análise do encapsulamento de bobinas de alta tensão utilizando

ANÁLISE DO ENCAPSULAMENTO DE BOBINAS DE ALTA TENSÃO UTILIZANDO
MEDIÇÃO DE DESCARGAS PARCIAIS E SISTEMAS INTELIGENTES
Elton Jeser Diniz dos Santos 1, Márcio Roberto Covacic 2, Luiz Henrique Geromel 3
2
1
UEL, Londrina, Brasil, [email protected]
UEL, Londrina, Brasil, [email protected]
3
IFSP, Piracicaba, Brasil, [email protected]
Resumo: Este trabalho desenvolve uma nova metodologia
de ensaio de descargas parciais em bobinas de alta tensão
encapsuladas sob vácuo com auxilio de redes neurais
artificiais para análise do encapsulamento destas bobinas
contribuindo para uma melhor qualidade e menor custo,
visto que há redução de retrabalhos e otimização da
fabricação. As redes serão utilizadas para relacionar as
medições de descargas parciais feitas nos transformadores
montados e as medições realizadas nas bobinas que
compõem o transformador.
Palavras-Chave: Redes neurais
parciais, bobinas encapsuladas.
artificiais,
descargas
1. INTRODUÇÃO
Com a larga utilização de energia elétrica em edifícios
comerciais, shoppings, estádios de futebol, estações de
metrô e trem necessita-se que os transformadores sejam
instalados o mais próximo possível das cargas permitindo
também uma redução de custos com cabos de alimentação,
melhor regulação de tensão e proteções contra fogo [1].
Porém, para estas instalações internas é recomendada a
utilização de transformadores secos pois não possuem óleo,
apresentam dimensões reduzidas, baixa necessidade de
manutenção, simplicidade de instalação e ausência do risco
de explosão.
Um transformador seco conforme Figura 1 pode ser
definido como um conjunto de núcleo magnético e
enrolamentos que são refrigerados pela circulação natural ou
forçada do ar e sua isolação elétrica é fornecida através das
propriedades dielétricas dos papéis, filmes e resinas
utilizadas na sua fabricação [2][3].
Nas bobinas com isolação sólida ou encapsuladas
submetidas ao processo de aplicação de resina epóxi sob
vácuo [4] [5] não devem existir bolhas de ar ou falhas no
encapsulamento que podem comprometer a rigidez
dielétrica da bobina e também a sua vida útil. As falhas
normalmente são notadas somente após a realização dos
ensaios de rotina aplicados aos transformadores causando a
reprovação de transformadores, atrasos na entrega,
retrabalhos de montagem e aumento nos custos de produção.
Para detectar as possíveis falhas de encapsulamento,
pode-se utilizar uma ferramenta que se trata da medição de
descargas parciais das bobinas [5] [6]. Porém, não há uma
metodologia de medição de descargas parciais com tensão
1
aplicada às bobinas encapsuladas individualmente que possa
ser relacionada de maneira direta com a medição de
descargas parciais com tensão induzida do transformador
completamente montado, pois se tratam de variáveis de
processo não lineares ou pouco definidas.
Assim, o objetivo deste trabalho é propor uma nova
metodologia de análise do encapsulamento de bobinas
encapsuladas de alta tensão de transformadores secos com a
medição de descargas parciais por tensão aplicada nestas
bobinas. Com o auxílio das redes neurais artificiais [8] [9]
[10], estas medições serão relacionadas com as medições de
descargas parciais por tensão induzidas do transformador
seco montado possibilitando a análise destes dados que
detectam as falhas de encapsulamento antes da montagem
do transformador.
Figura 1: Transformador Trifásico Seco Encapsulado em Resina Epóxi
1.1 Redes Neurais Artificiais
As redes neurais artificiais do tipo perceptron de multicamadas são freqüentemente utilizadas. Estas redes neurais
possuem uma camada de entrada, uma ou mais camadas
intermediárias e uma camada de saída. A Figura 2 mostra
um exemplo típico de rede. Cada neurônio é associado a um
vetor de pesos, um multiplicador dos vetores, um somador
que soma o produto vetorial a uma constante. Assim, o vetor
de entrada é sempre multiplicado pelos pesos e somado a
uma constante. Este produto é aplicado a uma função de
transferência, normalmente uma função de ativação tipo
sigmóide conforme Figura 3 onde β é o parâmetro que
define o ganho da função e a saída do neurônio assumirá
valores reais entre 0 e 1. As camadas intermediárias são
obtidas a partir da conexão de uma saída de um neurônio da
camada anterior à entrada de neurônios que compõem esta
camada.
Análise do Encapsulamento de Bobinas de Alta Tensão utilizando Medição de Descargas Parciais e Sistemas Inteligentes
Santos, Covacic, Geromel
Figura 2: Rede Neural Artificial – Organização em Camadas
Figura 6: Exemplo de Medição de Descargas Parciais por Tensão
Aplicada na Bobina
Estes transformadores secos foram submetidos ao ensaio
de tensão induzida de longa duração com medição de
descargas parciais [11] e seus resultados estão apresentados
na tabela 2 e na Figura 7, na qual se observa que para um
ensaio de tensão induzida de 1,10 x VN, conforme a norma
de referência, foi medido o valor de 5,69 pC de descargas
parciais, caracterizando a aprovação do transformador neste
ensaio.
Figura 3: Rede Neural Artificial – Função de Ativação Sigmóide
2. MÉTODOS E DISCUSSÕES
A nova metodologia proposta para análise prévia à
montagem das bobinas encapsuladas, conforme Figura 4, é a
realização da medição de descargas parciais por tensão
aplicada ilustrada na Figura 5. Todas as amostras de bobinas
fabricadas foram ensaiadas segundo esta nova metodologia e
foi realizada a medição das descargas com aplicação de 100,
105 e 110% da tensão nominal (VN). A tabela 1 representa
uma parte dos valores obtidos nas amostras que foram
submetidas ao ensaio com 110% da tensão nominal (VN).
Tabela 2: Método de Tensão Aplicada – 1,10 x VN
Medição de Descargas Parciais em pC
Amostra
Fase H1
Fase H2
Fase H3
1
37,35
17,94
7,65
2
6,54
5,00
8,27
3
8,02
6,13
5,00
4
28,90
15,40
9,80
5
8,18
6,40
5,00
Figura 4: Bobina Encapsulada em Resina Epóxi
Figura 7: Exemplo de Medição de Descargas Parciais por Tensão
Induzida no Transformador
As redes neurais artificiais foram utilizadas para
relacionar as medições de descargas parciais feitas nos
transformadores montados e as medições feitas
individualmente nas bobinas que compõem o transformador.
Estas medições de descargas parciais por tensão aplicada
(nas bobinas encapsuladas) e por tensão induzida (nos
transformadores secos montados) formaram um banco de
dados amplo com os resultados dos ensaios, possibilitando a
implementação de um rede neural artificial com dados de
treinamento e validação para relacionar as duas
metodologias de ensaios.
Foi utilizada uma rede neural artificial tipo perceptron de
multi-camadas, com uma entrada e uma saída com uma
camada intermediária. A rede foi implementada com cinco
neurônios. O treinamento da rede foi realizado com 75% das
amostras e os 25% restantes foram utilizados para validação
da rede. Foi utilizada a função sigmóide para ativação da
rede na qual a saída do neurônio assume valores reais entre
0 e 1. O sistema de inteligência artificial foi implementado
utilizando a ferramenta computacional MATLAB.
O treinamento da rede foi elaborado utilizando como
parâmetros um erro limite de 0,001% e um total de 3000
Figura 5: Ensaio de Medição de Descargas Parciais por Tensão
Aplicada em Bobinas Encapsuladas
A Figura 6 ilustra o resultado das medições apresentada
na tabela 1 onde pode ser observado que para uma tensão
aplicada de 1,10 x VN foi medido o valor de 4,29 pC de
descargas parciais.
Após medição dos valores apresentados na tabela 1, as
bobinas foram montadas no núcleo magnético formando um
transformador trifásico seco conforme Figura 1.
Tabela 1: Método de Tensão Aplicada – 1,10 x VN
Medição de Descargas Parciais em pC
Amostra
Fase H1
Fase H2
Fase H3
1
6,56
8,91
8,13
2
5,38
5,00
5,00
3
5,00
5,19
5,00
4
6,75
7,08
8,90
5
5,04
5,30
5,00
2
épocas. Entretanto, conforme pode ser observado na Figura
8, a rede neural artificial concluiu o treinamento e encontrou
convergência dentro do erro limite em 102 épocas.
transformador somente bobinas aprovadas evitando a
rejeição do transformador no ensaio de descargas parciais
por tensão induzida. Isto permite a redução de retrabalhos na
linha de montagem e consequentemente a diminuição de
custos de produção do transformador.
Como proposta de continuidade deste trabalho, podem
ser armazenados bancos de dados ainda mais extensos com
o objetivo de melhorar cada vez mais o comportamento da
rede bem como uma possível implementação deste sistema
em hardware, para aplicações diretas no chão de fábrica e
laboratórios de ensaios de transformadores secos.
AGRADECIMENTOS
Figura 8: Treinamento da Rede Neural Artificial
Os autores agradecem à empresa Romagnole Produtos
Elétricos S.A., fabricante de transformadores secos, que
disponibilizou a infraestrutura do laboratório e as amostras
para a realização dos ensaios.
Uma vez treinada a rede, foi executada a validação da
rede com as demais amostras de ensaios ainda não utilizadas
e obtida a Figura 9 na qual pode ser observada a validação
da rede visto que os dados de teste coincidem com a função
encontrada pela rede neural artificial durante o treinamento.
REFERENCES
[1]
[2]
[3]
NBR10295 (1988). NBR 10295: Transformadores de
Potência Secos. ABNT, Brasil.
[4]
G. C. da Silva (2005). Descargas Parciais
Estimuladas por Raio-X Contínuo e Pulsado em
Materiais Dielétricos, PhD thesis, UFPR.
[5]
D. Feldman and A. Barbalata (1996). Synthetic
Polymers – Technology, Properties and Aplications.
Chapman&Hall, London.
[6]
F. H. Kreuger (1989). Partial Discharge Detection in
High-Voltage Equipament. Butterworths, London.
[7]
Mason, H. M. (1995). Enhancing the significance of
pd measurements. IEEE TDEI, 2, 876-888.
[8]
A.P. Braga, A. P. L. F. de Carvalho and T. B.
Ludemir (2000). Redes Neurais Artificiais Teoria e
Aplicações. LTC Editora S.A., Rio de Janeiro.
[9]
Haykin, S. (2001). Redes Neurais Princípios e
Prática. Bookman, Porto Alegre.
[10]
L. H. Geromel and C. R. Souza (2002). The
application of intelligent systems in power
transformer design. Can. Conf. Elec. and Comp.
Engineering, 1, 285-290.
[11]
NBR5356 (2007). NBR 5356: Transformadores de
Potência. ABNT, Brasil.
Figura 9: Gráfico Quali-Quali de Validação da Rede
3. CONCLUSÃO
Percebe-se através das tabelas 1 e 2 que há relação entre
as medições de descargas parciais por tensão aplicada nas
bobinas individuais e as medições de descargas parciais por
tensão induzida no transformador seco montado. No entanto,
através de uma análise puramente intuitiva e sem as
ferramentas dos sistemas inteligentes, torna-se bastante
improvável encontrar um relacionamento entre tais
resultados e medições que possibilite estabelecer uma
generalização na qual seja possível prever o comportamento
das bobinas no resultado do ensaio do transformador
montado e decidir pela liberação ou não das bobinas para
continuidade da montagem.
Assim, foi implementado um sistema inteligente que
possibilitou, através do uso da inteligência artificial mais
especificamente das redes neurais artificiais, prever o
comportamento final das bobinas no ensaio de descargas
parciais por tensão induzida do transformador
completamente montado e, através dos valores obtidos na
medição de descargas parciais por tensão aplicada nas
bobinas individualmente, decidir pela aprovação ou rejeição
desta bobina no processo de fabricação e montagem. Este
sistema inteligente atua como uma ferramenta de auxílio à
inspeção de qualidade permitindo que sejam colocadas no
3
A. S. Stigant and J. S. C. Franklin (1983). The J&P
transformer book. Butterworth-Heinemann Ltd,
Oxford.
Simone, G. A. (1998). Transformadores – Teoria e
Exercícios. Érica, São Paulo.