Herramienta computacional para la localización de fallas basada en técnicas de aprendizaje de máquina para redes de distribución de energía eléctrica.

Actualmente, los métodos de localización de fallas en los sistemas de potencia se dividen en: métodos basados en inteligencia artificial, basados en ondas viajeras y basados en impedancia aparente. Cada uno de ellos presenta limitaciones distintas, pues, los métodos basados en el uso de ondas viajeras requieren de equipamientos costosos, los métodos basados en inteligencia artificial requieren de una gran cantidad de datos y los métodos de impedancia aparente presentan problemas como la múltiple estimación de la ubicación de falla. Por estas razones, se decidió construir una herramienta computacional que utilizara los métodos de aprendizaje de máquina para realizar la localización de fallas en redes de distribución activas, minimizando el presupuesto a utilizar y evadiendo los problemas de estimación que puedan presentarse al utilizar métodos basados en la impedancia aparente. Se implementaron cuatro técnicas de aprendizaje de máquina, las cuales fueron Árbol de la Desición (DTC), K Vecinos más cercanos (KNN), Máquina de Soporte Vectorial (SVM) y Gaussian Naive Bayes (GNB). A la herramienta computacional se le podrá ingresar una base de datos con información en el tiempo de las señales de tensión y corriente en la cabecera del sistema de distribución en cuestión, y ella se encarga de acondicionar la base de datos mediante procesos matemáticos y estadísticos, sacando los atributos y etiquetando cada caso. El 80% de la base de datos se utilizó para entrenar las técnicas y el 20% restante para realizar una validación exhaustiva de cada una. Finalmente, la herramienta computacional es capaz de localizar fallas mediante el uso de los cuatro clasificadores de aprendizaje de máquina entrenados, logrando así realizar comparaciones entre los resultados obtenidos por las técnicas.

• Autores: Castillo Ruiz, Carlos Andrés; García Del Río, Andrés Eduardo
• Fecha de publicación: 2019
• Institución: Universidad del Norte
• Repositorio: Repositorio Uninorte
• Idioma: spa
• OAI Identifier: oai:manglar.uninorte.edu.co:10584/8466
• Acceso en línea: http://hdl.handle.net/10584/8466
• Palabra clave: Localización de fallas; Técnicas de aprendizaje de máquina; Árbol de la Decisión; K Vecinos más Cercanos; Máquina de Soporte Vectorial; Gaussian Naive Bayes; Redes de distribución; Fault Location; Machine learning techniques; Decision Tree Classifier; K Nearest Neighbors; Support Vector Machine; Gaussian Naive Bayes; Distribution Networks
• License: Universidad del Norte