Clasificación de la saturación de transformadores de corriente (TC) usando descomposición empírica de modos (EMD) y máquina de vectores de relevancia (RVM)

Por qué esto importa para mantener las luces encendidas

Las redes eléctricas modernas dependen de dispositivos de protección que deben decidir, en pocos milisegundos, si desconectar equipamiento cuando ocurre un fallo. Esas decisiones dependen de sensores llamados transformadores de corriente (TC), que reducen corrientes grandes para que la electrónica pueda medirlas con seguridad. Cuando los TC se «saturan», dejan de informar la corriente real, y los sistemas de protección pueden dudar o disparar innecesariamente —arriesgando apagones o daños en el equipo. Este estudio presenta un nuevo método basado en datos para detectar la saturación de TC de forma rápida y fiable, incluso bajo condiciones de red ruidosas y cambiantes.

La debilidad oculta en un sensor crítico

Los transformadores de corriente actúan como embudos de medida precisos, convirtiendo miles de amperios en la línea de transporte en una señal pequeña y manejable para relés y contadores. Pero durante fallos —como cortocircuitos en líneas de transmisión largas— el núcleo magnético del TC puede exceder su zona de operación lineal. Una vez saturado, la forma de onda de salida se distorsiona y se aplana, dejando de reflejar fielmente la corriente real. Los relés de protección que dependen de esta señal distorsionada pueden equivocarse al determinar si un fallo está dentro o fuera de una zona protegida. Los enfoques anteriores para detectar saturación solían usar umbrales fijos, pendientes simples de la señal o modelos concretos de TC, y con frecuencia tenían problemas con el ruido, las cargas cambiantes y la saturación incipiente y sutil.

Simulando muchas maneras en que una red puede fallar

Para evaluar rigurosamente las ideas nuevas, los autores construyeron un modelo detallado de sistema eléctrico en PSCAD, conectando un generador, una línea de transmisión y equipos de protección. Inyectaron fallos en muchos puntos distintos de la línea, variaron tipos de fallo (como fase a tierra y fallos trifásicos), ajustaron la resistencia del fallo y alteraron el ángulo en que el fallo comenzaba sobre la onda de tensión. También cambiaron factores específicos del TC como la carga en el secundario, la cantidad de magnetismo remanente en el núcleo y el nivel de ruido en las medidas. Usando un modelo realista de histéresis para el TC, generaron más de 200.000 ejemplos de formas de onda de corriente que abarcan tres categorías: sin saturación, saturación leve y saturación severa. Este conjunto de datos grande y estructurado con cuidado aseguró que el método se probara en condiciones que los ingenieros de protección encuentran en la práctica.

Descomponer ondas complejas en piezas más simples

El núcleo del esquema propuesto es un método de procesamiento de señales llamado Descomposición Empírica de Modos (EMD). En lugar de asumir que todas las señales se describen con senos fijos, la EMD descompone de forma adaptativa cada forma de onda de corriente del TC en bloques más simples llamados Funciones de Modo Intrínseco. Estos componentes aíslan de forma natural estallidos de alta frecuencia y cambios sutiles de forma que aparecen cuando un TC comienza a saturarse. A partir de estos componentes, los autores calculan un conjunto compacto de características descriptivas: cómo se distribuye la energía entre frecuencias, cuánto se vuelve la onda «picuda» o sesgada, cómo salta su frecuencia instantánea y qué tan dispersa u ordenada está la energía en el tiempo. En conjunto, estas características capturan señales evidentes y ocultas de saturación que resultarían fáciles de pasar por alto a simple vista.

Dejar que un clasificador inteligente decida

Una vez extraídas las características, se alimentan a un modelo de aprendizaje automático llamado Máquina de Vectores de Relevancia (RVM) y, para comparación, a una Máquina de Vectores de Soporte (SVM) estándar. Ambos clasificadores aprenden a partir del 80 % de los casos simulados y se prueban con el 20 % restante. La RVM adopta un enfoque bayesiano: descarta automáticamente las características poco útiles, manteniendo sólo un pequeño conjunto de «vectores de relevancia» que importan para la decisión. El resultado es un modelo compacto que aún proporciona probabilidades de que una señal dada sea normal, ligeramente saturada o severamente saturada. Los autores muestran que las características EMD separan claramente estas tres clases al visualizarse, y que la RVM puede tomar una decisión en unos 23,5 milisegundos —suficientemente rápido para adelantarse a los típicos tiempos de decisión de relés de 50–60 milisegundos.

Qué tan bien funciona y qué viene después

En miles de casos de prueba, ambos clasificadores detectan la saturación de TC con muy alta precisión, pero la RVM rinde consistentemente mejor. En conjunto, la RVM clasifica correctamente alrededor del 99,7 % de los casos, con un rendimiento especialmente sólido en condiciones normales y de saturación leve, donde las distorsiones sutiles son más relevantes. Necesita muchos menos puntos de soporte que la SVM, lo que la hace computacionalmente eficiente y atractiva para uso en tiempo real en relés digitales. El equipo también ha construido una infraestructura de laboratorio hardware-in-the-loop para generar formas de onda reales de TC bajo condiciones de fallo controladas, sentando las bases para validar el método más allá de las simulaciones. En términos sencillos, el estudio muestra que al combinar una descomposición adaptativa de la señal con un modelo de aprendizaje probabilístico y ligero, las empresas eléctricas pueden detectar la saturación de TC temprano y de forma fiable —ayudando a que los relés de protección tomen decisiones mejores y más rápidas y mejorando la resiliencia global de la red eléctrica.

Cita: Chothani, N., Vyas, P., Sonawane, C. et al. Current transformer (CT) saturation classification using empirical mode decomposition (EMD) and relevance vector machine (RVM). Sci Rep 16, 5754 (2026). https://doi.org/10.1038/s41598-026-35444-2

Palabras clave: saturación de transformador de corriente, protección del sistema eléctrico, detección de fallos, descomposición empírica de modos, aprendizaje automático en redes