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

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

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

Publicaciones similares