Sistema de detección de fallas en redes eléctricas basado en técnicas de aprendizaje automático

La detección de fallas en aisladores eléctricos es fundamental para asegurar el buen estado de las líneas de transmisión. Las técnicas de aprendizaje profundo han demostrado ser efectivas para manejar estas actividades. Sin embargo, es bien sabido que estas estrategias requieren gran cantidad de datos adecuados. Para abordar esta dificultad, este trabajo presenta una comparación del desempeño de cuatro conjuntos de datos con imágenes obtenidas mediante un vehículo aéreo no tripulado y datos sintéticos, creados a partir de un modelo de aislador cerámico. Los modelos utilizados para este trabajo son el modelo pre-entrenado AlexNet y una Red Neuronal Convolucional propuesta llamada CNet. Los resultados mostraron que los conjuntos de datos compuestos con imágenes sintéticas y datos reales aumentados al mismo tiempo tuvieron un desempeño ligeramente mejor con respecto a todos los demás. Además, se presenta un estudio de ablación para revisar el efecto de los parámetros de aleatorización en el proceso de aumento de datos. El método propuesto ofrece una solución para la empresa de electrificación que realiza tareas de inspección manualmente y una visión para el trabajo futuro en técnicas que están en el estado del arte para la creación de datos sintéticos fotorrealistas para entrenar redes neuronales profundas.

• Autores: Quiroz Omaña, Camila Andrea
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad Francisco de Paula Santander
• Repositorio: Repositorio Digital UFPS
• Idioma: spa
• OAI Identifier: oai:repositorio.ufps.edu.co:ufps/9695
• Acceso en línea: https://repositorio.ufps.edu.co/handle/ufps/9695
• Palabra clave: Red Neuronal Convolucional; Detección de fallas en aisladores; Vehículo Aéreo no Tripulado; Datos sintéticos; Isaac Sim
• Rights: openAccess
• License: Derechos Reservados - Universidad Francisco de Paula Santander, 2024