Evaluación de la capacidad de predicción de la evolución de árboles eléctricos en resina epóxica mediante el uso de técnicas de inteligencia artificial

Abstract

Los fallos en equipamientos eléctricos debido a deterioros de aislantes producen tiempos de corte y reposición en la operación del sistema eléctrico produciendo pérdidas económicas asociadas. Uno de los mecanismos de envejecimiento en aislantes son los árboles eléctricos, cavidades en el aislante que crecen con formas similares a arboles botánicos. Un monitoreo de las variables eléctricas asociadas a los árboles eléctricos, tales como las descargas parciales, permitiría acciones preventivas ante la posibilidad de una falla en el equipamiento eléctrico. En este trabajo de memoria se evaluó la capacidad de predicción de la evolución de árboles eléctricos mediante técnicas de inteligencia artificial. Se utilizaron datos de las descargas parciales y longitudes de árboles eléctricos ensayados a 15 kV AC, 15kV AC + 15 kV DC y 15kV AC-15kV DC, en probetas de resina epóxica. Para realizar la predicción se utilizaron modelos de random forest y redes neuronales. Los datos se etiquetaron asignando un estado de deterioro de cada árbol eléctrico respecto a su avance basado en la inspección de sus longitudes y características de descargas parciales. Los datos de entrenamiento utilizados fueron basados en parámetros de la norma IEC 60270 y mediante el análisis de diagramas resueltos en fase de las descargas parciales. Se obtuvo una capacidad de predecir los estados de árboles eléctricos con una exactitud de alrededor del 90% con los modelos de random forest y redes neuronales. También se observó que dentro del set de características es de mayor importancia la obtención de los análisis resueltos en fase respecto a los parámetros de la IEC 60270. Failures in electrical equipment due to insulation deterioration lead to interruption and restoration times in the operation of the electrical system, resulting in associated economic losses. One of the aging mechanisms in insulation are electrical trees, cavities in the insulation that grow in shapes similar to botanical trees. Monitoring electrical variables associated with electrical trees, such as partial discharges, would enable preventive actions against potential failures in electrical equipment. In this study, the predictive capability of the evolution of electrical trees was evaluated using artificial intelligence techniques. Data from partial discharges and lengths of electrical trees were collected through tests at 15 kV AC, 15 kV AC + 15 kV DC, and 15 kV AC-15 kV DC in epoxy resin samples. Prediction was performed using random forest and neural network models. The data were labeled with the deterioration state of each electrical tree based on its advancement, determined by inspecting its lengths and partial discharge characteristics. The training data were based on parameters from the IEC 60270 standard and phase-resolved partial discharge patterns. Prediction capabilities for the prediction of the states of electrical trees were achieved with approximately 90% accuracy for both random forest and neural network models. Additionally, it was observed that the phase-resolved partial discharge analysis within the feature set is of greater importance than the parameters of IEC 60270