Resumen de Estimación de la temperatura de punto caliente en transformadores de potencia inmersos en aceite mineral utilizando regresión con vectores de soporte

Andrés F. Ceron, Roque A. Lozano, Guillermo Aponte Mayor, Andrés Arturo Romero Quete

• español

  En este artículo se presenta un desarrollo metodológico novedoso para la estimación de la temperatura de punto caliente en transformadores de potencia inmersos en aceite mineral, utilizando regresión con vectores de soporte (RVS). El algoritmo RVS se fundamenta en la teoría de aprendizaje estadístico y hace parte de las herramientas de aprendizaje automático, fue utilizado mediante la implementación de seis etapas, donde se obtiene un modelo de RVS capaz de estimar la variable bajo estudio. El método fue aplicado a un transformador real de 30 MVA con refrigeración ONAN/ONAF al 70/100 % de carga, donde se utilizó una base de datos para un periodo de 10 años. La validación del modelo de RVS desarrollado se realizó comparando con los resultados obtenidos del modelo Dejan Susa, usando métricas estadísticas de desempeño. En conclusión, los resultados obtenidos indican que la RVS implementada permite estimar con alta exactitud la temperatura de punto caliente.

• English

  This article presents an innovative methodological development for the hot spot temperature estimation in mineral oil immersed power transformers by using the support vector regression (SVR). The SVR algorithm is based on the statistical learning theory and is part of the machine learning tools. It was used through a six stage implementation where an SVR model capable of estimating the variable under study is obtained. The method was applied to a real 30 MVA transformer with ONAN/ONAF cooling at 70/100 % of load using a database for a 10 year period. The developed SVR model was validated by comparison to the results obtained with the Dejan Susa model using statistical performance metrics. In conclusion, the results obtained indicate that the implemented SVR model allows estimating the hot spot temperature with high accuracy.