IEEE Power & Energy - Spanish - May/June 2018 - 72
se acercan lo suficiente a aquellos aportados por el eeac está- tico, no es necesario usar el eeac integrado. por lo tanto, el costo informático se puede reducir significativamente. podemos ver que la teoría del eeac refleja una buena combinación entre el razonamiento causal y el análisis esta- dístico. el análisis estadístico ayuda a encontrar el meca- nismo tras el "big data" de alta dimensión; el razonamiento causal puede revelar el principio de estabilidad y llevar a cabo el análisis analítico. a su vez, se puede aplicar el análi- sis estadístico para acelerar la velocidad del análisis analítico. "Big data" para equipos de potencia la tecnología de "big data" también mejora la gestión de los equipos de potencia. los datos acumulados en el sistema de gestión de producción y el sistema de gestión de energía se están expandiendo. la gran escala de datos de monitoreo de equipos de potencia eléctrica ofrece información valiosa que se puede extraer usando técnicas de "big data". la depura- ción de datos y las técnicas de diagnóstico de fallas son dos aplicaciones comunes en la gestión de equipos de potencia. el "big data" de equipos de potencia incluyen 1) datos de los equipos: parámetros de placas, datos de inspección de equipos, información de mantenimien- to y funcionamiento, y defectos, fallas y registros de mantenimiento 2) datos de monitoreo de equipos: generación de poten- cia y condición de almacenamiento 3) datos de redes de potencia: información de envío de los sistemas de potencia, datos de carga y generación de barras, datos de tensión y corriente en tiempo real, y da- tos de monitoreo de potencia activa y potencia reactiva 4) datos externos: datos del sistema de información geo- gráfica y datos meteorológicos. los datos pueden ser imprecisos debido a anomalías y falta de datos, que pueden introducirse de forma accidental o intencionada durante el proceso de adquisición, transmisión y almacenamiento de datos de equipos. la depuración de datos asegura la validez, la coherencia y la integridad del conjunto completo de datos. el Gráfico 7 muestra los prin- cipales procedimientos del método de depuración de datos aplicado en el sistema de potencia. contiene tres procesos principales: 1) monitoreo y finalización de falta de datos, 2) detección y corrección de datos anormales, y 3) evaluación de la calidad de los datos. en primer lugar, se detectan los datos que faltan y se clasifican como ausencia menor y ausencia mayor. los Entrada Datos de monitoreo Datos de red de potencia Gas disuelto en aceite Temperatura del aceite Corriente a tierra en punto neutro ... Corriente Tensión Potencia activa Potencia reactiva Algoritmos de análisis de correlación Datos de fallas Modo de fallas: Ubicación de fallas: Recalentamiento Descarga Cortocircuito... Bobinado Núcleo de hierro Carcasa... Otros datos Modelo de diagnóstico de fallas de parámetros de características multidimensionales Salida Parámetros de características clave Tendencia de desarrollo de fallas Recalentamiento: DGA, temperatura, carga... Modo de fallas original/final Envejecimiento: Furfural, DGA, PD... Ubicación de fallas Humedad: Humedad en aceite, PD... Distribución de probabilidad de fallas Conclusiones de diagnóstico de fallas Modo de fallas Ubicación de fallas Gravedad de fallas gráfico 8. Marco de diagnóstico de fallas de los transformadores. DGA: análisis de gases disueltos; PD: descarga parcial. 72 ieee power & energy magazine mayo/junio 2018