Clasificación de fallas eléctricas aplicando redes neuronales artificiales a la protección de distancia de líneas de transmisión basada en el algoritmo de levenbergmarquardt
Para citar o enlazar este item, por favor use el siguiente identificador:
http://dspace.ups.edu.ec/handle/123456789/23323
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.advisor | Ruiz Maldonado, Milton Gonzalo | - |
dc.contributor.author | Liquinchana Saguano, Diego Stalin | - |
dc.date.accessioned | 2022-09-14T17:43:49Z | - |
dc.date.available | 2022-09-14T17:43:49Z | - |
dc.date.issued | 2022-09 | - |
dc.identifier.uri | http://dspace.ups.edu.ec/handle/123456789/23323 | - |
dc.description | Este estudio presenta un sistema de clasificación de fallas basado en redes neuronales artificiales (ANN). En este sentido, los tipos de fallas contempladas para la clasificación son: fase a tierra, fase a fase, trifásicas y fallas de doble línea a tierra. Desde otra perspectiva, para el entrenamiento de la ANN se edifica un conjunto de datos, que contiene valores RMS de voltajes, corrientes de falla y de secuencia cero, bajo diferentes parámetros de impedancia y localización de la falla. Estos datos se obtienen de estudios de cortocircuito y sirven para la extracción de características de los voltajes y corrientes de cada fase en condiciones normales y de falla. Por lo que, se aplica el algoritmo de Levenberg-Marquardt durante la fase de entrenamiento de la ANN. Para la validación de resultados se comprueba el clasificador de fallas mediante los sistemas de ensayo IEEE de 9 y 14 barras. De las pruebas ejecutadas se obtuvo una precisión promedio del 97% de clasificación de fallas para cada sistema. | spa |
dc.description.abstract | This study presents a fault classification system based on artificial neural networks (ANN). In this sense, the types of faults considered for classification are phase-to-earth, phase-to-phase, three-phase and double line-to-earth faults. From another perspective, for ANN training, a data set is constructed, containing RMS values of voltages, fault currents and zero sequence currents, under different impedance and fault location parameters. These data are obtained from short-circuit studies and are used to extract the characteristics of the voltages and currents of each phase under normal and fault conditions. Therefore, the Levenberg-Marquardt algorithm is applied during the training phase of the ANN. For the validation of results, the fault classifier is tested using the IEEE 9 and 14 busbar test systems. From the tests performed, an average fault classification accuracy of 97% was obtained for each system. | spa |
dc.language.iso | spa | spa |
dc.rights | openAccess | spa |
dc.rights | Atribución-NoComercial-SinDerivadas 3.0 Ecuador | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/ec/ | * |
dc.subject | ELECTRICIDAD | spa |
dc.subject | FALLAS DE SISTEMAS (INGENIERÍA) | spa |
dc.subject | SISTEMAS DE ENERGÍA ELÉCTRICA | spa |
dc.subject | REDES ELÉCTRICAS | spa |
dc.subject | REDES NEURONALES | spa |
dc.subject | ALGORITMOS | spa |
dc.title | Clasificación de fallas eléctricas aplicando redes neuronales artificiales a la protección de distancia de líneas de transmisión basada en el algoritmo de levenbergmarquardt | spa |
dc.type | bachelorThesis | spa |
ups.carrera | Electricidad | spa |
ups.sede | Sede Quito | spa |
Pertenece a las colecciones: | Grado |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
UPS - TTS961.pdf | Texto completo | 3,11 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons