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...

Full description

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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