Enfoque lineal para determinar los parámetros óptimos de un localizador de fallas basado en MSV

A linear approach to determining an SVM-based fault locator’s optimal parameters

En este artículo se discuten los procesos de ajuste de las máquinas de soporte vectorial (SVM), los cuales normalmente se obtienen partir de un proceso de prueba exhaustivo de varios valores de los parámetros de configuración. Posteriormente, su desempeño se evalúa utilizando técnicas tales como la validación cruzada. El enfoque aquí presentado se fundamenta en la redefinición de la función objetivo de segundo orden de una máquina de soporte vectorial clásica utilizando una aproximación lineal. Como principales resultados obtenidos al resolver el nuevo problema de optimización lineal, se obtienen mejores parámetros de configuración utilizando una metodología de bajo costo computacional. La aproximación propuesta se aplica a un problema de clasificación típico de la localización de fallas en sistemas de distribución de energía eléctrica, donde los resultados son comparados con aquellos obtenidos usando la metodología clásica. Se presenta un mejoramiento en los resultados logrados en el error promedio de estimación de la localización de la zona en falla del 80%, y una reducción del tiempo computacional del 56% del requerido para alcanzar los mejores resultados con las alternativas clásicas.

Introducción

Durante la última década se han propuesto varios enfoques para resolver algunos problemas específicos de ingeniería, principalmente debido al creciente uso de las técnicas de minería de datos. Los principales enfoques se han basado en las redes neuronales artificiales (RNA), la lógica difusa, los clasificadores estadísticos y las máquinas de vectores de soporte (SVM) (Kecman, 2000). Uno de los inconvenientes de estas metodologías es la dificultad asociada al proceso de configuración de las técnicas utilizadas. Dicha configuración se realiza normalmente de forma empírica o se utilizan estrategias de búsqueda exhaustivas y de alto coste computacional en un espacio factible para los parámetros de configuración.

El rendimiento obtenido al utilizar algunas de las técnicas mencionadas anteriormente ha variado en función del problema considerado. El rendimiento ha sido normalmente bajo cuando se utiliza una RNA si hay una fuerte relación entre las diferentes clases y también en los casos relacionados con problemas con enormes bases de datos (Purushothama et al., 2001). Varias referencias aportan propuestas interesantes en el caso concreto de la aplicación de clasificadores a problemas de localización de fallos en sistemas eléctricos. Las RNA se han aplicado ampliamente a la resolución de problemas de localización de averías en sistemas de transmisión y distribución (Purushothama, et al., 2001) (Mescal et al., 2003).