Modelos predictivos basados en Machine Learning para optimizar el diagnóstico del índice de salud en los interruptores de potencia de una empresa de transmisión eléctrica

• Autor: Huamán Sarzo, Angel
• Formato: tesis de maestría
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/27298
• Enlace del recurso: http://hdl.handle.net/20.500.14076/27298
• Nivel de acceso: acceso abierto
• Materia: Interruptores de potencia; Indice de salud; Machine learning; Dióxido de Azufre; Resistencia de contacto; https://purl.org/pe-repo/ocde/ford#2.03.02

A través de esta investigación se pretende sentar las bases del uso de modelos predictivos con inteligencia artificial basados en machine learning aplicado al diagnóstico técnico del índice de salud en los interruptores de potencia de una empresa de transmisión de energla eléctrica, con el fin de obtener un modelo predictivo con inteligencia artificial que sea efectivo y eficiente, el cual será entrenado con todo el conocimiento experto que se tiene de estudios anteriores para obtener un modelo predictivo óptimo basado en machine leaming, que a diferencia del método tradicional usado en la empresa (lógica fuzzy) donde se le debe indicar a la máquina cuáles son las reglas de parametrización y tener un criterio de inferencia lógica para cada regla, el modelo predictivo utilizó todos los parámetros técnicos (variables predictoras) que intervinieron en el diagnóstico del índice de salud (variable objetivo) y diseño su propio modelo matemático en base a un análisis computacional de correlaciones y componentes principales. La aplicación del machine learning al diagnóstico del índice de salud en los interruptores de potencia optimizó todo el proceso que se sigue actualmente consiguiendo diagnósticos más certeros y con mejor oportunidad. El algoritmo propuesto obtuvo resultados en el diagnóstico del estado de salud de 99.27% respecto a su efectividad y de una disminución de horas hombre del 76.19% respecto a la metodología antigua.