Resumen en español

En este trabajo de grado se exploran e implementan modelos de inteligencia artificial, específicamente técnicas de Deep Learning, con el propósito de desarrollar un sistema de detección temprana de fallas en redes eléctricas, con resolución horaria, utilizando variables meteorológicas en el noroeste de Inglaterra. Se plantea una metodología para el desarrollo e implementación de un modelo para la detección fallas basado en clasificadores con variables exógenas. Inicialmente, se realizó una revisión bibliográfica de técnicas y modelos relevantes, a partir de la cual se definió la arquitectura del modelo y el tratamiento de los datos. Este último incluyó la recopilación de variables meteorológicas horarias asociadas a fallas, el preprocesamiento de datos y la visualización de correlaciones entre variables. Se definió una arquitectura basada en redes LSTM para procesar las series temporales y detectar fallas ocasionadas por eventos meteorológicos con una resolución temporal en horas. Con el fin de evaluar su desempeño en la predicción anticipada, se estableció un esquema de etiquetado que desplaza las etiquetas de falla una y dos horas antes del evento real, generando así tres escenarios de clasificación: t = 0 (momento de la falla), t − 1 (una hora antes) y t − 2 (dos horas antes). La base de datos se dividió en conjuntos de entrenamiento, validación y prueba. Asimismo, se utilizó la herramienta WandB para la optimización de hiperparámetros y el seguimiento del rendimiento de los modelos. Los resultados mostraron un desempeño consistente: para t = 0, se obtuvo una exactitud de 0.8338, F1-score de 0.8342, precisión de 0.8357 y Recall de 0.8327; para t = −1, una exactitud de 0.8320, F1-score de 0.8377, precisión de 0.8132 y Recall de 0.8638; y para t = −2, una exactitud de 0.8261, F1-score de 0.8343, precisión de 0.7996 y Recall de 0.8721. Para contextualizar el desempeño del modelo propuesto, se compararon sus resultados con los reportados en [1], aplicado en un contexto similar y que alcanzó valores de 0.929, 0.865, 0.843 y 0.889 respectivamente. Los resultados obtenidos en este trabajo reflejan las particularidades del modelo propuesto. Estas particularidades incluyen un enfoque centrado en la detección anticipada de fallas hasta dos horas antes del evento real, el uso de un esquema de etiquetado desplazado y una configuración que prioriza la sensibilidad del modelo, aun a costa de una mayor tasa de falsos positivos.