Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning
Actualmente en los sistemas de potencia se monitorea la calidad de la potencia con el fin de detectar e identificar los fenómenos que se presenten. La técnica más común para el procesamiento de las señales en este campo es la transformada de wavelet que permite una alta precisión en la identificació...
- Autores:
-
Rozo Puentes, Juan David
- 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:1992/59359
- Acceso en línea:
- http://hdl.handle.net/1992/59359
- Palabra clave:
- Calidad de la potencia
Machine learning
Procesamiento de señales
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
| id |
UNIANDES2_401099d98164abf929fc323fabcc642a |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/59359 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| title |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| spellingShingle |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning Calidad de la potencia Machine learning Procesamiento de señales Ingeniería |
| title_short |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| title_full |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| title_fullStr |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| title_full_unstemmed |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| title_sort |
Detección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learning |
| dc.creator.fl_str_mv |
Rozo Puentes, Juan David |
| dc.contributor.advisor.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe Ramos López, Gustavo |
| dc.contributor.author.none.fl_str_mv |
Rozo Puentes, Juan David |
| dc.contributor.jury.none.fl_str_mv |
Zambrano Jacobo, Andrés Felipe |
| dc.subject.keyword.none.fl_str_mv |
Calidad de la potencia Machine learning Procesamiento de señales |
| topic |
Calidad de la potencia Machine learning Procesamiento de señales Ingeniería |
| dc.subject.themes.es_CO.fl_str_mv |
Ingeniería |
| description |
Actualmente en los sistemas de potencia se monitorea la calidad de la potencia con el fin de detectar e identificar los fenómenos que se presenten. La técnica más común para el procesamiento de las señales en este campo es la transformada de wavelet que permite una alta precisión en la identificación de los fenómenos de calidad de la potencia. Sin embargo, esta transformada tiene una gran dependencia de los parámetros que se eligen inicialmente, como la wavelet madre y el nivel de aproximación, para identificar ciertos fenómenos. Por esta razón se emplea la transformada de hilbert huang para evaluar la viabilidad de usar ésta técnica de procesamiento para extraer características de las señales de voltaje y poder identificar los fenómenos sin la necesidad de realizar una parametrización profunda que funciona para ciertos fenómenos. |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-07-29T19:31:04Z |
| dc.date.available.none.fl_str_mv |
2022-07-29T19:31:04Z |
| dc.date.issued.none.fl_str_mv |
2022-06-30 |
| 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.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/1992/59359 |
| 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 |
http://hdl.handle.net/1992/59359 |
| 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 |
S. M. Miraftabzadeh, M. Longo, F. Foiadelli, M. Pasetti y R. Igual, "Advances in the Application of Machine Learning Techniques for Power System Analytics: A Survey," Energies, vol. 14, pág. 4776, ago. de 2021. DOI: 10.3390/en14164776. IEEE Recommended Practice for Monitoring Electric Power Quality," IEEE Std 1159- 2019 (Revision of IEEE Std 1159-2009), págs. 1-98, 2019. DOI: 10.1109/IEEESTD. 2019.8796486. T. Vega, V. Roig y H. Beltran, Evolution of signal processing techniques in power quality, nov. de 2007, págs. 1-5, ISBN: 978-84-690-9441-9. DOI: 10.1109/EPQU.2007. 4424200. F. M. Arrabal-Campos, F. G. Montoya, R. Baños, J. Martínez-Lao y A. Alcayde, "Simulation of power quality disturbances through the wavelet transform," en 2018 18th International Conference on Harmonics and Quality of Power (ICHQP), 2018, págs. 1-5. DOI: 10.1109/ICHQP.2018.8378874. Z. Rui, Z. Run-xia y W. Tian-bo, The application of Hilbert-Huang transform in power quality detection En Proceedings of 2013 2nd International Conference on Measurement, Information and Control, vol. 02, 2013, págs. 983-986. DOI: 10.1109/ MIC.2013.6758124. M. Sahani, P. Dash y D. Samal, A real-time power quality events recognition using variational mode decomposition and online-sequential extreme learning machine, Measurement, vol. 157, pág. 107 597, 2020, ISSN: 0263-2241. DOI: https://doi.org/10.1016/j.measurement.2020.107597. dirección: https://www.sciencedirect.com/science/article/pii/S0263224120301342. |
| 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.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.none.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 |
| 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/de7692ec-f54a-4ef4-95b9-d81924e3cf86/download https://repositorio.uniandes.edu.co/bitstreams/836a96f4-2ccc-42b6-bb8e-60eea7d15c34/download https://repositorio.uniandes.edu.co/bitstreams/c012b1ac-8918-42ba-8a87-a5e7d68165a8/download https://repositorio.uniandes.edu.co/bitstreams/b616ee97-8a27-4ff6-a6c2-6b788f8bef3a/download https://repositorio.uniandes.edu.co/bitstreams/94ad224e-56d6-43ab-8c66-45e0a5a1c832/download https://repositorio.uniandes.edu.co/bitstreams/350ae311-fc83-4e22-a2a0-2131bc12d620/download https://repositorio.uniandes.edu.co/bitstreams/7087592a-1d4a-49f2-8740-391a37151aae/download https://repositorio.uniandes.edu.co/bitstreams/0d54c42c-5cf6-434a-9568-9034ee84dee8/download |
| bitstream.checksum.fl_str_mv |
1167b66a17e600a19f56a97df1af1205 42835ba4df118af2f038e21408a81dbe 4460e5956bc1d1639be9ae6146a50347 18639160ca328366a21b2fbaba3fc41e 4baf78d8b1b822ffea775ab76075ec39 5aa5c691a1ffe97abd12c2966efcb8d6 dd124cac3174f8cce12375e1f1349422 771269d6af4372dc734ad13089aab76a |
| 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_ |
1818111853387055104 |
| 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 Felipevirtual::9153-1Ramos López, Gustavovirtual::9154-1Rozo Puentes, Juan David4d2600a8-eddd-40a3-8098-e5abbf9a562e600Zambrano Jacobo, Andrés Felipe2022-07-29T19:31:04Z2022-07-29T19:31:04Z2022-06-30http://hdl.handle.net/1992/59359instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Actualmente en los sistemas de potencia se monitorea la calidad de la potencia con el fin de detectar e identificar los fenómenos que se presenten. La técnica más común para el procesamiento de las señales en este campo es la transformada de wavelet que permite una alta precisión en la identificación de los fenómenos de calidad de la potencia. Sin embargo, esta transformada tiene una gran dependencia de los parámetros que se eligen inicialmente, como la wavelet madre y el nivel de aproximación, para identificar ciertos fenómenos. Por esta razón se emplea la transformada de hilbert huang para evaluar la viabilidad de usar ésta técnica de procesamiento para extraer características de las señales de voltaje y poder identificar los fenómenos sin la necesidad de realizar una parametrización profunda que funciona para ciertos fenómenos.Ingeniero ElectrónicoPregradoapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaDetección de fenómenos de la calidad de la potencia por medio de algoritmos de machine learningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPCalidad de la potenciaMachine learningProcesamiento de señalesIngenieríaS. M. Miraftabzadeh, M. Longo, F. Foiadelli, M. Pasetti y R. Igual, "Advances in the Application of Machine Learning Techniques for Power System Analytics: A Survey," Energies, vol. 14, pág. 4776, ago. de 2021. DOI: 10.3390/en14164776.IEEE Recommended Practice for Monitoring Electric Power Quality," IEEE Std 1159- 2019 (Revision of IEEE Std 1159-2009), págs. 1-98, 2019. DOI: 10.1109/IEEESTD. 2019.8796486.T. Vega, V. Roig y H. Beltran, Evolution of signal processing techniques in power quality, nov. de 2007, págs. 1-5, ISBN: 978-84-690-9441-9. DOI: 10.1109/EPQU.2007. 4424200.F. M. Arrabal-Campos, F. G. Montoya, R. Baños, J. Martínez-Lao y A. Alcayde, "Simulation of power quality disturbances through the wavelet transform," en 2018 18th International Conference on Harmonics and Quality of Power (ICHQP), 2018, págs. 1-5. DOI: 10.1109/ICHQP.2018.8378874.Z. Rui, Z. Run-xia y W. Tian-bo, The application of Hilbert-Huang transform in power quality detection En Proceedings of 2013 2nd International Conference on Measurement, Information and Control, vol. 02, 2013, págs. 983-986. DOI: 10.1109/ MIC.2013.6758124.M. Sahani, P. Dash y D. Samal, A real-time power quality events recognition using variational mode decomposition and online-sequential extreme learning machine, Measurement, vol. 157, pág. 107 597, 2020, ISSN: 0263-2241. DOI: https://doi.org/10.1016/j.measurement.2020.107597. dirección: https://www.sciencedirect.com/science/article/pii/S0263224120301342.201730372Publicationhttps://scholar.google.es/citations?user=4TGvo8AAAAJvirtual::9153-1https://scholar.google.es/citations?user=HbY10X8AAAAJvirtual::9154-10000-0003-2240-7875virtual::9154-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000802506virtual::9153-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000244902virtual::9154-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::9153-1dc8f4f9d-decb-4312-8e2d-ad9efc0336fevirtual::9154-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::9153-1dc8f4f9d-decb-4312-8e2d-ad9efc0336fevirtual::9154-1ORIGINALIELC_Detección_PQ_ML.pdfIELC_Detección_PQ_ML.pdfProyecto de gradoapplication/pdf2001149https://repositorio.uniandes.edu.co/bitstreams/de7692ec-f54a-4ef4-95b9-d81924e3cf86/download1167b66a17e600a19f56a97df1af1205MD53Formato de Autorizacion y Entrega IELC JDRP_firmaLFG.pdfFormato de Autorizacion y Entrega IELC JDRP_firmaLFG.pdfHIDEapplication/pdf365861https://repositorio.uniandes.edu.co/bitstreams/836a96f4-2ccc-42b6-bb8e-60eea7d15c34/download42835ba4df118af2f038e21408a81dbeMD54CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/c012b1ac-8918-42ba-8a87-a5e7d68165a8/download4460e5956bc1d1639be9ae6146a50347MD52THUMBNAILIELC_Detección_PQ_ML.pdf.jpgIELC_Detección_PQ_ML.pdf.jpgIM Thumbnailimage/jpeg11823https://repositorio.uniandes.edu.co/bitstreams/b616ee97-8a27-4ff6-a6c2-6b788f8bef3a/download18639160ca328366a21b2fbaba3fc41eMD56Formato de Autorizacion y Entrega IELC JDRP_firmaLFG.pdf.jpgFormato de Autorizacion y Entrega IELC JDRP_firmaLFG.pdf.jpgIM Thumbnailimage/jpeg16304https://repositorio.uniandes.edu.co/bitstreams/94ad224e-56d6-43ab-8c66-45e0a5a1c832/download4baf78d8b1b822ffea775ab76075ec39MD58LICENSElicense.txtlicense.txttext/plain; charset=utf-81810https://repositorio.uniandes.edu.co/bitstreams/350ae311-fc83-4e22-a2a0-2131bc12d620/download5aa5c691a1ffe97abd12c2966efcb8d6MD51TEXTIELC_Detección_PQ_ML.pdf.txtIELC_Detección_PQ_ML.pdf.txtExtracted texttext/plain30438https://repositorio.uniandes.edu.co/bitstreams/7087592a-1d4a-49f2-8740-391a37151aae/downloaddd124cac3174f8cce12375e1f1349422MD55Formato de Autorizacion y Entrega IELC JDRP_firmaLFG.pdf.txtFormato de Autorizacion y Entrega IELC JDRP_firmaLFG.pdf.txtExtracted texttext/plain1192https://repositorio.uniandes.edu.co/bitstreams/0d54c42c-5cf6-434a-9568-9034ee84dee8/download771269d6af4372dc734ad13089aab76aMD571992/59359oai:repositorio.uniandes.edu.co:1992/593592024-05-15 07:30:16.392http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |