Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales
En el presente proyecto se desarrolló un prototipo para la detección y clasificación de fallas de cortocircuito en sistemas con generación distribuida renovable utilizando redes convolucionales unidimensionales (1D-CNN) en tiempo real por medio de simulación Hardware in the Loop (HIL) y un microcont...
- 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:1992/74969
- Acceso en línea:
- https://hdl.handle.net/1992/74969
- Palabra clave:
- Análisis de fallas
Aprendizaje supervisado
Fallas de cortocircuito
Redes convolucionales unidimensionales
Generación distribuida
Hardware in the loop
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 International
| id |
UNIANDES2_a48175e2718f960374a5d7072591e3c2 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/74969 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| title |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| spellingShingle |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales Análisis de fallas Aprendizaje supervisado Fallas de cortocircuito Redes convolucionales unidimensionales Generación distribuida Hardware in the loop Ingeniería |
| title_short |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| title_full |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| title_fullStr |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| title_full_unstemmed |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| title_sort |
Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales |
| 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 Redes convolucionales unidimensionales Generación distribuida |
| topic |
Análisis de fallas Aprendizaje supervisado Fallas de cortocircuito Redes convolucionales unidimensionales Generación distribuida Hardware in the loop Ingeniería |
| dc.subject.keyword.eng.fl_str_mv |
Hardware in the loop |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
En el presente proyecto se desarrolló un prototipo para la detección y clasificación de fallas de cortocircuito en sistemas con generación distribuida renovable utilizando redes convolucionales unidimensionales (1D-CNN) en tiempo real por medio de simulación Hardware in the Loop (HIL) y un microcontrolador. Se desarrollo el diseño, entrenamiento y validación del algoritmo de aprendizaje supervisado basado en 1D-CNN el cual se utilizó en el microcontrolador Rapsberry Pi 3B+ para la simulación en tiempo real con el sistema Typhoon HIL402. Se utilizo como caso de estudio el sistema IEEE 13 Node test-feeder con generación distribuida renovable en el software Typhoon HIL Control Center y su librería de componentes para la simulación de fallas en tiempo real para la validación del prototipo. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-08-05T13:09:07Z |
| dc.date.available.none.fl_str_mv |
2024-08-05T13:09:07Z |
| 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/1992/74969 |
| 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/1992/74969 |
| 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. (2023) Typhoon hil 402. https://www.typhoon-hil.com/. (2023) Raspberry pi 3 model b+. https://www.raspberrypi.com/products/raspberry-pi-3-model-b-plus/. J. P. N. Cuéllar, “Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia,” 2022, https://repositorio.uniandes.edu.co/handle/1992/58903. 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 IEA, “Smart grids,” 2023. [Online]. Available: https://www.iea.org/energy-system/electricity/smart-grids P. Suárez, “Detección y clasificación de fallas en sistemas de distribución con generación distribuida por medio de redes neuronales convolucionales unidimensionales,” 2024. 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 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 A. Y. Montoya, M. Jimenez-Aparicio, J. Hernandez-Alvidrez, and M. J. Reno, “A fast microprocessor-based traveling wave fault detection system for electrical power networks,” in 2023 IEEE Power Energy Society Innovative Smart Grid Technologies Conference (ISGT),2023, pp. 1–5. S. K. Sahu, M. Roy, S. Dutta, D. Ghosh, and D. K. Mohanta, “Machine learning based adaptive fault diagnosis considering hosting capacity amendment in active distribution network,” Electric Power Systems Research, vol. 216, p. 109025, 2023. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0378779622010744 N. Simic, L. Strezoski, and B. Dumnic, “Short-circuit analysis of der-basedmicrogrids in connected and islanded modes of operation,” Energies, vol. 14, no. 19, 2021. [Online]. Available: https://www.mdpi.com/1996-1073/14/19/6372 J. D. P. Chacón, “Deteccion y clasificación de fallas en un sistema de potencia con penetracion de inversores basado en una aplicacion demachine learning en tiempo real,” 2023, https://hdl.handle.net/1992/73400. S. Westby, “How to install tensorflow 2 on your raspberry pi,” 2022. [Online]. Available: https://www.samwestby.com/tutorials/rpi-tensorflow Microchip, “Mcp3004/3008 datasheet,” 2008. [Online]. Available: https://www.sigmaelectronica.net/wp-content/uploads/2018/09/MCP3008.pdf |
| 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 |
26 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 Electrónica |
| 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/71f57cad-9d82-4dc9-8395-0e8d7ce18b90/download https://repositorio.uniandes.edu.co/bitstreams/808bc124-e5a1-45af-b855-01b991faa9c8/download https://repositorio.uniandes.edu.co/bitstreams/e081932d-a212-48cc-8a47-3421524c337e/download https://repositorio.uniandes.edu.co/bitstreams/2af04ce4-1c6f-4d2f-980b-b54bcd364ca7/download https://repositorio.uniandes.edu.co/bitstreams/8afcfbcc-b005-46a5-8344-ee597f9d2ad1/download https://repositorio.uniandes.edu.co/bitstreams/172675c7-4515-4294-ba6e-8943b26fa87a/download https://repositorio.uniandes.edu.co/bitstreams/cb5fd9fb-9140-47ca-a429-5f04dccc80bb/download https://repositorio.uniandes.edu.co/bitstreams/a7f1e622-8560-447e-aebc-7908efdd2c50/download |
| bitstream.checksum.fl_str_mv |
54246108b67392540c41d3bb2246a90d b3b42c6d07ce8b11a42f400f932286bf 4460e5956bc1d1639be9ae6146a50347 ae9e573a68e7f92501b6913cc846c39f 1ad65cb8ae905ac2e2161f907121eb01 dc75aad29274ae6bed89919c5af75af8 c6321ed4cfee215fa011c1187a711c35 3581383404b906a284648703867c2d82 |
| 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_ |
1812133910337814528 |
| spelling |
Ramos López, Gustavovirtual::19742-1Suárez Campos, PabloGiraldo Trujillo, Luis Felipevirtual::19743-12024-08-05T13:09:07Z2024-08-05T13:09:07Z2024-01-15https://hdl.handle.net/1992/74969instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En el presente proyecto se desarrolló un prototipo para la detección y clasificación de fallas de cortocircuito en sistemas con generación distribuida renovable utilizando redes convolucionales unidimensionales (1D-CNN) en tiempo real por medio de simulación Hardware in the Loop (HIL) y un microcontrolador. Se desarrollo el diseño, entrenamiento y validación del algoritmo de aprendizaje supervisado basado en 1D-CNN el cual se utilizó en el microcontrolador Rapsberry Pi 3B+ para la simulación en tiempo real con el sistema Typhoon HIL402. Se utilizo como caso de estudio el sistema IEEE 13 Node test-feeder con generación distribuida renovable en el software Typhoon HIL Control Center y su librería de componentes para la simulación de fallas en tiempo real para la validación del prototipo.Pregrado26 páginasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad 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_abf2Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionalesTrabajo 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 cortocircuitoRedes convolucionales unidimensionalesGeneración distribuidaHardware in the loopIngenieríaR. 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.(2023) Typhoon hil 402. https://www.typhoon-hil.com/.(2023) Raspberry pi 3 model b+. https://www.raspberrypi.com/products/raspberry-pi-3-model-b-plus/.J. P. N. Cuéllar, “Aplicación de machine learning en tiempo real basada en un microcontrolador para la detección y clasificación de fallas en un sistema de potencia,” 2022, https://repositorio.uniandes.edu.co/handle/1992/58903.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/1771797IEA, “Smart grids,” 2023. [Online]. Available: https://www.iea.org/energy-system/electricity/smart-gridsP. Suárez, “Detección y clasificación de fallas en sistemas de distribución con generación distribuida por medio de redes neuronales convolucionales unidimensionales,” 2024.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.ch1G. 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-f13275337c7cA. Y. Montoya, M. Jimenez-Aparicio, J. Hernandez-Alvidrez, and M. J. Reno, “A fast microprocessor-based traveling wave fault detection system for electrical power networks,” in 2023 IEEE Power Energy Society Innovative Smart Grid Technologies Conference (ISGT),2023, pp. 1–5.S. K. Sahu, M. Roy, S. Dutta, D. Ghosh, and D. K. Mohanta, “Machine learning based adaptive fault diagnosis considering hosting capacity amendment in active distribution network,” Electric Power Systems Research, vol. 216, p. 109025, 2023. [Online]. Available: https://www.sciencedirect.com/science/article/pii/S0378779622010744N. Simic, L. Strezoski, and B. Dumnic, “Short-circuit analysis of der-basedmicrogrids in connected and islanded modes of operation,” Energies, vol. 14, no. 19, 2021. [Online]. Available: https://www.mdpi.com/1996-1073/14/19/6372J. D. P. Chacón, “Deteccion y clasificación de fallas en un sistema de potencia con penetracion de inversores basado en una aplicacion demachine learning en tiempo real,” 2023, https://hdl.handle.net/1992/73400.S. Westby, “How to install tensorflow 2 on your raspberry pi,” 2022. [Online]. Available: https://www.samwestby.com/tutorials/rpi-tensorflowMicrochip, “Mcp3004/3008 datasheet,” 2008. [Online]. Available: https://www.sigmaelectronica.net/wp-content/uploads/2018/09/MCP3008.pdf201923819Publicationhttps://scholar.google.es/citations?user=HbY10X8AAAAJvirtual::19742-1https://scholar.google.es/citations?user=4TGvo8AAAAJvirtual::19743-10000-0003-2240-7875virtual::19742-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000244902virtual::19742-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000802506virtual::19743-1dc8f4f9d-decb-4312-8e2d-ad9efc0336fevirtual::19742-1dc8f4f9d-decb-4312-8e2d-ad9efc0336fevirtual::19742-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::19743-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::19743-1ORIGINALautorizacion tesis Electronica-PSC-29072024-GR.pdfautorizacion tesis Electronica-PSC-29072024-GR.pdfHIDEapplication/pdf361904https://repositorio.uniandes.edu.co/bitstreams/71f57cad-9d82-4dc9-8395-0e8d7ce18b90/download54246108b67392540c41d3bb2246a90dMD51Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales.pdfPrototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales.pdfapplication/pdf7826392https://repositorio.uniandes.edu.co/bitstreams/808bc124-e5a1-45af-b855-01b991faa9c8/downloadb3b42c6d07ce8b11a42f400f932286bfMD52CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.uniandes.edu.co/bitstreams/e081932d-a212-48cc-8a47-3421524c337e/download4460e5956bc1d1639be9ae6146a50347MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/2af04ce4-1c6f-4d2f-980b-b54bcd364ca7/downloadae9e573a68e7f92501b6913cc846c39fMD54TEXTautorizacion tesis Electronica-PSC-29072024-GR.pdf.txtautorizacion tesis Electronica-PSC-29072024-GR.pdf.txtExtracted texttext/plain2127https://repositorio.uniandes.edu.co/bitstreams/8afcfbcc-b005-46a5-8344-ee597f9d2ad1/download1ad65cb8ae905ac2e2161f907121eb01MD55Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales.pdf.txtPrototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales.pdf.txtExtracted texttext/plain44002https://repositorio.uniandes.edu.co/bitstreams/172675c7-4515-4294-ba6e-8943b26fa87a/downloaddc75aad29274ae6bed89919c5af75af8MD57THUMBNAILautorizacion tesis Electronica-PSC-29072024-GR.pdf.jpgautorizacion tesis Electronica-PSC-29072024-GR.pdf.jpgGenerated Thumbnailimage/jpeg10992https://repositorio.uniandes.edu.co/bitstreams/cb5fd9fb-9140-47ca-a429-5f04dccc80bb/downloadc6321ed4cfee215fa011c1187a711c35MD56Prototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales.pdf.jpgPrototipo para el análisis de fallas en sistemas con generación distribuida en tiempo real basado en un microcontrolador y redes neuronales convolucionales.pdf.jpgGenerated Thumbnailimage/jpeg8634https://repositorio.uniandes.edu.co/bitstreams/a7f1e622-8560-447e-aebc-7908efdd2c50/download3581383404b906a284648703867c2d82MD581992/74969oai:repositorio.uniandes.edu.co:1992/749692024-09-12 16:20:56.655http://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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 |