Detección y clasificación de fallas en cambiadores de tomas bajo carga (OLTC) mediante el desarrollo de un modelo predictivo basado en el análisis de resistencia dinámica (DCRM) y técnicas de machine learning

Este trabajo plantea una forma práctica de detectar fallas en los cambiadores de tomas bajo carga (OLTC) sin tener que desmontarlos. Para ello se utilizaron transformadores trifásicos pertenecientes a la Empresa Eléctrica Quito, fabricados en diferentes años (1972, 1978, 2020, 2021), los cuales fueron desconectados temporalmente para realizar pruebas de resistencia dinámica (DCRM) durante las operaciones del OLTC. A partir de estas curvas se extrajeron variables relevantes como el valor pico, el tiempo de transición y la pendiente de las señales. Cada registro fue clasificado tanto manual como automáticamente según su condición operativa: normal, advertencia o falla. El algoritmo k-Nearest Neighbors (k-NN) se utilizó para entrenar un modelo de clasificación automática y manual. El valor k fue ajustado mediante diferentes métricas de validación con el fin de lograr un equilibrio entre sensibilidad y estabilidad en los resultados. El modelo demostró una buena capacidad para detectar condiciones iniciales de desgaste o defectos, especialmente en los contactos. Además, la representación gráfica de las curvas permitió validar visualmente las predicciones de forma más directa que con reportes técnicos tradicionales. Las mediciones se realizaron utilizando el sistema TRAX de Megger, conectado en sitio a un transformador previamente desconectado del sistema eléctrico. Aunque el equipo formaba parte de un laboratorio móvil, no fue necesario trasladar el transformador, lo que facilito la toma de datos directamente en el lugar de operación sin mayores complicaciones logísticas. Aunque no se contó con el equipo DV Power, lo que puede generar pequeñas diferencias en la presentación de resultados, se considera útil hacer una comparación directa en estudios futuros. Una de las principales limitaciones fue la cantidad reducida de curvas representado fallas reales, dejando abierta la posibilidad de seguir ampliando la base de datos. Se recomienda evaluar otros clasificadores como máquinas de soporte vectorial, árboles de decisión o redes neuronales, así como avanzar hacia sistemas de monitoreo en tiempo real. También sería importante implementar pilotos industriales que permitan validar la solución en condiciones reales y facilitar su integración en rutinas de mantenimiento predictivo.

• Huvudupphovsman: Vaca Montenegro, Marjorie Micaela (author)
• Materialtyp: bachelorThesis
• Språk: spa
• Publicerad: 2025
• Ämnen: ELECTRICIDAD; FALLAS DE SISTEMAS (INGENIERÍA); REDES ELÉCTRICAS; ENERGÍA ELÉCTRICA; OPTIMIZACIÓN MATEMÁTICA
• Länkar: http://dspace.ups.edu.ec/handle/123456789/31191