Factibilidad de implementación de un modelo predictivo multivariable que apoye la decisión de mantenimiento en los aisladores de las líneas de transmisión pertenecientes a Chilquinta

Abstract

Chilquinta Energía es una empresa de distribución eléctrica con amplia participación en comunas de la Región de Valparaíso, comprendiendo un área de cobertura de 11.496 km2. Las líneas de transmisión de la empresa se ven expuestas a factores ambientales que inciden directamente en el funcionamiento de sus componentes. Tal es el caso de los aisladores, elementos de protección y sostén cuyo mantenimiento es esencial para evitar descargas indeseadas y asegurar la continuidad del suministro. El plan de mantenimiento actual se basa en una metodología con alta dependencia de la interpretación del personal, afectando en el análisis de las inspecciones de las líneas y la toma de decisiones respecto a la planificación. Bajo el marco del programa de Memorias Multidisciplinarias, se conformó un equipo interdisciplinario para el desarrollo de una herramienta basada en inteligencia artificial que permita apoyar la toma de decisiones a través del reconocimiento de patrones detectados a través del estudio de los datos de las inspecciones previas. A través del análisis de la metodología y el estudio de los parámetros recolectados en el proceso de inspección, se determinó la existencia de conflictos que inciden directamente en el nivel de confianza de los datos. Por otro lado, tras su examinación, se consideró que la cantidad de información existente a la fecha no constituye una base considerable para el análisis de patrones significativos del fenómeno. Ante la imposibilidad de desarrollar un modelo predictivo en el corto plazo, se propone una mejora integral del proceso de inspección para alcanzar el objetivo en el mediano plazo. Se realizan tres propuestas de mejora: una nuevo instructivo para la inspección de aisladores, la reestructuración del formulario de inspección de acuerdo a las necesidades de la empresa y la integración de un detector de anomalías en las mediciones basado en técnicas de inteligencia artificial. Dichos insumos fueron desarrollados y entregados a la contraparte junto otras propuestas de mejoras para el mediano plazo, como la digitalización del proceso de medición y la creación de una base de datos centralizada. Las mejoras desarrolladas fueron inmediatamente implementadas en el proceso de medición del año 2020.