Clasificación de ciberataques, fallas y eventos de operación normal en subestaciones digitales utilizando el protocolo GOOSE a partir de redes LSTM

Este proyecto presenta el diseño e implementación de un modelo de clasificación basado en redes neuronales Long Short-Term Memory (LSTM) para la identificación de eventos en subestaciones digitales. El trabajo se enfoca en tres tipos principales de eventos: operaciones normales, fallas eléctricas y ciberataques, utilizando información contenida en mensajes GOOSE bajo el estándar IEC 61850. A partir de un dataset sintético, se procesaron características clave como las corrientes, el número de estado (stNum) y el número de secuencia (sqNum). Además, se implementó una estrategia de selección de ventana temporal para reducir el ruido en los datos, maximizando la relevancia de las características utilizadas en el modelo. El conjunto de datos fue dividido en un 80\% para entrenamiento y un 20\% para validación, asegurando una distribución representativa de las clases. El modelo LSTM mostró un desempeño sobresaliente, alcanzando una precisión del 100% en el conjunto de validación. Este resultado fue corroborado por la matriz de confusión, que evidenció una clasificación perfecta en todas las categorías. Además, se observó una mejora consistente en las métricas de pérdida durante el entrenamiento y validación, demostrando la capacidad del modelo para generalizar. En comparación con enfoques basados en redes convolucionales (CNN) y transformada wavelet continua (CWT), el modelo LSTM destaca por su habilidad para capturar dependencias temporales en secuencias largas, eliminando la necesidad de preprocesamiento intensivo y mejorando la robustez en escenarios complejos. Estos hallazgos contribuyen a la confiabilidad y ciberseguridad de subestaciones digitales, sentando las bases para su aplicación en entornos reales y exploración futura en escenarios más variados.

• Autores: Pacheco Pérez, Juan Pablo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/75636
• Acceso en línea: https://hdl.handle.net/1992/75636
• Palabra clave: Subestaciones digitales; Mensajes GOOSE; Redes LSTM; Clasificación de eventos; Ciberseguridad; Fallas eléctricas; Aprendizaje profundo; IEC 61850; Procesamiento de señales; Dataset sintético; Ingeniería
• Rights: openAccess
• License: https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf