El alumno Ibai Ramiraz Garcia obtuvo la calificación NOTABLE con mención DOCTORADO INTERNACIONAL

El alumno Ibai Ramiraz Garcia obtuvo la calificación NOTABLE con mención DOCTORADO INTERNACIONAL

---

• Título de tesis: Transformer Insulation Heath Monitoring Framework for Improved Lifetime Management through Physics-Informed Machine Learning Methods

Tribunal:

• Presidencia: Juan Carlos Ramos González (TECNUN)
• Vocalía: Kateryna Morozovska (Imperial College London)
• Secretaría: Mikel Mendicute Errasti (Mondragon Unibertsitatea 

Resumen:

El creciente uso de fuentes de energía renovables con generación de energía altamente dinámica ha creado escenarios previamente imprevistos, que afectan la estimación de la vida útil de los activos de la red eléctrica. El transformador es un activo esencial para el correcto y fiable funcionamiento de la red eléctrica, y su causa de fallo más relevante surge de la degradación térmica de su aislamiento. La degradación del aislamiento del transformador es mayor cuando la temperatura del aislamiento es más alta, lo que se conoce como Hot Spot Temperature (HST) del devanado. En consecuencia, para el funcionamiento correcto y fiable de los transformadores, es crucial monitorizar el HST del transformador. Sin embargo, como se mueve espacialmente con el tiempo, la medición directa es complicada.

En este contexto, los principales objetivos de este proyecto de investigación se centran en el uso de modelos avanzados de Machine Learning (ML), junto con modelos basados en la física, para mejorar la gestión de la vida útil del transformador. Las principales aplicaciones de desarrollo se centran (i) en la selección inteligente de características, (ii) modelado térmico de transformadores mejorado y (iii) estimación de incertidumbre en las mediciones mediante los modelos físicos desarrollados:

1.   Para la operación fiable y eficiente de las energías renovables es crucial monitorizar la salud de sus componentes constituyentes, y la selección de características representa un paso fundamental para construir metodologías robustas y precisas de monitorización del estado de dichos activos. En este contexto, esta investigación presenta un enfoque probabilístico de selección de características, que pondera y selecciona variables de manera probabilística mediante un proceso heurístico e iterativo para mejorar la estimación de la vida útil de los activos. El enfoque ha sido aplicado a la estimación de la vida útil de transformadores, aunque puede extenderse de forma general para asistir en la estimación de vida útil de otros componentes operados en sistemas de energías renovables.
2.   La medición de la HST es compleja, costosa y, con frecuencia, se estima a partir de mediciones indirectas. Los modelos existentes de HST se centran en modelos térmicos sin resolución espacial, proporcionando estimaciones conservadoras del peor caso. Esta investigación introduce un modelo espacio-temporal para la estimación de la temperatura y el envejecimiento del devanado del transformador, el cual combina ecuaciones diferenciales parciales (PDEs) basadas en la física con Redes Neuronales (Neural Networks, NN) basadas en datos, dentro de una configuración de Redes Neuronales Informadas por la Física (Physics-Informed Neural Networks, PINNs), con el objetivo de mejorar la precisión de predicción y obtener resolución espacio-temporal. Asimismo, se infiere un modelo espacio-temporal de envejecimiento del transformador, el cual apoya la toma de decisiones en la gestión de los transformadores.
3.   Las Redes Neuronales Bayesianas Informadas por la Física (Bayesian Physics-Informed Neural Networks, B-PINNs) mejoran las tareas de prognóstico al integrar leyes físicas con datos, modelando simultáneamente la incertidumbre epistémica y aleatoria. Esto permite obtener predicciones más precisas, estimaciones de incertidumbre mejor calibradas y apoyar una toma de decisiones consciente del riesgo e informada por la incertidumbre en la gestión de los transformadores.