Mejora de la fiabilidad en redes eléctricas: Un enfoque híbrido de aprendizaje automático para la clasificación de...

Área de la Ciencia:

• Ingeniería Eléctrica
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• Las líneas de transmisión son cruciales para la distribución de electricidad, pero los fallos provocan interrupciones y daños.
• La clasificación de fallos precisa y rápida es esencial para las redes inteligentes y la entrega fiable de energía.
• Los métodos existentes pueden carecer de eficiencia o interpretabilidad para la monitorización de redes en tiempo real.

Objetivo del estudio:

• Desarrollar y evaluar un modelo eficiente de aprendizaje automático para clasificar fallos en líneas de transmisión eléctrica.
• Comparar el rendimiento de técnicas clásicas y de aprendizaje automático de conjunto para la clasificación de fallos.
• Proponer un modelo híbrido práctico y ligero como alternativa a los métodos de aprendizaje profundo.

Principales métodos:

• Se investigaron Árbol de Decisión (DT), Random Forests (RF), Naive Bayes (NB), K-Nearest Neighbors (KNN), Support Vector Machine (SVM) y AdaBoost.
• Se incorporaron técnicas de conjunto: Hard-Voting, Soft-Voting, Stacking y Blending.
• Se desarrolló y probó un modelo de conjunto híbrido: (RF + DT + Stacking).

Principales resultados:

• El modelo híbrido (RF + DT + Stacking) logró un alto rendimiento: 93,64 % de precisión, 93,65 % de precisión, 93,64 % de recuperación y 93,64 % de puntuación F1.
• El modelo híbrido propuesto demostró un rendimiento, interpretabilidad y eficiencia computacional superiores en comparación con otros modelos evaluados.
• El modelo demostró ser una alternativa práctica y ligera para la monitorización de fallos en la red.

Conclusiones:

• Un enfoque de aprendizaje automático de conjunto híbrido, específicamente (RF + DT + Stacking), es muy eficaz para la clasificación de fallos eléctricos.
• Este modelo mejora la toma de decisiones, optimiza el mantenimiento y garantiza el suministro ininterrumpido de energía en las redes de transmisión.
• El estudio destaca el potencial de las soluciones de aprendizaje automático personalizadas para mejorar la resiliencia y la eficiencia operativa de las redes eléctricas.