Fuzzy Logic e IEEE Key Gas Method no diagnóstico de transformadores

O que aconteceu

Pesquisadores da área de inteligência artificial aplicada a sistemas de energia publicaram no arXiv (identificador 2608.18133) um modelo chamado FL-KGM, que integra lógica fuzzy ao IEEE Key Gas Method para diagnóstico de falhas em transformadores de potência. O método usa análise de gases dissolvidos no óleo isolante (DGA), técnica consagrada para detectar falhas incipientes. Segundo o resumo do estudo, o FL-KGM introduz funções de pertinência refinadas, conjuntos de regras fuzzy otimizados e uma separação inédita de CO e CO2 para eliminar inconsistências de diagnóstico. Em validação com conjuntos de dados reais, o modelo alcançou até 98,6% de acurácia, superando o KGM e outras abordagens baseadas em lógica fuzzy.

Contexto

O IEEE Key Gas Method é um dos métodos mais usados em DGA. Ele relaciona a presença e a concentração de gases como hidrogênio, metano, etano, etileno e acetileno a tipos específicos de falhas, como descargas parciais, superaquecimento e arcos elétricos. Na prática, porém, os dados de campo nem sempre são claros: limites de concentração podem se sobrepor e um mesmo padrão de gases pode sugerir mais de uma falha. É nesse ponto que entra a lógica fuzzy, que permite modelar incertezas e graus de pertinência em vez de classificações binárias. O FL-KGM combina essa capacidade com a estrutura consolidada do KGM, tentando manter a interpretabilidade do método padrão e ganhar precisão.

Por que importa

Falhas em transformadores de potência estão entre as causas mais críticas de interrupções em subestações e sistemas elétricos. Um diagnóstico mais preciso permite que equipes de manutenção atuem antes que uma falha evolua para uma avaria severa, reduzindo custos com reparos emergenciais e indisponibilidade. Para concessionárias, indústrias e operadores de infraestrutura, inclusive no Brasil, a evolução de técnicas de DGA tem impacto direto em planos de manutenção preditiva e na confiabilidade do fornecimento de energia.

Impacto

No curto prazo, o FL-KGM pode melhorar a análise de dados de DGA em laboratórios e sistemas de monitoramento on-line, especialmente em casos considerados ambíguos. A separação de CO e CO2, citada no estudo, tende a reduzir confusões entre falhas térmicas e descargas, um problema conhecido em interpretações manuais. No médio prazo, a abordagem pode ser incorporada a plataformas de monitoramento de ativos, alimentando algoritmos de manutenção preditiva com classificações mais confiáveis.

O que muda

Para quem trabalha com diagnóstico de transformadores, o modelo oferece uma alternativa ao KGM tradicional sem abandonar sua base conceitual. Em vez de depender apenas de limites fixos, o FL-KGM usa regras fuzzy otimizadas e análise multidimensional de razões de gases, o que pode reduzir falsos positivos e diagnósticos inconclusivos. O estudo, no entanto, é uma validação acadêmica; a adoção em campo depende de testes em mais bases de dados e da integração com sistemas existentes.

O que vem agora

Os próximos passos naturais incluem a validação do FL-KGM em frotas maiores de transformadores, a comparação com outros métodos de DGA em condições operacionais diversas e o desenvolvimento de ferramentas práticas para engenheiros de manutenção. Também é esperado que o modelo seja avaliado em cenários de monitoramento contínuo, onde a velocidade e a confiabilidade da classificação são essenciais.

Fontes

• arXiv: Optimized Fuzzy Logic Approach with the IEEE Key Gas Method for Diagnosing Power Transformer Faults Using Dissolved Gas Analysis (https://arxiv.org/abs/2608.18133)