Resumen

En esta investigación, se propone una técnica de protección diferencial para un transformador de potencia mediante el uso de máquinas de aprendizaje random forest y boosting. El objetivo de las máquinas de aprendizaje propuestas es proporcionar un sistema experto de protección que distinga entre los diferentes estados del transformador: normal, irrupción, sobreexcitación, saturación del TC o fallo interno. En esta investigación se utilizan datos de 20 transformadores diferentes con 5 casos de funcionamiento. Las técnicas de bosque aleatorio y boosting utilizadas se entrenan con estos datos. Mientras tanto, los modelos propuestos se validan mediante otras medidas como el error fuera de bolsa y la matriz de confusión. Además, se proporciona un análisis de importancia de variables que muestra la importancia de los componentes de la señal dentro de un transformador en diferentes instancias. Según los resultados, el modelo de bosque aleatorio propuesto identifica con éxito todos los casos actuales (100 de precisión en el experimento realizado). Mientras tanto, se encuentra que es menos preciso como elemento de monitorización condicional con una precisión en el rango del 97%-98%. Por otro lado, el modelo boosting propuesto identifica todas las corrientes para ambos casos (100 de precisión para el experimento realizado). Además, se realiza una comparación entre los modelos propuestos y otros modelos basados en IA. Según esta comparación, el modelo boosting propuesto es el más sencillo y el más preciso en comparación con otros modelos.

• Materias:Matemáticas
• Subjects:mathematics
• Palabras claves:precisión, modelos, bosque aleatorio, elemento de supervisión condicional, diferentes estados del transformador, técnica de protección diferencial, sistema experto de protección, modelo de bosque aleatorio, análisis de importancia de variables, adición
• Keywords:accuracy, models, random forest, conditional monitoring element, different transformer status, differential protection technique, protection expert system, random forest model, variable importance analysis, addition