5 Técnicas de Diagnóstico de Fallas para Grandes Transformadores Eléctricos

Métodos de Diagnóstico de Fallas en Transformadores

1. Método de Relación para Análisis de Gases Disueltos

Para la mayoría de los transformadores de potencia sumergidos en aceite, ciertos gases combustibles se producen en el tanque del transformador bajo estrés térmico y eléctrico. Los gases combustibles disueltos en el aceite pueden utilizarse para determinar las características de descomposición térmica del sistema de aislamiento de aceite y papel del transformador basándose en su contenido específico de gases y sus relaciones. Esta tecnología se utilizó por primera vez para el diagnóstico de fallas en transformadores sumergidos en aceite. Posteriormente, Barraclough y otros propusieron un método de diagnóstico de fallas utilizando cuatro relaciones de gases: CH4/H2, C2H6/CH4, C2H4/C2H6 y C2H2/C2H4. En los estándares IEC posteriores, se eliminó la relación C2H6/CH4 y el método de tres relaciones modificado se adoptó ampliamente. Rogers proporcionó un análisis y explicación detallados de la codificación y métodos de uso de las relaciones de componentes de gas en los estándares IEEE e IEC. La aplicación a largo plazo de IEC 599 reveló que no coincide con las condiciones reales en algunos casos y no puede diagnosticar ciertos escenarios de falla. Como consecuencia, tanto China como la Asociación Eléctrica de Japón han realizado mejoras en la codificación IEC, mientras que otros métodos de análisis de gases disueltos también han ganado una amplia aplicación.

2. Método de Diagnóstico Lógico Difuso

El teórico de control estadounidense L.A. Zadeh propuso por primera vez los métodos de diagnóstico difuso, que desde entonces han ganado una aplicación más amplia. La lógica difusa es ventajosa para expresar conocimientos y experiencias cualitativas con límites poco claros. Utilizando el concepto de funciones de pertenencia, distingue conjuntos difusos, procesa relaciones difusas, simula el razonamiento basado en reglas humanas y resuelve diversos problemas de incertidumbre en aplicaciones prácticas. En la práctica, los transformadores a menudo presentan fallas con causas y mecanismos poco claros que involucran numerosas relaciones inciertas y difusas que los métodos tradicionales no pueden explicar o describir bien. Los métodos de lógica difusa pueden abordar eficazmente estas relaciones inciertas en las fallas de los transformadores, proporcionando un nuevo enfoque para el diagnóstico de fallas en transformadores de potencia.

Para abordar la limitación de la falta de criterios de relación crítica en el método de relación de Rogers comúnmente utilizado para el diagnóstico de fallas en transformadores de potencia, se ha propuesto un método que utiliza la teoría de conjuntos difusos. Este enfoque introduce la tecnología de lógica difusa en los métodos de relación tradicionales mediante la difuminación de los límites de las relaciones. Este método ha mostrado buenos resultados en la aplicación para el diagnóstico de múltiples fallas de transformadores y ha evolucionado en una serie de métodos de diagnóstico de fallas, incluyendo métodos de combinación de codificación, técnicas de agrupamiento difuso, redes de Petri y sistemas grises. Estos modelos consideran plenamente la difusidad inherente de los datos, mejorando eficazmente el rendimiento con conjuntos de datos complejos y aumentando la precisión del diagnóstico de fallas en transformadores.

3. Método de Diagnóstico de Sistemas Expertos

Los sistemas expertos representan una rama importante de la inteligencia artificial. Son sistemas de programas informáticos capaces de simular hasta cierto punto la experiencia y los procesos de razonamiento de expertos humanos. Basándose en los datos proporcionados por los usuarios, aplican el conocimiento o la experiencia de expertos almacenados para hacer inferencias y juicios, proporcionando finalmente conclusiones con niveles de confianza para ayudar en la toma de decisiones del usuario. El diagnóstico de fallas en transformadores de potencia es un problema extremadamente complejo que involucra múltiples factores.

Realizar juicios precisos basados en varios parámetros requiere sólidos fundamentos teóricos y rica experiencia en operación y mantenimiento. Además, debido a las variaciones en la capacidad del transformador, los niveles de voltaje y los entornos de operación, la misma falla puede manifestarse de manera diferente en diversos transformadores. Los sistemas expertos poseen una fuerte tolerancia a fallas y adaptabilidad, lo que les permite modificar su base de conocimientos según el conocimiento diagnóstico adquirido para garantizar su completitud. Por lo tanto, pueden diagnosticar eficazmente diferentes tipos de transformadores de potencia. Los sistemas expertos de diagnóstico de fallas en transformadores de potencia pueden determinar las características de las fallas al sintetizar el conocimiento de las causas y tipos de fallas, incorporando el conocimiento de detección de fallas, incluido el análisis de gases disueltos en el aceite. Pueden manejar eficazmente problemas difusos en el diagnóstico de fallas utilizando lógica difusa, abordar el cuello de botella de la dificultad para obtener conocimiento completo mediante métodos de conjuntos aproximados y establecer estructuras adecuadas para la colaboración diagnóstica de múltiples expertos utilizando arquitectura de modelo de pizarra.

4. Método de Diagnóstico de Redes Neuronales Artificiales

Las redes neuronales artificiales modelan matemáticamente la actividad neuronal y representan un sistema de procesamiento de información basado en la imitación de la estructura y función de las redes neuronales cerebrales. Las ANNs poseen capacidades de autoorganización, adaptación, autoaprendizaje, tolerancia a fallas y fuertes habilidades de aproximación no lineal. Pueden implementar funciones de predicción, simulación y control difuso, lo que las convierte en herramientas poderosas para procesar sistemas no lineales. El uso de redes neuronales artificiales para el diagnóstico de fallas en transformadores basado en los componentes y concentraciones de gases disueltos en el aceite ha sido un enfoque de investigación en los últimos años. Esto ha llevado al desarrollo de varios métodos de diagnóstico de fallas basados en ANNs, como el método de dos pasos de ANN, redes neuronales artificiales de retropropagación, modelos de árboles de decisión de redes neuronales, modelos jerárquicos de red neuronal combinada y redes neuronales de función de base radial. Estos métodos continúan mejorando la velocidad de convergencia, el rendimiento de clasificación y la precisión de los algoritmos de redes neuronales.

5. Otros Métodos de Diagnóstico

Más allá de los cuatro métodos mencionados anteriormente, se utilizan varios otros enfoques para el diagnóstico de fallas en transformadores. Al combinar orgánicamente redes neuronales y teoría de evidencia para aprovechar sus ventajas complementarias, se puede desarrollar un método de diagnóstico de fallas en transformadores integral que integre múltiples redes neuronales con teoría de evidencia. Inspirándose en los mecanismos eficientes de reconocimiento y memoria de anticuerpos contra antígenos en los sistemas inmunológicos biológicos, se pueden aplicar redes de anticuerpos autoorganizadas y algoritmos de generación de anticuerpos para resolver problemas de diagnóstico de fallas en transformadores de potencia. Además, otros métodos de diagnóstico de fallas en transformadores incluyen aquellos basados en fusión de información, teoría de conjuntos aproximados, árboles de decisión combinados, redes bayesianas, sistemas inmunes artificiales, nuevas redes de función de base radial y máquinas de vectores de soporte.