Determinación de algoritmos en máquinas soportes vectorial y redes neuronales para el diagnóstico de fallas en gases disueltos en el aceite

El parámetro principal que determina el estado de los transformadores de potencia en operación ya sea normal o en deterioro, es el aislamiento en su interior, compuesta de los componentes dieléctricos como el aceite y el papel que cubren el recinto del bobinado. Anormalidades en la aislación son productos de la degradación de los componentes mencionados; formándose subproductos químicos que se derivan del envejecimiento y se acumulan en el aceite en forma de gases, como efecto principal se merma la vida útil de los transformadores. El método más aceptado y utilizado para detectar gases en el interior de un transformador es el Análisis de Gases Disueltos (AGD), debido a que emite mayor información, permite diagnosticar probables fallas mediante técnicas convencionales de interpretación de resultados (gases en ppm) antes de que se presente en la máquina, a este tipo de fallas se las conoce comúnmente como “Fallas Incipientes†.En el presente trabajo se tomaron muestras del AGD realizados a varios transformadores de potencia sumergidos en aceite para formar una base de datos (concentraciones de gases y falla diagnosticada), con lo que se evaluó y realizó un diagnóstico del estado a varios transformadores de potencia basado en métodos inteligentes de interpretación de datos para la predicción de fallas, estos son: Redes Neuronales Artificiales y Máquinas de Soporte Vectorial para compararlos con los criterios científicamente aceptados como: Criterio de Rogers y Criterio de Dornenburg, con el fin de determinar el método más asertivo en detectar fallas incipientes en transformadores de potencia.