Detección de fallas en red enmallada apoyada en inteligencia artificial

Abstract

La operación anómala de los sistemas de protección en redes eléctricas enmalladas representa un desafío crítico para la confiabilidad del suministro, donde factores humanos contribuyen a cerca del 40% de las fallas operativas según la NERC. Este trabajo desarrolla un sistema de detección de fallas basado en inteligencia artificial implementado sobre un prototipo físico IEEE-5 nodos a escala, diseñado para evaluar el desempeño de algoritmos de detección bajo condiciones reales. El diseño de ingeniería consideró criterios técnicos como AUC-ROC, exactitud, F1-score y tasa de falsos negativos, integrados mediante una matriz de decisión para seleccionar la alternativa óptima. El proyecto se enmarcó en estándares internacionales aplicables al análisis y verificación de sistemas eléctricos y dispositivos de protección, incluyendo IEC 60909, IEC 60076, IEC 60255, C37.010-1979 y lineamientos del AI Act (2024). La solución seleccionada fue un clasificador MLP (Perceptrón Multicapa), validado mediante la aplicación física de fallas trifásicas, bifásicas y monofásicas. Durante la validación, el sistema detectó 57 de las 60 fallas ejecutadas (95 %), superando el umbral requerido y evidenciando su viabilidad para aplicaciones de protección. Los resultados evidencian que el proyecto cumplió su objetivo general, confirmando la viabilidad técnica de aplicar técnicas de aprendizaje automático en sistemas de protección en redes enmalladas.

Malfunctioning of protection systems within meshed electrical grids presents a significant impediment to supply reliability, with human factors implicated in approximately 40% of operational failures, as reported by NERC. This paper presents the development of an artificial intelligence-based fault detection system deployed on a physical, scaled IEEE 5-node prototype for evaluating detection algorithm efficacy under operational conditions. The engineering design incorporated a decision matrix leveraging technical performance metrics (AUC-ROC, accuracy, F1-score, false negative rate) to determine the optimal solution. The project's framework was based on international standards for electrical systems and protection devices, including IEC 60909, IEC 60076, IEC 60255, C37.010-1979, and principles from the AI Act (2024). The selected solution, a Multilayer Perceptron (MLP) classifier, was validated via the physical application of three-phase, two-phase, and single-phase faults. Validation results indicated a 95% detection rate (57 out of 60 faults), thus exceeding the mandated performance threshold. This outcome demonstrates the project's success in achieving its primary objective and confirms the technical feasibility of integrating machine learning into protection schemes for meshed networks.