APLICACIÓN DE ALGORITMOS DE APRENDIZAJE AUTOMÁTICO EN LA PREDICCIÓN DE FALLAS EN REDES ELÉCTRICAS

Resumen

La predicción temprana de fallas en redes eléctricas mediante técnicas de aprendizaje automático constituye un campo de investigación de creciente interés dada su capacidad para mejorar la confiabilidad y eficiencia de los sistemas eléctricos. El presente estudio evalúa y compara el desempeño de algoritmos supervisados y no supervisados, incluyendo redes neuronales artificiales (RNA), random forest (RF), máquinas de soporte vectorial (SVM) y análisis de componentes principales (PCA). Los resultados indican que las RNA y RF logran los mejores resultados con una precisión de 92% y 89% respectivamente. Las RNA sobresalen en sensibilidad (90%) mientras que RF y SVM alcanzan una mayor especificidad (90%). El área bajo la curva ROC confirma las RNA como el clasificador más efectivo (0.95), seguido por RF y SVM (0.94 ambos). Los análisis revelan además una relación directa entre volumen de datos y performance del modelo. Asimismo, la calidad de los datos impacta significativamente en la precisión. En conclusión, las técnicas de aprendizaje profundo, específicamente RNA, constituyen alternativas prometedoras para la implementación de sistemas inteligentes de gestión de redes eléctricas. No obstante, la curación de datos y la combinación de enfoques complementarios siguen siendo necesarias para robustecer los modelos.