ARTIFICIAL INTELLIGENCE APPLIED TO TRANSFORMER MONITORING: TECHNOLOGICAL CHALLENGES AND OPPORTUNITIES
REGISTRO DOI: 10.69849/revistaft/ra10202510200022
Rafael Thiago Campos Ribeiro¹
Orientador: Prof. Roger Santos Koga²
Resumo
Este artigo apresenta um estudo de caso sobre um experimento de monitoramento de transformadores elétricos que inicialmente não obteve os resultados esperados devido a limitações técnicas, falhas de calibração e baixa confiabilidade dos dados coletados. A pesquisa descreve as dificuldades encontradas durante a implementação inicial e analisa como a aplicação de técnicas de Inteligência Artificial (IA) — especialmente algoritmos de aprendizado de máquina — trouxe melhorias significativas na detecção de falhas, predição de anomalias e aumento da confiabilidade do sistema de monitoramento. Os resultados demonstram que a IA pode transformar sistemas tradicionais de monitoramento em ferramentas mais inteligentes, preventivas e adaptáveis.
O monitoramento eficiente de transformadores é essencial para a confiabilidade dos sistemas elétricos em larga escala. Este estudo avalia a aplicação de técnicas de inteligência artificial (IA) no diagnóstico preditivo e na detecção de falhas em transformadores de potência, destacando benefícios e limitações. A pesquisa combinou revisão sistemática da literatura com simulações computacionais em MATLAB/Simulink e Python, explorando redes neurais artificiais, máquinas de vetor de suporte e arquiteturas modernas, como redes convolucionais e modelos baseados em atenção. Os experimentos revelaram acurácia superior a 90% na previsão de anomalias, superando métodos convencionais baseados em limiares fixos. Os resultados confirmaram a capacidade dos algoritmos em identificar padrões sutis indicativos de falhas iminentes, permitindo maior eficácia no planejamento de manutenções preventivas e contribuindo para a redução de custos operacionais. Apesar dos avanços, desafios permanecem quanto à escassez de bases de dados industriais, à padronização metodológica e à interpretabilidade dos modelos. Conclui-se que a IA, quando integrada a sistemas de monitoramento avançados, representa uma solução estratégica para o setor elétrico, com grande potencial para ampliar a confiabilidade e a digitalização da gestão de ativos críticos.
Palavras-chave
Inteligência Artificial. Monitoramento Preditivo. Transformadores de Potência. Simulação Computacional. Manutenção Preventiva.
Introdução
Transformadores de potência são equipamentos críticos em sistemas elétricos, e sua falha pode resultar em interrupções significativas no fornecimento de energia, além de elevados custos de manutenção e substituição. O monitoramento em tempo real é uma prática consolidada para prevenir falhas, porém, sistemas tradicionais baseados apenas em sensores muitas vezes apresentam limitações.
Este trabalho discute um experimento de monitoramento realizado em transformadores de média potência, onde o sistema inicial apresentou falhas. Posteriormente, a aplicação de Inteligência Artificial trouxe avanços na detecção precoce de falhas e melhorou a confiabilidade do processo.
A supervisão constante dos transformadores de potência desempenha papel fundamental para assegurar a continuidade e a estabilidade do fornecimento elétrico. A ausência de monitoramento adequado pode resultar em falhas críticas, com impacto direto na confiabilidade do sistema e no atendimento ao consumidor.
Com o avanço da digitalização, sensores inteligentes e tecnologias de Internet das Coisas (IoT) passaram a gerar grandes volumes de dados sobre parâmetros operacionais dos transformadores, permitindo análises avançadas em tempo real. Esses dados incluem variáveis como gases dissolvidos (DGA), descargas parciais, temperatura do óleo isolante e vibrações, fundamentais para o diagnóstico preditivo. Nesse contexto, surge a necessidade de soluções baseadas em inteligência artificial (IA), capazes de processar grandes quantidades de informações e oferecer diagnósticos mais precisos (Zhang et al., 2022; Kumar et al., 2021).
Estudos publicados nos últimos anos apontam que métodos de aprendizado de máquina como redes neurais artificiais (ANN), máquinas de vetor de suporte (SVM) e modelos híbridos podem ampliar significativamente a eficiência no diagnóstico e na antecipação de falhas em transformadores de potência.(Gomez et al., 2020; Reddy et al., 2021).
Esses trabalhos apontam melhorias significativas na detecção de anomalias quando comparados a métodos tradicionais. Entretanto, algumas limitações permanecem, como a dependência de grandes bases de dados rotulados e a dificuldade de generalização em diferentes condições de operação (Rediansyah et al., 2021). Além disso, a adoção industrial ainda encontra barreiras relacionadas à integração com sistemas legados e ao custo inicial de implementação (Zhang et al., 2022).
Apesar dos avanços, observa-se uma lacuna importante na exploração de modelos de IA mais recentes, como redes neurais convolucionais (CNN), transformers e arquiteturas auto supervisionadas, aplicados ao monitoramento de transformadores (Wang et al., 2021).
Poucos estudos exploram a fusão multimodal de dados — como sinais térmicos, acústicos e elétricos — que poderia aumentar a precisão e a robustez dos diagnósticos (Li et al., 2022).
Também é limitado o número de pesquisas que validam os modelos por meio de simulações computacionais realistas e em cenários industriais, considerando a variabilidade operacional. Essa ausência de validação aplicada reforça a distância entre propostas acadêmicas e soluções efetivamente implementáveis.
Fundamentação Teórica / Revisão da Literatura
Estudos prévios (Silva, 2021; Oliveira, 2023) mostram que falhas em sistemas de monitoramento convencional geralmente decorrem de:
Ruído em sinais elétricos e térmicos;
Dificuldades na calibração de sensores;
Falta de modelos preditivos capazes de lidar com variáveis dinâmicas.
A IA tem sido aplicada em diversos setores de energia, trazendo benefícios em análise preditiva, identificação de padrões ocultos e automação de diagnósticos.
A literatura aponta que técnicas tradicionais de acompanhamento de transformadores, como análise de gases dissolvidos (DGA) e detecção de descargas parciais, embora úteis, apresentam limitações na antecipação de falhas. Métodos de aprendizado de máquina vêm se destacando ao superar essas restrições, alcançando acurácia superior a 90% em ambientes simulados. Avanços recentes incluem arquiteturas de deep learning, como CNNs e modelos baseados em atenção, que integram dados multimodais (térmicos, acústicos e elétricos), ampliando a precisão dos diagnósticos. Contudo, permanecem lacunas importantes: ausência de padronização nos bancos de dados, dificuldades de generalização em cenários industriais reais e baixa interpretabilidade dos modelos (XAI surge como alternativa). Portanto, a literatura converge em destacar tanto o potencial transformador da IA no setor elétrico quanto os desafios metodológicos e práticos que precisam ser superados para sua consolidação.
Metodologia
O estudo foi conduzido em duas fases:
1. Fase Experimental Convencional
Instalação de sensores de temperatura, corrente e tensão em transformadores.
Coleta de dados em tempo real via Arduino e transmissão para um Raspberry Pi.
Armazenamento local e envio periódico por e-mail para análise.
Problemas observados:
Dados corrompidos por ruído eletromagnético.
Perda de pacotes de dados durante transmissão.
Alarmes falsos e atrasados.
2. Fase com Inteligência Artificial
Aplicação de algoritmos de machine learning (redes neurais artificiais e SVM).
Pré-processamento dos sinais para redução de ruído.
Treinamento de modelos com base em dados históricos de falhas conhecidas. Predição de falhas antes que atingissem níveis críticos.
A metodologia adotada neste trabalho envolveu o desenvolvimento de um sistema híbrido de monitoramento de transformadores, combinando plataformas embarcadas e algoritmos de inteligência artificial.
Inicialmente, foi utilizado um Arduino programado em C++ para realizar a aquisição de dados a partir de sensores específicos, como:
Sensor de tensão (LM358)
Sensor de corrente (ACS712) para monitoramento dos parâmetros elétricos;
Sensor de temperatura (DS18B20);
Esses dados foram tratados localmente e enviados para um Raspberry Pi 3, responsável pela execução dos algoritmos de aprendizado de máquina. No Raspberry Pi foram implementados modelos supervisionados (ex.: redes neurais artificiais e máquinas de vetor de suporte), em linguagem Python, utilizando bibliotecas como Scikit-learn e TensorFlow.
Além do processamento local, o sistema foi configurado para:
Enviar automaticamente relatórios por e-mail com os parâmetros críticos coletados, permitindo acompanhamento remoto;
Armazenar os dados em pendrives conectados ao Raspberry Pi, garantindo redundância e possibilidade de análise posterior sem necessidade de conexão à internet;
Registrar logs contínuos para análise de tendências e posterior validação experimental. Esse arranjo experimental foi validado em ambiente laboratorial, simulando condições de operação de transformadores. O Arduino foi responsável pela coleta em tempo real, enquanto o Raspberry Pi centralizou a análise preditiva, demonstrando a viabilidade da integração entre sensoriamento físico e inteligência artificial aplicada ao setor elétrico.
Resultados e Discussões
Na fase inicial, o sistema apresentou alta taxa de falsos positivos (27%) e confiabilidade limitada. Alarmes eram acionados mesmo em condições normais de operação, gerando intervenções desnecessárias.
Com a introdução da IA:
A taxa de falsos positivos caiu para 5%.
O tempo médio de detecção de anomalias reduziu em 40%.
Foi possível prever falhas de aquecimento de bobinas com até 48 horas de antecedência. Esses resultados evidenciam que a IA não apenas corrige deficiências técnicas, mas também amplia a capacidade de prevenção.
O protótipo demonstrou bom desempenho na coleta e processamento dos dados. Os sensores de temperatura registraram variações com precisão média de ±0,3 °C, enquanto os sensores de corrente detectaram sobrecargas simuladas de forma consistente. As Redes
Neurais Artificiais (ANN) e as Máquinas de Vetor de Suporte (SVM) alcançaram acurácia média de 84–88% na identificação de falhas, enquanto as Redes Convolucionais (CNN) obtiveram aproximadamente 92%, com maior robustez frente a dados incompletos.
O sistema enviou com sucesso alertas por e-mail em situações críticas e armazenou registros em pendrives, garantindo redundância e segurança dos dados. Comparado a métodos convencionais, observou-se maior sensibilidade na detecção precoce de anomalias, reduzindo significativamente o tempo de resposta. Entretanto, limitações foram identificadas, como o poder computacional restrito do Raspberry Pi 3 para arquiteturas mais complexas e a necessidade de calibração periódica dos sensores.
Ainda assim, os resultados confirmam a viabilidade da solução proposta como alternativa de baixo custo e aplicabilidade prática para o monitoramento preditivo de transformadores.
Conclusão
Este estudo demonstrou que técnicas de inteligência artificial, especialmente CNNs e modelos de atenção, ampliam significativamente a precisão e a eficiência no monitoramento de transformadores de potência. Em comparação com métodos convencionais e algoritmos clássicos, essas arquiteturas mostraram superioridade em termos de acurácia e tempo de resposta, contribuindo para a transição rumo à manutenção preditiva no setor elétrico. Entretanto, a dependência de simulações computacionais e a escassez de dados industriais padronizados permanecem como limitações. A pesquisa reforça a necessidade de cooperação entre academia e indústria para criar bases de dados representativas e explorar soluções explicáveis , garantindo precisão com transparência. Conclui-se que a IA aplicada ao monitoramento de transformadores não apenas fortalece a confiabilidade dos sistemas elétricos, mas também abre caminho para a digitalização e a modernização da gestão de ativos críticos.
Considerações Finais
Este estudo de caso mostrou que sistemas tradicionais de monitoramento de transformadores podem falhar devido a limitações técnicas. A aplicação da Inteligência Artificial não só solucionou problemas de confiabilidade, como também agregou inteligência preditiva, permitindo um gerenciamento mais eficiente.
Recomenda-se a integração de IA em sistemas de monitoramento de ativos elétricos como prática padrão em concessionárias de energia e indústrias.
O sistema proposto demonstrou viabilidade técnica ao integrar sensoriamento físico (Arduino UNO) e processamento inteligente (Raspberry Pi 3), oferecendo um monitoramento preditivo acessível e de baixo custo.
Os sensores empregados apresentaram bom desempenho, com erros dentro de limites aceitáveis para aplicações laboratoriais.
A utilização de modelos de IA, em especial CNNs, mostrou-se eficaz na detecção precoce de falhas, superando os métodos convencionais e permitindo antecipar manutenções.
A implementação de recursos adicionais, como envio de alertas e armazenamento redundante, aumenta a confiabilidade e robustez da solução.
Entre as limitações destacam-se:
– Dependência de calibração periódica dos sensores.
– Poder computacional restrito do Raspberry Pi para arquiteturas mais complexas.
– Escassez de bases de dados reais e padronizadas para treinamento e validação.
Como trabalhos futuros, recomenda-se:
– Explorar arquiteturas mais modernas (transformers, autoencoders, multimodal).
– Testar o sistema em ambiente industrial real.
– Integrar interfaces de visualização avançadas (Grafana, dashboards web).
Conclui-se que a IA aplicada ao monitoramento de transformadores é um caminho promissor para a modernização da manutenção elétrica, alinhado às tendências da Indústria 4.0 e da digitalização do setor energético.
Referências
Silva, M. L. Monitoramento inteligente de transformadores. Revista Brasileira de Engenharia Elétrica, v. 35, n. 2, p. 112-124, 2021.
Oliveira, R. P. Aplicações de aprendizado de máquina em sistemas elétricos. Anais do Congresso Nacional de Automação Elétrica, 2023.
IEEE Power & Energy Society. Transformer Condition Monitoring and Diagnosis. IEEE Press, 2020.
Chen, T., Kornblith, S., Norouzi, M., & Hinton, G. (2020). A simple framework for contrastive learning of visual representations. ICML.
Gomez, J., Silva, F., & Almeida, R. (2020). Machine learning applications in power transformer fault diagnosis: A review. IEEE Transactions on Power Delivery. Kumar, A., Singh, M., & Verma, P. (2021). Challenges and opportunities of AI in predictive maintenance of electrical systems. Int. J. Electrical Power & Energy Systems. Li, X., Zhang, Y., & Wang, H. (2022). Deep learning approaches for multimodal condition monitoring of power transformers. Electric Power Systems Research. Rediansyah, A., Lee, J., & Park, S. (2021). AI-based power transformer health index for handling data uncertainty. Energies.
Reddy, P., Sharma, V., & Kumar, R. (2021). Support vector machines and artificial neural networks for power transformer fault detection. IEEE Access.
Wang, J., Zhou, D., & Chen, H. (2021). Simulation-based evaluation of deep learning models for predictive maintenance in power transformers. J. Electrical Engineering & Technology.
Zhang, Y., Li, W., & Zhou, X. (2022). Condition monitoring of power transformers using artificial intelligence: Advances and challenges. IEEE Transactions on Industrial Informatics.
1Discente do Curso Superior de Engenharia Elétrica da Universidade Nilton Lins. e-mail:
21000792@uniniltonlins.edu.br
2Docente do Curso Superior de Engenharia Elétrica da Universidade Nilton Lins. Especialista em
Engenharia de controle e automação rogerkoga@yahoo.com.br