LA INTELIGENCIA ARTIFICIAL AUMENTA LA CONFIABILIDAD DE LOS DATOS DE MEDICIÓN

El aprendizaje automático favorece la precisión y expone las posibles discrepancias de los resultados de las pruebas en una fase temprana.

La creciente propagación de fuentes de energía renovables conduce a una creciente descentralización de la producción de energía eléctrica. Por lo tanto, cada vez aparecen más cargas reguladas en la red eléctrica y con ellas el riesgo de efectos peligrosos, tales como cortocircuitos, armónicos y transitorios. Las condiciones cambiantes de funcionamiento de los activos hacen deseable comprobar cuidadosamente los posibles cambios de los datos de medición.

Los cambios rápidos de las condiciones de carga en la red eléctrica también afectan a los costosos transformadores de potencia. Mediciones apropiadas durante el mantenimiento son necesarias para garantizar ciclos de vida largos y sanos de los transformadores de potencia instalados. El método SFRA es un procedimiento fuera de línea comúnmente utilizado que ha demostrado ser el método más sensible y no invasivo para detectar fallas mecánicas y eléctricas. Es un procedimiento importante para la evaluación del estado de los transformadores.

¿Qué significa SFRA?

SFRA son las iniciales de Sweep Frequency Response Analysis (análisis de respuesta en frecuencia de barrido) y se basa en la comparación de mediciones reales con las de referencia (huellas).

¿Qué puede hacer el SFRA?

El análisis puede realizar mediciones de transformadores de potencia en el dominio de la frecuencia.

¿Cuáles son las ventajas del principio de SFRA?

Es robusto frente al ruido de banda ancha y de banda estrecha y, por tanto, puede lograr una elevada relación señal/ruido.

¿Por qué el SFRA es un método de medición tan popular?

En comparación con otros métodos, el SFRA es un método de medición no invasivo y puede realizarse rápidamente.

¿Por qué los resultados de SFRA son comparativamente confiables?

Las mediciones se basan en una comparación entre las mediciones reales y las de referencia (huellas). Por lo tanto, las desviaciones debidas a errores de medición pueden detectarse con bastante facilidad.

 

Aprendizaje automático con el método SFRA

El método SFRA proporciona resultados sobre la integridad mecánica del núcleo, los devanados, la estructura de sujeción y la integridad eléctrica, así como de los devanados y las espiras en cortocircuito.

¿Cómo funciona en detalle la medición SFRA?

Se inyecta una señal de baja tensión a frecuencia variable en un terminal del transformador de potencia y se mide en el otro terminal. Al comparar las señales de salida con las de entrada se obtiene una respuesta en frecuencia que puede compararse con mediciones anteriores, como la de referencia.

¿De qué manera puede el aprendizaje automático aportar aquí una mejora adicional?

Con la ayuda del aprendizaje automático y la inteligencia artificial, es posible comparar los resultados de las pruebas con la ayuda de algoritmos basados en los conocimientos de los expertos y una gran cantidad de datos. Estos modelos ayudan a detectar con mucha antelación los errores sistemáticos de medición relacionados con el dispositivo y la aplicación, así como los problemas de calidad.

¿Qué factores externos pueden influir en los resultados de las mediciones?

Los cambios en el sistema de medición, el estado del transformador, la configuración del transformador y factores externos pueden afectar a los resultados de las mediciones y, por tanto, llevar a un diagnóstico erróneo. Por lo tanto, es importante comprobar la validez y la calidad de los resultados de las mediciones antes de su evaluación.

¿Cuáles son las referencias de evaluación de las mediciones SFRA?

Las curvas SFRA de las mediciones se evalúan con datos de referencia utilizando uno de los dos algoritmos estándar: el algoritmo NCEPRI (NCEPRI, Instituto de Investigación de la Energía Eléctrica del Norte de China) o el algoritmo DLT (DLT, la norma del sector de la energía eléctrica de la República Popular China (DL/T 911 - 2004)).

¿Cómo se puede aplicar el aprendizaje automático y la inteligencia artificial a las mediciones SFRA?

Para el proceso de aprendizaje automático se dispuso de 19.787 curvas SFRA, que representaban a más de 2.000 transformadores de potencia, para entrenar los algoritmos. Los resultados indican que los algoritmos basados en la inteligencia artificial son adecuados para la calificación y validación automática de las mediciones SFRA. Actualmente, los algoritmos son muy adecuados para fines auxiliares. Los usuarios pueden validar previamente sus propias curvas SFRA en función de tres clases diferentes. Los resultados de las mediciones se califican como Aceptar, Investigar y Error. Esta posibilidad permite aumentar enormemente la calidad de los datos y conocer mejor el activo.

 

Obtenga más información sobre el sistema FRANEO 800 de OMICRON para pruebas SFRA y sus profundos conocimientos sobre las pruebas SFRA.

Leer más

Escuche nuestro podcast

Hemos producido un episodio de podcast en el que podrá escucharse la importancia de la validación de los datos de medición para lograr evaluaciones más confiables.

En este episodio, los expertos en transformación de datos de OMICRON, David Gopp y Lukas Klingenschmid, hablan de la validación de los datos de medición y del papel que desempeña para conseguir una transformación digital exitosa en el sector eléctrico.

Energy Talks presenta varios episodios relacionados con las pruebas de los sistemas eléctricos. Puede encontrar todos los episodios en nuestra página de destino del podcast.

Descubra más historias de portada de OMICRON

Escucha nuestros podcasts

16 de noviembre de 2022

Vulnerability Management in Substations and Power Plants

with Andreas Klien

Episode 44 - Energy Talks

10 de noviembre de 2022

In the Shoes of Field Engineers | Onsite Power Transformer Commissioning

with Marcus Stenner

Episode 43 - Energy Talks

19 de octubre de 2022

Digital Transformation in the Power Industry 5 | Pattern Recognition

with David Gopp

Episode 42 - Energy Talks

Digital Transformation Series | Part 5

Está utilizando una versión de navegador desactualizada.
Por favor, actualice su navegador o utilice otro para ver correctamente esta página.
×