Herramienta computacional para la localización de fallas basada en técnicas de aprendizaje de máquina para redes de distribución de energía eléctrica.
Computational tool for fault location based on machine learning techniques for electric power distribution networks.
| dc.contributor | Orozco Henao, César Augusto | |
| dc.contributor | Marín Quintero, Juan Guillermo | |
| dc.creator | Castillo Ruiz, Carlos Andrés | |
| dc.creator | García Del Río, Andrés Eduardo | |
| dc.date | 2019-06-07T14:27:31Z | |
| dc.date | 2019-06-07T14:27:31Z | |
| dc.date | 2019-05-27 | |
| dc.date.accessioned | 2023-08-25T15:54:57Z | |
| dc.date.available | 2023-08-25T15:54:57Z | |
| dc.identifier | http://hdl.handle.net/10584/8466 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8430815 | |
| dc.description | Actualmente, los métodos de localización de fallas en los sistemas de potencia se dividen en: métodos basados en inteligencia artificial, basados en ondas viajeras y basados en impedancia aparente. Cada uno de ellos presenta limitaciones distintas, pues, los métodos basados en el uso de ondas viajeras requieren de equipamientos costosos, los métodos basados en inteligencia artificial requieren de una gran cantidad de datos y los métodos de impedancia aparente presentan problemas como la múltiple estimación de la ubicación de falla. Por estas razones, se decidió construir una herramienta computacional que utilizara los métodos de aprendizaje de máquina para realizar la localización de fallas en redes de distribución activas, minimizando el presupuesto a utilizar y evadiendo los problemas de estimación que puedan presentarse al utilizar métodos basados en la impedancia aparente. Se implementaron cuatro técnicas de aprendizaje de máquina, las cuales fueron Árbol de la Desición (DTC), K Vecinos más cercanos (KNN), Máquina de Soporte Vectorial (SVM) y Gaussian Naive Bayes (GNB). A la herramienta computacional se le podrá ingresar una base de datos con información en el tiempo de las señales de tensión y corriente en la cabecera del sistema de distribución en cuestión, y ella se encarga de acondicionar la base de datos mediante procesos matemáticos y estadísticos, sacando los atributos y etiquetando cada caso. El 80% de la base de datos se utilizó para entrenar las técnicas y el 20% restante para realizar una validación exhaustiva de cada una. Finalmente, la herramienta computacional es capaz de localizar fallas mediante el uso de los cuatro clasificadores de aprendizaje de máquina entrenados, logrando así realizar comparaciones entre los resultados obtenidos por las técnicas. | |
| dc.description | Currently, the fault location methods in power systems are divided into: artificial intelligence based methods, travelling waves based methods, and apparent impedance based methods. Each of these presents us with different limitations, since the methods based on traveling waves require expensive equipment, the methods based on artificial intelligence require large amounts of data and the apparent impedance methods present problems such as the multiple fault estimation. For these reasons, it was decided to build a computational tool that would use machine learning methods to perform the location of faults in active distribution networks, minimizing the budget and evading the multiple estimation problem that arises when using apparent impedance based methods. Four machine learning techniques were implemented, which were: Decision Tree Classifier (DTC), K nearest neighbors (KNN), Support Vector Machine (SVM) and Gaussian Naïve Bayes (GNB). A database with information on the instantaneous values of voltages and currents at the head end of the system will be entered into the software, which will condition the database through mathematical and statistical processes, extracting the attributes and labeling each case. 80% of the database was used to train the techniques and the remaining 20% was used to perform an exhaustive validation of each one. Finally, the computational tool is able to locate faults by using the four trained machine learning classifiers, thus making comparisons between the results obtained by the techniques. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | image/png | |
| dc.format | application/pdf | |
| dc.format | image/png | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Barranquilla, Universidad del Norte, 2019 | |
| dc.rights | Universidad del Norte | |
| dc.rights | openAccess | |
| dc.subject | Localización de fallas | |
| dc.subject | Técnicas de aprendizaje de máquina | |
| dc.subject | Árbol de la Decisión | |
| dc.subject | K Vecinos más Cercanos | |
| dc.subject | Máquina de Soporte Vectorial | |
| dc.subject | Gaussian Naive Bayes | |
| dc.subject | Redes de distribución | |
| dc.subject | Fault Location | |
| dc.subject | Machine learning techniques | |
| dc.subject | Decision Tree Classifier | |
| dc.subject | K Nearest Neighbors | |
| dc.subject | Support Vector Machine | |
| dc.subject | Gaussian Naive Bayes | |
| dc.subject | Distribution Networks | |
| dc.title | Herramienta computacional para la localización de fallas basada en técnicas de aprendizaje de máquina para redes de distribución de energía eléctrica. | |
| dc.title | Computational tool for fault location based on machine learning techniques for electric power distribution networks. | |
| dc.type | article |