Avances en el Análisis de Gases Disueltos (DGA) para la detección temprana de fallas en transformadores

La interpretación de los datos del análisis de DGA es un proceso que comprende tres pasos:

1. Detectar la producción de gas
2. Evaluar la severidad de la producción de gas
3. Identificar el tipo de falla responsable de la producción de gas, mientras el equipo continúa en operación.

El tercer paso en el proceso – la identificación del tipo de falla en equipos en operación – es bien conocido. Los métodos de relación de gases como el Triángulo Duval son altamente confiables, sin embargo, los dos primeros pasos no son fáciles. Los métodos convencionales de interpretación de DGA dependen en límites numéricos para la detección de producción significativa de gas, así como para evaluar la severidad de la falla que presenta el equipo en operación. Hay dos problemas en esto:

A. Primera Etapa
Las concentraciones de gas y los límites de la tasa de cambio no son efectivos para la detección temprana de problemas, es más, tienden a crear falsas alarmas. Dado que pueden ocurrir problemas serios en
cualquier nivel de concentración del gas, esperar a que se exceda un límite de concentración crítico significa que a veces los problemas no son detectados hasta que se produce un daño serio, interrupciones forzadas, o la falla catastrófica que termina sacando al equipo de operación.

B. Segunda Etapa
Segundo, la interpretación de los límites de DGA Convencional no consideran como se correlaciona el DGA con las averías del transformador. ¿Cómo podemos saber que un transformador con 300 µL/L (ppm) de etileno requiere un estudio más detallado y sí debería ser considerado para su reemplazo?.

Para evitar estos problemas, los investigadores han aplicado los primeros principios científicos para comprender mejor como se relaciona la generación de los gases con la falla que saca de operación el transformador. El resultado de esta investigación es el Análisis de Gases Disueltos basados en Fiabilidad en sus siglas en inglés R-DGA, un nuevo método para la interpretación de DGA que cuantifica el riesgo de avería del transformador basado en la producción de gas de falla.

Las concentraciones de gas de falla de un transformador pueden ser usadas para calcular el índice de energía de falla que representa la cantidad de energía disipada en el aislamiento por una falla interna. Para cada gas de hidrocarburo, metano (CH4), etano (C2H6), etileno(C2H4) y acetileno (C2H2), se calculó un calor de formación (usando la termoquímica) mostrando cuanta energía es necesaria para formar una molécula de cada gas a partir de una molécula de aceite mineral. Las concentraciones de los gases detectados en una muestra de aceite son usadas para calcular la suma ponderada del calor de formación
para cada gas, lo cual es llamado índice de energía normalizado del aceite mineral (NEIoil). De manera similar, las concentraciones de CO y CO2 en la muestra de aceite son usadas para calcular la suma ponderada de su calor de formación a partir de la celulosa, lo cual es llamado el índice de energía normalizada para el papel aislante (NEIpaper).

La detección de fallas DGA puede basarse en encontrar eventos de producción de gas, los cuales son intervalos de tiempo durante los cuales aumenta el índice de energía de falla. La severidad de la falla se correlaciona a la cantidad de aumento del índice de energía de falla y el tipo de falla puede ser identificado calculando los incrementos de gas sobre el periodo tiempo de la tendencia de crecimiento y aplicando el triángulo de Duval a dichos incrementos.

El análisis de DGA basada en la fiabilidad (R-DGA) usa un modelo estadístico – representando los niveles de los índices de energía de falla (uno para el aceite y uno para el papel) a los que se llegaron justo antes de la falla catastrófica que dejó al equipo averiado y fuera de servicio – para evaluar los datos de DGA sin usar límites numéricos. Para desarrollar este modelo, se aplicó un método de estadísticas modernas y avanzadas llamado análisis de supervivencia a los índices de energía de falla y los historiales de averías en una gran población de transformadores. El índice de energía de falla para un solo transformador se puede comparar con el modelo de falla para comprender qué porcentaje de transformadores en un estado similar habrían fallado durante una generación de gas similar. DGA basada en la fiabilidad (R-DGA) también incluye una evaluación predictiva del riesgo asociado a la continuación de producción de gas de falla.

La aplicación de los primeros principios de la ciencia, es decir, la termoquímica y las matemáticas, mejora enormemente la interpretación de los datos DGA. Cuando se implementó DGA basada en la fiabilidad (R-DGA) en una empresa líder de servicios en los Estados Unidos con una gran flota de transformadores, los ingenieros de la empresa informaron que el DGA basada en la fiabilidad (R-DGA) superó significativamente a la DGA convencional. Muchos transformadores que se identificaron como anormales sin tener realmente un problema activo ya no estaban cuestionados, eliminando así muchas “falsas alarmas”. Además, el DGA basada en la fiabilidad (R-DGA) despertó la atención en una serie de transformadores que experimentaban una falla continua pero que no habían generado suficiente gas para exceder los límites de alerta en DGA convencional. Estas alarmas verificadas permiten a la empresa de servicios tomar una acción correctiva temprana, evitar un posible fallo y extender la vida útil de sus transformadores con un mantenimiento adecuado.

Una empresa de gran tamaño en los Estados Unidos probó DGA basada en Fiabilidad (R-DGA) en su parque de 7280 transformadores y encontraron que los resultados son muy superiores a los obtenidos por DGA convencional. Como consecuencia, la empresa eléctrica inmediatamente adoptó R-DGA como una parte importante de sus sistemas de evaluación de la salud de sus transformadores. Después de más pruebas y mejoras, R-DGA está disponible en más de un ciento de empresas eléctricas e industria.

En general, el DGA basada en la fiabilidad (R-DGA) mejora la eficacia de la planificación del mantenimiento, ahorrando tiempo y dinero a las empresas de energía al mismo tiempo que aumenta la fiabilidad general del sistema y garantiza que los transformadores sigan funcionando durante el mayor tiempo posible. Los administradores de los activos también están mejor informados para planificar el reemplazo de activos y justificar inversiones de capital.

La introducción del Análisis de Gases Disuelto Basado en Fiabilidad (R-DGA) está ayudando a asegurar que se aplique un rigor cada vez mayor a los datos de monitoreo del transformador para proporcionar una comprensión más clara de los transformadores individuales y las flotas de transformadores. Con más y mejor información, los operadores estarán mejor equipados para priorizar el mantenimiento, los reemplazos de activos y tomar decisiones operativas y financieras con un alto nivel de confianza.

TOA4 es un sistema On-Line, desarrollado por la empresa Delta-X, que ahora incluye el método innovador llamado Análisis de Gases Disueltos basado en Fiabilidad (R-DGA). Con más de la mitad de las empresas eléctricas en los Estados Unidos y otros países como usuarios de TOA4 y que en Colombia se presta con el apoyo y soporte de CIDET. Sea parte de una gran comunidad cuya experiencia combinada de más de dos décadas ha sido aplicada para crear una herramienta de diagnóstico efectiva para evaluar y hacer seguimiento de equipos en alta tensión.

Referencias

1. Equipos eléctricos impregnados en aceite en servicio – Guía para la interpretación de los análisis de gases disueltos y libres, Edición 3.0. International Electrotechnical Commission, Sep 2015, No. IEC 60599-2015-09.
2. F. Jakob and J. J. Dukarm, “Thermodynamic estimation of transformer fault severity,” IEEE Transactions on Power Delivery, vol. 30, no. 4, pp. 1941–1948, Aug 2015.
3. J. J. Dukarm and M. Duval, “Transformer reliability and dissolved-gas analysis,” in 2016 CIGRE Canada Conference, no. CIGRE-807, Vancouver BC, October 2016.

Agradecimientos
Agradecemos muy especialmente a Astrid Álvarez Cartagena, Coordinadora del Laboratorio Químico CIDET por su ayuda en la edición y traducción de este artículo.