Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentado por:
Sustentado el:
15 de diciembre de 2022
Asesor:
Gustavo Ramos López
Jurado:
Luis Felipe Giraldo
1. INTRODUCCIÓN 1
2. OBJETIVOS 2
2.1. Objetivo General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2. Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.3. Alcance y productos finales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
7. TRABAJO REALIZADO 11
7.1. Primer modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
7.2. Segundo modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
7.3. Tercer modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
7.4. Propuesta de modelo para la estimación de envejecimiento y estado de un
Transformador de potencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
7.5. Descripción del Resultado Final . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
7.6. Propuesta de estimación de riesgo . . . . . . . . . . . . . . . . . . . . . . . . . . 18
7.6.1. Estimación de la salud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
7.7. Asignación de valores probabilísticos . . . . . . . . . . . . . . . . . . . . . . . . 19
9. DISCUSIÓN 22
10.CONCLUSIONES 23
11.REFERENCIAS 24
PROYECTO DE GRADO
1. INTRODUCCIÓN
Debido al amplio uso que se le da a los transformadores de potencia dentro del sistema eléctrico
tanto en distribución como en transmisión, el fallo de uno de estos dispositivos puede provocar un
sinfín de consecuencias como pérdidas económicas, de infraestructura o incluso humanas. Por esto,
conocer el estado de un transformador de potencia es de gran importancia para poder realizar un
mantenimiento adecuado a tiempo que prevenga todo tipo de contingencia.
Existen múltiples estudios que se han encargado de dilucidar los principales parámetros que pueden
afectar el funcionamiento de un transformador. Entre las principales causas de fallo de transforma-
dores se encuentran, fallo eléctrico en el devanado, envejecimiento en el sistema de enfriamiento,
envejecimiento del tanque, fallo en las bornas, fallo en el protector de sobretensión, fallo en los relés
de presión, envejecimiento del Tap y envejecimiento de la válvula de alivio. Todos los fallos anterior-
mente mencionados, pueden ser ocasionados por diversos parámetros como la humedad, la radiación
solar, la temperatura, los movimientos mecánicos, la magnetización del embobinado, el ingreso de
agua, las fugas de aceite y las sobretensiones. Estos parámetros, dependiendo de la frecuencia con
la que ocurren y su intensidad, pueden generar consecuencias que van desde fugas de aceite hasta la
explosión del dispositivo.
De esta manera, surge la posibilidad de elaborar un dispositivo que sea capaz de efectuar la medición
de estas variables en un transformador, lo que implicaría un gran avance en la prevención de acci-
dentes y fallas de transformadores de potencia. La elaboración de este dispositivo es perfectamente
viable, ya que hoy en día se cuenta con sensores capaces de efectuar la medición de cualquiera de
las variables anteriormente mencionadas y la tecnología necesaria para que la medición de estas
variables pueda ser correlacionada mediante un modelo con el estado del transformador.
Por lo cual, en el presente proyecto de grado, se realizará un modelo para la predicción y detección
de fallos en transformadores de potencia a partir de parámetros medibles como la temperatura,
el movimiento, la humedad, el electromagnetismo y los puntos calientes que se generen dentro del
transformador. Para esto se propondrá el modelo y posteriormente, se efectuará la validación de
este.
1
PROYECTO DE GRADO
2. OBJETIVOS
Elaborar un modelo de red bayesiana que permita identificar, a partir de la medición no invasiva de
ciertas variables, el estado de salud de un transformador de potencia.
Se elaborará un modelo de redes bayesianas discreto que permitirá obtener resultados coherentes
del el estado actual del transformador dependiendo de la lectura de de variables que afectan su
envejecimiento. Este modelo podrá ser fácilmente implementable en un dispositivo IoT de carácter
no invasivo.
Este modelo tendrá un estimador el cuál brindará información sobre el estado actual del transfor-
mador. Con base en las iteraciones de estos datos, existirá un estimador de riesgo que, dependiendo
de los datos resultantes de múltiples evaluaciones del modelo bayesiano definirá la salud del trans-
formador de potencia.
Otra característica del modelo es que su gasto computacional no sea muy elevado. Esto es con el fin
de que se pueda implementar en una Raspberry o algún dispositivo de características similares.
2
PROYECTO DE GRADO
Para poder efectuar un correcto desarrollo del modelo , es necesario primero identificar las variables
que son más relevantes en la problemática que se está desarrollando. En el caso de este proyecto de
grado, es necesario entender en detalle el proceso de degradación de un transformador de potencia
y sus posibles causas y consecuencias para estimar qué variables es pertinente utilizar. En esta
sección, se ahondará sobre este tema y se explicará cada uno de los escenarios de degradación de
un transformador para así hacer la selección de los parámetros a tener en cuenta en la medición del
dispositivo.
3
PROYECTO DE GRADO
La documentación, [1] y [2] sugiere que las piezas más afectadas en un transformador son el núcleo,
el devanado, las bornas, el cambiador de tap, el tanque, el aceite, el sistema de protección y el sis-
tema de enfriamiento. A continuación, se ahondará en las causas de fallo de cada una de estas piezas.
Devanado y núcleo:
En el caso del devanado, este se ve afectado más que todo por flujos de alta y baja corriente. Esto
causa estrés electromagnético que conlleva a aflojamiento o a desplazamiento de este. Otra causa
probable de afectación en el devanado es que sus pérdidas térmicas combinadas con un defectuoso
sistema de enfriamiento, causan que decrezca la resistencia física con el tiempo, facilitando que este
alcance su punto de ruptura.
Por el lado del núcleo, este también se ve afectado por magnetizaciones elevadas, las cuales con el
tiempo pueden hacer que se debilite su resistencia física produciendo su quiebre. No obstante, las
magnetizaciones no son la única causa de disminución en su resistencia mecánica; esta también puede
verse afectada por mal mantenimiento o por vibraciones mecánicas como terremotos o un proceso
de transporte inadecuado.
Bornas:
Las bornas pueden verse afectadas principalmente por cuatro situaciones:
Cambiador de tap:
Las fallas en el cambiador de tap, causan cambios en la relación de vueltas. Esto causa un funcio-
namiento incorrecto del transformador y tiene un efecto negativo sobre la línea a la que este está
conectado. Incluidos dentro de este tipo de fallos, se pueden encontrar: el desgaste del resorte por
4
PROYECTO DE GRADO
humedad; por flujo residual del aceite; por falta de mantenimiento o por elevadas temperaturas.
Tanque:
Las fallas en el tanque pueden causar problemas graves como fugas de aceite que afectan el sistema
de enfriamiento del transformador y pueden conducir a una explosión. La mayor causa de deterioro
del tanque de un transformador es el estrés ambiental, el cual influye por factores como la radiación
solar, la humedad y la temperatura.
En cuanto al sistema de enfriamiento, este se encarga de disipar las pérdidas en el cobre y en el hierro.
Un fallo en este sistema puede causar una explosión en el transformador. El sistema de enfriamiento
está compuesto por tuberías de aceite y un ventilador. Este par de elementos puede fallar por estrés
ambiental.
Red bayesiana:
Modelo gráfico probabilístico [3] que permite descubrir distribuciones conjuntas complejas a partir
de distribuciones locales simples. Un modelo de redes bayesianas está compuesto por nodos y arcos y
es de tipo dirigido acíclico, es decir, los arcos no pueden unir nodos de tal manera que su trayectoria
forme un ciclo. En una red bayesiana, las variables se desglosan en:
P (A, B)
P (B|A) =
P (A)
Entonces:
P (A|B)P (B)
P (B|A) =
P (A)
Regla de la cadena:
5
PROYECTO DE GRADO
Esta fórmula representa una distribución de probabilidad conjunta como probabilidad condicional.
Regla de la independencia:
Si P (A|B) = P (A|B, C), entonces las variables A y C son independientes.
Naive Bayes:
Todos los efectos son condicionalmente independientes entre sí dada una causa. La causa separa
todos los efectos por su condición de causa de todos ellos.
Teorema de D-Separación:
Independencia condicional de tripletes:
Cadena causal: Existen diversos casos de una cadena causal dependiendo si las variables que
componen el grado son ocultas o evidencias.
Figura 3 . Caso en el que todos los nodos de una cadena causal son variables ocultas
Como se puede ver en esta cadena causal, todas las variables son ocultas. Esto hace que, al
desconocer exactamente que causa que se modifique la variable z, se tenga influencia tanto de
x como de y para esta. En resumen, x y z son variables dependientes.
Figura 4 . Caso en el que el nodo central de una cadena causal es una evidencia
En este caso ya se tiene que la variable y es una evidencia y al tener esta una relación directa, z
es dependiente de y. Sin embargo x no tienen ningún efecto en z ya que lo único que se necesita
para conocer el estado de z es evaluar el estado de y. Por ello, x y z son independientes.
Causa común: Existen diversos casos de una cadena tipo causa común dependiendo si las
variables que componen el grado son ocultas o evidencias.
6
PROYECTO DE GRADO
Figura 5 . Caso en el que todos los nodos de una causa común son variables ocultas
Figura 6 . Caso en el que el nodo padre de las dos variables x, z es una evidencia.
En caso de tener la variable y como evidencia predecesora, se conocen las condiciones de y que
causan un cambio en x y un cambio en z. Al ser esta variable la única que causa un cambio
tanto en x como en z, x y z se vuelven independientes.
Efecto común: Existen diversos casos de una cadena tipo efecto común dependiendo si las
variables que componen el grado son ocultas o evidencias.
Figura 7 . Caso en el que todos los nodos de una cadena tipo efecto común son variables ocultas
En este caso, x y z son independientes, ya que, el hecho de alterar una sola de ellas tiene un
efecto sobre y, pero eso no implica que necesariamente la otra tenga que presentar una variación.
Figura 8 . Caso en el que la variable hija de x y z en una cadena tipo efecto común, es una
evidencia.
En este caso, x y z si son dependientes puesto que se tiene como evidencia y, y un cambio en
esta deriva en un cambio tanto a x como a z. Esta condición de que z y x tengan que presentar
un cambio en su estado a la vez, hace que x y z sean dependientes.
7
PROYECTO DE GRADO
Este es un caso especial que no es una tripleta. El hecho de que se conozca alguno de los
descendientes de la cadena de efecto común hace que x y z sean dependientes.
1. Un camino es dependiente si cada una de las tripletas de las que se compone son dependientes.
2. Si alguna tripleta es independiente esa tripleta bloquea la dependencia.
3. Dos variables son independientes si todos los caminos entre ambas son independientes.
Un nodo es condicionalmente independiente de sus nodos predecesores dados sus padres como
evidencias.
Un nodo es condicionalmente independiente del resto de nodos que no descienden de él dados
sus padres.
Manto de Markov:
Un nodo es condicionalmente independiente del resto de nodos de una red bayesiana, dados sus
padres, sus hijos y los padres de sus hijos.
Python:
Es un lenguaje de programación interpretado de alto nivel utilizado para desarrollar aplicaciones de
todo tipo gracias a su característica de multiplataforma. Soporta el concepto de ”lenguaje orientado
a objetos” de manera parcial y es administrado por Python Software Fundation, esta compañía le
otorga una licencia de código abierto.
Librería pomegranate:
La librería pomegranate [10] implementa modelos probabilísticos de una manera rápida y flexible.
Estos modelos van desde distribuciones individuales de probabilidad, hasta modelos más comple-
jos como redes bayesianas o modelos de Markov. El hecho de visualizar cada modelo probabilístico
como una distribución probabilística, le permite una flexibildad mayor que la de otros paquetes.
Otras funcionalidades de pomegranate son estrategias de entrenamiento semi-supervisado, con va-
lores desconocidos y mini-batch learning. Estas características hacen de pomegranate una librería
sobresaliente para trabajar con redes bayesianas.
8
PROYECTO DE GRADO
IEEE C57,125T M -1991”IEEE Guide for Failure Investigation, Documentation, and Analysis for Po-
wer Transformers and Shunt Reactors”: La cual provee información de fallos comunes en transfor-
madores de potencia y sus principales causas.
Anteriormente se han desarrollado investigaciones que utilizan modelos similares para la evaluación
de contingencias en el campo de la ingeniería eléctrica, se enuncian los siguientes:
La tesis de grado de Nicolás Amaya, que estableció el modelo computacional para determinar
fallos de cortocircuito a partir de machine learning.
La tesis de maestría ”Metodología basada en redes neuronales para la caracterización de per-
turbaciones de tensión en sistemas de distribución” de Sergio Ricardo Turizo.
La tesis de grado de Gustavo Ramos López, donde se analiza la causa-efecto de problemas en
instalaciones a partir de redes causales.
5.1. Definición
La aplicabilidad del modelo desarrollado en este trabajo, es que podría ser implementado en un
dispositivo IoT de carácter no invasivo que realice una lectura a las condiciones de campo magnético,
vibración, temperatura, humedad y puntos calientes de un transformador de potencia y así predecir el
estado de salud del transformador mostrando qué componentes del transformador son más propensos
al fallo. Sin embargo, la eficacia del modelo no pudo ser probada durante el desarrollo de este
proyecto, ya que requiere de pruebas con varios dispositivos y por varios años para verificar que las
estimaciones del modelo son coherentes con lo que sucede en un caso real.
El desarrollo de este proyecto constó de cuatro etapas. La primera etapa se basó en la investi-
gación rigurosa para consolidar bases sólidas y justificadas sobre las causas de envejecimiento en
transformadores de potencia. Se hizo una búsqueda de literatura académica y reglamentaciones de
la actualidad sobre el tema, de la cual se extrajeron múltiples datos valiosos. Con esta informa-
ción se estableció la relación que tienen determinados parámetros con fallos o envejecimiento de los
componentes principales de un transformador de potencia.
La segunda etapa, consistió en realizar el planteamiento del modelo de red bayesiana. Para ello se
plantearon tres modelos iniciales y se encontraron los pros y los contras en cada uno de ellos. Con
base en los análisis y la retroalimentación del asesor, se llegó a un modelo completo. Este modelo
completo tuvo que ser simplificado con fines de mermar el gasto computacional para facilitar su
implementación en un dispositivo IoT.
En la tercera etapa se llevo a cabo todo lo relacionado con la programación del modelo con la librería
pomegranate de Python en PyCharm. Para esta etapa se utilizó el modelo simplificado desarrollado
en la etapa anterior. Luego de finalizar esta etapa, se procedió a la cuarta y última etapa que fue la
validación del modelo. Para esto se utilizaron vectores de prueba para ser evaluados en el modelo y
verificar que este si cumple con las condiciones buscadas.
9
PROYECTO DE GRADO
10
PROYECTO DE GRADO
7. TRABAJO REALIZADO
Se elaboró un modelo de red bayesiana capaz de mostrar la probabilidad de que las condiciones de
un Transformador de potencia sean nocivas para este en determinado momento. La red bayesiana
podrá ser alimentada por la etiqueta de grado de afectación proporcionada por la lectura de varios
sensores que, dependiendo del valor leído, etiquetarán el grado de este valor como nocivo, moderado
o no problemático.
La red contará con tres capas. La primera capa posee los parámetros relevantes para la estimación
del estado de salud del transformador de potencia. La segunda capa será la relacionada con el grado
de afectación de los componentes del transformador. En esta capa se encontrará cada uno de los
subsistemas de los cuales depende el funcionamiento del transformador. La tercera y última capa
estará compuesta por un estimador, el cuál brindará información sobre el estado del transformador
a partir de la información suministrada por la segunda capa.
En este modelo se estimó que los principales eventos que afectan un transformador son; el desgaste
del devanado; el sobrecalentamiento; y el desgaste del tanque. El desgaste del devanado se ve afectado
por valores elevados de corriente y voltaje; y por choques mecánicos. Los valores elevados de corriente
y tensión también generan un sobrecalentamiento en el transformador, también tiene este efecto la
sobreexcitación que son condiciones de magnetización muy elevadas. El desgaste del tanque también
es causado por las variaciones de frecuencia en la tensión y este también tiene una influencia clara
sobre el desgaste del devanado y el sobrecalentamiento porque este desgaste puede provocar fugas
de aceite.
Aunque este modelo es sencillo, no aborda completamente el desgaste de un transformador de poten-
cia, y no sería válido para predecir el envejecimiento de una manera completa. Por ello, se necesitó
11
PROYECTO DE GRADO
Este modelo agrega otras variables relevantes como la magnetización, los puntos calientes, la radia-
ción solar y la sustancia residual CuSO4 que es el compuesto que se genera por la degradación del
aceite y la celulosa aislante del transformador. Esta última hace que el aceite empeore su capacidad
de refrigeración y disminuya su capacidad aislante, aumentando así la probabilidad de que ocurran
descargas disruptivas. Este modelo fue un segundo acercamiento, y está más cerca de predecir el
estado de un transformador de potencia que el anterior. Esto es porque contempla un mayor núme-
ro de variables. Sin embargo, no es tan sencilla su implementación, ya que, tentativamente, no se
podría desarrollar un dispositivo de carácter no invasivo que implemente el modelo, haciendo que la
detección de sustancia residual dentro del transformador no sea viable. Por otro lado, la radiación
solar es otro parámetro bastante complicado de estimar, y aunque estos dos parámetros tienen un
efecto importante en la estimación del envejecimiento de un transformador, son bastante difíciles de
medir mediante un dispositivo no invasivo.
12
PROYECTO DE GRADO
Con base en los problemas vistos en los anteriores dos modelos, se elaboró un tercer modelo el cuál
se muestra a continuación:
T-Temperatura.
V-Sobretensiones prolongadas.
R-Radiación Solar.
M-Movimiento mecánico.
H-Hot Spot.
A-Envejecimiento del aceite.
h-Humedad.
B-Bornas.
I-Ingreso de agua.
Q-Sobretensiones transitorias.
t-Tanque.
U-Relés de presión.
F-Fugas.
P-Protector de sobretensión.
v-Válvula de alivio.
N-Cambiador de tap.
D-Núcleo del devanado.
S-Sistema de enfriamiento.
E-Estimador.
13
PROYECTO DE GRADO
En este modelo, se pueden observar todas las variables y relaciones de las cuales depende el estado de
envejecimiento de un transformador. A partir de este modelo es posible estimar una probabilidad de
que falle el transformador. La red bayesiana tiene tres capas principales. En la primera capa, están
las variables que afectan los diferentes subsistemas de un transformador. En la segunda capa, se
encuentran los subsistemas de los cuales depende el funcionamiento de un transformador. Finalmente,
en la tercera capa, se encuentra una variable que estima el estado de envejecimiento del transformador
de potencia y su probabilidad de que falle dependiendo del estado de sus subsistemas.
El problema de este modelo es la enorme cantidad de variables que tienen que ser medidas para que
funcione. Esto hace que el dispositivo IoT en el que sea implementado necesite una instrumentación
de complejidad elevada. No obstante, el modelo podría ser bastante completo a la hora de estimar
envejecimiento y probabilidad de falla de un transformador con los años si las tablas de probabilidad
son llenadas rigurosamente. Otro problema de este modelo es que, debido a su elevada complejidad,
su gasto computacional es muy elevado. Esto eleva el coste del dispositivo IoT en el cuál se imple-
mentaría y el tiempo de estimación del estado del transformador dadas las condiciones actuales de
los parámetros medidos.
Teniendo en cuenta lo aprendido en la literatura y los problemas de los anteriores modelos, se elaboró
un modelo bastante completo. Se tuvieron en cuenta las siguientes dos condiciones:
Las variables a medir son únicamente campo magnético, vibración, temperatura, humedad y
Hot spots. Esto es debido a que los principales problemas en un transformador surgen por
problemas en el devanado y estas variables son las que mas lo afectan. Por otro lado, estas
variables, salvo el campo magnético y los hot spots, tienen efecto sobre los componentes del
transformador que, después del devanado, son los que más tienen relación con el envejecimiento.
Sólo se tendrán en cuenta los subsistemas del transformador que se puedan ver afectados por
esas variables. Es decir, se descarta la concentración de CuSO4 o el grado de polimerización.
El modelo es el siguiente:
14
PROYECTO DE GRADO
15
PROYECTO DE GRADO
Visto lo anterior, y con la intención de lograr una exitosa implementación dentro de un dispositivo
IoT en una raspberry, fue necesario simplificar el modelo. El modelo simplificado es el siguiente.
16
PROYECTO DE GRADO
El principal cambio que sufrió el modelo está en su segunda capa. Todo lo que estaba incluido
en la segunda capa del modelo propuesto anteriormente se simplificó a tres nodos. Se conservó
el nodo referente al estado del devanado y el nodo referente al estado del aceite, pero los otros
nodos se resumieron en uno solo de nombre ”componentes del transformador”. Este nodo reune los
nodos de Tanque, Bornas, Válvulas y relés, Protección de sobretensiones y Cambiador de tap. El
único inconveniente de este cambio es que no es posible saber de alguna manera qué componente
específico se vio afectado en mayor medida por las condiciones que se presentan en el transformador,
sin embargo, este cambio hace apto el modelo para efectuar simulaciones y para ser implementado
en dispositivos de desarrollo como Raspberry pi o similares.
A continuación, se muestra un ejemplo de la manera en la que están definidas las tablas de proba-
bilidad.
Esta es una toma de la tabla de probabilidad referente al devanado. El devanado está conectado a tres
arcos, uno que proviene de la temperatura, otro de la humedad y otro proveniente de los hot spots.
De izquierda a derecha, los datos de cada columna representan el valor medido por temperatura,
humedad y hot spots respectivamente. Por ello, para este caso, la lectura de temperatura representa
un riesgo medio (B), la de humedad un riesgo bajo (C) y la de hot spot un riesgo alto (A). La
penúltima columna representa el riesgo de que el componente del devanado presente algún daño
bajo estas condiciones. De esta manera, dadas estas lecturas, el riesgo de que el daño en el devanado
sea alto (A) es del 45 %, el riesgo de que el daño sea medio (B) es del 30 % y el riesgo de que el daño
sea bajo (C) es del 25 %.
17
PROYECTO DE GRADO
Ahora bien, los modelos previamente mostrados son capaces de estimar el grado de daño que deter-
minadas condiciones pueden ocasionar en un transformador de potencia. Para cumplir el propósito
de evaluar el estado completo de un transformador de potencia, es necesario establecer criterios que,
con base en esta información, estimen la salud del dispositivo. Por ello, se elaboró una función de
riesgo con este fin. Esta, toma los datos de las etiquetas del modelo a lo largo del tiempo, y depen-
diendo la frecuencia de casos desfavorables, emite una evaluación de la salud del transformador en
determinado momento.
Para ello, primero hay que aclarar que, en el caso de implementar el modelo para la lectura de
datos, la ejecución de este modelo se efectuaría de manera horaria. Esto quiere decir que se haría
una medición de los parámetros del transformador cada hora y, con base en ellos, se ejecutaría el
modelo para conocer el estado del transformador durante esa hora. Esto se haría por el periodo de
vida útil del transformador.
En total, se tomarían 24 muestras al día, y con ellas, cada día se evaluará el estado del transformador,
y se le brindará una etiqueta A, B o C. Para que un día sea etiquetado con riesgo A, es necesario
que la etiqueta A aparezca al menos 14 de las horas del día (6), para ello hay que tener en cuenta
que 2 horas con la etiqueta B corresponden a una hora con la etiqueta A. Esto último quiere decir
que por cada par de veces que aparezca la etiqueta B en el día, será el equivalente a que apareciera
durante una única hora la etiqueta A. Por esto, si aparecen durante el día 12 etiquetas B, este día
será etiquetado como de riesgo A. Ahora, para que un día sea etiquetado de riesgo B, es necesario
que 14 de horas del día (6) sean de riesgo B. Bajo la misma lógica del caso A, una etiqueta de riesgo
A representa dos etiquetas de riesgo B. Por ello, es necesario que se presenten tres etiquetas de riesgo
A para que un día sea evaluado como de riesgo B. A continuación, se muestra una tabla con las
equivalencias anteriormente mencionadas.
Etiquetas de hora
A B C
Etiqueta del A 6 12 N/A
B 3 6 N/A
Día 2 o menos y máximo Entre 19 y 21
C 5 y ninguna etiqueta A
una etiqueta B dependiendo del caso
Tabla 2
Tabla de equivalencias de la evaluación de riesgo diario.
Con lo anterior definido, se va a establecer un etiquetado similar al anterior para cada mes. Se
tendrán en cuenta 30, 31, 28 o 29 etiquetas dependiendo del mes a ser etiquetado. Para etiquetar
un mes como de riesgo alto A, será necesario que ocurran al menos 8 días con etiquetado A o 16
días con etiquetado B. En caso del etiquetado B, es necesario que ocurran 8 días con etiquetado
B o 4 días con etiquetado A. Como se puede ver, la equivalencia de A=2B se mantiene para esta
estimación. A continuación, se muestra una tabla don las equivalencias descritas:
Etiquetas de día
A B C
A 8 16 N/A
Etiqueta de
B 4 8 N/A
mes
3 o menos y máximo Entre 23 y 26
C 7 y ninguna etiqueta A
una etiqueta B dependiendo del caso
Tabla 3
Tabla de equivalencias de la evaluación de riesgo mensual
18
PROYECTO DE GRADO
La asignación de los valores probabilísticos del proyecto es un componente de una elevada impor-
tancia. Con esta asignación se busca que el modelo arroje resultados acordes a lo establecido por
la literatura. Por ello, es necesario establecer una metodología para definir estos valores la cual se
mostrará a continuación.
Se asignaron las siguientes prioridades, de más alta a más baja, a las variables de las cuales depende
el modelo.
1. Hot spots.
2. Temperatura y humedad.
3. Campo magnético.
4. Vibración.
En este orden de ideas, la variable más relevante son los hot spots. Esto es debido a que, la presencia
de un punto caliente, puede generar CuSO4 el cuál está relacionado con descargas disruptivas por
la pérdida de resistencia del aceite y también a la pérdida en la capacidad de bajar la temperatura
del sistema de enfriamiento del transformador. Estas derivan en evaporación del aceite, daño en el
devanado y aumentan la probabilidad de que el transformador explote.
En orden de relevancia, se colocó en segundo lugar la humedad y la temperatura debido a que
estas variables son principales causantes de daño en los sistemas de seguridad y el tanque. Por
ello, aunque exista una elevada concentración de CuSO4, los sistemas de seguridad están en la
capacidad de prevenir que el transformador explote. Así que es prioritario que estas variables no
excedan sus valores normales para que los sistemas de protección del transformador puedan funcionar
apropiadamente.
La siguiente variable en el orden de prioridad es la magnetización. Los valores elevados de mag-
netización tienen un efecto en el núcleo del devanado y el radio de vueltas del embobinado. Un
fallo en el devanado no puede hacer que el transformador detone, pero sí causa problemas en la red
eléctrica. Sin embargo, estos problemas pueden ser subsanados con la presencia de redundancia de
transformadores en la mayoría de subestaciones y el transformador afectado puede volver a operar
al ser realizadas las respectivas reparaciones.
La última variable en el orden de prioridad es la vibración porque se requiere que esta tenga una
presencia muy elevada en las condiciones de un transformador, para llegar a afectar el radio de vueltas
del embobinado o el estado de las bornas. De igual manera, un fallo en estos dos componentes no
19
PROYECTO DE GRADO
causa daños irreparables en un transformador pero si efectos negativos en la red eléctrica los cuales
pueden ser corregidos de manera efectiva.
Con esta información, se modificaron las probabilidades de las tablas de probabilidad conjunta del
modelo agregando valores de probabilidad más elevados a la etiqueta A del valor del estimador
relacionado a las situaciones más adversas de variables de mayor prioridad. Así mismo, los valores
probabilísticos de variables de menor relevancia se definieron con números menores a los de las
variables más relevantes. Se siguió el siguiente criterio:
De 0.9 a 1: Hecho casi seguro o seguro.
De 0.8 a 0.89: Probabilidad muy alta.
De 0.7 a 0.79: Probabilidad Alta
De 0.6 A 0.69: Probabilidad media-alta.
De 0.5 a 0.59: Probabilidad media.
De 0.4 a 0.49: Probabilidad media-baja.
De 0.3 a 0.39: Probabilidad baja.
De 0.2 a 0.29: Probabilidad muy baja.
De 0.1 a 0.19: Probabilidad remota.
De 0 a 0.09: Probabilidad nula.
En este orden de ideas, se agregaron valores de probabilidad media-alta, alta y muy alta a las
situaciones con riesgo A relacionadas con valores del mismo riesgo en los hot spots, la humedad y la
temperatura. A las situaciones de riesgo B de estas variables se les asignaron bajo etiquetado de riesgo
A, valores de probabilidad media y media-baja. Finalmente, se asignaron valores de probabilidad
baja, muy baja, remota y nula al etiquetado de riesgo C relacionado con valores de riesgo A de estas
variables. Luego, se asignaron valores de probabilidad media y media-baja a valores de probabilidad
de riesgo A relacionados con las variables de magnetización y vibración. Siguiendo esta lógica, se
hizo lo mismo con el etiquetado de riesgo B y C.
Se probó el modelo en varias ocasiones para verificar que sus resultados eran acordes a lo establecido
por la literatura y se efectuaron correcciones menores a diferentes tablas de probabilidad relacionadas
con el resultado buscado. Estas correcciones se realizaron por tanteo. Finalmente, se conservaron los
valores que mejor relacionaban el estado de las variables con el estado de salud del transformador.
Con el fin de testear el modelo, se elaboró un conjunto de vectores de prueba teniendo en cuenta
21 casos posibles de lectura del sistema de sensado. Estos casos están diseñados para verificar que
el modelo sea capaz de interpretar correctamente la información suministrada y así conferir una
estimación correcta. Los resultados lanzados por el modelo tienen el siguiente formato:
20
PROYECTO DE GRADO
Cómo se mencionó anteriormente, A representa riesgo alto, B representa riesgo medio y C representa
riesgo bajo. A cada uno de estos valores se le asigna una probabilidad, de tal manera que en la
iteración correspondiente a la anterior salida; el valor de riesgo bajo tiene es de 6 6.4 %; el valor de
riesgo medio es de 22.3 %; y el valor de riesgo alto es de 11,3 %. Por ello, es pertinente afirmar que
dados estos valores, las lecturas de los sensores no debieron arrojar valores que pongan en riesgo la
salud del transformador. En este caso el etiquetado que se presentaría para esta hora es ”C” debido
a que es el que tiene una mayor probabilidad. Con esta lógica, en la siguiente sección se efectuará el
testeo del modelo.
Se tomaron ventiún vectores de prueba cuya representación es el estado de riesgo de las variables de
temperatura (T), humedad (H), magnetización (M), vibración (V) y hot Spots (X). De esta manera,
se obtuvieron los resultados esperados para cada caso teniendo en cuenta el riesgo evaluado por el
modelo. La explicación de los vectores utilizados es la siguiente:
21
PROYECTO DE GRADO
Como se puede observar, los valores arrojados por el modelo son consecuentes con el estado aproxi-
mado que debería tener el transformador bajo esas condiciones. Se puede observar que las variables
de campo magnético y hot spots tienen un mayor peso al incentivar más la aparición de una letra A,
ya que, valores elevados en estas son más perjudiciales para el transformador que los de vibración,
temperatura o humedad. La variable con menor peso en el modelo es la vibración, ya que, aunque
puede perjudicar un transformador, es necesario una elevada presencia de esta para hacerlo.
9. DISCUSIÓN
En el presente trabajo se buscó elaborar una prueba de concepto de un modelo de red bayesiana
para buscar solución la problemática referente al envejecimiento de los transformadores de potencia.
Aunque este modelo no ha sido probado en un escenario real, se podría esperar un desempeño
decente de este. Por otro lado, se busca incentivar el desarrollo de este tipo de modelos, no solo
para la predicción de envejecimiento de transformadores, sino también para otras problemáticas que
componen la ingeniería eléctrica y otras disciplinas.
Con la implementación de otras herramientas y un mayor número de datos, se podría implementar
un modelo adicional que modifique los valores probabilísticos de la tabla de probabilidad. Esto
aumentaría la eficacia de este modelo y permitiría añadir casos como el mencionado en la sección
de ”propuesta de estimación de riesgo” en el que se efectúa una reparación. También se podría
tener en cuenta el caso en el que el tiempo en el cual el transformador está sometido a condiciones
desfavorables de una variable no es el suficiente para necesariamente afectarlo.
También, se busca incentivar el desarrollo de dispositivos que permitan realizar estas tareas de
seguridad. Por ejemplo, entra a colación la posibilidad implementar en los transformadores futuros,
un dispositivo que sea capaz de evaluar el estado del transformador en todo momento adicional a los
sistemas de seguridad que ya existen. Este es un sector en la industria que aún tiene mucho campo
por desarrollar y que perfectamente podría ser atractivo al mercado. Esto se haría efectuando una
instrumentación adecuada e inclusive eliminando la restricción de que el aparato sea de carácter no
invasivo.
Por todo esto, a expectativa del autor de este proyecto, se espera que en el futuro este campo tenga
un crecimiento importante y que se logre aumentar la seguridad de la red eléctrica, de los usuarios
y de los dispositivos. Quedan a discusión las posibles mejoras a este modelo, las nuevas variables
que se podrían implementar y las recomendaciones de nuevos modelos a implementar, así como la
introducción al mercado de este tipo de modelos en dispositivos funcionales.
22
PROYECTO DE GRADO
10. CONCLUSIONES
Los resultados obtenidos en la tabla 4 son acordes con lo esperado. Se presenta un estudio que
muestra que la implementación de estos modelos puede ser clave para la seguridad de dispositivos de
la red eléctrica. Se consiguió estimar el estado de envejecimiento de un transformador de potencia
con base en cinco variables. Estas cinco variables son repetidamente expuestas en la literatura como
causantes del envejecimiento, por lo cual, es válido afirmar que este modelo va acorde con lo expuesto
por la academia a lo largo de los años sobre este tema.
En cuanto a la propuesta de estimación de riesgo, esta puede ser objetivo de un nuevo estudio en
la cual, a partir de mediciones de un modelo de este tipo, se presente un modelo de estimación de
riesgo más acertado y con unas bases más sólidas. No obstante, los criterios de estimación de riesgo
propuestos no se quedan atrás en cuanto al mecanismo de envejecimiento de transformadores de
potencia expuestos por la academia. Su correcto funcionamiento queda pendiente de ser probado en
trabajos futuros.
El ejercicio de elaboración del modelo de red bayesiana realizado en este proyecto, se efectuó de una
manera rigurosa y sustentada por la literatura. Por ello, como trabajo futuro se podrían desarrollar
mejoras a este con el fin de aumentar su eficacia en casos reales. Para ello, será necesario realizar
pruebas con transformadores reales y acoger medidas sugeridas por estudios que se lleguen a realizar
en el futuro. Con base en lo dicho anteriormente, es válido concluir que, en este ámbito, el proyecto de
grado tiene una culminación exitosa y de una validez relevante para la consulta de estudios futuros
o el desarrollo de proyectos por venir.
Se consiguió un cumplimiento de todos los objetivos propuestos en el inicio de este trabajo. También
se logró realizar un resumen de lo que sugiere la literatura sobre variables causantes de envejecimiento
de transformadores de potencia. Luego de esto, se logró plantear, programar y probar el modelo
bayesiano exitosamente dando culminación al objetivo general. Así que, como conclusión, el proyecto
realizado tiene resultados satisfactorios que dan pie al desarrollo de futuras investigaciones o modelos
que amplíen o perfeccionen el conocimiento que se tiene sobre este tema.
23
PROYECTO DE GRADO
11. REFERENCIAS
[1 ] Singh, J. and Singh, S. (2016) ”Transformer Failure Analysis: Reasons and Methods.” Punjab,
India: International Journal of Engineering Research & Technology.
[2 ] Tariq Jan, S., Afzal, R. and Zia Khan, A. (2015) ”Transformer Failures, Causes & impact.”
Bali, Indonesia: International Conference Data Mining
[3 ] Pourret, O., Naim Patrick and Marcot, B. (2008) Bayesian networks a practical guide to
applications. Chichester, West Sussex, Eng.: John Wiley.
[4 ] Zhang, Z.-wen et al. (2019) “A Transformer Fault Diagnosis Method Based on Bayesian
Network .” Shandong, China: Journal of Physics: Conference Series.
[5 ] Smerdin, A et al. (2020) “Use of sensor networking technology to build a power transformer
monitoring system.” Omsk: doi.
[6 ] Zhang, X et al. (2018) “Transformers Condition Evaluation Based on Bayesian Classifier .”
Tianjin, China: IOP Conf. Series: Materials Science and Engineering.
[7 ] Zhang, X. et al. (2018) “Transformers Condition Evaluation Based on Bayesian Classifier .”
Tianjin: Materials Science and Engineering.
[8 ] Zhe-wen, Z. et al. (2019) “A Transformer Fault Diagnosis Method Based on Bayesian Network
.” Shandong: Journal of Physics: Conf. Series.
[9 ] Hillary, W. et al. (2017) “A Tool For Estimating Remaining Life Time of a Power Transformer.”
Moratwa, Sri Lanka: Moratuwa Engineering Research Conference.
[10 ] Schreiber, J. (2021) “pomegranate Documentation Release 0.14.6.”
[11 ] Institute of Electrical and Electronics Engineers(2005). IEEE Guide for Failure Investigation,
Documentation, and Analysis for Power Transformers and Shunt Reactors (IEEE C57,125T M -
1991)
24