Resumen

Esta investigación compara cuatro técnicas de aprendizaje automático: regresión lineal, regresión de vectores de soporte, bosques aleatorios y redes neuronales artificiales, con respecto a la determinación de la tensión mecánica en conductores de devanados de transformadores de potencia debida a fallos eléctricos trifásicos. Para cada modelo se evaluó la precisión en comparación con los resultados de elementos finitos. Los datos de entrada fueron las corrientes de falta eléctricas transitorias de equivalentes de sistemas de potencia con impedancias de valores bajos a altos. Los datos de salida fueron las tensiones mecánicas en los conductores situados en el centro del devanado. Para simplificar el diseño, sólo se varió un hiperparámetro en cada técnica de aprendizaje automático. La técnica de bosques aleatorios obtuvo los resultados más precisos. Los errores más elevados se encontraron para valores de tensión bajos, debido principalmente a la gran diferencia entre tensiones máximas y mínimas, lo que dificultó el entrenamiento de los modelos de aprendizaje automático. Al final, se obtuvo un modelo preciso que podía utilizarse en la monitorización continua de la tensión mecánica.

• Materias:Ingeniería electrónica Redes Inalámbricas Procesamiento de señales asistido por computador Informática Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Signal processing computer-assisted Computing Data processing
• Palabras claves:tensión mecánica, corrientes transitorias de fallo eléctrico, redes neuronales artificiales, resultados de elementos finitos, modelos de aprendizaje automático, equivalentes de sistemas de energía, técnica de bosques aleatorios, regresión de vectores de apoyo, conductores, máquina
• Keywords:mechanical stress, transient electrical fault currents, artificial neural networks, finite element results, machine learning models, power system equivalents, random forests technique, support vector regression, conductors, machine