Abstract:
RESUMO: O diagnóstico de falhas incipientes em transformadores de potência, com base na análise
dos gases dissolvidos no óleo isolante, é o método mais utilizado em ocasiões que envolvam
manutenções preventivas, preditivas ou corretivas no equipamento. É essencial garantir a
operação contínua do transformador de força e evitar possíveis falhas que possam ocorrer
devido ao seu ciclo de vida natural ou arranjo elétrico a que são submetidos. Atualmente, o
método do triângulo de Duval é uma das técnicas tradicionais mais utilizadas na Análise de Gases
Dissolvidos (DGA, do Ingles Dissolved Gas Analysis), porém, esta técnica tem mostrado precisão
limitada. Para superar os problemas de desempenho convencionais, técnicas de Inteligência
Computacional como Redes Neurais, Sistemas Difusos e, mais recentemente, Árvores de Decisão
(DT, do inglês Decision Tree) foram propostas como métodos para melhorar a análise de gases
dissolvidos. Este trabalho mostra que o algoritmo de Árvores de Decisão, usando a taxa de ganho
como uma métrica para seleção de atributos, foi capaz de extrair o máximo de informação destes,
e fornecer uma solução para casos não resolvidos usando métodos tradicionais. Mostrou-se
também que os atributos mapeados pela árvore de decisão para classificação DGA podem inferir
no tipo de falha através da análise de poucos gases. Finalmente, pode-se concluir que a técnica
proposta desempenha um papel importante na melhoria da análise DGA e configura-se como
uma ferramenta promissora utilizada isolada, ou em conjunto com as técnicas tradicionais.
ABSTRACT: The diagnosis of incipient fault in power transformers, based on analysis of the dissolved gases
in mineral oil, the most used method on occasions involving preventive, predictive or corrective
maintenance on equipment. It is essential to ensure the power transformer continuous operation
and prevent possible failures that may occur because of their natural life cycle or electrical
arrangement that are submitted. Currently, Duval Triangle method is one of the most used
traditional techniques for Dissolved Gas Analysis, however this technique has shown limited
accuracy. To overcome the conventional performance problems, Computational Intelligence
techniques as neural networks, fuzzy systems and more recently Decision Trees have been
proposed as methods for DGA analysis. This work proves that Decison Tree algorithm, by using
the gain rate as a metric for attribute selection, have been able to extract as much information as
possible from each attribute, and provide a solution for unsolved cases using traditional diagnose
method. Showed the attributes mapped by the decision tree for DGA classification may inferred
in the type of fault by the analysis of few gases. Finally, it can be concluded that the Decision
Trees technique plays an important role for improving DGA analysis and it appears to be a
promising tool by itself or in conjunction with traditional techniques.