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 c...
- 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
| id |
UNIANDES2_3713d182d140db55a6107c7378ef2c08 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/74963 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| title |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| spellingShingle |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales Análisis de fallas Aprendizaje supervisado Fallas de cortocircuito Generación distribuida Redes neuronales convolucionales Sistemas de distribución Ingeniería |
| title_short |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| title_full |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| title_fullStr |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| title_full_unstemmed |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| title_sort |
Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales |
| dc.creator.fl_str_mv |
Suárez Campos, Pablo |
| dc.contributor.advisor.none.fl_str_mv |
Ramos López, Gustavo |
| dc.contributor.author.none.fl_str_mv |
Suárez Campos, Pablo |
| dc.contributor.jury.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe |
| dc.subject.keyword.spa.fl_str_mv |
Análisis de fallas Aprendizaje supervisado Fallas de cortocircuito Generación distribuida Redes neuronales convolucionales Sistemas de distribución |
| topic |
Análisis de fallas Aprendizaje supervisado Fallas de cortocircuito Generación distribuida Redes neuronales convolucionales Sistemas de distribución Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
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). |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-08-02T22:44:39Z |
| dc.date.available.none.fl_str_mv |
2024-08-02T22:44:39Z |
| dc.date.issued.none.fl_str_mv |
2024-01-15 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/74963 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/74963 |
| identifier_str_mv |
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.relation.references.none.fl_str_mv |
R. Fehr, Industrial Power Distribution. Wiley, 2016, p. 102. AutoSolar, “La curva de intensidad-voltaje y la de potencia-voltaje de un panel solar. el papel del regulador de carga.” [Online]. Available: https://autosolar.es/aspectos-tecnicos/la-curva-de-intensidad-voltaje-y-la-de-potencia-voltaje-de-un-panel-solar-el-papel-del/-regulador-de-carga S. Saha, “A comprehensive guide to convolutional neural networks-the eli5 way,” Nov 2022. [Online]. Available: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53 B. Rohrer, “Convolution in one dimension for neural networks,” Feb 2020. [Online].Available: https://e2eml.school/convolution_one_d K. Khursheed,M. Alhussein, K. Javed, and S. Haider, “A pyramid-cnn based deep learning model for power load forecasting of similar-profile energy customers based on clustering,” IEEE Access, vol. PP, pp. 1–1, 01 2021. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org. S. Turizo, G. Ramos, and D. Celeita, “Voltage sags characterization using fault analysis and deep convolutional neural networks,” IEEE Transactions on Industry Applications, vol. 58, no. 3, pp. 3333–3341, 2022. S. G. Andreas C.Müller, Introduction toMachine Learning with Python. O’ReillyMedia, Inc., 2016. T. Yin, J. Lian, J. Buckheit, and R. Fan, “Bridging power system protection gaps with data-driven approaches,” 2021. [Online]. Available: https://www.osti.gov/biblio/1771797 Fault Location on Transmission and Distribution Lines. John Wiley Sons, Ltd, 2022, ch. 1, pp. 1–26. [Online]. Available: https://onlinelibrary.wiley.com/doi/abs/10.1002/9781119121480.ch1 P. Suárez, “Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales,” 2024. G. Koeppel, Distributed generation literature review and outline of the Swiss situation. ETH Zürich, 2003. Generación distribuida. Endesa, s.f., https://www.fundacionendesa.org/es/educacion/endesa-educa/recursos/generacion-distribuida, (accessed Aug. 10, 2023). S. Kiranyaz, O. Avci, O. Abdeljaber, T. Ince,M. Gabbouj, and D. J. Inman, “1d convolutional neural networks and applications: A survey,” Mechanical Systems and Signal Processing, vol.151, p. 107398, 2021. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0888327020307846 S. Verma, “Understanding 1d and 3d convolution neural network:Keras,” Jul 2023. [Online]. Available: https://towardsdatascience.com/understanding-1d-and-3d-convolution-neural-network-keras-9d8f76e29610 V. Rastogi, “Fully connected layer,” 2023. [Online]. Available: https://medium.com/@vaibhav1403/fully-connected-layer-f13275337c7c Machine Learning for Power Systems. IEEE Power Energy Society, 2022, https://ieee-pes.org/trending-tech/machine-learning-for-power-systems/, (accessed Nov. 27, 2023). B. L. H. Nguyen, T. Vu, T.-T. Nguyen, M. Panwar, and R. Hovsapian, “1-d convolutionalgraph convolutional networks for fault detection in distributed energy systems,” 5 2023.[Online]. Available: https://www.osti.gov/biblio/1987282 J. P. N. Cuéllar, “Técnica de caracterización de fallas en tiempo real basada en los valores y vectores propios de la matriz asociada a las elipses generadas por la transformada de Clarke de voltajes trifásicos.” 2022, https://repositorio.uniandes.edu.co/handle/1992/58901. J. D. Parada, “Análisis y caracterización de fallas en sistemas eléctricos con penetración de inversores basado en los valores y vectores propios de la transformada de clarke de voltajes trifásicas,” 2023, https://hdl.handle.net/1992/73684. “Ieee/iec measuring relays and protection equipment – part 24: Common format for transient data exchange (comtrade) for power systems,” IEEE Std C37.111-2013 (IEC 60255-24 Edition 2.0 2013-04), pp. 1–73, 2013. |
| dc.rights.en.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
31 páginas |
| 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/003115b4-9b32-4277-9327-227e817d8c97/download https://repositorio.uniandes.edu.co/bitstreams/a6165450-cfaa-42e7-b321-5ee722282fa6/download https://repositorio.uniandes.edu.co/bitstreams/02f67a59-a39a-47ca-a472-1edfb38fc4ee/download https://repositorio.uniandes.edu.co/bitstreams/a7e38cb6-be81-4550-9492-68773ced565b/download |
| bitstream.checksum.fl_str_mv |
da3dc6443b2cd6b83557527e8b0d22d1 5dcda3676228a84ea04dc7332b301ba9 ae9e573a68e7f92501b6913cc846c39f 4460e5956bc1d1639be9ae6146a50347 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1808390469824020480 |
| spelling |
Ramos López, Gustavovirtual::19805-1Suárez Campos, PabloGiraldo Trujillo, Luis Felipe2024-08-02T22:44:39Z2024-08-02T22:44:39Z2024-01-15https://hdl.handle.net/1992/74963instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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).Pregrado31 páginasapplication/pdfspaUniversidad de los AndesIngeniería EléctricaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Detección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionalesTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPAnálisis de fallasAprendizaje supervisadoFallas de cortocircuitoGeneración distribuidaRedes neuronales convolucionalesSistemas de distribuciónIngenieríaR. Fehr, Industrial Power Distribution. Wiley, 2016, p. 102.AutoSolar, “La curva de intensidad-voltaje y la de potencia-voltaje de un panel solar. el papel del regulador de carga.” [Online]. Available: https://autosolar.es/aspectos-tecnicos/la-curva-de-intensidad-voltaje-y-la-de-potencia-voltaje-de-un-panel-solar-el-papel-del/-regulador-de-cargaS. Saha, “A comprehensive guide to convolutional neural networks-the eli5 way,” Nov 2022. [Online]. Available: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53B. Rohrer, “Convolution in one dimension for neural networks,” Feb 2020. [Online].Available: https://e2eml.school/convolution_one_dK. Khursheed,M. Alhussein, K. Javed, and S. Haider, “A pyramid-cnn based deep learning model for power load forecasting of similar-profile energy customers based on clustering,” IEEE Access, vol. PP, pp. 1–1, 01 2021.I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org.S. Turizo, G. Ramos, and D. Celeita, “Voltage sags characterization using fault analysis and deep convolutional neural networks,” IEEE Transactions on Industry Applications, vol. 58, no. 3, pp. 3333–3341, 2022.S. G. Andreas C.Müller, Introduction toMachine Learning with Python. O’ReillyMedia, Inc., 2016.T. Yin, J. Lian, J. Buckheit, and R. Fan, “Bridging power system protection gaps with data-driven approaches,” 2021. [Online]. Available: https://www.osti.gov/biblio/1771797Fault Location on Transmission and Distribution Lines. John Wiley Sons, Ltd, 2022, ch. 1, pp. 1–26. [Online]. Available: https://onlinelibrary.wiley.com/doi/abs/10.1002/9781119121480.ch1P. Suárez, “Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales,” 2024.G. Koeppel, Distributed generation literature review and outline of the Swiss situation. ETH Zürich, 2003.Generación distribuida. Endesa, s.f., https://www.fundacionendesa.org/es/educacion/endesa-educa/recursos/generacion-distribuida, (accessed Aug. 10, 2023).S. Kiranyaz, O. Avci, O. Abdeljaber, T. Ince,M. Gabbouj, and D. J. Inman, “1d convolutional neural networks and applications: A survey,” Mechanical Systems and Signal Processing, vol.151, p. 107398, 2021. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0888327020307846S. Verma, “Understanding 1d and 3d convolution neural network:Keras,” Jul 2023. [Online]. Available: https://towardsdatascience.com/understanding-1d-and-3d-convolution-neural-network-keras-9d8f76e29610V. Rastogi, “Fully connected layer,” 2023. [Online]. Available: https://medium.com/@vaibhav1403/fully-connected-layer-f13275337c7cMachine Learning for Power Systems. IEEE Power Energy Society, 2022, https://ieee-pes.org/trending-tech/machine-learning-for-power-systems/, (accessed Nov. 27, 2023).B. L. H. Nguyen, T. Vu, T.-T. Nguyen, M. Panwar, and R. Hovsapian, “1-d convolutionalgraph convolutional networks for fault detection in distributed energy systems,” 5 2023.[Online]. Available: https://www.osti.gov/biblio/1987282J. P. N. Cuéllar, “Técnica de caracterización de fallas en tiempo real basada en los valores y vectores propios de la matriz asociada a las elipses generadas por la transformada de Clarke de voltajes trifásicos.” 2022, https://repositorio.uniandes.edu.co/handle/1992/58901.J. D. Parada, “Análisis y caracterización de fallas en sistemas eléctricos con penetración de inversores basado en los valores y vectores propios de la transformada de clarke de voltajes trifásicas,” 2023, https://hdl.handle.net/1992/73684.“Ieee/iec measuring relays and protection equipment – part 24: Common format for transient data exchange (comtrade) for power systems,” IEEE Std C37.111-2013 (IEC 60255-24 Edition 2.0 2013-04), pp. 1–73, 2013.201923819Publicationhttps://scholar.google.es/citations?user=HbY10X8AAAAJvirtual::19805-10000-0003-2240-7875virtual::19805-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000244902virtual::19805-1dc8f4f9d-decb-4312-8e2d-ad9efc0336fevirtual::19805-1dc8f4f9d-decb-4312-8e2d-ad9efc0336fevirtual::19805-1ORIGINALDetección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales.pdfDetección y clasificación de fallas en sistemas de distribución con generación distribuida renovable por medio de redes neuronales convolucionales unidimensionales.pdfapplication/pdf4226637https://repositorio.uniandes.edu.co/bitstreams/003115b4-9b32-4277-9327-227e817d8c97/downloadda3dc6443b2cd6b83557527e8b0d22d1MD51autorizacion tesis Electrica-PSC-29072024-GR.pdfautorizacion tesis Electrica-PSC-29072024-GR.pdfHIDEapplication/pdf361899https://repositorio.uniandes.edu.co/bitstreams/a6165450-cfaa-42e7-b321-5ee722282fa6/download5dcda3676228a84ea04dc7332b301ba9MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/02f67a59-a39a-47ca-a472-1edfb38fc4ee/downloadae9e573a68e7f92501b6913cc846c39fMD53CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/a7e38cb6-be81-4550-9492-68773ced565b/download4460e5956bc1d1639be9ae6146a50347MD541992/74963oai:repositorio.uniandes.edu.co:1992/749632024-08-05 16:53:06.173http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |