5 Técnicas de Diagnóstico de Falhas para Grandes Transformadores de Energia

Métodos de Diagnóstico de Falhas em Transformadores

1. Método da Razão para Análise de Gases Dissolvidos

Para a maioria dos transformadores de potência imersos em óleo, certos gases combustíveis são produzidos no tanque do transformador sob estresse térmico e elétrico. Os gases combustíveis dissolvidos no óleo podem ser usados para determinar as características de decomposição térmica do sistema de isolamento de óleo-papel do transformador com base no conteúdo específico de gás e nas suas razões. Esta tecnologia foi inicialmente usada para o diagnóstico de falhas em transformadores imersos em óleo. Posteriormente, Barraclough e outros propuseram um método de diagnóstico de falhas usando quatro razões de gás: CH4/H2, C2H6/CH4, C2H4/C2H6 e C2H2/C2H4. Em padrões IEC subsequentes, a razão C2H6/CH4 foi removida, e o método modificado de três razões tornou-se amplamente adotado. Rogers forneceu uma análise e explicação detalhadas dos códigos de razão de componentes de gás e métodos de uso nos padrões IEEE e IEC. A aplicação a longo prazo do IEC 599 revelou que, em alguns casos, não corresponde às condições reais e não consegue diagnosticar certos cenários de falha. Consequentemente, tanto a China quanto a Associação Elétrica do Japão fizeram melhorias no codificação IEC, enquanto outros métodos de análise de gases dissolvidos também ganharam ampla aplicação.

2. Método de Diagnóstico Lógico Fuzzy

O teórico de controle americano L.A. Zadeh propôs inicialmente os métodos de diagnóstico fuzzy, que desde então tiveram uma aplicação mais ampla. A lógica fuzzy é vantajosa para expressar conhecimento e experiência qualitativa com fronteiras incertas. Usando o conceito de funções de pertinência, ela distingue conjuntos fuzzy, processa relações fuzzy, simula o raciocínio baseado em regras humanas e resolve vários problemas de incerteza em aplicações práticas. Na prática, os transformadores frequentemente apresentam falhas com causas e mecanismos incertos envolvendo numerosas relações incertas e fuzzy que os métodos tradicionais não conseguem explicar ou descrever bem. Os métodos de lógica fuzzy podem lidar efetivamente com essas relações incertas em falhas de transformadores, fornecendo uma nova abordagem para o diagnóstico de falhas em transformadores de potência.

Para abordar a limitação da falta de critérios de razão críticos no método de razão de Rogers comumente usado para o diagnóstico de falhas em transformadores de potência, um método usando a teoria dos conjuntos fuzzy foi proposto. Esta abordagem introduz a tecnologia de lógica fuzzy nos métodos de razão tradicionais, fazendo a fuzzificação das fronteiras de razão. Este método mostrou bons efeitos de aplicação no diagnóstico de múltiplas falhas de transformadores e evoluiu para uma série de métodos de diagnóstico de falhas, incluindo métodos de combinação de codificação, técnicas de agrupamento fuzzy, redes de Petri e sistemas cinzentos. Esses modelos consideram plenamente a inerente fuzziness dos dados, melhorando efetivamente o desempenho com conjuntos de dados complexos e aumentando a precisão do diagnóstico de falhas de transformadores.

3. Método de Diagnóstico por Sistema Especialista

Os sistemas especialistas representam um ramo importante da inteligência artificial. São sistemas de programas de computador capazes de simular, em certa medida, a experiência e os processos de raciocínio de especialistas humanos. Com base nos dados fornecidos pelos usuários, eles aplicam o conhecimento ou a experiência de especialistas armazenados para fazer inferências e julgamentos, fornecendo conclusões com níveis de confiança para auxiliar na tomada de decisões do usuário. O diagnóstico de falhas em transformadores de potência é um problema extremamente complexo envolvendo múltiplos fatores.

Fazer julgamentos precisos com base em diversos parâmetros requer bases teóricas sólidas e rica experiência em operação e manutenção. Além disso, devido a variações na capacidade, níveis de tensão e ambientes operacionais dos transformadores, a mesma falha pode se manifestar de maneira diferente em diversos transformadores. Os sistemas especialistas possuem forte tolerância a falhas e adaptabilidade, permitindo-lhes modificar sua base de conhecimento com base no conhecimento diagnóstico adquirido para garantir a completude. Portanto, podem diagnosticar efetivamente diferentes tipos de transformadores de potência. Os sistemas especialistas de diagnóstico de falhas em transformadores de potência podem determinar as características de falhas, sintetizando o conhecimento sobre as causas e tipos de falhas, incorporando o conhecimento de detecção de falhas, incluindo a análise de gases dissolvidos no óleo. Eles podem lidar efetivamente com problemas fuzzy no diagnóstico de falhas usando lógica fuzzy, abordar o gargalo de dificuldade em obter conhecimento completo através de métodos de conjuntos aproximados e estabelecer estruturas adequadas para diagnóstico colaborativo de multi-especialistas usando arquitetura de modelo de quadro-negro.

4. Método de Diagnóstico por Rede Neural Artificial

As redes neurais artificiais modelam matematicamente a atividade dos neurônios e representam um sistema de processamento de informações baseado na imitação da estrutura e função das redes neurais cerebrais. As RNAs possuem capacidades de auto-organização, adaptação, auto-aprendizagem, tolerância a falhas e fortes habilidades de aproximação não-linear. Elas podem implementar funções de previsão, simulação e controle fuzzy, tornando-se ferramentas poderosas para o processamento de sistemas não-lineares. O uso de redes neurais artificiais para o diagnóstico de falhas em transformadores com base nos componentes e concentrações de gases dissolvidos no óleo tem sido um foco de pesquisa nos últimos anos. Isso levou ao desenvolvimento de diversos métodos de diagnóstico de falhas baseados em RNAs, como o método de RNA em duas etapas, redes neurais artificiais de retropropagação, modelos de redes neurais de árvore de decisão, modelos hierárquicos de rede neural combinada e redes neurais de função de base radial. Estes métodos continuamente melhoram a velocidade de convergência, o desempenho de classificação e a precisão dos algoritmos de rede neural.

5. Outros Métodos de Diagnóstico

Além dos quatro métodos mencionados acima, várias outras abordagens também são usadas para o diagnóstico de falhas em transformadores. Ao combinar organicamente redes neurais e teoria de evidência para aproveitar suas vantagens complementares, pode-se desenvolver um método abrangente de diagnóstico de falhas em transformadores que integre múltiplas redes neurais com teoria de evidência. Inspirando-se nos mecanismos eficientes de reconhecimento e memória de anticorpos contra antígenos nos sistemas imunológicos biológicos, redes auto-organizadas de anticorpos e algoritmos de geração de anticorpos podem ser aplicados para resolver problemas de diagnóstico de falhas em transformadores de potência. Além disso, outros métodos de diagnóstico de falhas em transformadores incluem aqueles baseados em fusão de informações, teoria de conjuntos aproximados, árvores de decisão combinadas, redes bayesianas, sistemas imunológicos artificiais, novas redes de função de base radial e máquinas de vetores de suporte.