Este artículo presenta el Análisis de Descargas Parciales empleando Técnicas Neuronales. Las máquinas rotativas empleadas en la industria suelen presentar fallas en los aislamientos causadas por falta de mantenimiento y desconocimiento del estado de los mismos. Es importante la realización de pruebas periódicas y evaluaciones continuas del estado del aislamiento para garantizar el correcto funcionamiento de las máquinas. Uno de los métodos empleados para la detección de estas fallas es el de Descargas Parciales. Las cuales consisten en pequeñas descargas producidas en una porción de gas que queda disuelto en el aceite o dieléctrico que constituye el aislamiento de las máquinas eléctricas. En este trabajo de investigación se realiza un análisis de dos trabajos desarrollados en torno a las descargas parciales, donde se han implementado técnicas de inteligencia artificial. Los resultados mostraron una alta efectividad de las redes neuronales para lograr la clasificación de las descargas parciales y aportar en el mantenimiento de equipos eléctricos de alta potencia.
Palabra Claves: equipos eléctricos de alta tensión, descargas parciales, redes neuronales, fallas.
Referencias
[1]Grimón, Y. (2012) Algoritmo de clasificación de imágenes usando redes neuronales.
[2]Cadena, J. y Cadena J. (2008) Aplicación de redes neuronales probabilísticas en la detección de fallas incipientesen transformadores. Universidad Tecnológica de Pereira.
[3]Carvajal, A. García y V. Asiaín, T. (2008) Diagnóstico en línea de motores de gran capacidad mediante la detección de descargas parciales utilizando técnicas de banda ultra ancha. Revista información tecnológica vol. 19 N° 1 enero 2008. Centro e información tecnológica, La Serena, Chile.
[4]Krivda, A., Blackmore, P. y Birtwhistle, D. "Materials in overhead distribution networks. IEEETansactions on dielectrics and electrical insulation". Vol. 6. N°5 1999.
[5]Magrashi, A. (1997) Pattern recognition of partial discharges using matlab tools. Sultan Qaboos University, Oman.
[6]Suárez, F. “Proceso Neuronal para Análisis de Descargas Parciales en la empresa CORPOELEC, de Ciudad Guayana, Venezuela”. Rev. Hallazgos 21. Vol. 3, Num. 02. Pp 169-180. Junio 2018.
[7]Suárez, F., Sucre, P., y Almeida, G., “Inteligencia artificial en el proceso de obtención de alumina”, Rev. Universidad,Ciencia y Tecnología. Vol. 22, Num. 88. Pp. 48-56. Julio 2019.
[8]Gómez, M. (2007) “Ejemplo de aplicación de una red de retropropagación” [En línea] Disponible en www.iiia. CISC. es.
[9]Nooraii, A. (2003) “Applying Multivariable Control Technology At Alcoa World Alumina” (Paper presented at the Honeywell User’s Group Annual Meeting, Brisbane, Australia.
[10]Rumelhard, D., Hinton, G y Willians, R. (1986)“Learning representations by backpropagation errors”. Nature.
[11]Bryson, A. HO, Y. (1969) “Applied optimal control” Blaisted. New York.
[12]Mason, D. (1998) “Process Control Technology Saving Energy” Australian Energy News, 10.