Executive Secretary
21st International Symposium on Electrical Engineering
SIE 2025
Abstract
Electrical transformers, critical components in power systems, are exposed to failures that cause costly interruptions. Traditional diagnostic methods have limitations when modeling nonlinear relationships and time dependencies in operational data. The objective of this work is to develop and validate a predictive model based on LSTM networks to anticipate transformer failures, integrating historical and simulated data covering normal and critical conditions. Historical data (2019-2023) from sensors on operational transformers were combined with synthetic data generated in Matlab/Simulink®, simulating 12 scenarios (overloads, short circuits, etc.). After preprocessing (cleaning, min-max normalization, and 30-minute time windows), a two-layer LSTM network (64/32 neurons) was trained using TensorFlow/Keras and evaluated with precision, recall, and F1-score metrics. Results and discussion: The model achieved 97.6% accuracy, 98.2% recall, and an AUC of 0.989, significantly outperforming traditional methods (logistic regression: 85%). It detected faults 3-5 hours in advance, especially short circuits (99.1% recall). The integration of multimodal data (electrical, thermal, mechanical) was key to the high accuracy. LSTMs demonstrate superior fault prediction efficiency, reducing unplanned repair costs by up to 40%. The proposed methodological framework, reproducible for other electrical assets, facilitates the transition to smart grids. Future work will explore autoencoders for unlabeled patterns.
Resumen
Los transformadores eléctricos, componentes críticos en sistemas de potencia, están expuestos a fallas que causan interrupciones costosas. Los métodos tradicionales de diagnóstico presentan limitaciones para modelar relaciones no lineales y dependencias temporales en datos operativos. El objetivo de este trabajo es desarrollar y validar un modelo predictivo basado en redes LSTM para anticipar fallas en transformadores, integrando datos históricos y simulados que cubran condiciones normales y críticas. Se combinaron datos históricos (2019-2023) de sensores en transformadores operativos con datos sintéticos generados en Matlab/Simulink®, simulando 12 escenarios (sobrecargas, cortocircuitos, etc.). Tras preprocesamiento (limpieza, normalización min-max y ventanas temporales de 30 minutos), se entrenó una red LSTM de dos capas (64/32 neuronas) usando TensorFlow/Keras, evaluándose con métricas de precisión, recall y F1-score. Resultados y discusión: El modelo alcanzó 97.6% de accuracy, 98.2% de recall y AUC de 0.989, superando significativamente a métodos tradicionales (regresión logística: 85%). Detectó fallas con 3-5 horas de anticipación, especialmente en cortocircuitos (99.1% recall). La integración de datos multimodales (eléctricos, térmicos, mecánicos) fue clave para la alta precisión. Las LSTM demuestran eficacia superior en predicción de fallas, reduciendo hasta 40% costos de reparaciones no planificadas. El marco metodológico propuesto, reproducible para otros activos eléctricos, facilita la transición hacia redes inteligentes. Trabajos futuros explorarán autoencoders para patrones no etiquetados.
About The Speaker
Héctor Michel
Discussion