Detección en línea de descargas parciales en cables y evaluación del estado basada en una red de creencias profundas y un algoritmo de optimización por inteligencia de enjambre

Vigilando la salud oculta de los cables eléctricos

Las ciudades modernas dependen de vastas redes de cables eléctricos enterrados para mantener las luces encendidas, los trenes en funcionamiento y los centros de datos operativos. Sin embargo, en el interior del aislamiento de estos cables, pequeñas chispas eléctricas—llamadas descargas parciales—pueden corroer silenciosamente el material durante meses o años antes de que una falla drástica deje fuera de servicio parte de la red. Este artículo presenta un nuevo método de monitorización inteligente que detecta estas señales tempranas en tiempo real, incluso en entornos urbanos ruidosos, y las transforma en valoraciones claras del estado del cable.

Por qué las pequeñas chispas son un gran problema

Los cables subterráneos son populares porque son fiables, compactos y visualmente discretos. Pero su aislamiento puede desarrollar pequeños defectos por fallos de fabricación, humedad o tensiones mecánicas. Cuando se aplica alto voltaje, estos puntos débiles pueden producir pequeños pulsos de corriente en lugar de un flujo continuo y limpio. Cada pulso daña ligeramente el aislamiento circundante y, con el tiempo, este proceso puede intensificarse hasta provocar una ruptura repentina y un apagón de gran magnitud. Los métodos tradicionales de monitorización usan sensores acústicos, térmicos, ópticos o de radio, pero cada uno tiene inconvenientes: algunos son costosos de desplegar a lo largo de grandes distancias, otros se ven fácilmente perturbados por el ruido ambiental y muchos requieren expertos que diseñen manualmente características o ajusten parámetros para cada tipo de cable.

Enseñar a las máquinas a interpretar señales ruidosas

Los autores abordan este desafío con un enfoque basado en datos fundamentado en una red de creencias profundas, un tipo de red neuronal por capas que puede aprender automáticamente patrones a partir de medidas sin procesar. En lugar de que los ingenieros diseñen manualmente características de señal, la red descubre por sí misma representaciones útiles de las señales de descarga parcial. Para manejar mejor la naturaleza continua de las medidas del mundo real, el equipo sustituye los bloques binarios habituales por una versión más natural para datos analógicos. Luego añaden dos técnicas tomadas del aprendizaje automático moderno: DropConnect, que adelgaza aleatoriamente las conexiones de la red durante el entrenamiento para evitar el sobreajuste, y un esquema de pesos “elástico” que ayuda al modelo a conservar lo aprendido cuando llegan nuevos tipos de datos con el tiempo.

Ajuste del cerebro inspirado en el enjambre

Incluso una red neuronal inteligente puede rendir por debajo de lo esperado si su estructura interna—cuántas capas, cuántas neuronas, qué tasas de aprendizaje usar—se elige a partir de conjeturas. Para evitar esto, los autores introducen un procedimiento de optimización inspirado en los comportamientos colectivos de la naturaleza. Combinan un modelo de manada de krill, un patrón de búsqueda inspirado en murciélagos y trayectorias de vuelo en espiral en un único algoritmo que envía un enjambre virtual a explorar muchas posibles configuraciones de red. Cada red candidata se juzga no solo por la precisión en la clasificación de estados del cable, sino también por su velocidad de ejecución y compacidad. Tras numerosas iteraciones, el enjambre converge hacia configuraciones que logran el mejor equilibrio entre precisión, rapidez y uso de recursos, produciendo un modelo optimizado para su despliegue en subestaciones y dispositivos edge.

De datos de laboratorio al ruido del mundo real

Para evaluar su marco, los investigadores lo entrenan y prueban con conjuntos de datos públicos de baterías y datos adicionales de cables, comparándolo con modelos populares de aprendizaje profundo e híbridos. Su red mejorada por sí sola supera a redes convolucionales y a métodos de boosting por gradiente en medidas de calidad estándar como precisión, exhaustividad y el área bajo la curva ROC. Cuando se añade el optimizador basado en enjambre, el rendimiento mejora aún más mientras que el número de parámetros, los cálculos requeridos, la huella de memoria y el tiempo de entrenamiento disminuyen sustancialmente. El sistema también se mantiene robusto cuando se añade ruido fuerte a medidas de campo reales procedentes de líneas de cable urbano, manteniendo una mayor precisión que métodos competidores incluso con relaciones señal‑ruido muy bajas.

Qué significa esto para mantener las luces encendidas

En términos cotidianos, este trabajo muestra cómo una inteligencia artificial compacta y autoajustable puede escuchar continuamente el tenue “latido eléctrico” de los cables enterrados y detectar con fiabilidad los primeros indicios de problemas. Al identificar las descargas parciales antes y distinguir entre defectos menores y graves, las utilities pueden planificar el mantenimiento en lugar de reaccionar ante apagones. La combinación de comprensión robusta de la señal, resistencia al ruido y cálculo eficiente hace que el marco propuesto sea prometedor para la monitorización a gran escala y permanente de las redes urbanas, ayudando a que las ciudades mantengan un suministro eléctrico más seguro y rentable.

Cita: Hou, Y., Li, Y., Song, B. et al. Cable online partial discharge detection and state evaluation based on deep belief network and swarm intelligence optimization algorithm. Sci Rep 16, 13797 (2026). https://doi.org/10.1038/s41598-026-42730-6

Palabras clave: monitoreo de cables eléctricos, descarga parcial, aprendizaje profundo, confiabilidad de la red inteligente, mantenimiento predictivo