Diagnóstico inteligente de faltas em transformadores baseado na análise de gás dissolvido em óleo

O Sistema Interligado Nacional (SIN) de produção e transmissão de energia elétrica bra sileiro é um sistema hidro-termo-eólico de grande porte, com predominância de usinas hidrelétricas, cuja representação resulta da congregação de diversos sistemas de geração, por uma malha robusta de linhas de transmissão e inúmeras subestações envolvendo a rede básica de energia a partir da classe de tensão de 230kV. O transformador de po tência se apresenta como elo de conexão entre geração e transmissão, possuindo papel essencial nos sistemas de energia elétrica, cuja detecção precoce de falhas é crucial para tais sistemas, devido ao elevado custo de manutenção e ao impacto dos defeitos nesses equipamentos. Neste contexto, diversos métodos, tanto inteligentes quanto convencio nais, para a detecção de falhas a partir da análise de gases dissolvidos em óleo isolante (DGA) têm sido desenvolvidos e normatizados. Este trabalho apresenta uma base de dados de DGA composta por amostras reais coletadas de transformadores ao longo de 20 anos de operação, além de dados provenientes de literaturas consolidadas. As mais de 2000 amostras permitem o projeto de classificadores de falhas térmicas e elétricas em transformadores por aprendizado de máquina (AM). O estudo detalha a exploração dos dados e avalia classificadores como Regressão Logística (RL), Máquina de Vetores de Su porte (SVM), Redes Neurais Artificiais (ANN), K-Vizinhos mais Próximos (KNN), além dos métodos convencionais do triângulo de Duval, relações de Rogers, Gás-chave, Do ernenburg e IEC 60599. Os resultados indicam que uma arquitetura híbrida, composta pelos classificadores KNN, ANN e o método convencional do triângulo de Duval, possui melhores resultados que o emprego individual dos métodos testados neste trabalho. Onde a classificação das amostras de teste, evidenciaram o desempenho da arquitetura híbrida em 98% no diagnóstico de falhas incipientes em transformadores.