Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.uteq.edu.ec/handle/43000/1849
Título : Análisis de algoritmos basados en máquinas de soporte vectorial y redes neuronales artificiales para el diagnóstico de fallas en transformadores de potencia empleando muestras de gases disueltos en el aceite
Autor : Torres Quijije, Ángel Ivan
De La Torre Macías, Andrés Alexander
Palabras clave : Transformadores de potencia
Análisis de gases disueltos
RNA
SVM
Fallas incipientes
Fecha de publicación : 2016
Editorial : Quevedo: UTEQ
Citación : De La Torre M., Andrés Alexander. (2016). Análisis de algoritmos basados en máquinas de soporte vectorial y redes neuronales artificiales para el diagnóstico de fallas en transformadores de potencia empleando muestras de gases disueltos en el aceite
Citación : Tesis de Pregrado;T-UTEQ-0006
Resumen : 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 (mostrada en las tablas 9, 10, 11 y 12) 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.
Descripción : The main parameter that determines the state of the power transformers in operation, whether normal or deteriorating, is the insulation inside, composed of dielectric components such as oil and paper covering the winding enclosure. Abnormalities in insulation are products of degradation of the mentioned components; Forming chemical by-products that are derived from aging and accumulate in the oil in the form of gases, the main effect is the life of the transformers. The most accepted and used method to detect gases inside a transformer is the Dissolved Gas Analysis (AGD), because it emits more information, allows to diagnose probable failures by means of conventional techniques of interpretation of results (gases in ppm) before Which is present in the machine, this type of fault is commonly known as "Incipient Failure". In the present work, samples of the AGD were made to several power transformers submerged in oil (shown in Tables 9, 10, 11 and 12) to form a database (gas concentrations and fault diagnosed), evaluated and performed A diagnosis of the state to several power transformers based on intelligent methods of data interpretation for the prediction of failures, these are: Artificial Neural Networks and Vector Support Machines to compare them with the criteria scientifically accepted as: Criterion of Rogers and Criterion of Dornenburg , In order to determine the most assertive method to detect incipient faults in power transformers.
URI : http://repositorio.uteq.edu.ec/handle/43000/1849
Aparece en las colecciones: Tesis de Pregrado - Ingeniería en Electricidad

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
T-UTEQ-0006.pdf3,99 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons