1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Veracruz
4. Instituto Tecnológico de Orizaba
5. Tesis de Posgrado
6. Tesis de Maestría
7. Maestría en Ingeniería Industrial

Título:	DESARROLLO DE UN MODELO INTELIGENTE PARA EL DIAGNOSTICO DE FALLAS EN GENERADORES DE POTENCIA
Autor:	AMAYA SANCHEZ, QUETZALLI
Data:	2024-04-18
Editora:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Orizaba
Descrição:	El aumento constante en la demanda de energía ha impulsado el crecimiento de los sistemas eléctricos de potencia, generando mayor complejidad en su operación y control. Los generadores eléctricos, esenciales para la conversión de energía mecánica a eléctrica, desempeñan un papel crucial en la seguridad y calidad del servicio de la red eléctrica. Ante la diversidad de fallas asociadas al envejecimiento y condiciones operativas, se vuelve crucial contar con herramientas que respalden las decisiones sobre mantenimiento: reparación, reacondicionamiento o reemplazo de estos generadores (Cinvestav, 2022). En este escenario, las tendencias actuales han resaltado el control tolerante a fallas mediante métodos de aprendizaje automático, brindando la capacidad de identificar fallos en los generadores en servicio y facilitando la optimización de costos, confiabilidad, disponibilidad y seguridad en la gestión de generadores de potencia (Ramirez Mongui & Dávila Arias, 2022). En este documento se presenta el diseño y desarrollo de un modelo inteligente para diagnosticar las fallas que ocurren en generadores de potencia del sistema eléctrico nacional utilizando diferentes indicadores para determinar el nivel de degradación de los componentes del generador, principalmente el análisis de descargas parciales. Para lograr esto, se emplea Anaconda y Python para establecer un entorno de trabajo, creando una base de datos previamente preprocesada con 196 casos y 57 características relacionadas con diversas fallas. Esta base de datos se utiliza para entrenar y evaluar diez algoritmos de clasificación de aprendizaje automático, destacándose el rendimiento óptimo del algoritmo Gradient Boosting. A través de la implementación de la Búsqueda Grid, se optimizan los hiperparámetros del algoritmo, resultando en un modelo con una precisión balanceada del 93%, un índice Kappa de 0.90, un índice de Jaccard de 0.86 y un coeficiente de correlación de Matthews de 0.91. La curva ROC presenta un macro promedio de 96% y la curva PR un micro promedio de 89%. Estos resultados confirman la eficacia del modelo en la clasificación de fallas en generadores de potencia. Finalmente, la implementación del modelo culmina con la creación de una interfaz de usuario denominada Sistema Inteligente para el Diagnóstico de Fallas en Generadores de Potencia (SIDG), simplificando la interacción con el modelo y ofreciendo una solución accesible y eficiente a los usuarios finales.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Aparece nas colecções:	Maestría en Ingeniería Industrial

Este registo está protegido por copyright original. Ver licença

Este registo está protegido por Licença Creative Commons