Resumen de Interpretación de Gases Disueltos en Aceite Dieléctrico Mediante Bosques Aleatorios Para la Detección de Anomalías en Transformadores de Potencia

Armando Freire, Juan Astudillo, Carlos Quinatoa, Fernando Arias

• español

  El siguiente documento presenta una herramienta de aprendizaje automático para la interpretación de anomalías en transformadores de potencia utilizando el método de bosques aleatorios. 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 diagnosticar el estado interno del transformador. Debido al número reducido de datos recolectados, se presenta una desventaja para aplicar redes neuronales artificiales, máquina de soporte vectorial, entre otras que necesitan grandes cantidades de datos para cada variable, pero satisfactoriamente son resueltas usando bosques aleatorios, debido a que esta metodología clasifica mejor los datos de menor cantidad. El aprendizaje obtenido por el entrenamiento se valida con los estados obtenidos por los datos de prueba bajo la norma IEC 60599 e IEEE C57-104, que engloban a 4 diagnósticos como la descarga de alta energía, descarga de baja energía, estado normal y sobrecalentamiento, obteniendo como resultado un criterio de validación final corroborativo por el algoritmo al comparar el diagnóstico de resultados con el de bosques aleatorios.

• English

  The following paper presents a machine learning tool for the interpretation of anomalies in power transformers using the random forest method. Using the results of gas chromatography tests on dielectric oil from several published papers, the data set delivered by the dissolved gas analysis (DGA) in quantities of parts per million (ppm), the amount of hydrocarbon gases such as hydrogen (H2), methane (CH4), ethane (C2H6), ethylene (C2H4) and acetylene (C2H2) that serve to diagnose the internal state of the transformer is used. Due to the reduced number of collected data, there is a disadvantage to apply artificial neural networks, support vector machine, among others that need large amounts of data for each variable, but satisfactorily they are solved using random forests, because this methodology classifies better the data of smaller amount. The learning obtained by training is validated with the states obtained by the test data under IEC 60599 and IEEE C57-104, which encompass 4 diagnostics such as high energy discharge, low energy discharge, normal state and overheating, resulting in a final corroborative validation criterion for the algorithm by comparing the diagnostic results with the random forests.