Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Blanco Solano, JairoDuarte Gualdrón, César AntonioCastillo Cortés, Faiver StivenCastillo Cortés, Brayan Ricardo2023-05-262023-05-262023-05-252023-05-25https://noesis.uis.edu.co/handle/20.500.14071/14384En 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.application/pdfspainfo:eu-repo/semantics/openAccessLocalización de fallasAprendizaje automáticoSistemas de distribuciónRegresión de procesos gaussianosUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coFault locationMachine learningDistribution systemsGaussian process regressionhttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)