Desenvolvimento de metodologia para diagnóstico de falhas incipientes em transformadores de potência utilizando análise de gases e aprendizado de máquina

Abstract

O transformador de potência é um elemento essencial para funcionamento e estabilidade do sistema elétrico. Sua saída repentina de operação por falha, ocasiona desde transtornos sociais, a prejuízos financeiros proporcionais ao tempo de atendimento e correção da interrupção no fornecimento de energia. Descobrir de modo incipiente falhas em transformadores, além de evitar esses problemas, contribui para o aumento da segurança e confiabilidade do sistema elétrico. Nesse contexto, esta tese apresenta uma metodologia que emprega os algoritmos Floresta de Caminhos Ótimos e K Vizinhos mais Próximos para auxílio na gestão da manutenção desses equipamentos que, diferentemente dos métodos convencionais e inteligentes de análise de gases que apenas classificam padrões, utilizam uma nova abordagem no diagnóstico de falhas com uso dos registros (recentes e históricos) de análises dos gases dissolvidos no óleo, tornando o método mais informativo, uma vez que permite observar a evolução dos eventos e distinguir tendências de falhas. Assim, diferentes estratégias e ações programadas de manutenção podem ser elaboradas, reduzindo-se o risco de interrupções de energia repentinas e suas consequências. Portanto, este trabalho inicialmente revê os custos estimados nos casos de falhas, apresenta as estatísticas dos tipos e localizações delas, as características básicas do sistema isolante e como os gases são gerados devido aos estresses térmicos e elétricos. Em seguida são apresentadas as técnicas normatizadas (convencionais) e inteligentes de classificações empregadas na análise de falhas com gases dissolvidos, algumas técnicas de otimização e de seleção de atributos, e uma proposta alternativa de diagnóstico de falhas. Posteriormente, é mostrado um método de geração de dados sintéticos baseado em incertezas de medições, segundo a IEC, para o caso de dados escassos, bem como são feitas simulações e análises com dados reais da concessionária de energia para validar a metodologia proposta, por meio da qual foi possível obter resultados promissores na identificação de falhas.

The power transformer is an essential element in the operation and stability of the electric power system. Its unexpected exit from the power system causes severe social and economic problems for all involved (energy companies and users). Thus, discovering incipient transformer failures avoids the problems mentioned earlier and increases the electric power system’s safety and reliability. Within this context, this thesis proposes the application of the Optimal-Path Forest and K-Nearest Neighborhood algorithms to support transformer’s maintenance management. Unlike conventional and intelligent gas analysis techniques that only classify patterns, this method uses a new approach of fault diagnosis in the oil-filled transformers that work with continuous records (recent and historical data) of dissolved gas analysis, making the method more informative as it allows observing trends or the evolution of initials faults. With this information, it is possible to determine strategies and programmed actions for transformer maintenance, thus reducing the sudden outages and consequences. Therefore, this work initially reviews the estimated costs involved in the case of transformers faults, presents statistics of the types and fault locations, essentials characteristics of the insulation system and how thermal and electrical stresses generate the gases. Subsequently, the conventional and intelligent classifications techniques for analysis of incipient faults using dissolved gases are presented, as well as the new proposal for fault diagnosis. Finally, a method of generating synthetic data based on IEC measurement uncertainties in case of scarce data is presented, as well as simulations and analyzes are performed with real data from energy utility to validate the proposed approach, achieving excellent results in the fault trend analysis.