Rede Bayesiana Aplicada ao Diagnóstico de Falhas Incipientes em Transformadores de Potência

Abstract

A importância da energia elétrica nesta sociedade moderna é vital para o seu desenvolvimento; falhas ou anomalias deste recurso podem gerar perdas incalculáveis tanto para concessionária como para o usuário final. O transformador é parte fundamental nos sistemas de transmissão e distribuição de energia elétrica: por isso o interesse de acompanhar o bom funcionamento deste equipamento evitando a presença de falhas incipientes. O presente trabalho descreve a estrutura, aprendizagem e aplicação da Rede Bayesiana destinada ao diagnóstico de falhas incipientes de transformadores mediante a análise de gases dissolvidos (DGA) no óleo. A Rede Bayesiana utiliza as relações de concentração de gases metano/hidrogênio (CH4=H2), etano/metano (C2H6=CH4), etileno/ etano (C2H4=C2H6) e acetileno/etileno (C2H2=C2H4), como elementos causais que ativam o diagnóstico da rede: deterioração normal, falha elétrica e falha térmica. A aprendizagem foi realizada a partir de um banco de dados históricos, no qual a Rede Bayesiana apresentou um acerto de 86.64% e 85.19% nos diagnósticos para os conjuntos de dados avaliados, demonstrando assim a confiabilidade e consistência da Rede Bayesiana.

The importance of electricity in the modern society is vital for its development. Failures or malfunctions of this resource can cause incalculable losses for both Power Company and consumer. The transformer is a key part in the transmission and distribution of electricity: hence the interest to follow the proper functioning of this equipment, avoiding incipient faults. This work describes the structure, learning and application of Bayesian Network addressed to the diagnosis of faults in power transformer through the dissolved gases analysis (DGA) in oil. The Bayesian Network uses the concentration ratios of gases methane/hydrogen (CH4=H2), ethane / methane (C2H6=CH4), ethylene / ethane C2H4=C2H6) and acetylene / ethylene (C2H2=C2H4) as elements that activate the network diagnosis: normal deterioration, electrical failure and thermal failure. The learning was achieved from historical database, in which the Bayesian Network presented a diagnosis of 86.64% and 85.19% successfully for the evaluated groups of database what shows the reliability and consistency of the Bayesian Network.