Resumen de Deep neural networks for partial discharge sources recognition in mv switchgear
La Descarga Parcial (DP) es un fenómeno generado como consecuencia de las imperfecciones del aislamiento dieléctrico, como pueden ser pequeñas cavidades huecas en dieléctricos sólidos o descargas que se producen en el aire, típicamente en las puntas o en los bordes afilados de los conductores. En este fenómeno, se produce una avalancha de electrones, creando un veloz pulso de corriente transitorio a muy altas frecuencias, cuya duración y tiempo de subida dependen de la fuente de DP que la ha generado. Por lo tanto, al tener cada defecto su propio mecanismo de degradación, es posible identificar diferentes tipos de defectos extrayendo características particulares de la señal de los pulsos que han sido registrados.
Caracterizar fuentes reales de descargas parciales en las redes eléctricas es una tarea difícil porque tiene que ser detectada con técnicas de medición on-line que no están estandarizadas y, por lo tanto, la señal registrada puede variar de acuerdo con muchos factores, tales como la topología del circuito, la tecnología del sensor, la ubicación del sensor con respecto a la fuente del defecto, el ruido de fondo, etc. En esta tesis, se realizan mediciones experimentales en un laboratorio que permite reproducir diferentes configuraciones de redes de distribución eléctrica (llamado UDEX), con el objetivo de analizar la propagación de la señal de los pulsos de PD en un complejo sistema eléctrico y determinar una representación adecuada de este fenómeno. La detección de descargas parciales en un sistema eléctrico energizado es crucial para prevenir costosos cortes de la red y, por ello, la identificación del defecto antes de una avería total es esencial. A lo largo de los años, se han desarrollado varios algoritmos para automatizar la clasificación de las fuentes de DP. Recientemente, los más eficientes fueron los de Aprendizaje Automático (en inglés, Machine Learning), pero este método es sólo una clasificación “semi-automática” porque los datos de entrada tienen que ser tratados por un experto, que debe tener conocimiento sobre qué características son importantes para el algoritmo, y como tal incluye un sesgo significativo.
La investigación realizada en esta tesis tiene como objetivo implementar novedosas técnicas de Aprendizaje Profundo (en inglés, Deep Learning) para automatizar la clasificación (o identificación) de las fuentes de DP en redes reales de distribución eléctrica. Los algoritmos de Aprendizaje Profundo se basan en las Redes Neuronales Profundas (DNN, por sus siglas en inglés), que consisten en determinar una arquitectura adecuada para el modelo de la red neuronal y entrenar dicho modelo con un conjunto de muestras que representen el fenómeno que se quiere clasificar, permitiendo de esta manera que el modelo aprenda, tome decisiones o haga predicciones inteligentes por sí mismo, incluyendo la extracción automática de las características de las muestras.
Esta tesis proporciona una revisión de la literatura de los avances recientes que se han hecho en el campo de las Redes Neurales Profundas utilizadas para la clasificación de las descargas parciales, y examina las mejoras que podrían hacerse. Basándose en los resultados de esta investigación, se selecciona como modelo un Autoencoder Convolucional (CAE, por sus siglas en inglés), se propone una arquitectura y se desarrolla la metodología para su implementación. Este modelo combina los beneficios del filtrado convolucional de las Redes Neuronales Convolucionales con el pre-entrenamiento no-supervisado de los Autoencoders, lo que permite un entrenamiento independiente de las capas convolucionales de la tarea de clasificación, para generar una nueva codificación de datos.
Los datos utilizados para el entrenamiento y verificación del Modelo CAE fueron elaborados en este trabajo. La base de datos se construye con defectos reales que se encuentran comúnmente en las celdas energizadas de Media Tensión, junto con las señales de ruido e interferencia que están presentes en estas instalaciones. Las fuentes de DP ensayadas consisten en montajes defectuosos, como la pérdida de la tapa de las terminaciones de los cables, o un cable de tierra en contacto con el aislamiento de las terminaciones de los cables. En total, diez fuentes fueron replicadas en UDEX, utilizando técnicas de medición on-line para obtener los datos de la señal de DP.
Además, en este trabajo se propone una representación alternativa de la señal de DP para construir el conjunto de datos, la cual es una imagen con información de tiempo-frecuencia llamada Escalograma, y que se obtiene aplicando la Transformada Wavelet Continua (CWT, por sus siglas en inglés) a la señal pre-procesada de la descarga. Se ha comprobado que esta representación optimiza el tiempo de adquisición de los datos y garantiza una representación fiel del fenómeno de la DP para su posterior identificación.
Los resultados de esta tesis muestran que el modelo CAE entrenado predice con gran precisión nuevos ejemplos de escalogramas de DP, demostrando la eficacia de la metodología para automatizar el reconocimiento de las diferentes fuentes de descargas parciales y para diferenciarlas del ruido y otras fuentes de interferencia.
