Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este estudio aborda la aplicación de la metodología Cross-Industry Standard Process for Data Mining (CRISP-DM) en el análisis de los gases disueltos en aceite de transformadores de potencia, siendo este un componente crítico en los sistemas eléctricos. La adopción de este método estructurado de seis fases permitió evaluar de forma integral la condición de las unidades de transformación del sistema eléctrico ecuatoriano a partir del análisis de datos de inversión y expansión del sector, así como del estudio de 1 099 perfiles DGA (Dissolved Gas Analysis) obtenidos de una población de 153 transformadores ubicados en las distintas regiones de Ecuador continental. Los hallazgos descritos en este trabajo tienen el potencial de mejorar significativamente las estrategias y políticas de inversión y mantenimiento. Además, se propone la adopción de técnicas de automatización en el proceso de clasificación DGA, utilizando modelos de aprendizaje supervisado para potenciar la confiabilidad y eficiencia del servicio público de energía. Los resultados sugieren que este enfoque no solo mejora el diagnóstico dentro de las actividades de mantenimiento, sino que también proporciona una base sólida para trazar una hoja de ruta hacia una gestión predictiva de los activos, lo que se traduce en una mejora sustancial de la confiabilidad del sistema eléctrico nacional.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aviso de Derechos de Autor
La Revista Técnica "energía" está bajo licencia internacional Creative Commons Reconocimiento-NoComercial 4.0.
Citas
Ministerio de Energía y Recursos Naturales no Renovables del Ecuador, “Plan Maestro de Electricidad”.
Agencia de Regulación y Control de Energía y Recursos Naturales No Renovables, “Estadística Anual y Multianual 2023 DEL SECTOR ELÉCTRICO ECUATORIANO”, Quito.
A. Freire, J. Astudillo, C. Quinatoa, y F. Arias, “Interpretación de Gases Disueltos en Aceite Dieléctrico Mediante Bosques Aleatorios Para la Detección de Anomalías en Transformadores de Potencia”, Revista Técnica “energía”, vol. 19, no 2, pp. 90–98, ene. 2023, doi: 10.37116/revistaenergia. v19.n2.2023.544.
W. H. Tang y Q. H. Wu, “Condition Monitoring and Assessment of Power Transformers Using Computational Intelligence”, Power Systems, vol. 58, 2011, doi: 10.1007/978-0-85729-052-6.
X. Z. Wang, M. Z. Lu, y J. B. Huo, “Fault diagnosis of power transformer based on large margin learning classifier”, en Proceedings of the 2006 International Conference on Machine Learning and Cybernetics, 2006, pp. 2886–2891. doi: 10.1109/ICMLC.2006.259075.
T. Liu y Z. Wang, “Design of power transformer fault diagnosis model based on support vector machine”, en 2009 International Symposium on Intelligent Ubiquitous Computing and Education, IUCE 2009, 2009, pp. 137–140. doi: 10.1109/IUCE.2009.59.
R. J. Fiallos, “Dissolved gas content forecasting in power transformers based on Least Square Support Vector Machine (LSSVM)”, Latin American Journal of Computing, vol. IV, no 3, pp. 55–60, 2017.
A. K. Oktavius, S. R. Manalu, Sasmoko, Y. Indrianti, y J. V. Moniaga, “Artificial Intelligence in Entrepreneurial Mindfulness Using CRISP-DM Method”, en Proceedings of the 2022 IEEE 7th International Conference on Information Technology and Digital Applications, ICITDA 2022, Institute of Electrical and Electronics Engineers Inc., 2022. doi: 10.1109/ICITDA55840.2022.9971384.
Institute of Electrical and Electronics Engineers. y Institute of Electrical and Electronics Engineers. Columbia Section., Incorporation of both Pre-conceptual Schemas and Goal Diagrams in CRISP-DM, 2011.
M. T. Hayat Suhendar y Y. Widyani, “Machine Learning Application Development Guidelines Using CRISP-DM and Scrum Concept”, en Proceedings of 2023 IEEE International Conference on Data and Software Engineering, ICoDSE 2023, Institute of Electrical and Electronics Engineers Inc., 2023, pp. 168–173. doi: 10.1109/ICoDSE59534.2023.10291438.
S. Maataoui, G. Bencheikh, y G. Bencheikh, “Predictive Maintenance in the Industrial Sector: A CRISP-DM Approach for Developing Accurate Machine Failure Prediction Models”, en 2023 5th International Conference on Advances in Computational Tools for Engineering Applications, ACTEA 2023, Institute of Electrical and Electronics Engineers Inc., 2023, pp. 223–227. doi: 10.1109/ACTEA58025.2023.10193983.
J. Salcedo y K. (Consultant) McCormick, IBM SPSS modeler essentials: effective techniques for building powerful data mining and predictive analytics solutions. Packt Publishing, 2017.
M. Duval, “Dissolved gas analysis: It can save your transformer”, IEEE Electrical Insulation Magazine, vol. 5, no 6, pp. 22–27, nov. 1989, doi: 10.1109/57.44605.
JWG D1/A2.47, “Advances in DGA interpretation”, CIGRE Technical Brochure 771, no July, p. 15, 2013, doi: 10.1002/bapi.201390039.
IEEE Std C57.104, IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers,2019-06-13, vol. 2019. 2019.
INTERNATIONAL ELECTROTECHNICAL y COMMISSION, “Mineral oil-filled electrical equipment in service - Guidance on the interpretation of dissolved and free gases analysis”, IEC 60599, vol. 4, 2022.
C. W. G. D1.01/A2.11, “Recent developments on the interpretation of dissolved gas analysis in transformers”, CIGRE Brochure 296, vol. 296, no June, pp. 1–33, 2006.
IBM, “IBM SPSS Modeler CRISP-DM Guide”. [En línea]. Disponible en: https://www.ibm.com/docs/en/spss-modeler/18.0.0?topic=spss-modeler-crisp-dm-guide
T. Committee of the IEEE Power y E. Society, “IEEE Guide for Loading Mineral-Oil-Immersed Transformers and Step-Voltage Regulators Sponsored by the Transformers Committee”, 2012.
L. V. Ganyun, C. Haozhong, Z. Haibao, y D. Lixin, “Fault diagnosis of power transformer based on multi-layer SVM classifier”, Electric Power Systems Research, vol. 74, no 1, pp. 1–7, abr. 2005, doi: 10.1016/J.EPSR.2004.07.008.
