Monitoramento e Diagnóstico de um Transformador de Potência Análise dos Gases Dissolvidos no Óleo e Análise Térmica

Prévia do material em texto

1
Monitoramento e Diagnóstico de um 
Transformador de Potência: Análise de Gases 
Dissolvidos no Óleo e Análise Térmica 
O. M. Almeida, UFC, M. A. B. Amora, UFC, F. R. Barbosa, UFC, F. A. P. Aragão, UFC, P. R. O. 
Braga, UFC, O. C. E. S. Nottingham, UFC, L. H. S. C. Barreto, UFC, Vitor R, Endesa Fortaleza. 
 
Resumo-O monitoramento e diagnóstico de falhas incipientes 
em transformadores de potência imersos em óleo está direta-
mente relacionado à avaliação das condições do sistema de 
isolamento. Neste artigo, estabelece-se o conceito de monitora-
mento e diagnóstico, e em seguida técnicas de analises são dis-
cutidas. Também será apresentado um sistema de pré-
diagnostico baseado na utilização de um dispositivo on-line de 
monitoramento do total dos gases dissolvidos no óleo do trans-
formador. O monitoramento do comportamento das tempera-
turas internas de um transformador é de fundamental impor-
tância para o diagnóstico da vida útil do mesmo. Neste traba-
lho, também, são apresentadas as características de um sistema 
desenvolvido de análise térmica e da vida útil de um transfor-
mador de potência. O diagnostico de falhas incipientes de um 
transformador, o pré-diagnostico baseado em equipamento on-
line e a análise térmica, representam módulos de um software 
desenvolvido. Os resultados da aplicação destes módulos em 
casos de teste são apresentados neste trabalho. 
 
Palavras-chave— Análise de Gases Dissolvidos em Óleo, A-
nálise Térmica de Transformadores, Diagnóstico de Falhas, 
Inteligência Artificial, Transformadores de Potência Imersos 
em Óleo. 
I. INTRODUÇÃO 
Sistemas para diagnóstico e monitoramento de equipa-
mentos do sistema elétrico de distribuição e transmissão sem 
a necessidade de desligamentos (on-site) têm sido proposto 
em níveis de pesquisas com implementações práticas finais 
por empresas do setor elétrico (fabricantes, transmissoras e 
distribuidoras) [1,2]. Neste contexto, as universidades e cen-
tro de pesquisas têm desenvolvido papeis importantes, prin-
cipalmente em nível de pesquisa. Isto vem ocorrendo não 
somente no Brasil como também na maioria dos paises de-
senvolvidos e em desenvolvimento [1, 2, 3, 4, 5]. No Brasil, 
 
Este artigo foi produzido no projeto de fundos setoriais de P&D da A-
gencia Nacional de Energia Elétrica (ANEEL)/Central Geradora Termelé-
trica de Fortaleza (CGTF) no convênio CGTF/ Associação Técnico-
Científica Eng.° Paulo de Frontin (ASTEF). 
O. M. Almeida, M. A. B. Amora, L. H. S. C. Barreto são professores no 
Departamento de Engenharia Elétrica da Universidade Federal do Ceará (e-
mails: otacílio@dee.ufc.br, marcio@dee.ufc.br, lbarreto@dee.ufc.br ). 
F. R. Barbosa, F. A. P. Aragão são estudantes de mestrado do Curso de 
Engenharia Elétrica da Universidade Federal do Ceará (e-mail: 
fabio@dee.ufc.br, aldinei@dee.ufc.br). 
P. R. O. Braga, O. C .E .S Nottinghan são estudantes de graduação do 
Curso de Engenharia Elétrica da Universidade Federal do Ceará (e-mail: 
proberto@dee.ufc.br, oliver@dee.ufc.br). 
R. Vitor é engenheiro da ENDESA Fortaleza (e-mail: 
vrodrigo@endesabr.com.br ) 
mais especificamente, o interesse por esta área tem sido ace-
lerado nos últimos anos devido a mudanças estruturais no 
setor de energia elétrica que promovem a competição em 
alguns níveis, estabelecendo índices mais rigorosos de qua-
lidade técnica e de serviço (geralmente regulados por uma 
empresa reguladora). Um outro ponto a considerar relacio-
na-se as razões técnicas associadas ao envelhecimento natu-
ral de grande parte dos equipamentos instalados que devem, 
neste novo contexto, incrementar o desempenho e confiabi-
lidade em condições inferiores àquela da época de suas ins-
talações [5, 6, 7, 8]. 
Transformadores de potência de grande porte são um dos 
mais caros e críticos componentes de uma planta elétrica de 
transmissão e distribuição. Desta forma um grande esforço 
vem sendo empregado para garantir seu bom funcionamento 
quanto a evitar possíveis falhas que venham a ocorrer devi-
do ao seu ciclo natural de vida ou regimes elétricos a que 
são submetidos. Atualmente encontram-se disponíveis ou 
está em desenvolvimento um considerável número de fer-
ramentas para o monitoramento e diagnóstico das condições 
dos transformadores de potência imersos em óleo [1, 2, 3]. 
Os sistemas de monitoramento e diagnóstico de transfor-
madores possuem, geralmente duas funções que, embora 
distintas por definição, evoluem e são utilizadas em conjun-
to. O monitoramento tem por fim a aquisição de um conjun-
to de dados relativos ao funcionamento do transformador e 
cuja coleta envolve modernas tecnologias em sensores, téc-
nicas de aquisição de dados e dispositivos digitais ou analó-
gicos utilizados. O diagnóstico, por sua vez, está mais rela-
cionado à interpretação dos dados e pode ser realizado por 
um especialista ou por um software especialmente desen-
volvido para este fim [2]. Atualmente observa-se a tendên-
cia da substituição do diagnóstico feito por um especialista 
por sistemas automáticos de diagnóstico que incorporam 
uma forte parcela de técnicas inteligentes para representar 
entre outros conhecimentos, aquele acumulado com a expe-
riência de um especialista [5, 6, 9, 10]. 
Nesse contexto, surge a necessidade de monitoramento e 
diagnóstico de falhas incipientes em transformadores de 
potência, através da análise dos gases dissolvidos no óleo do 
transformador. Além disso, os estresses térmicos a que são 
submetidos os transformadores de potência são determinan-
tes no seu tempo de vida médio. Desta forma o monitora-
mento das temperaturas internas dos enrolamentos e do óleo 
do transformador são de suma importância para implemen-
tação de métodos de diagnóstico que levem a uma previsão 
mailto:otac�lio@dee.ufc.br
mailto:marcio@dee.ufc.br
mailto:lbarreto@dee.ufc.br
mailto:fabio@dee.ufc.br
mailto:proberto@dee.ufc.br
mailto:oliver@dee.ufc.br
mailto:vrodrigo@endesabr.com.br
 2
da perda de vida e à implementação de mecanismos ou ma-
nobras de proteção. 
Informações sobre o estresse térmico em transformadores 
são atualmente obtidas a partir de medidas indiretas da tem-
peratura do topo do óleo e temperatura do enrolamento. As 
medidas de forma indireta levam as discrepâncias conside-
ráveis tanto dos valores absolutos quanto da constante de 
tempo, entre os valores reais e os valores medidos. Isto pode 
levar o transformador a uma condição de risco grave. 
Neste trabalho foram utilizados modelos não lineares, me-
lhorados em relação aos modelos convencionais [23, 24], 
para a representação do carregamento térmico de transfor-
madores imersos em óleo isolante. 
Portanto, este artigo apresenta a aplicação de técnicas in-
teligentes envolvendo Redes Neurais e Sistemas Fuzzy no 
diagnóstico de falhas incipientes, aliado ao monitoramento 
on-line da taxa de geração de gases dissolvidos no óleo e da 
determinação da temperatura do topo do óleo através de 
técnicas não-lineares. Os resultados apontam para o sucesso 
no que tange à implementação e utilização desses métodos 
em um programa de computador desenvolvido com o obje-
tivo de promover a salvaguarda de um transformador moni-
torado. 
Este artigo está organizado da seguinte forma. Na seção 
2, abordam-se a importância e as opções do monitoramento 
de transformadores. Na seção 3 são discutidos os métodos 
desenvolvidos de análise dos gases dissolvidos no óleo de 
transformadores, baseados em sistemas nebulosos (fuzzy) e 
em redes neurais; resultados de implementação, também, 
são apresentados nesta seção. Na seção 4 é comentado um 
método de pré-diagnóstico desenvolvido em função de um 
equipamento de monitoramento on-line instalado em um 
transformador de teste. Algoritmos desenvolvidos para a 
determinação das temperaturas internas de um transforma-
dor de potência são apresentados na seção 5, resultados 
também são apresentados. Na seção 6 é apresentado um 
software desenvolvido e que agrega todos os algoritmos 
desenvolvidosnas seções anteriores deste artigo. Na seção 7 
são discutidas as conclusões deste artigo. 
II. MONITORAMENTO DE TRANSFORMADORES 
Equipamentos para monitoramento de transformadores 
devem ser eficientes, de custo justificável, fáceis de instalar 
em campo e de baixa taxa de manutenção [1, 2]. A necessi-
dade da instalação em campo de sistemas de monitoramento 
tem sua importância se for considerado que uma grande 
quantidade de unidades de transformação instalada nos par-
ques elétricos atuais data de 30 anos [2]. A idade do parque 
elétrico tem provocado mudanças nos planos de manutenção 
das empresas de distribuição e transmissão. Instalações de 
equipamentos de monitoramento e diagnóstico em transfor-
madores resguardam-no de possíveis falhas gerais causadas 
por elevados valores de parâmetros intrínsecos ao seu fun-
cionamento, tais como a temperatura, o nível de descargas 
parciais, o carregamento e o nível de umidade do isolamen-
to. Também auxiliam, ou mesmo definem, o programa de 
manutenção preventiva existente nas empresas. Além da 
questão técnica, importância também tem sido dada à ques-
tão ambiental o que tem levado ao desenvolvimento de no-
vos tipos de óleos isolantes, principalmente do óleo vegetal 
[13]. 
A. Distribuição das Falhas no Transformador 
Considerando os últimos avanços no desenvolvimento da 
tecnologia de sensores, praticamente todos os parâmetros de 
um transformador podem ser monitorados. Atualmente a 
definição de quais parâmetros monitorar envolve mais uma 
questão de custo do que de técnica. Portanto, para o sucesso 
do projeto de um sistema de monitoramento e diagnóstico é 
importante aliar eficiência e custos. A redução do número 
de parâmetros monitorados e a utilização de softwares base-
ados em técnicas inteligentes correspondem a uma das me-
didas que tem impacto direto na factibilidade do sistema. 
Para isto deve-se ter indicativos de quais são os parâmetros 
mais relevantes no sistema. 
Considerando um transformador de potência imerso em 
óleo com taps para mudança de cargas (OLTC), a figura 1 
apresenta a distribuição estatística das falhas nos componen-
tes do transformador [1]. Da figura 1 pode-se observar que 
as principais fontes de falhas correspondem ao OLTC e en-
rolamentos (incluindo o sistema de isolamento). Para o 
OLTC os principais parâmetros a serem monitorados são a 
vibração e a temperatura, enquanto para o enrolamento e 
sistema de isolamento, os principais parâmetros a serem 
monitorados são as concentrações de gases dissolvidos no 
óleo, a temperatura e o nível de descargas parciais (PD). 
Deve ser observado que, independente da fonte de falha a 
ser considerada, a temperatura constitui um importante pa-
râmetro a ser monitorado. 
 
 
Figura 1. Distribuição das possíveis fontes de falhas em transformadores de 
potência. 
 
Segundo recente pesquisa realizada entre especialistas 
[17], os dois parâmetros mais importantes a serem monito-
rados em um transformador seriam a temperatura do ponto 
quente no interior do mesmo e os gases dissolvidos no óleo 
isolante. Para transformadores que apresentam um período 
de instalação e utilização mais recente e que podem ser 
submetidos a situações de sobrecarga, o parâmetro mais 
importante a ser monitorado seria a temperatura do ponto 
quente de um transformador, que afetaria a vida útil do 
mesmo. A medida que o transformador começa a apresentar 
vários anos de utilização, o parâmetro mais significativo a 
ser observado passa a ser a análise dos gases dissolvidos no 
óleo isolante, permitindo o monitoramento de falhas incipi-
entes no equipamento. Essas conclusões podem ser obser-
vadas nas figuras de 2 a 4. 
Enrolamentos 
19% 
OLTC 41% 
Núcleo 3% 
Terminais 12% 
Acessórios 12%
Tanque/fluido 
13% 
 3
 
Qual é o parâmetro mais importante para o 
monitoramento de transformadores?
Análise de 
Gases 
Dissolvidos
30,70%
Monitoramento 
do LTC
7,60%
Monitoramento 
das Buchas 
0,00%
Descargas 
Parciais
7,60%
Temperatura do 
Ponto Quente
53,80%
 
Figura 2. Grau de importância dos parâmetros monitorados em um trans-
formador de potência novo. 
 
Qual é o parâmetro monitorado mais crítico para 
transformadores que sofrem condições de carga pesada 
ou sobrecarga?
Qualidade da 
Energia
0,00%
Análise de 
Gases 
Dissolvidos
16,60%
Temperatura do 
Ponto Quente
83,30%
Imagem 
Térmica do 
Transformador
0,00%
Temperatura do 
Topo do Óleo
0,00%
Teste de 
Inflamáveis
0,00%
 
Figura 3. Grau de importâncias dos parâmetros monitorados em um trans-
formador de potência em condições de sobrecarga. 
 
Seu transformador estar perto de seu fim de vida. Qual 
é o item mais importante que deve ser considerado 
para indicar o fim de vida do equipamento?
Histórico de 
Carregamento
2,60%
Descargas 
Parciais
6,10%
Vibração / 
Análise de Som
4,30%
Checar 
Capacitância, 
Resistência e 
Fator de 
Potência dos 
Enrolamentos
15,70%
Histórico de 
Temperaturas 
no Topo do 
Óleo
10,40%
Análise de 
Gases 
Dissolvidos
60,90%
 
Figura 4. Grau de importância dos parâmetros monitorados em um trans-
formador de potência antigo. 
B. Análise de Gases Dissolvidos no Óleo (DGA) 
Os métodos de diagnósticos com base em DGA [5, 6, 14, 
15] são os mais estudados e os mais aplicados a transforma-
dores de potência imersos em óleo. Estes métodos baseiam-
se na análise de tipos de concentração e taxa de produção de 
gases gerados e dissolvidos no óleo do transformador, e 
procuram associar o tipo de falha ao gás presente. Por e-
xemplo, descargas elétricas levam à geração de acetileno 
enquanto a presença de dióxido de carbono está associada 
ao sobreaquecimento da celulose. 
Métodos convencionais de DGA têm sido empregados 
por mais de trinta anos e constitui uma técnica de sucesso 
que, aliada a novas tecnologias, ganha novo impulso a cada 
ano. A utilização destes métodos por décadas seguidas levou 
a uma base de conhecimento profunda na caracterização do 
equilibro dos gases no interior dos transformadores. Obser-
va-se que o nível e período de formação dos gases depen-
dem não somente da idade dos transformadores mais tam-
bém da localização, natureza e severidade das falhas a que 
são submetidos. 
Um programa de manutenção no qual o DGA é realizado 
em períodos anuais, dificilmente acompanha a curva de ten-
dência da formação dos gases. É uma opinião geral de que, 
em um programa de manutenção, se o DGA for realizado 
em menores períodos de amostragem, grande parte das fa-
lhas catastróficas poderiam ser previstas. Estas opiniões têm 
levado a desenvolvimentos tecnológicos no sentido de via-
bilizar o DGA em tempo real (real-time DGA) [2, 3] mesmo 
que simplificado, ou seja, com monitoramento da formação 
de alguns gases em particular, como por exemplo o gás car-
bônico, hidrogênio, fufuraldeido e umidade entre outros. A 
possibilidade de realizar DGA em tempo real apóia-se no 
grande esforço que vem sendo atualmente empregado no 
desenvolvimento de sistemas de sensores eficientes, modu-
lares, e de custo viável. O sensor de hidrogênio, por exem-
plo, como principal indicador de descargas parciais e arco, 
foi um dos primeiros sensores a ser desenvolvido e utilizado 
em sistemas de monitoramento em tempo-real. O sensor 
Hydran M2 da empresa GE é um exemplo de sensor para a 
medida de concentração de gases combustíveis, hidrogênio 
e carbônicos em monitoramento em tempo-real. 
Atualmente o interesse por pesquisas na área de sensores 
volta-se para o desenvolvimento de dispositivos opto-
eletrônicos para análise de gases dissolvidos em óleo isolan-
te. Isto se deve à elevada imunidade eletromagnética destes 
sensores, possibilitando sua inserção no interior do trans-
formador. Sensores de fibra óptica associados à sistemas 
DSP (Digital Signal Processing) e a técnicas de identifica-
ção temporal ou espectral, encontram-se em fase de desen-
volvimento [2, 4, 7, 8]. Podem-se encontrar pesquisas no 
desenvolvimento de sensores de fibra óptica para medida de 
temperatura, de descargasparciais e concentração de deter-
minados gases tais como o fufuraldeido [4, 7, 8]. 
Um equipamento de monitoramento on-line de DGA que 
surgiu recentemente é o Transfix da KELMAN que permite 
a identificação individual dos gases dissolvido no óleo de 
um transformador monitorado. Esse equipamento utiliza a 
técnica de espectroscopia foto-acústica. 
Uma outra tendência ainda em nível de pesquisa refere-se 
a realização do DGA a partir de características físico-
químicas, tais como a cor do óleo, a densidade, a tensão 
superficial, o índice de neutralização, e a quantidade de água 
presente no óleo [6]. Neste ultimo caso sistemas baseados 
em computação inteligente [9, 10, 11, 12] devem ser utiliza-
dos para modelagem e diagnóstico. 
De uma forma geral pode-se dizer que a tecnologia de 
monitoramento em tempo real das condições do isolamento 
de transformadores encontra-se em fase de pesquisa e de-
senvolvimento, com elevado número de resultados em apli-
 4
cações práticas. 
C. Descargas Parcias (PDs) 
A caracterização de padrões de PD é outra importante 
fonte de investigação do estado do isolamento do transfor-
mador [1, 2, 4]. O monitoramento de PD é efetivo para de-
tecção de falhas. PDs ocorrem dentro do tanque e produzem 
uma onda sonora e de pressão que é transmitida através do 
óleo. A detecção de PDs tem sido empregada há anos no 
diagnóstico de transformadores. Uma das técnicas não intru-
sivas que utiliza sensores piezelétricos (sensores de ultra-
som) tem sido aplicada com sucesso na prática. No entanto, 
em alguns casos estes sistemas, não intrusivos, podem ser 
ineficientes por estarem sujeitos a interferências de ruído 
proveniente do meio externo ao transformador. Este pro-
blema, entretanto, vem sendo superado através da imple-
mentação de técnicas de processamento digital de sinais 
para identificar o espectro de freqüência das descargas par-
ciais, isolando-o do ruído ambiente. 
Seguindo a tendência de desenvolvimento de sensores op-
toletrônicos, novas técnicas de medida de descargas parciais 
através de sensores de ultra-som de fibra óptica vêm sendo 
desenvolvidas [2, 4]. Um sistema exemplo proposto e de-
senvolvido pelo CPT - Center for Photonics Technology of 
Virginia University, é composto de uma sonda acústica op-
toeletrônica e de um processador digital de sinais (DSP). 
Para a transmissão do sinal da sonda até o DSP utiliza-se 
uma fibra óptica, conforme a figura 5. 
 
 
Figura 5. Sensor óptico de utra-som para medida de descargas parciais. 
 
No sensor, o feixe luminoso proveniente de um diodo la-
ser incide no acoplador e é transmitido pela fibra até a cabe-
ça do sensor (ampliada em detalhes). O guia da fibra e o 
diafragma são colados juntos ao suporte cilíndrico. O feixe 
de luz incidente é parcialmente refletido (4%) na face do 
sensor enquanto a outra porção do feixe propaga-se para o 
espaço interior da cavidade atingindo até a superfície interna 
do diafragma. A superfície do diafragma é revestida por 
uma fina camada de ouro de forma que toda a porção de luz 
incidente seja refletida (96%). Com esta montagem, o sinal 
óptico, recebido pelo fotodetector, é uma função do com-
primento da cavidade selada e é imune à contaminações 
externas. 
D. Temperaturas 
A medida convencional e indireta da temperatura do en-
argamente utilizada na indústria de trans-
fo
ente sen-
so
A PARTIR DOS GASES 
DISSOLVIDOS NO ÓLEO DO TRANSFORMADOR 
O res-
ponde à partir 
do
rolamento ainda é l
rmadores. Estas medidas são úteis para a modelagem do 
comportamento térmico do transformador e do ponto quente 
do enrolamento. A medida indireta é realizada através da 
passagem de uma corrente de valor conhecido através de 
uma carga, que tem um elemento resistivo como indicador, 
e localizada em um ponto distante da região de alta tensão 
do transformador [1, 2, 7, 8]. Entretanto tem sido demons-
trado que a modelagem da capacidade térmica através de 
medidas de temperatura utilizando este método apresenta 
discrepâncias muitas vezes inaceitáveis em relação ao com-
portamento real do transformador. Para superar as deficiên-
cias dos métodos baseados em medidas indiretas, tem sido 
proposto em nível acadêmico e industrial medidas de tempe-
ratura interna de forma direta. Estas medidas geralmente são 
realizadas empregando sensores de fibra óptica. 
O ponto quente do enrolamento de um transformador é 
um fator limitante na capacidade de carga. Atualm
res de temperatura baseado em dispositivos optoeletrôni-
cos podem ser instalados nos enrolamentos dos transforma-
dores em fase de manufatura, e são geralmente configurados 
para a medida em um único ponto ou em configurações dis-
tribuída no interior. Técnicas de medidas de temperatura 
utilizando fibras ópticas começaram na década de 80 e têm 
sido cada vez mais aplicadas para medida de cargas térmicas 
em transformadores. Pesquisas realizadas pelo instituto 
INESC da Universidade do Porto na Optoelectronics and 
Electronics Unit [27] demonstraram que sistemas ópticos 
são eficientes para medidas de temperatura interna de trans-
formadores de potência. Sensores da Luxtron baseados em 
fibra óptica, tais como o conjunto OFT com sonda Photrix, 
são exemplos de produtos comerciais para medida de tempe-
ratura interna de transformadores. 
III. DIAGNÓSTICO DE FALHAS 
diagnóstico de transformadores imerso em óleo cor
 interpretação do conjunto de dados obtidos a
 sistema de monitoramento e deve fornecer recomenda-
ções que definam o ciclo de funcionamento do transforma-
dor. Os métodos de diagnósticos são utilizados para deter-
minar as condições atuais de funcionamento dos transfor-
madores, auxiliar em previsões quanto ao seu uso futuro, 
bem como, para emitir sinais de alerta em advertência a 
condições críticas de funcionamento. Conforme [1, 2, 14] os 
métodos de diagnósticos podem ser agrupados em três con-
juntos classificados por tipo de falha: i) Falhas Térmicas. 
Estes tipos de falhas podem ser analisadas através do méto-
do DGA, que considera a concentração dos gases dissolvi-
dos no óleo, da temperatura, e da medida do grau de polime-
rização, que quantifica a degradação da celulose. ii) Falhas 
Relacionadas ao Dielétrico. A caracterização e localização 
das descargas parciais é o principal método empregado para 
detectar falhas relacionadas à falhas no dielétrico. iii) Falhas 
Mecânicas. Estas falhas geralmente são resultados de forças 
provocadas por curto-circuito ou por vibração dos enrola-
mentos e núcleo. O resultado destas falhas são as deforma-
ções dos enrolamentos e partes mecânicas internas do trans-
 5
formador. 
A. Método de Diagnóstico Inteligente Baseado em DGA 
O mecanismo de formação de gases no interior de trans-
es 
el
s são: mo-
ni
dores submetidos a falhas são: 
hi
4 2 C2H 2/CH4 C2H6 / C2H4/ 
C2H6 
formadores imersos em óleo mineral devido solicitaçõ
étricas e térmicas é descrito através de um modelo termo-
dinâmico que descreve o relacionamento entre a taxa de 
formação dos gases e a temperatura na vizinhança do ponto 
onde a falha ocorre. Portanto, uma dada configuração de 
distribuição de concentrações de gases dissolvidos pode ser 
associada a uma determinada faixa de temperatura e conse-
qüentemente a um determinado tipo de falha [2]. 
Os métodos de associação, das concentrações dos gases 
dissolvidos com a respectiva falha, mais utilizado
toramento de razões entre as concentrações dos gases dis-
solvidos, avaliação do valor da concentração e taxa de cres-
cimento do gás principal associado a uma determinada fa-
lha, ou através de sistemas inteligentes (utilizando em geral 
sistemas neuro-fuzzy). A norma IEC 599, por exemplo, uti-
liza como base o método das razões entre as concentrações 
dos gases dissolvidos [22]. 
Os principais gases formados a partir da decomposição do 
óleo mineral de transforma
drogênio (H2), metano (CH4), etano (C2H6), etileno 
(C2H4), acetileno (C2H2). No método de análise baseado 
nas razões entre os gases são definidas razões entre essescinco gases de modo que seja possível a identificação de 
uma falha tomando por base a faixa em que se encontra cada 
razão. Historicamente as razões mais utilizadas são apresen-
tadas na Tabela 1. 
TABELA I 
RAZÕES ENTRE AS CONCENTRAÇÕES DOS GASES 
Razão CH /H 2/C2H4 C2H
C2H2 
Notação R1 R2 R3 R4 R5 
Desde que todos os fenômenos relacionad sti-
co e nsfor ores sã racte o r im-
pr
ver um sistema de diagnóstico de falhas em 
eado 
em
 de sistemas nebulosos, para análise e clas-
si
a IEC 599 
cl
os ao diagnó
 de falhas m tra mad o ca rizad s po
ecisões, incertezas nas medidas e não-linearidades não 
modeladas, métodos convencionais combinados com méto-
dos baseados em inteligência computacional [10, 12], em 
especial os sistemas nebulosos e neurais, podem ser empre-
gados de forma eficiente para diagnósticos automáticos de 
falhas. 
B. Sistema de Diagnóstico Baseado em Regras Fuzzy 
Para desenvol
transformadores de potência a partir de um sistema bas
 regras nebulosas ou fuzzy [10,11,12] deve-se definir ini-
cialmente um conjunto de regras de decisão. Neste projeto, 
para elaborar a base de regras, foi utilizada a norma IEC 599 
[18, 19]. A partir desta norma estabeleceram-se os valores 
típicos das razões entre os gases para formar a base de re-
gras. Sabe-se, entretanto, que combinações de diferentes 
razões cobertas pela norma IEC 599 podem não ocorrer na 
prática o que leva a sérios problema de indecisão ou não 
decisão no diagnóstico. Para resolver o problema da não 
decisão foram propostas adições ao padrão IEC de modo a 
cobrir todos os valores possíveis das razões, evitando as 
inconsistências. 
Neste projeto foram desenvolvidos três métodos, que uti-
lizam o conceito
ficação do tipo de falha em transformadores. 
O primeiro sistema utiliza a norma IEC 599 de 1978 para 
formar a base de regras de inferência. A norm
assifica os padrões de falhas em função três razões de con-
centração dos gases (R1, R2 e R5) (IEC, 1978; IEC 1996). 
Para cada uma das três entradas são definidas três faixas de 
valores, que em representação nebulosa são: Pequena (P), 
Média (M) e Grande (G). Para cada combinação das variá-
veis de entrada é possível associar um padrão de falha. Os 
padrões de saída possíveis são: Normal (condição de enve-
lhecimento normal), Low Energy Discharge - LED (descar-
gas parciais), Overheating - OH (quatro níveis de tempera-
tura de sobreaquecimento: T1, T2, T3 e T4) e High Energy 
Discharge - HEDA (quatro níveis de descargas de alta ener-
gia: 1, 2, 3 e 4). Entretanto, observa-se na figura 6 e Tabela 
2, que podem ser encontrados problemas de aplicação desta 
base de regras, devido ao fato da norma apresentar o pro-
blema de não decisões, ou seja, regiões em que não estão 
associadas a qualquer padrão de falha. 
 
Figura 6. Representação da base de regras do sistema nebuloso 1. 
 
TABELA II 
R2 R1 R5 
 
CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 1 
 
 M G P 
 P L ED - - 
P M NOR AL O 1 M H_T - 
 G O OH_T3 OH_T4 H_T2
 P HEDA_1 - - 
M M - HEDA3 HEDA_3 
 G - - - 
 P - - - 
G M - HEDA_4 HEDA_4 
 G - - - 
 
 
Figura 7. Representação da base de regras do sistema nebuloso 2. 
No segundo sistema foram adicionadas regras empí cas 
com C 
ri
o objetivo de solucionar a incapacidade da norma IE
 6
59
NTO DE REGRAS PARA O SISTEMA NEBULOSO 2 
R2 R1 R5 
9 de identificar a falha em determinados casos (problema 
de não decisão) [22]. Assim o sistema é capaz de realizar 
um diagnóstico para todos os valores assumidos pelas variá-
veis de entrada (R1, R2 e R5). Isso pode ser facilmente ob-
servado na Tabela 3, pois neste caso constata-se que todos 
os espaços estão preenchidos. Este modelo apresenta ainda 
uma melhor definição da indicação de descargas de alta e-
nergia (High Energy Discharge - HEDA), apresentando 
quatro níveis distintos de descargas. A figura 7 e tabela 3 
apresentam as dimensões das variáveis e base de regras para 
este método. 
 
TABELA III 
CONJU
 
 G P M 
 P L LED LED ED 
P M NO AL O 1 OH 1 RM H_T _T
 G O O O H_T2 H_T3 H_T4
 P HEDA_1 HEDA_1 HEDA_1 
M M HEDA_3 HEDA3 HEDA_3 
 G HEDA_3 HEDA_3 HEDA_3 
 P HEDA_2 HEDA_2 HEDA_2 
G M HEDA_4 HEDA_4 HEDA_4 
 G HEDA_4 HEDA_4 HEDA_4 
 
No terceiro sistema par caç lh a-
da uma nova base de regras. vari ent e 
si
a classifi ão das fa
áveis de 
as é utiliz
rada destAs 
stema são os valores assumidos pelas razões: C2H2/C2H6 
e C2H4/C2H6, portanto nesse modelo utiliza-se a razão 
C2H2/C2H6 que não está definida na norma IEC 599 [21]. 
Para cada entrada são definidos quatro conjuntos nebulosos: 
Muito Pequeno (MP), Pequeno (P), Médio (M) e Grande 
(G). Para este modelo os padrões de saída definidos são: 
Low Temperature Overheating - LTO (sobreaquecimento de 
baixa temperatura), Middle Temperature Overheating - 
MTO (sobreaquecimento de média temperatura), High Tem-
perature Overheating - HTO (sobreaquecimento de alta 
temperatura), Partial Discharge - PD (descargas parciais de 
baixa energia), Middle energy Discharge - MD (descargas 
de média energia) e High energy Discharge - HD (descargas 
de alta energia). As dimensões das variáveis e da base de 
regras para este método são apresentadas na figura 8 e tabe-
la 4, respectivamente. 
 
Figura 8. Representação da base de regras do sistema nebuloso 3. 
 
TABELA IV 
CONJUNTO DE REGRAS PARA O SISTEMA NEBULOSO 3 
C2H2 4 
 
 
 
 
 
C2H6 C2H6 
C2H
 MP P M G 
MP LTO MTO HTO HTO 
P PD MTO+PD HTO HTO 
M MD MD MD HD 
G HD HD HD HD 
 
as nebulPara os t stem osos propost s foram 
ut
todos rês si o
ilizadas funções de pertinência gaussianas para as entradas 
e triangulares para os padrões de saída. Por exemplo, o sis-
tema nebuloso 1 possui como variáveis de entrada as razões: 
R1, R2 e R5. A cada variável nebulosa estão associados três 
conjuntos nebulosos: Pequeno (P), Médio (M) e Grande 
(G). 
Para o ajuste dos parâmetros das funções de pertinência 
utilizou-se o seguinte critério: os máximos das funções 
gaussianas ocorrem nos valores médios dos intervalos defi-
nidos no método de cada sistema. As figuras 9, 10 e 11 a-
presentam respectivamente as funções de R1, R2 e R5. A 
figura 12 vai representar as funções de pertinência da saída 
do sistema nebuloso 1 na forma de singletons. 
 
 
Figura 9. Funções de pertinência da variável R1 do sistema 1. 
 
Figura 10. Funções de pertinência da variável R2 do sistema 1. 
 
Figura 11 Funções de pertinência da variável R5 do sistema 1. 
 
 
 7
Figura 12. Funções de pertinência da saída do sistema 1. 
Para implementar a máquina de inferência, a implicação 
de Mamdani [9,10,11] foi utilizada. Dado o conjunto nebu-
loso apresentado na saída do subsistema de inferência é rea-
lizada a operação de matching entre os padrões possíveis de 
saída, que expressam a experiência de um operador, e a saí-
da atual. Cada padrão de saída está associado a um tipo de 
falha, d rau de
similari a e 
os
e modo que a saída do sistema apresenta o g
dade entre a saída atual da máquina de inferênci
 
 padrões de falha. A figura 13 apresenta o diagrama de 
blocos dos sistemas nebulosos implementados. 
 
 
Figura 13. Implementação dos sistemas nebulosos. 
C. Sistema de Diagnóstico Baseado em Redes Neurais 
As redes neurais utilizadas no diagnóstico de falhas reali-
zam, basicamente, um mapeamento não linear entre as en-
tradas e saídas. Estas relações podem ser representadas por 
um número limitado de pares de entrada-saída (amostras de 
dados). Estas suposições são de fundamental importâ ia, 
principalm mostra é 
s a-
pr
 dos valores 
do
es da rede são fixadas e 
nã
⎜Φ=Φ= ∑
nc
ente para analisar se uma determinada a
realmente representativa para um dado sistema. 
A aplicação de redes neurais no diagnóstico de falha
esenta duas fases. A primeira fase é o processo de treina-
mento, durante o qual um conjunto de amostras de dados é 
fornecido à rede. Nesta fase, os pesos dos neurônios da rede 
são ajustados iterativamente para “memorizar” as relações 
de entrada-saída. A segunda fase é um processode teste ou 
validação, durante o qual um conjunto de amostras é ali-
mentado à rede, e saídas são calculadas através
s pesos memorizados pela rede. 
A primeira fase é uma tarefa que geralmente exige um 
grande esforço computacional e podem ser necessários mui-
tos passos de iteração para atingir a exatidão requerida. É 
nesta fase que os estudos estão concentrados. Definições 
tais como: o algoritmo de aprendizagem, a topologia da rede 
e o vetor de dados utilizados podem ser intencionalmente 
mudados para otimizar o desempenho da rede. Uma vez 
encerrada esta fase, as especificaçõ
o podem ser mudadas na fase de teste. A segunda fase é 
mais simples, envolve somente o cálculo da saída da rede 
para um dado conjunto de amostras e a verificação da ade-
quação do modelo a um critério de avaliação de desempe-
nho. 
Em uma Rede Neural Perceptron Multi-Camada – MLP 
[9], as memórias são os pesos entre as camadas, representa-
das como wij do neurônio de entrada-saída relacionado em 
(1). 
( ) ⎞⎛ p
llll
jy )()()()(
⎟
⎠
⎜
⎝
⎟
=
xwv (1) 
de ter várias formas, tais como a função logística da 
equação e a função tangente hiperbólica , como em (2). 
 
i
ijijj
0
A função Φ(°) é a função de ativação do neurônio. 
A função de ativação Φ(v) é uma função não-linear suave 
e po
( ) tanh( )v a bvΦ = (2) 
 ao 
fa as entradas e saídas serem ambas multivariáveis e não 
existe nenhuma relação ear obtida a
to uma MLP de três camadas (com apenas uma 
ca
cas realizadas nos anos 
. A título de exemplo, a Tabela 5 apresenta 
al
0),( >ba
 
Para a seleção de uma MLP, neste estudo, foram conside-
rados alguns fatores. Primeiro, o diagnóstico de falha é um 
problema de mapeamento não-linear complexo, devido
to d
 lin té o presente momen-
. Segundo, 
mada escondida) tem a capacidade de aproximar qualquer 
função, independente de sua complexidade. Em geral, as 
MLPs com mais do que uma camada escondida são mais 
eficientes. Terceiro, o algoritmo de treinamento Back-
Propagation tem sido aplicado a diversos problemas com 
sucesso. O treinamento é do tipo supervisionado, pois a ca-
da iteração é conhecida a saída desejada e pode-se calcular o 
erro. Desta forma, uma MLP foi capaz de modelar com sufi-
ciente precisão o sistema estudado. 
D. Resultados 
Para realização da etapa de testes e avaliação dos métodos 
desenvolvidos de análise dos gases dissolvidos no óleo de 
um transformador, foram coletados dados de transformado-
res da COELCE (Companhia Energética do Ceará), prove-
nientes de 135 análises cromatográfi
de 2001 a 2003
guns dados retirados do conjunto de dados utilizados. 
Dentre as 135 amostras são encontradas situações de fun-
cionamento normais e falhas incipientes como pode ser ob-
servado na Tabela 6, de modo que, submetendo-se os mode-
los à avaliação do “grau de certeza” apresentado no diag-
nóstico, pode-se avaliar a performance de cada um dos sis-
temas de diagnóstico propostos. 
 
TABELA V 
EXEMPLO DE DADOS UTILIZADOS PARA TESTE DOS SISTEMAS PROPOSTOS 
Amostra H2 CH4 C2H4 C2H6 C2H2 
1 2 28 63 0.2 0 
2 21 5 13 2 0 
3 58 2 0 0 0 
4 1 2 0 3 11 
5 4 2 8 2 0 
6 2 4 6 3 0 
7 3 6 11 4 0 
8 36 4 3 3 0 
 
T ELA
CLASSIFICAÇÃO DOS DOS LIZAD QUANTO AO TIPO DE FALHA 
Tip de Fa s / rma
AB VI 
DA UTI OS 
os lha No l Quantidade 
Sobreaqueci nto no óle 78 me o 
Sobreaqueci o na celu e 17 ment los
 8
Descargas de baixa energia 25 
Descargas de lta a 11 energia 
Normal 4 
 TOTAL 135 
 
resO p entou o ico i-
dêntic nico em 67% das 135 a-
mostra e em grande parte ao pro-
blema etidos são 
devido a e
O segundo sistema nebuloso teve um índice de acerto de 
uente se localiza na celulose. Para 
so
a temperatura de 
fa
al
 potência pertencente à 
CGTF - Central Geradora Termelétrica de Fortaleza, do 
grup en-
tração de gase ônicos, além 
de
 compreendido entre duas análises 
la
al
te, de forma a se fazer uma 
an
nto rela-
tiv
 período e de se 
es
este projeto foi desenvolver modelos 
nã
 ser obti-
do a partir de um modelo para a temperatura do topo do óleo 
[20]. 
rimeiro sistema nebuloso ap
éc
 diagnóst
o ao fornecido no laudo t
aixo índice se devs. Este b
 da não decisão, pois 81% dos erros com
ste problema. 
83% nas 135 amostras. Neste caso a grande maioria dos 
erros se deve ao fato do sistema não considerar o sobrea-
quecimento e degradação da celulose através de regras es-
peciais. Assim o sistema é induzido ao erro na maioria dos 
casos em que o ponto q
lucionar este problema pode-se utilizar a razão entre os 
gases monóxido de carbono (CO) e dióxido de carbono 
(CO2) como parâmetro de análise. Uma razão CO2/CO na 
faixa de 3.0 a 10.0 é considerada normal. De modo seme-
lhante a norma IEC 599 propõe a faixa aceitável de funcio-
namento normal como: 0.07pode-se classificar, em até quatro níveis, a con-
dição de trabalho da unidade monitorada, sendo uma condi-
ção normal, duas intermediárias e a última, crítica. 
A partir deste pré-diagnóstico, pode-se disponibilizar uma 
série de procedimentos condizentes com a classificação feita 
indo de continuidade normal da operação até retirada de 
funcionamento da unidade para análise mais detalhada do 
óleo, ou seja, cromatografia laboratorial. 
Tratando-se a cromatografia como um procedime
amente caro e observando a desvantagem de que a unida-
de não tem uma cobertura de monitoramento entre os inter-
valos de retirada do óleo para este tipo de análise, o pré-
diagnóstico se configura como uma oportunidade de se res-
guardar o transformador durante o citado
tabelecer a otimização do tempo em que a cromatografia é 
realmente necessária. 
O algoritmo de pré-diagnóstico desenvolvido apresentou 
resultados satisfatórios em relação ao transformador com o 
equipamento de monitoramento on-line instalado. 
V. MODELAGEM TÉRMICA 
Um dos objetivos d
o-lineares para a representação do carregamento térmico 
de transformadores imersos em óleo isolante. Por definição 
o carregamento térmico de um transformador pode
A modelagem da temperatura do topo do óleo é obtida em 
função do carregamento do transformador, medido através 
de sensores de corrente, e da temperatura ambiente. Quanto 
ao desenvolvimento dos algoritmos, a idéia básica foi supe-
 9
rar dificuldades quanto aos modelos convencionais, minimi-
zar a quantidade de informação necessária para a modela-
ge
 função do aumento da 
ca
o da temperatura ambiente é 
le
 como saída, definindo, desta 
fo
m do sistema, pela redução no número de variáveis moni-
torada com reduzido número de sensores, e comparar o de-
sempenho dos algoritmos propostos. 
Os algoritmos não lineares e inteligentes [16, 20, 26, 29] 
utilizados na modelagem da carga térmica do transformador 
foram: Modelo Melhorado do IEEE, Modelos Polinomiais 
NARX e Rede Neural-MLP. 
Segunda a recomendação IEEE/ANSI a elevação da tem-
peratura do óleo acima da ambiente é
rga do transformador que apresenta como conseqüência 
perdas internas da unidade, e conseqüentemente aumento 
global da temperatura. Uma melhoria proposta a este mode-
lo é obtida quando a variaçã
vada em consideração [20]. 
 Um outro modelo utilizado é o polinomial NARX. Este 
modelo é descrito no tempo e possui como finalidade definir 
a saída em função de valores prévios de sinais de entrada e 
saída. No nosso objetivo proposto, temos como entradas a 
temperatura ambiente e o carregamento do transformador e 
a temperatura do topo do óleo
rma, uma estrutura de modelo não linear NARX [20]: 
 
 )1)((
][
)1)((
][]1[][
0
2
0
00
0
+∆+
∆
+⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
+∆+
∆
+
+
∆+
∆
+−
∆+
=
RtT
t
I
kI
RtT
Rt
k
tT
tk
tT
Tk
fm
n
fm
aoo
θθ
θθθ
 
(3) 
 
uas estruturas NARX foram utilizadas. A primeira D es-
trutura implementou um modelo NARX que incorpora in-
formações sobre a dinâmica de transferência de calor interna 
e externa ao transformador e por isto é considerado um -
o caixa cinza. Este modelo é uma evolução proposta para 
comendação C57115 IEEE/ANSI. Para o segundo mo-
de
todos propostos na 
m
 nível de laboratório, inclu-
si
 mo
del
a re
lo utilizou-se uma estrutura não linear NARX desconside-
rando-se informações a priori do sistema e por isto classifi-
cado como caixa preta. Para a determinação da estrutura do 
modelo NARX caixa preta utilizou-se o método da taxa de 
redução do erro como descrito em [20]. 
No modelo da Rede Neural Artificial-MLP foi utilizada a 
topologia de uma rede com uma única camada escondida, 
com duas entradas para os dados de temperatura ambiente e 
carregamento (corrente) e uma saída, na qual é determinada 
a temperatura do topo do óleo. 
Para avaliar o desempenho dos mé
odelagem da carga térmica do transformador a partir da 
estimação da temperatura do topo do óleo foi usado um pro-
tótipo, instalado em uma subestação do DEE/UFC. Este 
transformador protótipo permite o estudo e desenvolvimento 
do sistema de monitoramento em
ve com testes destrutivos, para futuras adaptações dos sis-
temas em transformadores de potência. 
O melhor resultado para o transformador (DEE/UFC) foi 
obtido com o modelo polinomial caixa cinza, que aprimora 
recomendações da C57.115 IEEE/ANSI, conforme Tabela 
7. 
 
TABELA VII 
RESULTADOS DO MODELAMENTO TÉRMICO 
Modelo Somatório do Erro 
Quadrático - SSE 
Coeficiente de 
Correlação Múl-
tipla – R2 
Recomendação 
C57.115 
IEEE/ANSI. 
7.2764e+003 0.6248 
Polinomial
lin
caixa cinza. 
0.9856 não 
X - 
202.0036 
ear NAR
Polinomial não 
linear NARX – 
caixa preta. 
427.7920 0.9699 
Rede Neural – 392.1128 0.9720 
MLP. 
 
N tações utilizaram-se amostras do carrega-
me atura ambien peratura d o 
óleo ador. Inicialmente foi utilizado um con-
junt amostras obt intervalos de 
min imação dos parâm odelos e trei-
namento da rede e posteriormente um outro conjunto com 
37
cipientes em transformadores de 
pot e. 
Os
transformad consistên-
ci
ransformador, assim como, a 
um
as implemen
nto, da temper
 do transform
 com 612 
te e da tem o topo d
o
utos para est
idas em 
etros dos m
∆t = 5
9 amostras foi utilizado para validar os modelos. O trans-
formador alimentava cargas não lineares formadas de apare-
lhos de ar condicionado. 
VI. PROGRAMA COMPUTACIONAL PARA DIAGNÓSTICO 
INTELIGENTE DE TRANSFORMADORES 
Foram implementados métodos baseados em inteligência 
computacional, descritos na seção 3 deste trabalho, para o 
diagnóstico de falhas in
ência em função dos gases dissolvidos no óleo isolant
 algoritmos têm como finalidade, além do diagnóstico do 
or propriamente dito, solucionar as in
as normativas que regem a área. A figura 14 apresenta a 
interface com o usuário do programa computacional desen-
volvido, referente ao módulo para o diagnóstico do trans-
formador baseado em redes neurais e/ou sistema fuzzy utili-
zando como entrada as concentrações de gases dissolvidos 
no óleo. O software apresenta a possibilidade da utilização 
direta das concentrações dos gases nas entradas ou através 
das razões. Na saída, é possível observar o resultado apre-
sentado pela norma IEC, o sistema fuzzy ou neural, ou ainda, 
ambos os diagnósticos. 
Também foi desenvolvido um módulo computacional ca-
paz de acessar as informações do sensor instalado de moni-
toramento on-line dos gases dissolvidos no óleo do trans-
formador. Conforme a figura 15, pode-se acompanhar, de 
forma on-line, a evolução do total das concentrações dos 
gases dissolvidos no óleo do t
idade e temperaturas ambiente e do topo do óleo. Através 
desse módulo computacional é possível acompanhar cada 
uma das grandezas medidas através de médias diárias e grá-
ficos de tendência. 
 10
 
Figura 14. Software de diagnóstico de falhas. 
Um sistema de alarmes foi, também, estabelecido para 
que, através do monitoramento, haja uma segurança do uso 
da unidade transformadora durante o período compreendido 
entre duas análises laboratoriais do óleo isolante. O pré-
diagnostico (vide seção 4) pode ser acessado através do bo-
tão diagnóstico na tela da figura 15. A partir deste pré-
diagnóstico, pode-se ter acesso a uma série de procedimen-
tos condizentes com a classificação feita indo de continui-
dade normal da operação até retirada de funcionamento da 
unidade para análise mais detalhada. 
 
 
Figura 15. Tela com informações do monitoramento on-line. 
O terceiro módulo computacional desenvolvido neste tra-
balho corresponde ao monitoramento das temperaturas in-
ternas de um transformador. Esse módulo utiliza os algorit-
mos comentados na seção 5 deste trabalho. Através do mó-
dulo é possível obter informações sobre tensões, correntes e 
temperaturas internas do transformador monitorado, com a 
opção de gerar gráficos de cada uma dessas grandezas. 
Também, é possível obter uma previsão da vida útil do 
transformador. 
VII. CONCLUSÃO 
Métodos de monitoramentoe diagnóstico de falhas inci-
pientes em transformadores baseados na análise de gases 
dissolvidos no óleo isolante obtiveram indiscutível sucesso 
durante estes últimos 30 anos. Entretanto, este sucesso deve-
se ao conhecimento e experiências de alguns especialistas. É 
de interesse geral dos engenheiros de manutenção que este 
conhecimento e experiências sejam cientificamente organi-
zados e representados em linguagem de máquinas inteligen-
tes. Nos últimos anos evidenciou-se também que o monito-
ramento do ponto quente do transformador é tão importante 
quanto ou, em alguns casos, de superior importância, ao 
monitoramento dos gases. 
Este artigo inicialmente apresentou uma visão geral da á-
rea de monitoramento e diagnóstico de transformadores de 
potência. 
Neste trabalho foi apresentado o desenvolvimento de um 
sistema computacional inteligente para o diagnóstico de 
falhas incipientes em transformadores de potência baseado 
na análise dos gases dissolvidos no óleo. Os métodos desen-
volvidos são baseados em rede neural e sistemas fuzzy. O 
programa desenvolvido está integrado a um módulo de mo-
nitoramento on-line da evolução do volume total dos gases e 
da umidade no interior do transformador, associado a um 
algoritmo de pré-diagnóstico. 
Comparando-se os resultados apresentados na utilização 
dos três modelos nebulosos aplicados ao diagnóstico de fa-
lhas internas de transformadores, observa-se que para as 
condições críticas (falhas severas) os três modelos apresen-
taram um correto diagnóstico. Para esta análise, foi conside-
rado que as falhas críticas são aquelas que envolvem sobre-
aquecimento de alta temperatura (>700°C), ou descargas de 
alta energia. Nos demais resultados, foram observados diag-
nósticos que demonstram uma posição conservadora dos 
modelos, principalmente para o terceiro sistema (sistema 
nebuloso 3), quando comparado com os diagnósticos apre-
sentados nos relatórios realizados de análise de gases dis-
solvidos nos transformadores. 
Os resultados apresentados na utilização de rede neural 
aplicada ao diagnóstico de falhas internas de transformado-
res apresentaram um percentual elevado de diagnóstico cor-
reto. No entanto, os estudos continuam no que visa aprimo-
rar a aplicação desta técnica juntamente com outras técnicas 
de Inteligência Computacional, visando mesclar as qualida-
des destas para obtenção de resultados ainda melhores. 
O módulo de monitoramento on-line e de pré-diagnóstico 
também foi implementado com sucesso no software desen-
volvido. 
Neste trabalho, também, foram implementadas três estru-
turas de identificação não linear para resolver o problema de 
estimação da temperatura interna do topo do óleo de um 
transformador, considerando somente dados do carregamen-
to e temperatura ambiente. A primeira estrutura implemen-
tou um modelo NARX que incorpora informações sobre a 
dinâmica de transferência de calor interna e externa ao 
transformador e por isto é considerado um modelo caixa 
cinza. Este modelo é uma evolução proposta para a reco-
mendação C57115 IEEE/ANSI. Para o segundo modelo 
utilizou-se uma estrutura não linear NARX desconsideran-
do-se informações a priori do sistema e por isto classificado 
como caixa preta. Finalmente o terceiro método correspon-
 11
deu a uma modelagem através de redes neurais artificiais 
com estrutura MLP e treinamento por back-propagation. 
Diferentes estruturas de redes neurais MLP foram imple-
mentadas para se chegar à uma estrutura que apresentasse 
resultados satisfatórios. 
Das implementações realizadas obteve-se um melhor de-
sempenho para a identificação através do modelo polinomial 
não linear NARX caixa cinza. Os métodos desenvolvidos de 
análise térmica do transformador também foram agregados a 
um programa computacional. 
VIII. REFERÊNCIAS BIBLIOGRÁFICAS 
[1] Bengtsson, C.; Status and Trends in Transformer 
Monitoring, IEEE Transactions on Power delivery, vol. 
11, No. 3, 1996. 
[2] Kovacevic, S. and Dominelli, N.; Transformer Life 
Extension by Continuous On-Line Oil Conditioning; 
Proceedings of Electrical Insulation Conference and 
Electrical Manufacturing & Coil Winding Technology 
Conference. ,pp.23-25, 2003 
[3] Tenbohlen, S.; Figel, F.; On-line condition monitoring of 
power transformers, IEEE Power Engineering Society 
Winter Meeting, pp. 2211 - 2216 vol.3, 2000. 
[4] Lazarevich, A. K.; Partial Discharge Detection and 
Localization in High Voltage Transformers Using an 
Optical Acoustic Sensor; Thesis submitted to the 
faculty of the Virginia Polytechnic Institute and State 
University, 2003 
[5] Freitas, A.A.C. “Redes Neurais Artificiais Aplicadas em 
Transformadores de Distribuição Imersos em Óleo”, 
Tese de Mestrado, UNESP/FE/DEE, Bauru-SP, 2000. 
[6] Freitas, A. A. C. (2000). Redes Neurais Artificiais 
Aplicadas em Transformadores de Distribuição Imersos 
em Óleo, Tese de Mestrado, UNESP/FE/DEE, Bauru-
SP. 
[7] Cavaleiro P.M., Araújo, F.M., Ferreira, L. A. Santos, 
J.L. Farahi, F. Simultaneous Measurement of Strain and 
Temperature Using Bragg Gratings Written in 
Germanosilicate and Boron-Codoped-Germanosilicate 
Fibres, IEEE Photonics Technology Letters, 2003. 
[8] Ferreira, L. A. Santos, J.L. Farahi, F. Diatzikis E.V.; 
Demodulation of Fibre Bragg Gratings Sensors Based 
on Dynamic Tuning of a Multimode Laser Diode", 
Applied Optics, 38, 4751, 1999. 
[9] Haykin, S, Neural Networks – A Comprehensive 
Foundation, McMillan Inc., Englewood Cliffs – N.J., 
US 
[10] Chen, C. H., Fuzzy Logic and neural network 
Handbook, McGrawHill, 1996. 
[11] Hesk, T. and neporent, J.; Fuzzy logic for Real World 
Design, AB AnnaBooks Ed., 1999 
[12] Almeida, M. O., Passold, F. e Borges, P. S. S. (2000). 
Design Issues And Laboratory Experiments In Fuzzy 
PID Control Teaching -XVIII Brazilian Congress of 
Engineering Teaching – COBENGE 2000, Ouro Preto – 
Brasil. 
[13] Oemmen, T. V. Vegetable Oils for Liquid-Filled 
Transformers, IEEE Electrical Insulation Magazine, pp. 
6 –11, 2002. 
[14] M.A Wang, Z. (2000). Artificial Intelligence 
Applications in the Diagnosis of Power Transformer 
Incipient Faults, doctorad thesis, Blacksburg, Virginia. 
[15] Y. Zhang, X. Ding e Y Liu, “An Artificial Neural 
Approach to Transformer Fault Diagnosis”, IEEE 
Trans. On Power Delivery, No.4, October 1996, 
pp.1836-1841. 
[16] Chen, Linear System Theory and Design, Oxford 
 University Press, 1999. 
[17] LumaSense Technologies e T&D World Magazine. 
 Web Seminar. Junho de 2007. Disponível: 
 http://www.electricityforum.com 
[18] IEC 599 – Interpretation of the analysis of gases in 
transformers and other oil-filled electrical equipment in 
service, International Electrotechnical Commission, 
Geneva, Switzerland, 1978. 
[19] IEC. IEC 599 – Revision of IEC 599 – Working Draft 
2, International Electrotechnical Commission, Geneva, 
Switzerland, 1996. 
[20] Carvalho, M. F.; Almeida, O. M.; Cruz, C. M. T.; Amo-
ra, M. A. B.; Nottingham, O. C. S.. Modelos Neural e 
Polinomiais não Lineares: Comparações e Estudos de 
Casos Aplicados na Modelagem da Carga Térmica de 
Transformadores de Distribuição Imersos em Óleo; VII 
Simpósio Brasileiro de Automação Industrial, 2005, 
São Luís. Anais do Congresso, 2005. 
 [21] Tsuchie, M.; Recent Diagnostic Technology on Oil-
immersed Power Transformer, Japan; Mitsubishi 
Eletric Corporation, 2002. 
[22] Wang, Z. Artificial Intelligence Applications in the 
Diagnosis of Power Transformer Incipient Faults, 
Blacksburg, Virginia University, 2000. 
[23] ABNT NBR 5416, Aplicação de Carga em 
 Transformadores de Potência - Procedimento, A. B. 
 N. T., Julho 1997. 
[24] IEEE Guide for Loading Mineral-Oil-Immersed Power 
Transform in Excess of 100 MVA (65oC), IEEE 
C.57.115.1991. 
[25] IEEE Guide for the Interpretation of Gases Generated 
in Oil-Immersed Transformers – IEEE Std C57.104-
1991 – 1991. 
[26] Aguirre,L. A. Introdução a Identificação de Sistemas, 
 Editora UFMG, 2004. 
[27] Lobo,A. B. Ribeiro; Santos, J. L.; Baptista, J. M.; L. 
A. Ferreira; F. M. Araújo; A. P. Leite, Optical Fiber 
Sensor Technology in Portugal, Fiber and Integrated 
Optics, Volume 24, Issue 3 & 4 May 2005 , pages 171 
– 199 
[28] Degamber, B., Tetlow, J., Fernando, G. F., Design and 
development of low-cost optical-fiber sensors for tem-
perature metrology: Process monitoring of an epoxy 
resin system, Journal of Applied Polymer Science, 
Volume 94, Issue 1 , Pages 83 – 95 
[29] Hell, M. ; Costa Jr., P. P. ; Gomide, F. . Recurrent Neu-
ro fuzzy Network in Thermal Modeling of Power 
Transformers. IEEE Transactions on Power Delivery, 
2007. 
 
 
 
http://www.informaworld.com/smpp/title~content=t713771194~db=all
http://www.informaworld.com/smpp/title~content=t713771194~db=all
http://www.informaworld.com/smpp/title~content=g713872449~db=all
http://www3.interscience.wiley.com/cgi-bin/jissue/109580256
	Introdução
	Monitoramento de Transformadores
	Distribuição das Falhas no Transformador
	Análise de Gases Dissolvidos no Óleo (DGA)
	Descargas Parcias (PDs)
	Temperaturas
	Diagnóstico de Falhas a partir dos Gases Dissolvidos no Óleo
	Método de Diagnóstico Inteligente Baseado em DGA
	Sistema de Diagnóstico Baseado em Regras Fuzzy
	Sistema de Diagnóstico Baseado em Redes Neurais
	Resultados
	Monitoramento On-Line dos Gases em um Transformador de Potên
	Modelagem Térmica
	Programa Computacional para Diagnóstico Inteligente de Trans
	Conclusão
	Referências bibliográficas