Implementación de aplicativo basado en algoritmo de machine learning para la identificación automática de causa raíz de fallas en líneas de transmisión del grupo ISA Perú

• Autor: Llacza Porras, Juan Rogger
• Formato: tesis de grado
• Fecha de Publicación: 2022
• Institución: Universidad Nacional del Callao
• Repositorio: UNAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unac.edu.pe:20.500.12952/6834
• Enlace del recurso: https://hdl.handle.net/20.500.12952/6834
• Nivel de acceso: acceso abierto
• Materia: Lineas de transmisión; Programación; Mantenimiento; https://purl.org/pe-repo/ocde/ford#2.02.01

Se investigó mediante un diseño experimental cuasi experimental, la implementación de una aplicativo basado en algoritmo de clasificación de Machine Learning, para la identificación automática de la causa raíz de las fallas en líneas de transmisión del grupo ISA Perú. La muestra estuvo constituida por los archivos COMTRADE de fallas generados por los relés de protección de la línea de transmisión del grupo ISA Perú, en la cual se haya confirmado la causa raíz de la falla, en una ventana de tiempo del 2020 al 2021, principalmente. Los objetivos específicos fueron desarrollar un aplicativo basado en lenguaje de programación Python para transformar los datos obtenidos del archivo COMTRADE de las fallas en líneas de transmisión y posteriormente desarrollar un aplicativo basado en algoritmo de clasificación de aprendizaje supervisado de Machine Learning, para la identificación automática de la causa raíz de fallas en líneas de transmisión del grupo ISA Perú. El estudio se realizó en el área de Mantenimiento de Líneas de Transmisión de Red de Energía del Perú. Para la ingeniería de variables, se utilizaron características contextuales (tiempo y zona geográfica), características en el dominio del tiempo y de la frecuencia. Para el análisis exploratorio de datos, se utilizaron diagramas de caja. Se eligió el algoritmo k-nearest neighbors para realizar el entrenamiento del modelo de aprendizaje supervisado de Machine Learning. Los resultados de las métricas de evaluación fueron para el conjunto de muestras de test, una exactitud del 93%, con una sensibilidad del 97% para descarga atmosférica, 96% para humedad y contaminación y 85% para quema de vegetación.