Sistema colaborativo de clasificación y análisis de múltiples perturbaciones eléctricas en una micro red con un sistema neuronal de aprendizaje profundo.

Alma Eliza Guerrero Sánchez

Buscar

dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Edgar Alejandro Rivas Araiza	es_ES
dc.creator	Alma Eliza Guerrero Sánchez	es_ES
dc.date.accessioned	2024-06-07T19:09:25Z
dc.date.available	2024-06-07T19:09:25Z
dc.date.issued	2024-01
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/10710
dc.description	La tesis presente se centra en el desarrollo de un enfoque basado en redes neuronales profundas para la clasificación y análisis de diversas perturbaciones eléctricas en sistemas de energía. En el contexto de los sistemas eléctricos, las perturbaciones son eventos anormales o transitorios que pueden afectar el flujo de energía y causar problemas en la calidad de la energía suministrada. Identificar y clasificar estas perturbaciones de manera precisa y eficiente es esencial para garantizar el funcionamiento confiable y seguro del sistema. El estudio comienza con una revisión exhaustiva de las técnicas de clasificación de perturbaciones eléctricas existentes, destacando sus ventajas y limitaciones. Se destaca que las redes neuronales profundas, una rama del aprendizaje automático, han demostrado un gran potencial en la clasificación de datos complejos y no lineales. A continuación, se propone una arquitectura de red neuronal profunda adaptada específicamente para la clasificación de perturbaciones eléctricas. Se utilizan diferentes tipos de capas neuronales, como convolucionales y recurrentes, para capturar las características relevantes de las perturbaciones en los datos de entrada. El conjunto de datos utilizado para el entrenamiento y evaluación del modelo se compone de múltiples registros de perturbaciones eléctricas obtenidos de mediciones reales en sistemas de energía. Se aplican técnicas de preprocesamiento y aumento de datos para mejorar la robustez y generalización del modelo. Una vez que la red neuronal profunda está entrenada, se realiza una evaluación exhaustiva de su rendimiento en términos de precisión de clasificación, sensibilidad y especificidad. Se comparan los resultados con otras técnicas de clasificación existentes para demostrar la eficacia y superioridad del enfoque propuesto. Además de la clasificación, se lleva a cabo un análisis detallado de las perturbaciones eléctricas identificadas. Se exploran técnicas de interpretación de modelos y visualización de datos para comprender mejor los factores subyacentes que contribuyen a cada tipo de perturbación. En resumen, esta tesis presenta un enfoque basado en redes neuronales profundas para la clasificación y análisis de múltiples perturbaciones eléctricas en sistemas de energía. Los resultados obtenidos demuestran la efectividad de este enfoque en términos de precisión de clasificación y capacidad de análisis. El estudio contribuye al campo de la monitorización y diagnóstico de sistemas eléctricos, brindando una herramienta poderosa para identificar y comprender las perturbaciones eléctricas y tomar acciones correctivas adecuadas para mantener la calidad y confiabilidad del suministro eléctrico.	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en línea (84 páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Facultad de Ingenieria	es_ES
dc.relation.requires	Si	es_ES
dc.rights	openAccess	es_ES
dc.subject	Ingeniería y tecnología	es_ES
dc.subject	Inteligencia artificial	es_ES
dc.subject	Redes neuronales profundas	es_ES
dc.subject	Perturbaciones eléctricas	es_ES
dc.subject	micro redes eléctricas	es_ES
dc.subject	Calidad de energía	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Sistema colaborativo de clasificación y análisis de múltiples perturbaciones eléctricas en una micro red con un sistema neuronal de aprendizaje profundo.	es_ES
dc.type	Tesis de doctorado	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	https://orcid.org/0000-0002-9487-7326	es_ES
dc.contributor.identificador	https://orcid.org/0000-0002-9487-7326	es_ES
dc.contributor.role	Director	es_ES
dc.degree.name	Doctorado en Ingeniería	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Doctorado	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	281705	es_ES
dc.folio	IGDCC-281705	es_ES