Método de predicción de la tendencia del deterioro de la medición en transformadores de tensión capacitivo basado en fusión modelo doble Gaussiano-KAN

Por qué importa vigilar los “termómetros” de la red

Las redes eléctricas modernas dependen de dispositivos especiales que reducen tensiones extremadamente altas a niveles seguros para poder medirlas y facturarlas. Entre ellos, los transformadores de tensión capacitivo (CVT) son los pilares de las líneas de alta tensión. Sin embargo, tras años de servicio sus lecturas pueden desviarse en silencio, como una báscula de baño que poco a poco pierde calibración. Este artículo presenta una nueva forma de evaluar continuamente la salud de las mediciones de un CVT y de pronosticar cuándo caerá su precisión, ayudando a los operadores de la red a planificar mantenimiento antes de que los errores provoquen disputas costosas o problemas de estabilidad.

Cómo estos vigilantes de tensión pierden eficacia lentamente

Los CVT utilizan pilas de condensadores y un transformador para reducir cientos de kilovoltios a señales que los contadores y los sistemas de protección pueden manejar. Su atractivo es que son compactos, relativamente económicos y adecuados para ultra‑alta tensión. Pero su interior no es estático: las variaciones de temperatura, el envejecimiento del aislamiento y las cargas cambiantes modifican los valores internos respecto a los ideales. Cuando esto ocurre, la relación entre la tensión real de la red y la salida de baja tensión reportada se desplaza. Si el error de la relación supera una tolerancia estrecha, las lecturas dejan de coincidir con la realidad, socavando el comercio de energía, el análisis de fallos y los esquemas automáticos de protección.

Por qué las comprobaciones tradicionales no bastan

Hoy en día, muchas compañías eléctricas siguen confiando en revisiones periódicas fuera de servicio. Se traslada equipo de referencia pesado a una subestación, se sacan temporalmente de servicio las líneas y se prueba cada CVT frente a un estándar. En teoría esto debería realizarse cada pocos años; en la práctica suele retrasarse por conflictos de agenda y la logística de mover instrumentos voluminosos. Mientras tanto, las corrientes de datos en vivo de la red son ruidosas y están influidas por condiciones operativas cambiantes, lo que dificulta detectar a simple vista o con estadísticas simples una deriva lenta en la medición. Enfoques previos basados en modelos de circuito detallados o en aprendizaje automático genérico a menudo fracasaban porque necesitaban parámetros internos precisos, o porque se confundían por las fluctuaciones y la escasez de datos de entrenamiento.

Una puntuación única de salud para cada transformador

Para cortar este ruido, los autores comprimen primero la señal de tensión cruda de cada CVT en una puntuación de rendimiento compacta que denominan Estado de Rendimiento (SOP). Aplican una transformada wavelet, una herramienta matemática que separa una señal en tendencias de baja frecuencia y oscilaciones rápidas. Al centrarse en el mayor componente de baja frecuencia y compararlo con una referencia de un CVT sano, obtienen un único número que desciende de forma sostenida a medida que el equipo se deteriora. En pruebas de laboratorio donde el equipo incrementó deliberadamente el error de relación en una fase mientras mantenía las otras cerca de la normalidad, la curva SOP cayó de forma suave conforme crecía el error, mostrando que este índice sigue la degradación a largo plazo mientras filtra gran parte del ruido aleatorio.

Separando la deriva suave del tambaleo

Incluso esta puntuación de salud no es perfectamente lisa: las condiciones de la red y las imperfecciones de medición aún introducen baches y ondulaciones. Los investigadores aplican por tanto un segundo método de descomposición que despieza la curva SOP en una «columna vertebral» de cambio lento y un conjunto de componentes pequeños y abruptos. La columna vertebral captura la marcha descendente global de la precisión, mientras que las piezas fluctuantes describen altibajos a corto plazo. Esta separación permite al equipo adaptar herramientas de predicción diferentes a comportamientos distintos en lugar de forzar a un solo modelo a manejarlo todo a la vez.

Dos herramientas inteligentes que trabajan juntas

Para la columna vertebral suave, los autores usan un modelo doble Gaussiano: una curva flexible construida como la suma de dos campanas que sigue cambios sutiles en cómo deriva el CVT con el tiempo, especialmente cuando el patrón no es puramente lineal. Para los componentes más erráticos, emplean un tipo más reciente de red neuronal llamada red Kolmogorov–Arnold (KAN). A diferencia de los modelos de aprendizaje profundo estándar, la KAN usa segmentos de curva ajustables como bloques constructivos, lo que le ayuda a aprender patrones complejos a partir de relativamente pocos ejemplos sin sobreajustar. Entrenado en experimentos de degradación cuidadosamente diseñados usando un sistema de prueba en línea trifásico, el enfoque combinado reconstruye valores futuros del SOP sumando la columna vertebral doble‑gaussiana y las fluctuaciones predichas por la KAN.

Qué supone esto para una red más inteligente

En comparativas directas, la fusión del modelo doble Gaussiano y la KAN predijo consistentemente la salud del CVT con mayor precisión que redes neuronales clásicas y otras técnicas de aprendizaje automático. Los errores entre los valores SOP predichos y los reales fueron pequeños, y el método capturó tanto la caída a largo plazo en la precisión como las ondulaciones de escala fina. Para los operadores de la red, esto se traduce en un indicador de aviso temprano: en lugar de esperar a una parada programada o a una disputa de facturación que revele que un transformador ha derivado, podrían monitorizar las tendencias del SOP en tiempo real y programar mantenimiento cuando un dispositivo esté claramente en una trayectoria descendente. A medida que los sistemas eléctricos se vuelven más automatizados y basados en datos, una monitorización inteligente de los propios instrumentos de medida de la red es un paso clave hacia una infraestructura confiable y autoconsciente.

Cita: Du, B., Diao, Y., Zhou, F. et al. Trend prediction method for capacitive voltage transformer measurement deterioration based on double Gaussian model-KAN fusion. Sci Rep 16, 11785 (2026). https://doi.org/10.1038/s41598-026-35455-z

Palabras clave: transformador de tensión capacitivo, monitorización de condición, mantenimiento predictivo, predicción de series temporales, medición en redes eléctricas