Identificación automática de perturbaciones en calidad de energía usando aprendizaje de máquina.


Autores/as

  • Andrés Felipe Valencia Duque Universidad Tecnológica de Pereira
  • Andrés Marino Álvarez Meza Universidad Nacional de Colombia
  • Álvaro Ángel Orozco Gutiérrez Universidad Tecnológica de Pereira

DOI:

https://doi.org/10.22517/23447214.20661

Palabras clave:

Calidad de energía, aprendizaje de máquina, dominio temporal, dominio de la frecuencia, análisis de relevancia

Resumen

Actualmente, los eventos de calidad de potencia (PQ) se han estudiado dado su importancia para las industrias, en cuanto a la eficiencia y la vida útil de los elementos conectados a los sistemas eléctricos. Si las perturbaciones relacionadas con los eventos de PQ se clasifican (identifican) rápidamente y con una precisión confiable, los costos y las pérdidas generadas se reducirían. En este trabajo presentamos un enfoque basado en aprendizaje de máquina para la identificación automática de eventos PQ. Nuestra propuesta comprende las siguientes etapas: empleamos un espacio de representación de características basado en parámetros de tiempo y frecuencia. Además, utilizamos una técnica de análisis de relevancia supervisada, llamada Relieff, para resaltar la capacidad discriminante de las características consideradas. Luego, evaluamos el éxito de la clasificación de eventos PQ con diferentes clasificadores agregando diferentes niveles de ruido bajo un esquema de validación cruzada de 10 particiones. En este sentido, se genera una base de datos sintética basada en el estándar IEEE 1159, considerando 3000 señales y diez clases (300 muestras por clase). Los resultados obtenidos muestran un rendimiento de clasificación adecuado con clasificadores simples, cuadrático y k-NN, en comparación con las metodologías más avanzadas del estado del arte

Descargas

Los datos de descargas todavía no están disponibles.

Descargas

Publicado

2019-06-30

Cómo citar

Valencia Duque, A. F., Álvarez Meza, A. M., & Orozco Gutiérrez, Álvaro Ángel. (2019). Identificación automática de perturbaciones en calidad de energía usando aprendizaje de máquina. Scientia Et Technica, 24(2), 183–189. https://doi.org/10.22517/23447214.20661

Número

Sección

Eléctrica