Interpretación de Gases Disueltos en Aceite Dieléctrico Mediante Bosques Aleatorios Para la Detección de Anomalías en Transformadores de Potencia

Contenido principal del artículo

Armando Freire
https://orcid.org/0000-0002-2447-3369
Juan Astudillo
Carlos Quinatoa
https://orcid.org/0000-0001-6369-7480
Fernando Arias

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.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
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", 19(2), PP. 90–98. https://doi.org/10.37116/revistaenergia.v19.n2.2023.544
Sección
TECNOLÓGICOS E INNOVACIÓN

Citas

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

IEC 60599, Mineral oil-filled electrical equipment in service –Guidance on the interpretation of dissolved and free gases analysis, 3rd ed. 2015.

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.com/scholar?hl=en&btnG=Search&q=intitle:IEEE+Guide+for+the+Interpretation+of+Gases+Generated+in+Oil-Immersed+Transformers#0

B. Vahidi and A. Teymouri, Quality Confirmation Tests for Power Transformer Insulation Systems. 2019. doi: 10.1007/978-3-030-19693-6.

I. Vasilev, D. Slater, G. Spacagna, P. Roelants, and V. Zocca, Python Deep Learning. 2019.

L. Igual and S. Seguí, Introduction to Data Science: A Python Approach to Concepts, Techniques and Applications. 2017.

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.

A. Pajankar and A. Joshi, Introduction to Machine Learning with Scikit-learn. 2022. doi: 10.1007/978-1-4842-7921-2_5.

L. E. O. Breiman, “Random Forests,” pp. 5–32, 2001.

Artículos más leídos del mismo autor/a

Artículos similares

1 2 3 4 > >> 

También puede {advancedSearchLink} para este artículo.