Mejora de la fiabilidad y automatización predictivas de las redes inteligentes utilizando el modelo de conjunto...

Área de la Ciencia:

• Ingeniería Eléctrica
• Ciencias de la Computación
• Inteligencia Artificial

Sus antecedentes:

• Las redes inteligentes requieren una alta fiabilidad y automatización predictivas para una distribución eléctrica estable.
• Los métodos existentes pueden carecer de robustez y generalización en diversas condiciones de red.

Objetivo del estudio:

• Introducir el Modelo de Conjunto StarNet, un marco inteligente basado en web para mejorar la estabilidad de las redes inteligentes.
• Desarrollar un sistema automatizado de monitorización y predicción en tiempo real para el rendimiento de la red.
• Validar la eficacia del modelo tanto en conjuntos de datos sintéticos como en conjuntos de datos de referencia del mundo real.

Principales métodos:

• Desarrolló un marco de aprendizaje de conjuntos basado en apilamiento (Modelo de Conjunto StarNet).
• Integró una interfaz gráfica de usuario (GUI) impulsada por aprendizaje automático para operaciones automatizadas.
• Utilizó CatBoost, AdaBoost, Random Forest, SVM y KNN como aprendices base con un metamodelo de Random Forest.
• Empleó validación cruzada estratificada de 10 veces para una evaluación rigurosa del modelo.

Principales resultados:

• Logró una precisión del 99,43% en un conjunto de datos sintético.
• Alcanzó una precisión del 98,94% en el conjunto de datos de estabilidad de redes inteligentes de la UCI.
• Alcanzó una precisión del 97,83% en el sistema de prueba IEEE de 14 barras.
• Demostró una precisión de transferencia entre conjuntos de datos del 95,41%.

Conclusiones:

• El Modelo de Conjunto StarNet exhibe robustez y sólidas capacidades de generalización.
• El marco mejora eficazmente la fiabilidad y la automatización predictivas en las redes inteligentes.
• El modelo ofrece una solución viable para mejorar la estabilidad y eficiencia operativa de las redes inteligentes.