Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia
Este trabajo presenta el proceso de diseño y validación de un modelo de machine learning (ML) para realizar la detección y clasificación de fallas en un sistema de potencia trifásico en tiempo real, utilizando el sistema HIL402, de Typhoon, Inc. El diseño se dividió en dos etapas: entrenamiento y va...
- Autores:
-
Naranjo Cuéllar, Juan Pablo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/58903
- Acceso en línea:
- http://hdl.handle.net/1992/58903
- Palabra clave:
- Fallas
Typhoon HIL
Clarke
Raspberry Pi
Tiempo real
Machine Learning
Detección
Clasificación
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
id |
UNIANDES2_3e88dd23da682caed573ea9785129a17 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/58903 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.none.fl_str_mv |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
dc.title.alternative.none.fl_str_mv |
Real-time Machine Learning application based on a microcontroller for fault detection and classification in a power system |
title |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
spellingShingle |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia Fallas Typhoon HIL Clarke Raspberry Pi Tiempo real Machine Learning Detección Clasificación Ingeniería |
title_short |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
title_full |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
title_fullStr |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
title_full_unstemmed |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
title_sort |
Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia |
dc.creator.fl_str_mv |
Naranjo Cuéllar, Juan Pablo |
dc.contributor.advisor.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe Ramos López, Gustavo Andrés |
dc.contributor.author.none.fl_str_mv |
Naranjo Cuéllar, Juan Pablo |
dc.contributor.jury.none.fl_str_mv |
Zambrano Jacobo, Andrés Felipe |
dc.subject.keyword.none.fl_str_mv |
Fallas Typhoon HIL Clarke Raspberry Pi Tiempo real Machine Learning Detección Clasificación |
topic |
Fallas Typhoon HIL Clarke Raspberry Pi Tiempo real Machine Learning Detección Clasificación Ingeniería |
dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
description |
Este trabajo presenta el proceso de diseño y validación de un modelo de machine learning (ML) para realizar la detección y clasificación de fallas en un sistema de potencia trifásico en tiempo real, utilizando el sistema HIL402, de Typhoon, Inc. El diseño se dividió en dos etapas: entrenamiento y validación. Parte de la etapa de entrenamiento se llevó a cabo en un proyecto paralelo, y consistió en la caracterización de diferentes tipos de fallas de cortocircuito en un sistema de potencia base ejecutado en el sistema HIL402, y monitoreado en tiempo real por una Raspberry Pi 3. Luego, se realizó el diseño del modelo de machine learning, basado en dos problemas de optimización: maximizar la distancia del coseno entre dos vectores propios y minimizar el cuadrado de la norma L2 entre dos pares de valores propios. Posteriormente, el modelo fue embebido en un microcontrolador, en este caso, una Raspberry Pi 3, permitiendo así la detección y clasificación de fallas en un sistema de potencia base en tiempo real. Finalmente, la etapa de validación se llevó a cabo probando la precisión del modelo bajo diferentes condiciones de medición, arrojando resultados satisfactorios para un conjunto seleccionado de condiciones. |
publishDate |
2022 |
dc.date.accessioned.none.fl_str_mv |
2022-07-18T13:58:02Z |
dc.date.available.none.fl_str_mv |
2022-07-18T13:58:02Z |
dc.date.issued.none.fl_str_mv |
2022 |
dc.type.es_CO.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.es_CO.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 |
http://hdl.handle.net/1992/58903 |
dc.identifier.instname.es_CO.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.es_CO.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.es_CO.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/58903 |
identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
spa |
language |
spa |
dc.relation.references.es_CO.fl_str_mv |
Types of faults in power system: Unsymmetrical faults in power system, May 2018. [Online]. Available: https://electricalacademia.com/electric-power/ types-faults-power-system-unsymmetrical-faults-power-system/ J. P. Naranjo Cuéllar, L. F. Giraldo Trujillo, and G. A. Ramos López, 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, Bachelor's Thesis, Universidad de los Andes, Bogotá DC, Colombia, Jun. 2022. P. M. Anderson, Analysis of Faulted Power Systems / P. Anderson., Jan. 2003. S. Khan, Industrial Power Systems / Shoaib Khan., Jan. 2008. S. Heo and J. H. Lee, Fault detection and classification using artificial neural networks, 10th IFAC Symposium on Advanced Control of Chemical Processes ADCHEM 2018, vol. 51, no. 18, pp. 470-475, Jan. 2018. F. Rafique, L. Fu, and R. Mai, End to end machine learning for fault detection and classification in power transmission lines, Electric Power Systems Research, vol. 199, p. 107430, Oct. 2021. S. Pinky, N. Awasthi, and V. Sharma, Introduction to Machine Learning and its Basic Application in Python, Proceedings of 10th International Conference on Digital Strategies for Organizational Success, p. 22, Jan. 2019. S. M. Miraftabzadeh, F. Foiadelli, M. Longo, and M. Pasetti, A Survey of Machine Learning Applications for Power System Analytics, in 2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe), Jun. 2019, pp. 1-5. W. Duesterhoeft, M. W. Schulz, Jr., and E. Clarke, Determination of instantaneous currents and voltages by means of alpha, beta and zero components, Transactions of the American Institute of Electrical Engineers, vol. 70, pp. 1248-1255. D. A. Rodríguez, Function design for fault analysis in transmission lines to be executed in a Digital Fault Recorder, Bachelor's Thesis, Universidad de los Andes, Bogotá DC, Colombia, Jun. 2017. S. I. Grossman, Eigenvalues, eigenvectors and canonic forms, in Elementary Linear Algebra with Applications, 6th ed. University of Montana: McGraw Hill, 2007, p. 524. R. Halir and J. Flusser, Numerically stable direct least squares fitting of ellipses, 1998. C. , Direct linear least squares fitting of an ellipse, Aug. 21. [Online]. Available: https://scipython.com/blog/direct-linear-least-squares-fitting-of-an-ellipse/ Microchip Technology, Inc., MCP3004/30008 Datasheet, 2007. P. Joshi, Measuring the Stability of Machine Learning Algorithms, 2017. |
dc.rights.license.spa.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
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 |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional 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.es_CO.fl_str_mv |
51 páginas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/9d3065ce-5be9-4d72-a4a7-8c1b43451c43/download https://repositorio.uniandes.edu.co/bitstreams/63e27547-69db-48d1-8579-9d19eebc8f18/download https://repositorio.uniandes.edu.co/bitstreams/3bc7549b-f86d-408e-9342-b33f81f36085/download https://repositorio.uniandes.edu.co/bitstreams/67820ee1-fadc-4734-9d8b-4fd92382bb07/download https://repositorio.uniandes.edu.co/bitstreams/e4918cc9-e472-4d79-a339-711682b81557/download https://repositorio.uniandes.edu.co/bitstreams/f1ae45ac-1427-4fb3-be12-2acb0237a644/download https://repositorio.uniandes.edu.co/bitstreams/da57765c-5690-4f22-8458-d809c6e6e9e3/download https://repositorio.uniandes.edu.co/bitstreams/b4075044-87cb-481b-b1c0-85dac11c66c4/download |
bitstream.checksum.fl_str_mv |
7eb3e36d68499de93087d7ad7b4364a6 771ee11bed38082631a0d6c8143214e4 6f409fadc9663e58752bd9d54907ace3 31c7a4c9df023bd8dc7227bc821dfcd5 4460e5956bc1d1639be9ae6146a50347 1785cb125907f18e96448fd5025904b3 40409ce81b407a88191d1c221f7d55c4 5aa5c691a1ffe97abd12c2966efcb8d6 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133893459935232 |
spelling |
Attribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Trujillo, Luis Felipe2af401d9-d9aa-46a3-b105-dbd811b6b8da600Ramos López, Gustavo Andrésdbbe1882-2e6a-45a0-ab79-373c281b5e34600Naranjo Cuéllar, Juan Pablo898c4b93-a7bf-4669-8928-1b54bbbde2cf600Zambrano Jacobo, Andrés Felipe2022-07-18T13:58:02Z2022-07-18T13:58:02Z2022http://hdl.handle.net/1992/58903instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Este trabajo presenta el proceso de diseño y validación de un modelo de machine learning (ML) para realizar la detección y clasificación de fallas en un sistema de potencia trifásico en tiempo real, utilizando el sistema HIL402, de Typhoon, Inc. El diseño se dividió en dos etapas: entrenamiento y validación. Parte de la etapa de entrenamiento se llevó a cabo en un proyecto paralelo, y consistió en la caracterización de diferentes tipos de fallas de cortocircuito en un sistema de potencia base ejecutado en el sistema HIL402, y monitoreado en tiempo real por una Raspberry Pi 3. Luego, se realizó el diseño del modelo de machine learning, basado en dos problemas de optimización: maximizar la distancia del coseno entre dos vectores propios y minimizar el cuadrado de la norma L2 entre dos pares de valores propios. Posteriormente, el modelo fue embebido en un microcontrolador, en este caso, una Raspberry Pi 3, permitiendo así la detección y clasificación de fallas en un sistema de potencia base en tiempo real. Finalmente, la etapa de validación se llevó a cabo probando la precisión del modelo bajo diferentes condiciones de medición, arrojando resultados satisfactorios para un conjunto seleccionado de condiciones.Ingeniero ElectrónicoPregrado51 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaAplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potenciaReal-time Machine Learning application based on a microcontroller for fault detection and classification in a power systemTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPFallasTyphoon HILClarkeRaspberry PiTiempo realMachine LearningDetecciónClasificaciónIngenieríaTypes of faults in power system: Unsymmetrical faults in power system, May 2018. [Online]. Available: https://electricalacademia.com/electric-power/ types-faults-power-system-unsymmetrical-faults-power-system/J. P. Naranjo Cuéllar, L. F. Giraldo Trujillo, and G. A. Ramos López, 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, Bachelor's Thesis, Universidad de los Andes, Bogotá DC, Colombia, Jun. 2022.P. M. Anderson, Analysis of Faulted Power Systems / P. Anderson., Jan. 2003.S. Khan, Industrial Power Systems / Shoaib Khan., Jan. 2008.S. Heo and J. H. Lee, Fault detection and classification using artificial neural networks, 10th IFAC Symposium on Advanced Control of Chemical Processes ADCHEM 2018, vol. 51, no. 18, pp. 470-475, Jan. 2018.F. Rafique, L. Fu, and R. Mai, End to end machine learning for fault detection and classification in power transmission lines, Electric Power Systems Research, vol. 199, p. 107430, Oct. 2021.S. Pinky, N. Awasthi, and V. Sharma, Introduction to Machine Learning and its Basic Application in Python, Proceedings of 10th International Conference on Digital Strategies for Organizational Success, p. 22, Jan. 2019.S. M. Miraftabzadeh, F. Foiadelli, M. Longo, and M. Pasetti, A Survey of Machine Learning Applications for Power System Analytics, in 2019 IEEE International Conference on Environment and Electrical Engineering and 2019 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe), Jun. 2019, pp. 1-5.W. Duesterhoeft, M. W. Schulz, Jr., and E. Clarke, Determination of instantaneous currents and voltages by means of alpha, beta and zero components, Transactions of the American Institute of Electrical Engineers, vol. 70, pp. 1248-1255.D. A. Rodríguez, Function design for fault analysis in transmission lines to be executed in a Digital Fault Recorder, Bachelor's Thesis, Universidad de los Andes, Bogotá DC, Colombia, Jun. 2017.S. I. Grossman, Eigenvalues, eigenvectors and canonic forms, in Elementary Linear Algebra with Applications, 6th ed. University of Montana: McGraw Hill, 2007, p. 524.R. Halir and J. Flusser, Numerically stable direct least squares fitting of ellipses, 1998.C. , Direct linear least squares fitting of an ellipse, Aug. 21. [Online]. Available: https://scipython.com/blog/direct-linear-least-squares-fitting-of-an-ellipse/Microchip Technology, Inc., MCP3004/30008 Datasheet, 2007.P. Joshi, Measuring the Stability of Machine Learning Algorithms, 2017.201730006PublicationTEXTTesis___IELC___App__MachineLearning__Fallas.pdf.txtTesis___IELC___App__MachineLearning__Fallas.pdf.txtExtracted texttext/plain102551https://repositorio.uniandes.edu.co/bitstreams/9d3065ce-5be9-4d72-a4a7-8c1b43451c43/download7eb3e36d68499de93087d7ad7b4364a6MD55formato_entrega_tesis_IELC.pdf.txtformato_entrega_tesis_IELC.pdf.txtExtracted texttext/plain1498https://repositorio.uniandes.edu.co/bitstreams/63e27547-69db-48d1-8579-9d19eebc8f18/download771ee11bed38082631a0d6c8143214e4MD57ORIGINALTesis___IELC___App__MachineLearning__Fallas.pdfTesis___IELC___App__MachineLearning__Fallas.pdfTrabajo de gradoapplication/pdf9121512https://repositorio.uniandes.edu.co/bitstreams/3bc7549b-f86d-408e-9342-b33f81f36085/download6f409fadc9663e58752bd9d54907ace3MD53formato_entrega_tesis_IELC.pdfformato_entrega_tesis_IELC.pdfHIDEapplication/pdf224361https://repositorio.uniandes.edu.co/bitstreams/67820ee1-fadc-4734-9d8b-4fd92382bb07/download31c7a4c9df023bd8dc7227bc821dfcd5MD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/e4918cc9-e472-4d79-a339-711682b81557/download4460e5956bc1d1639be9ae6146a50347MD52THUMBNAILTesis___IELC___App__MachineLearning__Fallas.pdf.jpgTesis___IELC___App__MachineLearning__Fallas.pdf.jpgIM Thumbnailimage/jpeg11891https://repositorio.uniandes.edu.co/bitstreams/f1ae45ac-1427-4fb3-be12-2acb0237a644/download1785cb125907f18e96448fd5025904b3MD56formato_entrega_tesis_IELC.pdf.jpgformato_entrega_tesis_IELC.pdf.jpgIM Thumbnailimage/jpeg16958https://repositorio.uniandes.edu.co/bitstreams/da57765c-5690-4f22-8458-d809c6e6e9e3/download40409ce81b407a88191d1c221f7d55c4MD58LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/b4075044-87cb-481b-b1c0-85dac11c66c4/download5aa5c691a1ffe97abd12c2966efcb8d6MD511992/58903oai:repositorio.uniandes.edu.co:1992/589032023-10-10 16:39:59.758http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |