Redes Neurais Autoassociativas Aplicadas ao Diagnóstico de Falhas em Transformadores de Potência

Abstract

Os transformadores de potência cumprem um papel importante no fornecimento de energia elétrica, tornando necessário o monitoramento contínuo dos processos que possam provocar falhas de operação, que particularmente ocorrem no isolamento do equipamento. Os métodos previstos na IEC, IEEE e NBR para análise do gás dissolvido (AGD) não alcançam nível pleno de acerto, pois não consegue mapear com precisão as características de falhas à que cada conjunto pertence. Neste artigo é apresentada uma nova forma para diagnóstico de falhas em transformadores de potência baseado nos resultados obtidos através do AGD. Para isto, um conjunto de redes autoassociativas é treinado para identificar as condições de falha ou a condição normal. Contudo, devido ao pequeno número de dados obtidos para treino/teste foi usado o algoritmo MeanShift baseado na Teoria de Informação para a densificação dos conjuntos, permitindo que todos os dados reais fossem usados para o processo de validação. Quando uma nova entrada é apresentada, os modelos de redes autoassociativas em paralelo competem entre si e a rede que estiver mais bem sintonizada produz o menor erro, indicando assim, a falha. A precisão da rede para o diagnóstico de falhas tem obtido 100 % de acerto com esta arquitetura, no qual todos os dados reais foram usados.