UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
FACULTAD CIENCIAS DE LA INGENIERÍA
CARRERA DE INGENIERÍA EN ELECTRICIDAD
Título del Proyecto de Investigación:
“ANÁLISIS DE ALGORITMOS BASADOS EN MÁQUINAS DE SOPORTE
VECTORIAL Y REDES NEURONALES ARTIFICIALES PARA EL DIAGNÓSTICO
DE FALLAS EN TRANSFORMADORES DE POTENCIA EMPLEANDO MUESTRAS
DE GASES DISUELTOS EN EL ACEITE”
Autor:
Andrés Alexander De La Torre Macías
Director de Proyecto:
Ing. Ángel Torres Quijije, M.Sc
Quevedo - Los Ríos - Ecuador
2016
II
UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
FACULTAD CIENCIAS DE LA INGENIERÍA
CARRERA DE INGENIERÍA EN ELECTRICIDAD
DECLARACIÓN DE AUTORIA Y CESIÓN DE DERECHOS
Yo, Andrés Alexander De La Torre Macías, declaro que el trabajo aquí descrito es de
mi autoría; que no ha sido previamente presentado para ningún grado o calificación
profesional; y, que he consultado las referencias bibliográficas que se incluyen en este
documento.
La Universidad Técnica Estatal de Quevedo, puede hacer uso de los derechos
correspondientes a este trabajo, según lo establecido por la Ley de Propiedad
Intelectual, por su reglamento y por la normatividad institucional vigente.
III
UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
FACULTAD CIENCIAS DE LA INGENIERÍA
CARRERA DE INGENIERÍA EN ELECTRICIDAD
CERTIFICACIÓN DE CULMINACIÓN DEL PROYECTO DE
INVESTIGACIÓN
El suscrito, Ing. Ángel Iván Torres Quijije, M.Sc, Docente de la Universidad Técnica
Estatal de Quevedo, certifica que el estudiante Andrés Alexander De La Torre
Macías, realizó el Proyecto de Investigación de grado titulado “ANÁLISIS DE
ALGORITMOS BASADOS EN MÁQUINAS DE SOPORTE VECTORIAL Y REDES
NEURONALES ARTIFICIALES PARA EL DIAGNÓSTICO DE FALLAS EN
TRANSFORMADORES DE POTENCIA EMPLEANDO MUESTRAS DE GASES
DISUELTOS EN EL ACEITE”. Previo a la obtención del título de INGENIERO
ELÉCTRICO, bajo mi dirección, habiendo cumplido con las disposiciones
reglamentarias para el efecto.
……….
Ing. Ángel Iván Torres Quijije
V
UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
FACULTAD CIENCIAS DE LA INGENIERÍA
CARRERA DE INGENIERÍA EN ELECTRICIDAD
CERTIFICADO DE APROBACIÓN POR TRIBUNAL DE SUSTENTACIÓN
PROYECTO DE INVESTIGACIÓN
Título:
“Análisis de algoritmos basados en Máquinas de Soporte Vectorial y Redes
Neuronales Artificiales para el diagnóstico de fallas en transformadores de
potencia empleando muestras de gases disueltos en el aceite”.
Presentado a la comisión académica como requisito previo a la obtención del título de
Ingeniero Eléctrico.
Aprobado por:
___________________________________
Ing. Osmar Viera Carcache
Presidente del tribunal de tesis
______________________________
__________________________
VI
UNIVERSIDAD TÉCNICA ESTATAL DE QUEVEDO
FACULTAD CIENCIAS DE LA INGENIERÍA
CARRERA DE INGENIERÍA EN ELECTRICIDAD
CERTIFICACIÓN DE REDACCIÓN
Yo, Moisés Arturo Menace Almea con CC N° 1203849540 Docente de la facultad
Ciencias de la Ingeniera de la Universidad Técnica Estatal de Quevedo, certifico que
he revisado el proyecto de investigación del egresado Andrés Alexander De La Torre
Macías, N° de cédula: 0950742189, previo a la obtención del título de Ingeniero
Eléctrico, titulado: “ANÁLISIS DE ALGORITMOS BASADOS EN MÁQUINAS DE
SOPORTE VECTORIAL Y REDES NEURONALES ARTIFICIALES PARA EL
DIAGNÓSTICO DE FALLAS EN TRANSFORMADORES DE POTENCIA
EMPLEANDO MUESTRAS DE GASES DISUELTOS EN EL ACEITE”, habiendo
cumplido con la redacción y corrección ortográficas.
f. _______________________________
VII
ÍNDICE DE CONTENIDO
ÍNDICE DE CONTENIDO ... VII
ÍNDICE DE TABLAS ... XI
ÍNDICE DE FIGURAS ... XIII
ÍNDICE DE ECUACIONES ... XIV
ÍNDICE DE INECUACIONES ... XV
ÍNDICE DE EXPRESIONES... XV
CÓDIGO DUBLIN ... 1
RESUMEN ... 2
ABSTRACT ... 3
INTRODUCCIÓN ... 4
CAPÍTULO I ... 6
CONTEXTUALIZACIÓN DE LA INVESTIGACIÓN. ... 6
1.1 Problematización de la Investigación. ...7
1.1.1 Planteamiento del problema. ...7
1.1.1.1 Diagnóstico del problema. ...7
1.1.2 Formulación. ...7
1.2.3 Sistematización. ...8
1.2 Objetivos. ...8
1.2.1 General. ...8
1.2.2 Específicos...8
1.3 Justificación...8
CAPITULO II... 8
FUNDAMENTACIÓN TEÓRICA DE LA INVESTIGACIÓN. ... 8
2.1 Marco Conceptual... 11
2.1.1 Transformador de Potencia. ... 11
2.1.1.1 Vida útil del transformador. ... 11
2.1.1.2 Aceite aislante. ... 11
2.1.1.3 Papel aislante. ... 12
2.1.2 Mecanismo de envejecimiento del sistema aislante de un transformador. ... 12
2.1.2.1 Degradación del aceite. ... 12
2.1.2.2 Degradación del papel. ... 13
VIII
2.1.4 Gases de fallas. ... 14
2.1.5 Métodos para detectar gases de falla. ... 15
2.1.5.1 Muestra totales de gases combustibles (TCG). ... 15
2.1.5.2 Muestra de manto de gas. ... 17
2.1.5.3 Análisis de gases disueltos AGD. ... 17
2.1.6 Métodos para interpretar los gases de falla. ... 18
2.1.6.1 Método del gas más importante. ... 20
2.1.6.2 Método de Rogers. ... 21
2.1.6.3 Método de Dornenburg. ... 22
2.1.6.4 Método de Duval. ... 22
2.1.7 Métodos basados en técnicas inteligentes. ... 24
2.1.7.1 Redes neuronales artificiales (RNA). ... 24
2.1.7.1.1 Conceptos básicos. ... 25
2.1.7.1.2 Redes neuronales Perceptrón. ... 25
2.1.7.2 RNA para clasificación. ... 26
2.1.7.2.1 Redes neuronales de base Radial. ... 26
2.1.7.3 Redes Neuronales Probabilísticas. ... 28
2.1.7.4 Máquinas de soporte vectorial (SVM). ... 29
2.1.7.4.1 Conceptos básicos. ... 30
2.1.7.4.2 Análisis del caso linealmente separable. ... 30
2.1.7.4.3 Análisis del caso linealmente no separable. ... 33
2.1.7.4.4 SVM para multiclasificación. ... 37
2.1.7.4.4.1 Arquitectura de descomposición. ... 37
2.1.7.4.4.2 Métodos de reconstrucción. ... 37
2.1.8 Herramienta de desarrollo ... 38
2.1.8.1 MatLab. ... 38
2.1.8.1.1 Neuronal Network Toolbox. ... 38
2.1.8.1.2 Libsvm Tool. ... 39
CAPÍTULO III ... 40
METODOLOGÍA DE LA INVESTIGACIÓN. ... 40
3.1 Métodos. ... 41
3.1.1 Tipo de investigación. ... 41
3.1.1.1 Bibliográfica ... 41
IX
3.1.2.1 Método de aprendizaje o entrenamiento ... 41
3.1.3 Técnicas inteligentes para detectar fallas incipientes. ... 42
3.1.4 Etapa uno: ingreso de datos. ... 44
3.1.4.1 Selección de datos. ... 44
3.1.4.2 Adecuación de datos. ... 45
3.1.4.3 Selección de parámetros. ... 46
3.1.5 Etapa dos: Entrenamiento. ... 47
3.1.5.1 Ensamble clasificador... 47
RNA ... 47
SVM ... 49
3.1.5.2 Validación cruzada. ... 51
3.1.6 Etapa tres: Pruebas. ... 51
3.1.6.1 Preparar la técnica para nuevos datos. ... 51
3.1.6.2 Pruebas con datos nuevos. ... 51
CAPÍTULO IV ... 52
RESULTADOS Y DISCUSIÓN. ... 52
4.1 Prueba y análisis de resultados. ... 53
4.1.1 Selección de datos. ... 53
4.1.2 Normalización de datos ... 59
4.2 Resultados obtenidos del entrenamiento de la RNA... 63
4.3 Resultados obtenidos de la SVM como clasificador multiclase ... 67
4.4 Comparación entre diferentes metodologías ... 70
4.2 Discusión... 72
CAPÍTULO V ... 75
CONCLUSIONES Y RECOMENDACIONES. ... 75
5.1 Conclusiones ... 76
5.2 Recomendaciones y trabajo futuro ... 76
CAPÍTULO VI ... 78
BIBLIOGRAFIA. ... 78
CAPÍTULO VII ... 93
ANEXOS... 93
7.1 Anexo del histórico de datos ... 84
7.1.1 Datos para el entrenamiento de las RNA y SVM. ... 84
X
7.1.1.2 Datos de entrenamiento tomados de [38] ... 85
7.1.1.3 Datos de entrenamiento tomados de [30] ... 85
7.1.1.4 Datos de entrenamiento tomados de [31] ... 86
7.1.2 Datos para las pruebas de los métodos de Rogers, Dornenburg, RNA y SVM. ... 87
7.1.2.1 Datos de prueba tomados de [19]... 87
7.1.2.2 Datos de prueba tomados de [29]... 88
7.1.3 Datos normalizados para el entrenamiento de las RNA y SVM. ... 88
7.1.3.1 Datos normalizados de entrenamiento tomados de [29]... 88
7.1.3.2 Datos normalizados de entrenamiento tomados de [38]... 89
7.1.3.3 Datos normalizados de entrenamiento tomados de [30]... 90
7.1.3.4 Datos normalizados de entrenamiento tomados de [31]... 91
7.1.4 Datos normalizados para las pruebas de los métodos de Rogers, Dornenburg, RNA y SVM. 91 7.1.4.1 Datos normalizados de prueba tomados de [19] ... 91
7.1.4.2 Datos normalizados de prueba tomados de [29] ... 92
7.1.5 Histórico de datos para el entrenamiento de las RNA y SVM. ... 93
7.1.5.1 Datos unificados para el entrenamiento de las RNA y SVM... 93
7.1.5.2 Datos unificados normalizados para el entrenamiento de las RNA y SVM. ... 95
7.1.6 Histórico de datos para las pruebas de los métodos de Rogers, Dornenburg, RNA y SVM. 98 7.1.6.1 Datos unificados para el las pruebas de los métodos de Rogers, Dornenburg, RNA y SVM. 98 7.1.6.2 Datos unificados normalizados para el las pruebas de los métodos de Rogers, Dornenburg, RNA y SVM. ... 99
7.2 Anexo de resultados. ... 101
7.2.1 Resultados obtenidos mediante método de Rogers. ... 101
7.2.2 Resultados obtenidos mediante método de Dornenburg. ... 102
7.2.3 Resultados obtenidos mediante RNA. ... 103
7.2.4 Resultados obtenidos mediante SVM. ... 105
7.3 Anexo de simulaciones. ... 106
7.3.1 Simulaciones con RNA. ... 106
7.3.2 Simulaciones con SVM. ... 108
XI
ÍNDICE DE TABLAS
Tabla 1. Gases de fallas presentes en un transformador. ... 15
Tabla 2. Concentración de gases disueltos. ... 16
Tabla 3. Trabajos más representativos referentes al AGD reportados. ... 19
Tabla 4. Gas más importante de acuerdo al tipo de falla. ... 20
Tabla 5. Relaciones y rangos de valores utilizados en el método de Rogers... 21
Tabla 6. Diagnostico según el método de Rogers. ... 21
Tabla 7. Relación de concentración de gases según Dornenburg. ... 22
Tabla 8. Diagnóstico de tipos de avería del triángulo de Duval. ... 24
Tabla 9. Datos de entrenamiento tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier” ... 53
Tabla 10. Datos de entrenamiento tomados de “ANN Approach for Condition Monitoring of Power Transformers Using DGA” ... 54
Tabla 11. Datos de entrenamiento tomados de “Diagnosis of Incipient Faults in Power Transformers Using CMAC Neural Network Approach” ... 55
Tabla 12. Datos de entrenamiento tomados de “A Novel Association Rule Mining with IEC Ratio Based Dissolved Gas Analysis for Fault Diagnosis of Power Transformers” ... 56
Tabla 13. Datos de prueba tomados de “Artificial Neural Networks for Power Transformers Fault Diagnosis Base don IEC Code Using Dissolved Gas Analysis” ... 57
Tabla 14. Datos de prueba tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier” ... 58
Tabla 15.Datos de entrenamiento normalizados tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier” ... 60
Tabla 16. Datos de prueba normalizados tomados de “Artificial Neural Networks for Power Transformers Fault Diagnosis Base don IEC Code Using Dissolved Gas Analysis” ... 61
Tabla 17. Pruebas con distintas redes neuronales. ... 63
Tabla 18. Clases pronosticadas mediante RNA. ... 66
Tabla 19. Clases pronosticadas mediante SVM. ... 68
Tabla 20. Comparación de metodologías para diagnóstico de fallos. ... 70
Tabla 21. Datos de entrenamiento tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier”. ... 84
Tabla 22. Datos de entrenamiento tomados de “ANN Approach for Condition Monitoring of Power Transformers Using DGA”. ... 85
XII
Tabla 24. Datos de entrenamiento tomados de “A Novel Association Rule Mining with IEC Ratio
Based Dissolved Gas Analysis for Fault Diagnosis of Power Transformers”. ... 86
Tabla 25. Datos de prueba tomados de “Artificial Neural Networks for Power Transformers Fault Diagnosis Base don IEC Code Using Dissolved Gas Analysis”. ... 87
Tabla 26. Datos de prueba tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier”. ... 88
Tabla 27. Datos de entrenamiento normalizados tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier”. ... 88
Tabla 28. Datos de entrenamiento normalizados tomados de “ANN Approach for Condition Monitoring of Power Transformers Using DGA”. ... 89
Tabla 29. Datos de entrenamiento normalizados tomados de “Diagnosis of Incipient Faults in Power Transformers Using CMAC Neural Network Approach”. ... 90
Tabla 30. Datos de entrenamiento normalizados tomados de “A Novel Association Rule Mining with IEC Ratio Based Dissolved Gas Analysis for Fault Diagnosis of Power Transformers”. ... 91
Tabla 31. Datos de prueba normalizados tomados de “Artificial Neural Networks for Power Transformers Fault Diagnosis Base don IEC Code Using Dissolved Gas Analysis”. ... 91
Tabla 32. Datos de prueba normalizados tomados de “Fault Diagnosis of Power Transformer Based on multi-layer SVM Classifier”. ... 92
Tabla 33. Base de datos para el entrenamiento de las RNA y SVM. ... 93
Tabla 34. Base de datos normalizados para el entrenamiento de las RNA y SVM. ... 95
Tabla 35. Base de datos para probar los métodos de Rogers, Dornenburg, RNA y SVM. ... 98
Tabla 36. Base de datos normalizados para probar los métodos de Rogers, Dornenburg, RNA y SVM. ... 99
Tabla 37. Resultados obtenidos mediante el método de Rogers. ... 101
Tabla 38. Resultados obtenidos mediante el método de Dornenburg. ... 102
Tabla 39. Resultados obtenidos mediante RNA. ... 103
XIII
ÍNDICE DE FIGURAS
Figura 1. Triángulo de agentes que afectan la vida útil del aislante. ... 13
Figura 2. Diagrama conceptual de la aplicabilidad del AGD. ... 19
Figura 3. Ubicación de avería en el triángulo de Duval. ... 23
Figura 4. Arquitectura de una MLP. ... 25
Figura 5. Arquitectura de una RBF. ... 27
Figura 6. Arquitectura de una RNP. ... 29
Figura 7. Hiperplano que separan correctamente un conjunto de datos. a) hiperplano de separación de datos. b) OSH con un mayor margen de separación entre clases. ... 31
Figura 8. Hiperplano lineal clasificador para el caso no separable. ... 34
Figura 9. La SVM no lineal establece una relación del espacio de entrada con otro de representación de dimensión alta. ... 35
Figura 10. Estructura general: Sistema de aprendizaje. ... 41
Figura 11. Claificación del aprendizaje automático. ... 42
Figura 12. Diagrama de flujo de la metodología propuesta... 43
Figura 13. Ventana de comandos para diseñar una RNA en Matlab. ... 48
Figura 14. Parametrización de la Red Neuronal en Matlab. ... 63
Figura 15. Red Neuronal Personalizada. ... 64
Figura 16. Mejor validación de rendimiento. ... 64
Figura 17. Estado de entrenamiento. ... 65
Figura 18. Estado de regresión. ... 65
Figura 19. Grafica de casos acertados entre métodos estudiados. ... 73
Figura 20. Grafica de Asertividad entre métodos estudiados. ... 74
Figura 21. Mejor validación de rendimiento (Entrenamiento #5)... 106
Figura 22. Estado de entrenamiento (Entrenamiento #5). ... 107
XIV
ÍNDICE DE ECUACIONES
Ecuación 1. Método de Duval del triángulo equilátero. ... 23
Ecuación 2. Pesos de entrada y salida de una RNA. ... 26
Ecuación 3. Distancia euclidiana. ... 28
Ecuación 4. Salida de las capas ocultas. ... 28
Ecuación 5. Hiperplano óptimo de separación OSH ... 31
Ecuación 6. Hiperplano de separación positivo. ... 31
Ecuación 7. Hiperplano de separación negativo. ... 31
Ecuación 8. Margen definido entre hiperplanos. ... 31
Ecuación 9. Función de LaGrange para optimización. ... 32
Ecuación 10. Multiplicador de LaGrange. ... 32
Ecuación 11. Condición de Kuhn-Tucker (1). ... 32
Ecuación 12. Condición de Kuhn-Tucker (2). ... 32
Ecuación 13. Solución al problema de optimización dual de Wolfe... 33
Ecuación 14. Nueva expresión del OSH (1). ... 33
Ecuación 15. Nueva expresión del OSH (2). ... 33
Ecuación 16. OSH que depende del producto punto de los vectores. ... 35
Ecuación 17. Producto punto de los vectores en el espacio característico. ... 36
Ecuación 18. Kernel polinomial. ... 36
Ecuación 19. Kernel RBF. ... 36
Ecuación 20. Kernel sigmoideo. ... 36
Ecuación 21. Función OSH final (1). ... 36
Ecuación 22. Función OSH final (2). ... 37
Ecuación 23. Normalización de datos. ... 45
Ecuación 24. Búsqueda en malla para la selección de parámetros. ... 47
Ecuación 25. Kernel polinomial. ... 50
Ecuación 26. Kernel Gaussiano (1)... 50
Ecuación 27. Kernel Gaussiano (2)... 50
XV
ÍNDICE DE INECUACIONES
Inecuación 1. Condición de un hiperplano linealmente separable. ... 31
Inecuación 2. Condición de un hiperplano linealmente separable para la función objetivo... 32
Inecuación 3. Nueva restricción aunada la variable de relajación. ... 34
Inecuación 4. Restricción del hiperplano óptimo. ... 34
Inecuación 5. Nuevas restricciones. ... 35
Inecuación 6. Restricción aunada la función kernel... 36
ÍNDICE DE EXPRESIONES
Expresión 1. Valores de etiqueta para entrenamiento de una RNA. ... 30Expresión 2. Valores de salida para clasificar una RNA. ... 30
Expresión 3. Función objetivo. ... 32
Expresión 4. Condiciones para resolver el problema de optimización dual. ... 33
Expresión 5. Variable de relajación. ... 34
Expresión 6. Hiperplano óptimo con margen débil. ... 34
Expresión 7. Resultado con los multiplicadores de LaGrange. ... 34
Expresión 8. Función para mapear datos no separables linealmente. ... 35
1
CÓDIGO DUBLIN
Título “ANÁLISIS DE ALGORITMOS BASADOS EN MÁQUINAS DE SOPORTE VECTORIAL Y REDES NEURONALES ARTIFICIALES PARA EL DIAGNÓSTICO DE FALLAS EN
TRANSFORMADORES DE POTENCIA EMPLEANDO
MUESTRAS DE GASES DISUELTOS EN EL ACEITE”
Autor Andrés Alexander De La Torre Macías
Palabras Claves Transformadores componentes dieléctricos como el aceite y el papel que cubren el recinto del bobinado. Anormalidades en la aislación son productos de la degradación de los componentes mencionados; formándose subproductos químicos que se derivan del envejecimiento y se acumulan en el aceite en forma de gases, como efecto principal se merma la vida útil de los transformadores.
El método más aceptado y utilizado para detectar gases en el interior de un transformador es el Análisis de Gases Disueltos (AGD), debido a que emite mayor información, permite diagnosticar probables fallas mediante técnicas convencionales de interpretación de resultados (gases en ppm) antes de que se presente en la máquina, a este tipo de fallas se las conoce comúnmente como “Fallas Incipientes”.
En el presente trabajo se tomaron muestras del AGD realizados a varios transformadores de potencia sumergidos en aceite (mostrada en las tablas 9, 10, 11 y 12) para formar una base de datos (concentraciones de gases y falla diagnosticada), con lo que se evaluó y realizó un diagnóstico del estado a varios transformadores de potencia basado en métodos inteligentes de interpretación de datos para la predicción de fallas, estos son: Redes Neuronales Artificiales y Máquinas de Soporte Vectorial para compararlos con los criterios científicamente aceptados como: Criterio de Rogers y Criterio de Dornenburg, con el fin de determinar el método más asertivo en detectar fallas incipientes en transformadores de potencia.
2
RESUMEN
El parámetro principal que determina el estado de los transformadores de potencia en
operación ya sea normal o en deterioro, es el aislamiento en su interior, compuesta de los
componentes dieléctricos como el aceite y el papel que cubren el recinto del bobinado.
Anormalidades en la aislación son productos de la degradación de los componentes
mencionados; formándose subproductos químicos que se derivan del envejecimiento y se
acumulan en el aceite en forma de gases, como efecto principal se merma la vida útil de los
transformadores.
El método más aceptado y utilizado para detectar gases en el interior de un transformador es
el Análisis de Gases Disueltos (AGD), debido a que emite mayor información, permite
diagnosticar probables fallas mediante técnicas convencionales de interpretación de
resultados (gases en ppm) antes de que se presente en la máquina, a este tipo de fallas se las
conoce comúnmente como “Fallas Incipientes”.
En el presente trabajo se tomaron muestras del AGD realizados a varios transformadores de
potencia sumergidos en aceite (mostrada en las tablas 9, 10, 11 y 12) para formar una base
de datos (concentraciones de gases y falla diagnosticada), con lo que se evaluó y realizó un
diagnóstico del estado a varios transformadores de potencia basado en métodos inteligentes
de interpretación de datos para la predicción de fallas, estos son: Redes Neuronales
Artificiales y Máquinas de Soporte Vectorial para compararlos con los criterios
científicamente aceptados como: Criterio de Rogers y Criterio de Dornenburg, con el fin de
determinar el método más asertivo en detectar fallas incipientes en transformadores de
potencia.
Palabras claves:
3
ABSTRACT
The main parameter that determines the state of the power transformers in operation, whether
normal or deteriorating, is the insulation inside, composed of dielectric components such as
oil and paper covering the winding enclosure. Abnormalities in insulation are products of
degradation of the mentioned components; Forming chemical by-products that are derived
from aging and accumulate in the oil in the form of gases, the main effect is the life of the
transformers.
The most accepted and used method to detect gases inside a transformer is the Dissolved
Gas Analysis (AGD), because it emits more information, allows to diagnose probable
failures by means of conventional techniques of interpretation of results (gases in ppm)
before Which is present in the machine, this type of fault is commonly known as "Incipient
Failure".
In the present work, samples of the AGD were made to several power transformers
submerged in oil (shown in Tables 9, 10, 11 and 12) to form a database (gas concentrations
and fault diagnosed), evaluated and performed A diagnosis of the state to several power
transformers based on intelligent methods of data interpretation for the prediction of failures,
these are: Artificial Neural Networks and Vector Support Machines to compare them with
the criteria scientifically accepted as: Criterion of Rogers and Criterion of Dornenburg , In
order to determine the most assertive method to detect incipient faults in power transformers.
Keywords:
4
INTRODUCCIÓN
Los Sistemas Eléctricos de Potencia (SEP) están comprendidos por las siguientes etapas:
Generación, transmisión y distribución de la energía eléctrica, debe cumplir con un nivel
aceptable de confiabilidad y calidad. La confiabilidad de un SEP en esencia depende del
correcto funcionamiento de todos los elementos que lo componen, entre ellos se encuentran
los transformadores de potencia, siendo una de las máquinas más costosas dentro de un
sistema de transmisión o generación.
El uso de los transformadores ha cobrado gran importancia dentro del campo en producción
de energía eléctrica, porque permiten aumentar o disminuir los niveles de tensión para poder
ser transmitido o consumido respectivamente. Una falla en un transformador de potencia
ocasionaría probablemente el mayor impacto, tanto desde el punto de vista económico como
disponibilidad de servicio, y evaluar una falla en un transformador es una tarea compleja
debido a la gran cantidad de variables a considerar (físicas, químicas, ambientales,
mecánicas, etc.).
Todo transformador en funcionamiento produce gases en cierta cantidad que se mezclan con
el aceite dieléctrico en su interior, cuando existe un exceso de estos gases se genera una
anormalidad; ocasionando que el trafo1 esté funcionando con calentamientos locales o a su
vez con problemas eléctricos, no obstante, puede darse una combinación de ambos. Una
anormalidad se podría traducir como una “falla”, que puede manifestarse como esfuerzos
mecánicos o eléctricos en la máquina, los cuales producen subproductos gaseosos
combustibles y no combustibles como: hidrógeno (H2), metano (CH4), acetileno (C2H2),
etileno (C2H4), etano (C2H6), monóxido de carbono (CO) y dióxido de carbono (CO2)
respectivamente.
Dependiendo del tipo de falla y temperatura asociada, se genera cierta combinación de gases,
determinado mediante pruebas químicas como la cromatografía2, pueden dar indicios del
origen de la falla, la interpretación por medio de los gases utilizados para una determinación
cualitativa de fallas individuales, puede resultar difícil cuando existe más de una falla, o
cuando un tipo de falla progresa a otro, tal es el caso cuando un problema eléctrico se
convierte en uno térmico. [1]
1 Trafo: palabra que se usa para abreviar Transformador.
2Cromatografía de gases:es una técnica en la que la muestra (de aceite) se volatiliza y se inyecta en la cabeza de una columna
5
Se han desarrollado programas para el mantenimiento de los transformadores de potencia,
pero no se ha desarrollado hasta el momento ninguna prueba de diagnóstico confiable para
evaluar la condición interna de los transformadores, excepto el Análisis de Gases Disueltos
(AGD) en aceites de transformadores. Es una técnica utilizada ampliamente, aceptada como
una herramienta de diagnóstico para la detección de fallas incipientes en transformadores de
potencia tales como: descargas internas, efectos corona, sobrecalentamiento de la celulosa,
del aceite o de ambos. Los resultados obtenidos por el AGD, puede determinar
prematuramente la causa de la falla, obteniendo un ahorro en costos de operación y
mantenimiento, así como una mejora del nivel de confiabilidad del SEP. [2]
El presente trabajo de investigación muestra una solución al diagnóstico del contenido de
los gases en el aceite, utilizando técnicas de aprendizaje supervisado para entrenamiento
multiclase entre las cuales están las Redes Neuronales Artificiales (RNA) y las Máquinas de
Soporte Vectorial (SVM, Support Vector Machines), esta última es una buena herramienta
para la clasificación de patrones pequeños porque minimiza los errores al clasificar los datos
de entrenamiento y obtiene una mejor habilidad de generalización según Jair Cervantes en
su tesis doctoral del 2009 titulada “Clasificación de grandes conjunto de datos vía Máquinas
de Vectores Soporte y aplicaciones en sistemas biológicos ” de la especialidad de Ingeniería
CAPÍTULO I
7
1.1
Problematización de la Investigación.
1.1.1
Planteamiento del problema.
1.1.1.1 Diagnóstico del problema.
Evaluar y determinar de forma manual la condición integral de equipos de transformación
de un SEP y generar posteriormente acciones correctivas que permitan recuperar su
condición, sobrepasa la capacidad logística disponible en cuanto a recurso humano y tiempo.
Los transformadores de potencia son máquinas de gran dimensión y peso, en su interior
contienen grandes cantidades de aceite (miles de litros) al cual se penetran gases funcionando
rutinariamente, la cantidad de gases que se generan provocados por el desprendimiento de
los materiales aislantes dentro de la máquina dependen tanto de factores eléctricos como
térmicos, para detectar gases en el aceite de los transformadores se utiliza el AGD o
cromatografía. Para interpretar los resultados existen estándares IEEE3 y normas ASTM4
establecidos desde décadas atrás, utilizan los métodos de Dornenberg, Rogers y Triangulo
de Duval a los cuales se denotan como técnicas convencionales para la interpretación del
AGD. Sin embargo, existe gran incertidumbre respecto a los datos, debido a la variedad de
patrones y a la cantidad de gases generados por los diferentes tipos de averías, que se
encuentran afectadas por muchos factores, entre los cuales se destacan el tipo de aceite y su
temperatura, el método de muestreo, las características del aislamiento y el medio ambiente.
Por lo tanto, con diferentes técnicas de interpretación del AGD se pueden obtener
interpretaciones de averías diferentes o en conflicto como lo señala una publicación de la
Universidad Distrital Francisco José de Caldas de Colombia del año 2014 titulada “Estado
del arte del análisis de gases disueltos en transformadores de potencia” [4]
1.1.2
Formulación.
¿Cuál es el grado de asertividad para predicción de fallas en transformadores de potencia aplicando algoritmos basados en Redes Neuronales Artificiales y Máquinas de Soporte
Vectorial mediante resultados obtenidos del análisis de gases disueltos en el aceite?
3 IEEE.- Instituto de Ingeniería Eléctrica y Electrónica es una asociación mundial de ingenieros dedicada a la estandarización y el desarrollo
en áreas técnicas.
4 ASTM.- Sociedad Americana para Pruebas y Materiales fundada en 1898 es una de las organizaciones internacionales de desarrollo de
8
1.2.3
Sistematización.
¿Cuántos datos del Análisis de Gases Disueltos debemos emplear en los algoritmos basados
en Redes Neuronales Artificiales y Máquinas de Soporte Vectorial para su respectivo
entrenamiento?
¿Qué tipos de métodos basados en inteligencia artificial serán los más eficaces para la
predicción de fallas en transformadores de potencia empleando datos del Análisis de Gases
Disueltos?
¿Se pueden desarrollar pruebas para analizar los resultados obtenido de las técnicas aplicadas
y realizar la comparación del modelo más asertivo en predicción de fallas?
1.2
Objetivos.
1.2.1
General.
Aplicar análisis comparativos de los algoritmos basados en Máquinas de Soporte Vectorial
y Redes Neuronales Artificiales para el diagnóstico de fallas en transformadores de potencia
empleando muestras de Gases Disueltos en el aceite.
1.2.2
Específicos.
Seleccionar una base de conocimientos del Análisis de Gases Disueltos en
transformadores de potencia que hayan sido sometidos a comprobaciones respecto al
diagnóstico obtenido.
Emplear modelos algorítmicos de las Redes Neuronales Artificiales y Máquinas de
Soporte Vectorial para la simulación de predicción de fallas en transformadores de
potencia basado en Ingeniería de Software.
Realizar un test de los resultados obtenidos en las Redes Neuronales Artificiales junto
con las Máquinas de Soporte Vectorial y efectuar un análisis comparativo para
determinar el método más asertivo en predicción de fallas.
1.3
Justificación.
El análisis del diagnóstico de gases disueltos (AGD), ha sido un estándar en la industria para
la determinación y detección de las fallas en los transformadores de potencia. Se comenzó a
desarrollar a finales de 1960. Ha sido reconocido en todo el mundo como la principal
herramienta para prevenir fallas y pérdidas catastróficas en las empresas que disponen de
equipos de potencia y necesitan realizar transformación de voltaje. Tomar una muestra de
9
grandes máquinas estáticas. El aceite derivado del petróleo es usado como refrigerante y
aislante, puede ser llamado la “sangre” de un transformador. Al igual que un médico realiza
un análisis de sangre para determinar su salud, el ingeniero encargado de realizar el AGD
dispone de los medios para determinar la salud de los transformadores. Pero se presenta las
siguientes interrogantes: ¿Los resultados son válidos? y ¿Qué nos indican? [5]
El AGD ha sido aceptado como el estándar en la industria para la determinación de fallas
incipientes5 en los transformadores. Siempre que el método sea seguido correctamente, los
resultados obtenidos deben dar la información necesaria para tomar una decisión informada
sobre el estado del funcionamiento de un transformador, pero esta decisión debe ser
seleccionada de acuerdo a los métodos existentes para la interpretación de los resultados del
AGD.
Lo que pretende esta investigación, es demostrar cuál de los métodos de aprendizaje
supervisado del campo de la inteligencia artificial (RNA y SVM) es el más asertivo para
diagnosticar fallas en los transformadores de potencia mediante datos obtenidos del AGD.
Con la aplicación de los métodos se puede afirmar más a un diagnostico apegado a la realidad
presente en un transformador, desplazando así a los métodos convencionales, que sirvieron
mucho para profundizar en el estudio de las fallas del transformador.
Con base en estos justificativos, surge la necesidad de llevar a cabo una interpretación de
datos que asemeje la realidad de un transformador para obtener resultados de fallas más
efectivas, gracias al desarrollo de algoritmos de aprendizaje supervisado que existen en la
actualidad tal es el caso de las Redes Neuronales Artificiales y las Máquinas de Soporte
Vectorial.
5 Fallas incipientes. - En los transformadores de potencia cierto tipo de fallas tiende a producir gases en el interior, estas fallas por lo
CAPITULO II
11
2.1
Marco Conceptual.
2.1.1
Transformador de Potencia.
Los transformadores de potencia, elevadores y reductores, juegan un papel fundamental en
el funcionamiento y estructura de los sistemas de potencia. De hecho, puede afirmarse que
la existencia misma de los sistemas de generación y transporte en corriente alterna, tal como
los conocemos en la actualidad, se debe al descubrimiento del transformador, que resulta ser
además un dispositivo extraordinariamente simple, robusto y eficaz.
Los dispositivos que superan la capacidad nominal de 1000 KVA se los consideran
transformadores de potencia, están presentes en las centrales eléctricas, subestaciones de alta
y media tensión así como en complejos industriales donde su consumo energético es elevado.
2.1.1.1 Vida útil del transformador
.
La vida útil de los transformadores de potencia es un tema de gran interés, debido a que
cumplen una función muy importante en los sistemas eléctricos de potencia, una perdida en
la etapa de transformación no prevista podrá ocasionar grandes perjuicios económicos y
sociales. [6]
Por lo general, un transformador de potencia es un dispositivo muy confiable diseñado para
una vida útil de 20-35 años y una vida mínima de 25 años a temperaturas de funcionamiento
comprendidas entre 65 °C y 95 °C. Aunque en la práctica la vida de un transformador de
potencia podría llegar a 60 años con un mantenimiento adecuado. [7]
El transformador es básicamente compuesto por material ferromagnético laminado, envuelto
por bobinas de cobre aisladas con celulosa y toda esta estructura está inmersa en aceite
aislante, de allí la necesidad del estudio y acompañamiento para tomar decisiones correctas
sobre cómo mantenerlo, como operarlo y como protegerlo. [6]
2.1.1.2 Aceite aislante
.
El aceite aislante es obtenido a partir de la destilación del petróleo natural, siendo constituido
por hidrocarbonatos, clasificándose en tres grupos: Nafténicos (hidrocarbonatos saturados
de cadena cerrada), Parafínicos (hidrocarbonatos saturados de cadena abierta, lineal o
12
No existen aceites exclusivamente Parafínicos, Nafténicos o aromáticos. Todos los aceites
crudos son una mezcla de los tres, pero la clasificación es realizada por la predominancia de
uno de ellos. [6]
Las cuatro funciones principales del aceite mineral aislante son: proporcionar rigidez
dieléctrica, se encarga de la transferencia de calor, actuar como medio de enfriamiento,
protege el aislamiento sólido, el aceite puede utilizarse para conocer las condiciones internas
del equipo. [6]
2.1.1.3 Papel aislante
.
El papel es el principal aislante solido de los transformadores, siendo proveniente de la
madera y es producido usualmente por el proceso kraft. El principal componente del papel
es la celulosa (cerca del 90%) a la cual se encuentra asociada la hemicelulosa y cerca de 3%
a 7% de ligninas (alcohol aromático polimerizado).
El envejecimiento de un transformador está directamente relacionado con la resistencia
mecánica del papel aislante, la cual tiene la característica de alterarse en función del tiempo.
El papel kraft utilizado como aislante en un transformador debe desempeñar mayormente
res funciones: soportar los esfuerzos eléctricos producidos por los voltajes en condiciones
normales y anormales durante la operación del transformador, soportar esfuerzos mecánicos
y térmicos que acompañan a un cortocircuito, prevenir una acumulación excesiva de calor.
2.1.2
Mecanismo de envejecimiento del sistema aislante de un
transformador.
2.1.2.1 Degradación del aceite
.
El aceite mineral aislante, durante la operación del transformador, sufre un proceso de
degradación continuo, con alteraciones en sus propiedades físicas, químicas y eléctricas
provocadas por la acción de la temperatura, oxigeno, de la reacción con materiales utilizados
en la construcción y por la exposición a los esfuerzos eléctricos, es decir, se tiene: deterioro
de las propiedades aislantes del aceite, aceleración del proceso de degradación de la celulosa,
formación de lodo, etc. [6]
A medida que el aceite envejece, disminuye su capacidad para cumplir con sus funciones.
Los subproductos químicos que se derivan del envejecimiento se acumulan en el aceite o
13
se prolongue en el tiempo, afectará la capacidad del aceite para actuar como dieléctrico o
para que transfiera el calor de forma eficiente.
2.1.2.2 Degradación del papel
.
A medida que el transformador envejece, su aislamiento sólido pierde resistencia mecánica.
El grado de polimerización o GP mide la longitud de las moléculas de la celulosa que
reacciona directamente con la resistencia mecánica de una muestra. Cuanto más larga es la
cadena de moléculas (polímeros), mayor será la resistencia mecánica de la aislación. [6]
2.1.3
Vida útil del aislamiento.
En síntesis, si se requiere prolongar la vida útil del material aislante y, por consiguiente, la
soportabilidad del transformador, se debe buscar medios para minimizar la contribución de
estos tres agentes de la figura 1:
Figura 1. Triángulo de agentes que afectan la vida útil del Aislante.
Autor: C. Jara – D. Maldonado Fuente: [6]
En consecuencia, además del aumento de vida del transformador, serán reducidos los riesgos
de fallas y el tiempo de mantenimiento para secado, tratamiento y recuperación del aceite
aislante, reduciendo los costos de mantenimiento y el tiempo de indisponibilidad para
operación. [6]
Varios factores y características que van desde las fases de proyecto, fabricación, ensayos
de fábrica, transporte, almacenamiento, montaje, operación y mantenimiento pueden
contribuir para acelerar o minimizar los efectos de la humedad, temperatura y contenido de
oxígeno en la degradación del papel. [6]
Los tres principales mecanismos de degradación del aceite, del papel y, por consiguiente, de
la soportabilidad de los transformadores son:
14 Pirolisis
La elevación de la temperatura provoca daños irreparables en el aislamiento del
transformador teniendo en vista el carácter irreversible de las reacciones químicas ocurridas.
Estas reacciones químicas, rompen las cadenas celulósicas, causan la reducción de la
capacidad de las fibras de soportar los esfuerzos mecánicos, reduciendo la capacidad de
resistir cortocircuitos o de cualquier desplazamiento de los conductores, debilitando también
la rigidez dieléctrica, y consecuentemente, el tiempo de vida útil del transformador. [6]
2.1.4
Gases de fallas.
El origen de los gases de falla puede ser dividido en tres grandes categorías:
Descarga corona o descargas parciales (descarga de baja energía). Arqueos o Arco eléctrico (descarga de alta energía).
Calentamiento térmico (calentamiento interno).
Estas tres categorías difieren principalmente en la intensidad de energía, la más severa ocurre
con el arqueo, en menor cantidad con el calentamiento y finalmente con descargas parciales.
Una lista de los gases de falla que pueden ser encontrados en una unidad de transformación
se la detalla a continuación: [8]
a) Hidrocarburos
Metano ( CH4)
Etano (C2H6)
Etileno (C2H4)
Acetileno (C2H2)
Hidrogeno (H2)
b) Óxidos de carbono
Monóxido de carbono (CO) Dióxido de carbono (CO2)
c) Gases que no son de falla
Nitrógeno (N2)
Oxígeno (O2)
Estos gases se acumulan en el aceite así como en la cubierta de unidades con un espacio libre
por encima del aceite como resultados de varias fallas. Esta acumulación de gases se
15
funcionamiento, pero cuando el equipo está en reposo, la mayor concentración de gases
tiende a subir, por lo que no es posible tener una mayor precisión en la toma de muestras
cuando el transformador está parado, en el apartado de recomendaciones se hace un breve
hincapié al respecto.
Los gases de falla pueden ser clasificados por el tipo de material que está involucrado y el
tipo de falla presente. Según se indica en la tabla 1.
Tabla 1. Gases de fallas presentes en un transformador. 1. Descargas Parciales
a.) Aceite H2
b.) Celulosa H2, CO, CO2
2. Calentamiento térmico a.) Aceite
Baja temperatura CH4, C2H6
Alta temperatura C2H4, C2H6
b.) Celulosa
Baja temperatura CO2 (CO)
Alta temperatura CO (CO2)
3. Arco Eléctrico H2, C2H2, (CH4, C2H6, C2H4)
Autor: A. CARRERA Fuente: [8]
2.1.5
Métodos para detectar gases de falla.
Es muy difícil determinar cuándo un transformador se encuentra en condiciones anormales
si no se dispone de una historia previa de gases disueltos. Cabe destacar que hay diferentes
opiniones acerca de cuándo se considera un "transformador en una condición anormal" con
una aceptable concentración de gases.
2.1.5.1 Muestra totales de gases combustibles (TCG).
De acuerdo al estándar IEEE Std C57.104-2009, se han adoptado cuatro condiciones para
clasificar los riesgos de un transformador, cuando no se dispone de una historia previa, para
funcionamiento continuo con distintos niveles de gases combustibles. El criterio que se
utiliza consiste en evaluar la concentración individual y total de todos los gases combustibles
como se indica en la tabla 2, que muestra la concentración de gases combustibles en forma
individual y total de acuerdo con cuatro condiciones. [9]
Condición 1: Si la totalidad de gases combustibles (TCG) se encuentra por debajo 720 partes
por millón (ppm), se considera que el transformador está funcionando en condiciones
satisfactorias. Si cualquier gas combustible individual supera los niveles indicados se debe
16
Condición 2: Si la totalidad de gases combustibles se encuentra dentro del rango [721-1920]
ppm, significa que el nivel de gases combustibles es superior al normal. Cualquier gas
combustible individual que supere los niveles especificados se debe realizar una
investigación adicional.
Condición 3: Si la totalidad de gases combustibles se encuentra dentro del rango [1921-4630]
ppm, significa un alto nivel de descomposición. Cualquier gas combustible individual que
exceda los límites especificados se debe realizar una investigación adicional. Probablemente
se está en presencia de una o varias fallas.
Condición 4: Si la totalidad de gases combustibles se encuentra por encima de 4630 ppm,
indica una excesiva descomposición. Un servicio continuo podría provocar una falla del
transformador. Se debe proceder inmediatamente y con cautela.
Tabla 2. Concentración de gases disueltos.
Rango Condición
CO2 <2500 2550-4000 4001-10000 >10000
TCG <720 721-1920 1921-4630 >4630
Autor: J. CADENA Fuente: [10] Algunas aclaraciones respecto a la tabla anterior son:
TGC corresponde a la totalidad de gases combustibles disueltos.
Se supone que no hubo ensayos previos de gases disueltos en el transformador o
que no se dispone de una historia reciente.
Se debe tener en cuenta la variabilidad de gases disueltos cuando los ensayos son
realizados por laboratorios distintos.
La tabla 2 es aplicable a transformadores nuevos o recientemente reparados, y los
valores indicados se han obtenido de la experiencia de distintos fabricantes. Los valores corresponden a grandes transformadores que contienen miles de litros
de aceite. Para menores volúmenes de aceite, el mismo volumen de gas presenta
17 2.1.5.2 Muestra de manto de gas.
En este método se analiza el gas presente en la parte superior del aceite dieléctrico, para
determinar su composición y así detectar gases de falla.
Este método detecta de manera individual todos los componentes de la muestra, sin embargo,
no se puede aplicar a transformadores que estén totalmente llenos de aceite. Su principal
desventaja es que los gases primero se deben dispersar en el manto de gas, además no es la
mejor forma para extraer los gases, porque se necesita conocer la ppm de todos los gases
presentes en el transformador, y con este método solo se reconocen los gases que se
encuentran en el manto de gas y no los presentes en todo el transformador. [1]
2.1.5.3 Análisis de gases disueltos AGD.
En el estándar IEEE 2009 [9], se expone otra manera de realizar el diagnóstico de las fallas
presentes en un transformador, el cual es el AGD. En este método se utiliza una muestra de
aceite, por lo cual es aplicable a todas las unidades, y al igual que el método del manto gas
detecta todos los componentes individuales. La principal ventaja de la técnica del AGD es
que detecta los gases en el aceite dando una posible detección de una falla incipiente en la
fase más temprana. Esta ventaja por sí solo supera los inconvenientes de esta técnica.
En la práctica el AGD convencional, ha sido utilizado durante aproximadamente treinta años,
y ha adquirido enorme éxito en comparación con otras técnicas [11]. La principal razón de
este éxito es que la toma de muestras, los procedimientos de análisis son sencillos, de bajo
costo y fácil de ser normalizados. Se han desarrollado alrededor del AGD varios estándares
como: IEC599 [12], IEC599r [12], C57.104 [9]. Una aclaración que se debe hacer es que
las muestras de gases no se pueden generalizar para transformadores de igual potencia, ya
que cada transformador es un caso particular debido a sus características constructivas y
condiciones de operación: carga, mantenimiento, historial de fallos, etc. Por tal razón los
transformadores de igual tamaño arrojarán diferentes concentraciones de gases.
Los objetivos al utilizar el DGA son:
Monitorear el transformador para obtener una alerta temprana de una falla. Supervisión de un transformador del cual se sospecha que está fallando. Indicar la naturaleza y la localización de la falla.
Evaluación de transformadores nuevos para garantizar la ausencia de fallas
18
Los esquemas de interpretación convencionales de AGD tienen los siguientes
inconvenientes:
Todavía hay un alto grado de inconsistencia y ambigüedad cuando se aplican estos
esquemas, debido a que las posibles combinaciones de relaciones son incompletas y
a las dudas sobre la validez de la definición de los rangos de las relaciones.
Estos esquemas todavía no pueden detectar con alta confianza múltiples fallas que se
producen simultáneamente en el transformador.
Estos esquemas no son capaces de detectar fallas nuevas o desconocidas, debido a la
falta de conocimiento experto en las mismas.
En consecuencia, se han hecho intentos para utilizar aplicaciones de Inteligencia Artificial
(IA) para hacer frente a estos inconvenientes.
Hay dos categorías principales del enfoque de la IA. La primera categoría depende de los
regímenes convencionales para su desarrollo, pero el carácter incompleto de los esquemas
convencionales es solucionado aplicando técnicas inteligentes. La segunda categoría intenta
aprender la correlación inherente entre las fallas del transformador y sus correspondientes
datos del AGD. [10]
En el desarrollo de este trabajo se utilizó la técnica del Análisis de Gases Disueltos en el
aceite para obtener los datos en partes por millón (ppm) de concentración de gases de falla
de varios transformadores de potencias, las muestras fueron tomadas de artículos científicos
publicados desde el 2002 hasta el 2015 los cuales exponen las fallas detectadas y los métodos
que se utilizaron para aproximarla. En el capítulo 4 se detallan los datos tomados para esta
investigación.
2.1.6
Métodos para interpretar los gases de falla.
Desde 1970 se ha venido trabajando en métodos que interpretan las muestras de gases para
diferenciar entre fallas de origen térmico o eléctrico (descargas de alta o baja energía), a
continuación, en la figura 2 se muestra un diagrama conceptual de la aplicabilidad del AGD
y los métodos convencionales de interpretación, en la tabla 3 se plasman los trabajos más
19
Figura 2. Diagrama conceptual de la aplicabilidad del AGD.
Autor: J. SARRIA – N. GUERRERO – E. RIVAS Fuente: [4]
En el desarrollo de este trabajo, se tomó en cuanta para el análisis de los resultados los
métodos convencionales de Rogers y Dornenburg, debido que los métodos de Duval y de
Gases Claves están por debajo de los métodos mencionados, es decir el grado de asertividad
es inferior, según lo concluido en la publicación de la revista Facultad de Ingeniería en enero
2014 de la Universidad Nacional de Caldas titulada: “Estado del arte del análisis de gases
disueltos en transformadores de potencia”.
A continuación en la tabla 3 se muestra como ha avanzado el desarrollo de las técnicas de
interpretación de gases disueltos en el aceite para el diagnóstico de fallas en los
transformadores de potencia.
Tabla 3. Trabajos más representativos referentes al AGD reportados.
Autores y Año Aspectos relevantes
Michael Duval 2002
Simula averías en el laboratorio de AGD y presenta los resultados en forma gráfica. [13]
Sayed A. Ward 2003
Implementa AGD como herramienta de diagnóstico para evaluar la condición de transformadores en
Reporta datos experimentales de los efectos del arco en el gas disuelto en el transformador. [16]
Michael Duval 2008
20
Diseñan una aplicación detallada de la técnica de Duval para los investigadores y empresas de servicios públicos interesados en la visualización de sus propios resultados del AGD con un programa de software. [18]
E. A. Mackenzie, J. Crossey, A. de Pablo, W. Ferguson
2010
Muestra como el AGD puede ser utilizado para monitoreo en línea detectando un 70% de las averías más comunes en transformadores de potencia.
Mohammad Golkhah, Sahar Shamshirgar Saffar y Mohammad Ali Vahidi
2011
Realizan la interpretación de diagnósticos de averías en transformadores de potencia con base en redes neuronales artificiales (RNA). [19]
Huo-Ching Sun, Yann-Chang Huang, Chao-Ming Huang
2012
Analiza y compara las siete técnicas de análisis de datos de gases disueltos más comunes (Gas Key, Dornenburg, Rogers, ábaco, CEI, Duval y CIGRE) para interpretar el tipo de avería. [20]
Autor: J. SARRIA – N. GUERRERO – E. RIVAS Fuente: [4]
2.1.6.1 Método del gas más importante.
El estudio del método del gas más importante inicio en los laboratorios de la compañía Doble
Engineering y fue resumido por primera vez en 1973 y oficialmente propuesto en la
Cuadragésima primera conferencia internacional anual de clientes da la compañía Doble en
el año 1974 por David Pugh. [21]
El método del gas más importante, identifica el gas que se encuentra en mayor proporción
para cada tipo de falla y utiliza el porcentaje de éste gas para diagnosticar la falla. Interpreta
los resultados del DGA basándose en un conjunto de hechos. Por ejemplo, una descarga
parcial de baja intensidad (PD) o corona produce principalmente hidrógeno (H2) con algunos
rastros de gases de hidrocarburos, entonces el gas más importante para una falla de tipo
corona es el H2, siempre y cuando se detecte grandes porcentajes de H2 en la muestra de
aceite. En la tabla 4 se resume este método.
Tabla 4. Gas más importante de acuerdo al tipo de falla.
21
En 1978, Rogers observa que la concentración de cada gas varía con la temperatura de la
avería, e introduce una nueva relación entre las concentraciones de los gases (Etileno y
Acetileno) que requieren una temperatura más elevada para generarse. Concluye que el etano
y el metano no ayudan en la identificación de la avería, y, por ende, las elimina de las
relaciones para esta técnica. [4] En la tabla 5 y 6 se resume el método de Rogers:
Tabla 5. Relaciones y rangos de valores utilizados en el método de Rogers.
Relación Rango Código
Tabla 6. Diagnostico según el método de Rogers. Código
0 0 1 0 Sobrecalentamiento general de los conductores
22
1 0 2 0 Sobrecalentamiento por circulación de corriente en núcleo y tanque
0 0 0 1 Descarga disruptiva
0 0 1-2 1-2 Arco
0 0 2 2 Chisporroteo continuo
5 0 0 1-2 Descargas parciales
Autor: J. CADENA Fuente: [10] 2.1.6.3 Método de Dornenburg.
En 1970, Dornenburg propone una técnica para diferenciar el origen térmico o eléctrico de
las averías; esta se basa en cuatro relaciones entre concentraciones de gases. Esta técnica se
puede aplicar solo si existe una cantidad adecuada de gases disueltos en el aceite, lo que es
una desventaja, dado que las relaciones que se obtuvieron en una de los análisis no se ajustan
a la interpretación del origen de la avería. [4] En la tabla 5, se presentan los valores de las
relaciones definidas por Dornenburg de acuerdo al tipo de falla, con R1 = CH4/H2, R2 =
C2H2/C2H4, R3 = C2H6/C2H2, R4 = C2H2/CH4.
Tabla 7. Relación de concentración de gases según Dornenburg.
Tipo de falla Relación
R1 R2 R3 R4
Descomposición térmica
(punto caliente) > 1,0 < 0,75 > 0,4 < 0,3
Descargas eléctricas > 0,1 y < 1,0 > 0,75 < 0,4 > 0,3
Corona < 0,1 no relevante > 0,4 < 0,3
Autor: J. CADENA Fuente: [10] 2.1.6.4 Método de Duval.
En 1974, M. Duval [13] utiliza tres de los seis gases empleados por Dornenburg para
clasificar averías en transformadores, y concluye que el hidrogeno se difunde más rápido en
el metal que los otros gases hidrocarburos, distorsionando el diagnostico. [4]
En el 2002, Duval [17] interpreta los resultados del AGD en una forma gráfica y utiliza
modelos de laboratorio para simular averías tomando como muestra ciento setenta y nueve
casos reales (con el transformador en servicio), identificados por inspección visual, y
diecinueve casos simulados en laboratorio. [4]
Para la interpretación gráfica, Duval utiliza un triángulo equilátero compuesto por 3 vértices
(%CH4, %C2H4 y %C2H2). Esta técnica (Ecuación 1) propone un sistema de
23
Ecuación 1. Método de Duval del triángulo equilátero.
%𝐶𝐻4 = 100 𝑋 𝑋+𝑌+𝑍
%𝐶2𝐻4 = 100 𝑌
𝑋+𝑌+𝑍
%𝐶2𝐻2 = 100 𝑍 𝑋+𝑌+𝑍
Siendo X concentración en ppm de C2H4, Y concentración en ppm de C2H4 y Z
concentración en ppm de C2H2. Por ejemplo, en la figura 3 se ilustra la forma de detectar
una avería en el transformador. Las concentraciones C2H2, C2H4 y CH4 son los ejes
coordenados del triángulo equilátero, donde se ha tomado X = Xp = 60ppm, Y = Yp = 30ppm
y Z = Zp = 10ppm. Se traza para Xp una recta paralela a BC; para Yp, una recta paralela a
CA, y para Zp, una recta paralela a AB, siendo la intersección de estas rectas el punto de
ubicación de la avería.
De acuerdo al triángulo de Duval (Fig.3), en la tabla 8 se establecen los valores limites en
ppm de los gases combustibles presentes en cada tipo de avería.
Figura 3. Ubicación de avería en el triángulo de Duval.
Autor: J. SARRIA – N. GUERRERO – E. RIVAS Fuente: [4]
El método del triángulo de Duval es uno de los últimos métodos convencionales para
interpretar los resultados del AGD que está por debajo del nivel de asertividad respecto a los
24
Tabla 8. Diagnóstico de tipos de avería del triángulo de Duval.
Averías Valores límites de gases
combustibles en porcentaje
PD Descargas parciales CH4 = 98
D1 Descarga de baja energía C2H4 = 23; C2H2 = 13
D2 Descarga de alta energía C2H4 = 23-40; C2H2 = 13-29
T1 Averías térmicas a 300<Tº CH4 = 98; C2H4 = 20; C2H2 = 4 T2 Averías térmicas a 300<Tº<700ºC C2H4 = 20; C2H4 = 50; C2H2 = 4 T3 Averías térmicas a TºC>700ºC C2H4 = 50; C2H2 = 15
DT Mezcla de averías térmicas y eléctricas C2H4 = 13-4-29-15; C2H4 = 40-50 Autor: J. SARRIA – N. GUERRERO – E. RIVAS.
Fuente: [4]
2.1.7
Métodos basados en técnicas inteligentes.
Con el objetivo de aumentar la confiabilidad y calidad del sistema de transmisión y por tanto
disminuir los costos y las pérdidas asociadas a la indisponibilidad de una unidad
transformadora, el problema de detección de fallas incipientes en transformadores de
potencia, ha venido siendo objeto de estudio durante muchos años. Es de vital importancia
en un sistema eléctrico identificar mediante mantenimiento predictivo, las posibles fallas que
se pueden presentar en estos equipos para adoptar a tiempo las respectivas acciones
correctivas.
En cuanto al problema estudiado, se han desarrollado diferentes proyectos de investigación
que tratan de dar solución a la detección de fallas incipientes en transformadores de potencia,
utilizando técnicas inteligentes, entre las cuales están:
Lógica difusa evolutiva.
Redes neuronales artificiales (RNA). Máquinas de soporte vectorial (SVM).
Dentro de este estudio, las RNA y las SVM son los métodos que más se ajustan a las
condiciones del problema, ya que ambos nos permiten clasificar conjuntos de datos pequeños
o grandes, y con un número de clase extenso.
2.1.7.1 Redes neuronales artificiales (RNA).
Basados en la eficiencia de los procesos llevados a cabo por el cerebro, e inspirados en su
funcionamiento, varios investigadores han desarrollado desde hace más de treinta años la
teoría de las redes neuronales artificiales (RNA), las cuales emulan el comportamiento de
25
basadas en ejemplos de comportamiento típico de patrones; estos sistemas no requieren que
la tarea a ejecutar se programe, ellos generalizan y aprenden de la experiencia. [22]
2.1.7.1.1 Conceptos básicos.
Los sistemas de cómputo tradicional procesan la información en forma secuencial. Las RNA
no ejecutan instrucciones, responden en paralelo a las entradas que se les presentan; el
resultado no se almacena en una posición de memoria, este es el estado de la red para el cual
se logra equilibrio. El conocimiento de una RNA no se almacena en instrucciones, el poder
de la red está en su topología y en los valores de las conexiones (pesos) entre neuronas.
2.1.7.1.2 Redes neuronales Perceptrón.
La red tipo perceptrón fue inventada por psicólogo Frank Rosenblat en el año 1957. Su
intención era ilustrar algunas propiedades fundamentales de los sistemas inteligentes en
general, sin entrar en mayores detalles con respecto a condiciones específicas y desconocidas
para organismos biológicos concretos.
Las redes neuronales multicapa perceptrón (MLP) son quizás las más populares para las
aplicaciones e reconocimiento de patrones.
Como ejemplo, en la figura 4 e muestra una MLP de dos capas ocultas, donde los círculos
representan neuronas, los rectángulos representan las entradas, y las flechas representan la
propagación hacia delante de la información.
Figura 4. Arquitectura de una MLP.
26
La red neuronal de la figura 4 es completamente conectada, con M entradas y N salidas. Los
pesos entre las capas no se muestran en la figura, pero se pueden representar como 𝑊𝑖𝑗 en la
ecuación 2 que relaciona la entrada y la salida de una neurona.
Ecuación 2. Pesos de entrada y salida de una RNA.
𝑌𝑗𝑙 = 𝑓{∑𝑝𝑖=0𝑤𝑖=0𝑙 𝑥𝑖𝑗𝑙 }
Donde l indica el número de capas (l>0), 𝑦𝑖(1) indica la salida de la 𝑗𝑡ℎ neurona en la 𝑙𝑡ℎ
capa, 𝑥𝑖𝑗(1) indica la 𝑖𝑡ℎ entrada de la neurona, y 𝑓{} la función de activación de la neurona.
El entrenamiento de una MLP por lo general utiliza el algoritmo back-propagation (BP), el
cual consiste en dos recorridos, el recorrido hacia adelante y hacia atrás. En el recorrido hacia
adelante los pesos de la red son fijados y la ecuación que relaciona la entrada y la salida, es
usada repetidamente para obtener la salida a través de todas las capas. Durante el recorrido
hacia atrás, todos los pesos son ajustados de acuerdo a las ecuaciones de corrección de error.
El entrenamiento termina cuando el error cuadrático individual y/o el error del sistema son
menores al valor establecido.
2.1.7.2 RNA para clasificación.
2.1.7.2.1 Redes neuronales de base Radial.
A diferencia de la disposición que se tiene en la función de activación que permite construir
modelos de entrenamiento mediante back-propagation, estas nuevas redes basadas en
funciones de base radial o RBF por sus siglas en inglés (radial basis function), construyen
sus modelos con funciones de activación que son diferente tanto en la capa oculta como la
de salida. Una red RBF como la presentada en la figura 5, está diseñada con neuronas en la
capa oculta activadas mediante funciones radiales de carácter no lineal con sus centros
gravitacionales propios y en la capa de salida mediante funciones lineales. [23]
A diferencia de las redes neuronales perceptor MLP (que se describirán en el trabajo de
investigación final), el modelo clásico de las redes RBF está construido con una arquitectura
27
Figura 5. Arquitectura de una RBF.
Autor: J. CADENA Fuente: [10]
La capa de entrada que sirve para los ejemplos o patrones de entrenamiento y prueba. La capa oculta completamente interconectada entre todos sus nodos con la capa de
entrada y activada a través de la función radial (gaussiana).
La capa de salida, también completamente interconectada a la capa oculta y activada
a través de una función lineal continúa.
El entrenamiento, a diferencia de la red usando Back-propagation, es solamente hacia
adelante. De este modo, la salida 𝑧 de una red RBF, en general, está influenciada por una
transformación no lineal originada en la capa oculta a través de la función radial y una lineal
en la capa de salida mediante la función lineal continua. [23]
La topología particular de una RBF tiene las siguientes características:
Los nodos ocultos contienen una función base radial, la cual tiene como parámetros
el centro y el ancho.
Existe un centro para cada función radial involucrada en la capa oculta. Regularmente
definen un vector de la misma dimensión del vector de entrada y hay normalmente
un centro diferente por cada nodo de la capa oculta.
Por otro lado, el ancho es el término empleado para identificar a la amplitud de la
campana de gauss originada por la función radial. Es decir, la desviación estándar de
