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

• Autor: Morales Villanueva, Martin Jonathan
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/28426
• Enlace del recurso: http://hdl.handle.net/20.500.14076/28426
• Nivel de acceso: acceso abierto
• Materia: Transformadores; Distribución eléctrica; Aprendizaje automático; Detección de anomalía; Árbol de decisión; https://purl.org/pe-repo/ocde/ford#2.03.02

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.