Por favor, use este identificador para citar o enlazar este ítem:
https://hdl.handle.net/20.500.12104/92401Registro completo de metadatos
| Campo DC | Valor | Lengua/Idioma |
|---|---|---|
| dc.contributor.advisor | Del Puerto Flores, Dunstano | |
| dc.contributor.author | Beltrán González, Ernesto | |
| dc.date.accessioned | 2023-06-19T18:06:54Z | - |
| dc.date.available | 2023-06-19T18:06:54Z | - |
| dc.date.issued | 2021-07-09 | |
| dc.identifier.uri | https://wdg.biblio.udg.mx | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12104/92401 | - |
| dc.description.abstract | Los sistemas eléctricos de potencia se caracterizan por la interacción continua entre genera- ción y carga, lo que da lugar a una serie de eventos dinámicos, anomalías y comportamientos estocásticos. Para garantizar la seguridad y confiabilidad del sistema, se han desarrollado dis- tintas herramientas de monitoreo, entre las más modernas se encuentran aquellas basadas en la instalación de unidades PMU en puntos estratégicos de la red. Los registros de estos dis- positivos pueden capturar la presencia de dos tipos de anomalías: las de carácter intencional, como los ciberataques o sabotaje a equipos, y los no intencionales, donde una gran cantidad de factores, internos y externos, que afectan el comportamiento de la red se ven reflejados en sus registros. | |
| dc.description.tableofcontents | Tabla de Contenido Resumen IX Abstract XI Lista de Figuras XIII Lista de Tablas XV Lista de Acrónimos XVII Capítulo I Introducción 1 1.1 Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Declaración del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 1.2.1 Problema de ingeniería . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 1.2.1.1 Clasificación de anomalías en redes de transmisión y distribución 3 1.2.2 Problemas intrínsecos a los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 1.3 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.4 Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 1.5 Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6 1.6 Revisión del estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.6.1 Algoritmos de detección y clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.6.1.1 Algoritmos basados en aprendizaje-máquina . . . . . . . . . . . . . . . . . . 7 1.6.1.2 Algoritmos basados en cálculos estadísticos . . . . . . . . . . . . . . . . . . 8 1.7 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 Capítulo II Métodos de mapeo de series de tiempo a grafo para la detección y extracción de características 15 2.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 2.2 Métodos de mapeo a grafo para series de tiempo univariadas . . . . . . . . . . . . . 16 2.2.1 Definición y conceptos básicos de un grafo . . . . . . . . . . . . . . . . . . . . . . . 16 2.2.2 Grafo de visibilidad natural . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.3 Grafo de Visibilidad Horizontal (HVG) . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 2.2.4 Grafo de similaridad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 2.2.5 Grafo de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.5.1 Reconstrucción del espacio de fase mediante el método de los retardos de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2.5.2 Diagrama de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20 2.2.5.3 Obtención del grafo de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.2.6 Grafo de recurrencia basado en densidades . . . . . . . . . . . . . . . . . . . . . . . 22 2.2.6.1 k-distancia para el cálculo de densidades . . . . . . . . . . . . . . . . . . . . 22 XIX 2.3 Descripción general del modelo de una unidad de medición fasorial . . . . . . . 23 2.3.1 Descripción del funcionamiento de una Unidad de medición fasorial 23 2.3.2 Representación de la magnitud de voltaje del PMU como una serie de tiempo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 2.4 Modelo sintético de anomalías en el registro de voltaje . . . . . . . . . . . . . . . . . . 25 2.4.1 Modelo matemático de anomalías en voltaje . . . . . . . . . . . . . . . . . . . . . . 25 2.5 Método de Montecarlo basado en una función de densidad bivariada para la simulación de anomalías . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27 2.6 Comparación de los métodos de mapeo basados en grafos de recurrencia y visibilidad para caracterización de anomalías . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2.7 Conclusiones del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34 2.8 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34 Capítulo III Estrategia de aprendizaje-máquina supervisado para detección y clasificación de anomalías 37 3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2 Detección de anomalías para el modelo de aprendizaje-máquina supervisado 37 3.2.1 Generación de datos de entrenamiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 3.2.2 Algoritmos para la detección de anomalías . . . . . . . . . . . . . . . . . . . . . . . . 38 3.2.2.1 Detección de anomalías basada en la energía de matriz laplaciana del grafo de recurrencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 3.2.2.2 Calibración de los límites del detector basado en la energía laplaciana 40 3.2.2.3 Detección de anomalías basada en las recurrencias del espacio de fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 3.2.2.4 Calibración de los límites del detector basado en el radio de recurrencias 42 3.3 Clasificación de anomalías mediante un modelo de aprendizaje-máquina supervisado 43 3.3.1 Extracción de características . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3.3.2 Normalización de características . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 3.3.3 Generación del conjunto de muestras de entrenamiento . . . . . . . . . . . . . 45 3.3.4 Máquinas de Vectores de Soporte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45 3.3.4.1 Esquema DAG para la clasificación multiclase . . . . . . . . . . . . . . . 46 3.4 Metodología para el modelo de aprendizaje-máquina supervisado . . . . . . . . . 47 3.4.1 Entrenamiento del detector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 3.4.2 Entrenamiento del clasificador supervisado . . . . . . . . . . . . . . . . . . . . . . . 49 3.4.3 Detección y clasificación en línea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49 3.5 Análisis de complejidad computacional de los algoritmos . . . . . . . . . . . . . . . . 49 3.5.1 Tiempos de cómputo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50 3.6 Optimización de código . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 3.7 Conclusiones del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .52 3.8 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 Capítulo IV Detección y clasificación de anomalías y eventos de calidad de la energía a nivel de distribución 55 4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 4.2 Detección y clasificación de anomalías y eventos de calidad de la energía con señales sintéticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.2.1 Consideraciones para el entrenamiento del modelo . . . . . . . . . . . . . . . . . 56 4.2.2 Caso de estudio A: Detección y clasificación de anomalías en estado de operación normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58 4.2.3 Caso de estudio B: Detección y clasificación de anomalías de calidad de la energía . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 4.2.4 Comparación y validación del desempeño del detector propuesto . . . . 63 4.2.5 Comparación y validación del desempeño del clasificador propuesto 66 4.3 Detección y clasificación de eventos de calidad de la energía y anomalías en sistemas de distribución . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67 4.3.1 Caso de estudio C: anomalías dentro del rango de operación normal . 68 4.3.2 Caso de estudio D: eventos de calidad de la energía . . . . . . . . . . . . . . . . 69 4.3.3 Índices de validación para las etapas de detección y clasificación . . . . 71 4.4 Conclusiones del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .72 4.5 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73 Capítulo V Conclusiones 75 5.1 Conclusiones generales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 5.2 Aportaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75 5.3 Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76 Apéndices 77 Apéndice A Máquinas de Vectores de Soporte 79 A.1 Problema de optimización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80 A.2 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 Apéndice B Métodos de detección y clasificación 83 B.1 Algoritmos de detección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 B.1.1 k vecinos más cercanos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 B.1.2 Factor atípico local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 B.2 Algoritmos de clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 B.2.1 Redes neurales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 B.2.2 k-means y el centroide más cercano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87 B.3 Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88 | |
| dc.format | application/PDF | |
| dc.language.iso | spa | |
| dc.publisher | Biblioteca Digital wdg.biblio | |
| dc.publisher | Universidad de Guadalajara | |
| dc.rights.uri | https://www.riudg.udg.mx/info/politicas.jsp | |
| dc.subject | Deteccion | |
| dc.subject | Y | |
| dc.subject | Clasificacion | |
| dc.subject | De | |
| dc.subject | Anomalias | |
| dc.subject | De | |
| dc.subject | Voltaje | |
| dc.subject | En | |
| dc.subject | Redes | |
| dc.subject | Electricas | |
| dc.subject | De | |
| dc.subject | Distribucion | |
| dc.subject | Mediante | |
| dc.subject | Una Estrategia De Aprendizaje-Maquina Supervisado | |
| dc.title | Detección y clasificación de anomalías de voltaje en redes eléctricas de distribución mediante una estrategia de aprendizaje-máquina supervisado | |
| dc.type | Tesis de Maestría | |
| dc.rights.holder | Universidad de Guadalajara | |
| dc.rights.holder | Beltrán González, Ernesto | |
| dc.coverage | GUADALAJARA, JALISCO, | |
| dc.type.conacyt | masterThesis | |
| dc.degree.name | MAESTRIA EN CIENCIAS EN INGENIERIA ELECTRICA | |
| dc.degree.department | CUCEI | |
| dc.degree.grantor | Universidad de Guadalajara | |
| dc.degree.creator | MAESTRIA EN CIENCIAS EN INGENIERO EN ELECTRICA | |
| dc.contributor.director | Barocio Espejo, Emilio | |
| Aparece en las colecciones: | CUCEI | |
Ficheros en este ítem:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| MCUCEI10482.pdf Acceso Restringido | 8.56 MB | Adobe PDF | Visualizar/Abrir Request a copy |
Los ítems de RIUdeG están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.