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...
- 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 |