Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales

En el presente proyecto se desarrolló un algoritmo basado en redes neuronales convolucionales unidimensionales (1D-CNN) con el fin de detectar y clasificar los diferentes tipos de fallas de cortocircuito en sistemas de distribución con generación distribuida renovable basada en inversores. Se tomó como caso de estudio el sistema IEEE 13 Node Test Feeder con generación distribuida renovable. Se comparó el desempeño de un algoritmo basado en la transformada de waveleght discreta (DWT) y 1D-CNN con un nuevo algoritmo que únicamente contiene una 1D-CNN sin necesidad del preprocesamiento de DWT. Además, se generaron nuevas etiquetas para el conjunto de datos logrando clasificar las fallas según las fases involucradas. Se logran precisiones del 99.4% y 100% para el set de datos del caso de estudio. El algoritmo obtenido se utilizó en el proyecto desarrollado en paralelo el cual buscaba realizar la detección y clasificación de fallas en tiempo real basada en un microcontrolador y simulación hardware in the loop (HIL).

• Autores: Suárez Campos, Pablo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/74963
• Acceso en línea: https://hdl.handle.net/1992/74963
• Palabra clave: Análisis de fallas; Aprendizaje supervisado; Fallas de cortocircuito; Generación distribuida; Redes neuronales convolucionales; Sistemas de distribución; Ingeniería
• Rights: openAccess
• License: Attribution-NonCommercial-NoDerivatives 4.0 International