Mejora de la Clasificación y Localización de Fallas en Redes de Transmisión de Energía Utilizando Datos Sintéticos Generados por VAE y Algoritmos de Aprendizaje Automático
Autores: Khan, Muhammad Amir; Asad, Bilal; Vaimann, Toomas; Kallaste, Ants; Pomarnacki, Raimondas; Hyunh, Van Khang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mejora de la Clasificación y Localización de Fallas en Redes de Transmisión de Energía Utilizando Datos Sintéticos Generados por VAE y Algoritmos de Aprendizaje Automático
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Detección
Localización
Fallos
Aprendizaje automático
Aprendizaje profundo
Redes de transmisión de energía
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 21
Citaciones: Sin citaciones
El funcionamiento confiable de las redes de transmisión de energía depende de la detección y localización oportuna de fallas. La clasificación y localización de fallas en las redes de transmisión de electricidad pueden ser desafiantes debido a la naturaleza complicada y dinámica del sistema. En los últimos años, una variedad de algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL) han encontrado aplicaciones en la mejora de la identificación y clasificación de fallas dentro de las redes de transmisión de energía. Sin embargo, la eficacia de estas arquitecturas de ML depende profundamente de la abundancia y calidad de los datos de entrenamiento. Esta explicación intelectual introduce una estrategia innovadora para la clasificación y localización de fallas dentro de las redes de transmisión de energía. Esto se logra a través de la utilización de autoencoders variacionales (VAEs) para generar datos sintéticos, que a su vez se utilizan junto con algoritmos de ML. Este enfoque abarca la ampliación del conjunto de datos disponible al infundirlo con instancias generadas sintéticamente, contribuyendo a un sistema de reconocimiento y categorización de fallas más robusto y competente. Específicamente, entrenamos el VAE con un conjunto de datos de transmisión de energía del mundo real y generamos datos de fallas sintéticas que capturan las propiedades estadísticas de los datos del mundo real. Para superar la dificultad de la metodología de diagnóstico de fallas en redes de transmisión de alta tensión trifásicas, se propone un algoritmo de aumento categórico (Cat-Boost) en este trabajo. Los otros algoritmos de aprendizaje automático estándar recomendados para este estudio, incluyendo Máquinas de Vectores de Soporte (SVM), Árboles de Decisión (DT), Bosques Aleatorios (RF) y K-Vecinos Más Cercanos (KNN), utilizando la versión personalizada de selección de características hacia adelante (FFS), fueron entrenados utilizando datos sintéticos generados por un VAE. Los resultados indican un rendimiento excepcional, superando las técnicas más avanzadas actuales, en las tareas de clasificación y localización de fallas. Notablemente, nuestro enfoque logra una precisión notable del 99% en la clasificación de fallas y un error absoluto medio (MAE) extremadamente bajo de 0.2 en la localización de fallas. Estos resultados representan un avance notable en comparación con los métodos de referencia más efectivos existentes.
Descripción
El funcionamiento confiable de las redes de transmisión de energía depende de la detección y localización oportuna de fallas. La clasificación y localización de fallas en las redes de transmisión de electricidad pueden ser desafiantes debido a la naturaleza complicada y dinámica del sistema. En los últimos años, una variedad de algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL) han encontrado aplicaciones en la mejora de la identificación y clasificación de fallas dentro de las redes de transmisión de energía. Sin embargo, la eficacia de estas arquitecturas de ML depende profundamente de la abundancia y calidad de los datos de entrenamiento. Esta explicación intelectual introduce una estrategia innovadora para la clasificación y localización de fallas dentro de las redes de transmisión de energía. Esto se logra a través de la utilización de autoencoders variacionales (VAEs) para generar datos sintéticos, que a su vez se utilizan junto con algoritmos de ML. Este enfoque abarca la ampliación del conjunto de datos disponible al infundirlo con instancias generadas sintéticamente, contribuyendo a un sistema de reconocimiento y categorización de fallas más robusto y competente. Específicamente, entrenamos el VAE con un conjunto de datos de transmisión de energía del mundo real y generamos datos de fallas sintéticas que capturan las propiedades estadísticas de los datos del mundo real. Para superar la dificultad de la metodología de diagnóstico de fallas en redes de transmisión de alta tensión trifásicas, se propone un algoritmo de aumento categórico (Cat-Boost) en este trabajo. Los otros algoritmos de aprendizaje automático estándar recomendados para este estudio, incluyendo Máquinas de Vectores de Soporte (SVM), Árboles de Decisión (DT), Bosques Aleatorios (RF) y K-Vecinos Más Cercanos (KNN), utilizando la versión personalizada de selección de características hacia adelante (FFS), fueron entrenados utilizando datos sintéticos generados por un VAE. Los resultados indican un rendimiento excepcional, superando las técnicas más avanzadas actuales, en las tareas de clasificación y localización de fallas. Notablemente, nuestro enfoque logra una precisión notable del 99% en la clasificación de fallas y un error absoluto medio (MAE) extremadamente bajo de 0.2 en la localización de fallas. Estos resultados representan un avance notable en comparación con los métodos de referencia más efectivos existentes.