Identificación de Eventos de Muestra Pequeña Basada en MDF de Segundo Orden Adaptativo y CNN Triplet Usando Mediciones Sincronizadas a Nivel de Distribución

Las mediciones sincronizadas a nivel de distribución sirven como un recurso valioso para la identificación del tipo de evento. La precisión en la identificación de eventos ofrece información crucial para el análisis de fallos, la monitorización de activos, la estimación de estado y la garantía de la fiabilidad en la entrega de energía. Actualmente, un problema principal en la tarea de identificación de eventos surge de la escasez y el desbalance de muestras de eventos, atribuido al breve período de instalación del sistema de medición de sincronofasores a nivel de distribución. Para abordar esto, se propone en este artículo un novedoso método de identificación de eventos basado en aprendizaje de pocas muestras. Se desarrolla el Campo de Diferencia de Motivos de Segundo Orden Adaptativo (A2-MDF) para la transformación de características, que permite extraer patrones de orden superior e información estructural de datos de series temporales en imágenes para extraer características fusionadas a diferentes escalas de tiempo. También se desarrolla una estrategia dual que involucra la mejora de muestras a través de Redes Generativas Antagónicas Aumentadas con Datos (DA-GAN) y el balanceo de muestras mediante Submuestreo Aleatorio (RUS) para mitigar los problemas asociados con la escasez de muestras y el desequilibrio entre diferentes tipos de eventos. Finalmente, se propone una red triplet que emplea tres Redes Neuronales Convolucionales (CNNs) para la clasificación en escenarios de pequeñas muestras. Los resultados utilizando tanto datos de simulación como de campo demuestran las ventajas del método propuesto con datos etiquetados limitados.