Predição Otimizada do Índice de Desempenho de Transformadores de Potência com aplicação de Inteligência Artificial

Conteúdo do artigo principal

Vinícius Faria Costa Mendanha
André Pereira Marques
Yuri Andrade Dias
Cacilda de Jesus Ribeiro

Resumo

Transformadores de potência são equipamentos essenciais para a operação do sistema elétrico, exigindo manutenções com diagnósticos precisos e eficientes. Dessa forma, tem-se como objetivo, neste trabalho, apresentar o desenvolvimento de uma ferramenta com aplicação de inteligência artificial para a predição do estado operacional baseada no Índice de Desempenho, por meio do uso de técnicas preditivas. A combinação dessas técnicas aos algoritmos de Inteligência Artificial possibilita uma análise adequada e individualizada, otimizando os recursos de manutenção. Na metodologia empregada tem-se o cálculo desse índice de desempenho e as correspondentes ações recomendadas, que variam desde o monitoramento até a retirada imediata de operação do equipamento, em conjunto com os algoritmos Curva de Cotovelo (Elbow Method) e Fator de Outlier Local (Local Outlier Factor), que são usados para identificar e excluir amostras discrepantes, garantindo a consistência dos dados. A validação foi realizada por meio de estudos de casos e os resultados foram satisfatórios, concluindo-se que esta ferramenta proporciona a prevenção de falhas, contribuindo com uma gestão assertiva destes equipamentos e auxiliando as equipes de manutenção na tomada de decisão em relação ao momento adequado de intervenção

Detalhes do artigo

Seção
Artigos
Biografia do Autor

Vinícius Faria Costa Mendanha, Universidade Federal de Goiás

Vinícius Faria Costa Mendanha nasceu em 19 de maio de 1998. Atualmente, é mestrando no Programa de Pós-Graduação em Engenharia Elétrica e de Computação da Universidade Federal de Goiás. Graduou-se em Engenharia Elétrica pela Universidade Federal de Goiás (UFG) em 2023. Em 2018-2019, integrou a Agremiação Politécnica da UFG, na área de Administração. Em 2019, ingressou no PET (Programa de Educação Tutorial) Engenharias Conexão de Saberes, realizando também Iniciação Científica. Estudou análise de sinais e fenômeno de Gibbs (2019-2020). Dedica-se ao estudo de Inteligência Computacional aplicada à área de manutenção de transformadores de potência.

André Pereira Marques , Instituto Federal de Goiás

André Pereira Marques nasceu em 25 de fevereiro de 1961 em Araguari, Minas Gerais, Brasil. Doutor (2018) e Mestre (2004) em Engenharia Elétrica pela Escola de Engenharia Elétrica, Mecânica e de Computação (EMC) da Universidade Federal de Goiás (UFG). Ele é professor titular no Instituto Federal de Goiás – Campus Goiânia (IFG) desde 1990, trabalhando nos cursos de Engenharia Elétrica, Engenharia de Automação e Curso Técnico em Eletrotécnica. Ele também é Gerente Técnico e proprietário da empresa APMarques Consultoria e Capacitação em Engenharia Elétrica desde 2019, especializado em estudos de carregamento e diagnósticos em transformadores de potência.

Yuri Andrade Dias , Universidade Federal de Goiás

Yuri Andrade Dias nasceu em 25 de outubro de 1994 em Goiânia, Goiás, Brasil. Doutor (2023) e Mestre (2019) em Engenharia Elétrica pela Escola de Engenharia Elétrica, Mecânica e de Computação da Universidade Federal de Goiás. Atualmente, ele é gerente no Departamento de Engenharia de Manutenção de Subestações de Alta Tensão na empresa Equatorial Energia Goiás

Referências

ALGHUSHAIRY, Omar et al. A Review of Local Outlier Factor Algorithms for Outlier Detection in Big Data Streams. Big Data and Cognitive Computing, v. 5, n. 1, p. 1, 29 dez. 2020. MDPI AG. http://dx.doi.org/10.3390/bdcc5010001.

DIAS, Y. A. Método para previsão dos índices de desempenho de transformadores de potência imersos em óleo mineral isolante e de disjuntores de média e alta tensão. Tese (Doutorando em Engenharia Elétrica e de Computação) – Escola de Engenharia Elétrica, Mecânica e de Computação, Universidade Federal de Goiás, Goiânia, 2023.

FREITAG, Suelen Cristiane; SPERANDIO, Mauricio. Determining the Reliability of Power Transformers Considering a Five States Markov Model. IEEE Latin America Transactions, v. 19, n. 02, p. 335-341, fev. 2021. Institute of Electrical and Electronics Engineers (IEEE). http://dx.doi.org/10.1109/tla.2021.9443076.

GÓES, Helano Oliveira et al. Falhas em transformadores de potência: estudo de caso do sutf6-03 na uhe samuel. Research, Society and Development, v. 10, n. 6, p. 1-10, 2021.

IDREES, M., et al. Fuzzy Logic Based Calculation and Analysis of Health Index for Power Transformer Installed in Grid Stations. 2019 International Symposium on Recent Advances in Electrical Engineering (RAEE), Islamabad, Pakistan, pp. 1-6, 2019.

PEREIRA, Leonardo do Nascimento. Avaliação da degradação de disjuntores de alta tensão por meio de técnicas de machine learning. 2023. 72 f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Universidade de São Paulo, São Paulo, 2023.

QIN, J. F. et al. Outlier detection for on-line monitoring data of transformer based on wavelet transform and weighted LOF. Iop Conference Series: Earth and Environmental Science, [S.L.], v. 354, n. 1, p. 012108, 1 out. 2019.