Clasificación de Fallas Eléctricas en Tiempo Real en Líneas Eléctricas de Transmisión Basado en Técnicas Avanzadas de Procesamiento de Señales

Este proyecto aborda el desafío crítico de la localización y clasificación rápida de fallas eléctricas en sistemas de transmisión para reducir los tiempos de interrupción del suministro. Las fallas comunes, como los cortocircuitos (monofásicos, bifásicos, trifásicos), a menudo resultan en largos tiempos de restauración debido a la falta de localizadores de fallas en la infraestructura existente. La solución propuesta se centra en el procesamiento de señales alteradas durante una falla para aplicar técnicas de Inteligencia Artificial, específicamente Aprendizaje Automático (Machine Learning). Se utiliza un enfoque basado en datos, entrenando modelos con patrones reales o simulados de fallas (L-G, L-L, L-L-G). Específicamente, se implementa el algoritmo supervisado k-Vecino más Cercano (KNN) para identificar y clasificar el tipo de falla con alta precisión, demostrando baja sensibilidad a variaciones en parámetros como la magnitud y resistencia de la falla. La metodología incluye la recolección y simulación de datos de circuitos de transmisión en MATLAB®, la creación de bases de datos robustas y pruebas comparativas para evaluar la exactitud y el desempeño de los métodos propuestos bajo diversas condiciones operativas y variaciones de resistencia de falla.<br/><br/><b>Objetivo</b>: <br/>El objetivo principal es clasificar fallas eléctricas en tiempo real en líneas de transmisión utilizando técnicas avanzadas de procesamiento de señales y algoritmos de aprendizaje automático.<br/><br/><b>Líneas de investigación</b>: <br/>Optimización en sistemas eléctricos