Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.Zuluaga Ríos, Carlos DavidSosapanta Salas, JosephGarnica Palencia, Iván FernandoQuiroz Vásquez, Brayam Alexis2024-02-132024-02-132023https://repositorio.pascualbravo.edu.co/handle/pascualbravo/2391En este trabajo, se desarrollan modelos de aprendizaje automático basados en redes neuronales convolucionales (RNC) y Perceptrón Multicapa para la clasificación de eventos en una red eléctrica de baja tensión. Estos eventos incluyen sobretensiones, caídas de voltaje e interrupciones, que suelen estar relacionados con fallos en el sistema eléctrico, como maniobras de conmutación, descargas atmosféricas y el mal funcionamiento de dispositivos como variadores de frecuencia ajustable y condensadores de corrección del factor de potencia. Para abordar este desafío, se generaron datos sintéticos aleatoriamente dentro de un rango específico para representar diversas formas de series temporales asociadas con estos eventos eléctricos, los cuales se emplearon para desarrollar las etapas siguientes del modelo: generación la creación de la base de datos, división de datos, escalado de atributos y el entrenamiento de dos modelos neuronales: el Perceptrón Multicapa y el modelo RNC; con las cuales se obtuvo tasas de precisión del 70% y 71%.application/pdfspainfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nd/4.0/info:eu-repo/semantics/bachelorThesishttp://purl.org/coar/access_right/c_abf2https://creativecommons.org/licenses/by-nc-nd/4.0/SobretensionesInstalaciones eléctricasSistemas eléctricosMachine learningRedes neuronalesDistribución de energía eléctrica - Mediana tensiónRedes eléctricasRedes Neuronales Convolucionales (RNC)Bases de datosOvervoltagesElectrical installations