Classificação binária do estado operacional de transformadores de potência utilizando Índice de Desempenho e Modelos de Aprendizado de Máquina

Vinícius Faria Costa Mendanha; André Pereira Marques; Cacilda de Jesus Ribeiro

doi:10.47456/bjpe.v12i1.49144

Autores

Vinícius Faria Costa Mendanha Universidade Federal de Goiás Autor https://orcid.org/0000-0003-0982-9328
André Pereira Marques Universidade Federal de Goiás Autor https://orcid.org/0000-0001-6641-7835
Cacilda de Jesus Ribeiro Universidade Federal de Goiás Autor https://orcid.org/0000-0002-8725-3443

DOI:

https://doi.org/10.47456/bjpe.v12i1.49144

Palavras-chave:

Aprendizado de Máquinas, Classificador, Índice de Desempenho, Técnicas Preditivas, Transformador de Potência

Resumo

Transformadores de potência são ativos valiosos e estratégicos em sistemas elétricos, uma vez que falhas inesperadas deles podem resultar em prejuízos operacionais e financeiros expressivos às empresas do setor elétrico e aos consumidores. Embora haja avanços no monitoramento de suas condições operativas, algumas metodologias ainda requerem interpretação especializada, além de serem pouco padronizadas ou adotarem modelos cuja complexidade pode dificultar a integração com práticas operacionais usuais dos profissionais de manutenção. Nesse sentido, o objetivo deste trabalho é desenvolver classificadores binários relacionados a algoritmos de aprendizado de máquina para predição rápida e eficiente do estado operacional de transformadores de potência, rotuladas como Satisfatório ou Insatisfatório, com base em dados oriundos de ensaios físico-químicos, Análise de gases dissolvidos (AGD), e índices de desempenho, a partir de exemplos reais de equipamentos. Na metodologia, desenvolvem-se modelos supervisionados de aprendizado de máquinas, como Random Forest, HistGradientBoosting, Regressão Logística Balanceada e XGBoost, implementados com validação cruzada estratificada. Os resultados indicam que os classificadores são capazes de identificar satisfatoriamente os transformadores em condição crítica, mesmo em um cenário com relevante dispersão nos dados. Portanto, a abordagem desenvolvida representa uma ferramenta promissora à decisão técnica em estratégias de manutenção preventiva, aliando confiabilidade, escalabilidade e facilidade de aplicação em ambientes de campo.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

Vinícius Faria Costa Mendanha, Universidade Federal de Goiás

Vinícius Faria Costa Mendanha 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. https://orcid.org/0000-0003-0982-9328
André Pereira Marques, Universidade Federal de Goiás

André Pereira Marques 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 https://orcid.org/0000-0001-6641-7835
Cacilda de Jesus Ribeiro, Universidade Federal de Goiás

Cacilda de J. Ribeiro 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 Coordenadora do Grupo de Trabalho Mulheres nas Engenharias GTME EMC UFG e do Laboratório de Pesquisa em Engenharia de Alta Tensão - LAPEAT UFG. https://orcid.org/0000-0002-8725-3443

Referências

Arias, R. (2020). Data for: Root cause analysis improved with machine learning for failure analysis in power transformers [Dataset]. Mendeley. https://doi.org/10.17632/RZ75W3FKXY.1

Barbosa, F. R., Almeida, O. M., Braga, A. P. S., Amora, M. A. B., & Cartaxo, S. J. M. (2012). Application of an artificial neural network in the use of physicochemical properties as a low-cost proxy of power transformers DGA data. IEEE Transactions on Dielectrics and Electrical Insulation, 19(1), 239-246. https://doi.org/10.1109/TDEI.2012.6148524

Bechara, R. (2010). Análise de falhas de transformadores de potência [Dissertação (Mestrado)]. Universidade de São Paulo.

Bishop, C. M. (2006). Pattern recognition and machine learning. Springer.

Campi, R. L. (2014). Modelagem fuzzy da concentração dos gases dissolvidos em óleo mineral isolante de transformadores baseada em resultados de ensaios físico-químicos [Dissertação (Mestrado)]. Universidade de São Paulo.

Castro, A. R. G. & Miranda, V. (2005). Knowledge discovery in neural networks with application to transformer failure diagnosis. IEEE Transactions on Power Systems, 20(2), 717-724. https://doi.org/10.1109/TPWRS.2005.846074

Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357. https://doi.org/10.1613/jair.953

Cherif, I. L., & Kortebi, A. (2019). On using extreme gradient boosting (XGBoost) machine learning algorithm for home network traffic classification. Wireless Days (WD), 1-6. https://doi.org/10.1109/WD.2019.8734193

Dempster, A., Webb, G. I., & Schmidt, D. F. (2025). Prevalidated ridge regression is a highly efficient drop-in replacement for logistic regression for high-dimensional data (No. arXiv:2401.15610). arXiv. https://doi.org/10.48550/arXiv.2401.15610

Dias, Y. A. (2023). Method for predicting the performance indices of power transformers immersed in mineral insulating oil and medium and high-voltage circuit breakers [Tese (Doutorado)]. Universidade Federal de Goiás.

Duraisamy, V., Devarajan, N., Somasundareswari, D., Vasanth, A. A. M., & Sivanandam, S. N. (2007). Neuro fuzzy schemes for fault detection in power transformer. Applied Soft Computing, 7(2), 534-539. https://doi.org/10.1016/j.asoc.2006.10.001

Duval, M. (2002). A review of faults detectable by gas-in-oil analysis in transformers. IEEE Electrical Insulation Magazine, 18(3), 8-17. https://doi.org/10.1109/MEI.2002.1014963

Duval, M. & dePabla, A. (2001). Interpretation of gas-in-oil analysis using new IEC publication 60599 and IEC TC 10 databases. IEEE Electrical Insulation Magazine, 17(2), 31-41. https://doi.org/10.1109/57.917529

Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3o ed). Elsevier.

IEEE. (2019). IEEE Guide for the interpretation of gases generated in mineral oil-immersed transformers. IEEE. https://doi.org/10.1109/IEEESTD.2019.8890040

Shen, Z., Hassani, H., Kale, S., & Karbasi, A. (2022). Federated functional gradient boosting. Proceedings of the 25th International Conference on Artificial Intelligence and Statistics, 151, 7814-7840. Recuperado de https://proceedings.mlr.press/v151/shen22a.html

Li, J., Heap, A. D., Potter, A., & Daniell, J. J. (2011). Application of machine learning methods to spatial interpolation of environmental variables. Environmental Modelling & Software, 26(12), 1647-1659. https://doi.org/10.1016/j.envsoft.2011.07.004

Marques, A. P. (2018). Optimized diagnosis of power transformers through the integration of predictive techniques [Tese (Doutorado)]. Universidade Federal de Goiás.

Marques, A. P., Azevedo, C. H. B., Santos, J. A. L., Machado, S. G., Ribeiro, C. J. R., Moura, N. K., Dias, Y. A., & Brito, L. C. (2017). Metodologia para Reenergização de Transformadores de Potência após Interrupções não Programadas no Sistema Elétrico. XXIV Seminário Nacional de Produção e Transmissão de Energia Elétrica (SNPTEE).

Marques, A. P., Azevedo, C. H. B., Santos, J. A.L. dos., Sousa, F. R. de C., Moura, N. K., Ribeiro, C. J., Dias, Y. A., Rodrigues, A., Rocha, A. S., & da C. Brito, L. da C. (2017). Insulation resistance of power transformers - method for optimized analysis. 2017 IEEE 19th International Conference on Dielectric Liquids (ICDL), Manchester, UK, pp. 1-4, https://doi.org/10.1109/ICDL.2017.8124629

Marques, A. P., Moura, N. K. de., Dias, Y. A., Jesus Ribeiro, C. de., Rocha, A. S., Brito, L. da C., Azevedo, C. H. B., & Santos, J. A. L. dos. (2017). Method for the evaluation and classification of power transformer insulating oil based on physicochemical analyses. IEEE Electrical Insulation Magazine, 33(1), 39-49. https://doi.org/10.1109/MEI.2017.7804315

Miller, C., Hao, L., & Fu, C. (2022). Gradient boosting machines and careful pre-processing work best: ASHRAE Great Energy Predictor III lessons learned. https://doi.org/10.48550/ARXIV.2202.02898

Moura, N. K. de. (2018). Otimização Computacional da Avaliação de Resultados de Ensaios Físico-químicos em Transformadores de Potência [Dissertação (Mestrado)]. Universidade Federal de Goiás.

Naderian, A., Cress, S., Piercy, R., Wang, F., & Service, J. (2008). An approach to determine the health index of power transformers. Conference Record of the 2008 IEEE International Symposium on Electrical Insulation, 192-196. https://doi.org/10.1109/ELINSL.2008.4570308

Naresh, R., Sharma, V., & Vashisth, M. (2008). An integrated neural fuzzy approach for fault diagnosis of transformers. IEEE Transactions on Power Delivery, 23(4), 2017-2024. https://doi.org/10.1109/TPWRD.2008.2002652

Richardson, Z. J., Fitch, J., Tang, W. H., Goulermas, J. Y., & Wu, Q. H. (2008). A Probabilistic classifier for transformer dissolved gas analysis with a particle swarm optimizer. IEEE Transactions on Power Delivery, 23(2), 751-759. https://doi.org/10.1109/TPWRD.2008.915812

Rogers, R. (1978). IEEE and IEC Codes to Interpret incipient faults in transformers, using gas in oil analysis. IEEE Transactions on Electrical Insulation, EI-13(5), 349-354. https://doi.org/10.1109/TEI.1978.298141

Sekulić, A., Kilibarda, M., Heuvelink, G. B. M., Nikolić, M., & Bajat, B. (2020). Random forest spatial interpolation. Remote Sensing, 12(10), 1687. https://doi.org/10.3390/rs12101687

Senoussaoui, M. E. A., Brahami, M., & Fofana, I. (2018). Combining and comparing various machine‐learning algorithms to improve dissolved gas analysis interpretation. IET Generation, Transmission & Distribution, 12(15), 3673-3679. https://doi.org/10.1049/iet-gtd.2018.0059

Sheridan, R. P., Wang, W. M., Liaw, A., Ma, J., & Gifford, E. M. (2016). Extreme gradient boosting as a method for quantitative structure-activity relationships. Journal of Chemical Information and Modeling, 56(12), 2353-2360. https://doi.org/10.1021/acs.jcim.6b00591

Shi, H., Wang, H., Huang, Y., Zhao, L., Qin, C., & Liu, C. (2019). A hierarchical method based on weighted extreme gradient boosting in ECG heartbeat classification. Computer Methods and Programs in Biomedicine, 171, 1-10. https://doi.org/10.1016/j.cmpb.2019.02.005

Shi, Y., Ke, G., Chen, Z., Zheng, S., & Liu, T.-Y. (2023). Quantized training of gradient boosting decision trees, (No. arXiv:2207.09682). arXiv. https://doi.org/10.48550/arXiv.2207.09682

Velarde, G., Weichert, M., Deshmunkh, A., Deshmane, S., Sudhir, A., Sharma, K., & Joshi, V. (2024). Tree boosting methods for balanced and imbalanced classification and their robustness over time in risk assessment. Intelligent Systems with Applications, 22, 200354. https://doi.org/10.1016/j.iswa.2024.200354

Velásquez, R. M. A., Lara, J. V. M., & Melgar, A. (2019). Converting data into knowledge for preventing failures in power transformers. Engineering Failure Analysis, 101, 215-229. https://doi.org/10.1016/j.engfailanal.2019.03.027

Velásquez, R. M. A. & Lara, J. V. M. (2020). Root cause analysis improved with machine learning for failure analysis in power transformers. Engineering Failure Analysis, 115, 104684. https://doi.org/10.1016/j.engfailanal.2020.104684

Velásquez, R. M. A. & Mejía Lara, J. V. (2018). Corrosive Sulphur effect in power and distribution transformers failures and treatments. Engineering Failure Analysis, 92, 240-267. https://doi.org/10.1016/j.engfailanal.2018.05.018

Wang, J., Wu, K., Zhu, W., & Gu, C. (2017). Condition assessment for power transformer using Health Index. IOP Conference Series: Materials Science and Engineering, 199, 012046. https://doi.org/10.1088/1757-899X/199/1/012046

Wang, J., Xie, X., Wang, P., Sun, J., Liu, Y., & Zhang, L. (2025). Incorporating symmetric smooth regularizations into sparse logistic regression for classification and feature extraction. Symmetry, 17(2), 151. https://doi.org/10.3390/sym17020151

Wattakapaiboon, W. & Pattanadech, N. (2016). The new developed Health Index for transformer condition assessment. International Conference on Condition Monitoring and Diagnosis (CMD), 32-35. https://doi.org/10.1109/CMD.2016.7757760

Yadaiah, N. & Ravi, N. (2011). Internal fault detection techniques for power transformers. Applied Soft Computing, 11(8), 5259-5269. https://doi.org/10.1016/j.asoc.2011.05.034

Zeinoddini‐Meymand, H. & Vahidi, B. (2016). Health index calculation for power transformers using technical and economical parameters. IET Science, Measurement & Technology, 10(7), 823-830. https://doi.org/10.1049/iet-smt.2016.0184

Zhang, Y., Wei, C., & Liu, X. (2022). Group logistic regression models with lp,q regularization. Mathematics, 10(13), 2227. https://doi.org/10.3390/math10132227