um transformador (2,5KW; entrada: 127/220 V, 20/10; saída: 2KV/4KV)
e um circuito dobrador de tensão permitindo atingir valores de tensão igual a 3,5KV/7,0KV 1u.
Circuito de centelhamento utilizado em fogão (usina de acendimento automático), com
capacidade de gerar picos de tensão entre 10KV e 15KV. 1u.
Interruptor de 250V/10A, para fazer o controle do aquecimento dos recipientes e da usina de
centelhamento. 1 u.
Registros de alta pressão do tipo agulha, para permitira encher o recipiente e retira amostras
do óleo. 10 u.
Suportes de madeira para apoiar os recipientes 5 u.
Barras tipo parafuso (comprimento: 20cm; diâmetro: 0,5cm) para fixar a tampa em cada
recipiente; 20 u.
Porcas e arruela, para fixar a barra no apoio 20 u.
Porcas tipo borboleta e arruelas, para fixar as tampas ao recipiente 20 u.
Silicone de alta temperatura tipo bisnaga (300°C) para fixar os registros nos recipientes e nas
tampas. 2 u.
Emborrachado tipo EVA de 3 mm, para vedar o contado do recipiente com a tampa do
mesmo. 0,5 m²
Cabo flexível elétrico de 2,5mm², com isolamento de 1000V, para conectar os circuitos
elétricos à rede elétrica 8 m
84
APÊNDICE G – Ilustrações dos Procedimentos Experimentais
RECIPIENTES DE CRIAÇÃO DE FALHAS
Figura 43 - Recipiente de Descargas Parciais
Figura 44 - Recipiente de Arco Elétrico
Figura 45 - Recipiente de Sobreaquecimento de
Celulose
Figura 46 - Recipiente de Sobreaquecimento de
Óleo
Figura 47 - Sistema de Geração de Descargas Parciais e Arco Elétrico.
85
CROMATOGRAFIA
Figura 48 - Seringas para extração do óleo
Figura 49 - Amostras extraídas dos recipientes de
falha
Figura 50 - Sistema de extração de gases
Figura 51 - Retirada da amostra dos gases
Figura 52 - Injeção da mistura de Gases Combustíveis no Cromatógrafo
86
SISTEMA DE AQUISIÇÃO DE DADOS
Figura 53 - Instrumento de aquisição de dados
Figura 54 - Matriz de sensores do Instrumento
Figura 55 - Sistema de aquisição de dados
Figura 56 - Câmara adaptada para as análises
Figura 57 - Sistema de aquisição de dados preparado para iniciar a amostragem
