Anais do IX Congresso Brasileiro de Redes Neurais /Inteligência Computacional (IX CBRN)
Ouro Preto 25-28 de Outubro de 2009
©Sociedade Brasileira de Redes Neurais
CLASSIFICAÇÃO DOS TRANSFORMADORES DE POTÊNCIA EMPREGANDO
A ANÁLISE DOS GASES DISSOLVIDOS NO ÓLEO ISOLANTE
Armando D. Neto1, Tereza C. B. N. Assunção e José T. Assunção2,
1
Universidade Federal de São João del-Rei - UFSJ
Bolsista de Iniciação Científica - Curso de Engenharia Elétrica
São João del-Rei, MG, Brasil
2
Universidade Federal de São João del-Rei - UFSJ
Depto Engenharia Elétrica - DEPEL
São João del-Rei, MG, Brasil
[email protected]; [email protected]; [email protected]
Resumo – Neste artigo é apresentada uma análise comparativa entre os métodos clássicos de diagnóstico de falhas
incipientes em transformadores através da análise dos gases dissolvidos no óleo isolante e ferramentas inteligentes, como as
redes neurais e a máquina de vetores suporte baseada nos mínimos quadrados
Palavras-chave – Transformadores, Óleo isolante, Redes Neurais Artificiais, LS-Máquina de Vetores Suporte.
1. Introdução
Os transformadores são uns dos equipamentos mais caros e vitais de um sistema elétrico de
potência. Faltas em transformadores podem resultar em interrupções da transmissão de energia,
ocasionando assim prejuízos financeiros para diversos setores da economia. Por isso um grande esforço
vem sendo empregado a fim de se prever e corrigir possíveis falhas nestes equipamentos antes da
ocorrência de uma falta que o retire de operação. No Brasil, o interesse por técnicas de diagnóstico de
falhas incipientes em transformadores, tem aumentado nos últimos anos devido ás mudanças estruturais
no setor de energia elétrica, que promovem a competição em todos os níveis e estabelecem índices mais
rigorosos de qualidade técnica e de serviço. Neste ambiente altamente regulado faz-se necessário
melhorar o desempenho operacional e a confiabilidade dos transformadores, principalmente porque tais
equipamentos operam atualmente sob condições muito mais severas do que quando foram instalados, seja
por razões técnicas associadas ao envelhecimento natural, regimes de carregamento ou desgastes
promovidos por esforços elétricos e mecânicos. Os sistemas de monitoramento de transformadores
utilizam tanto os ensaios elétricos quanto fazem o acompanhamento do estado do óleo isolante através de
análise físico-química e cromatográfica. Algumas técnicas convencionais de manutenção de
transformadores requerem que estes sejam tirados de operação, para que seja feito o diagnóstico das suas
condições de funcionamento. Mas, com a evolução da tecnologia têm sido desenvolvidos diversos
sistemas de monitoramento on-line, através de sensores e sistemas de aquisição de dados, que
possibilitam que os transformadores não tenham que ser retirados de operação, para que seja feito um
diagnóstico sobre possíveis falhas incipientes. Por falhas incipientes entendem-se aquelas que estão em
um estágio inicial e promovem a decomposição do material isolante e, portanto, estão associadas ás
concentrações de gases formados no interior do transformador. Tais falhas podem evoluir e levar á
retirada de serviço da unidade. Os métodos empregados para a análise de gases dissolvidos no óleo
isolante (DGA) são os seguintes: IEEE C57.104-1991, Método de Doernenburg, Método de Rogers, IEC
60599, Triângulo de Duval e Método dos Gases Chave [1]. Um problema associado aos métodos de DGA
convencional é a dependência da decisão final por parte de um especialista. Pois, transformadores de
diferentes fabricantes, nível de tensão e potência, estrutura, material utilizado no sistema de isolamento,
tipo de carregamento e histórico de manutenção podem apresentar diferentes características quanto à
produção de gases e, portanto necessitam, na maioria dos casos, serem considerados individualmente.
Observa-se ainda que o nível e período de formação dos gases dependem da idade dos transformadores e
também da localização, natureza e severidade das falhas a que são submetidos. Todos os fenômenos
relacionados á formação de gases em transformadores e sua correlação com as falhas incipientes são
caracterizados por imprecisões, incertezas nas medidas e não-linearidades não modeladas. Portanto,
métodos convencionais de interpretação da análise dos gases combinados com métodos baseados em
inteligência computacional, em especial os sistemas nebulosos e neurais, podem ser empregados de forma
eficiente para o diagnóstico automático de falhas incipientes. Por isso, o objetivo deste trabalho é fazer a
comparação dos métodos clássicos (Método de Rogers, de Doernenburg, Triângulo de Duval, NBR 7274)
com sistemas inteligentes (Redes Neurais Articiais e Máquina de Vetores Suporte baseada nos mínimos
quadrados), para a classificação de transformadores em relação às falhas incipientes.
2. Diagnóstico de Falhas Incipientes
Transformadores em serviço estão sujeitos às falhas devido aos estresses térmicos e elétricos.
Essas falhas afetam principalmente a isolação, levando à decomposição do óleo mineral e da celulose,
com a geração de gases que ficam dissolvidos no óleo isolante. A análise destes gases serve de indicativo
para possíveis falhas [1-2]. Os gases mais comumente encontrados no óleo de transformadores em
operação são: oxigênio, hidrogênio, monóxido de carbono, metano, etano, etileno, acetileno, chamados de
gases chaves; e a sua presença pode indicar:
• Hidrogênio (H2): grandes quantidades são relacionadas ao efeito corona;
• Hidrogênio (H2), Metano (CH4), Etano (C2H6), e Etileno (C2H4): são resultantes da decomposição
térmica do óleo;
• Monóxido (CO) e Dióxido de Carbono (CO2): produzidos pelo envelhecimento térmico do papel;
• Acetileno (C2H2): associados a arcos elétricos no óleo.
O método de Rogers utiliza para determinar a condição de operação do transformador, quatro
relações com os cinco gases envolvidos no processo da deterioração do material isolante. Para cada
codificação das relações e seqüência de código é associado um tipo de falha, conforme as Tabelas 1 e 2.
Relação do gás
CH4/H2
C2H2/CH4
C2H4/C2H6
C2H2/C2H4
Faixa
Não maior que 0.1
Entre 0.1 e 1.0
Entre 1.0 e 3.0
Não menor que 3.0
Menor que 1.0
Não menor que 1.0
Menor que 1.0
Entre 1.0 e 3.0
Não menor que 3.0
Menor que 0.5
Entre 0.5 e 3.0
Não menor que 3.0
Código
5
0
1
2
0
1
0
1
2
0
1
2
Tabela 1 . Método das Razões de Rogers.
CH4/H2
0
5
1 ou 2
1 ou 2
0
0
1
1
0
0
0
5
C2H2/CH4
0
0
0
1
1
1
0
0
0
0
0
0
C2H4/C2H6
0
0
0
0
0
0
1
2
0
1 ou 2
2
1 ou 2
C2H2/C2H4
0
0
0
0
0
0
0
0
1
1 ou 2
2
1 ou 2
Diagnóstico
Deterioração normal
Descarga parcial
Leve sobre aquecimento – abaixo de 150°C
Leve sobre aquecimento – entre 150 e 200 °C
Leve sobre aquecimento – entre 200 e 300 °C
Sobreaquecimento geral do condutor
Correntes de circulação no enrolamento
Correntes circulantes no tanque e no núcleo
Flashover sem conseqüência elétrica
Arco com conseqüência elétrica
Centelhamento
Descarga parcial com trilha (presença de CO)
Tabela 2 . Diagnóstico do Método das Razões de Rogers
2
O método de Doernenburg também se baseia em relações entre os gases, porém, diferentemente
do método de Rogers, não codifica as relações, ou seja, ele associa diretamente os valores relativos dos
gases com as condições de falta dos transformadores, conforme a Tabela 3. Este método não prevê
funcionamento normal do transformador, porém ele estabelece certas condições para a validação do
método, segundo a Tabela 4.
Relações
Entre
Concentrações
De Gases
Tipo de Falha
Ponto quente
Relações
Principais
Relações
Auxiliares
CH4/H2 C2H2/C2H4
C2H6/C2H2 C2H2/CH4
>1
< 0,75
> 0,4
< 0,3
Não
Descarga parcial < 0,1
> 0,4
< 0,3
significativo
Outros tipos
<1e
> 0,75
< 0,4
> 0,3
de descarga
> 0,1
Tabela 3. Método das Razões de Doernenburg.
Gás
H2 CH4 CO C2H2 C2H4 C2H6
Limite [ppm] 100 120 350 35
50
65
Tabela 4. Limite de Doernenburg.
O método desenvolvido por Duval utiliza as quantidades percentuais relativas de três gases:
acetileno, metano e etano. A relação entre as quantidades relativas dos gases e as falhas a elas associadas,
é descrita através de um triângulo, como mostrado na Figura 1.
Figura 1. Representação gráfica do método de Duval.
O método do gás chave identifica o gás precursor de cada tipo de falta e usa o percentual deste gás
para a sua identificação. A interpretação da análise de gases dissolvidos no óleo é baseada em um
conjunto simples de fatos. Por exemplo, as descargas parciais ou a produção de corona são devidas
principalmente ao H2 e com traços de gases derivados de hidrocarbonetos, portanto, o gás chave para
descargas parciais ou corona é o H2, ou seja, a descarga parcial e o corona podem ser detectados se o
percentual da quantidade de H2 for significativa em uma amostra de óleo.
Os métodos convencionais, apresentados anteriormente, são aqueles cujo diagnóstico está
associado a intervalos para concentrações dos gases e/ou das razões entre estas. Tais métodos formam a
base para padronização realizada pelo IEEE, IEC e ABNT [3-5]. A IEEE C57. 104, a IEC 599 e a ABNT
NBR-7274, por exemplo, apresentam uma revisão do método das razões de Rogers. Ao aperfeiçoar o
3
método de Rogers, a IEEE/IEC/ABNT excluíram a utilização da razão C2H6/CH4, conforme mostrado na
Tabela 5, pois, esta razão não era utilizada para identificação da falha, mas somente para indicar o
intervalo de temperatura da decomposição. Na tabela 6 é apresentado o diagnóstico do método de Rogers
revisado.
Intervalo das Razões
< 0.1
0.1-1
1-3
>3
Códigos
CH4 C2H2/C2H4 C2H4/C2H6
0
1
0
1
0
0
1
2
1
2
2
2
Tabela 5 . Códigos da IEEE, IEC e ABNT para o método de Rogers revisado.
Falha
Condição normal
Descargas parciais de baixa
densidade de energia
Descargas parciais de alta
densidade de energia
Descargas de energia
reduzida
Descargas de alta energia
Falha térmica de baixa
temperatura (<150 ºC)
Falha térmica de baixa
temperatura (150-300 °C)
Falha térmica na faixa de
300-700 °C
Falha térmica de alta
temperatura (>700 ºC)
CH4
0
Códigos
C2H2/C2H4 C2H4/C2H6
0
0
0
1
0
1
1
0
1
0
0
1
0
0
0
1
0
0
1
0
0
0
1
1
0
1
Tabela 6. Diagnóstico do Método das Razões de Rogers Revisado.
3. Sistemas inteligentes usados na detecção de faltas incipientes
Os métodos do gás chave, de Rogers e de Dornenburg são facilmente implementados, e
apresentam bons resultados de diagnóstico para a prevenção ou após a ocorrência de faltas severas em
transformadores, mas podendo ser pouco sensíveis na detecção de faltas incipientes. Entretanto, podem
ser usados como guias para os sistemas inteligentes baseados em inteligência Artificial [6-11].
A aplicação dos sistemas inteligentes para o diagnóstico de falhas incipientes em transformadores,
e conseqüentemente, para a classificação dos transformadores em relação ao seu envelhecimento é
particularmente interessante, pois, os sistemas inteligentes são capazes de adquirir conhecimento
diretamente dos dados e assim revelar relações não-lineares entre as entradas e saídas, que ainda são
desconhecidas pelos especialistas.
3.1. Redes Neurais Artificiais
A Rede Neural Artificial (RNA) é um modelo matemático computacional que tem como base as redes
neurais biológicas. Seu funcionamento pode ser descrito da seguinte forma [12]:
4
•
•
•
•
•
A RNA processa a informação em várias unidades denominadas neurônios;
A informação é transmitida de neurônio a neurônio através de um elo de conexão;
Cada conexão tem um peso associado;
Cada neurônio aplica uma função de ativação ao seu sinal de entrada (soma dos pesos
multiplicados pelos sinais de cada elo) e em seguida acrescenta uma constante no seu valor de
saída (bias);
A RNA é caracterizada, basicamente, pela sua arquitetura (padrão de conexão entre os neurônios),
método de determinação dos seus pesos e bias (tipo treinamento) e pela função de ativação
presente em cada camada.
A seleção das características de entrada é o primeiro passo essencial para a configuração de uma
RNA. Deve ser uma escolha muito cuidadosa, de modo que as entradas reflitam as características do
problema a ser modelado. Outra tarefa importante no projeto de uma RNA é a escolha da topologia da
rede. Isto é feito, experimentalmente, através de processos repetitivos para aperfeiçoar o número de nós e
de camadas escondidas, de acordo com o processo de treinamento e a precisão desejada. O número de
neurônios da camada de entrada deve ser igual ao número de entradas, e o número de neurônios da
camada de saída é normalmente definido em função do número das variáveis de controle. A Rede Neural
Artificial é treinada com um conjunto de dados de entradas e saídas, para que possa reconhecer seu
padrão e assim, ao se aplicar uma entrada que não participou de seu treinamento, ela possa gerar uma
saída que obedeça ao padrão do conjunto de dados do qual foi treinada.
3.2. LS-Máquinas de Vetores Suporte
A máquina de vetores suporte baseada nos mínimos quadrados (LS-SVM) é uma ferramenta que
foi desenvolvida recentemente por Suykens [13], e vem sendo usada para em diversas aplicações,
principalmente para a classificação de sistemas dinâmicos lineares e não lineares. Esta ferramenta possui
grande semelhança com a Máquina de Vetores Suporte, porém tem um custo computacional menor. As
suas vantagens são:
• Boa capacidade de generalização: os classificadores gerados por uma SVM em geral alcançam
bons resultados de generalização. A capacidade de generalização de um classificador é medida por
sua eficiência na classificação de dados que não pertençam ao conjunto utilizado em seu
treinamento.
• Robustez em grandes dimensões: as SVM são robustas diante de objetos de grandes dimensões,
como, por exemplo, imagens.
• Convexidade da função objetivo: a aplicação das SVM implica na otimização de uma função
quadrática, que possui apenas um mínimo global. Esta é uma vantagem sobre, por exemplo, as
Redes Neurais Artificiais, em que há a presença de mínimos locais na função objetivo a ser
minimizada.
• Teoria bem definida: as SVM possuem uma base teórica bem estabelecida dentro da Matemática e
Estatística.
Em comparação a Máquinas de Vetores Suporte (SVM), a LS-SVM tem algumas propriedades
mais amigáveis, relativas à sua implementação e ciclo de aprendizagem. A SVM tradicional seleciona
alguns vetores que são importantes na regressão (vetores suporte), enquanto a versão dos mínimos
quadrados usa todos os vetores para a solução do problema. Esta é uma propriedade interessante da SVM,
porque fornece uma informação adicional relativa ao processo, e uma solução mais efetiva com um
sistema menor. Esta esparsidade também pode ser alcançada com a LS-SVM, justificando o seu emprego
para a função classificação.
4. Metodologia
A proposta deste trabalho é o desenvolvimento de uma ferramenta para a classificação dos
transformadores, usando a análise dos gases dissolvidos no óleo isolante. Para tanto foram estudados e
5
implementados os métodos clássicos, as redes neurais artificiais e a LS Máquinas de Vetores Suporte,
utilizando bancos de dados de ensaios cromatográficos dos gases dissolvidos em óleo isolante de diversos
transformadores. Dessa forma, tanto as RNA quanto a LS-SVM podem ser vistas como ferramentas que
fornecem alternativas ás metodologias convencionais de ensaios, produzindo resultados motivadores,
principalmente devido às características intrínsecas de tais técnicas, como a capacidade de generalização
e a facilidade de integração com outras ferramentas computacionais.
4.1. Implementação da RNA
A Perceptron de Múltiplas Camadas (MLP) utilizada apresenta cinco neurônios na camada de
entrada, doze neurônios na camada intermediária e três neurônios na camada de saída. As funções de
ativação utilizadas em cada camada foram, respectivamente, tangente sigmóide, tangente sigmóide e
logaritmíca sigmóide. Como a MLP não apresenta saída binária foi utilizada a estratégia do neurônio
vencedor para se fazer a classificação. Como a rede apresenta três neurônios de saída, ao neurônio que
apresenta o maior é arbitrado 1 como valor de saída, e aos outros dois neurônios é arbitrado 0 como valor
de saída. A rede neural foi implementada usando rotinas do Neural Toolbox do Matlab [14].
4.2. Implementação da LS-SVM
Para classificação usando a LS-SVM foram utilizadas duas redes, uma para determinar se os
transformadores estavam funcionando em condição de falta ou de normalidade e outra para determinar
se os transformadores em condição de falta, apresentavam sobre aquecimento ou falha elétrica. A LSSVM foi implementada com as rotinas do LS-SVMlab Toolbox Versão 1.5 [15].
5. Apresentação e Análise dos resultados
As redes usadas neste trabalho, a Perceptron de Multicamadas (MLP) e a LS- Máquina de Vetores
Suporte (LS-SVM), foram treinadas com um conjunto de 246 dados e testadas com dados de 30
transformadores (TR). Para a comparação, os métodos clássicos, a RNA e a LS-SVM foram testados com
o mesmo conjunto de dados. As entradas da rede são vetores com as concentrações de H2, CH4, C2H2,
C2H4 e C2H6 em partes por milhão (ppm). As saídas são as faltas térmicas ou sobre aquecimento, falha
elétrica ou ainda saída normal, caso os dados de entrada não impliquem em falha no transformador. Para a
implementação das redes foram usados o Neural Toolbox e o LS-SVMLAB Toolbox 1.5 [14-15], ambos
para ambiente MATLAB, pois o desenvolvimento de rotinas inovadoras de aprendizagem para as redes
foge ao objetivo deste trabalho.
Na tabela 7, são apresentados os valores das concentrações de gases usados para a aplicação dos
métodos convencionais, da RNA e da LS-SVM utilizados para a classificação dos transformadores em
relação a sua condição de operação.
Na tabela 8 são apresentados os resultados da simulação empregando os métodos convencionais e
das redes para a classificação dos transformadores em relação ao diagnóstico de faltas.
Na tabela 9 tem-se que o método de Rogers apresentou 33,33% de acertos, o método de Duval
apresentou 40%, o de Doernenburg apresentou 50%, e o método previsto na NBR7274 apresentou 50%
de acertos. Estes índices de acertos estão bem abaixo dos apresentados pela MLP, com 83,33% de acertos
e a LS-SVM com 70% de acertos. Estes resultados mostram que as ferramentas inteligentes são
promissoras na detecção de falhas incipientes em transformadores de potência.
5. Conclusão
Neste trabalho descreveu-se a ferramenta desenvolvida para a implementação dos métodos de
diagnósticos baseados na análise dos gases dissolvidos no óleo isolante. A proposta reúne em um único
sistema a possibilidade da realização do diagnóstico de falhas incipientes utilizando diversos métodos e o
acompanhamento do histórico da análise cromatográfica dos gases. A utilização do diagnóstico baseado
em métodos convencionais é importante, pois, a grande maioria dos especialistas utiliza esses métodos
para elaboração de laudos, entretanto o diagnóstico realizado desta forma é resultado de uma análise que
6
se apóia no conhecimento empírico do especialista, principalmente no que diz respeito a solucionar as
inconsistências (problemas de não-decisão) e conflitos entre métodos de diagnóstico.
TR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
H2
40
600
6
1230
630
20
24
30
645
110
19
16
1600
95
200
13
48
44
595
94
290
56
420
1790
0
14
8800
34
1330
230
CH6
62
1800
2
163
670
3
3
520
86
860
9
1
55000
10
110
10
12
95
80
5
16
6
1400
580
1200
3
64064
41
10
120
Gases [ppm]
C2H4
C2H2
11
1
3800
130
7
0,4
233
692
1100
1700
5
0,4
8
0,4
1000
0,4
110
317
1500
1800
7
0,4
1
0,4
74000
9300
11
39
150
230
55
0,4
18
0,4
13
0,4
89
244
25
20
12
0,4
7
10
1500
7
336
919
1900
4400
12
0,4
9565
0,4
5
0,4
66
182
220
740
C2H6
51
520
5
27
81
2
4
310
13
300
20
1
42000
0,4
12
3
14
33
9
4
24
5
640
321
130
3
72128
69
20
14
Tabela 7. Teor de gases nos transformadores.
TR
DF
Métodos
R
DV DB NBR IEC RNA
1
N
SA
NP
N
SA
SA
SA
2
N
NP
NP
SA
SA
SA
SA
3
SA
NP
FE
N
SA
SA
N
4
FE
FE
FE
NP
FE
FE
FE
5
FE
NP
FE
NP
NP
NP
FE
6
N
SA
FE
N
SA
SA
N
7
SA
NP
FE
N
SA
SA
N
8
FE
NP
FE
SA
SA
SA
SA
9
FE
FE
FE
NP
FE
FE
FE
10
N
NP
FE
NP
NP
NP
FE
11
N
SA
FE
N
N
N
N
12
SA
NP
FE
N
NP
NP
N
13
FE
NP
FE
SA
NP
NP
SA
14
FE
FE
FE
N
FE
FE
FE
15
N
FE
FE
NP
FE
FE
FE
16
N
NP
FE
N
NP
NP
N
17
SA
NP
FE
N
SA
SA
N
18
FE
SA
FE
N
SA
SA
N
19
FE
FE
FE
NP
FE
FE
FE
20
N
NP
FE
N
NP
NP
FE
21
N
NP
FE
N
FE
FE
N
22
SA
FE
FE
N
FE
FE
FE
23
FE
NP
FE
SA
SA
SA
SA
24
FE
FE
FE
NP
FE
FE
FE
25
N
FE
FE
NP
FE
FE
FE
26
SA
NP
FE
N
NP
NP
N
27
SA
NP
FE
SA
SA
SA
SA
28
SA
SA
FE
N
SA
SA
SA
29
FE
NP
FE
FE
NP
NP
FE
30
FE
FE
FE
NP
FE
FE
FE
TR = Transformador; D = Diagnóstico; N = Normalidade;
SA = Sobreaquecimento; FE = Falha Elétrica;
NP = Falha Não Prevista, R = Método de Rogers;
DV = Método de Duval; DB = Método de Doernenburg;
NBR = NBR 7274; IEC = IEC Standard 60599.
LS
SA
FE
N
FE
FE
N
N
FE
FE
FE
N
N
FE
FE
FE
N
N
SA
FE
FE
FE
FE
FE
FE
FE
N
FE
SA
FE
FE
Tabela 8. Resultados de Diagnósticos.
Método
Índice de acerto [%]
Rogers
33,33
Duval
40,00
Dornenburg
50,00
NBR 7274
50,00
IEC 60599
50,00
LS-SVM
70,00
Rede Neural
83,33
Tabela 9. Índice de acertos
As redes neurais acrescentam à ferramenta uma característica fundamental para resolver os
problemas de conflitos entre os diferentes métodos devido a sua capacidade de generalização. Os
resultados apresentados demonstram a capacidade da rede neural, como uma ferramenta de diagnóstico
7
para identificar falhas incipientes em transformadores de potência e solucionar inconsistências
normativas. A LS-SVM também se mostra bem superior aos métodos clássicos no diagnóstico de falhas
incipientes em transformadores de potência. Quando treinada e testada com um número mais significativo
de dados, ela apresentou índice de acertos bem próximo ao apresentado pelas redes neurais, porém tendo
como vantagem que sua implementação é bem mais simples que a da MLP.
Agradecimentos: Este trabalho foi realizado com apoio financeiro do CNPq.
Referências:
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Assunção, T. C. B. N. Contribuição à Modelagem e Análise do Envelhecimento de Transformadores de Potência, Tese
de Doutorado, Universidade Federal de Minas Gerais, UFMG, 2007.
Singh, J., Sood, Y. R., Jarial, R. K., Verma, P., Condition Monitoring of Power Transformers - Bibliography Survey, IEEE
Electrical Insulation Magazine, vol. 24, n° 3, May/June 2008, pag. 11-25.
IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers, C57.104-1991, 1992.
Mineral Oil-Impregnated Electrical Equipment in Service, Guide to the Interpretation of Dissolved and Free Gases Analysis,
IEC Standard, 1999.
Interpretação da Análise dos Gases de Transformadores em Serviço, NBR 7274, ABNT, 1982.
Guardado, J. L., Naredo, J. L., Moreno, P., Fuerte, C. R., A Comparative Study of Neural Network Effciency in Power
Transformers Diagnosis Using Dissolved Gas Analysis, IEEE Transactions on Power Delivery, vol. 16, nº 4, October 2001,
pag. 643-647.
Miranda V., Castro, A. R. G., Improving the IEC Table for transformer Failure Diagnosis With Knowledge Extraction
From Neural Networks, IEEE Transactions on Power Delivery, vol. 20, nº 4, October 2005, pag. 2509-2516.
Moreira, M. P., Santos, L. T. B., Vellasco, M. M. B. R., Power Transformers Diagnosis Using Neural Networks,
Proceedings of International Joint Conference on Neural networks, Orlando, Florida, August 2007.
Yanming, T., Zheng, Q., DGA Based Insulation Diagnosis of Power Transformers Via ANN, Proceedings of The 6 th
International Conference on Properties and Applications of Dielectric Materials, June 2000, Xi'an Jiatong University, China.
Farag, A. S., Mohandes, M., Al-Shaikh, A., Diagnosing Failed Distribution Transformers Using Neural Networks, IEEE
Transactions on Power Delivery, vol. 16, n° 4, October 2001, pag. 631-636.
Salami, A., Pahlevani, P., Neural Network Approach for Fault Diagnosis Transformers, 2008 International Conference on
Condition Monitoring and Diagnosis, Beijing, China, April 2008.
Haykin, S. ; Redes Neurais Princípios e prática, 2ª edição, Prentice Hall INC., ARTMED Editora S. A., Bookman, 1999.
Suykens, J. A. K., L., L., Doren, P. V. e Moorand, B., V. J., Least squares support vector machines classifiers: A large
scale algorithm·, European Conference on Circuits Theory and Design, pp. 839-842.
Demuth, M. B. H. e Hagan, M., Neural network toolbox, for use with matlab, The Math Works;
Pelckmans, K.; Suykens, J. A. K, LS-SVMlab toolbox, 2003, version 1.5.
8