Previsión de la clasificación de las pérdidas de carga en las centrales eléctricas utilizando el conjunto de pila...

Área de la Ciencia:

• Ingeniería
• Ciencias de la computación

Sus antecedentes:

• Las pérdidas de carga en las centrales eléctricas disminuyen significativamente la fiabilidad de la planta y pueden provocar fallas.
• La predicción precisa de estos fallos es crucial para la toma de decisiones y el mantenimiento eficaces.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático para predecir fallas de centrales eléctricas debido a pérdidas de carga.
• Identificar la combinación óptima de clasificadores para mejorar el rendimiento de la predicción en conjuntos de datos desequilibrados.

Principales métodos:

• Se utilizó un conjunto de datos de cinco años de seis centrales eléctricas.
• Se experimentaron seis clasificadores de aprendizaje automático, empleando pesos de clase para abordar el desequilibrio de datos.
• Se utilizó una búsqueda aleatoria con validación cruzada para la optimización de parámetros.
• Se desarrolló y evaluó un modelo de conjunto de pila de múltiples capas explicable.

Principales resultados:

• El conjunto de pila de múltiples capas explicable superó a los modelos individuales.
• La exclusión de Gaussian Naïve Bayes de la segunda capa mejoró el rendimiento al reducir los falsos negativos.
• La precisión equilibrada, ROC y PR AUC resultaron más confiables para la evaluación de datos desequilibrados que las métricas estándar.

Conclusiones:

• El modelo de conjunto desarrollado predice efectivamente las fallas de las centrales eléctricas por pérdidas de carga.
• La optimización de la composición del conjunto mediante la eliminación de clasificadores de bajo rendimiento mejora la precisión predictiva.
• Las métricas de evaluación adecuadas son esenciales para evaluar el rendimiento del modelo en conjuntos de datos desequilibrados.