Identificación del origen de fallas en el sistema de distribución eléctrica del Ecuador mediante la aplicación de técnicas de machine learning

Burgos Díaz, Walter Josue

DSpace Home
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Electricidad
→
View Item

dc.contributor.advisor	Ugarte, Luis, Director
dc.contributor.author	Burgos Díaz, Walter Josue
dc.creator	ESPOL. FIEC
dc.date.accessioned	2024-02-27T15:33:35Z
dc.date.available	2024-02-27T15:33:35Z
dc.date.issued	2023
dc.identifier.citation	Burgos Díaz, W. J. (2023). Identificación del origen de fallas en el sistema de distribución eléctrica del Ecuador mediante la aplicación de técnicas de machine learning. [Proyecto Integrador]. ESPOL. FIEC, Guayaquil. 24p.
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/60527
dc.description	El presente trabajo tiene como finalidad identificar el origen de fallas en el sistema de distribución eléctrico del Ecuador mediante la aplicación de técnicas de machine learning, con el objetivo clasificar las fallas cuyas causas son desconocidas, registradas en la base de datos de la empresa distribuidora CNEL EP. Las técnicas de machine learning permiten mejorar de manera significativa la precisión de identificación del origen de las fallas, para de esta manera mejorar la eficiencia y calidad del suministro eléctrico. En el desarrollo de este trabajo se aplicó la técnica KDD (Knowledge Discovery in Databases), los algoritmos de clasificación que se aplicaron fueron Support vector machine (SVM), Random Forest y K-nearest neighbors (KNN). El algoritmo de Random Forest demostró una precisión del 98.96% luego de la validación de los datos entrenados, mientras que el algoritmo de K-nearest neighbors demostró una precisión del 67.92% y el algoritmo de Support vector machine demostró una precisión de 59.25%. El algoritmo cuyas métricas de medición identifican y manejan de precisa las clases es Random Forest, mientras que el algoritmo de Support vector machine no clasifica de manera correcta las clases, siendo el algoritmo con menor efectividad al momento de clasificar una falla. Palabras Clave: Distribución Eléctrica, Machine Learning, Algoritmos, Clasificación
dc.format	application/pdf
dc.format.extent	24 página
dc.language.iso	spa
dc.publisher	ESPOL. FIEC
dc.rights	openAccess
dc.subject	Distribución Eléctrica
dc.subject	Algoritmos
dc.subject	Clasificación
dc.subject	Machine Learning
dc.title	Identificación del origen de fallas en el sistema de distribución eléctrica del Ecuador mediante la aplicación de técnicas de machine learning
dc.type	Ingeniero en Electricidad
dc.identifier.codigoespol	T-114043
dc.description.city	Guayaquil
dc.description.degree	Escuela Superior Politécnica del Litoral
dc.identifier.codigoproyectointegrador	INGE-2375
dc.description.abstractenglish	The purpose of this study is to identify the origin of faults in Ecuador's electric distribution system through the application of machine learning techniques, with the goal of classifying faults whose causes are unknown, recorded in the database of the distribution company CNEL EP. Machine learning techniques significantly improve the precision in identifying the origin of faults, thereby enhancing the efficiency and quality of the electrical supply. In the development of this work, data provided by the company were processed, which were filtered according to the relevant information that could be obtained from them. For data extraction, the KDD (Knowledge Discovery in Databases) technique was applied, and the classification algorithms used were Support Vector Machine (SVM), Random Forest, and K-Nearest Neighbors (kNN). The Random Forest algorithm demonstrated a precision of 98.96% after the validation of the trained data, while the K-Nearest Neighbors algorithm showed a precision of 67.92%, and the Support Vector Machine algorithm had a precision of 59.25%. The algorithm whose measurement metrics accurately identify and handle classes is Random Forest, whereas the Support Vector Machine algorithm does not correctly classify the classes, being the least effective algorithm when classifying a fault. Keywords: Electrical Distribution, Machine Learning, Algorithms, Classification.