Estudo de uma ferramenta computacional inteligente para auxiliar a análise de ensaios de impulsos atmosféricos em transformadores de distribuição

Abstract

A proposta deste trabalho consiste em investigar o comportamento de transformadores de distribuição de 25 KVA e de 45 KVA submetidos a ensaios de impulsos atmosféricos. Essa investigação consistiu da verificação da influência dos valores de tempos de frente e de cauda, da forma de onda do impulso, na amplitude das correntes produzidas nos enrolamentos do transformador durante o ensaio. Tais correntes são usualmente empregadas para avaliar o desempenho elétrico dos transformadores e, nessa dissertação, foram usadas para o treinamento e tese de Redes Neurais Artificiais desenvolvidas como ferramentas inteligentes computacionais. Neste contexto, o desempenho de duas Redes Neurais foi avaliado. A primeira rede usou como variável de entrada, os valores de tempo de frente, de caula e da tensão máxima (crista) e, como saída, a corrente máxima no transformador. Na segunda rede neural, a entrada correspondente ao valor da tensão máxima, da primeira rede neural, é substituída pelo valor da taxa de crescimento da tensão. Com base nos resultados obtidos, pode-se verificar que, para determinados valores de tempos de frente e de cauda, a amplitude da corrente máxima, aumenta ou diminui, apresentando um comportamento não-linear. A utilização das Redes Neurais desenvolvidas neste trabalho poderá auxiliar na escolha das características das formas de onda de impulso que tornem mais sensíveis os ensaios de impulsos atmosféricos em transformadores de distribuição. O objetivo é que esse aumento da sensibilidade do ensaio minimize o empirismo e erros de avaliação, contribuindo para tornar mínima a taxa de falha em transformadores

The proposal of this work is to investigate and to analyze the behavior of 25 kVA and 45 KVA distribution transformers under impulses/surge tests. This research consited in a verification of the influence of front and and tail time values, from surge waverfom, in the current magnitude produced in transformer windings during the test. Such currents are usually employed to evalute the perfomers and, in this dissertation, were used for the training and test the Artificial Neural Networks, developed as intelligent computational tools. In this context, the performance of two Neural Networks was evaluated. This first network has used as entry variables: front and tail time and the maximun voltage (crest) values and, as an exist, the maximum current in transformer. In the second neural network, the entry corresponding to the maximum voltage value, from the first neural network, is replaced by the value of the rate of growth of the voltage. Based on the obtained results, one may find out, for certain values front and tail times values, the amplitude of maximum current, increases or decreases, presenting a non-linear behavior. The use of Neural Networks developed in this work can help someone to choose the best impulse waveform characteristics which make the impulse test in distribution transformers more sinsitive. The objective is that the rising the test sensitivity will minimize the empiricism and errors of assessment, helping to reduce the failure rate in transformers