Uma nova metodologia de criticidade para gestão e priorização de transformadores de potência a partir de método multicritério e análise multivariada

Abstract

A crescente demanda por energia elétrica, aliada a questões ambientais e financeiras, e consequentemente a infraestrutura do sistema, fomenta a necessidade do aprimoramento da gestão de ativos críticos, como os transformadores de potência, fundamentais para a infraestrutura do sistema elétrico. A literatura atual apresenta limitações, como o uso de metodologias de criticidade baseadas exclusivamente em aspectos de manutenção preditiva, métodos normativos e abordagens unidimensionais, como a vida útil do equipamento, sem integrar outros aspectos técnicos, operacionais e econômicos. Nesse contexto, este trabalho teve como objetivo desenvolver uma nova metodologia de criticidade para gestão e priorização de ativos, utilizando um método multicritério, análise multivariada e aprendizado supervisionado. Para alcançar esse objetivo, foram analisados dados técnicos, operacionais e econômicos de 355 transformadores de potência em operação. A classificação e determinação dos ativos críticos são baseadas no conceito da matriz de risco, que relaciona a probabilidade e o impacto dessa falha. O índice do impacto é calculado utilizando o método multicritério de Análise Hierárquica dos Processos (AHP), enquanto que para a probabilidade de falha é considerado o índice de saúde dos transformadores. Devido à subjetividade envolvida na atribuição dos pesos das variáveis neste processo, foi desenvolvido um algoritmo classificador baseado no método k-Nearest Neighbors (KNN) combinado com o método de análise multivariada (Principal Component Analysis - PCA). Os resultados indicam que a aplicação do método AHP promoveu a colaboração entre diferentes setores da concessionária, possibilitando o estabelecimento de critérios claros para determinar os parâmetros de maior impacto e ponderar seus respectivos pesos. Contudo, a subjetividade no processo de definição dos pesos ainda representa um desafio. Para superar essa limitação, foram integrados os métodos KNN e PCA, permitindo a redução da dimensionalidade do problema e a classificação da criticidade de forma supervisionada. Por fim, os resultados obtidos permitem que os gestores de manutenção identifiquem os ativos críticos que requerem monitoramento prioritário, possibilitando uma análise da criticidade real dos equipamentos. Além disso, a metodologia auxilia na criação de cenários de investimentos de médio e longo prazo, promovendo maior previsibilidade nos gastos operacionais e de capital. Essa abordagem também contribui para a preservação ambiental, ao mitigar o risco de falhas catastróficas e seus impactos.

The increasing demand for electricity, combined with environmental and financial concerns and the consequent impact on system infrastructure, fosters the need to enhance the management of critical assets such as power transformers, which are fundamental to the electrical system infrastructure. The current literature presents limitations, such as the use of criticality methodologies based exclusively on predictive maintenance aspects, normative methods, and one-dimensional approaches, such as equipment lifespan, without integrating other technical, operational, and economic factors. In this context, this study aimed to develop a newcriticality methodology for asset management and prioritization, using a multicriteria method, multivariate analysis, and supervised learning. To achieve this objective, technical, operational, and economic data from 355 power transformers in operation were analyzed. The classification and determination of critical assets are based on the risk matrix concept, which relates the probability of failure to its impact. The impact index is calculated using the Analytic Hierarchy Process (AHP) multicriteria method, while the failure probability is assessed based on the transformer health index. Due to the subjectivity involved in assigning variable weights in this process, a classification algorithm was developed based on the k-nearest neighbors algorithm (KNN) combined with the Principal Component Analysis (PCA) method. The results indicate that applying the AHP method fostered collaboration among different sectors of the utility, enabling the establishment of clear criteria to determine the most impactful parameters and assign their respective weights. However, subjectivity in defining these weights remains a challenge. To overcome this limitation, the KNN andPCAmethodswereintegrated, allowing for dimensionality reduction and supervised classification of criticality. Finally, the obtained results enable maintenance managers to identify critical assets requiring priority monitoring, allowing for a more precise assessment of equipment criticality. Additionally, the proposed methodology supports the creation of medium- and long-term investment scenarios, enhancing the predictability of operational and capital expenditures. This approach also contributes to environmental preservation by mitigating the risk of catastrophic failures and their impacts. Keywords: Power Transformers, Criticality, Multicriteria Analysis, Multivariate Analysis, Supervised Learning.