| dc.contributor | Ramos Cutipa, Jose Manuel | |
| dc.creator | Gutierrez Gallegos, Adhemir Homero | |
| dc.date | 2022-11-28T16:35:33Z | |
| dc.date | 2022-11-28T16:35:33Z | |
| dc.date | 2022-10-19 | |
| dc.date.accessioned | 2024-05-08T20:10:42Z | |
| dc.date.available | 2024-05-08T20:10:42Z | |
| dc.identifier | https://repositorio.unap.edu.pe/handle/20.500.14082/19202 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9371933 | |
| dc.description | La investigación está basada en un enfoque practico en la detección, clasificación y localización de fallas en líneas de transmisión de energía eléctrica. Con el uso de redes neuronales artificiales RNA se puede detectar, organizar y ubicar fallas de LT para posteriormente hacer un análisis de los datos. La metodología es de tipo experimental para poder desarrollar el trabajo se han empleado redes de retroalimentación juntamente con algoritmos de retro propagación para cada una de las diferentes fases del proceso de localización de fallas. Con los datos obtenidos se procedió a hacer un análisis de redes neuronales con un número variable de capas ocultas y neuronas por capa oculta, para poder validar la elección de las redes neuronales en cada paso. Como resultado de la simulación en MATLAB se ha logrado un rendimiento satisfactorio por parte de todas las RNA propuestas en global. Como se ilustra más adelante, el tamaño de la RNA (número de capas ocultas, neuronas por cada capa oculta) es variable, cabe realzar la importancia de elegir la configuración RNA más adecuada para tener un rendimiento adecuado en la red. La frecuencia de muestreo adoptada para simular las formas de onda de V-I es aproximada a 700 Hz. Esto es de gran importancia porque, cuanto menor sea la frecuencia de muestreo, menor será la carga computacional en la PC que utiliza las redes neuronales por lo tanto un gran ahorro de energía, una gran parte de la cual se debe al muestreo continuo de formas de onda. | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Universidad Nacional del Altiplano. Repositorio Institucional | |
| dc.publisher | PE | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | https://creativecommons.org/licenses/by/4.0/deed.es | |
| dc.subject | Algoritmo de retro propagación | |
| dc.subject | Capas | |
| dc.subject | MATLAB | |
| dc.subject | Redes de retroalimentación y Redes Neuronales Artificiales | |
| dc.subject | https://purl.org/pe-repo/ocde/ford#2.02.00 | |
| dc.title | Clasificación de fallas en líneas de transmisión mediante la utilización de redes neuronales artificiales | |
| dc.type | info:eu-repo/semantics/masterThesis | |
| dc.type | info:eu-repo/semantics/publishedVersion | |
