Clasificación y localización de fallos en redes de distribución mediante redes neuronales convolucionales

Este manuscrito aborda el desafío crítico de la clasificación y localización de fallos dentro de las redes de distribución inteligentes, agravado por la compleja integración de recursos energéticos distribuidos y la naturaleza dinámica de los sistemas eléctricos modernos. Los métodos tradicionales son insuficientes para gestionar estas tareas de manera precisa y eficiente debido a su dependencia de modelos lineales y la inspección manual, que no pueden afrontar el entorno rico en datos y variable de las redes de distribución actuales. Introducimos un nuevo marco impulsado por datos que utiliza redes neuronales convolucionales para mejorar la precisión en la clasificación de fallos y la localización. Nuestro marco incorpora de manera única un algoritmo de aprendizaje continuo en línea, adaptándose a los cambios en el sistema y a la evolución de los patrones de fallos sin requerir reentrenamiento. El método demostró mejoras significativas en el rendimiento de clasificación y localización de fallos. Cuantitativamente, nuestro enfoque basado en CNN logró una precisión de clasificación de fallos del 98.5% y una precisión de localización de fallos del 97.9%, superando a los modelos de IA tradicionales en entornos simulados. Estos resultados destacan el potencial de nuestro marco para contribuir significativamente a la fiabilidad y eficiencia en la gestión de fallos en sistemas de distribución inteligentes, ofreciendo una solución robusta a los desafíos planteados por la integración y la variabilidad de las condiciones de carga.