Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/9794Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | HUERTA PEREZ, GUSTAVO+A. | - |
| dc.creator | HUERTA PEREZ, GUSTAVO+A.%1180030 | - |
| dc.date.accessioned | 2025-05-12T19:48:12Z | - |
| dc.date.available | 2025-05-12T19:48:12Z | - |
| dc.date.issued | 2024-04-18 | - |
| dc.identifier.uri | https://rinacional.tecnm.mx/jspui/handle/TecNM/9794 | - |
| dc.description | Los transformadores de potencia son equipos de gran importancia y su disponibilidad es fundamental para la seguridad y continuidad del suministro eléctrico para los usuarios domésticos e industriales. La sobrecarga en la capacidad nominal de los transformadores, la reducción en gastos de mantenimiento y la austeridad en la inversión, son los desafíos que deben enfrentar las compañías eléctricas en la actualidad. Durante su ciclo de vida, el transformador está expuesto a una serie de condiciones ambientales y operacionales que afectan a su comportamiento, especialmente si ellas exceden a las condiciones de diseño. Los transformadores se ven afectados por el tiempo de operación (horas), por esta razón, a medida que lleva al tiempo de operación para el cual fue diseñado, se incrementa su probabilidad de falla. Existen diferentes métodos de diagnóstico que utilizan técnicas inteligentes para la detección de fallas en los transformadores de potencia. Estos métodos, aunque tienen buenos resultados, son difíciles de ejecutar en la práctica y encuentran restricciones en la detección de los fallos. En general, para decidir si remover, reparar o reemplazar un transformador en presencia de fallas térmicas, se requiere determinar la severidad de la falla, por lo que se prefiere un diagnóstico de fallas en transformadores (DFT) más fino. Es por ello qué el DFT requiere de métodos más robustos basados en algoritmos de Inteligencia Artificial. Esta propuesta de investigación se presenta el desarrollo de un modelo de DFT basado en algoritmos de Machine Learning (ML) y la Lógica Difusa (LD). Los algoritmos de ML utilizan datos del estado de salud de los transformadores y el modelo de Lógica Difusa utiliza la experiencia y conocimiento de los expertos; con el objetivo de mejorar el rendimiento de DFT y tratar de evitar los inconvenientes mencionados anteriormente. Los métodos de IA brindan una gran flexibilidad: pueden manejar relaciones lineales y no lineales, son resistentes al ruido, y brindan un alto rendimiento en la clasificación de fallas. Los algoritmos de machine Learning utilizados fueron: Decision Tree Classification, Support Vector Machine, XGBoost, K-Nearest Neighbors, con rendimientos no mayores al 70%. En contraste los modelos de LD: binario y multiclase, obtuvieron rendimiento de 0.96 y 0.80 respectivamente. | es_MX |
| dc.language.iso | spa | es_MX |
| dc.publisher | Tecnológico Nacional de México | es_MX |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0 | es_MX |
| dc.subject | info:eu-repo/classification/cti/7 | es_MX |
| dc.title | DESARROLLO DE UN MODELO INTELIGENTE PARA EL DIAGNOSTICO DE FALLAS EN TRANSFORMADORES DE POTENCIA | es_MX |
| dc.type | info:eu-repo/semantics/masterThesis | es_MX |
| dc.contributor.director | AGUILAR LASSERRE, ALBERTO+A.%40413 | - |
| dc.contributor.director | DEL MORAL ARGUMEDO, MARCO+J. | - |
| dc.contributor.director | ARROYO FIGUEROA, GUSTAVO | - |
| dc.rights.access | info:eu-repo/semantics/openAccess | es_MX |
| dc.publisher.tecnm | Instituto Tecnológico de Orizaba | es_MX |
| Appears in Collections: | Maestría en Ingeniería Industrial | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| HUERTA PEREZ GUSTAVO ANGEL.pdf | 4.5 MB | Adobe PDF | View/Open | |
| HUERTA PEREZ GUSTAVO ANGEL-LICENCIA.pdf | 170.68 kB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
