MECANISMO HÍBRIDO DE APRENDIZAJE PROFUNDO Y APRENDIZAJE CONJUNTO PARA LA DETECCIÓN DE LÍNEAS ELÉCTRICAS DAÑADAS EN REDES INTELIGENTES

MECANISMO HÍBRIDO DE APRENDIZAJE PROFUNDO Y APRENDIZAJE CONJUNTO PARA LA DETECCIÓN DE LÍNEAS ELÉCTRICAS DAÑADAS EN REDES INTELIGENTES

La electricidad actúa como una columna vertebral para la sociedad industrializada y económica. Los países modernos no muestran tolerancia a tener cortes de electricidad incluso breves. Pero las tecnologías en constante crecimiento, las sociedades modernas y el aumento de la dependencia de la electricidad han planteado muchos desafíos a los investigadores y proveedores de energía para monitorear, administrar y analizar con precisión las redes eléctricas inteligentes para garantizar un flujo de energía ininterrumpido (Bruch et al. 2011). La falta de incentivos para mejorar la infraestructura de transmisión nacional envejecida, por ejemplo, en Estados Unidos y en Europa, los cortes de energía se vuelven más frecuentes (Bruch et al. 2011).

Las fallas de energía a corto plazo duran principalmente unas pocas horas o parte de una hora, pero los apagones a largo plazo hacen que la electricidad dure días o incluso semanas. Tanto los cortes de energía a corto como a largo plazo afectan drásticamente las capacidades de las empresas que no están preparadas. Por ejemplo, este apagón da como resultado el cierre de las tasas de producción generales de las empresas y otras infraestructuras críticas, como los servicios financieros, las industrias de telecomunicaciones, los hospitales y los proveedores de agua (Castillo 2014). Hoy en día, todas las estaciones de la red están interconectadas y una falla en una estación de la red da como resultado cortes de energía suprarregionales (Pradeep et al. 2011). Bruch et al. (2011) realizó un análisis estadístico y concluyó que se registra una pérdida promedio de US$15,709 por cortes de energía de 30 minutos y una pérdida de $94,000 por apagones de ocho horas en los EE. UU. para todas las industrias medianas y grandes. Se requiere un mecanismo inteligente para monitorear las líneas eléctricas y ciñe las infraestructuras regularmente para evitar daños en las líneas que provoquen fallas en el suministro eléctrico.

A nivel mundial, nos enfrentamos a recursos energéticos limitados con más demandas, mientras que se requiere un alto presupuesto para adquirir energía de estos limitados. Teniendo en cuenta la disponibilidad de recursos limitados y los altos costos de gasto, los investigadores prestaron mucha atención a la utilización eficiente de las fuentes de energía disponibles. Algunos investigadores publicaron trabajos para la detección de fraudes y robos mediante el desarrollo de modelos de redes inteligentes como; Hassan et al. (2019) sugirieron una arquitectura de memoria a corto plazo (LSTM) basada en CNN para la detección de robos utilizando una aplicación de red inteligente. Tianyu et al. (2019) sugirieron un enfoque de aprendizaje profundo semisupervisado para la detección fraudulenta en la infraestructura de medición avanzada (AMI). Khan et al. (2020) desarrollaron una técnica de detección de robo de electricidad para redes inteligentes utilizando técnicas de aprendizaje automático supervisado. Kong et al. (2021) sugirieron un mecanismo de detección de robo para estaciones de bajo voltaje. Su modelo funciona mediante el uso de árboles de decisión para el conjunto de propósitos de clasificación con K vecinos más cercanos y SVM, mientras que Yan et al. (2021) sugirieron el uso de bosques aleatorios y aprendizaje profundo para la detección e identificación de robos en las redes eléctricas.

Algunos investigadores trabajaron para mejorar la seguridad y las capacidades de las redes eléctricas identificando las pérdidas técnicas y no técnicas en las infraestructuras de la red. Las pérdidas técnicas son la falla de una estación de la red que resulta después de calentar masivamente los elementos resistivos en líneas eléctricas, transformadores, etc., mientras que los problemas no técnicos incluyen lecturas fraudulentas de medidores, errores de facturación, robo de electricidad, etc. (Zaman y Brudermann 2018 ). Jeyaraj et al. (2020) sugirieron un modelo de mejora de seguridad no técnica para redes inteligentes que utilizan arquitecturas profundas. Su modelo realiza la clasificación de los datos recuperados de AMI utilizando una arquitectura de red neuronal de convolución unidimensional (1D-CNN).

...