Interpretación de gases disueltos en aceite dieléctrico mediante redes neuronales para la detección de anomalías en transformadores de potencia de la subestación Novacero

Abstract

El siguiente documento presenta una herramienta de aprendizaje automático para la interpretación de gases disueltos en transformadores de potencia de la subestación Novacero, utilizando algoritmos de aplicación como redes neuronales y bosques aleatorios con lenguaje de programación Python. 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 el aprendizaje y diagnóstico de resultados de falla. El proceso de implementación del algoritmo se realiza con 128 datos de entrenamiento y 64 datos de prueba para la comprobación del aprendizaje propuesto. El resultado obtenido por el entrenamiento mediante el uso de aprendizaje automático se valida con los estados obtenidos por los datos de prueba e informes de AGD proporcionadas por la subestación, bajo la norma IEEE C57.104-2019 se analiza los resultados aplicando el método de triángulo de Duval mostrando cuatro diagnósticos de estado como la descarga de alta energía, descarga de baja energía, estado normal y sobrecalentamiento, obteniendo como resultado un criterio de validación final corroborativo y aplicativo para interpretar los gases disueltos en aceite dieléctrico.