Prévia do material em texto
Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 1 de 12 CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS Marco Antonio Ferreira Finocchio1 (Prof. Mestre em Engenharia Elétrica, Universidade Tecnológica Federal do Paraná - UTFPR, Campus Cornélio Procópio, PR. Email: mafinocchio@utfpr.edu.br). Márcio Mendonça1 (Prof. Doutor em Engenharia Elétrica, Universidade Tecnológica Federal do Paraná - UTFPR, Campus Cornélio Procópio, PR. Email: mendonca@utfpr.edu.br) Nathalia Pereira de Souza1 (Graduanda em Engenharia Eletrônica pela Universidade Tecnológica Federal do Paraná – UTFPR, Campus Cornélio Procópio, PR. Email: nathaliasouza@alunos.utfpr.edu.br). Marcos Massaki Imamura2 (Prof. Mestre em Engenharia Elétrica, Universidade Tecnológica Federal do Paraná - UTFPR, Campus Londrina, PR. Email: Imamura@utfpr.edu.br) RESUMO Este artigo aborda uma alternativa, para predição da concentração do nível de gases dissolvidos no óleo isolante de transformadores elétricos, baseada em redes neurais artificiais. O que possibilitará auxílio à tomada de decisão no setor de manutenção. Viabilizando a diminuição dos custos e dos serviços de manutenção. Palavras-Chave: Gases dissolvidos, óleo isolante e transformadores. ABSTRACT This article discusses an alternative to predict the level of concentration of dissolved gases in the insulating oil of power transformers based on artificial neural networks. What will enable aid to decision making in the maintenance sector. Enabling the reduction of costs and maintenance services. Keywords: Dissolved gases, insulating oil, and transformer. 1. INTRODUÇÃO O transformador é um equipamento primordial para o funcionamento do sistema elétrico. Devido a sua aplicação na elevação e abaixamento de tensão nas subestações mailto:mafinocchio@utfpr.edu.br Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 2 de 12 distribuidoras, ligadas ao fornecimento de energia elétrica, tornando-se primaz seu estudo com relação às suas condições de operação e manutenção [5]. Os transformadores de potência têm por finalidade principal a transferência de energia em níveis diferentes de tensão e de corrente [1]. São geralmente utilizados na transmissão e na distribuição de energia elétrica, bem como nas indústrias. Estes equipamentos devem ser construídos de modo a atenderem os limites prescritos em normas e às necessidades especificas de sua utilização. A escolha de Redes Neurais Artificiais (RNA’s) para equacionar o problema, baseia- se na capacidade que possuem de assimilar conhecimento através de dados comportamentais representativos do ambiente e, depois se relacionar com ele [4]. Este trabalho consiste em prever os índices de gases dissolvidos no óleo, sem necessitar do ensaio cromatográfico, bem como determinar o grau de relacionamento entre as grandezas envolvidas nos ensaios físico-químicos com os índices de gases presentes no óleo isolante. A previsão da quantidade de gases dissolvidos no óleo isolante é feita pela aplicação de redes neurais artificiais. Através dos dados dos ensaios físico-químicos a rede será capaz de determinar a concentração de três gases de interesse, o metano (CH4), o etileno (C2H4) e o acetileno (C2H2). Estes gases em certas concentrações podem corresponder a sete tipos de falhas distintas em transformadores a óleo [6]. A estrutura da rede neural para resolver o problema será a Perceptron com Múltiplas Camadas (PMC). Após o treinamento da rede, será determinada a relação entre as grandezas dos ensaios físico-químicos e as concentrações dos gases. Isto possibilitará a rede ser capaz de prever as características relativas à quantidade de gases dissolvidos na amostra analisada. Com o conhecimento das características, a rede se reorganiza internamente para gerar uma saída que represente a quantidade de gás no óleo isolante. As vantagens deste procedimento são: Simplicidade em relação ao ensaio cromatográfico; Auxiliar na tomada de decisão, referente à concentração de gases presentes no óleo; Uma alternativa no estudo do relacionamento entre as grandezas físico-químicas e o índice de gases presentes. Apresenta um menor custo comparado ao ensaio cromatográfico. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 3 de 12 Estas vantagens justificam o emprego de uma rede neural artificial para determinação das relações entre as grandezas físico-químicas e os gases presentes no óleo isolante, estipulados pelo ensaio cromatográfico. 2. FUNDAMENTAÇÃO TEÓRICA As RNA’s são técnicas computacionais inspiradas na estrutura neural de organismos inteligentes, de modo específico são inspiradas no neurônio biológico [2]. Os neurônios são somas ponderadas das entradas, e que adquirem conhecimento através da experiência. Uma rede neural é uma estrutura de processamento de informação distribuída paralelamente na forma de um grafo direcionado, com algumas restrições e definições próprias. Os nós deste grafo são chamados elementos de processamento, e suas arestas são conexões, que funcionam como caminhos de condução instantânea de sinais em uma única direção, de forma que seus elementos de processamento podem receber qualquer número de conexões de entrada. Estas estruturas podem possuir memória local, e também possuir qualquer número de conexões de saída desde que os sinais nestas conexões sejam os mesmos. Portanto, estes elementos têm na verdade uma única conexão de saída, que pode dividir-se em cópias para formar múltiplas conexões, sendo que todos carregam o mesmo sinal. De forma geral, a operação de uma rede se resume em: Sinais são apresentados à entrada; Cada sinal é multiplicado por um peso que indica sua influência na saída; É feita a soma ponderada dos sinais que produz um nível de atividade; Se este nível excede um limite (threshold) a unidade produz uma saída; A rede neural passa por um processo de treinamento a partir dos casos reais conhecidos, adquirindo, a partir daí, a generalização necessária para executar adequadamente o processo desejado a partir de outro conjunto de dados. Sendo assim, a rede neural é capaz de extrair regras básicas a partir de dados reais. A Figura 1 mostra a arquitetura clássica de uma rede multicamada, formada pelos neurônios das camadas de entrada, intermediária e de saída interconectados. Outra característica é a capacidade de auto-organização. Através de um processo de aprendizado, é possível alterar os padrões de interconexão entre seus elementos. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 4 de 12 Figura 1: Arquitetura de uma Rede Neural. As redes neurais do tipo (PCM) são aproximadores universais e assim são frequentemente empregadas em modelagem de sistemas não lineares [2]. A metodologia para determinação das concentrações dos gases encontradas no óleo dos transformadores de potência apresentado neste trabalho aplica redes neurais artificiais em etapas da análise onde: • a forma de relação entre as variáveis não está bem definida; • os parâmetros são determinados de forma empírica. A utilização de RNA’s proporciona a estimação da relação com os processos, métodos e analise físico-química dos gases dissolvidos no óleo isolante, bem como suas concentrações. Este fato permite a obtenção de parâmetros próximos aos ideais para as condições de trabalho do óleo. Neste trabalho serão utilizadas redes neurais do tipo PCM de característica acíclica. O propósito desse procedimento é identificar o relacionamento existente entre as diversas variáveis envolvidas nesse estágio da analise de óleo do transformador e suas concentrações,mesmo que não estejam explicitados todos os fenômenos que as relacionam entre si. Alguns critérios foram avaliados para determinação do número de neurônios na camada intermediária. Em especial, o trabalho [3] que destaca fatores como: quantidade e qualidade dos dados disponíveis para treinar e testar a rede, número de parâmetros ajustáveis (pesos e limiares) e complexidade do problema (não linear descontínuo entre outros). Entretanto testes empíricos em função da capacidade de generalização da rede foram utilizados. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 5 de 12 3. METODOLOGIA DE PREVISÃO Para previsão dos gases dissolvidos no óleo, são considerados somente os resultados dos ensaios físico-químicos, e da relação entre certas grandezas obtidas a partir da concentração de gases dissolvidos no óleo. A determinação da relação entre os ensaios é realizada através da aplicação de RNA’s. Através dos ensaios físico-químicos a rede foi capaz de determinar a relação entre a concentração dos principais gases presentes na amostra, que foram encontrados pelo ensaio cromatográfico. A técnica utilizada baseou-se nas redes neurais do tipo (PCM), formada de múltiplas camadas compostas por uma camada escondida, com treinamento supervisionado. Os dados de treinamento são valores reais, que refletem as condições de trabalho a que é submetido o óleo isolante. Utilizou-se uma rede neural para cada gás a ser previsto, totalizando 3 redes neurais correspondentes para os gases, metano (CH4), etileno (C2H4) e acetileno (C2H2). Para todas as redes, a função empregada nos neurônios das camadas escondidas foi a tangente hiperbólica. No neurônio da camada de saída, foi utilizada a função de ativação rampa-simétrica. A normalização dos dados de treinamento foi efetuada através de uma função gaussiana. Já os valores de cada variável de entrada e saída são normalizados por uma distribuição normal com média zero e variância unitária. O desenvolvimento dessa pesquisa consiste em princípio na obtenção dos dados de treinamento, etapa inicial para utilização de RNA. Foram empregadas 600 amostras na fase de treinamento, reservando-se 120 amostras para o teste. Todas as amostras foram obtidas de testes reais realizados em laboratório especializado. Cada rede neural é composta por sete variáveis de entrada que representam os principais ensaios físico- químicos realizados no óleo isolante. Essas variáveis são definidas pela tensão interfacial (dyn/cm), teor de água (ppm), densidade, cor, fator de potência (%), rigidez dielétrica (kV/0,1”) e índice de neutralização (mg KOH/g). A variável de saída de cada rede refere-se a um dos gases do ensaio cromatográfico, a saber: Metano (CH4), Etileno (C2H4) e Acetileno (C2H2). Segundo a Tabela 1, as variáveis de entrada da rede apresentam faixas de variação úteis, pois atingem grande parte das situações que podem ocorrer na operação normal do óleo isolante. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 6 de 12 Tabela 1: Valores dos dados de treinamento. Ensaio Mínimos Máximos Tensão interfacial (dyn/cm) 15,0000 40,0000 Teor de água (ppm) 6,0000 59,0000 Densidade (a 20ºC) 0,8330 0,8900 Cor (ASTM) 0,5000 3,0000 Fator de potência (em %) 0,0900 4,9000 Rigidez Dielétrica (kV/0,1) 12,0000 69,0000 Índice de neutralização (mgKOH/g) 0,0020 0,4260 A arquitetura da rede Perceptron para a concentração de cada um dos gases é apresentada de forma genérica na Figura 2. Quanto aos números de neurônios da camada escondida utiliza-se a metodologia proposta por [1] para sua determinação. Figura 2: Arquitetura genérica para gases. Utilizando-se para cada um dos três gases uma rede Perceptron constituída de 14 (quatorze) neurônios na primeira camada escondida e 1 (um) neurônio na saída. 4. PREVISÃO DOS GASES Inicialmente foram utilizadas várias configurações para o processo de treinamento de cada uma das redes neurais que representam um dos gases contidos no óleo. A seguir são apresentados os resultados das simulações relativas às arquiteturas que apresentaram os melhores resultados. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 7 de 12 Para a estimação do gás CH4, o erro quadrático médio alcançado após 2500 épocas de treinamento foi da ordem de 6.833x10-5. A Figura 3 mostra o desempenho do treinamento da rede durante as épocas de treinamento. 0 500 1000 1500 2000 2500 10 -5 10 -4 10 -3 10 -2 10 -1 10 0 10 1 Épocas E rr o Q u a d rá ti c o M é d io Figura 3: Treinamento em relação ao gás CH4. As estimações para o gás CH4 em relação as 20 amostras que não pertenciam aos dados de treinamento são apresentadas na Figura 4. Observa-se ainda na Figura 4, que os resultados selecionados pela rede são bem próximos àqueles valores obtidos pelos ensaios cromatográficos. Figura 4: Comparação dos resultados para o CH4. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 8 de 12 Constata-se que a generalização efetuada pela rede neural para prever o gás CH4 a partir dos resultados advindos dos ensaios físico-químicos é positiva, sendo, portanto adequada para a obtenção destes valores. Na previsão do C2H4 o erro quadrático médio alcançado após 1314 épocas de treinamento foi da ordem de 4.887x10-6. A Figura 5 mostra o desempenho do treinamento da rede durante as épocas de treinamento. 0 200 400 600 800 1000 1200 10 -6 10 -5 10 -4 10 -3 10 -2 10 -1 10 0 Épocas E rr o Q u a d rá ti c o M é d io Figura 5: Treinamento em relação ao gás C2H4. As previsões para o gás C2H4 em relação as 20 amostras que não pertenciam aos dados de treinamento são apresentadas na Figura 6. Observa-se ainda na Figura 6, que os resultados selecionados pela rede são bem próximos dos encontrados pelos ensaios cromatográficos. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 9 de 12 Figura 6: Comparação dos resultados para o C2H4. Constata-se, portanto, que a generalização efetuada pela rede neural que estima o gás C2H4 a partir dos resultados advindos dos ensaios físico-químicos é bastante positiva. Sendo, portanto adequada para a previsão destes valores. Para prever a concentração do acetileno (C2H2) o erro quadrático médio alcançado após 1605 épocas de treinamento foi da ordem de 4.971x10-6. A Figura 7 mostra o desempenho do treinamento da rede durante as épocas de treinamento. 0 200 400 600 800 1000 1200 1400 1600 10 -6 10 -5 10 -4 10 -3 10 -2 10 -1 10 0 10 1 Épocas E rr o Q u a d rá ti c o M é d io Figura 7: Treinamento em relação ao gás C2H2 As previsões do gás C2H2 em relação as 20 amostras que não pertenciam aos dados de treinamento são apresentadas na Figura 8. Verifica-se, a partir desta figura, que Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 10 de 12 os resultados computados pela rede são bem próximos àqueles valores obtidos pelos ensaios cromatográficos. Figura 8: Comparação dos resultados para o C2H2. Em resumo, constata-se que a generalização efetuada pela rede neural prevê o gás C2H2 a partir dos resultados advindos dos ensaios físico-químicos é muito positiva, sendo adequada para a previsão destes valores. A Tabela 2 fornece os parâmetros estatísticos associados ao erro relativo registrado entre os valores obtidos pela rede e aqueles fornecidos pelos ensaios cromatográficos referentes as 60 amostras de óleo que foram utilizadas para a validação de abordagem proposta. Tabela 2: Parâmetros estatísticosrelativos ao erro. Gás Média dos Erros Erro Mínimo Erro Máximo Variância CH4 0,2941 2.10 -6 2,0041 0,2324 C2H4 0,1163 7.10 -5 1,5178 0,08941 C2H2 0,00106 6.10 -7 0,00686 5,58.10 -6 Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 11 de 12 Com base na Tabela 2 e nas figuras anteriores, pode-se perceber que a rede neural consegue realizar uma previsão do nível de cada gás das amostras, a partir dos dados de ensaio físico-químico existentes, demonstrando perfeitamente a capacidade de generalizar dentro do espectro das amostras disponíveis. 5. CONCLUSÃO Uma das maiores dificuldades encontradas na análise dos resultados com os ensaios realizados sobre o óleo de transformadores é a identificação do grau de relacionamento que eventualmente existe entre as diversas grandezas que caracterizam o seu estado. Este fato é devido a não existência de modelos matemáticos capazes de mapear corretamente o tipo de relacionamento existente entre estas grandezas. A característica mais significante de redes neurais está em sua habilidade de aproximar qualquer função contínua não linear. Tal habilidade é útil para modelar sistemas não lineares, particularmente quando o relacionamento entre as variáveis não é linear e/ou não bem definido, tornando difícil a sua modelagem por técnicas convencionais. A partir desta metodologia foi possível identificar um relacionamento dos 3 gases (CH4, C2H4 e C2H2) presentes no óleo, em função das principais características físico- químicas do óleo isolante (cor, densidade, tensão interfacial, teor de água, índice de neutralização, rigidez dielétrica e fator de potência). Outra vantagem está na condição operacional, que possibilita estimar o nível dos três gases presentes no óleo isolante independente da realização do ensaio cromatográfico. Através desta abordagem é possível delinear critérios preventivos que são baseados na evolução dos gases do óleo isolante no decorrer do tempo. Deve-se ressaltar que a aplicação da técnica favorece novos horizontes nas pesquisas realizadas sobre óleo isolante utilizado em equipamentos elétricos. Os resultados gerados requerem uma analise mais crítica de suas implicações físico-químicas, o que vai colaborar para a realização de novas pesquisas e também para o desenvolvimento de outras áreas do saber, tais como na física e na química. Salienta-se que o método proposto não é inovador, porém seu tratamento apresenta sutilezas. Uma futura aplicação prática é a determinação da concentração dos demais gases. Isto, associado à ação combinada com o Método de Duval para determinação e avaliação de falhas em equipamentos elétricos a óleo segundo os gases dissolvidos no óleo isolante. Revista Técnico-Científica do CREA-PR - ISSN 2358-5420 - 3ª edição - outubro de 2015 - página 12 de 12 REFERÊNCIAS [1] FINOCCHIO M.A.F. (2010) Determinação da Temperatura de Enrolamentos de Transformadores A Seco e de suas Perdas Totais Baseado em Redes Neurais Artificiais. Dissertação de Mestrado. Universidade Estadual de Londrina. [2] HAYKIN, S.; Neural Networks and Learning Machines. 3ª ed. New York: Prentice Hall, 2008. [3] BARRETO, G. A. (2007) Percepton multicamadas e o algoritmo de retropropagação do erro. Publicação interna: Programa de pós-graduação em engenharia de teleinformática. Fortaleza: UFC. [4] SILVA, Ivan Nunes da; SPATTI, Danilo Hernane; FLAUZINO, Rogério Andrade. Redes neurais artificiais: para engenharia e ciências aplicadas. São Paulo: Artliber, 2010. [5] SILVA, Ivan Nunes da; IMAMURA, Marcos Massaki; SOUZA Andre Nunes de. The Application of Neural Networks to the analysis of Dissolved Gases in Insulating Oil Used in Transformers. Proceedings of the IEEE International Conference on Systems Man Cybernetics; 2000. [6] DUVAL, Michel, DUKARM, James. Improving the Reliability of Transformer Gas-in-Oil Diagnosis. IEEE Elec. Insul. Mag., Vol.21, No.4, pp. 21-27, 2005.