Actualidad

PredictLand AI desarrolla un sistema para evitar corrientes de fugas en las torres de alta tensión de la red eléctrica

PredictLand AI ha desarrollado una solución para Redeia con el fin de predecir corrientes de fuga en torres de alta tensión de la red eléctrica. | Firma: Jesús Hellín/ Europa Press.
Zaragozaicon-related

La consultora boutique de inteligencia artificial PredictLand AI ha desarrollado una aplicación predictiva de corrientes de fuga en aisladores de líneas de alta tensión de la red eléctrica con el fin de optimizar el sistema, hacer más fácil y efectivo el mantenimiento y ganar en seguridad, entre otras ventajas.

La aplicación pretende así dar respuesta al problema planteado entre el aislamiento en las líneas de alta tensión de la red eléctrica y la meteorología con el fin de evitar posibles corrientes de fuga en aisladores de estas torres eléctricas en relación con fenómenos meteorológicos como la lluvia y el viento. De este modo, se pretende detectar faltas graves en la red y fugas peligrosas y actuar de la forma adecuada en operaciones de mantenimiento predictivo, según explican fuentes de PredictLand AI a elEconomista

El trabajo para esta aplicación, con la que se soluciona un reto de Redeia, ha permitido caracterizar y cuantificar este problema que anteriormente era una intuición, pero que no había sido constatada con datos ni medidas. Hasta ahora, se observaba que las corrientes se producen por la contaminación de la superficie de los aisladores en la que se depositan elementos solubles y no solubles en agua.

Estos se pueden limpiar por el viento y por la lluvia, aunque tanto la lluvia como la humedad son dos elementos que favorecen que los elementos solubles den una continuidad eléctrica al agua. Una situación que podía derivar en que, en función de la lluvia en un momento y según los elementos depositados, se produzcan comportamientos diferentes.

De este modo, se han tenido en cuenta datos de las condiciones meteorológicas tanto de mediciones propias como procedentes de terceras fuentes. La mayor dificultad ha estado en medir las corrientes de fuga. En total, se ha tenido en cuenta un histórico de 24 meses y 16 meses explotables, estudiando el comportamiento en los aisladores de vidrio.

Siguiendo modelos de algoritmos basados en árboles y en algoritmos bayesianos, se ha llegado a unos primeros resultados: el 75% de la precisión en predicción de picos de corrientes de fuga en un escenario en el que no ha habido limpieza.

También se ha observado que la magnitud de los picos aumenta conforme está más lejana la fecha de limpieza de los aisladores. Igualmente, se aprecia que se producen más descargas por la noche y la madrugada.

Por su parte, en un escenario en el que sí se ha producido limpieza, se constata que los picos de las predicciones se reducen y se ajustan mejor a la realidad.

Este conocimiento más detallado, junto con otros datos, permitirán analizar y realizar posibles cambios en la ingeniería de las características necesarias de los aislamientos, así como en los planes de mantenimiento en relación a la limpieza de los aisladores.

También redundará en una mayor seguridad de la red por la fiabilidad de los circuitos. El impacto positivo se dejará sentir igualmente en la operativa al poderse anticipar las incidencias y realizar un mantenimiento predictivo. Incluso se pueden reducir los costes si no es necesario hacer la limpieza de los aisladores.

Ahora, el siguiente paso es avanzar con más mediciones y aplicar el modelo a los aisladores poliméricos, más modernos y actuales que los de vidrio en los que se ha centrado este trabajo, así como ir hacia un gemelo digital más amplio tras esta prueba de concepto y ahondar en la investigación.

Esta aplicación de PredictLand AI ha sido la ganadora de la primera semifinal del Dataron de Indesia, el primer consorcio de IA para impulsar el uso de soluciones y de los datos en las empresas e industria española con el fin de ayudar a encontrar áreas de aplicación de la inteligencia artificial y contribuir a acelerar el proceso de transformación digital en el tejido empresarial.

WhatsAppTwitterTwitterLinkedinBeloudBeloud