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

Table of Contents for the Digital Edition of IEEE Power & Energy - Spanish - May/June 2018