Diagnóstico de fallas en transformadores de potencia usando modelos de redes Neuronales Perceptrón Multicapa

Resumen

Los transformadores de potencia constituyen uno de los componentes más onerosos e indispensables en la operación de los sistemas eléctricos. La evaluación de gases disueltos (DGA) facilita la identificación de concentraciones de gases disueltos presentes en el aceite aislante, vinculadas a fallos térmicos, descargas parciales y descargas de alta y baja energía. Estas correlaciones gaseosas facilitan la identificación del estado del transformador. En años recientes, la implementación de técnicas de Aprendizaje Automático, tales como las redes neuronales artificiales, ha experimentado un incremento en la predicción, diagnóstico y gestión de fallos, evidenciando un buen rendimiento para identificar anomalías y apoyar la toma de decisiones en el ámbito del mantenimiento. Este estudio implementó un modelo de Perceptrón Multicapa (MLP) de enfoque multietiqueta, en el que se consideran los diagnósticos de fallas en el transformador calculados mediante los métodos de Dornenburg, Rogers, triángulo de Duval y el método de gases recomendados por los estándares IEC e IEEE. Así se logra emplear los múltiples diagnósticos de fallas presentes en cada transformador disponibles por cada método. La validación del modelo se realizó mediante la implementación de la validación cruzada k-Fold, lo que resultó en un índice de coincidencia exacta del 90,95%, correspondiente a los casos en los que el modelo cumple con todas las etiquetas proporcionadas por cada método diagnóstico. La curva ROC, que presenta un área bajo la curva del 99%, y la curva Precisión-Exhaustividad, que presenta una precisión media del 99.3%, fueron desarrolladas gráficamente.