Detalhes bibliográficos
Ano de defesa: |
2005 |
Autor(a) principal: |
ARANTES, José Geraldo
 |
Orientador(a): |
BORTONI, Edson da Costa
 |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Federal de Itajubá
|
Programa de Pós-Graduação: |
Programa de Pós-Graduação: Mestrado - Engenharia de Energia
|
Departamento: |
IEM - Instituto de Engenharia Mecânica
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
https://repositorio.unifei.edu.br/jspui/handle/123456789/2559
|
Resumo: |
Equipamentos de Subestação que utilizam o óleo isolante para a isolação de suas partes internas necessitam de um programa de manutenção periódico que visa detectar possíveis falhas tais como a deterioração da celulose do isolamento dos enrolamentos, curto circuito entre espiras destes, gases dissolvidos no óleo devido a sua degeneração, etc. Normalmente, programas de manutenção preventiva têm sido utilizados por empresas de geração, transmissão e distribuição de energia elétrica buscando evitar que estas falhas venham a provocar a retirada do equipamento do sistema elétrico o que significa grandes perdas financeiras, seja pela diminuição do faturamento, seja pelo pagamento de multas à agência reguladora, além da diminuição da confiabilidade do sistema. Para evitar estes inconvenientes, sensores on-line e técnicas de inteligência artificial (IA) têm encontrado aplicação na engenharia de sistemas elétricos. Esta dissertação é um estudo de uma dessas técnicas – cromatografia de gases associada a redes neurais – visando apoiar o diagnóstico de falhas presentes e futuras baseando-se nos resultados obtidos através de cromatografia pela análise de gases dissolvidos em óleo isolante ao longo da vida útil dos transformadores de potência, prevenindo desta forma os inconvenientes acima relatados, facilitando assim a decisão de técnicos e engenheiros de manutenção para a manutenção preditiva daqueles equipamentos servindo também de base para o diagnóstico da atuação de sensores on-line se instalados naqueles, permitindo ainda uma estimativa do grau de envelhecimento e, portanto da vida útil do transformador. Técnicas como estas do estudo podem ser associadas a outras ferramentas de IA como a lógica fuzzy, algoritmos genéticos, sistemas especialistas e outras, constituindo assim os sistemas chamados híbridos, na tentativa de se obter a melhor solução para o problema. |