| Summary: | Transformadores devem ser projetados e construídos de maneira a resistir aos limites de elevação de temperatura estabelecidos pela sua classe térmica. Esta característica é verificada por meio do ensaio de elevação de temperatura. Quando realizado em transformadores de distribuição imersos em líquido isolante, o ensaio de elevação de temperatura demanda um tempo de até doze horas para ser concluído. Consequentemente, isso dificulta a sua realização e onera o custo do equipamento. Para a solução deste problema, este trabalho propõe a aplicação de redes neurais artificiais como ferramenta para estimação da elevação de temperatura de transformadores monofásicos de distribuição imersos em líquido isolante a partir dos seus parâmetros geométricos e das suas perdas totais. A expectativa é que a sua implementação constitua uma importante ferramenta, não só para a otimização do ensaio de elevação de temperatura, mas que também minimize substancialmente o tempo necessário para sua execução. A escolha dessa ferramenta veio da capacidade que as redes neurais artificiais têm de assimilar conhecimento a partir de sua própria experiência e de generalizar soluções. Os resultados obtidos apresentam erros menores que 1%, quando comparados com o sistema convencional, comprovando sua utilização como alternativa na avaliação térmica de transformadores. === Transformers should be designed and built to withstand the temperature limits established by their thermal class. This feature is verified by a temperature rise test. When performed on distribution transformers immersed in insulating liquid, the temperature rise test requires a time up to twelve hours to complete. Consequently, it hinders the test achievement and increases the cost of the equipment. To solve this problem, the present work proposes the application of artificial neural networks as a tool to estimate the temperature rise of single-phase distribution transformers immersed in insulating liquid from its geometric parameters and total losses. The expectation is that the implementation of this methodology constitutes an important tool, not just to optimize the testing temperature rise, but also to substantially minimize the time required for its execution. This tool was chosen due to its well known ability to assimilate knowledge from their own experience and generalize solutions. This work uses neural networks to estimate the temperature rise from the geometric parameters and total losses of the transformer. The results show a percentage of errors of less than 1% when compared with the conventional system, proving its utilization as an alternative thermal evaluation of transformers.
|
|---|
