Detección temprana de fallas en redes de energía eléctrica a partir de variables meteorológicas

Vista sencilla de ítem
dc.contributor.advisorAlfonso-Morales, Wilfredo
dc.contributor.authorRuiz Ruiz, Sebastián
dc.date.accessioned2025-09-19T21:50:38Z
dc.date.available2025-09-19T21:50:38Z
dc.date.issued2025
dc.description.abstractEn 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.spa
dc.description.degreelevelPregradospa
dc.description.degreenameINGENIERO(A) EN ELECTRÓNICAspa
dc.format.extent1 recurso en línea (xi, 63 páginas)
dc.format.mimetypeapplication/pdf
dc.identifier.urihttps://hdl.handle.net/10893/38155
dc.language.isospa
dc.publisherUniversidad del Vallespa
dc.publisher.branchSede Cali
dc.publisher.facultyFACULTAD DE INGENIERÍAspa
dc.publisher.placeColombiaspa
dc.publisher.programINGENIERIA EN ELECTRÓNICAspa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.lembModelos computacionales
dc.subject.lembDetección temprana de fallas
dc.subject.lembRedes eléctricas
dc.subject.lembInteligencia artificial
dc.subject.lembVariables meteorológicas
dc.titleDetección temprana de fallas en redes de energía eléctrica a partir de variables meteorológicasspa
dc.typeTrabajo de grado - Pregradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
person.identifier.orcid0000-0002-3091-6082
relation.isDirectorOfPublication49bc3caa-eba1-4951-9cfb-fb06e0a6988a
relation.isDirectorOfPublication.latestForDiscovery49bc3caa-eba1-4951-9cfb-fb06e0a6988a
Archivos
Bloque original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
3744 R934de .pdf
Tamaño:
6.93 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Autorizacion-1193439733.pdf
Tamaño:
198.77 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
Ingeniería Electrónica