Artículo Académico/ Academic Article
Recibido: 25-10-2022, Aprobado tras revisión: 13-01-2023
Forma sugerida de citación: Freire, A.; Astudillo, J.; Quinatoa, C.; Arias, F. (2023). “Interpretación de Gases Disueltos en Aceite
Dieléctrico Mediante Bosques Aleatorios Para la Detección de Anomalías en Transformadores de Potencia”. Revista Técnica
“energía”. No. 19, Issue II, Pp. 90-98
ISSN On-line: 2602-8492 - ISSN Impreso: 1390-5074
Doi: https://doi.org/10.37116/revistaenergia.v19.n2.2023.544
© 2023 Operador Nacional de Electricidad, CENACE
Interpretation of Gases Dissolved in Dielectric Oil Using Random Forests for
the Detection of Anomalies in Power Transformers
Interpretación de Gases Disueltos en Aceite Dieléctrico Mediante Bosques
Aleatorios Para la Detección de Anomalías en Transformadores de Potencia
A.S. Freire1 J.C. Astudillo1 C.I. Quinatoa1 F.R. Arias1
1Universidad Técnica de Cotopaxi
E-mail: armando.freire2833@utc.edu.ec; juan.astudillo8708@utc.edu.ec;
carlos.quinatoa7864@utc.edu.ec; fernando.arias6251@utc.edu.ec
Abstract
The following paper presents a machine learning
tool for the interpretation of anomalies in power
transformers using the random forest method. Using
the results of gas chromatography tests on dielectric
oil from several published papers, the data set
delivered by the dissolved gas analysis (DGA) in
quantities of parts per million (ppm), the amount of
hydrocarbon gases such as hydrogen (H2), methane
(CH4), ethane (C2H6), ethylene (C2H4) and acetylene
(C2H2) that serve to diagnose the internal state of the
transformer is used. Due to the reduced number of
collected data, there is a disadvantage to apply
artificial neural networks, support vector machine,
among others that need large amounts of data for
each variable, but satisfactorily they are solved using
random forests, because this methodology classifies
better the data of smaller amount. The learning
obtained by training is validated with the states
obtained by the test data under IEC 60599 and IEEE
C57-104, which encompass 4 diagnostics such as
high energy discharge, low energy discharge, normal
state and overheating, resulting in a final
corroborative validation criterion for the algorithm
by comparing the diagnostic results with the random
forests.
Resumen
El siguiente documento presenta una herramienta de
aprendizaje automático para la interpretación de
anomalías en transformadores de potencia
utilizando el método de bosques aleatorios. Mediante
los resultados de ensayos de cromatografía de gases
en aceite dieléctrico de varios artículos publicados,
se utiliza el conjunto de datos entregados por el
análisis de gases disueltos (AGD) en cantidades de
partes por millón (ppm), la cantidad de gases de
hidrocarburos como el hidrógeno (H2), metano
(CH4), etano (C2H6), etileno (C2H4) y acetileno (C2H2)
que sirven para diagnosticar el estado interno del
transformador. Debido al número reducido de datos
recolectados, se presenta una desventaja para
aplicar redes neuronales artificiales, máquina de
soporte vectorial, entre otras que necesitan grandes
cantidades de datos para cada variable, pero
satisfactoriamente son resueltas usando bosques
aleatorios, debido a que esta metodología clasifica
mejor los datos de menor cantidad. El aprendizaje
obtenido por el entrenamiento se valida con los
estados obtenidos por los datos de prueba bajo la
norma IEC 60599 e IEEE C57-104, que engloban a 4
diagnósticos como la descarga de alta energía,
descarga de baja energía, estado normal y
sobrecalentamiento, obteniendo como resultado un
criterio de validación final corroborativo por el
algoritmo al comparar el diagnóstico de resultados
con el de bosques aleatorios.
Index terms Dissolved gas analysis, power
transformers, random forests, machine learning.
Palabras clave Análisis de gases disueltos,
transformadores de potencia, bosques aleatorios,
aprendizaje automático.
90
Edición No. 19, Issue II, Enero 2023
1. INTRODUCCIÓN
El transformador de potencia es el activo más caro de
una subestación [1], siempre debe mantenerse en óptimas
condiciones para que la red eléctrica sea fiable y
eficiente. Las fallas en transformadores de potencia
causan daños importantes, provocando paras del servicio
eléctrico. El análisis de gases disueltos (AGD) se utiliza
para la interpretación de fallas incipientes en aceite
dieléctrico [2], además de otra prueba como el análisis
físico químico como parte de un mantenimiento
preventivo. Si bien es cierto, el método de AGD es
utilizado por los expertos para determinar el tipo de falla
interna dentro del transformador, a veces se deben valer
por más muestras para garantizar un correcto resultado y
esto conlleva a tiempo e inversión económica, aun así,
sigue la interrogante si los datos recolectados
corresponden a la falla exacta del transformador.
El uso del aprendizaje automático para la detección
de fallas en transformadores ya se han venido realizado
con poco éxito debido a la cantidad reducida de datos
analizados por medio de la implementación de redes
neuronales artificiales (RNA), máquina de soporte
vectorial (SVM), lógica difusa, entre otros [3], [4], [5],
[6], [7], los artículos citados fueron tomados para la
implementación de clasificadores de bosques aleatorios
debido a que la presente metodología funciona de mejor
manera clasificando pocos datos.
El presente trabajo muestra una corroboración de
diagnóstico a los resultados de pruebas AGD aplicados a
diferentes transformadores de potencia sumergidos en
aceite mineral, resultados en base a artículos científicos e
investigaciones publicadas que sirven de comparación
frente a la propuesta de uso de aprendizaje automático
con bosques aleatorios para determinar las fallas internas
en transformadores de potencia.
El siguiente documento se distribuye de la siguiente
manera: La teoría utilizada para esta investigación se
contempla en la sección 2, el modelo utilizado para este
trabajo en la sección 3, la implementación del algoritmo
utilizado para el entrenamiento en la sección 4, el análisis
de resultados en la sección 5 y por último las
conclusiones previstas en la sección 6.
2. MÉTODO DE DIAGNÓSTICO
Los gases combustibles relacionados con las fallas en
transformadores se deben a la descomposición del aceite
mineral, generando moléculas de gas como el hidrógeno
(H2), el metano (CH4), el etano (C2H6), el etileno (C2H4)
y acetileno (C2H2) [8], el número de concentración de gas
se mide en partes por millón (ppm).
Los tres principales tipos de fallas de los
transformadores de potencia que pueden identificarse de
forma fiable mediante una inspección visual del equipo
después de que la falla se haya producido son las
descargas parciales, el sobrecalentamiento térmico y el
arco eléctrico [9].
Las descargas parciales y los arcos voltaicos se
refieren a fallas eléctricas y corresponden al deterioro del
aislamiento debido a la alta tensión eléctrica. Las fallas
térmicas se refieren al deterioro del sistema de
aislamiento como resultado de un aumento de la
temperatura anormal. Estas subidas se producen por el
sobrecalentamiento de los conductores, los
cortocircuitos, el sobrecalentamiento de devanados
debido a las corrientes de Foucault, conexiones sueltas y
una refrigeración insuficiente [10]. De acuerdo con la
norma IEC 60599 y IEEE C57-104, estos principales
tipos de fallas pueden clasificarse a su vez en 6 tipos de
fallas de transformadores, que se resumen en la Tabla 1.
Tabla 1: Clasificación de fallas según la norma IEC 60599 y IEEE
C57-104 [11] [12]
Acrónimos
Fallas
PD
Descarga parcial
D1
Descarga de baja energía
D2
Descarga de alta energía
T1
Falla térmica de baja temperatura
T < 300◦C
T2
Falla térmica de media temperatura
300◦C < T < 700◦C
T3
Falla térmica de alta temperatura
T > 700◦C
2.1. Métodos de Relación de Gases
Estos métodos son convenientes para la detección de
fallas en el transformador y pueden ser analizados por los
programas informáticos. Además, la concentración de un
gas puede ser muy pequeña. Por lo tanto, se puede utilizar
la relación de un gas con otro gas en lugar de la
concentración de un gas como la Tabla 2. Las desventajas
de estos métodos son que pueden no ser siempre
analíticos o, en algunos casos, los resultados son
inexactos.
Tabla 2: Resultados del análisis de un gran número de
transformadores sanos y averiados [13]
Gases
Menos de 4
años de
funcionamiento
(ppm)
Entre 4 y 10
años de
funcionamiento
(ppm)
Más de 10
años de
funcionamiento
(ppm)
H2
100-150
200-300
200-300
CH4
50-70
100-150
200-300
91
Freire et. al. / Interpretación de Gases Disueltos en Aceite Para la Detección de Anomalías en Transformadores de Potencia
30-50
100-130
800-1 000
100-150
150-200
200-400
20-30
36-50
106-150
200-300
400-500
600-700
3 000-3 500
4 000-5 000
9 000-12 000
2.1.1 Método Dürrenberg
Este método puede utilizarse para detectar tres tipos
principales de fallas, como el calentamiento, la corona de
baja intensidad, la descarga parcial y el arco. El método
utiliza cuatro relaciones de gas R1 (CH4/H2), R2 (C2H2/
C2H4), R3 (C2H2/CH4) y R4 (C2H6/C2H2). En primer
lugar, se determinan las concentraciones de los gases en
el aceite para ver si estos valores son superiores a los
límites L1 permitidos o no [12], (ver Tabla 3).
Tabla 3: Límites L1 Admisibles Para el Método de la Relación de
Dürrenberg [13]
Gases
Concentración L1 (ppm)
CO
350
CH4
120
H2
100
C2H6
65
C2H4
50
C2H2
35
Si la concentración mínima de uno de los gases H2,
CH4, C2H4 y C2H2 supera el doble de los valores límite
L1 y uno de los otros tres gases supera el L1, se considera
que el transformador tiene la avería [12]. Cada una de las
cuatro relaciones R1 (CH4/H2), R2 (C2H2/ C2H4), R3
(C2H2/CH4) y R4 (C2H6/C2H2) se comparan con los
valores indicados en la Tabla 4.
Tabla 4: Diagnóstico de Fallas por el Método de la Relación de
Dürrenberg [12]
Tipo de falla
𝑹𝟏(𝑪𝑯𝟒
𝑯𝟐)
𝑹𝟐(𝑪𝟐𝑯𝟐
𝑪𝟐𝑯𝟒)
𝑹𝟑(𝑪𝟐𝑯𝟐
𝑪𝑯𝟒)
𝑹𝟒(𝑪𝟐𝑯𝟔
𝑪𝟐𝑯𝟐)
Descomposición
térmica
<1
<0,75
<0,3
>0,4
Corona
<0,1
Insignificante
<0,3
>0,4
Arco
0,1<R1<1
>0,75
>0,3
<0,4
2.1.2 Relación de Rogers
Este método es en realidad el método mejorado de
Dürrenberg. Esta técnica tiene a menudo una precisión de
más del 80% en los gases solubles, se utilizan dos
relaciones de las cuatro relaciones introducidas por
Dürrenberg, incluyendo R1 (CH4/H2) y R2 (C2H2/C2H4)
con dos nuevas relaciones (C2H4/C2H6) y (C2H6/CH4). La
identificación de los fallas se realiza mediante los
códigos mostrados en la Tabla 5 [8].
Tabla 5: Códigos de Relación de Gases para el Método de relación
de Rogers [12]
Relación
de gases
Rango
Código
Rango
Código
(𝑪𝟐𝑯𝟔
𝑪𝑯𝟒)
<1
0
≥1,0
1
(𝑪𝟐𝑯𝟒
𝑪𝟐𝑯𝟔)
<1
0
≥1,0 ; <3,0
1
≥3,0
2
(𝑪𝟐𝑯𝟐
𝑪𝟐𝑯𝟒)
<0,5
0
>0,5 ; <3,0
1
≥3,0
2
(𝑪𝑯𝟒
𝑯𝟐)
≤0,1
5
>0,1 ; <1,0
0
≥1,0 ; <3,0
1
≥3,0
2
Utilizando los códigos de relación de gases
presentados en la Tabla 5, pueden identificarse doce tipos
de fallas diferentes de acuerdo con la Tabla 6 [11].
Tabla 6: Tipos de fallas Diferentes [11]
Tipo de falla
(𝑪𝑯𝟒
𝑯𝟐)
(𝑪𝟐𝑯𝟔
𝑪𝑯𝟒)
(𝑪𝟐𝑯𝟒
𝑪𝟐𝑯𝟔)
(𝑪𝟐𝑯𝟐
𝑪𝟐𝑯𝟒)
Descomposición
normal
0
0
0
0
Descarga parcial
5
0
0
0
Calentamiento leve
inferior a 150 °C
1-2
0
0
0
Calentamiento suave
(150-200 °C)
1-2
1
0
0
Calentamiento suave
(200-300 °C)
0
1
0
0
Calentamiento del
conductor
0
0
1
0
Corriente circulante
del bobinado
1
0
1
0
Corriente de
circulación del
tanque y del núcleo
1
0
2
0
Arco
0
0
0
1
Arco en plena carga
0
0
1-2
1-2
Continúa el arco
0
0
2
2
2.1.3 Método de relación IEC
Debido a que la relación (C2H6/ CH4) sólo muestra un
rango limitado de degradación del aceite, es limitado
[11]. Las tres relaciones de gas restantes tienen diferentes
rangos de temperatura en comparación con el método de
Rogers [11]. El código de la relación de gases se indica
en Tabla 7 y las fallas se dividen en 9 categorías
diferentes como se muestra en la Tabla 8.
Tabla 7: Códigos de Relación de Gases para el Método de
Relación IEC [11]
Relación de gases
Rango
Código
Rango
Código
<0,1
0
0,1 ≤ x < 3,0
1
92
Edición No. 19, Issue II, Enero 2023
(𝑪𝟐𝑯𝟐
𝑪𝟐𝑯𝟒)
≥3,0
2
(𝑪𝑯𝟒
𝑯𝟐)
<0,1
1
0,1 ≤ x < 1,0
0
≥1,0
2
(𝑪𝟐𝑯𝟒
𝑪𝟐𝑯𝟔)
<1,0
0
1,0 ≤ x < 3,0
1
≥3,0
2
En [11] se introducen otras dos relaciones de gas para
identificar las fallas específicas, se recomienda que el
valor (C2H2/H2) sea superior a 3 para detectar la
contaminación debida al funcionamiento del cambiador
de tomas. Del mismo modo, que la relación (O2/N2) es
inferior a 0,3, el fenómeno de calentamiento inusual u
oxidación del aceite es determinado.
Tabla 8: Clasificación de Averías Mediante los Códigos de
Relación de la IEC [11]
Tipo de falla
(𝑪𝟐𝑯𝟐
𝑪𝟐𝑯𝟔)
(𝑪𝑯𝟒
𝑯𝟐)
(𝑪𝟐𝑯𝟒
𝑪𝟐𝑯𝟔)
Erosión normal,
no hay falla
0
0
0
Descarga parcial
con baja energía
insignificante
1
0
Descarga parcial
con alta energía
1
1
0
Descarga de
alta energía
1-2
0
1-2
Descarga de
baja energía
1
0
2
Falla térmica
(T≤150 °C)
0
0
1
Falla térmica
(150 °C < T ≤ 300 °C)
0
2
0
Falla térmica
(300 °C < T ≤ 700 °C)
0
2
1
Falla térmica
(700 °C <T)
0
2
2
2.1.4 Método del triángulo de Duval
La tabla 9 corresponde a las categorías de fallas
dictadas por Duval, lo que significa que hay 6 tipos de
fallas en el triángulo de Duval y hay 7 tipos de fallas en
el triángulo de Duval modificado [13], este último es el
utilizado actualmente por las normativas IEC 60599 e
IEEE C57-104.
Tabla 9: Categorización de Fallas por el Triángulo de Duval [11]
Triángulo de Duval modificado
Triángulo de Duval
Tipo de falla
Código
de falla
Tipo de falla
Código
de
falla
Descarga parcial
PD
Arco de alta
energía
a
Arco de baja energía
D1
Arco de baja
energía
b
Arco de alta energía
D2
Corona
c
Combinación de fallas
eléctricas y térmicas
DT
Puntos calientes
(T <200 °C)
d
Fallas térmicas
(T < 300 °C)
T1
Puntos calientes
(200°C< T < 400 °C)
e
Fallas térmicas
(300 °C < T < 700 °C)
T2
Puntos calientes
(T> 400 °C)
f
Fallas térmicas
(700 °C < T)
T3
El triángulo de Duval utiliza los gases CH4, C2H4 y
C2H2 en los que sus generaciones corresponden a un
aumento de los niveles de energía en el transformador.
Los tres lados del triángulo se expresan en términos de
(x, y, z) que son, respectivamente, las concentraciones
relativas de CH4, C2H4 y C2H2 en porcentaje [13].
Suponiendo que A, B y C son las concentraciones
relativas de CH4, C2H4 y C2H2 en términos de ppm
respectivamente, entonces x, y y z son como se menciona
a continuación:
𝒙 = 𝟏𝟎𝟎∗𝑨
𝑨+𝑩+𝑪 (1)
𝒚 = 𝟏𝟎𝟎∗𝑩
𝑨+𝑩+𝑪 (2)
𝒛 = 𝟏𝟎𝟎∗𝑪
𝑨+𝑩+𝑪 (3)
Hay que tener en cuenta que x, y y z están en el rango
de 0-100% y las coordenadas con (x0, y0, z0), sólo
especifican un punto dentro del triángulo. El tipo de falla
también está determinado por la zona en la que se
encuentra el punto (x0, y0, z0) [13].
Es importante señalar que la mayor parte del aceite
mineral utilizado en los transformadores no produce
ninguna cantidad medible de gases a temperaturas
inferiores a 300 °C [1], sin embargo, algunos aceites
minerales producen H2 y CH4 a una temperatura muy baja
(100 °C) al principio de su vida útil, este hecho se
produce en el primer año de servicio del transformador y
es un proceso irreversible. La concentración de estos dos
gases alcanza un nivel constante después de un tiempo de
trabajo del transformador. Los valores de estos dos gases
para el aceite deben ser considerados con el fin de evitar
las interpretaciones erróneas de los resultados.
93
Freire et. al. / Interpretación de Gases Disueltos en Aceite Para la Detección de Anomalías en Transformadores de Potencia
3. APRENDIZAJE AUTOMÁTICO
El aprendizaje automático consiste en codificar
programas que ajustan automáticamente su rendimiento
en función de su exposición a la información de los datos.
Este aprendizaje se consigue mediante un modelo
parametrizado con parámetros ajustables
automáticamente en función de diferentes criterios de
rendimiento. Las técnicas de aprendizaje automático
pueden dividirse, a grandes rasgos, en dos grandes clases,
aunque a menudo se añade una más [14]. Estas son las
clases:
Aprendizaje supervisado
Aprendizaje no supervisado
Aprendizaje por refuerzo
3.1. Aprendizaje Supervisado
Algoritmos que aprenden a partir de un conjunto de
ejemplos etiquetados para generalizar al conjunto de
todas las entradas posibles. Ejemplos de técnicas de
aprendizaje supervisado: regresión logística, máquinas
de vectores de apoyo, árboles de decisión, bosques
aleatorios, etc. [15].
3.1.1 Bosques aleatorios
Los bosques aleatorios es un algoritmo de aprendizaje
automático muy preciso, mucho más robusto que los
árboles de decisión y capaz de modelar enormes espacios
de características [16].
Figura 1: Límites de Decisión Encontrados por Cinco Árboles de
Decisión Aleatorios y el Límite de Decisión Obtenida al Promediar
sus Probabilidades Predichas. Fuente: [17]
En la Fig. 1 se visualiza el proceso de aleatoriedad
compuesto por cinco árboles a un conjunto de datos, se
puede ver claramente que los límites de decisión
aprendidos por los árboles son bastante diferentes, cada
uno de ellos comete algunos errores, ya que algunos de
los puntos de entrenamiento que aparecen aquí no se
incluyeron realmente en los conjuntos de entrenamiento
de los árboles, debido al muestreo bootstrap que realiza
el algoritmo.
El bosque aleatorio se ajusta menos que cualquiera de
los árboles por separado, al encontrar más rápido la
clasificación de cada muestra tomada y proporciona un
límite de decisión mucho más intuitivo al resultado final.
4. APLICACIÓN DE BOSQUE ALEATORIO AL
AGD
Para la aplicación de algoritmos de bosques aleatorios
en el análisis de gases disueltos en aceite dieléctrico se
designa 4 estados de diagnóstico como se observa en la
Tabla 10. Tabla 10: Diagnóstico de Resultados AGD
ESTADO
DESIGNACIÓN
Descarga
Alta Energía
1
Descarga
Baja Energía
2
Estado
Normal
3
Sobrecalentamiento
4
Trabajar con datos numéricos resulta más fácil para el
algoritmo, por tal motivo se designa para este trabajo los
estados de la Tabla 10 como números del 1 al 4, que se
interpreta como el resultado de diagnóstico de AGD.
4.1. Análisis de Datos
Para el entrenamiento del algoritmo se realiza la
recolección de datos de pruebas de AGD realizados a
varios transformadores mediante bibliografía recolectada
para esta investigación, obteniendo 128 datos para el
entrenamiento [3], [4], [5], [6], (ver Fig. 2) y 64 datos de
prueba [7], [3], (ver Fig. 3) con 5 principales gases a
evaluar para garantizar el aprendizaje del algoritmo
mediante la aplicación de bosques aleatorios.
Figura 2: Distribución de Datos de Entrenamiento Mediante
Diagramas de Caja
Figura 3: Distribución de Datos de Prueba Mediante Diagramas
de Caja
94
Edición No. 19, Issue II, Enero 2023
En la Tabla 11 se observa la distribución de datos
recolectados para su entrenamiento y prueba, con la
cantidad de gases por cada estado de diagnóstico
analizado.
Tabla 11: Distribución de Datos por Categorías de Entrenamiento
DIAGNÓSTICO
H2
CH4
C2H6
C2H4
C2H2
Datos de
entrenamiento
Descarga
Alta Energía
39
39
39
39
39
Descarga
Baja Energía
18
18
18
18
18
Estado
Normal
9
9
9
9
9
Sobrecalentamiento
62
62
62
62
62
Datos de
prueba
Descarga
Alta Energía
10
10
10
10
10
Descarga
Baja Energía
13
13
13
13
13
Estado
Normal
10
10
10
10
10
Sobrecalentamiento
31
31
31
31
31
La categoría 4 (Sobrecalentamiento) es la
mayoritaria, seguida por la categoría 1 (Descarga de alta
energía). Las categorías con menos datos (de
entrenamiento y prueba) son las categorías 3 y 2
respectivamente.
Tabla 12: Análisis Exploratorio de Datos de Categorías de
Entrenamiento
H2
CH4
C2H6
C2H4
C2H2
DIAGNÓS
TICO
Conteo
128,00
128,00
128,00
128,00
128
Media
526,27
1 496,65
848,54
1 647,41
2,73
Desviación
estándar
1 836,46
9 876,91
7 442,85
8 542,81
1,34
Mínimo
0,00
0,15
0,00
0,00
1
25%
15,68
7,18
3,37
5,16
1
50%
106,00
71,00
28,85
77,50
3
75%
275,50
335,50
88,50
637,00
4
Máximo
17 000,00
110 000,00
84 000,00
89 000,00
4
Al analizar los datos de entrenamiento (ver Tabla 12)
la desviación estándar para cada una de las características
se observan valores altos con respecto a su valor
promedio, lo que indica que cada característica no se
encuentra concentrada en un rango específico sino más
bien distribuida en un amplio rango de valores. De
manera que es más viable el uso de modelos tipo bosques
aleatorios.
En la Fig. 4 se presenta la matriz de correlación de los
5 tipos de gases analizados.
Figura 4: Matriz de Correlación de Datos de Entrenamiento
(Mapa de calor)
Al realizar un análisis de correlación entre las
características se encuentra que hay una alta correlación
(cercana a 1) entre los pares de características CH4 –
C2H6, CH4 – C2H4 y C2H4 - C2H6. Esto indica que
probablemente no todas las características resultarán
igualmente relevantes al momento de elegir la categoría
a la que pertenece cada dato.
5. ANÁLISIS DE RESULTADOS
Teniendo en cuenta el tamaño limitado del set de
entrenamiento, se optó por usar el enfoque de validación
cruzada para la selección del modelo y evaluación. El
modelo se realiza mediante un proceso sistemático de
selección de hiperparámetros que arrojan el mejor
desempeño posible (recall) para cada categoría
evaluando el desempeño de clasificación comparando el
valor verdadero y el valor predicho. En la Fig. 5 se
muestra la matriz de confusión de datos de
entrenamiento.
Figura 5: Matriz de Confusión de Datos de Entrenamiento
Para el modelo de bosque aleatorio se realizó un
análisis de importancia de features que permite
determinar aquellas características que resultan más
relevantes al momento de la clasificación (ver Fig. 6).
95
Freire et. al. / Interpretación de Gases Disueltos en Aceite Para la Detección de Anomalías en Transformadores de Potencia
Figura 6: Matriz de Confusión de Datos de Validación de
Resultados
Los resultados de recall alcanzados por el algoritmo
de entrenamiento frente a los datos de prueba se obtiene
el siguiente desempeño de asertividad (ver Tabla 13).
Tabla 13: Resultados de Validación por Categorías
Recall categoría 1:
100,00%
Recall categoría 2:
76,90%
Recall categoría 3:
60,00%
Recall categoría 4:
96,80%
Una vez completado el entrenamiento se realiza la
validación de prueba con las 64 muestras de AGD con el
respectivo diagnóstico de falla aplicando el algoritmo de
bosques aleatorios (ver Fig. 7).
Figura 7: Resultados de Entrenamiento Mediante la Validación de
Datos de Prueba y Aplicación de Bosques Aleatorios
6. CONCLUSIONES Y RECOMENDACIONES
Se usa el algoritmo de bosques aleatorios debido a
que tiene un mayor desempeño al trabajar con pocos
datos de entrenamiento 128 datos y 64 datos de prueba,
el resultado obtenido de recall en cada categoría es un
100% en entrenamiento para los 4 estados, mediante la
validación de prueba se obtiene un 100% para el
diagnóstico de descarga de alta energía, 77% para
descarga de baja energía, 60% para estado normal y un
97% para el estado de sobrecalentamiento. Obteniendo
78 resultados acertados y 8 datos incorrectos en su
validación.
El modelo de bosque aleatorio es el más adecuado
para realizar la clasificación con los sets de datos
proporcionados, sin embargo, se debe tener en cuenta que
el modelo tiene algo de overfitting, debido a que tiene un
mejor desempeño con el set de entrenamiento que con el
de prueba. Esto es de esperar dado al reducido número de
datos de entrenamiento disponibles no permite un mejor
desempeño del algoritmo. De igual forma se debe tener
en cuenta que por contar con un set desbalanceado, se
obtuvieron mejores desempeños para las categorías 1 y 4
y que el desempeño disminuye para las categorías
minoritarias (2 y 3).
A futuro se sugiere recolectar más datos de
entrenamiento y prueba, lo que redundará probablemente
en un mejor desempeño del modelo, el algoritmo permite
predecir un diagnóstico de falla mediante las pruebas de
análisis de gases disueltos en transformadores de aceite
dieléctrico, método diferente a los presentados en la
sección 2 que generalmente se utilizan, el objetivo de este
trabajo es corroborar los resultados mediante la
aplicación de aprendizaje automático con el uso de
bosques aleatorios.
REFERENCIAS BIBLIOGRÁFICAS
[1] A. Naderian, S. Cress, R. Piercy, F. Wang, and J.
Service, “An approach to determine the health index
of power transformers,” Conf. Rec. IEEE Int. Symp.
Electr. Insul., pp. 192–196, 2008, doi:
10.1109/ELINSL.2008.4570308.
[2] A. D. Ashkezari, H. Ma, T. Saha, and C. Ekanayake,
“Application of fuzzy support vector machine for
determining the health index of the insulation system
of in-service power transformers,” IEEE Trans.
Dielectr. Electr. Insul., vol. 20, no. 3, pp. 965–973,
2013, doi: 10.1109/TDEI.2013.6518966.
[3] G. Lv, H. Cheng, H. Zhai, and L. Dong, “Fault
diagnosis of power transformer based on multi-layer
SVM classifier,” Electr. Power Syst. Res., vol. 75,
no. 1, pp. 9–15, 2005, doi:
10.1016/j.epsr.2004.07.013.
[4] D. V. S. S. S. Sarma and G. N. S. Kalyani, “ANN
approach for condition monitoring of power
transformers using DGA,” IEEE Reg. 10 Annu. Int.
Conf. Proceedings/TENCON, vol. C, pp. 444–447,
2004, doi: 10.1109/tencon.2004.1414803.
[5] C. P. Hung and M. H. Wang, “Diagnosis of incipient
faults in power transformers using CMAC neural
network approach,” Electr. Power Syst. Res., vol.
71, no. 3, pp. 235–244, 2004, doi:
10.1016/j.epsr.2004.01.019.
[6] K. Shrivastava and A. Choubey, “A novel
association rule mining with IEC ratio based
dissolved gas analysis for fault diagnosis of power
transformers,” Int. J. Adv. Comput. Res., vol. 2, no.
2, 2012.
96
Edición No. 19, Issue II, Enero 2023
[7] S. S. M. Ghoneim and I. B. Taha, “Artificial Neural
Networks for Power Transformers Fault Diagnosis
Based on IEC Code Using Dissolved Gas Analysis,”
Int. J. Control. Autom. Syst., vol. 4, no. 2, pp. 18–
21, 2015.
[8] S. Chakravorti, D. Dey, and B. Chatterjee, Recent
Trends in the Condition Monitoring of
Transformers: Theory, Implementation and
Analysis, vol. 67. 2013. doi: 10.1007/978-1-4471-
5550-8.
[9] M. Duval and A. DePablo, “Interpretation of gas-in-
oil analysis using new IEC publication 60599 and
IEC TC 10 databases,” IEEE Electr. Insul. Mag., vol.
17, no. 2, pp. 31–41, 2001, doi: 10.1109/57.917529.
[10] U. Djillali, L. D. E. Sidi, B. E. L. Abbes, S.
Mohammed, and E. Amine, “Contributions des
techniques intelligentes au diagnostic industriel des
transformateurs de puissance,” 2019.
[11] IEC 60599, Mineral oil-filled electrical equipment in
service –Guidance on the interpretation of dissolved
and free gases analysis, 3rd ed. 2015.
[12] IEEE Std C57.104, IEEE Guide for the
Interpretation of Gases Generated in Oil-Immersed
Transformers, vol. 1991, no. 3. 1992. [Online].
Available:
http://ieeexplore.ieee.org/stampPDF/getPDF.jsp?tp
=&arnumber=29023%5Cnhttp://scholar.google.co
m/scholar?hl=en&btnG=Search&q=intitle:IEEE+G
uide+for+the+Interpretation+of+Gases+Generated+
in+Oil-Immersed+Transformers#0
[13] B. Vahidi and A. Teymouri, Quality Confirmation
Tests for Power Transformer Insulation Systems.
2019. doi: 10.1007/978-3-030-19693-6.
[14] I. Vasilev, D. Slater, G. Spacagna, P. Roelants, and
V. Zocca, Python Deep Learning. 2019.
[15] L. Igual and S. Seguí, Introduction to Data Science:
A Python Approach to Concepts, Techniques and
Applications. 2017.
[16] A. Prinzie and D. Van Den Poel, “Random
multiclass classification: generalizing random
forests to random MNL and random NB,” Lect.
Notes Comput. Sci. (including Subser. Lect. Notes
Artif. Intell. Lect. Notes Bioinformatics), vol. 4653
LNCS, pp. 349–358, 2007, doi: 10.1007/978-3-540-
74469-6_35.
[17] A. Pajankar and A. Joshi, Introduction to Machine
Learning with Scikit-learn. 2022. doi: 10.1007/978-
1-4842-7921-2_5.
[18] L. E. O. Breiman, “Random Forests,” pp. 5–32,
2001.
Armando Freire Freire.- Nació en
Latacunga, Ecuador en 1994. Curso
sus estudios secundarios en el
Instituto Tecnológico Ramón Barba
Naranjo. Recibió su título de
Ingeniero Eléctrico de la
Universidad Técnica de Cotopaxi
en 2020. Actualmente desempeña
el cargo de operador de la subestación eléctrica Novacero
planta Lasso y cursa sus estudios de cuarto nivel en la
Universidad Técnica de Cotopaxi en la carrera de
electricidad mención en sistemas eléctricos de potencia.
Sus campos de investigación están relacionados con las
energías renovables, calidad de energía, coordinación de
protecciones, mantenimiento y operación de equipos de
potencia.
Juan Astudillo Muñoz.- Nacido
en Ambato el 30 de noviembre de
1981, sus estudios secundarios los
realizó en el Instituto Superior
Tecnológico Docente Guayaquil,
obteniendo el título de Bachiller
Técnico en Electricidad, en el año
2000 ingresa a la Escuela
Politécnica Nacional para en el
2006 obtener el título de Ingeniero Eléctrico. Del 2013 al
2015 obtiene su título de cuarto nivel como Master en la
Administración de la Energía y sus fuentes renovables en
el Instituto Tecnológico y de Estudios Superiores de
Monterrey, México. Ha desempeñado varios cargos tanto
en la empresa privada como pública, como Coordinador
de Manejo Eléctrico en NOVACERO planta Lasso;
Operador del Centro de Control de Transmisión,
Ingeniero de Estudios Eléctricos, Supervisor de
Operación de la Zona Norte en CELEC EP-
TRANSELECTRIC, docente a tiempo parcial en las
facultades de Ingeniería Eléctrica de la Escuela
Politécnica Nacional, y de la Universidad Técnica de
Cotopaxi, y en la actualidad como CEO de ELECSATEC
CIA. LTDA.
Carlos Quinatoa Caiza.- Nació en
Tanicuchi, Ecuador en 1988.
Colegio. Gral. Marco Aurelio
Subía. Ingeniero en Sistemas
Eléctricos de Potencia de la
Universidad Técnica de Cotopaxi,
Master en Ciencias de la Ingeniería
Eléctrica de la Universidad
Tecnológica de Pereira y Aspirante
a Doctor en Ciencias de la Ingeniería Eléctrica de la
Universidad Central de Venezuela, estudios realizado
mediante la obtención de la beca Alemana DAAD,
miembro activo de la Instituto de Ingeniero Eléctrico y
Electrónicos IEEE, investigador junior de la IEEE,
consejero de la Rama Estudiantil IEEE-UTC,
coordinador de la Maestría en Electricidad Mención
97
Freire et. al. / Interpretación de Gases Disueltos en Aceite Para la Detección de Anomalías en Transformadores de Potencia
Sistemas Eléctricos de Potencia de la UTC, docente
investigador de ingeniería en electricidad y maestría en
electricidad de la UTC.
Fernando Arias Atiaja.- Nació el
02 de septiembre de 1980. Curso
los estudios tecnológicos en el
Instituto Tecnológico Superior
Ramón Barba Naranjo; Título de
Tecnólogo en Mantenimiento
Eléctrico y Control Industrial.
Recibió su título de Ingeniero
Eléctrico de la Universidad Técnica de Cotopaxi en 2021.
Sus campos de investigación están relacionados con
instrumentación, eficiencia energética y protección
ambiental.
98