Análisis y definición del algoritmo de mantenimiento predictivo de transformadores e interruptores

El objetivo principal de este TFM es definir un modelo de predicción de fallo para la implementación de una estrategia de mantenimiento predictivo en los transformadores de una compañía eléctrica. Dicha estrategia se basa en la detección de indicadores de fallo en los equipos para establecer prioridades en las tareas de mantenimiento. Para ello, se cuenta con informes de mantenimiento y el histórico de operación de los transformadores, registrado en una plataforma online. Sin embargo, no se dispone de ninguna variable acerca del estado interno del transformador, como la temperatura del aceite o los gases disueltos en éste. Se han completado las siguientes etapas del ciclo de análisis de datos: recopilación de los datos, limpieza e integración de los mismos, análisis exploratorio y generación de un modelo. Para la recopilación de los datos se ha automatizado su descarga de la plataforma a través de Python. Para limpieza e integración de los datos se ha empleado Excel. Las mayores dificultades del proyecto se han encontrado en esta fase, debido a la falta de integridad de los datos de la plataforma. El análisis exploratorio de los datos se realizó en Excel y MATLAB. En él se descubrió una anomalía, que sirvió de base para el modelo de predicción de fallo. Este modelo es específico para el fallo del transformador en que se basa, que consiste en una avería por aparición de punto caliente.

The main objective of this Master Thesis is to define a model for the implementation of a predictive maintenance strategy in a power supply company. This strategy is based on the detection of failure indicators in the machines to establish priorities in maintenance works. The sources of the information are maintenance reports and the history of operation of the transformers, which is registered in an online platform. However, no variable directly related to the internal condition of the transformers, like the temperature or the dissolved gases in the oil, is known. The following data analysis steps have been completed: data collection, data cleaning and integration, exploratory analysis and model generation. For data collection, a Python code was created to download the data from the platform. Data cleaning and integration was done in Excel. The main challenges of this project were found at this stage because data integrity was not guaranteed in the platform. The exploratory analysis, which was done in MATLAB and R, revealed an anomaly that was used to generate the prediction model. This model is specific for the failure of the transformer in which it is based, which was caused by the appearance of a hot spot.