Ibai Ramirez Garcia ikasleak ONGI kalifikazioa lortu zuen NAZIOARTEKO DOKTORETZA aipamenarekin

Ibai Ramirez Garcia ikasleak ONGI kalifikazioa lortu zuen NAZIOARTEKO DOKTORETZA aipamenarekin

---

• Tesi titulua: Transformer Insulation Heath Monitoring Framework for Improved Lifetime Management through Physics-Informed Machine Learning Methods

Epaimahaia:

• Lehendakaritza: Juan Carlos Ramos González (TECNUN)
• Bokala: Kateryna Morozovska (Imperial College London)
• Idazkaritza: Mikel Mendicute Errasti (Mondragon Unibertsitatea)

Laburpena:

Energia berriztagarrien erabilera gero eta handiagoak, energia oso dinamikoa sortuz, aurrez aurreikusi gabeko agertokiak sortu ditu, sare elektrikoaren aktiboen bizitza baliagarri estimazioari eragiten diotenak. Transformadorea funtsezko aktiboa da sare elektrikoaren funtzionamendu zuzen eta fidagarrirako, eta bere akats punturik garrantzitsuena bere isolamenduaren degradazio termikotik dator. Transformadorearen isolamenduaren degradazioa kritikoagoa da isolamenduaren tenperatura altuagoa denean, hau da, Hot Spot Temperature (HST) delakoan. Beraz, transformadoreen funtzionamendu zuzen eta fidagarrirako, funtsezkoa da transformadorearen HSTa monitorizatzea. Hala ere, denboran zehar espazialki mugitzen denez, ezin da errez neurtu.

Testuinguru honetan, ikerketa proiektu honen helburu nagusiak Machine Learning (ML) eredu aurreratuak erabiltzera bideratuta daude, fisikan oinarritutako ereduekin batera, transformadoreen bizitza baliagarriaren kudeaketa hobetzeko. Garatu diren aplikazio nagusiak honako hauetan oinarritzen dira: (i) ezaugarrien hautaketa adimenduna, (ii) transformadoreen modelatze termikoaren hobekuntza eta (iii) neurketen ziurgabetasunaren estimazioa, garatutako eredu fisikoak erabiliz:

1. Energia berriztagarrien sistemek modu fidagarri eta eraginkorrean funtzionatzeko, funtsezkoa da haien osagaien osasun-egoera monitorizatzea, eta ezaugarrien hautaketa urrats garrantzitsua da osasun-monitorizazioko metodologia sendo eta zehatzak garatzeko. Testuinguru honetan, ikerketa honek ezaugarrien hautaketa probabilistikorako metodologia bat aurkezten du, ezaugarriak modu probabilistikoan pisatu eta hautatzen dituena prozesu heuristiko eta iterativo baten bidez, aktiboen bizi-iraupenaren estimazioa hobetzeko. Metodologia transformadoreen bizi-iraupenaren estimazioan aplikatu da, baina modu orokorrean beste osagai batzuen bizi-iraupenaren estimaziorako ere erabil daiteke energia berriztagarrien sistemetan.
2. HST neurtzea konplexua eta garestia da, eta askotan zeharkako neurketetatik estimatzen da. Gaur egungo HST ereduek bereizmen espazialik gabeko eredu termikoetan oinarritzen dira, kasurik okerreneko estimazioak eskainiz. Ikerketa honek transformadorearen harilkatuaren tenperatura eta zahartze estimaziorako eredu espazio-denborazkoa aurkezten du. Eredu honek fisikan oinarritutako ekuazio diferentzial partzialak (PDE) eta datuetan oinarritutako Sare Neuronalak (Neural Networks, NN) uztartzen ditu Physics-Informed Neural Networks (PINNs) konfigurazio batean, aurreikuspenen zehaztasuna hobetzeko eta bereizmen espazio-denborazkoa lortzeko. Gainera, transformadorearen zahartze-eredu espazio-denborazkoa inferitzen da, eta horrek transformadoreen osasun-kudeaketarako erabakiak hartzen laguntzen du.
3. Bayesian Physics-Informed Neural Networks (B-PINNs) ereduek prognostiko-lanak hobetzen dituzte lege fisikoak eta datuak integratuz, eta aldi Berean ziurgabetasun epistemikoa eta aleatorioa modelatuz. Horri esker, aurreikuspen zehatzagoak, hobeto kalibratutako ziurgabetasun-estimazioak eta arriskuari eta ziurgabetasunari buruz informatutako erabaki-hartzea ahalbidetzen dira transformadoreen osasun-kudeaketan.