Diseño de un clasificador para el mantenimiento predictivo de una red de distribución eléctrica utilizando Deep Learning

• Autor: Perez Aguilar, Daniel Alexis
• Formato: tesis doctoral
• Fecha de Publicación: 2022
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/5995
• Enlace del recurso: https://hdl.handle.net/11042/5995
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje automático (Inteligencia artificial) -- Aplicación; Redes neuronales (Computadores) -- Aplicación; Líneas eléctricas -- Mantenimiento y reparación -- Investigaciones; https://purl.org/pe-repo/ocde/ford#2.02.03

La tesis tiene como objetivo proponer alternativas frente a técnicas tradicionales de inteligencia artificial aplicadas al sector eléctrico, con la finalidad de contribuir con el mantenimiento predictivo de equipos eléctricos, específicamente líneas y subestaciones. La metodología plantea la clasificación binaria de imágenes térmicas mediante la comparación de 11 arquitecturas de transfer learning (VGG16, AlexNet, MobileNet v2, VGG19, ResNet, DenseNet, ShuffleNet, GoogLeNet, Wide ResNet, MNASNet y ResNeXt). Se desarrolló una estructura base en la que se fueron realizando pruebas con cada una de ellas, utilizando un set datos de 815 imágenes, además de entrenar a los modelos con dos técnicas: en primer lugar, la separación hold-out (60-20-20) y a continuación una validación cruzada con 5-folds, para posteriormente estudiar el rendimiento de cada arquitectura a través del método estadístico del test de Friedman. Los resultados mostraron que la arquitectura VGG16 obtuvo mejores prestaciones, obteniendo un valor de F1-score del 95.11%. Adicionalmente, como aporte a la investigación, se realizó la detección de objetos con el mismo set de datos, para lo cual, de las 815 imágenes del set de datos original (342 líneas y 473 subestaciones eléctricas), se obtuvieron únicamente 138 imágenes con puntos calientes (22 líneas y 116 subestaciones), por lo que se decidió trabajar exclusivamente con las subestaciones eléctricas, a las cuales se les aplicó técnicas de data augmentation y transfer learning. Se analizó y aplicó el algoritmo YOLO y sus distintas variaciones (1 experimento con YOLOv4, 16 experimentos con YOLOv5 small, 16 con YOLOv5 medium, 16 con YOLOv5 large y 16 con YOLOv5 extra-large), obteniendo porcentajes de precisión de 81.99% con YOLOv5m. Ambos resultados son un claro indicio de que el uso de técnicas no tradicionales de inteligencia artificial representa una alternativa fiable en la clasificación y detección de objetos en imágenes térmicas aplicadas al sector eléctrico.