Classificação binária do estado operacional de transformadores de potência utilizando índice de desempenho e modelos de aprendizado de máquina

Abstract

Power transformers are strategic and valuable assets in electrical systems, as their unexpected failures can lead to significant operational and financial losses for power sector companies and consumers. Although there have been advancements in monitoring their operational conditions, some methodologies still require specialized interpretation, lack standardization, or adopt models whose complexity can hinder integration with the usual operational practices of maintenance professionals. In this context, theobjective of this work is to develop binary classifiers based on machine learning algorithms for fast and efficient prediction of the operational state of power transformers, labeled as Satisfactory or Unsatisfactory, using data derived from physicochemical tests, Dissolved Gas Analysis (DGA), and performance indices, based on real equipment samples. The methodology involves the development of supervised machine learning models, such as Random Forest, HistGradientBoosting, Balanced Logistic Regression, andXGBoost, implemented with stratified cross-validation. The results indicate that the classifiers cansatisfactorily identify transformers in critical condition, even in a scenario with considerable data dispersion. Therefore, the proposed approach represents a promising tool for technical decision-making in preventive maintenance strategies, combining reliability, scalability, and ease of application in field environments.Los transformadores de potencia son activos valiosos y estratégicos en los sistemas eléctricos, ya que sus fallas inesperadas pueden generar pérdidas operativas y financieras significativas para las empresas del sector eléctrico y los consumidores. Aunque se han logrado avances en el monitoreo de sus condiciones operativas, algunas metodologías aún requieren interpretación especializada, carecen de estandarización o adoptan modelos cuya complejidad puede dificultar su integración con las prácticas operativas habituales de los profesionales de mantenimiento. El objetivo de este trabajo es desarrollar clasificadores binarios basados en algoritmos de aprendizaje automático para la predicción rápida y eficiente del estado operativo de transformadores de potencia, etiquetados como Satisfactorio o Insatisfactorio, utilizando datos provenientes de ensayos fisicoquímicos, análisis de gases disueltos (AGD) e índices de desempeño, a partir de muestras reales de equipos. La metodología incluye el desarrollo de modelos supervisados de aprendizaje automático, como Random Forest, HistGradientBoosting, Regresión Logística Balanceada y XGBoost, implementados con validación cruzada estratificada. Los resultados indican que los clasificadores son capaces de identificar satisfactoriamente los transformadores en condición crítica, incluso en un escenario con una dispersión significativa de los datos. Por lo tanto, el enfoque propuesto representa una herramienta prometedora para la toma de decisiones técnicas en estrategias de mantenimiento preventivo, combinando confiabilidad, escalabilidad y facilidad de aplicación en entornos de campo.