Red residual unidimensional mejorada para diagnóstico de alto voltaje de corriente continua para identificación de...

Área de la Ciencia:

• Ingeniería Eléctrica
• Inteligencia Artificial
• Sistemas de Energía

Sus antecedentes:

• La transmisión de Corriente Continua de Alto Voltaje (HVDC) requiere un diagnóstico de fallas robusto para la estabilidad de la red.
• Las Redes Neuronales Convolucionales (CNN) convencionales enfrentan desafíos de precisión y entrenamiento con el aumento de la profundidad.

Objetivo del estudio:

• Desarrollar un método avanzado de diagnóstico de fallas para sistemas HVDC.
• Mejorar la precisión, la solidez y la velocidad de convergencia en comparación con las técnicas existentes.

Principales métodos:

• Se propuso una Red Neuronal Residual Unidimensional (1D-ResNet) mejorada que incorpora un mecanismo de atención.
• Se generaron datos para condiciones normales y seis de fallas utilizando una plataforma simulada de HVDC.
• La red se entrenó para clasificar estas condiciones.

Principales resultados:

• La 1D-ResNet mejorada con atención logró una precisión diagnóstica promedio del 99,15%.
• Esto representa una mejora del 12,89% con respecto a los métodos CNN tradicionales.
• El modelo demostró valores de pérdida significativamente más bajos, lo que indica una mayor eficiencia de aprendizaje y robustez.

Conclusiones:

• El marco residual mejorado con atención propuesto es altamente efectivo para el diagnóstico preciso de fallas HVDC.
• Este enfoque ofrece mejoras sustanciales en la precisión y la eficiencia del aprendizaje para la monitorización de sistemas de energía.