Estudos sobre predição do estado de transformadores de potência imersos em óleo mineral isolante por modelos matemáticos de ajuste aplicados

Autores

DOI:

https://doi.org/10.47456/bjpe.v10i4.46503

Palavras-chave:

ajuste, índice de desempenho, predição, manutenção, transformador de potência

Resumo

Os transformadores de potência são fundamentais para o sistema elétrico no que concerne ao fornecimento contínuo de energia, exigindo ferramentas eficazes de manutenção preventiva. Assim, o objetivo deste trabalho é a previsão acurada dos índices de desempenho de técnicas preditivas não invasivas aplicadas à avaliação de transformadores, oferecendo uma abordagem inovadora aplicável a diferentes cenários. Além disso, o índice de desempenho geral do equipamento é utilizado como referência para apoiar a tomadas de decisões. Nesse sentido, a metodologia adotada inclui o ajuste de curvas para três técnicas preditivas: análise de gases dissolvidos, ensaios físico-químicos e grau de polimerização/2FAL-Furfuraldeídos. Nos resultados, foram testados cinco tipos de ajustes (linear, quadrático, exponencial, gaussiano e soma de senos), e as expressões analíticas que melhor modelaram os dados foram determinadas. O critério do pior caso foi considerado para calcular os intervalos de tempo de cada classificação. A validação foi realizada com divisões de dados de treinamento/teste, utilizando a Raiz do Erro Quadrático Médio (RMSE) como métrica de desempenho. Conclui-se que o ajuste polinomial de segundo grau é o melhor ajuste para modelar os índices de desempenho, comprovando a originalidade deste trabalho.

Downloads

Biografia do Autor

Vinicius Faria Costa Mendanha, Universidade Federal de Goiás

Nasceu em 19 de maio de 1998. Atualmente, é mestrando no Programa de Pós-Graduação em Engenharia Elétrica e de Computação da Universidade Federal de Goiás. Graduou-se em Engenharia Elétrica pela Universidade Federal de Goiás (UFG) em 2023. Em 2018-2019, integrou a Agremiação Politécnica da UFG, na área de Administração. Em 2019, ingressou no PET (Programa de Educação Tutorial) Engenharias Conexão de Saberes, realizando também Iniciação Científica. Estudou análise de sinais e fenômeno de Gibbs (2019-2020). Dedica-se ao estudo de Inteligência Computacional aplicada à área de manutenção de transformadores de potência e é membro da Equipe do Laboratório de Pesquisa em Engenharia de Alta Tensão - LAPEAT UFG.

André Pereira Marques, Instituto Federal de Goiás

Nasceu em 25 de fevereiro de 1961 em Araguari, Minas Gerais, Brasil. Doutor (2018) e Mestre (2004) em Engenharia Elétrica pela Escola de Engenharia Elétrica, Mecânica e de Computação (EMC) da Universidade Federal de Goiás (UFG). Ele é Professor Titular no Instituto Federal de Goiás – Campus Goiânia (IFG) desde 1990, trabalhando nos cursos de Engenharia Elétrica, Engenharia de Automação e Curso Técnico em Eletrotécnica. Ele também é Gerente Técnico e proprietário da empresa APMarques Consultoria e Capacitação em Engenharia Elétrica desde 2019, especializado em estudos de carregamento e diagnósticos em transformadores de potência e é membro da Equipe do Laboratório de Pesquisa em Engenharia de Alta Tensão - LAPEAT UFG.

.

Yuri Andrade Dias, Universidade Federal de Goiás

Nasceu em 25 de outubro de 1994 em Goiânia, Goiás, Brasil. Doutor (2023) e Mestre (2019) em Engenharia Elétrica pela Escola de Engenharia Elétrica, Mecânica e de Computação (EMC) da Universidade Federal de Goiás (UFG). Atualmente, ele é gerente no Departamento de Engenharia de Manutenção de Subestações de Alta Tensão na Equatorial Energia Goiás e membro da Equipe do Laboratório de Pesquisa em Alta Tensão da EMC/UFG.

Cacilda de Jesus Ribeiro, Universidade Federal de Goiás

Nasceu em 8 de agosto de 1971 em Matão, São Paulo, Brasil. Doutora (2002) e Pós-Doutora (2004) em Engenharia Elétrica pela Escola de Engenharia de São Carlos, da Universidade de São Paulo. Atualmente, é professora titular na Escola de Engenharia Elétrica, Mecânica e de Computação (EMC) na Universidade Federal de Goiás (UFG) e é Coordenadora do Laboratório de Pesquisa em Engenharia de Alta Tensão - LAPEAT UFG.

Referências

Aizpurua, J. I., McArthur, S. D. J., Stewart, B. G., Lambert, B., Cross, J. G., & Catterson, V. M. (2019). Adaptive Power Transformer Lifetime Predictions Through Machine Learning and Uncertainty Modeling in Nuclear Power Plants. IEEE Transactions on Industrial Electronics, 66(6), 4726-4737. https://doi.org/10.1109/TIE.2018.2860532 DOI: https://doi.org/10.1109/TIE.2018.2860532

Azmi, A., Jasni, J., Azis, N., & Kadir, M. Z. A. Ab. (2017). Evolution of transformer health index in the form of mathematical equation. Renewable and Sustainable Energy Reviews, 76, 687-700. https://doi.org/10.1016/j.rser.2017.03.094 DOI: https://doi.org/10.1016/j.rser.2017.03.094

Dias, Y. (2019). Rede Bayesiana para Estimativa da Confiabilidade de Transformadores e Potência Imersos em Óleo Mineral Isolante Utilizando Técnicas Preditivas de Manutenção [Dissertação (Mestrado)]. Universidade Federal de Goiás.

Dias, Y. A. (2022). Índice de desempenho em transformador de potência [Relatório interno]. Universidade Federal de Goiás.

Dutta, S., Dey, J., Mishra, D., Baral, A., & Chakravorti, S. (2022). Prediction of Insulation Sensitive Parameters of Power Transformer Using Detrended Fluctuation Analysis Based Method. IEEE Transactions on Power Delivery, 37(3), 1963-1973. https://doi.org/10.1109/TPWRD.2021.3102075 DOI: https://doi.org/10.1109/TPWRD.2021.3102075

Faveri, R. de. (2021). Modelagem Térmica de Transformadores – Método de Regressão Linear Múltipla para Previsão de Variáveis. [Dissertação (Mestrado)].

Ferreira, A. M. J. (2015). Cálculo de índices de saúde, vida restante e probabilidade de falha de transformadores de potência AT/MT. [Dissertação (Mestrado)]. Universidade do Porto.

Fortes, M. Z., Junior, H. D. P. A., Atair Cesar Domingueti Junior, Abrita, R. M., & Albquerque, C. J. M. (2006). Lógica fuzzy como ferramenta para diagnóstico de falhas em transformadores. https://doi.org/10.13140/RG.2.1.3446.2242

Gouda, O. E. & El Dein, A. Z. (2019). Prediction of Aged Transformer Oil and Paper Insulation. Electric Power Components and Systems, 47(4-5), 406-419. https://doi.org/10.1080/15325008.2019.1604848 DOI: https://doi.org/10.1080/15325008.2019.1604848

Karunasingha, D. S. K. (2022). Root mean square error or mean absolute error? Use their ratio as well. Information Sciences, 585, 609-629. https://doi.org/10.1016/j.ins.2021.11.036 DOI: https://doi.org/10.1016/j.ins.2021.11.036

Lin, J., Su, L., Yan, Y., Sheng, G., Xie, D., & Jiang, X. (2018). Prediction Method for Power Transformer Running State Based on LSTM_DBN Network. Energies, 11(7), 1880. https://doi.org/10.3390/en11071880 DOI: https://doi.org/10.3390/en11071880

Luo, D., Fang, J., He, H., Lee, W.-J., Zhang, Z., Zai, H., Chen, W., & Zhang, K. (2022). Prediction for Dissolved Gas in Power Transformer Oil Based on TCN and GCN. IEEE Transactions on Industry Applications, 58(6), 7818-7826. https://doi.org/10.1109/TIA.2022.3197565 DOI: https://doi.org/10.1109/TIA.2022.3197565

Marques, A. P. (2018). Diagnóstico otimizado de transformadores de potência mediante a integração de técnicas preditivas [Tese (Doutorado)]. Universidade Federal de Goiás.

Press, W. H., Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P. (2011). Métodos numéricos aplicados: Rotinas em C++. 3. Ed. Porto Alegre: Bookman, 2011. 1261 p. Tradução técnica: Sílvio Renato Dahmen e Roberto da Silva. (3a ed). Bookman.

Ribeiro, V. M. A. (2016). Desenvolvimento e Análise de Indicadores de Condição de Transformadores de Potência. [Dissertação (Mestrado)]. Universidade do Porto.

Serrano, L. F. L., De Azevêdo, V. M., & Carneiro Lins, A. J. D. C. (2020). Ferramenta de Aprendizado de Máquina para Previsão de Falha de Transformadores de Rede Elétrica. Revista de Engenharia e Pesquisa Aplicada, 5(2), 44-50. https://doi.org/10.25286/repa.v5i2.1351 DOI: https://doi.org/10.25286/repa.v5i2.1351

Silva, D. G. T. da. (2020). Índice de saúde aprimorado para diagnóstico de transformadores de potência. Universidade Estadual de São Paulo.

Silva, D. G. T. da, Braga Da Silva, H. J., Marafão, F. P., Paredes, H. K. M., & Gonçalves, F. A. S. (2021). Enhanced health index for power transformers diagnosis. Engineering Failure Analysis, 126, 105427. https://doi.org/10.1016/j.engfailanal.2021.105427 DOI: https://doi.org/10.1016/j.engfailanal.2021.105427

Sodré, B. R., G. Sotelo, G., & Ferreira, V. H. (2020, agosto 13). Estimativa do Tempo para Falha de Transformadores de Potência Utilizando Dados do Centro de Operação e Redes Neurais Artificiais. Anais do Simpósio Brasileiro de Sistemas Elétricos 2020. Simpósio Brasileiro de Sistemas Elétricos - SBSE2020. https://doi.org/10.48011/sbse.v1i1.2149 DOI: https://doi.org/10.48011/sbse.v1i1.2149

Soni, R. & Mehta, B. (2022). Evaluation of power transformer health analysis by internal fault criticalities to prevent premature failure using statistical data analytics approach. Engineering Failure Analysis, 136, 106213. https://doi.org/10.1016/j.engfailanal.2022.106213 DOI: https://doi.org/10.1016/j.engfailanal.2022.106213

Suñe, J. & Heredia, L. A. (2013). Guia de Manutenção para Transformadores de Potência. Cigré Brasil. https://cigre.org.br/brochuras/

Taghikhani, M. A. & Gholami, A. (2009). Prediction of hottest spot temperature in power transformer windings with non-directed and directed oil-forced cooling. International Journal of Electrical Power & Energy Systems, 31(7-8), 356-364. https://doi.org/10.1016/j.ijepes.2009.03.009 DOI: https://doi.org/10.1016/j.ijepes.2009.03.009

Xie, P. (2019). Analysis of fault of insulation aging of oiled paper of a large‐scale power transformer and the prediction of its service life. IEEJ Transactions on Electrical and Electronic Engineering, 14(8), 1139-1144. https://doi.org/10.1002/tee.22911 DOI: https://doi.org/10.1002/tee.22911

Publicado

10.12.2024

Como Citar

Mendanha, V. F. C., Marques, A. P., Dias, Y. A., & Ribeiro, C. de J. (2024). Estudos sobre predição do estado de transformadores de potência imersos em óleo mineral isolante por modelos matemáticos de ajuste aplicados. Brazilian Journal of Production Engineering, 10(4), 226–240. https://doi.org/10.47456/bjpe.v10i4.46503