Algoritmo de localización de fallas en sistemas de distribución basado en machine learning

This work presents a fault location method in distribution systems based on neuronal networks using a phase-angle jump as the model?s single input. The IEEE 34 nodes system was used. Different fault scenarios have been considered to train ANN models including various incipient angles, fault types, f...

Full description

Autores:
Gordillo Sierra, Juan David
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2020
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/51511
Acceso en línea:
http://hdl.handle.net/1992/51511
Palabra clave:
Sistemas de energía eléctrica
Distribución de energía eléctrica
Fallas en la energía eléctrica
Localización de fallas eléctricas
Redes eléctricas inteligentes
Aprendizaje automático (Inteligencia artificial)
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id UNIANDES2_3664911f30c2a7251308eb2db9f6be04
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/51511
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Ramos López, Gustavo Andrésdaa645fe-3afb-48c8-ab46-bcabf77f45cd400Celeita Rodríguez, David Felipevirtual::4307-1Gordillo Sierra, Juan David160f9d10-08cc-4912-87b5-f6ef08333b02500Oliveira de Jesus, Paulo Manuel de2021-08-10T18:28:30Z2021-08-10T18:28:30Z2020http://hdl.handle.net/1992/5151122830.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/This work presents a fault location method in distribution systems based on neuronal networks using a phase-angle jump as the model?s single input. The IEEE 34 nodes system was used. Different fault scenarios have been considered to train ANN models including various incipient angles, fault types, fault resistance values, and various fault distances that typically affect a fault location algorithm?s accuracy. Different load conditions were not considered in this particular study. Nine different models were trained specifically with particular fault types and fault resistance values and one model was trained with all fault scenarios regardless of the latter obtaining the best performance with three different models trained specifically for locating each fault type considered.Este trabajo presenta un método de localización de fallas en sistemas de distribución basado en redes neuronales utilizando a la cantidad de salto de fase como entrada única del modelo. Se utilizó el sistema IEEE 34 nodos. Se han considerado diferentes escenarios de fallas para entrenar modelos ANN, incluidos varios ángulos incipientes, tipos de fallas, valores de resistencia de falla y varias distancias de fallas que normalmente afectan la precisión de un algoritmo de localización de fallas. En este estudio en particular no se consideraron diferentes condiciones de carga. Se entrenaron nueve modelos diferentes específicamente con tipos de fallas particulares y valores de resistencia de falla y un modelo se entrenó con todos los escenarios de fallas independientemente de que este último obtuviera el mejor rendimiento con tres modelos diferentes entrenados específicamente para localizar cada tipo de falla considerado.Ingeniero EléctricoPregrado26 hojasapplication/pdfspaUniversidad de los AndesIngeniería EléctricaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaAlgoritmo de localización de fallas en sistemas de distribución basado en machine learningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPSistemas de energía eléctricaDistribución de energía eléctricaFallas en la energía eléctricaLocalización de fallas eléctricasRedes eléctricas inteligentesAprendizaje automático (Inteligencia artificial)Ingeniería201531430Publicationa57d9486-8147-475c-9049-5d6f95c952eavirtual::4307-1a57d9486-8147-475c-9049-5d6f95c952eavirtual::4307-1TEXT22830.pdf.txt22830.pdf.txtExtracted texttext/plain44181https://repositorio.uniandes.edu.co/bitstreams/2de8bf6e-ba2a-4f81-8ca4-656b1281b576/download434a2028d417d3aaace447d48f9ddab3MD54THUMBNAIL22830.pdf.jpg22830.pdf.jpgIM Thumbnailimage/jpeg11805https://repositorio.uniandes.edu.co/bitstreams/b5725d8c-8bd4-4b01-afdb-b161215b98c8/downloadf4989a5cbbb255ffba086733c9a5a268MD55ORIGINAL22830.pdfapplication/pdf591351https://repositorio.uniandes.edu.co/bitstreams/9140ffd1-b5ea-4766-bbdc-3df85fed3914/download7007a8df0a95451605c6a3768d81c117MD511992/51511oai:repositorio.uniandes.edu.co:1992/515112024-03-13 12:39:04.853https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co
dc.title.spa.fl_str_mv Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
title Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
spellingShingle Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
Sistemas de energía eléctrica
Distribución de energía eléctrica
Fallas en la energía eléctrica
Localización de fallas eléctricas
Redes eléctricas inteligentes
Aprendizaje automático (Inteligencia artificial)
Ingeniería
title_short Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
title_full Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
title_fullStr Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
title_full_unstemmed Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
title_sort Algoritmo de localización de fallas en sistemas de distribución basado en machine learning
dc.creator.fl_str_mv Gordillo Sierra, Juan David
dc.contributor.advisor.none.fl_str_mv Ramos López, Gustavo Andrés
Celeita Rodríguez, David Felipe
dc.contributor.author.none.fl_str_mv Gordillo Sierra, Juan David
dc.contributor.jury.none.fl_str_mv Oliveira de Jesus, Paulo Manuel de
dc.subject.armarc.spa.fl_str_mv Sistemas de energía eléctrica
Distribución de energía eléctrica
Fallas en la energía eléctrica
Localización de fallas eléctricas
Redes eléctricas inteligentes
Aprendizaje automático (Inteligencia artificial)
topic Sistemas de energía eléctrica
Distribución de energía eléctrica
Fallas en la energía eléctrica
Localización de fallas eléctricas
Redes eléctricas inteligentes
Aprendizaje automático (Inteligencia artificial)
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description This work presents a fault location method in distribution systems based on neuronal networks using a phase-angle jump as the model?s single input. The IEEE 34 nodes system was used. Different fault scenarios have been considered to train ANN models including various incipient angles, fault types, fault resistance values, and various fault distances that typically affect a fault location algorithm?s accuracy. Different load conditions were not considered in this particular study. Nine different models were trained specifically with particular fault types and fault resistance values and one model was trained with all fault scenarios regardless of the latter obtaining the best performance with three different models trained specifically for locating each fault type considered.
publishDate 2020
dc.date.issued.none.fl_str_mv 2020
dc.date.accessioned.none.fl_str_mv 2021-08-10T18:28:30Z
dc.date.available.none.fl_str_mv 2021-08-10T18:28:30Z
dc.type.spa.fl_str_mv Trabajo de grado - Pregrado
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TP
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/51511
dc.identifier.pdf.none.fl_str_mv 22830.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/51511
identifier_str_mv 22830.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.none.fl_str_mv spa
language spa
dc.rights.uri.*.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.none.fl_str_mv 26 hojas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de los Andes
dc.publisher.program.none.fl_str_mv Ingeniería Eléctrica
dc.publisher.faculty.none.fl_str_mv Facultad de Ingeniería
dc.publisher.department.none.fl_str_mv Departamento de Ingeniería Eléctrica y Electrónica
publisher.none.fl_str_mv Universidad de los Andes
institution Universidad de los Andes
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/2de8bf6e-ba2a-4f81-8ca4-656b1281b576/download
https://repositorio.uniandes.edu.co/bitstreams/b5725d8c-8bd4-4b01-afdb-b161215b98c8/download
https://repositorio.uniandes.edu.co/bitstreams/9140ffd1-b5ea-4766-bbdc-3df85fed3914/download
bitstream.checksum.fl_str_mv 434a2028d417d3aaace447d48f9ddab3
f4989a5cbbb255ffba086733c9a5a268
7007a8df0a95451605c6a3768d81c117
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133864706932736