Baixe Métodos no invasivos para el monitoreo del estado de salud de transformadores secos e outras Resumos em PDF para Matemática, somente na Docsity!
PROYECTO DE FIN DE CARRERA
Presentado a:
LA UNIVERSIDAD DE LOS ANDES FACULTAD DE INGENIERÍA DEPARTAMENTO DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA
Para obtener el titulo de
INGENIERO ELECTRÓNICO
por David Steven Perez Atehortua
VIGILANCIA TECNOLÓGICA PARA EL ESTADO DE SALUD DE
EQUIPOS (SOH) SECOS DE TRANSFORMACIÓN
Sustentado el 15 de diciembre de 2022 frente al jurado:
Composición del Jurado
- Asesor: Gustavo Ramos, Profesor Asociado, Universidad de los Andes
- Jurado: Luis Felipe Giraldo, Profesor Asociado, Universidad de los Andes
Índice
1. Introducción
Hoy en día la presencia de transformadores de baja tensión instalados es bastante alta al punto en que es común ver estos equipos en gran parte de las zonas urbanas y rurales, lo que complica en gran medida llevar un adecuado control del estado de salud de los mismos. Razón por la cual existen una variedad de estudios que se enfocan en el adecuado manejo de la calidad de vida de los equipos de transformación, sin embargo, se debe resaltar que existen dos grandes clases de transformadores, sumergidos en aceite y secos, pero ya que se suelen dejar de lado estos últimos el control de vida de estos suele ser mínimo, por ende esta entrega documentara dos métodos de estado de salud relacionados a los transformadores de tipo seco.
En primera instancia, un equipo de transformación debe someterse a una inspección riguro- sa de acuerdo a un tiempo especificado por el fabricante, sin embargo, es de gran importancia llevar un control regular del estado de salud del equipo ya que existen múltiples factores tanto ambientales como eléctricos que pueden disminuir considerablemente la vida de los equipos de transformación, destacando el factor de la temperatura como el mayor indicador de daño de equipos eléctricos. Pero, el problema radica en que los costos para implementar una moni- torización relativamente continua a tantos equipos puede resultar bastante costosa amen de utilizar métodos invasivos que requieren de sacar el equipo de servicio afectando a los usua- rios al mantenerlos fuera de red por prolongados periodos de tiempo, por tanto, aparecen los métodos no invasivos, los cuales permiten dar un índice del estado de salud del equipo mientras este se mantiene en servicio y con la capacidad de dar un informe de varios equipos en un corto periodo de tiempo.
Bajo este hilo de conceptos, se aplicaron dos métodos para determinar el estado y la vida actual del equipo de transformación a través de una monitorización semi-continua y continua en un equipo MPZ15T2FSS, que se corresponde a los siguientes:
Monitorización Semi-Continua: Este método se basa en la inspección infrarroja que sigue la normativa ANSI/NETA-ATS, generalmente es conducida por un inspector o técnico especializado, este indica un estado de severidad del equipo de acuerdo a ciertos parámetros de temperatura detectados en la lectura. En este caso se busca mejorar este método a través del aprendizaje automatizado facilitando la labor de inspección al generar un registro de datos del equipo y tener una referencia para el índice de degeneración de salud del equipo y ayudar a tener una respuesta mas precisa.
Monitorización Continua: Este método acude a la relación de la velocidad con la que el estado del aislamiento en resina de un equipo de transformación se degenera de acuerdo a su exposición a una temperatura determinada, recurriendo para esto a la ecuación de Arrhenius. El principio aplicado para este método recurre a una base de datos generada a partir de la toma de temperatura con un sensor de bajo costo (DS18b20), recogiendo datos cada hora desde el inicio de la operación del equipo de transformación.
2. Objetivos
2.1. Objetivo general
Diseñar un modelo para aplicaciones en estado de salud de equipos de sistemas de potencia de bajo costo, integrando internet de las cosas y inteligencia artificial.
2.2. Objetivos especificos
Rastreo de métodos, diseño conceptual y básico de modelo de gestión de salud de equipos.
Prueba de la aplicación con bases de datos, registro de datos en laboratorio.
Identificación de oportunidades para el desarrollo de aplicaciones en estado de salud.
2.3. Alcance y productos finales
Ya que el proyecto se compone de dos vertientes (modelo continuo y semi-continuo), se generaron dos productos finales.
En primer lugar, el modelo semi-continuo de imagenes termicas concluyo con un modelo de red neuronal basado en una arquitectura AlexNet y una modificada que clasifica el estado de salud del equipo de transformación en tres niveles de severidad de acuerdo a la ANSI/NETA ATS, correspondiendo cada uno a estados de normal, posible deficiencia y revisar en futuro cercano.
En segundo lugar, el modelo continuo con datos del sensor DS18b20 se corresponde a la estimación de vida remanente del aislamiento del equipo de transformación basado en un
químicas e incluso mecánicas de algunos materiales, adicionalmente, de acuerdo a la RAE, es un ensayo que no degrada el funcionamiento futuro del objeto en ensayo.
3.2. Datos Básicos
Un transformador se rige por la segunda ley de Maxwell (Segunda ley de Inducción)
Ui = − N · dϕ/dt Ui =4, 44 · f · N · B · Afe or V 1 /V 2 =N 1 /N 2 Donde Ui valor de voltaje inducido r.m.s[V ] F frecuencia N número de vueltas devanado B Valor pico de inducción magnética Afe Sección del núcleo de hierro[m^2 ]
3.3. Factores de Falla
Estrés mecánico
Entre conductores y devanados gracias a la sobre-corriente o corrientes de falla ocasionadas por corto circuito o corrientes inrush.
Estrés Termal
Mayor índice de daño de equipos, ya que afecta la eficiencia del núcleo, ocurre por sobre- calentamiento, corrientes de sobre carga, perdidas en el conductor (I^2 R), filtraciones de flux cuando la carga sobrepasa la indicada en la placa del equipo y finalmente por fallas en el sistema de enfriamiento.
Estrés Dieléctrico
Debido a sobrevoltajes, impulsos transientes e intervalos de resonancia de los devanados, fuerzas dieléctricas
Deep Learning
[4] Mediante el Deep Learning es posible permitir a un computador el obtener experiencia y obtener un entendimiento del mundo a partir de conceptos simples.
Redes Neuronales Convolucionales : Son un tipo de red neuronal encargada de procesar datos en términos de una red a manera de cuadricula en una o dos dimensiones.
Convolución La convolución es una operación entre dos funciones con argumento real, con el fin de obtener una nueva función en la que se gana generalmente mayor nitidez en el procesamiento de señales.
s(t) =
x(a)w(t − a)da
También denotada como: s(t) =(x ∗ w)(t)
Donde se asocia x a la señal de entrada y w a una matriz de pesos o en el caso del presente proyecto el kernel. Sin embargo, el procesamiento por computador no es continuo y la operación debe hacerse de forma discreta a través de sumatorios
s(t) =(x ∗ w)(t) =
∑^ ∞
a=−∞
x(a)w(t − a) (^) (3)
Siendo usualmente los parámetros x y w de forma multidimensional denominados co- mo tensores ya que cada elemento asociado al kernel debe ser almacenado de forma separada.
Arquitectura: Existe una gran variedad de arquitecturas de redes neuronales con- volucionales que pueden ser usadas de acuerdo a el numero de parámetros con los que este diseñada, entre las mas usadas se encuentran: [5]
- LeNet- Es una arquitectura sencilla con 2 capas convolucionales, 2 sub-muestro y 3 total- mente conectadas, con 60.000 parámetros, usada en reconocimiento de caracteres en documentos.
Kernel Como ya se ha mencionado anteriormente, esta es una matriz de pesos que actúa como filtro móvil sobre una imagen, usado para extraer características de una imagen como curvas o bordes.
Capa de Activación Se usan generalmente para conseguir un mejor entrenamiento de la red, su principio es el de activar una neurona a partir de un impulso proveniente de la salida de una neurona anterior mediante una función matemática. Existen una gran variedad de funciones de activación, entre las que se encuentran.
- Heaviside :
Figura 4: Heaviside
También conocida como la función escalón, en el que solo existe el estado apagado o encendido (1 o 0), pero con grandes problemas con los entrenamiento actuales puesto que esta función tiene problemas al tener una derivada nula.
- Logística
Figura 5: Logística [3]
De carácter exponencial con función
P (x) =
1 + e−x/ρ^
Usada generalmente en backpropagation, colocando un factor ρ que agrega un separador suave en la salida.
- ReLu En este caso es un rectificador que se encarga de asignar el mismo argu- mento original, pero dejando en 0 si este es negativo
Figura 6: ReLu
Aumento de datos: Con el fin de aumentar las variaciones en los datos de entrena- miento, se hace uso del aumento de datos el cual se encarga de modificar la posición e
tener una herramienta que permita la medición en un rango de − 10 ◦^ a 200 ◦^ centígrados, además de que la medición en cuestión tendrá mejores resultados si el objeto de estudio se encuentra sometido a un a carga alta para así conseguir los puntos calientes, indicadores de falla en el equipo. Además, se debe generar un respectivo reporte en el que se incluya una descripción del dispositivo a ser inspeccionado, las discrepancias encontradas, la diferencia de temperatura entre el punto caliente y la temperatura ambiente, y las posibles causas de un fallo del equipo eléctrico.
Existe una variedad de herramientas para la toma de estas imágenes entre los que se encuentran:
Sensor o Cámara termal: Es un dispositivo con o sin una pantalla capaz de identifi- car el espectro infrarrojo, que representa directamente el calor emitido por un objetivo y dependiendo de la resolución de este es posible tomar imágenes de entre − 20 ◦^ a 1000 ◦.
Sensor de evaporación: Es un dispositivo que posee un lente de germanio que irra- dia una membrana recubierta de oro negro, la cual es un tanque al vació con aceite, que cuando se evapora se condensa en la membrana y genera la imagen térmica.
Sensor de Fotones: Basado en el efecto fotoeléctrico, se encuentran en presentaciones encapsuladas sin refrigerante o con argón o nitrógeno como medio refrigerante. En el caso del argón se pueden obtener imágenes en una coloración roja y negra, donde entre mas rojo mas caliente y con una resolución de 0 , 1 a 22 ◦. En el caso del nitrógeno se obtienen imágenes en blanco y negro, donde entre mas blanco mas caliente, con una resolución de 0 , 2. Finalmente, si no hay refrigerante se obtienen imágenes con coloración verde y negra, sin una relación clara entre intensidad de color y temperatura.
Estos dispositivos se utilizan para llevar a cabo una inspección termografía basada en la normativa internacional NETA ATS 2021 y denominada como δT , la cual clasifica el estado del equipo de transformación de acuerdo a un nivel de severidad indicando si el equipo requiere o no atención inmediata, esta se puede apreciar en el cuadro 2.
Nivel ∆T Ambiente y Carga Similar Clasificación Acción 1 1 ◦C − 3 ◦^ Posible deficiencia Se requiere mas información 2 4 ◦C − 15 ◦^ Posible deficiencia Reparar en la próxima parada 3 >15◦^ Deficiencia Reparar tan pronto como sea posible
Cuadro 2: ANSI/NETA-ATS, 2021 [2]
Ttc =(Trt − Tra)(Im/Ir)n^ + Tma =(180 − 27)(21/42)^2 + 24 =62, 2 ◦C
Estas mediciones del cuadro 2 están ajustadas para el caso de equipos de transformación a cargas, temperatura ambiente similares y temperatura rise indicada en la placa del equipo de transformación.
4.2. Punto caliente
El aislamiento se encarga de proteger el devanado de factores ambientales o eléctricos, como el efecto Joule, que ponen en riesgo la vida útil del equipo. En general, existen una variedad de factores ambientales que afectan el aislamiento tales como humedad y tempera- tura, destacando esta ultima como el indicador mas alto de daño en el aislamiento. Por esta razón, cada fabricante asigna un tipo de aislamiento (Cuadro 1) a cada equipo de acuerdo a las condiciones en las que podría verse sometido, pero, esto no indica que no deba llevarse un respectivo control sobre el estado del mismo.
Por ende y siguiendo el mismo hilo del documento de usar métodos no invasivos el método del punto caliente se encarga de determinar el estado actual del aislamiento a partir de las zonas con mayor daño del mismo por causas de la temperatura, generando un modelo de envejecimiento y entregando un aproximado de la perdida de vida porcentual desde el inicio de operación.
4.2.1. Modelo de envejecimiento
El modelo de envejecimiento se basa la ecuación de Arrhenius, que en esta aplicación tiene como principio la velocidad de degeneración del aislamiento a una determinada exposición de temperatura por un periodo de tiempo.
Figura 8: Factor de aceleración de envejecimiento
De este factor y basado en la figura 8 se puede deducir que a medida que aumenta la temperatura el factor de aceleración de envejecimiento incrementa.
Perdida porcentual de vida
Finalmente, se calcula la perdida porcentual de vida del aislamiento, para este se requieren de dos de pasos mostrados a continuación, pero antes, se aclara que el siguiente método aplica para un transformador ubicado en interiores, por lo que factores como la radiación solar, viento o lluvia no se tendrán en consideración para el ajuste de temperatura
- Ponderación factor de envejecimiento: En primer lugar, se debe tomar cada me- dición de temperatura realizada y generar un ajuste en caso de que la medición se haya realizado en la capa exterior del equipo de transformación y no en el interior, correspondiente a una diferencia de temperatura de aproximadamente 0 ∼ 10 %, lue- go se debe aplicar la ecuación 6 y obtener los factores para cada medición corregida, correspondiente a:
P f e =
∑^ N
i=
F AAi∆ti (7)
Con N el numero de mediciones realizadas
Paralelamente, se calcula el factor que representa el fin de la vida útil del equipo de transformación teniendo en cuenta el estimado de vida en horas entregado por el fabricante (Ivida), en un equipo que se mantiene encendido las 24 horas del día, aun en presencia de baja carga. f pr =
Ivida
- Perdida de vida porcentual: En segundo y ultimo lugar, se calcula el porcentaje acumulado de vida perdida basado en los dos valores obtenidos anteriormente, operán- dolos de la siguiente manera.
%Perdida vida = P f e Ivida
5. Metodología del trabajo
5.1. Método termografía
Se presenta el diagrama de flujo utilizado en este método y se desarrollaran su partes a lo largo de la explicación de este literal.
Figura 9: Diagrama Método Termografía
El método térmico acude a la reglamentación ANSI/NETA-ATS con la que se determi- naron los niveles de clasificación que tendrá el modelo. Correspondiéndose estos a Nivel 1, Nivel 2 y Nivel 3 , que se corresponden con las siguientes imágenes que están a escalas de temperatura similares, teniendo en cuenta que el nivel normal de temperatura elegido para
(a) Precisión (b) Perdidas
Figura 12: Calidad del entrenamiento AlexNet
Determinándose así, que la arquitectura con menor requerimiento computacional es la modificada, por tanto se elige este modelo como óptimo en este caso al tener una presencia de pocos datos.
5.2. Método Punto Caliente
Se presenta el diagrama de flujo utilizado en este método y se desarrollaran su partes a lo largo de la explicación de este literal.
Figura 13: Diagrama Método Punto Caliente
Antes de iniciar se hace la aclaración de que para el desarrollo de este método en con- diciones normales se debería tener un registro considerable de datos de temperatura desde el primer día de operación del equipo, sin embargo, por las limitaciones de tiempo del pro- yecto y que no se detecto una variación considerable de carga, reflejado en los valores de temperatura de la fig. 14, se generara una toma de datos por minuto durante una semana y se considerara cada minuto como una hora de vida del equipo, además de que para evitar vacíos en los datos se considerara que el equipo inicia su vida útil en el minuto 0 de la toma de datos, una vez hecha la aclaración se prosigue con el método.
Se genero una base de datos que consiste en una toma cada minuto con un sensor DS18b a lo que se considero el punto mas caliente del equipo de transformación, obtenido a través de imágenes térmicas como las de la figura 12b, obteniéndose el siguiente perfil de temperaturas.
