Estimación de la distancia de fallas tipo paralelo en sistemas de distribución de energía eléctrica  utilizando regresión de procesos gaussianos

Castillo Cortés, Faiver Stiven; Castillo Cortés, Brayan Ricardo

Estimación de la distancia de fallas tipo paralelo en sistemas de distribución de energía eléctrica utilizando regresión de procesos gaussianos

dc.contributor.advisor	Blanco Solano, Jairo
dc.contributor.advisor	Duarte Gualdrón, César Antonio
dc.contributor.author	Castillo Cortés, Faiver Stiven
dc.contributor.author	Castillo Cortés, Brayan Ricardo
dc.contributor.evaluator	Cortés Torres, Jose David
dc.contributor.evaluator	Arenas Flórez, Michael
dc.date.accessioned	2023-05-26T14:35:45Z
dc.date.available	2023-05-26T14:35:45Z
dc.date.created	2023-05-25
dc.date.embargoEnd	2028-05-25
dc.date.issued	2023-05-25
dc.description.abstract	En este trabajo de grado se presenta el diseño, la implementación y la evaluación de un método de estimación de la distancia de fallas tipo paralelo a partir de la información de un ciclo de las señales de tensión y corriente de falla en cabecera del alimentador, utilizando un proceso de regresión de procesos gaussianos (GPR). El desempeño de esta estrategia se puede contrastar con el rendimiento de alternativas identificadas en el estado del arte, como la regresiónde vectores de soporte (SVR), en sistemas de prueba IEEE para 34 y 123 barras, simulando diferentes tipos de fallas en sistemas de distribución. Asimismo, se realiza el análisis de sensibilidad para evaluar del desempeño del método ante ariaciones de carga y resistencia de falla, así como la conexión de generación distribuida. Se utilizan como herramientas de simulación OPEN DSS y MATLAB con el propósito de modelar los sistemas de distribución IEEE para obtener los valores de entrenamiento y de prueba de un ciclo de las señales de tensión y corriente bajo los escenarios mencionados. Como herramienta de diseño e implementación del algoritmo para localización de fallas, se usa el software basado en el lenguaje de programación Python por medio del paquete de aprendizaje automático Scikit Learn. El GPR es superior en ocho de los doce casos de estudio con respecto a SVR, donde GPR a través de las pruebas realizadas llega a tener predicciones a 0,001 metros de distancia del punto de falla.
dc.description.abstractenglish	This degree project presents the design, implementation, and assessment of a method for estimating the distance of parallel-type faults based on the information of a single-phase voltage and current signals of the fault at the feeder head, using a aussian process regression (GPR) approach. The performance of this strategy can be compared with identified alternatives in the state-of-the-art, such as Support Vector Regression (SVR), on IEEE test systems for 34 and 123 buses, simulating different types of faults in distribution systems. Additionally, a sensitivity analysis is performed to evaluate the performance of the method under load and fault resistance variations, as well as distributed generation connections. OPEN DSS and MATLAB software are used to model the IEEE distribution systems to obtain the training and testing values of a single-phase voltage and current signals under the mentioned scenarios. As a tool for designing and implementing the fault location algorithm, Python-based software, using the Scikit Learn machine learning package, is used. The GPR outperforms SVR in eight out of twelve case studies, where through the conducted tests, GPR achieves predictions within 0.001 meters of the failure point.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electricista
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/14384
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Eléctrica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Localización de fallas
dc.subject	Aprendizaje automático
dc.subject	Sistemas de distribución
dc.subject	Regresión de procesos gaussianos
dc.subject.keyword	Fault location
dc.subject.keyword	Machine learning
dc.subject.keyword	Distribution systems
dc.subject.keyword	Gaussian process regression
dc.title	Estimación de la distancia de fallas tipo paralelo en sistemas de distribución de energía eléctrica utilizando regresión de procesos gaussianos
dc.title.english	Estimation of parallel-type fault distances in electrical power distribution systems using Gaussian process regression.
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type