Publicación: Localización de fallas en sistemas de distribución eléctricos utilizando bosques aleatorios a partir de mediciones en cabecera con hasta 3 reconectadores
Portada
Citas bibliográficas
Gestores Bibliográficos
Código QR
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor
Fecha
Citación
Título de serie/ reporte/ volumen/ colección
Es Parte de
Resumen
La localización de fallas en sistemas de distribución de energía eléctrica es una tarea clave para garantizar la continuidad del servicio y minimizar pérdidas económicas y sociales asociadas a las interrupciones. En este trabajo de grado se propone una metodología basada en aprendizaje automático, específicamente mediante el uso del algoritmo Random Forest, para estimar el nodo en el que ocurrió la falla, esto se hace a partir de mediciones de tensión y corriente en puntos con reconectadores instalados en la red. La evaluación del modelo se realiza sobre dos sistemas de prueba IEEE (34 y 123 nodos), bajo múltiples escenarios que incluyen generación distribuida y diferentes niveles de demanda. Una vez identificado el nodo en falla, se compara con el nodo real a través de un grafo que representa la topología del sistema, permitiendo calcular la distancia de error y métricas asociadas al desempeño. Los resultados obtenidos muestran que el modelo tiene un desempeño alto en la estimación bajo condiciones de demanda similares a las de entrenamiento y su desempeño mejora con el aumento de puntos de medición, con escenarios de operación donde se incorpora GD y variaciones en la demanda, la precisión de la estimación del punto exacto de la falla disminuye y llegando a tener el 70% de las estimaciones hechas con errores superiores a 1000 metros en el sistema IEEE 34 nodos que cuenta con una longitud total aproximadamente de 59000 m equivalentes a 59 km. Este enfoque evidencia ser una alternativa eficaz con datos similares a los de entrenamiento del modelo, podría adaptarse a condiciones reales de operación mediante un reentrenamiento con datos que incorporen escenarios de menor precisión en la estimación del punto de falla del modelo base.

PDF 
