Modelos de evidencia diagnóstica de transformadores de potencia para IA agéntica
Por qué la IA agéntica para el APM de transformadores necesita un modelo de evidencia auditable que conecte la jerarquía de activos, la procedencia, el contexto normativo y las contradicciones diagnósticas.
En esta página
La IA agéntica para el APM de transformadores solo es creíble si puede razonar sobre un modelo de evidencia, y no sobre un montón de archivos. Una recomendación sobre un transformador debería responder: qué activo, qué componente, qué observación, qué método, qué contexto normativo, qué marca temporal y qué nivel de confianza.
Ese contrato de evidencia es la diferencia entre un flujo de trabajo de sostenibilidad revisable y una puntuación de caja negra.
Comenzar por la jerarquía de activos
La evidencia de un transformador debería vincularse al componente que puede fallar. Una jerarquía útil incluye la flota, el emplazamiento, el transformador, la cuba, el devanado, el pasatapas, el cambiador de tomas, el sistema de refrigeración, los sensores y el contexto de protección. Las normas de datos de las empresas eléctricas como IEC 61850 y los trabajos orientados al CIM como la guía del PNNL sobre el IEC CIM son referencias útiles para reflexionar sobre una identidad de activos coherente y la interoperabilidad.
Para GridAPM, la regla práctica es sencilla: cada registro debe saber a qué pertenece. Un resultado de DGA pertenece a un transformador y a su sistema de aceite. Un ensayo de pasatapas pertenece a un componente. Una traza de SFRA pertenece a una configuración de devanado, una posición de toma y un montaje de medida. Sin jerarquía, la IA no tiene un lugar fiable donde vincular la evidencia.
La procedencia antes que la predicción
El razonamiento de la IA es frágil si no se confía en los registros de entrada. Un modelo de evidencia de transformadores debería capturar:
- El sistema o archivo de origen.
- El método de medida.
- La marca temporal y la hora de muestreo.
- La unidad y la normalización.
- Las notas de calibración o de montaje de ensayo.
- Los indicadores de calidad de los datos.
- El historial de transformaciones.
- El revisor o el sistema que creó el registro.
El NIST AI Risk Management Framework pone el énfasis en temas de gobernanza, transparencia y rendición de cuentas que se corresponden directamente con este requisito. En el APM de transformadores, la procedencia no es papeleo. Es la base para decidir si una recomendación merece atención.
Modelar los canales de diagnóstico
Un modelo de evidencia de transformadores debería representar cada canal de diagnóstico en sus propios términos:
- DGA: gases, ratios, tasas de generación, origen de la muestra, contexto de tratamiento del aceite e historial de interpretación. Véanse IEEE C57.104 e IEC 60599.
- PRPD y descargas parciales: carga aparente, referencia de fase, circuito de medida, tipo de sensor, notas de ruido y familia de patrones. Véase IEC 60270.
- SFRA: archivo de traza, instrumento, colocación de los cables de medida, puesta a tierra, posición de toma, línea base y evento de comparación. Véase IEEE C57.149.
- Carga térmica: carga, temperatura ambiente, estado de refrigeración, temperatura del aceite superior, estimación del punto caliente y contexto de envejecimiento. Véase IEC 60076-7.
- Equipos de monitorización: aplicación del sensor, calidad de los datos, comunicación y contexto de riesgo-beneficio. Véase IEEE C57.143.
El agente no debería reducir todo esto a un único número demasiado pronto.
Las contradicciones son señales
En un sistema bien modelado, las contradicciones no son ruido que deba promediarse hasta desaparecer. Son estímulos para el diagnóstico. Un aumento de gases combustibles con un historial térmico normal puede merecer un examen distinto al del envejecimiento térmico sin marcadores químicos. Un patrón PRPD sin evolución de la DGA puede apuntar al contexto de medida o a un problema de aislamiento en desarrollo. Un desplazamiento en la SFRA tras una falta pasante puede modificar la confianza de una puntuación de riesgo que, de otro modo, sería moderada.
El APM agéntico debería plantear preguntas de seguimiento cuando la evidencia entra en conflicto. Eso es más valioso que encajar a la fuerza cada registro en un único índice de salud combinado.
El flujo de trabajo agéntico
Una vez modelada la evidencia, los agentes de IA pueden realizar un trabajo acotado:
- Recuperar los registros vinculados al activo y al componente afectado.
- Comprobar la procedencia y los datos obsoletos.
- Comparar las observaciones con las líneas base, el contexto normativo y las decisiones previas.
- Formular hipótesis y notas de incertidumbre.
- Solicitar los registros que faltan o repetir ensayos.
- Redactar opciones de mantenimiento para su revisión por un ingeniero.
Esto se conecta directamente con el análisis de la tasa de generación por DGA, la calidad de la revisión de PRPD y el análisis del movimiento de devanados por SFRA.
Un contrato de evidencia práctico
El contrato de evidencia diagnóstica de transformadores de GridAPM puede resumirse como:
ID de activo/componente + observación + método + procedencia + contexto normativo + confianza + interpretación + acción siguiente + registro de auditoría.
Ese contrato ayuda a los equipos de transformadores a ver exactamente cómo se formó una recomendación asistida por IA. El argumento ganador no es que la IA prediga todas las averías. El argumento más sólido es que la IA puede hacer que el razonamiento diagnóstico de transformadores sea más trazable, transversal a las distintas modalidades y revisable.
