Previsão de avarias em transformadores de potência através da análise de ensaios físico-químicos

Os Transformadores de potência são máquinas de elevada importância ao nível dos Sistemas Elétricos de Energia (SEE) uma vez que são estas máquinas que possibilitam a interligação dos diferentes níveis de tensão da rede e a transmissão de energia elétrica em Corrente Alternada (CA). Geralmente, estas máquinas são de grandes dimensões e de elevado nível de complexidade construtiva. Caracterizam-se por possuírem períodos de vida útil bastante elevados (vinte a trinta anos) e preços elevados, o que conduz a um nível de exigência de fiabilidade muito elevada, uma vez que não e viável a existência de muitos equipamentos de reserva nos SEE. Com o objetivo de tentar maximizar o período de vida útil dos transformadores de potência e a sua fiabilidade, tenta-se, cada vez mais, implementar conceitos de manutenção preventiva a este tipo de máquinas. No entanto, a gestão da sua vida útil e extremamente complexa na medida em que, estas máquinas têm vários componentes cruciais e suscetiveis de originar falhas e, quase todos eles, encontram-se no interior de uma cuba. Desta forma, não e possível obter uma imagem do seu estado, em tempo real, sem colocar o transformador fora de serviço, algo que acarreta custos elevados. Por este motivo, desenvolveu-se uma técnica que permite obter uma indicação do estado do transformador, em tempo real, sem o retirar de serviço, colhendo amostras do óleo isolante e procedendo a sua análise físico-química e Analise Gases Dissolvidos (DGA). As análises aos óleos isolantes tem vindo a adquirir uma preponderância muito elevada no diagnóstico de falhas e na analise do estado de conservação destes equipamentos tendo-se desenvolvido regras para interpretação dos parâmetros dos óleos com carácter normativo. Considerando o conhecimento relativo a interpretação dos ensaios físico-químicos e DGA ao oleol, e possível desenvolver ferramentas capazes de otimizar essas mesmas interpretações e aplicar esse conhecimento no sentido de prever a sua evolução, assim como o surgimento de possíveis falhas em transformadores, para assim otimizar os processos de manutenção. Neste campo as Redes Neuronais Artificiais (RNAs) têm um papel fundamentalPower transformers are machines of the extreme importance in power systems, as these are the machines that allow the different levels of tension networks to connect to each other. Generally, they have very large dimensions and are extremely complex. These machines are characterised by having great lifetime periods (twenty to thirty years) and great costs, which leads to a high level of reliability, being that it is not viable to have a lot of these equipment as spares in a power system. With the goal of trying to maximise the Power Transformers lifetime period and reliability, there’s been an effort to implement concepts like preventive maintenance to these kinds of machines. However, managing its lifetime is extremely complex. Such machines have a lot of crucial components that are prone to failure, and almost all of them are located inside a stainless steel vat. Due to their location, it is not possible to have the perception of the machine’s working status in real time without putting it offline, something that entails very high costs. Therefore, a new way of knowing a Power Transformer real working state in real time, without having to put it offline, has been developed. This is achieved by taking samples of the isolating oil and by carrying out some physical‐chemical and Dissolved Gases Analysis (DGA) on it. Isolating oil analysis has been acquiring high importance in the diagnosis of failures and in the analysis of the conservation state of these equipment, having, inclusively, been developed rules for the interpretation of the parameters of the oils with normative character. Taking the knowledge from the interpretation of the results of the physical‐chemical and DGA analysis done to the oil, it is possible to develop tools capable of optimising those interpretations and apply that knowledge to predict its evolution, as well as the arising of possible failures in power transformers, thus helping in the optimisation of the maintenance processes. In this field the Artificial Neural Networks (ANN) have a crucial role