Detection of Hotspot Anomalies in LV Networks via Data Analysis

Abstract

Las redes de distribución de baja tensión (BT) están experimentando un rápido aumento en su complejidad, impulsado por recursos energéticos distribuidos (DER), vehículos eléctricos y flujos de energía bidireccionales, lo que desafía las estrategias convencionales de protección y mantenimiento. Este artículo desarrolla y valida un marco de mantenimiento predictivo para anticipar anomalías térmicas localizadas (hotspots) en centros de transformación secundarios (CTS) y arquetas de cableado subterráneo, aprovechando el sistema avanzado de supervisión BT SABT y el ecosistema de contadores inteligentes AMI.

Para los CTS, se propone un esquema híbrido compuesto por: (i) un modelo analítico basado en umbrales físicos, (ii) un regresor general tipo perceptrón multicapa (MLP) entrenado con comportamiento saludable, y (iii) un MLP específico para cada subestación. Los 'flaggs'de anomalía surgen de errores persistentes de predicción por encima de un umbral de error de 3σ.

Para las arquetas, donde no hay mediciones directas, se construyen modelos probabilísticos a partir de registros de eventos de contadores inteligentes, utilizando Modelos de Mezcla Gaussiana (GMM) con selección guiada por BIC y detección de cambios en ventanas tardías.

En incidentes reales etiquetados por el sistema OMS, la política combinada para CTS (AND de los tres modelos) alcanza una tasa de verdaderos positivos (TPR) del 60,71 % con una tasa de falsos positivos (FPR) del 1,33 %, y ofrece el mejor beneficio económico neto anualizado (~944 k€/año). El modelo analítico por sí solo logra la mejor relación TPR/FPR (7,71), mientras que el modelo MLP general obtuvo el mayor TPR con un 92,86 %.

El GMM para las arquetas alcanza un TPR del 46 % con un FPR efectivo <1 %, demostrando viabilidad aunque aún no alcanza el punto de equilibrio bajo supuestos de coste directo; sin embargo, los factores de seguridad y reputación justifican su desarrollo continuo.

Los resultados indican que el mantenimiento predictivo basado en datos en redes BT es técnicamente viable a gran escala y económicamente atractivo para los CTS, con una clara vía de mejora para las arquetas.

Low-voltage (LV) distribution networks are undergoing rapid complexity growth driven by distributed energy resources (DER), electric vehicles and bidirectional power flows, which challenges conventional protection and maintenance strategies. This paper develops and validates a predictive maintenance framework to anticipate hotspot anomalies, localized thermal degradations, in secondary substations (SS) and underground cable pits (UCPs) by leveraging the advanced LV supervision SABT and AMI smart-meter ecosystem. For SS, we propose a hybrid scheme comprising (i) a physically based analytical threshold model, (ii) a general multilayer perceptron (MLP) regressor trained on healthy behaviour and (iii) a substation-specific MLP; anomaly flags arise from persistent prediction errors above a 3 sigma error threshold. For UCPs, where direct measurements are absent, we construct probabilistic models on smart-meter event logs using Gaussian Mixture Models (GMMs) with BIC-guided selection and late-window change detection. On real OMS-labelled incidents, the SS combined policy (AND of the three models) achieves TPR 60.71% with FPR 1.33% and delivers the best annualized net economic benefit (€944k/yr), while the analytical model alone achieves the highest TPR/FPR ratio (7.71) and the general ML model had the highest TPR at 92.86%. The UCP GMM attains TPR 46% with effective FPR < 1%, demonstrating feasibility but not yet break-even under direct-cost assumptions; however, safety and reputational externalities argue for continued development. The results indicate that data-driven predictive maintenance in LV networks is technically viable at scale and economically attractive for secondary substations, with a clear upgrade path for underground cable pits.