Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema

Implementation of algorithms based on support vector machine (SVM) for electric systems: topic review

Autores/as

  • Jefferson Jara Estupiñan Universidad Distrital Francisco José De Caldas
  • Diego Giral Universidad Distrital Francisco José De Caldas
  • Fernando Martínez Santa Universidad Distrital Francisco José de Caldas

Palabras clave:

Algoritmos, aprendizaje de máquina, máquinas de soporte vectorial, electricidad. (es).

Palabras clave:

Algorithms, machine learning, support vector machines, electricity. (en).

Biografía del autor/a

Jefferson Jara Estupiñan, Universidad Distrital Francisco José De Caldas

Estudiante de tecnología en electricidad. Universidad Distrital Francisco José De Caldas, Bogotá.

Diego Giral, Universidad Distrital Francisco José De Caldas

Ingeniero eléctrico, Magister en Ingeniería Eléctrica. Docente Universidad Distrital Francisco José De Caldas, Bogotá.

Fernando Martínez Santa, Universidad Distrital Francisco José de Caldas

Ingeniero electrónico, magíster en Ingeniera Electrónica y de Computadores. Docente de la Universidad Distrital Francisco José de Caldas, Bogotá.

Referencias

Ali Shiriz, Mohammad Afsharx, A. R.-K. and B. M., & zSNL/CIPCE, School of Electrical and Computer Engineering, C. of E. (2015). Electricity Price Forecasting Using Support Vector Machines by Considering Oil and Natural Gas Price Impacts, 2–6.

Antonanzas, F.; Urraca, R.; Antonanzas, J.; Fernandez, J. y Martinez-de-Pison, F.J. (2015). Generation of Daily Global Solar Irradiation with Support Vector Machines for Regression. Energy Conversion and Management, 96, 277–286. http://doi.org/10.1016/j.enconman.2015.02.086

Ashkezari, A.D.; Ma, H.; Saha, T.K. y Ekanayake, C. (2013). Application of Fuzzy Support Vector Machine for Determining the Health Index of the Insulation System of In-Service Power Transformers. Dielectrics and Electrical Insulation, IEEE Transactions on, 20(3), 965–973. http://doi.org/10.1109/TDEI.2013.6518966

Bessedik, S.A. y Hadi, H. (2013). Prediction of Flashover Voltage of Insulators Using Least Squares Support Vector Machine with Particle Swarm Optimisation. Electric Power Systems Research, 104, 87–92. http://doi.org/10.1016/j.epsr.2013.06.013

Betancour, G. (2005). Las máquinas de soporte vectorial (SVM). Scientia Et Technica, 27, 67–72.

Biswal, B.; Biswal, M.K.; Dash, P.K. y Mishra, S. (2013). Power Quality Event Characterization Using Support Vector Machine and Optimization Using Advanced Immune Algorithm. Neurocomputing, 103, 75–86. http://doi.org/10.1016/j.neucom.2012.08.031

Che, J. y Wang, J. (2010). Short-Term Electricity Prices Forecasting Based on Support Vector Regression and Auto-Regressive Integrated Moving Average Modeling. Energy Conversion and Management, 51(10), 1911–1917. http://doi.org/10.1016/j.enconman.2010.02.023

Dangar, B. y Joshi, S.K. (2015). Electricity Theft Detection Techniques for Metered Power Consumer in Guvnl, Gujarat, India. 2015 Clemson University Power Systems Conference (PSC) (pp. 1–6). Clemson. http://doi.org/10.1109/PSC.2015.7101683

Elsamahy, M. y Babiy, M. (2012). An Intelligent Approach Using SVM to Enhance Turn-To-Turn Fault Detection in Power Transformers. 2012 IEEE Electrical Power and Energy Conference (pp. 255-260). Londres. http://doi.org/10.1109/EPEC.2012.6474961

Faisal, M.F. y Mohamed, A. (2009). Identification of Sources of Voltage Sags in the Malaysian Distribution Networks Using SVM Based S-Transform. TENCON 2009 - 2009 IEEE Region 10 Conference (pp. 1–6). Singapur. http://doi.org/10.1109/TENCON.2009.5395940

Gao, C.; Bompard, E.; Napoli, R. y Cheng, H. (2007). Price Forecast in the Competitive Electricity Market by Support Vector Machine. Physica A: Statistical Mechanics and Its Applications, 382(1), 98–113. http://doi.org/10.1016/j.physa.2007.03.050

Goddard, J.; Silva, G.; Pérez, R. y Ángel M. (2000). Un algoritmo para el entrenamiento de máquinas de vector soporte para regresión. Revista de Matemática: Teoría y Aplicaciones 2000, 7(1-2), 107–116.

Jokar, P.; Arianpoo, N. y Leung, V.C.M. (2015). Electricity Theft Detection in AMI Using Customers’ Consumption Patterns. IEEE Transactions on Smart Grid, 7(1), 216–226. http://doi.org/10.1109/TSG.2015.2425222

Kavaklioglu, K. (2011). Modeling and Prediction of Turkey’s Electricity Consumption Using Support Vector Regression. Applied Energy, 88(1), 368–375. http://doi.org/10.1016/j.apenergy.2010.07.021

Klass, V.; Behm, M. y Lindbergh, G. (2014). A Support Vector Machine-Based State-Of-Health Estimation Method for Lithium-Ion Batteries Under Electric Vehicle Operation. Journal of Power Sources, 270, 262–272. http://doi.org/10.1016/j.jpowsour.2014.07.116

Kong, X.; Liu, X.; Shi, R. y Lee, K.Y. (2015). Wind Speed Prediction Using Reduced Support Vector Machines with Feature Selection. Neurocomputing, 169, 449–456. http://doi.org/10.1016/j.neucom.2014.09.090

Liu, Q.; Yang, M.; Lei, J.; Jin, H.; Gao, Z. y Wang, Y. (2012). Modeling and Optimizing Parabolic Trough Solar Collector Systems Using the Least Squares Support Vector Machine Method. Solar Energy, 86(7), 1973–1980. http://doi.org/10.1016/j.solener.2012.01.026

Loizos, G. y Passadis, K. (2009). Core Power Losses Estimation of Wound Core Distribution Transformers with Support Vector Machines. 16th International Conference on Systems, Signals and Image Processing (pp. 1-4). Chalkida.

Luo, T.; Hall, L.O.; Goldgof, D.B. y Remsen, A. (2005). Bit Reduction Support Vector Machine. Proceedings - IEEE International Conference on Data Mining, ICDM, 733–736. http://doi.org/10.1109/ICDM.2005.36

Ma, Y.; Zhang, X.; Xu, M. y Xie, S. (2013). Hybrid Model Based on Preisach and Support Vector Machine for Novel Dual-Stack Piezoelectric Actuator. Mechanical Systems and Signal Processing, 34(1-2), 156–172. http://doi.org/10.1016/j.ymssp.2012.05.015

Manimala, K.; Selvi, K. y Ahila, R. (2012). Optimization Techniques for Improving Power Quality Data Mining Using Wavelet Packet Based Support Vector Machine. Neurocomputing, 77(1), 36–47. http://doi.org/10.1016/j.neucom.2011.08.010

Mehta, A.K.; Sharma, R.N.; Chauhan, S. y Saho, S. (2013). Transformer Diagnostics under Dissolved Gas Analysis Using Support Vector Machine. Power, Energy and Control (ICPEC), 2013 International Conference (pp. 181–186). Dindigul.

Mohammadi, K.; Shamshirband, S.; Tong, C.W.; Arif, M.; Petković, D. y Sudheer, C. (2015). A New Hybrid Support Vector Machine-Wavelet Transform Approach for Estimation of Horizontal Global Solar Radiation. Energy Conversion and Management, 92, 162–171. http://doi.org/10.1016/j.enconman.2014.12.050

Nagi, J.; Yap, K.S.; Tiong, S.K.; Ahmed, S.K. y Mohamad, M. (2010). Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines. IEEE Transactions on Power Delivery, 25(2), 1162–1171. http://doi.org/10.1109/TPWRD.2009.2030890

Ngaopitakkul, A.; Pothisarn, C.; Bunjongjit, S. y Suechoey, B. (2012). An Application of Discrete Wavelet Transform and Support Vector Machines Algorithm for Classification of Fault Types on Underground Cable. Proceedings - 3rd International Conference on Innovations in Bio-Inspired Computing and Applications, IBICA 2012 (pp. 85–88). Kaohsiung. http://doi.org/10.1109/IBICA.2012.21

Osman, Z.H.; Awad, M.L. y Mahmoud, T. K. (2009). Neural Network Based Approach for Short-Term Load Forecasting. 2009 IEEE/PES Power Systems Conference and Exposition (pp. 1–8). Seattle. http://doi.org/10.1109/PSCE.2009.4840035

Papadimitriou, T.; Gogas, P. y Stathakis, E. (2014). Forecasting Energy Markets Using Support Vector Machines. Energy Economics (pp. 135–142). http://doi.org/10.1016/j.eneco.2014.03.017

Pinto, T.; Ramos, S.; Sousa, T.M. y Vale, Z. (2014). Short-Term Wind Speed Forecasting Using Support Vector Machines. Computational Intelligence in Dynamic and Uncertain Environments (CIDUE), 2014 IEEE Symposium (pp. 40-46). Orlando

Pinto, T.; Sousa, T.M.; Praa, I.; Vale, Z. y Morais, H. (2016). Support Vector Machines for Decision Support in Electricity Markets’ Strategic Bidding. Neurocomputing, 172, 438–445. http://doi.org/10.1016/j.neucom.2015.03.102

Qu, H.; Oussar, Y.; Dreyfus, G. y Xu, W. (2009). Regularized Recurrent Least Squares Support Vector Machines. 2009 International Joint Conference on Bioinformatics, Systems Biology and Intelligent Computing (pp. 508–511). Shanghái. http://doi.org/10.1109/IJCBS.2009.58

Resendiz T., J.; Yu, W. y Li, X. (2006). Support Vector Machine for Nonlinear System On-line Identification. 2006 3rd International Conference on Electrical and Electronics Engineering pp. 1-4. Veracruz.

Shamshirband, S.; Mohammadi, K.; Khorasanizadeh, H.; Yee, P.L.; Lee, M.; Petković, D. y Zalnezhad, E. (2016). Estimating the Diffuse Solar Radiation Using a Coupled Support Vector Machine-Wavelet Transform Model. Renewable and Sustainable Energy Reviews, 56, 428–435. http://doi.org/10.1016/j.rser.2015.11.055

Shekara, S.; Reddy, S.; Wang, L. y Devabhaktuni, V. (2011). Support Vector Machine Based Data Classification for Detection of Electricity Theft. IEEE/PES Power Systems Conference and Exposition (PSCE) (pp. 1–8). Phoenix

Shrivastava, N.A.; Khosravi, A. y Panigrahi, B.K. (2015). Prediction Interval Estimation of Electricity Prices using PSO tuned Support Vector Machines. IEEE Transactions on Industrial Informatics, 11(2), 1–1. http://doi.org/10.1109/TII.2015.2389625

Shrivastava, N.A.; Khosravi, A.; Panigrahi, B.K. y Memeber, S. (2014). Prediction Interval Estimation for Electricity Price and Demand Using Support Vector Machines. IEEE Transactions on Industrial Informatics, 11(2), 322-331.

Siahkali, H. (2008). Power Quality Indexes for Continue and Discrete Disturbances in a Distribution Area. PECon 2008 - 2008 IEEE 2nd International Power and Energy Conference, (PECon 08) (pp. 678–683). Johor Bahru. http://doi.org/10.1109/PECON.2008.4762561

Sun, C., & Gong, D. (2006). Support Vector Machines with PSO Algorithm for Short-Term Load Forecasting. 2006 IEEE International Conference on Networking, Sensing and Control, 676–680. http://doi.org/10.1109/ICNSC.2006.1673227

Susukh, J., Premrudeepreechacharn, S., & Kasirawat, T. (2009). Power quality problem classification using support vector machine. 2009 6th International Conference on Electrical EngineeringElectronics Computer Telecommunications and Information Technology, 01, 2–5. http://doi.org/10.1109/ECTICON.2009.5136965

Swief, R. a., Hegazy, Y. G., Abdel-Salam, T. S., & Bader, M. . (2009). Support vector machines (SVM) based short term electricity load-price forecasting. 2009 IEEE Bucharest PowerTech, 1–5. http://doi.org/10.1109/PTC.2009.5281886

Turkay, B. E., & Demren, D. (2011). Electrical load forecasting using support vector machines. Electrical and Electronics Engineering (ELECO), 2011 7th International Conference on, I–49–I–53.

Wang, Y., & Yu, S. (2008). with Least Squares Support Vector Machines, (April), 714–719.

Xie, L., & Zheng, H. (2013). Demand elasticity analysis by least squares support vector machine. Proceedings of the 2013 6th International Congress on Image and Signal Processing, CISP 2013, 2(Cisp), 1085–1089. http://doi.org/10.1109/CISP.2013.6745217

Xydas, E. S., Marmaras, C. E., Cipcigan, L. M., Hassan, A. S., & Jenkins, N. (2013). Forecasting Electric Vehicle charging demand using Support Vector Machines. 2013 48th International Universities’ Power Engineering Conference (UPEC), 1–6. http://doi.org/10.1109/UPEC.2013.6714942

Yan, X., & Chowdhury, N. A. (2013). Mid-term Electricity Market Clearing Price Forecasting Using Multiple Support Vector Machine. 2013 4th IEEE PES Innovative Smart Grid Technologies Europe (ISGT Europe), 1–5.

Yang, S. X., & Wang, Y. (2007). Applying support vector machine method to forecast electricity consumption. 2006 International Conference on Computational Intelligence and Security, ICCIAS 2006, 1, 929–932. http://doi.org/10.1109/ICCIAS.2006.294275

Yan-Gao, C. Y.-G. C., & Guangwen, M. G. M. (2009). Electricity Price Forecasting Based on Support Vector Machine Trained by Genetic Algorithm. 2009 Third International Symposium on Intelligent Information Technology Application, 2, 293–296. http://doi.org/10.1109/IITA.2009.96

Yucheng, L. y Yubin, L. (2010). Incremental Learning Method of Least Squares Support Vector Machine. 2010 International Conference on Intelligent Computation Technology and Automation, 1, 529–532. Recuperado de: http://doi.org/10.1109/ICICTA.2010.104

Zeng, J. y Qiao, W. (2013). Short-Term Solar Power Prediction Using a Support Vector Machine. Renewable Energy, 52, 118–127. http://doi.org/10.1016/j.renene.2012.10.009

Zhang, J., Han, J., Wang, R., & Hou, G. (2011). Day-ahead electricity price forecasting based on rolling time series and least square-support vector machine model. 2011 Chinese Control and Decision Conference (CCDC), 1065–1070. http://doi.org/10.1109/CCDC.2011.5968342

Zhang, X.; Huang, R.; Yao, S.; Li, G.; Zhong, L. y Wang, X. (2015). Mechanical Life Prognosis of High Voltage Circuit Breakers Based on Support Vector Machine. Natural Computation (ICNC), 2015 11th International Conference (pp. 749-753). Zhangjiajie

Zhang, X. Z. X., Chen, X. C. X., Liu, H. L. H., & Zhao, B. Z. B. (2008). Application of integrated weight method and support vector machine in the comprehensive evaluation of power quality. 2008 Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, (20060294019), 2181–2186. http://doi.org/10.1109/DRPT.2008.4523772

Zhang, Y.; Ilic, M. y Tonguz, O. (2007). Application of Support Vector Machine Classification to Enhanced Protection Relay Logic in Electric Power Grids. Power Engineering, 2007 Large Engineering Systems Conference (pp. 31-38). Recuperado de: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=4437348

Zhu, F. (2005). Classification of Power Quality Disturbances Using, (August), 18–21. http://doi.org/10.3906/elk-1112-51

Guo-Sheng Hu, Jing Xie and Feng-Feng Zhu, "Classification of power quality disturbances using wavelet and fuzzy support vector machines," 2005 International Conference on Machine Learning and Cybernetics, Guangzhou, China, 2005, pp. 3981-3984 Vol. 7.

Zhu, Y.-L.; Zhao, W.-Q.; Zhai, X.-M. y Zhang, X.-Q. (2007). A Fault Prediction Approach for Power Transformer Based on Support Vector Machine. Wavelet Analysis and Pattern Recognition, 2007. ICWAPR ’07. International Conference on, 4, 1457–1461. http://doi.org/10.1109/ICWAPR.2007.4421679

Cómo citar

APA

Jara Estupiñan, J., Giral, D., y Martínez Santa, F. (2016). Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Tecnura, 20(48), 149–170. https://doi.org/10.14483/udistrital.jour.tecnura.2016.2.a11

ACM

[1]
Jara Estupiñan, J. et al. 2016. Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Tecnura. 20, 48 (abr. 2016), 149–170. DOI:https://doi.org/10.14483/udistrital.jour.tecnura.2016.2.a11.

ACS

(1)
Jara Estupiñan, J.; Giral, D.; Martínez Santa, F. Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Tecnura 2016, 20, 149-170.

ABNT

JARA ESTUPIÑAN, Jefferson; GIRAL, Diego; MARTÍNEZ SANTA, Fernando. Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Tecnura, [S. l.], v. 20, n. 48, p. 149–170, 2016. DOI: 10.14483/udistrital.jour.tecnura.2016.2.a11. Disponível em: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/10556. Acesso em: 5 dic. 2024.

Chicago

Jara Estupiñan, Jefferson, Diego Giral, y Fernando Martínez Santa. 2016. «Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema». Tecnura 20 (48):149-70. https://doi.org/10.14483/udistrital.jour.tecnura.2016.2.a11.

Harvard

Jara Estupiñan, J., Giral, D. y Martínez Santa, F. (2016) «Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema», Tecnura, 20(48), pp. 149–170. doi: 10.14483/udistrital.jour.tecnura.2016.2.a11.

IEEE

[1]
J. Jara Estupiñan, D. Giral, y F. Martínez Santa, «Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema», Tecnura, vol. 20, n.º 48, pp. 149–170, abr. 2016.

MLA

Jara Estupiñan, Jefferson, et al. «Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema». Tecnura, vol. 20, n.º 48, abril de 2016, pp. 149-70, doi:10.14483/udistrital.jour.tecnura.2016.2.a11.

Turabian

Jara Estupiñan, Jefferson, Diego Giral, y Fernando Martínez Santa. «Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema». Tecnura 20, no. 48 (abril 1, 2016): 149–170. Accedido diciembre 5, 2024. https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/10556.

Vancouver

1.
Jara Estupiñan J, Giral D, Martínez Santa F. Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Tecnura [Internet]. 1 de abril de 2016 [citado 5 de diciembre de 2024];20(48):149-70. Disponible en: https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/10556

Descargar cita

Visitas

813

Dimensions


PlumX


Descargas

Los datos de descargas todavía no están disponibles.

DOI: http://dx.doi.org/10.14483/udistrital.jour.tecnura.2016.2.a11

Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema

Implementation of algorithms based on support vector machine (SVM) for electric systems: topic review

Jefferson Jara Estupiñan1, Diego Giral2, Fernando Martínez Santa3

1 Estudiante de tecnología en electricidad. Universidad Distrital Francisco José De Caldas, Bogotá, Colombia. Contacto: jjarae@correo.udistrital.edu.co
2 Ingeniero eléctrico, Magister en Ingeniería Eléctrica. Docente Universidad Distrital Francisco José De Caldas, Bogotá, Colombia. Contacto: dagiralr@udistrital.edu.co
3 Ingeniero electrónico, magíster en Ingeniera Electrónica y de Computadores. Docente de la Universidad Distrital Francisco José de Caldas, Bogotá, Colombia. Contacto: fmartinezs@udistrital.edu.co.

Fecha de recepción: 10 de enero de 2016 Fecha de aceptación: 15 de febrero de 2016

Cómo citar: Jara Estupiñan, J., Giral, D., & Martínez Santa, F. (2016). Implementación de algoritmos basados en máquinas de soporte vectorial (SVM) para sistemas eléctricos: revisión de tema. Revista Tecnura, 20(48), 149-170. doi: 10.14483/udistrital.jour.tecnura.2016.2.a11


Resumen

Objetivo: Realizar una revisión sobre la implementación de algoritmos basados en máquinas de soporte vectorial para sistemas eléctricos.

Método: Se realiza una búsqueda de artículos principalmente en Índices bibliográficos (IB) y Bases Bibliográficas con Comité de Selección (BBCS) acerca de las máquinas de soporte vectorial.

Este trabajo presenta una descripción cualitativa y/o cuantitativa acerca de los avances y aplicaciones en el entorno eléctrico, abordando temas como: predicción del mercado eléctrico, predicción de la demanda, perdidas no técnicas de electricidad (hurto), energías alternativas, trasformadores, entre otros; en cada trabajo se realiza la respectiva citación con el fin de garantizar los derechos de autor y permitirle al lector el movimiento dinámico entre lo consignado en este trabajo y los trabajos citados .

Resultados: Se realiza la revisión de una manera detallada, centrando la búsqueda en algoritmos implementados en sistemas eléctricos y en áreas de aplicación novedosas.

Conclusión: Las máquinas de soporte vectorial tienen bastantes aplicaciones debido a sus múltiples beneficios, sin embargo en el área de energía eléctrica, estas no se han aplicado en su totalidad, esto permite identificar un área prometedora de trabajos de investigación.

Palabras clave: Algoritmos, aprendizaje de máquina, máquinas de soporte vectorial, electricidad.


Abstract

Objective: To perform a review of implementation of algorithms based on support vectore machine applied to electric systems.

Method: A paper search is done mainly on Bibliographic Indexes (BI) and Bibliographic Bases with Selection Committee (BBSC) about support vector machine. This work shows a qualitative and/or quantitative description about advances and applications in the electrical environment, approaching topics such as: electrical market prediction, demand prediction, non-technical losses (theft), alternative energy source and transformers, among others, in each work the respective citation is done in order to guarantee the copy right and allow to the reader a dynamic movement between the reading and the cited works.

Results: A detailed review is done, focused on the searching of implemented algorithms in electric systems and innovating application areas.

Conclusion: Support vector machines have a lot of applications due to their multiple benefits, however in the electric energy area; they have not been totally applied, this allow to identify a promising area of researching.

Keywords: Algorithms, machine learning, support vector machines, electricity.


Introducción

Actualmente la inteligencia artificial ha tomado una gran fuerza y aceptación a nivel tanto industrial como residencial, debido a que muchas de sus aplicaciones ayudan o apoyan al ser humano en sus actividades diarias tanto las cotidianas como laborales; algunas aplicaciones de la inteligencia artificial son : Lingüística computacional, Minería de datos  (Data Mining), Industriales, Medicina, Mundos virtuales, Procesamiento (Natural Language Processing), Robótica, Mecatrónica, Sistemas de apoyo a la decisión, Videojuegos, Prototipos informáticos y Análisis de sistemas dinámicos, entre otros.

Basada en algoritmos de computación, lógica y matemática ; es una herramienta tan densa y útil,que ha sido clasificada en varios campos, en este artículo el de interés sera las machine learning o (máquinas de aprendizaje) las cuales son una rama de la inteligencia artificial, y tienen como objeto el desarrollo de técnicas y procesos que permitan que una computadora o un algoritmo computacional sea capaz de aprender ; dicho de otra manera que sea capaz de generalizar una idea a partir de ejemplos que le son suministrados ; y así lograr predecir, clasificar y pronosticar; el comportamiento de un sistema.

En 1959, Arthur L. Samuel define el aprendizaje de máquina como un "campo de estudio que da a las computadoras la capacidad de aprender sin ser programada de forma explícita "; su entrenamiento con bases de datos y ejemplos adecuados, ayuda a la máquina de aprendizaje a ser más precisa y eficiente en su labor, son sumamente utilices debido a su capacidad de aprendizaje; lo cual genera que en ocasiones encuentre soluciones que no se habían programado en el sistema, es decir que el sistema de datos puede ser variable y aun así, si la máquina de aprendizaje tuvo un buen entrenamiento será capaz de analizar, predecir y solucionar el problema que se le presente.

Son tan variadas y versátiles sus aplicaciones que lo encontramos incluso en el simple hecho de ver una película online, como es el caso de la plataforma virtual Netflix la cual utiliza el aprendizaje automático para dar a sus usuarios sugerencias de las películas que posiblemente le interesen, basándose en las programadas anteriormente.

Otra de las aplicaciones más renombras del aprendizaje automático, son los automóviles no tripulados de google, los cuales basan parte de su funcionamiento en esta rama de la inteligencia artificial.

Las máquinas de aprendizaje se clasifican según su enfoque, de la siguiente manera:

  1. Árboles de decisiones
  2. Reglas de asociación
  3. Algoritmos genéticos
  4. Redes neurales artificiales
  5. Máquinas de vectores de soporte
  6. Algoritmos de agrupamiento
  7. Redes bayesianas

Algunas de las más utilizadas a nivel mundial serán descritas brevemente a continuación:

Arboles de decisiones: Son un modelo de predicción el cual a partir de una serie de datos puede categorizar y representar una serie de condiciones sucesivas, para la resolución de un problema en particular. Son herramientas excelentes para ayudar a realizar elecciones adecuadas entre muchas posibilidades. Su estructura permite seleccionar una y otra vez diferentes opciones para explorar las diferentes alternativas posibles de decisión.

Los árboles de decisión generalmente son binarios, es decir que cuentan con dos opciones, aunque esto no significa que no puedan existir árboles de tres o más opciones.

Su representación está dada en forma de árbol como su nombre lo indica seguido varios nodos cuadrados los cuales representan los puntos de decisión, de los cuales se emergen ramas las cuales representan las diferentes posibilidades o alternativas.

Reglas de asociación: Las reglas de asociación son utilizadas para predicción en procesos en los cuales una condición final depende de otras anteriores, es decir qué serie de cosas deben suceder para que una condición X se cumpla a cabalidad.

'La ventaja de los algoritmos de reglas de asociación sobre los algoritmos más estándar de árboles de decisión (C5.0 y Árbol C&R) es que las asociaciones pueden existir entre cualquiera de los atributos. Un algoritmo de árbol de decisión generará reglas con una única conclusión, mientras que los algoritmos de asociación tratan de buscar muchas reglas, cada una de las cuales puede tener una conclusión diferente.' ( IBM Knowledge Center)

Es bastante utilizada en el área de marketing en cuanto a las compras de los consumidores como por ejemplo la persona que compra el producto Y, tiene una alta probabilidad de adquirir de igual manera el producto Z; de esta manera el propietario del establecimiento decide que productos deben estar a una distancia menor del otro, con el fin de aumentar sus ventas.

Es también utilizado en varios procesos industriales en los cuales se pretende predecir qué sucederá a partir de una serie de acciones anteriores.

Redes neuronales artificiales: Este sistema lo que busca es simular el cerebro humano, las redes neuronales cuentan con elementos que asemejan una neurona biológica, los cuales procesan la información y son capaces de aprenden de la experiencia, generalizar de ejemplos previos a ejemplos nuevos y abstraer la información más importante de una base de datos; siendo asid e gran utilidad en múltiples procesos en los cuales se tenga una serie de datos óptimos para la utilización en la red neuronal artificial.

Algunas de sus aplicaciones son:

  1. Reconocimiento de textos manuscritos
  2. Reconocimiento del habla
  3. Simulación de centrales de producción de energía
  4. Detección de explosivos
  5. Identificación de blancos de radares
  6. En sistemas de energía eléctrica (varios campos).

Siendo de nuestro interés las máquinas de soporte vectorial del inglés support vector maquine (SVM) pertenecientes a las máquinas de aprendizaje y contenidas en la inteligencia artificial, específicamente en el área de electricidad.

La energía eléctrica a través del tiempo se ha convertido en una parte muy importante de la vida cotidiana y día tras día aumenta dicha importancia, debido a que la mayoría del tiempo se interactúa directa o indirectamente con ella. Hoy la electricidad está presente tanto en un teléfono móvil como en las más altas tecnologías en el área de medicina; se ha hecho tan necesaria que es difícil el pensar en un solo día sin ella en nuestra vida moderna. Por esta razón, constantemente se utilizan nuevos métodos y tecnologías aplicadas a diferentes ramas de la energía, como mercado eléctrico, calidad de potencia, análisis de pérdidas, entre otras, con el fin de mejorar u optimizar procesos o sistemas específicos. Muchos de estos métodos se basan en algoritmos bioinspirados o de inteligencia, como redes neuronales, algoritmos genéticos, filtros de Kalman y máquinas de soporte vectorial (SVM), entre otros. En el presente artículo se hace una recopilación de diferentes implementaciones de máquinas de soporte vectorial aplicadas a diferentes áreas de la electricidad.

La máquina de soporte vectorial, está basada en algoritmos que aprenden a partir de una serie de datos o muestras estocásticas de algún sistema a clasificar y en otras ocasiones, a predecir su comportamiento en un futuro, ya sea a corto, mediano o largo plazo (Betancour, 2005). Su alto nivel de clasificación traza un plano que divide (frontera de decisión, la cual debe ser lo más amplia posible) y clasifica los diferentes datos que se le han dado al algoritmo; si los datos no pueden ser clasificados de esta manera y en la frontera entre las clasificación quedan datos por clasificar, la SMV está en la capacidad de llevar los datos a un plano en Rn y buscar un hiperplano que divida y clasifique de manera correcta los datos. Este hiperplano crea una frontera lo más amplia posible entre los datos a clasificar (Betancour, 2005) como se ve en la figura 1.

La SVM basa su funcionamiento en un espacio de hipótesis de funciones; el cambio de dimensión es inducido por un kernel que, básicamente, cumple la función de elevar a una mayor dimensión las características dadas (Resendiz, 2006), una de las maneras más comunes en que las SVM aprenden es mapeando las entradas X y pasándolas a un espacio de características, en el cual son mucho más sencillas de clasificar.

Para ampliar la información acerca de los principios matemáticos básicos de las SVM, se recomienda al lector direccionarse a los textos guías en el tema de este artículo como son: Betancour (2005); Resendiz (2006); Yucheng y Yubin (2010); Goddard, Gerardo, Silva y Ángel (2000); Luo, Hall, Goldgof y Remsen (2005); Qu, Oussar, Dreyfus y Xu (2009). Cabe aclarar que el procedimiento anteriormente descrito no es el único utilizado en las SVM; por el contrario, en cada una de las investigaciones el procedimiento y herramientas matemáticas para ello pueden cambiar parcial o totalmente.

De este poder de clasificación, de su facilidad de aprender y, por tanto, predecir acciones o sucesos, es que las SVM están siendo altamente utilizadas en los sistemas eléctricos, algunas aplicaciones serán mencionadas a continuación.

PREDICCIÓN DEL MERCADO ELÉCTRICO

El mercado eléctrico es uno de los más variables ya que casi a diario el costo de la electricidad fluctúa, abriendo todo un campo de investigación con el fin de lograr predecir qué comportamiento tendrá el mercado, a corto, mediano o largo plazo, según se necesite.

En Italia (2007) se plantea que algunos de los factores que se estudian para la caracterización del mercado son: la carga, el tipo de día y la hora. Gao, Bompard, Napoli y Cheng (2007) los llaman los insumos para el modelo flexible de previsión (RVS), y plantean que existen básicamente dos métodos para analizar el mercado eléctrico: un análisis completo y detallado, y otro que tiene su base en modelos matemáticos como las SVM que tratan de asociar y determinar una relación entre las entradas que se le dan al sistema (conocidas) y el costo de la electricidad. Sugieren, además, una serie de acciones y ecuaciones con las cuales logran predecir el costo, minimizando el margen de error y apoyándose en las SVM. La predicción de precios a corto plazo es algo compleja, puesto los datos son muy cambiantes, y hay variaciones muy drásticas en el costo de la energía. En la figura 2 se expone esta diferencia en el mercado italiano, a diferentes niveles de carga partiendo de la carga máxima (F1) y terminando en la carga base (F4).

A largo plazo Gao, Bompard, Napoli y Cheng (2007) utilizan las variaciones de oferta y demanda y el índice de concentración del mercado; en su investigación plantean no hacer la predicción en un momento específico sino algo más general. Por último, comparan y analizan las divergencias entre los diferentes métodos matemáticos utilizados para la predicción de mercado dando como conclusión que las SVM son útiles en este proceso, pero generan un error más alto en comparación con otros métodos.

La predicción del mercado eléctrico es una de las aplicaciones más estudiadas y practicadas a partir de las SVM a nivel mundial, por ello en la tabla 1 se resumen los trabajos encontrados respecto al tema, con el fin de no incurrir en un tema tan estudiado y permitiéndole al lector redireccionarse a estos trabajos si así lo desea.

PREDICCIÓN DE LA DEMANDA Y CONSUMO DE ELECTRICIDAD

La demanda de electricidad es un tema bastante relevante, ya que con base en ella los generadores diseñan y planean su participación en el mercado; además de ser uno de los estudios que permite tener una mayor confiablidad en el sistema eléctrico ayudando con uno de los principales retos del sistema: satisfacer de manera correcta y en su totalidad la demanda energética (Osman, Awad y Mahmoud, 2009).

Este es otro de los ámbitos en los cuales más se ha implementado el método de las SVM, por ende se representan en la tabla 2 los trabajos más relevantes encontrados en la investigación y recolección de información.

CALIDAD DE POTENCIA ELÉCTRICA

Uno de los factores más importantes es precisamente la calidad de energía, ya que las consecuencias de una mala calidad pueden ser: sobretensiones, inmersión (caída), distorsiones armónicas, interrupciones, el parpadeo, etc. Esto representa perturbaciones en el buen funcionamiento de los equipos del cliente o usuario final (Siahkali, 2008).

Dos de las técnicas más comunes en el procesamiento de las señales eléctricas, son la transformada de Fourier y de wavelet, utilizadas para filtrar ruidos. Zhu (2005), en su investigación plantea la unión de la transformada de wavelet y la SVM, en un solo sistema de detección y clasificación de perturbaciones en una red de energía eléctrica, los resultados son plasmados en la tabla 3.

En esta investigación inicialmente utilizaron las ondas spline trigonométricas para eliminar el ruido de las señales, con el propósito de poder clasificar las perturbaciones más comunes expuestas en la tabla anterior.

Zhang, Chen, Liu y Zhao (2008) plantean una estrategia global para el correcto análisis de la red, para lo cual se generó la tabla 4 en la que se establecen los índices, los valores entre los que pueden variar y su clasificación dependiendo el caso.

El propósito de su trabajo es mostrar una estrategia de evaluación de calidad de potencia de sistemas eléctricos, basada en el método de lastre integrado y la SVM.

Un año más tarde, Susukh, Premrudeepreechacharn y Kasirawat (2009) desarrollan una investigación con el fin de utilizar las SVM para clasificar los tipos de perturbaciones eléctricas. Para ello hacen pruebas con las SVM, y los datos de una red de 22 KV de Tailandia Chiang Mai; utilizan un total de 450 señales de los diferentes tipos de perturbaciones, las cuales son pasadas a través de la SVM ejecutada por medio de MATLAB, Lo que arroja como resultado que la SVM es capaz de clasificar las perturbaciones eléctricas las cuales en su trabajo sustentan son de cuatro tipos: interrupciones momentáneas, caídas de tensión, sobretensiones y muescas de tensión; con un 90 % de efectividad.

En Malasia se utilizaron las SVM con el fin de identificar las causas de las caídas de tensión en las redes de distribución (Faisal y Mohamed, 2009); la red está conectada a un sistema de monitorio continuo, con el fin de supervisarla continuamente. El sistema lleva el nombre de PQMS, y es acoplado a la SVM (figura 3).

Después de probar la SVM como medio para identificar las causas de las caídas de tensión, concluyen que el método es 100 % efectivo.

La transformada de wavelet, Manimala, Selvi y Ahila (2012), en su investigación, la combinan junto con una SVM, con el fin de mejorar la calidad de energía de un sistema (Manimala, Selvi y Ahila, 2012), el marco de su modelo está representado en la figura 4.

Al implementarlo y crear las fallas desde el sistema SimuLink de MATLAB, Manimala, Selvi y Ahila (2012) concluyen que la utilización la SVM mejora la precisión en la clasificación.

En 2013 Biswal, Biswal, Dash y Mishra publican una investigación, la cual tiene el objetivo de utilizar una SVM de cuatro etapas (figura 5), combinada con la TT-transform para detectar, localizar y clasificar perturbaciones en redes de energía eléctrica.

PÉRDIDAS NO TÉCNICAS DE ENERGÍA ELÉCTRICA

Nagi et al. (2010) plantean la utilización de SVM con el fin de minimizar las pérdidas no técnicas en Malasia, específicamente la empresa afectada es Tenaga Nasional Berhad (TNB) Sdn, puesto que las pérdidas por robo de energía y otros factores en 2004 ascendieron hasta US$ 229 millones al año. Luego de clasificar los datos, dieron prioridad a aquellos que estaban más completos, y con mayor variación de consumo o con cambios fuertes en este.

La metodología que utilizaron para la detección de posibles clientes con fraude, se puede observar en la figura 6.

Un año más tarde, Shekara, Reddy, Wang y Devabhaktuni (2011) muestran que las pérdidas de energía en sus procesos de generación, transmisión y distribución son muy altos; el problema que plantean es que en generación se puede calcular de cuánto es la pérdida, pero en transmisión y distribución es más complejo.

Clasifican los clientes según su consumo mensual y su uso (residencial, comercial y agrícola), desarrollan su algoritmo de predicción con la SVM y concluyen que en una próxima investigación complementarán su modelo con un controlador inteligente.

Luego en 2015 en India utilizan una SVM acompañada de otros métodos de predicción y detección, para identificar posibles clientes fraudulentos, la SVM es un apoyo al algoritmo general (Dangar y Joshi, 2015). Un año más tarde, Jokar, Arianpoo y Leung (2015) desarrollan un algoritmo donde se incluyen las SVM, cumpliendo estas una función de detectar anomalías en el perfil del cliente y es apoyo en el proceso general, que se basa en las pérdidas en el nivel de transformación.

ENERGÍAS ALTERNATIVAS

Actualmente las energías alternativas o limpias están tomando una gran fuerza debido al fenómeno del calentamiento global provocado por gases que son derivados de procesos industriales, entre ellos la generación de energía por combustibles fósiles o derivados. Se ha trabajado directa o indirectamente en ellas con las SVM como se verá a continuación.

Eólica

Pinto, Ramos, Sousa y Vale (2014), en su trabajo muestran la utilización de las SVM, para predecir la velocidad del viento a corto plazo, la información para ello fue tomada de la base de datos del Laboratorio Nacional de Energía Renovable (http://www.nre1.gov/midc/nwtc_m2). Luego de desarrollar su algoritmo utilizando MATLAB para este fin, logran comprobar que el rendimiento de la SVM es mucho mejor que otros métodos anteriormente usados para el mismo propósito, como las redes neuronales.

De igual manera, Kong, Liu, Shi y Lee (2015) desarrollan un algoritmos para predecir la velocidad del viento con una SVM de regresión de datos (RSVM), apoyada en métodos de selección de datos denominados PCA y PSO.

Solar o fotovoltaica

Es de vital importancia conocer el índice de radiación solar, para su aprovechamiento como energía, por esto Zeng y Qiao (2013) en su investigación plantean la implementación de SVM y la utilización de la base de datos de radiación solar (NSRDB) de Estados Unidos, la cual contiene datos desde 1991 a 2005 en diferentes regiones del país, los datos son tratados en una dimensión (figura 7) y en dos dimensiones (figura 8) con el fin de analizarlos mejor.

Luego de utilizar los datos descritos anteriormente Zeng y Qiao (2013) dan a conocer una serie de gráficos de las predicciones de la SVM en dos ciudades distintas: Denver y Seattle, una de ellas descrita en la figura 9.

Al comparar los resultados con la SVM con los de otros métodos utilizados para la misma tarea, Zeng y Qiao (2013) concluyen que la SVM tiene un rendimiento mucho mejor debido a su manejo especial de los datos.

Liu et al. (2012) realizan una investigación acerca de los colectores solares cilindro-parabólicos con el fin de utilizar una SVM para su modelamiento y optimización, tomando como datos para la investigación dos sistemas de 30 y 600 metros cuadrados de campo solar en China.

La SVM fue utilizada en la planta de 600 m2, en la que se emplearon datos de entrada como: flujo solar, temperatura de entrada y de salida. La eficiencia del colector fue la salida de la SVM. Liu et al. (2012) concluyen su trabajo diciendo que la SVM basándose en los resultados, es muy acertada en cuanto al modelo y a la optimización de los colectores cilindro-parabólicos, ya que son parte fundamental del sistema de generación solar.

Se estima que la capacidad instalada de generación fotovoltaica global es de alrededor de 138,9 GW, y lo más factible es que siga aumentado; por ello Antonanzas et al. (2015) en su investigación, plantean la utilización de SVM con el fin de estimar la irradiación solar globalmente, tomando como lugar de estudio España. Luego de las pruebas en 14 estaciones meteorológicas del país, el resultado fue que la SVM es sumamente eficiente y más precisa, ya que el error más alto generado en el estudio fue de 7,38 % en comparación con los otros métodos y modelos.

En otros trabajos se plantea una metodología combinada, en la cual se incluye tanto la SVM como la transformada de wavelet (WT) para predecir la radiación solar. Este método ha sido denominado como SVM-WT en la investigación de Mohammadi et al. (2015), su modelo está basado en que los datos utilizados son fácilmente medibles y, en general, están disponibles en todo lugar, evitando así marginar a las zonas más atrasadas tecnológicamente; algunos de ellos son: latitud, altitud, temperatura ambiente, nubosidad, etc. Los datos utilizados pertenecen al puerto de Bandar Abass, en Irán, el método de clasificación de datos para la SVM se aprecia en la figura 10.

En su investigación, Mohammadi et al. (2015) hacen varios estudios, uno de ellos es la estimación global de la radiación diaria, para la cual hacen una comparación con otros métodos y modelos utilizados para ello como: "la red neuronal artificial (ANN), la programación genética (GP) y autorregresivo media móvil (ARMA)". Y los índices de comparación son cinco: error medio porcentual absoluto (MAPE), media de error de desviación absoluto (MABE), error medio cuadrático (RMSE), la raíz cuadrada del anterior (RRMSE) y por último el coeficiente de determinación (R2), arrojando como resultado lo consignado en la tabla 5.

De esta manera se comprueba que el modelo SVM-WT tiene un buen desempeño en comparación de los otros métodos y representa una herramienta útil y precisa para dicho estudio. Un año más tarde, Shamshirband et al. (2016) realizan una investigación con este mismo método en la ciudad de Kerman en el mismo país, para estimar la radiación solar difusa, obteniendo resultados similares en cuanto a la efectividad y utilidad del método.

PIEZOELÉCTRICOS

Ma, Zhang, Xu y Xie (2013) presentan un modelo combinando la SVM con el modelo de Preisach para representar la histéresis y los diferentes efectos dinámicos del piezoeléctrico, algo que con el modelo de Preisach era complicado, pues este necesitaba gran cantidad de datos que no eran de fácil adquisición. El actuador piezoeléctrico utilizado en esta investigación es un PTBS200 (de forma apilada), el cual tiene como límites de saturación -30V y +150V, la prueba es realizada inyectándole una señal cuadrada con los límites ya mencionados y comparándola con resultados experimentales y calculados con el métodos de Preisach, lo cual arrojó como resultado el buen desempeño del modelo desarrollado en la investigación "La comparación entre la salida del modelo híbrido y los datos experimentales produjo un error medio FSR de 1,03% y un error máximo de 2,37%".

VEHÍCULOS ELÉCTRICOS

La introducción de vehículos eléctricos en el mercado platea una alternativa para la contaminación global actual, como también un reto para pronosticar la demanda de energía que se necesitará para satisfacer esta nueva tecnología, con el fin de minimizar problemas en la red de energía eléctrica. Por ello, Xydas et al. (2013) plantean un modelo basado en SVM con el fin de pronosticar esta demanda a corto plazo en el Reino Unido; el diagrama de flujo que describe este modelo se puede observar en la figura 11.

Luego de realizar las pruebas con la SVM, Xydas et al. (2013) comparan los resultados con el método Monte Carlo, los cuales son muy positivos para la SVM ya que tiene una mayor sensibilidad a los cambios y, por tanto, su error es menor.

Un elemento esencial en esta tecnología con la baterías almacenadoras de energía, por lo cual se hace necesario el predecir su funcionamiento y prevenir posibles fallos en las mismas. Klass, Behm y Lindbergh (2014) platean la utilización de SVM en baterías de ion de litio; las características de estas son descritas en la tabla 6. Las pruebas son denominadas SOH (pruebas de rendimiento estándar), luego de realizar las pruebas y simulaciones virtuales se encuentra que la SVM es de gran utilidad ya que sus salidas son bastante acertadas y no se necesita de equipo adicional para realizar el estudio.

TRANSFORMADORES

El transformador es uno de los elementos más importantes y costoso en el proceso de distribución eléctrica; su buen funcionamiento es esencial para garantizar la prestación del servicio eléctrico a los usuarios conectados a él. Por lo general, el esfuerzo eléctrico y térmico al que está expuesto un transformador es la principal causa de daño o fallo en este; en algunos casos se deteriora el aislante, generando así la liberación de gases tóxicos a la atmósfera. Uno de los métodos para la predicción de fallos más utilizado se denomina método de análisis de gas disuelto (DGA). En su investigación, Zhu, Zhao, Zhai y Zhang (2007) plantean la utilización de SVM para analizar los datos del DGA, con el fin de predecir comportamientos futuros del transformador; se toma como prueba uno de 110 kV en la provincia de Jiangsu de 1990 a 1995, asumiendo así los datos hasta 1993 como entrenamiento de la SVM y los de 1994-1995 de prueba de esta.

En las tablas 7 y 8 se pueden apreciar los datos utilizados y los resultados con los mismos respectivamente, obteniendo como conclusión que la SVM es útil en la predicción de comportamientos futuros de transformadores y sus resultados son mucho más eficientes que los obtenidos con otros métodos tradicionales. Más adelante, Mehta (2013) utiliza los datos DGA para pronosticar los fallos en los transformadores utilizando un algoritmo distinto pero obteniendo resultados semejantes en cuanto a su eficacia se refiere.

Loizos (2009) utiliza la SVM con el fin de predecir las pérdidas en los transformadores (por lo general en el núcleo y en el cobre) puesto que una reducción en ellas puede generar un gran beneficio económico para la empresa. En la tabla 9 se aprecian las variables de entrada y de salida del algoritmo.

Por otro lado, Elsamahy y Babiy (2012) utilizan SVM con el fin de ayudar a detectar fallas en el aislamiento interno del transformador en situaciones tan reducidas, como el daño entre una vuelta y otra del embobinado; estos fallos son detectables solo cuando hay comprometido (en cortocircuito) un 10 % del devanado. El esquema utilizado para la detección de fallos con la SVM se presenta en la figura 12, luego de realizar las pruebas encuentran que la SVM es capaz de predecir los fallos de una vuelta a otra, además de discriminar los fallos externos, teniendo un rendimiento del 96,2 %.

La predicción es un papel importante, al igual que el conocer el estado de salud del aislamiento en el transformador. Por ello, Ashkezari, Ma, Saha y Ekanayake (2013) desarrollan una investigación con el fin de utilizar una SVM en este proceso, acoplándola con datos obtenidos de varias pruebas hechas a los trasformadores, para así mejorar el diagnóstico de la salud del aislamiento (papel/aceite). Las pruebas se realizan con los datos de un estudio DGA en 181 transformadores en servicio, lo que arroja como resultado que el acoplamiento de la SVM en este proceso es de gran utilidad para mejorar el nivel del pronóstico de la salud en los trasformadores en servicio.

OTRAS APLICACIONES

Reles

La principal función de un relé inteligente es el de desconectar un equipo cuando las condiciones eléctricas para este no sean las apropiadas, pero en algunos casos muy especiales no se reconoce si se encuentra en medio de un fallo o de una condición normal del sistema. Para mejorar su precisión en la detección de fallos, Zhang, Ilic y Tonguz (2007) platean la utilización de SVM, uno de los resultados es que esta es capaz de detectar la falla cuando esta se encuentra en medio de la red de transmisión, algo que el relé no era capaz de diferenciar. Realizaron simulaciones en MATLAB para la clasificación los datos; los software para las pruebas fueron Matpower y LIBSVM. Los autores concluyen que la utilización de SVM es viable para esta aplicación con base en los resultados obtenidos.

Aisladores

Bessedik y Hadi (2013) sugieren el uso de SVM combinada con otros modelos (mínimos cuadrados y optimización de enjambre de partículas) para predecir la tensión de descarga de dichos modelos, en diferentes condiciones ambientales. Las pruebas para ello se realizaron en el Laboratorio de Alta Tensión de la Compañía Nacional de Electricidad.

Los resultados de las pruebas se pueden observar en la figura 13. Por otro lado, comparan los resultados entre los dos métodos planteados en este trabajo (LS-SVM-PSO y LS-SVM-GS) con otros métodos utilizados regularmente para lo mismo; plantean tres casos, los cuales se diferencian en la manera de adquirir los datos y procesarlos, y encuentran que su método es más preciso en la predicción del flameo de los aisladores.

Interruptores de alta tensión

En busca de predecir la vida mecánica de los aisladores en alta tensión y así evitar interrupciones en el sistema de energía eléctrica, Zhang, Huang y Yao (2015) plantean la utilización de SVM, para lo cual tienen en cuenta dos variables principales: la curva de desplazamiento mecánico del aislador y la curva de la corriente de apertura de la bobina; en conclusión, la SVM es de gran utilidad puesto que los aisladores durante su vida útil solo trabajan unas pocas veces, lo cual reduce los datos relacionados a las fallas por las que trabajaron y la SVM generaliza muy bien los pocos datos que le son suministrados.

Fallas en cables subterráneos

Ngaopitakkul, Pothisarn, Bunjongjit y Suechoey (2012) desarrollan un método basado en SVM y la transformada de wavelet (utilizada para descomponer las señales de las fallas a alta frecuencia) con el fin de clasificar los fallos en los cables de distribución subterránea. Para ello simulan señales de fallo a una velocidad de 200 kHz, suponen la resistencia de fallo como 10Ω. En la figura 14 se puede observar la estructura de la SVM para clasificar los tipos de fallo en este tipo de cables, obteniendo resultados muy buenos en cuanto a la detección de la falla.

Conclusiones

En este artículo se presentó una revisión de trabajos realizados con base en las SVM's, con el fin de generar un apoyo para futuros trabajos en el mismo campo.

Las SVM's son una herramienta que tomo una gran fuerza y participación en todos los campos de la ciencia, debido a: los buenos resultados obtenidos en estudios realizados; son de una gran versatilidad en sus aplicaciones y en la mayoría de los casos presentan una exactitud mayor en los resultados en contraste con otros métodos.

Una de las características más relevantes de las SVM's es que pueden ser utilizadas en cualquier ámbito sin necesidad de que tengan conocimientos previos del mismo, siempre y cuando se tengan datos con los cuales entrenarla.

Los algoritmos SVM's han sido y están siendo altamente utilizados en sistemas eléctricos más específicamente en la predicción de demanda, predicción de consumo, y en la predicción de hurto de energía; actualmente están siendo utilizadas en otros campos como las energías alternativas, planteando una posibilidad para futuros estudios en esta y otras ramas poco exploradas con las SVM's.

La SVM puede utilizarse para contemplar casos en los que: Existe ruido en las muestras de entrenamiento; Los datos tienen cierto grado de solapamiento entre clases, puede ser extendido al caso no lineal. Al ser una herramienta que no ha sido utilizada en varios temas a nivel eléctrico, se genera un nicho de investigación futura.


Referencias

Ali Shiriz, Mohammad Afsharx, A. R.-K. and B. M., & zSNL/CIPCE, School of Electrical and Computer Engineering, C. of E. (2015). Electricity Price Forecasting Using Support Vector Machines by Considering Oil and Natural Gas Price Impacts, 2-6.

Antonanzas, F.; Urraca, R.; Antonanzas, J.; Fernandez, J. y Martinez-de-Pison, F.J. (2015). Generation of Daily Global Solar Irradiation with Support Vector Machines for Regression. Energy Conversion and Management, 96, 277-286. http://doi.org/10.1016/j.enconman.2015.02.086.

Ashkezari, A.D.; Ma, H.; Saha, T.K. y Ekanayake, C. (2013). Application of Fuzzy Support Vector Machine for Determining the Health Index of the Insulation System of In-Service Power Transformers. Dielectrics and Electrical Insulation, IEEE Transactions on, 20(3), 965-973. http://doi.org/10.1109/TDEI.2013.6518966.

Bessedik, S.A. y Hadi, H. (2013). Prediction of Flashover Voltage of Insulators Using Least Squares Support Vector Machine with Particle Swarm Optimisation. Electric Power Systems Research, 104, 87-92. http://doi.org/10.1016/j.epsr.2013.06.013.

Betancour, G. (2005). Las máquinas de soporte vectorial (SVM). Scientia Et Technica, 27, 67-72.

Biswal, B.; Biswal, M.K.; Dash, P.K. y Mishra, S. (2013). Power Quality Event Characterization Using Support Vector Machine and Optimization Using Advanced Immune Algorithm. Neurocomputing, 103, 75-86. http://doi.org/10.1016/j.neucom.2012.08.031.

Che, J. y Wang, J. (2010). Short-Term Electricity Prices Forecasting Based on Support Vector Regression and Auto-Regressive Integrated Moving Average Modeling. Energy Conversion and Management, 51(10), 1911-1917. http://doi.org/10.1016/j.enconman.2010.02.023.

Dangar, B. y Joshi, S.K. (2015). Electricity Theft Detection Techniques for Metered Power Consumer in Guvnl, Gujarat, India. 2015 Clemson University Power Systems Conference (PSC) (pp. 1-6). Clemson. http://doi.org/10.1109/PSC.2015.7101683.

Elsamahy, M. y Babiy, M. (2012). An Intelligent Approach Using SVM to Enhance Turn-To-Turn Fault Detection in Power Transformers. 2012 IEEE Electrical Power and Energy Conference (pp. 255-260). Londres. http://doi.org/10.1109/EPEC.2012.6474961.

Faisal, M.F. y Mohamed, A. (2009). Identification of Sources of Voltage Sags in the Malaysian Distribution Networks Using SVM Based S-Transform. TENCON 2009-2009 IEEE Region 10 Conference (pp. 1-6). Singapur. http://doi.org/10.1109/TENCON.2009.5395940.

Gao, C.; Bompard, E.; Napoli, R. y Cheng, H. (2007). Price Forecast in the Competitive Electricity Market by Support Vector Machine. Physica A: Statistical Mechanics and Its Applications, 382(1), 98-113. http://doi.org/10.1016/j.physa.2007.03.050.

Goddard, J.; Silva, G.; Pérez, R. y Ángel M. (2000). Un algoritmo para el entrenamiento de máquinas de vector soporte para regresión. Revista de Matemática: Teoría y Aplicaciones 2000, 7(1-2), 107-116.

Jokar, P.; Arianpoo, N. y Leung, V.C.M. (2015). Electricity Theft Detection in AMI Using Customers' Consumption Patterns. IEEE Transactions on Smart Grid, 7(1), 216-226. http://doi.org/10.1109/TSG.2015.2425222.

Kavaklioglu, K. (2011). Modeling and Prediction of Turkey's Electricity Consumption Using Support Vector Regression. Applied Energy, 88(1), 368-375. http://doi.org/10.1016/j.apenergy.2010.07.021.

Klass, V.; Behm, M. y Lindbergh, G. (2014). A Support Vector Machine-Based State-Of-Health Estimation Method for Lithium-Ion Batteries Under Electric Vehicle Operation. Journal of Power Sources, 270, 262-272. http://doi.org/10.1016/j.jpowsour.2014.07.116.

Kong, X.; Liu, X.; Shi, R. y Lee, K.Y. (2015). Wind Speed Prediction Using Reduced Support Vector Machines with Feature Selection. Neurocomputing, 169, 449-456. http://doi.org/10.1016/j.neucom.2014.09.090.

Liu, Q.; Yang, M.; Lei, J.; Jin, H.; Gao, Z. y Wang, Y. (2012). Modeling and Optimizing Parabolic Trough Solar Collector Systems Using the Least Squares Support Vector Machine Method. Solar Energy, 86(7), 1973-1980. http://doi.org/10.1016/j.solener.2012.01.026.

Loizos, G. y Passadis, K. (2009). Core Power Losses Estimation of Wound Core Distribution Transformers with Support Vector Machines. 16th International Conference on Systems, Signals and Image Processing (pp. 1-4). Chalkida.

Luo, T.; Hall, L.O.; Goldgof, D.B. y Remsen, A. (2005). Bit Reduction Support Vector Machine. Proceedings-IEEE International Conference on Data Mining, ICDM, 733-736. http://doi.org/10.1109/ICDM.2005.36.

Ma, Y.; Zhang, X.; Xu, M. y Xie, S. (2013). Hybrid Model Based on Preisach and Support Vector Machine for Novel Dual-Stack Piezoelectric Actuator. Mechanical Systems and Signal Processing, 34(1-2), 156-172. http://doi.org/10.1016/j.ymssp.2012.05.015.

Manimala, K.; Selvi, K. y Ahila, R. (2012). Optimization Techniques for Improving Power Quality Data Mining Using Wavelet Packet Based Support Vector Machine. Neurocomputing, 77(1), 36-47. http://doi.org/10.1016/j.neucom.2011.08.010.

Mehta, A.K.; Sharma, R.N.; Chauhan, S. y Saho, S. (2013). Transformer Diagnostics under Dissolved Gas Analysis Using Support Vector Machine. Power, Energy and Control (ICPEC), 2013 International Conference (pp. 181-186). Dindigul.

Mohammadi, K.; Shamshirband, S.; Tong, C.W.; Arif, M.; Petković, D. y Sudheer, C. (2015). A New Hybrid Support Vector Machine-Wavelet Transform Approach for Estimation of Horizontal Global Solar Radiation. Energy Conversion and Management, 92, 162-171. http://doi.org/10.1016/j.enconman.2014.12.050.

Nagi, J.; Yap, K.S.; Tiong, S.K.; Ahmed, S.K. y Mohamad, M. (2010). Nontechnical Loss Detection for Metered Customers in Power Utility Using Support Vector Machines. IEEE Transactions on Power Delivery, 25(2), 1162-1171. http://doi.org/10.1109/TPWRD.2009.2030890.

Ngaopitakkul, A.; Pothisarn, C.; Bunjongjit, S. y Suechoey, B. (2012). An Application of Discrete Wavelet Transform and Support Vector Machines Algorithm for Classification of Fault Types on Underground Cable. Proceedings-3rd International Conference on Innovations in Bio-Inspired Computing and Applications, IBICA 2012 (pp. 85-88). Kaohsiung. http://doi.org/10.1109/IBICA.2012.21.

Osman, Z.H.; Awad, M.L. y Mahmoud, T. K. (2009). Neural Network Based Approach for Short-Term Load Forecasting. 2009 IEEE/PES Power Systems Conference and Exposition (pp. 1-8). Seattle. http://doi.org/10.1109/PSCE.2009.4840035.

Papadimitriou, T.; Gogas, P. y Stathakis, E. (2014). Forecasting Energy Markets Using Support Vector Machines. Energy Economics (pp. 135-142). http://doi.org/10.1016/j.eneco.2014.03.017.

Pinto, T.; Ramos, S.; Sousa, T.M. y Vale, Z. (2014). Short-Term Wind Speed Forecasting Using Support Vector Machines. Computational Intelligence in Dynamic and Uncertain Environments (CIDUE), 2014 IEEE Symposium (pp. 40-46). Orlando.

Pinto, T.; Sousa, T.M.; Praa, I.; Vale, Z. y Morais, H. (2016). Support Vector Machines for Decision Support in Electricity Markets' Strategic Bidding. Neurocomputing, 172, 438-445. http://doi.org/10.1016/j.neucom.2015.03.102.

Qu, H.; Oussar, Y.; Dreyfus, G. y Xu, W. (2009). Regularized Recurrent Least Squares Support Vector Machines. 2009 International Joint Conference on Bioinformatics, Systems Biology and Intelligent Computing (pp. 508-511). Shanghái. http://doi.org/10.1109/IJCBS.2009.58

Resendiz T., J.; Yu, W. y Li, X. (2006). Support Vector Machine for Nonlinear System On-line Identification. 2006 3rd International Conference on Electrical and Electronics Engineering pp. 1-4. Veracruz.

Shamshirband, S.; Mohammadi, K.; Khorasanizadeh, H.; Yee, P.L.; Lee, M.; Petković, D. y Zalnezhad, E. (2016). Estimating the Diffuse Solar Radiation Using a Coupled Support Vector Machine-Wavelet Transform Model. Renewable and Sustainable Energy Reviews, 56, 428-435. http://doi.org/10.1016/j.rser.2015.11.055.

Shekara, S.; Reddy, S.; Wang, L. y Devabhaktuni, V. (2011). Support Vector Machine Based Data Classification for Detection of Electricity Theft. IEEE/PES Power Systems Conference and Exposition (PSCE) (pp. 1-8). Phoenix.

Shrivastava, N.A.; Khosravi, A. y Panigrahi, B.K. (2015). Prediction Interval Estimation of Electricity Prices using PSO tuned Support Vector Machines. IEEE Transactions on Industrial Informatics, 11(2), 1-1. http://doi.org/10.1109/TII.2015.2389625.

Shrivastava, N.A.; Khosravi, A.; Panigrahi, B.K. y Memeber, S. (2014). Prediction Interval Estimation for Electricity Price and Demand Using Support Vector Machines. IEEE Transactions on Industrial Informatics, 11(2), 322-331.

Siahkali, H. (2008). Power Quality Indexes for Continue and Discrete Disturbances in a Distribution Area. PECon 2008-2008 IEEE 2nd International Power and Energy Conference, (PECon 08) (pp. 678-683). Johor Bahru. http://doi.org/10.1109/PECON.2008.4762561.

Sun, C., & Gong, D. (2006). Support Vector Machines with PSO Algorithm for Short-Term Load Forecasting. 2006 IEEE International Conference on Networking, Sensing and Control, 676-680. http://doi.org/10.1109/ICNSC.2006.1673227.

Susukh, J., Premrudeepreechacharn, S., & Kasirawat, T. (2009). Power quality problem classification using support vector machine. 2009 6th International Conference on Electrical Engineering Electronics Computer Telecommunications and Information Technology, 01, 2-5. http://doi.org/10.1109/ECTICON.2009.5136965.

Swief, R. A., Hegazy, Y. G., Abdel-Salam, T. S., & Bader, M. (2009). Support vector machines (SVM) based short term electricity load-price forecasting. 2009 IEEE Bucharest PowerTech, 1-5. http://doi.org/10.1109/PTC.2009.5281886.

Turkay, B. E., & Demren, D. (2011). Electrical load forecasting using support vector machines. Electrical and Electronics Engineering (ELECO), 2011 7th International Conference on, I-49-I-53.

Wang, Y., & Yu, S. (2008). With Least Squares Support Vector Machines, (April), 714-719.

Xie, L., & Zheng, H. (2013). Demand elasticity analysis by least squares support vector machine. Proceedings of the 2013 6th International Congress on Image and Signal Processing, CISP 2013, 2(Cisp), 1085-1089. http://doi.org/10.1109/CISP.2013.6745217.

Xydas, E. S., Marmaras, C. E., Cipcigan, L. M., Hassan, A. S., & Jenkins, N. (2013). Forecasting Electric Vehicle charging demand using Support Vector Machines. 2013 48th International Universities' Power Engineering Conference (UPEC), 1-6. http://doi.org/10.1109/UPEC.2013.6714942.

Yan, X., & Chowdhury, N. A. (2013). Mid-term Electricity Market Clearing Price Forecasting Using Multiple Support Vector Machine. 2013 4th IEEE PES Innovative Smart Grid Technologies Europe (ISGT Europe), 1-5.

Yang, S. X., & Wang, Y. (2007). Applying support vector machine method to forecast electricity consumption. 2006 International Conference on Computational Intelligence and Security, ICCIAS 2006, 1, 929-932. http://doi.org/10.1109/ICCIAS.2006.294275.

Yan-Gao, C. Y.-G. C., & Guangwen, M. G. M. (2009). Electricity Price Forecasting Based on Support Vector Machine Trained by Genetic Algorithm. 2009 Third International Symposium on Intelligent Information Technology Application, 2, 293-296. http://doi.org/10.1109/IITA.2009.96.

Yucheng, L. y Yubin, L. (2010). Incremental Learning Method of Least Squares Support Vector Machine. 2010 International Conference on Intelligent Computation Technology and Automation, 1, 529-532. Recuperado de: http://doi.org/10.1109/ICICTA.2010.104.

Zeng, J. y Qiao, W. (2013). Short-Term Solar Power Prediction Using a Support Vector Machine. Renewable Energy, 52, 118-127. http://doi.org/10.1016/j.renene.2012.10.009.

Zhang, J., Han, J., Wang, R., & Hou, G. (2011). Day-ahead electricity price forecasting based on rolling time series and least square-support vector machine model. 2011 Chinese Control and Decision Conference (CCDC), 1065-1070. http://doi.org/10.1109/CCDC.2011.5968342.

Zhang, X.; Huang, R.; Yao, S.; Li, G.; Zhong, L. y Wang, X. (2015). Mechanical Life Prognosis of High Voltage Circuit Breakers Based on Support Vector Machine. Natural Computation (ICNC), 2015 11th International Conference (pp. 749-753). Zhangjiajie.

Zhang, X. Z. X., Chen, X. C. X., Liu, H. L. H., & Zhao, B. Z. B. (2008). Application of integrated weight method and support vector machine in the comprehensive evaluation of power quality. 2008 Third International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, (20060294019), 2181-2186. http://doi.org/10.1109/DRPT.2008.4523772.

Zhang, Y.; Ilic, M. y Tonguz, O. (2007). Application of Support Vector Machine Classification to Enhanced Protection Relay Logic in Electric Power Grids. Power Engineering, 2007 Large Engineering Systems Conference (pp. 31-38). Recuperado de: http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=4437348.

Zhu, F. (2005). Classification of Power Quality Disturbances Using, (August), 18-21. http://doi.org/10.3906/elk-1112-51.

Guo-Sheng Hu, Jing Xie and Feng-Feng Zhu, "Classification of power quality disturbances using wavelet and fuzzy support vector machines," 2005 International Conference on Machine Learning and Cybernetics, Guangzhou, China, 2005, pp. 3981-3984 Vol. 7.

Zhu, Y.-L.; Zhao, W.-Q.; Zhai, X.-M. y Zhang, X.-Q. (2007). A Fault Prediction Approach for Power Transformer Based on Support Vector Machine. Wavelet Analysis and Pattern Recognition, 2007. ICWAPR '07. International Conference on, 4, 1457-1461. http://doi.org/10.1109/ICWAPR.2007.4421679.

##plugins.generic.pfl.publicationFactsTitle##

Metric
##plugins.generic.pfl.thisArticle##
##plugins.generic.pfl.otherArticles##
##plugins.generic.pfl.peerReviewers## 
2.4 promedio

##plugins.generic.pfl.reviewerProfiles##  N/D

##plugins.generic.pfl.authorStatements##

##plugins.generic.pfl.authorStatements##
##plugins.generic.pfl.thisArticle##
##plugins.generic.pfl.otherArticles##
##plugins.generic.pfl.dataAvailability## 
##plugins.generic.pfl.dataAvailability.unsupported##
##plugins.generic.pfl.averagePercentYes##
##plugins.generic.pfl.funders## 
##plugins.generic.pfl.funders.no##
32% con financiadores
##plugins.generic.pfl.competingInterests## 
N/D
##plugins.generic.pfl.averagePercentYes##
Metric
Para esta revista
##plugins.generic.pfl.otherJournals##
##plugins.generic.pfl.articlesAccepted## 
Artículos aceptados: 19%
33% aceptado
##plugins.generic.pfl.daysToPublication## 
##plugins.generic.pfl.numDaysToPublication##
145

Indexado: {$indexList}

    ##plugins.generic.pfl.indexedList##
##plugins.generic.pfl.editorAndBoard##
##plugins.generic.pfl.profiles##
##plugins.generic.pfl.academicSociety## 
Universidad Distrital Francisco José de Caldas
Loading...