Modelo de aprendizaje automático para detectar anomalías en un transformador de una empresa de distribución eléctrica

Abstract

En el ámbito del mantenimiento eléctrico, es habitual realizar mediciones puntuales de parámetros eléctricos como corriente y voltaje de baja tensión. El tiempo que transcurre entre que el personal realiza la medición y se culmina el análisis de datos para detectar anomalías es de aproximadamente una semana. Las anomalías que no se identifican a tiempo pueden escalar rápidamente, afectando tanto el desempeño del sistema eléctrico y los indicadores clave del negocio. Las consecuencias de la no detección oportuna de una anomalía son la reducción en la venta de energía, reducción de la confiabilidad y el impacto en la satisfacción al cliente. La presente tesis tiene como objetivo desarrollar un modelo de aprendizaje automático para la detección de anomalías en un transformador de una empresa de distribución eléctrica. Se centra en la identificación de tres tipos principales de anomalías: cortocircuito externo, sobrecarga en el transformador y niveles de voltaje. Para la detección automática de estas anomalías, se desarrolló un modelo de Árbol de Decisión que permitió clasificar con precisión los datos en categorías de anómalos y no anómalos. Los resultados obtenidos confirman la alta eficiencia y precisión del modelo propuesto, logrando identificar correctamente las anomalías dentro del extenso conjunto de datos analizados. Además de su precisión, la implementación del modelo demostró ser económicamente viable. La aplicación de técnicas de aprendizaje automático para la detección de anomalías en transformadores permite reducir los tiempos en la toma de decisiones. Lo cual impacta de forma positiva en la gestión de mantenimiento, contribuye significativamente a mejorar la eficiencia operativa. La adopción de este tipo de tecnologías es un paso esencial para modernizar la gestión de mantenimiento y garantizar la continuidad del servicio eléctrico.

In the field of electrical maintenance, it is common to conduct point measurements of electrical parameters such as low-voltage current and voltage. The time elapsed between conducting the measurement and completing the data analysis to detect anomalies is approximately one week. Anomalies that are not identified promptly can escalate quickly, affecting both the performance of the electrical system and key business indicators. The consequences of not detecting anomalies in time include reduced energy sales, decreased reliability, and negative impacts on customer satisfaction. This thesis aims to develop a machine learning model for detecting anomalies in a transformer belonging to an electrical distribution company. It focuses on identifying three main types of anomalies: external short circuits, transformer overloads, and voltage levels. To enable the automatic detection of these anomalies, a Decision Tree model was developed, which accurately classified data into anomalous and non-anomalous categories. The results obtained confirm the high efficiency and accuracy of the proposed model, successfully identifying anomalies within the extensive dataset analyzed. In addition to its precision, the model's implementation proved to be economically viable.

The application of machine learning techniques for anomaly detection in transformers reduces decision-making times, positively impacting maintenance management and significantly improving operational efficiency. The adoption of such technologies is an essential step toward modernizing maintenance management and ensuring continuity in electrical service.