PDF Universidad Nacional Del Callao

PLANTEAMIENTO DEL PROBLEMA

• Descripción de la realidad problemática
• Formulación del problema
• Objetivos
• Justificación
• Limitantes de la investigación

Esto se traduce en un mayor tiempo de indisponibilidad de la línea de transmisión, mayores costos de restablecimiento del servicio, incluso con la posibilidad de pagar indemnizaciones por interrupción del suministro eléctrico. Ha implementado una aplicación que identifica automáticamente la causa raíz de una falla en una línea de transmisión, basándose en características en los dominios de tiempo y frecuencia (de la tensión de falla y forma de onda de la corriente) y características contextuales (hora, mes del año, región, estación del año). el año en que ocurrió la falla), puede proporcionar información al equipo de inspección de la línea de transmisión para que esté adecuadamente equipado y preparado para buscar signos reveladores de falla durante la inspección, y como restaurar el servicio de la línea de transmisión en los casos en que no esté Se permite declarar disponible sin realizar una verificación completa para resolver la incertidumbre sobre la causa de la falla y el daño a los elementos de la línea de transmisión. La implementación de una aplicación basada en un algoritmo de Machine Learning identificará automáticamente la causa raíz de las fallas en las líneas de transmisión del grupo ISA Perú.

Implementar una aplicación basada en un algoritmo de aprendizaje automático para la identificación automática de la causa principal de fallas en líneas de transmisión del grupo ISA Perú. Esta investigación tiene justificación práctica porque la implementación de la aplicación identificará automáticamente la causa principal de la falla en la línea de transmisión del grupo ISA Perú. Esto se debe a que en ciertos eventos de falla no fue posible identificar la causa raíz mediante la inspección de la línea de transmisión y, por lo tanto, hay una cantidad menor de archivos COMTRADE disponibles para entrenar el modelo de Machine Learning.

Para las fallas por causa raíz del incendio de vegetación, se encuentra disponible un número menor de fallas para el período de estudio seleccionado (2020 a 2021).

MARCO TEÓRICO

Antecedentes del estudio

El objetivo de la investigación fue lograr alta precisión en la identificación de fallas en líneas de transmisión, a través de un modelo entrenado de Machine Learning para el reconocimiento de patrones. El resultado de la investigación fue que el modelo entrenado tiene una precisión superior al 98% en la clasificación correcta de tipos de fallas (bucles de impedancia) en líneas de transmisión. La conclusión del estudio fue que debería centrarse en mejorar la robustez y la adaptabilidad de las técnicas de inteligencia artificial como parte de las estrategias futuras para la detección y el diagnóstico de fallos.

La identificación de la causa raíz del fallo se resolvió mediante un modelo entrenado con un algoritmo de aprendizaje supervisado de Machine Learning. Para validar los resultados se utilizó el porcentaje de precisión de la matriz de confusión y la medida F. El estudio concluye que el algoritmo clasificador de vecinos es ideal para clasificar la causa raíz de fallas en líneas de transmisión.

El objetivo del estudio fue la identificación de la causa raíz de las fallas en las redes de distribución a partir de un conjunto de características basadas en el tiempo y características basadas en la forma de onda de voltaje y corriente de falla.

Bases teóricas

Se puede ver en la ecuación (2.17) que las componentes positiva, negativa y cero de la corriente son iguales, por lo tanto se interpreta que las redes en serie están conectadas en serie. Se puede ver en la ecuación (2.19) que la suma de los componentes de voltaje de secuencia positiva, negativa y cero es igual a tres veces el error, por lo tanto, se suma la cantidad 3𝑍 al circuito de las redes en serie. De la ecuación (2.37) se deduce que si la impedancia de falla se suma a la secuencia positiva y negativa, son iguales (conexión en paralelo).

Sea 𝒔 una función de entrada periódica (tensión u onda de corriente) de período N y 𝒔(𝒏) el valor de la muestra registrada 𝒏. Khana y Awad (2015) definieron el aprendizaje automático como una rama de la inteligencia artificial que aplica sistemáticamente algoritmos para sintetizar relaciones subyacentes entre datos e información. Corresponde al valor máximo del valor absoluto de la diferencia de coordenadas entre dos puntos. 2.48) Donde “n” es el número de características en el conjunto de datos.

La ocurrencia de emisiones atmosféricas en las líneas de transmisión depende de las condiciones climáticas y el área geográfica de la línea de transmisión.

Conceptual

Definición de términos básicos

Sistema de energía eléctrica: Conjunto de equipos primarios y secundarios que participan en el proceso de generación, transmisión y distribución de energía eléctrica. Relé de protección: dispositivo que monitorea continuamente señales analógicas de corriente y voltaje para detectar una condición de falla en la zona de protección con el fin de aislarla del sistema eléctrico enviando una señal de disparo al (los) interruptor(es) para evitar daños al equipo del sistema de energía eléctrica. . La confiabilidad tiene dos enfoques: el sistema debe funcionar en presencia de una falla dentro de su zona de protección (confiabilidad) y no debe funcionar ante fallas presentes fuera de su zona de protección o en ausencia de una falla en su zona de protección (seguridad).

Sensibilidad: capacidad del sistema de protección, que consiste en detectar un cambio mínimo por encima del valor límite (toma) de una función de protección. Selectividad: capacidad del sistema de protección, que consiste en mantener la máxima continuidad del suministro de energía eléctrica aislando únicamente los componentes afectados por una falla en el sistema de energía eléctrica. Zona de protección: Término utilizado en los sistemas de protección para referirse a que un conjunto de equipos forma parte del alcance (selectividad) del monitoreo de señales de corriente y voltaje mediante relés de protección para eliminar fallas en el menor tiempo posible.

Resistencia de falla: Es la resistencia que se produce en el punto de falla debido a la caída de voltaje debido a un arco eléctrico o debido a otra resistencia en el circuito de falla. Bucle de Falla: Se denomina impedancia que se presenta en una condición de falla en las fases afectadas. Líneas de transmisión: Conjunto de equipos que permiten la transmisión de energía eléctrica y conectan subestaciones eléctricas.

Forma de onda: una serie de señales discretas que representan la magnitud de las señales de corriente y voltaje. Causa de la falla: La causa de la falla en la línea de transmisión se denomina causa raíz. Algoritmo: Conjunto de comandos escritos en un lenguaje de programación específico, que tienen un significado lógico, para realizar una acción.

Conjunto de datos: Colección de datos donde cada columna corresponde a un atributo y cada fila corresponde a un registro del conjunto de datos. Sobreajuste: esto ocurre cuando el modelo de clasificación se ha centrado demasiado en aprender del conjunto de datos de entrenamiento, que, cuando se evalúa con datos nuevos, clasifica erróneamente.

HIPÓTESIS Y VARIABLES

Hipótesis

Definición conceptual de variables

Operacionalización de variables

Aplicación para extraer características de formas de onda de archivos COMTRADE. a) Valores característicos de la forma de onda de tensión. Causa de la falla identificada. a) Precisión de la matriz de confusión b) Precisión de la matriz de confusión c) Sensibilidad de la matriz de confusión d) Puntuación F1 de la matriz de confusión.

DISEÑO METODOLÓGICO

Tipo y diseño de investigación

Método de investigación

Población y muestra

Debido a la naturaleza del estudio, se requiere que el modelo de Machine Learning realice entrenamiento con la mayor cantidad de eventos de falla, por lo que la muestra corresponde a la cantidad total de la población. La muestra consta de archivos COMTRADE (oscilógrafo), capturados por los relés de protección por falla en la línea de transmisión, que son objeto de análisis.

Lugar de estudio

Técnicas e instrumentos para la recolección de datos

Para medir la variable dependiente se utilizarán las métricas de la matriz de confusión: exactitud, precisión, sensibilidad y puntuación F1.

Análisis y procesamiento de datos

• Recolección de datos
• Preparación de datos
• Extracción de datos y consolidación de base de datos
• Selección de algoritmo de aprendizaje supervisado y
• Evaluación del modelo de clasificación de Machine Learning

RESULTADOS

Resultados descriptivos

Cuadro No. 5.2 muestra el valor medio, la desviación estándar, el valor mínimo, el cuartil Q1, el cuartil Q2, el cuartil Q3 y el valor máximo de las características en el dominio de la frecuencia de las formas de onda de voltaje y corriente, del conjunto de datos de fallas de la línea de transmisión (305 muestras). Cuadro No. 5.3 muestra el valor medio, la desviación estándar, el valor mínimo, el cuartil Q1, el cuartil Q2, el cuartil Q3 y el valor máximo de las características en el dominio del tiempo de las formas de onda de tensión y corriente del conjunto de datos de fallas de líneas de transmisión (305 muestras).

Resultados inferenciales

Del resultado de la métrica de puntuación F1 para cada causa raíz se infiere que concuerda con el resultado de las medidas de exactitud y precisión.

Otro tipo de resultados estadísticos

DISCUSIÓN DE RESULTADOS

Contrastación y demostración de la hipótesis con los resultados

Contrastación de los resultados con otros estudios similares

Aplicación de inteligencia artificial en la detección de fallas en motores eléctricos de corriente continua de imanes permanentes”, en el cual el modelo logró una precisión del 98% y un puntaje f1 de 11.59%, lo que implica que el modelo no clasifica correctamente. . Por otro lado, Gallegos (2020) realizó un estudio sobre “Identificación de fallas en sistemas de energía eléctrica a partir del reconocimiento de patrones”, en el cual la mejor precisión obtenida por el modelo fue de 93,33. Por otro lado, Bautista (2018) realizó un estudio con el título. Identificación de 11 tipos de fallas en líneas de transmisión de alta tensión mediante redes neuronales”, en el cual el mejor resultado de precisión del modelo entrenado fue del 99,8% para la sección 4.

Por otro lado, Barrera, Meléndez, Kulkarni y Santoso (2012) realizaron un estudio sobre “Análisis de características y clasificación automática de fallas de cortocircuito derivadas de causas externas”, en el que el resultado de precisión de clasificación fue del 93,4%. Se ha comprobado que la precisión del modelo entrenado en el presente estudio tiene una alta correlación con la precisión obtenida en los modelos de los estudios anteriores.

CONCLUSIONES

RECOMENDACIONES

Aplicación de la inteligencia artificial en la detección de fallos en motores eléctricos de corriente continua de imanes permanentes. Análisis predictivo de activos mineros para obtener intervalo de falla utilizando algoritmos de aprendizaje automático. Código de aplicación basado en el algoritmo de clasificación de k vecinos más cercanos para aprendizaje automático supervisado.

Establece la configuración para mostrar todo el contenido de un DataFrame pd.set_option('display.max_rows', Ninguno).