Para lograr la rentabilidad esperada de una flota de transformadores, es de suma importancia asegurar la confiabilidad de su operación y, para ello, hay varios pasos a seguir, comenzando con la perspectiva de la ingeniería de confiabilidad, poniendo énfasis desde la etapa de diseño en la disponibilidad y gestión de mantenimiento de estos activos. No obstante, la ingeniería de confiabilidad es una ciencia probabilística que necesita alimentarse con datos concretos, y muchas veces las empresas carecen de estos y están en poder de diseñadores o investigadores que trabajan en conjunto con empresas de energía.

Para capturar una mayor cantidad de datos, el mejor camino es la digitalización de los datos mediante sistemas de monitoreo que incluyan parámetros básicos (bushings, temperatura, gases disueltos, descargas parciales, vibraciones, entre otros). Tener datos sobre la condición de sus transformadores es crucial para que la empresa mantenga los costos bajo control y permitir una planificación confiable de las inversiones de reemplazo y las medidas de servicio, pero también para revisar condiciones de confiabilidad de diseño.

Es difícil obtener una imagen coherente del equipo en funcionamiento, ya que los administradores de activos son responsables de una gran cantidad de equipos eléctricos y los datos generalmente se recopilan en diferentes soluciones de software. El análisis manual de los datos consume mucho tiempo, es propenso a errores y, por lo tanto, no constituye una base fiable para los informes sobre los que se pueden tomar decisiones de gran alcance con respecto al equipo. Esto genera costos por malas decisiones y dificulta anticipar fallas, el reemplazo o nueva adquisición de equipos. Por ello, es recomendable utilizar un software de gestión de mantenimiento que permita concentrar todo tipo de datos, marcas y tecnologías, para que utilizando modelos de fallas analíticos, pueda brindar rápidamente informes de confiabilidad de la base instalada de transformadores.

Estos software se vuelven mucho más interesantes cuando utilizan tecnologías de machine learning e inteligencia artificial. La pérdida de un transformador por falla inesperada puede costar muchos millones de dólares, dependiendo de la falla, las consecuencias y cuánto tiempo está fuera de servicio. Por ende, ya que es un componente crítico y costoso, es de suma importancia asegurar la confiabilidad desde su diseño utilizando criterios y metodologías de ingeniería de confiabilidad, pasando por la operación y mantenimiento, para luego retroalimentar los modelos de ingeniería de tal forma que nos permitan mejorar la calidad de cálculos, materiales y sobre todo revisar criterios de diseño.

En los últimos años, el monitoreo en línea ha evolucionado, permitiendo ahora la recolección de una gran cantidad de información de diagnóstico mientras el equipo está en servicio, superando algunas de las limitaciones fundamentales de las pruebas fuera de línea, pudiendo aumentar la confiabilidad de los transformadores y ayudar a conocer el riesgo creciente de una población de transformadores que envejece.

Los métodos de evaluación de condiciones fuera de línea se utilizan con éxito desde hace décadas; sin embargo, solo son una “fotografía” del transformador en el momento en que las medidas fueron tomadas y se hicieron las pruebas. Por ende, solo se puede estimar el estado de salud del transformador y se pierde la posibilidad de evaluar fallas de evolución rápida.

Hoy en día, además de los métodos fuera de línea, existen enfoques más completos de monitoreo en línea para las flotas de transformadores combinados con modelos analíticos y análisis de riesgo, que son usados para capturar condiciones cambiantes en tiempo real y predecir situaciones críticas.

Resumiendo, los datos de operación y mantenimiento obtenidos mediante monitoreo de condición deben retroalimentar los criterios de diseño y la mejor forma para hacerlo es utilizando las metodologías de ingeniería de confiabilidad para predecir futuros comportamientos de los nuevos activos.