Detection of Hotspot Anomalies in LV Networks via Data Analysis

Abstract

La creciente complejidad de las redes de distribución de baja tensión (BT), impulsada por la proliferación de recursos energéticos distribuidos (DER), vehículos eléctricos y flujos de potencia bidireccionales, exige un cambio de paradigma en la operación y el mantenimiento de la red. Esta tesis aborda el desafío crítico de detectar anomalías térmicas —degradaciones localizadas que representan riesgos significativos para la fiabilidad y la seguridad— en centros de transformación secundarios y arquetas de cableado subterráneo. Aprovechando el entorno rico en datos habilitado por la Infraestructura de Medición Avanzada (AMI) y el sistema de Supervisión Avanzada de Baja Tensión (SABT), se propone un marco híbrido de mantenimiento predictivo que combina modelos analíticos basados en umbrales físicos con técnicas de aprendizaje automático (ML).

Para los centros de transformación secundarios, se desarrollaron y validaron tres modelos predictivos: un modelo analítico basado en criterios físicos, un modelo general de perceptrón multicapa (MLP) y un modelo específico por subestación. Cada uno fue evaluado en términos de precisión predictiva, viabilidad económica y eficiencia computacional. El modelo analítico demostró la mejor relación entre tasa de verdaderos positivos (TPR) y tasa de falsos positivos (FPR) con un valor de 7,72, mientras que la combinación de los tres modelos ofreció el resultado económico más favorable, con un beneficio anual proyectado superior a 900.000 € y el modelos de ML general obtuvo la mayor tasa TPR con un 92,86%. Para las arquetas de cableado subterráneo —donde no existen mediciones directas— se implementó un modelo de mezcla gaussiana (GMM) utilizando los registros de eventos de los contadores inteligentes. A pesar de las limitaciones de datos, el modelo alcanzó una tasa de verdaderos positivos del 46% con una tasa de falsos positivos inferior al 1%, demostrando la viabilidad de la detección de anomalías en estos entornos complejos.

La tesis también presenta un análisis económico exhaustivo, alineando el rendimiento de los modelos con los costes operativos y los incentivos regulatorios. Se concluye que el mantenimiento predictivo, respaldado por análisis de datos robustos, ofrece una solución escalable y rentable para mejorar la fiabilidad y la seguridad de la red. El trabajo aporta metodologías novedosas para la detección de anomalías en redes BT, extiende el mantenimiento predictivo a activos previamente no monitorizados y respalda la evolución estratégica de los Operadores de Sistemas de Distribución (DSOs) hacia una gestión proactiva y basada en datos.

The increasing complexity of low-voltage (LV) distribution networks, driven by the proliferation of distributed energy resources (DER), electric vehicles, and bidirectional power flows, demands a paradigm shift in grid operation and maintenance. This thesis addresses the critical challenge of detecting hotspot anomalies—localized thermal degradations that pose significant reliability and safety risks—in secondary substations and underground cable pits. Leveraging the data-rich environment enabled by Advanced Metering Infrastructure (AMI) and the Supervisión Avanzada de Baja Tensión (SABT) system, the work proposes a hybrid predictive maintenance framework combining analytical threshold models and machine learning (ML) techniques.

For secondary substations, three predictive models were developed and validated: a physically interpretable analytical model, a general-purpose multilayer perceptron (MLP) model, and a substation-specific MLP model. Each was evaluated in terms of predictive accuracy, economic feasibility, and computational efficiency. The analytical model demonstrated the highest TPR/FPR ratio at 7.71, while the combined deployment of all three models yielded the most favourable economic outcome, with a projected annual benefit exceeding 900,000€ and the general ML model had the highest TPR at 92.86%. For underground cable pits—where direct measurements are unavailable—a Gaussian Mixture Model (GMM) was implemented using smart meter event logs. Despite data limitations, the model achieved a 46% true positive rate with a false positive rate below 1%, demonstrating the feasibility of anomaly detection in these challenging environments.

The thesis also presents a comprehensive economic analysis, aligning model performance with operational costs and regulatory incentives. It concludes that predictive maintenance, when supported by robust data analytics, offers a scalable and cost-effective solution for enhancing grid reliability and safety. The work contributes novel methodologies for anomaly detection in LV networks, extends predictive maintenance to previously under-monitored assets, and supports the strategic evolution of Distribution System Operators (DSOs) toward proactive, data-driven asset management.