Redes neurais profundas aplicadas ao diagnóstico de faltas incipientes em transformadores imersos em óleo isolante.

Realizar o diagnóstico de faltas incipientes em transformadores mostra-se um grande desafio pois, devido à variabilidade das condições em que ocorrem as faltas, torna-se muito difícil definir a origem e o tipo de falta. Métodos convencionais baseados na análise dos gases dissolvidos em óleo vêm sendo utilizados pelas empresas para realizar o diagnóstico de faltas, porém, estes métodos ainda necessitam ser aplicados em conjunto para se chegar a um resultado satisfatório, além de dependerem bastante do conhecimento de um especialista da área. Visando solucionar as dificuldades relacionadas aos métodos convencionais, alguns sistemas baseados em Inteligência Computacional vêm sendo propostos na literatura e têm apresentado resultados promissores. Considerando a importância do diagnóstico de faltas em transformadores, este trabalho apresenta os resultados do estudo desenvolvido da aplicação de Redes Neurais profundas ao diagnóstico de faltas. Dois modelos são propostos utilizando Redes Neurais Convolucionais e Redes Neurais Autocodificadoras Empilhadas. Para o desenvolvimento dos sistemas foi utilizada a base de dados TC 10 com situações de transformadores faltosos. Esta base foi utilizada para desenvolvimento do método IEC 60599, que é um dos principais métodos usados pelas concessionárias de energia para diagnóstico de transformadores através da análise dos gases dissolvidos em óleo. Os resultados promissores alcançados com os dois modelos propostos (acurácia de 100% na base de teste) se sobressaíram a outros encontrados na literatura, mostrando a grande aplicabilidade das redes neurais profundas ao problema de diagnóstico de faltas incipientes de transformadores. Portanto, mostra-se uma melhor alternativa que os métodos convencionais geralmente utilizados.