Trabajo de grado - Maestría
Clasificación de eventos de calidad de energía utilizando redes neuronales convolucionales profundas en el marco de la industria 4.0
Registro en:
Universidad Tecnológica de Pereira
Repositorio Institucional Universidad Tecnológica de Pereira
Autor
Guevara Gómez, Marta Lucía
Institución
Resumen
La era de cuarta revolución industrial, o Industria 4.0, es un modelo de industria que requiere de la interconexión entre la instrumentación, el control y la supervisión de los sistemas. La integración entre la Industria 4.0 y el sistema eléctrico se conoce como red eléctrica inteligente, o smart grid.
La introducción de redes inteligentes ha supuesto grandes desafíos en términos de calidad de energía. El uso creciente de dispositivos de estado sólido, dispositivos electrónicos de potencia, cargas no lineales y sistemas desbalanceados provocan frecuentes perturbaciones en la red [4]. Estas provocan el mal funcionamiento de los equipos y pueden generar pérdidas económicas considerables [4]. Si bien existen
diferentes trabajos en detección y clasificación de fallos y anomalías, la mayoría están fundamentadas sólo en el sistema de transmisión, y no se tienen en cuenta las redes inteligentes y el sistema de distribución en una aplicación práctica.
En este sentido, este proyecto busca aplicar técnicas modernas de aprendizaje profundo, en particular, redes neuronales convolucionales profundas, para procesar la información adquirida en todos los nodos del sistema de una red inteligente, utilizando aprendizaje supervisado. De este modo, se busca desarrollar una metodología que permita identificar perturbaciones y anomalías, utilizando la información obtenida del sistema de medición de la red, mejorando así la capacidad del sistema a reaccionar ante un evento, lo que
mejora la robustez y resiliencia del sistema en general. The era of the fourth industrial revolution, or Industry 4.0, is a model of industry that requires interconnection between instrumentation, control and monitoring systems. The integration between Industry 4.0 and the electrical system is known as a smart grid. The introduction of smart grids has brought great challenges in terms of power quality. The increasing use of solid-state devices, power electronic devices, nonlinear loads and unbalanced systems cause frequent disturbances in the network [4]. These cause equipment malfunctions and can generate considerable economic losses [4]. Although there are different works on detection and classification of faults and anomalies, most of it is based only on the transmission system, and smart grids and the distribution system are not taken into account in a practical application.
In this sense, this project looks to apply modern deep learning techniques, in particular, deep convolutional neural networks, to process the information acquired in all the nodes of an intelligent network system, using supervised learning. In this way, is project looking for develop a methodology to identify disturbances and anomalies, using the information obtained from the network measurement system, thus improving the ability of the system to react to an event, which improves the robustness and resilience of the system
in general. Maestría Magíster en Ingeniería Eléctrica CONTENIDO
pág.
1. INTRODUCCIÓN 11
2. ESTADO DEL ARTE 17
3. MODELOS MATEMÁTICOS 21
3.1. Modelos Dinámicos de la Micro-red . . . . . . . . . . . . . . . . . . . . 22
3.1.1. Modelo del Generador . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.2. Modelo del Puente Inversor . . . . . . . . . . . . . . . . . . . . 24
3.1.3. Modelo del Controlador de Potencia . . . . . . . . . . . . . . . . 26
3.1.4. Modelo del Controlador de Voltaje . . . . . . . . . . . . . . . . 28
3.1.5. Modelo del Controlador de Corriente . . . . . . . . . . . . . . . 29
4. Simulación de una Red Inteligente IEEE-34 31
4.1. Conexión Delta y Estrella . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2. Test Feeders o Redes de Pruebas . . . . . . . . . . . . . . . . . . . . . 33
4.3. IEEE Feeders . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.3.1. IEEE-34 Test Feeders . . . . . . . . . . . . . . . . . . . . . . . . 36
4.3.2. Perturbaciones en la Calidad de la Energía . . . . . . . . . . . . 39
4.4. Construcción de la Base de Datos . . . . . . . . . . . . . . . . . . . . . 43
4.4.1. Complejidad Computacional en la Simulación . . . . . . . . . . 43
4.4.2. Método de Monte Carlo . . . . . . . . . . . . . . . . . . . . . . 44
4.4.3. Simulación Monte Carlo para el Feeder IEEE-34 . . . . . . . . . 46
5. Clasificación de Eventos Con RNCP 49
5.1. Redes Neuronales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5.1.1. Redes Neuronales Residuales - ResNet . . . . . . . . . . . . . . 50
5.1.2. Xception Network . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.1.3. Adaptive Linear Neuron . . . . . . . . . . . . . . . . . . . . . . 55
5.1.4. Perceptron Multicapa . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2. Algoritmos de Aprendizaje . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.2.1. Redes Neuronales Convolucionales Profundas . . . . . . . . . . . 57
5.2.2. Very Deep Convolutional Networks - VGGNet . . . . . . . . . . 58
5.3. Diseño de la Arquitectura de la Red Neuronal . . . . . . . . . . . . . . 62
5.4. Entrenamiento de la Red Neuronal . . . . . . . . . . . . . . . . . . . . 64
5.4.1. Resultados en la Clasificación . . . . . . . . . . . . . . . . . . . 66
5.4.2. Matriz de Confusión . . . . . . . . . . . . . . . . . . . . . . . . 68
6. CONCLUSIONES 71
BIBLIOGRAFÍA 73