Detección y predicción de errores en smart grids mediante modelos de inteligencia artificial
En este Trabajo Fin de Máster (TFM) se presenta el diseño y desarrollo de diferentes modelos de Machine Learning (ML) y Deep Learning (DL) para la detección y predicción de errores en entornos de Smart Grids (SG). En este proceso se utilizan datos de una implementación de Smart Grid (SG) real, los c...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/62137 |
| Acceso en línea: | http://hdl.handle.net/10017/62137 |
| Access Level: | acceso abierto |
| Palabra clave: | Smart Grids Machine Learning Deep Learning Big Data Prosumidor IoT Telecomunicaciones Telecommunication |
| Sumario: | En este Trabajo Fin de Máster (TFM) se presenta el diseño y desarrollo de diferentes modelos de Machine Learning (ML) y Deep Learning (DL) para la detección y predicción de errores en entornos de Smart Grids (SG). En este proceso se utilizan datos de una implementación de Smart Grid (SG) real, los cuales requieren un procesamiento exhaustivo. Posteriormente, se generan una serie de escenarios y topologías aleatorias con la herramienta BRITE y se aplican modificaciones en el funcionamiento del algoritmo DEN2NE. Se pretende detectar y predecir errores sobre las rutas que se obtienen en el mismo y, por ello, se ejecutan múltiples simulaciones que permitan identificar los patrones de error sobre los que entrenar los modelos de forma precisa. El proyecto concluye con el análisis y evaluación de los resultados obtenidos de los modelos para definir el que proporciona un rendimiento óptimo. |
|---|