Aprendizaje por transferencia y sintonización fina para la identificación y clasificación de eventos en la calidad de energía

Abstract

This thesis addresses the classification and detection of events in power quality (PQ), including 28 phenomena in which: nicos, flicker, notch, sag swell and various complex events derived from these. Each of the 28 events to be classified is mathematically defined, including both simple and complex events. Along with this, a tool is developed to create synthetic signals, following the mathematical model. 4 convolutional neural network models are pre-trained for feature extraction that are subsequently concatenated to create a larger and more robust model to which transfer learning and fine-tuning techniques are applied. Once the model to which the fine tuning and transfer learning techniques are applied is obtained, it is tested and validated with synthetic signals with which it reaches an efficiency of 98Since the model has been validated, it is tested with two groups of signals, simulated signals from 3 simulink models, and with real signals. Once the results are finished, the benefits obtained by carrying out this thesis work are detailed, the advantages and possible disadvantages of applying this type of models and techniques for the identification and classification of events (PQ), as well as the possible future works that can be implemented thanks to this work.

En este trabajo de tesis se aborda la clasificación y detección de eventos en la calidad de la energía (PQ), incluyendo 28 fenómenos en los cuales se encuentran: armónicos, flicker, notch, sag swell y varios eventos complejos derivados de estos. Se define matemáticamente cada uno de los 28 eventos a clasificar, comprendiendo tanto los simples como los eventos complejos, junto con ello se desarrolla una herramienta para crear señales sintéticas, siguiendo el modelo matemático. Se pre-entrenan 4 modelos de redes neuronales convolucionales para la extracción de características que posteriormente se concatenan para crear un modelo más grande y robusto al cual se le aplican técnicas de transferencia de aprendizaje y sintonización fina. Una vez que se obtiene el modelo al que se le aplican las técnicas de sintonización fina y transferencia de aprendizaje, se prueba y valida con señales sintéticas con las cuales alcanza una eficiencia del 98 %. Ya que se ha validado el modelo se prueba con dos grupos de señales, señales simuladas provenientes de 3 modelos de simulink, y con señales reales. Una vez terminados los resultados, se detallan los beneficios obtenidos al realizar este trabajo de tesis, las ventajas y posibles desventajas de aplicar este tipo de modelos y técnicas para la identificación y clasificación de eventos (PQ), así como los posibles trabajos futuros que se pueden implementar gracias a este trabajo.