| dc.contributor | Astudillo Muñoz, Juan Carlos | |
| dc.creator | Freire Freire, Armando Salvador | |
| dc.date | 2023-04-12T18:18:12Z | |
| dc.date | 2023-04-12T18:18:12Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2023-08-08T21:34:43Z | |
| dc.date.available | 2023-08-08T21:34:43Z | |
| dc.identifier | Freire Freire Armando Salvador (2023); Interpretación de gases disueltos en aceite dieléctrico mediante redes neuronales para la detección de anomalías en transformadores de potencia de la subestación Novacero. UTC. Latacunga. 106 p. | |
| dc.identifier | MUTC-001435 | |
| dc.identifier | http://repositorio.utc.edu.ec/handle/27000/10014 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8083288 | |
| dc.description | The following document presents an automatic learning tool for the interpretation of dissolved gases in power transformers of the Novacero substation, using application algorithms such as neural networks and random forests with Python programming language. Through the results of gas chromatography tests in dielectric oil from various published articles, the data set delivered by the Analysis of Dissolved Gases (AGD) is used in quantities of parts per million (ppm), the amount of hydrocarbon gases as hydrogen (H2), methane (CH4), ethane (C2H6), ethylene (C2H4) and acetylene (C2H2) that serve for learning and diagnosis of failure results. The algorithm implementation process is carried out with 128 training data and 64 test data to verify the proposed learning. The result obtained by the training through the use of automatic learning is validated with the states obtained by the test data and AGD reports provided by the substation, under the IEEE C57.104-2019 standard, the results are analyzed applying the triangle method. of Duval showing four state diagnoses such as high energy discharge, low energy discharge, normal state and overheating, obtaining as a result a corroborative and applicable final validation criterion to interpret the gases dissolved in dielectric oil. | |
| dc.description | El siguiente documento presenta una herramienta de aprendizaje automático para la interpretación de gases disueltos en transformadores de potencia de la subestación Novacero, utilizando algoritmos de aplicación como redes neuronales y bosques aleatorios con lenguaje de programación Python. Mediante los resultados de ensayos de cromatografía de gases en aceite dieléctrico de varios artículos publicados, se utiliza el conjunto de datos entregados por el Análisis de Gases Disueltos (AGD) en cantidades de partes por millón (ppm), la cantidad de gases de hidrocarburos como el hidrógeno (H2), metano (CH4), etano (C2H6), etileno (C2H4) y acetileno (C2H2) que sirven para el aprendizaje y diagnóstico de resultados de falla. El proceso de implementación del algoritmo se realiza con 128 datos de entrenamiento y 64 datos de prueba para la comprobación del aprendizaje propuesto. El resultado obtenido por el entrenamiento mediante el uso de aprendizaje automático se valida con los estados obtenidos por los datos de prueba e informes de AGD proporcionadas por la subestación, bajo la norma IEEE C57.104-2019 se analiza los resultados aplicando el método de triángulo de Duval mostrando cuatro diagnósticos de estado como la descarga de alta energía, descarga de baja energía, estado normal y sobrecalentamiento, obteniendo como resultado un criterio de validación final corroborativo y aplicativo para interpretar los gases disueltos en aceite dieléctrico. | |
| dc.format | 106 páginas | |
| dc.language | spa | |
| dc.publisher | Ecuador: Latacunga: Universidad Técnica de Cotopaxi (UTC). | |
| dc.rights | openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/3.0/ec/ | |
| dc.subject | ANÁLISIS DE GASES DISUELTOS | |
| dc.subject | TRANSFORMADORES DE POTENCIA | |
| dc.subject | APRENDIZAJE AUTOMÁTICO | |
| dc.subject | REDES NEURONALES | |
| dc.subject | ELECTRICIDAD | |
| dc.title | Interpretación de gases disueltos en aceite dieléctrico mediante redes neuronales para la detección de anomalías en transformadores de potencia de la subestación Novacero | |
| dc.type | masterThesis | |
