Edición No. 21, Issue I, Julio 2024
1. INTRODUCCIÓN
En el período 2014 – 2023, los sistemas eléctricos de
potencia de Ecuador se han caracterizado por una notable
expansión, y con ello, la necesidad de incrementar su
capacidad de potencia de transformación en
subestaciones eléctricas y patios de elevación [1], [2].
Con esta expansión también se observó la introducción
de unidades de transformación provenientes de
fabricantes poco conocidos en la infraestructura del
sistema eléctrico ecuatoriano, en comparación con
equipos previamente establecidos, suscitando la
necesidad de realizar un análisis más profundo que
permitan verificar la calidad de manufactura y de los
materiales empleados durante su construcción. Frente a
esta situación y considerando la velocidad, volumen,
variedad, veracidad y valor de los datos obtenidos a partir
de la concentración de gases disueltos en el aceite
aislante para el diagnóstico de transformadores
eléctricos, son cada vez más crecientes los estudios que
apuntan a la adopción de tecnologías computacionales
como el Machine Learning para dar solución al
procesamiento de información. En este marco, varios
investigadores han demostrado de manera efectiva la
precisión y eficacia de modelos de clasificación
automática para la detección de la condición de
transformadores eléctricos, empleando algoritmos de
aprendizaje supervisado [3] - [7].
Con base en el estado del arte en relación con la
aplicación de técnicas de Machine Learning para el
diagnóstico en transformadores eléctricos, en [3] se
propone el uso del algoritmo de bosques aleatorios
(Random Forest) como alternativa al análisis de gases
disueltos (DGA). Este modelo previamente entrenado y
validado a partir de 128 muestras de aceite, es capaz de
clasificar cuatro categorías de diagnóstico distintas: con
un 100% para el diagnóstico de descarga de alta energía,
un 77% para descarga de baja energía, un 60% para
estado normal y un 97% para el estado de
sobrecalentamiento. En [4], se implementa una estrategia
de preprocesamiento basada en la técnica de bootstrap
con el propósito de mitigar el desequilibrio intrínseco de
las clases en el conjunto de datos, facilitando así una
evaluación más equilibrada de los modelos predictivos.
Posteriormente, se procede con la aplicación de
algoritmos de programación genética para identificar y
extraer las características más significativas. En la fase
final de este estudio, fueron entrenados y evaluados tres
distintos modelos de clasificación: Redes Neuronales
Artificiales (ANN), Máquinas de Vectores de Soporte
(SVM) y Vecinos más Cercanos (KNN). Por otro lado,
los estudios propuestos en [5], [6], que se distinguen por
alcanzar elevados índices de precisión en la detección y
clasificación de diagnósticos en transformadores
eléctricos, acusan sus resultados a la capacidad de los
algoritmos SVM para procesar datos dinámicos y no
lineales, dada la habilidad que tienen estos modelos para
ser entrenados utilizando hiperplanos de separación de
gran margen.
Sin embargo, a pesar de los progresos significativos
en la incorporación de técnicas de aprendizaje
automático para la evaluación del estado operativo de
transformadores eléctricos, se identifican limitaciones
críticas en la literatura, tales como la carencia de una
metodología investigativa específicamente delineada
para el análisis sistemático de datos, el sobreajuste de los
modelos, así como, la insuficiencia y la heterogeneidad
de los datos disponibles para el modelamiento y
validación. Este conjunto de condiciones resalta la
necesidad de un enfoque más estructurado y riguroso en
la investigación, que no solo aborde la diversificación y
representación de los datos para mejorar las métricas de
los modelos, sino que también establezca un marco
metodológico claro y específico para la exploración y
análisis de datos en el dominio de la ingeniería eléctrica
en el sector.
En este contexto, en el estado del arte en torno a la
ciencia de datos señala que la implementación de técnicas
de aprendizaje automático, sin la adhesión de
metodologías estructuradas como CRISP-DM (acrónimo
de Cross-Industry Standard Process for Data Mining),
restringe significativamente la eficacia del Machine
Learning en ofrecer análisis detallados y soluciones
dedicadas [8] - [12]. Bajo este enfoque, es posible no solo
mejorar la precisión y relevancia de los modelos de
clasificación, sino también facilitar el desarrollo de
estrategias innovadoras que puedan contribuir a la mejora
de procesos clave, como la automatización del
diagnóstico y planificación de tareas de mantenimiento.
Este estudio propone una metodología alineada con
los principios y avances de la cuarta revolución
industrial, aplicado al DGA, que se fundamenta en la
implementación de las seis etapas especificadas por la
metodología CRISP-DM, cuyo enfoque se centra en la
extracción de conocimientos significativos relacionados
con variables diagnósticas pertinentes a uno de los
componentes más críticos y de mayor valor económico
dentro de los sistemas eléctricos de potencia. Con esta
orientación no solo se aspira a mejorar la confiabilidad y
la vida útil de los transformadores eléctricos mediante un
mantenimiento predictivo más efectivo, sino también a
optimizar los recursos y la gestión de activos dentro de la
infraestructura eléctrica ecuatoriana, promoviendo así
una mayor eficiencia y sostenibilidad en el sector. En el
contexto de la actual situación energética en Ecuador,
este estudio propone estrategias orientadas a reformular
los criterios de adquisición de infraestructura eléctrica,
encaminadas a mejorar la rentabilidad a largo plazo de
las inversiones. Finalmente, este trabajo plantea la
adopción de sistemas de automatización en actividades
de diagnóstico, con el objeto de mejorar los tiempos de
respuesta en el análisis de resultados, acciones que
apuestan a mejorar las estrategias de mantenimiento y la
confiabilidad del servicio público de energía eléctrica.