Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano

Application of CRISP-DM Methodology in the Analysis of Dissolved Gases in Dielectric oil of Electrical Transformers in the Ecuadorian Electrical Sector

Publicado 2024-07-24


https://doi.org/10.37116/revistaenergia.v21.n1.2024.635
Abrir | Descargar
PDF FLIP HTML XML EPUB
Número
Vol. 21 Núm. 1 (2024): Revista Técnica "energía", Edición No. 21, ISSUE I
Sección
SISTEMAS ELÉCTRICOS DE POTENCIA
Cómo citar
Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano. (2024). Revista Técnica "energía", 21(1), PP. 12-21. https://doi.org/10.37116/revistaenergia.v21.n1.2024.635
DOI

https://doi.org/10.37116/revistaenergia.v21.n1.2024.635
Dimensions
PlumX

Cómo citar

Aplicación de la Metodología CRISP-DM en el Análisis de Gases Disueltos en Aceite Dieléctrico de Transformadores Eléctricos del Sector Eléctrico Ecuatoriano. (2024). Revista Técnica "energía", 21(1), PP. 12-21. https://doi.org/10.37116/revistaenergia.v21.n1.2024.635

Descargar cita

Licencia
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Carlos Molina
Pontificia Universidad Católica
https://orcid.org/0009-0009-2655-0813 ORCID
Vladimir Bonilla
Universidad Internacional del Ecuador
Perfil Google Scholar
https://orcid.org/0000-0001-6542-9666 ORCID
Mostrar biografía de los autores

Artículos similares

171-180 de 470

También puede Iniciar una búsqueda de similitud avanzada para este artículo.

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.

Visitas del artículo 1275 | Visitas PDF 371

Descargas

Los datos de descarga todavía no están disponibles.
  1. Ministerio de Energía y Recursos Naturales no Renovables del Ecuador, “Plan Maestro de Electricidad”.
  2. Agencia de Regulación y Control de Energía y Recursos Naturales No Renovables, “Estadística Anual y Multianual 2023 DEL SECTOR ELÉCTRICO ECUATORIANO”, Quito.
  3. 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.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 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.
  9. 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.
  10. 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.
  11. 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.
  12. J. Salcedo y K. (Consultant) McCormick, IBM SPSS modeler essentials: effective techniques for building powerful data mining and predictive analytics solutions. Packt Publishing, 2017.
  13. 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.
  14. JWG D1/A2.47, “Advances in DGA interpretation”, CIGRE Technical Brochure 771, no July, p. 15, 2013, doi: 10.1002/bapi.201390039.
  15. IEEE Std C57.104, IEEE Guide for the Interpretation of Gases Generated in Oil-Immersed Transformers,2019-06-13, vol. 2019. 2019.
  16. 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.
  17. 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.
  18. 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
  19. 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.
  20. 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.
Periodicidad

Semestral: Publicaciones en enero y julio

Miembros Comité Editorial
UPS
EPN
Ministerio de Energía
CENACE
INGE
CELEC
ARC
ESPOL

Código QR

Sistema OJS 3.4.0.9