Clasificación de eventos de calidad de energía utilizando redes neuronales convolucionales profundas en el marco de la industria 4.0

dc.contributorHolguín Londoño , German Andrés
dc.creatorGuevara Gómez, Marta Lucía
dc.date2023-04-18T16:40:02Z
dc.date2023-04-18T16:40:02Z
dc.date2023
dc.date.accessioned2023-06-05T15:27:33Z
dc.date.available2023-06-05T15:27:33Z
dc.identifierUniversidad Tecnológica de Pereira
dc.identifierRepositorio Institucional Universidad Tecnológica de Pereira
dc.identifierhttps://repositorio.utp.edu.co/home
dc.identifierhttps://hdl.handle.net/11059/14632
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/6646012
dc.descriptionLa 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.
dc.descriptionThe 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.
dc.descriptionMaestría
dc.descriptionMagíster en Ingeniería Eléctrica
dc.descriptionCONTENIDO 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
dc.format87 Páginas
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherUniversidad Tecnológica de Pereira
dc.publisherFacultad de Tecnologías
dc.publisherPereira
dc.publisherMaestría en Ingeniería Eléctrica
dc.relation[1] POSTIGO MARCOS, Fernando E, et al. A review of power distribution test feeders in the United States and the need for synthetic representative networks. En: Energies, tomo 10, No 11, 2017, pág. 1896. (document), 2, 4.2, 4.2, 2, 4.3.1
dc.relation[2] OSORIO ARROYAVE, Estéfany. Cyber attack resilient control for microgrid. En: Universidad Nacional de Colombia, 2020. (document), 1, 3, 3.1.1, 3.1.2, 3.1.3, 3.1.4, 3.1.4, 3.1.5, 9
dc.relation[3] DATA SCIENCE TEAM. Redes neuronales residuales - Lo que necesitas saber (ResNet), 2020. https://bit.ly/3yNmSJx. (document), 5.1.1, 13
dc.relation[4] WESTPHAL, Erik y SEITZ, Hermann. A machine learning method for defect detection and visualization in selective laser sintering based on convolutional neural networks. En: Additive Manufacturing, tomo 41, 2021, pág. 101965. (document), 14
dc.relation[5] MOHAMED, Hassan, et al. Assessment of artificial neural network for bathymetry estimation using High Resolution Satellite imagery in Shallow Lakes: case study El Burullus Lake. En: International water technology conference, 2015, págs. 12–14. (document), 15
dc.relation[6] GUO, Zhiling, et al. Village building identification based on ensemble convolutional neural networks. En: Sensors, tomo 17, No 11, 2017, pág. 2487. (document), 16
dc.relation[7] CHANDORKAR, Mukul C; DIVAN, Deepakraj M y ADAPA, Rambabu. Con trol of parallel connected inverters in standalone AC supply systems. En: IEEE transactions on industry applications, tomo 29, No 1, 1993, págs. 136–143. 1, 2
dc.relation[8] MOHSENIAN-RAD, Amir-Hamed y LEON-GARCIA, Alberto. Distributed internet-based load altering attacks against smart power grids. En: IEEE Transac tions on Smart Grid, tomo 2, No 4, 2011, págs. 667–674. 1
dc.relation[9] LOPEZ-GARCIA, Tania B; CORONADO-MENDOZA, Alberto y DOMíNGUEZ NAVARRO, José A. Artificial neural networks in microgrids: A review. En: En gineering Applications of Artificial Intelligence, tomo 95, 2020, pág. 103894. 1, 5.1
dc.relation[10] VAISH, Rachna, et al. Machine learning applications in power system fault diag nosis: Research advancements and perspectives. En: Engineering Applications of Artificial Intelligence, tomo 106, 2021, pág. 104504. 1
dc.relation[11] TOKER, Onur y KHALGHANI, Mohammad Reza. Cyber Anomaly Detection Design for Microgrids using an Artificial Intelligent-Based Method. En: 2022 North American Power Symposium (NAPS). IEEE, 2022, págs. 1–5. 1
dc.relation[12] MOHAN, Neethu; SOMAN, KP y VINAYAKUMAR, R. Deep power: Deep lear ning architectures for power quality disturbances classification. En: 2017 internatio nal conference on technological advancements in power and energy (TAP Energy). IEEE, 2017, págs. 1–6. 1
dc.relation[13] IEEE POWER AND ENERGY SOCIETY. IEEE Recommended Practice for Mo nitoring Electric Power Quality, tomo 1995. IEEE Power and Energy Society, 2019. ISBN 9780738159393, 1-15 págs. 1, 4.3.2, 4.3.2
dc.relation[14] BACHER, Rainer. Power system models, objectives and constraints in optimal power flow calculations. En: Optimization in planning and operation of electric power systems. Springer, 1993, págs. 217–263. 2
dc.relation[15] PÉREZ-ARRIAGA, Ignacio J; JENKINS, Jesse D y BATLLE, Carlos. A regula tory framework for an evolving electricity sector: Highlights of the MIT utility of the future study. En: Economics of Energy & Environmental Policy, tomo 6, No 1, 2017, págs. 71–92. 2
dc.relation[16] PALMINTIER, Bryan, et al. Feeder voltage regulation with high-penetration PV using advanced inverters and a distribution management system: a duke energy case study. Inf. téc., National Renewable Energy Lab.(NREL), Golden, CO (United States), 2016. 2
dc.relation[17] DUGAN, Roger C, et al. Roadmap for the IEEE PES test feeders. En: 2009 IEEE/PES Power Systems Conference and Exposition. IEEE, 2009, págs. 1–4. 2, 4.3
dc.relation[18] SUNDERMAN, Wesley G; DUGAN, Roger C y DORR, Douglas S. The neutral to-earth voltage (NEV) test case and distribution system analysis. En: 2008 IEEE Power and Energy Society General Meeting-Conversion and Delivery of Electrical Energy in the 21st Century. IEEE, 2008, págs. 1–6. 2, 4.3
dc.relation[19] SCHNEIDER, Kevin P y FULLER, Jason C. Voltage control devices on the IEEE 8500 node test feeder. En: IEEE PES T&D 2010. IEEE, 2010, págs. 1–6. 2, 4.3
dc.relation[20] KERSTING, WH. A comprehensive distribution test feeder. En: IEEE PES T&D 2010. IEEE, 2010, págs. 1–4. 2, 4.3
dc.relation[21] TAYAB, Usman Bashir, et al. A review of droop control techniques for microgrid. En: Renewable and Sustainable Energy Reviews, tomo 76, 2017, págs. 717–727. 2
dc.relation[22] REN, Shaoqing, et al. Faster r-cnn: Towards real-time object detection with re gion proposal networks. En: Advances in neural information processing systems, tomo 28, 2015. 2
dc.relation[23] SIMONYAN, Karen y ZISSERMAN, Andrew. Very deep convolutional networks for large-scale image recognition. En: arXiv preprint arXiv:14091556, 2014. 2
dc.relation[24] CHEN, Liang-Chieh, et al. Deeplab: Semantic image segmentation with deep con volutional nets, atrous convolution, and fully connected crfs. En: IEEE transactions on pattern analysis and machine intelligence, tomo 40, No 4, 2017, págs. 834–848. 2
dc.relation[25] IOFFE, Sergey y SZEGEDY, Christian. Batch normalization: Accelerating deep network training by reducing internal covariate shift. En: International conference on machine learning. pmlr, 2015, págs. 448–456. 2
dc.relation[26] SRIVASTAVA, Nitish, et al. Dropout: a simple way to prevent neural networks from overfitting. En: The journal of machine learning research, tomo 15, No 1, 2014, págs. 1929–1958. 2
dc.relation[27] CIFUENTES-MOLANO, Michael F; HERNANDEZ, Byron S y GIRALDO, Eduardo. Comparison of Different Control Techniques on a Bipedal Robot of 6 Degrees of Freedom. En: IAENG International Journal of Applied Mathematics, tomo 51, No 2, 2021, págs. 1–7. 3.1
dc.relation[28] OGATA, Katsuhiko y SANCHEZ, Guillermo Lopez Portillo. Dinámica de sistemas. Prentice-Hall Hispanoamericana, 1987. 3.1
dc.relation[29] LJUNG, Lennart. System identification. En: Signal analysis and prediction. Sprin ger, 1998, págs. 163–173. 3
dc.relation[30] LJUNG, L. y GLAD, T. Modeling of Dynamic Systems. Prentice-Hall information and system sciences series. PTR Prentice Hall, 1994. ISBN 9780135970973. 3.1
dc.relation[31] BIDRAM, Ali; LEWIS, Frank L y DAVOUDI, Ali. Distributed control systems for small-scale power networks: Using multiagent cooperative control theory. En: IEEE Control systems magazine, tomo 34, No 6, 2014, págs. 56–77. 3.1.1, 3.1.2
dc.relation[32] CHATTOPADHYAY, Surajit; MITRA, Madhuchhanda y SENGUPTA, Samarjit. Clarke and park transform. En: Electric Power Quality. Springer, 2011, págs. 89– 96. 3.1.1
dc.relation[33] CHEN, Wei, et al. Study on the topology of three-phase inverter systems based on parallel-connected bridges. En: Proceedings 2013 International Conference on Mechatronic Sciences, Electric Engineering and Computer (MEC). IEEE, 2013, págs. 3678–3682. 3.1.2, 3.1.2
dc.relation[34] LU, Zhiguo, et al. A new three-phase inverter built by a low-frequency three-phase inverter in series with three high-frequency single-phase inverters. En: Proceedings of The 7th International Power Electronics and Motion Control Conference, tomo 3. IEEE, 2012, págs. 1573–1577. 3.1.2
dc.relation[35] LÓPEZ, Juan de Dios Sánchez. Dispositivos electrónicos de potencia. UABC, 2002. 3.1.2
dc.relation[36] RASHID, Muhammad H. Electrónica de potencia: circuitos, dispositivos y aplica ciones. Pearson Educación, 2004. 3.1.2
dc.relation[37] MORILLA, Fernando; GARRIDO, Juan y VÁZQUEZ, Francisco. Control multi variable por desacoplo. En: Revista Iberoamericana de Automática e Informática industrial, tomo 10, No 1, 2013, págs. 3–17. 3.1.4
dc.relation[38] RODRíGUEZ CALVO, Andrea. Scalability and replicability of the impact of smart grid solutions in distribution systems. En: Universidad Pontificia Comillas, 2017. 4.2
dc.relation[39] KERSTING, William H. Radial distribution test feeders. En: IEEE Transactions on Power Systems, tomo 6, No 3, 1991, págs. 975–985. 4.3, 4.3.1
dc.relation[40] KERSTING, WH. Radial distribution test feeders. En: 2001 IEEE Power Engi neering Society Winter Meeting. Conference Proceedings (Cat. No. 01CH37194), tomo 2. IEEE, 2001, págs. 908–912. 4.3
dc.relation[41] SCHNEIDER, Kevin; PHANIVONG, Phillipe y LACROIX, Jean-Sebastian. IEEE 342-node low voltage networked test system. En: 2014 IEEE PES general meeting| conference & exposition. IEEE, 2014, págs. 1–5. 4.3
dc.relation[42] SCHNEIDER, Kevin P, et al. Analytic considerations and design basis for the IEEE distribution test feeders. En: IEEE Transactions on power systems, tomo 33, No 3, 2017, págs. 3181–3188. 4.3
dc.relation[43] CASAS, DA Gutiérrez y SASTOQUE, OF Orjuela. Análisis del comportamiento eléctrico del sistema de distribución IEEE de 34 nodos usando un compensador estático de distribución (dstatcom) diseñado en atp/emtp para la mitigación de sags y la mejora del factor de potencia. En: EMTP para la mitigación de sags en la mejora del factor de potencia, Bogotá: Universidad Distrital FJC, 2015. 4.3.1
dc.relation[44] MOHAN, Neethu; SOMAN, K P y VINAYAKUMAR, R. Deep Power : Deep Learning Architectures for Power Quality Disturbances Classification. En: 2017 International Conference on Technological Advancements in Power and Energy (TAP Energy), 2017, págs. 1–6. 4.3.2
dc.relation[45] LIU, Hui, et al. Complex power quality disturbances classi fi cation via curvelet transform and deep learning. En: Electric Power Systems Research, tomo 163, No May, 2018, págs. 1–9. ISSN 0378-7796. 4.3.2
dc.relation[46] THIRUMALA, Karthik, et al. Neurocomputing A classification method for multi ple power quality disturbances using EWT based adaptive filtering and multiclass SVM. En: Neurocomputing, tomo 334, 2019, págs. 265–274. ISSN 0925-2312. 4.3.2, 5
dc.relation[47] WANG, Shouxiang y CHEN, Haiwen. A novel deep learning method for the classi fication of power quality disturbances using deep convolutional neural network. En: Applied Energy, tomo 235, No March 2018, 2019, págs. 1126–1140. ISSN 0306-2619. 4.3.2
dc.relation[48] SABARIMALAI MANIKANDAN, M.; SAMANTARAY, S. R. y KAMWA, Inno cent. Detection and Classification of Power Quality Disturbances Using Sparse Signal Decomposition on Hybrid Dictionaries. En: IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT, 2014, pág. 12. ISSN 21574847. 4.3.2
dc.relation[49] KHOKHAR, Suhail, et al. A new optimal feature selection algorithm for classifica tion of power quality disturbances using discrete wavelet transform and probabilis tic neural network. En: Measurement: Journal of the International Measurement Confederation, tomo 95, 2017, págs. 246–259. ISSN 02632241. 4.3.2
dc.relation[50] FISHMAN, George. Monte Carlo: concepts, algorithms, and applications. Springer Science & Business Media, 2013. 4.4.2
dc.rightsManifiesto (Manifestamos) en este documento la voluntad de autorizar a la Biblioteca Jorge Roa Martínez de la Universidad Tecnológica de Pereira la publicación en el Repositorio institucional (http://biblioteca.utp.edu.co), la versión electrónica de la OBRA titulada: ________________________________________________________________________________________________ ________________________________________________________________________________________________ ________________________________________________________________________________________________ La Universidad Tecnológica de Pereira, entidad académica sin ánimo de lucro, queda por lo tanto facultada para ejercer plenamente la autorización anteriormente descrita en su actividad ordinaria de investigación, docencia y publicación. La autorización otorgada se ajusta a lo que establece la Ley 23 de 1982. Con todo, en mi (nuestra) condición de autor (es) me (nos) reservo (reservamos) los derechos morales de la OBRA antes citada con arreglo al artículo 30 de
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject620 - Ingeniería y operaciones afines::621 - Física aplicada
dc.subjectRedes neuronales convolucionales
dc.subjectSistemas de control de calidad de energía
dc.subjectAutomatización industrial
dc.subjectFallas
dc.subjectAnomalías
dc.subjectSmart grid
dc.titleClasificación de eventos de calidad de energía utilizando redes neuronales convolucionales profundas en el marco de la industria 4.0
dc.typeTrabajo de grado - Maestría
dc.typehttp://purl.org/coar/resource_type/c_bdcc
dc.typehttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.typeText
dc.typeinfo:eu-repo/semantics/masterThesis
dc.typeinfo:eu-repo/semantics/acceptedVersion


Este ítem pertenece a la siguiente institución