1 Clasificación de Eventos PQ usando Redes Neuronales Convolucionales (CNN) IAAplicada al Análisis de Sistemas Eléctricos Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
2 Presentación Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 • Gonzalo A. Franklin • Ingeniero Electricista graduado de la Universidad Industrial de Santander, Especialista en Sistemas de Transmisión y Distribución de Energía Eléctrica y Magister en Ingeniería Eléctrica (en curso) de la Universidad de los Andes. Actualmente cuento con mas de ocho años de carrera profesional como analista de sistemas eléctricos colaborando con diferentes compañías de consultoría, fabricantes e integradores de tecnología para el sector energético. • Áreas de Interés: Calidad de Energía, Medición Inteligente, Automatización en Distribución, Tecnologías Smart Grid, Energías Renovables y Eficiencia Energética. ga.franklin10@uniandes.edu.co
3 CONTENIDO ¿Qué es la IA y el Machine Learning? ¿Por qué es tan popular la IA actualmente? Aplicaciones IA y ML en Sistemas Eléctricos Caso de Estudio y Resultados. Atención de preguntas y comentarios. Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
- ORACLE La
Inteligencia artificial (IA) se refiere a sistemas o máquinas que imitan la inteligencia humana para realizar tareas y pueden mejorar iterativamente a partir de la información que recopilan. inteligencia artificial aprovecha las computadoras y las máquinas para imitar las capacidades de resolución de problemas y toma de decisiones de la mente humana.
- IBM “ ¿Qué es la ArtificialInteligencia(IA)? Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
5 ¿Qué es el Aprendizaje Profundo “Deep Learning”? • El aprendizaje profundo o también conocido “Deep Learning” agrupa una serie de técnicas avanzadas de aprendizaje automático (Machine Learning en Inglés) que a su vez se basan en la implementación de modelos de redes neuronales artificiales en diversos contextos los cuales han demostrado que son aplicables a muchas industrias para propósitos tanto de predicción y pronósticos como de clasificación y agrupación, entre otros. Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
¿Qué es la Ciencia de Datos?
6
Es el estudio de datos con el fin de extraer información significativa para empresas. Es un enfoque multidisciplinario que combina principios y prácticas del campo de las matemáticas, la estadística, la inteligencia artificial y la ingeniería de computación para analizar grandes cantidades de datos. Este análisis permite que los científicos de datos planteen y respondan a preguntas como “qué pasó”, “por qué pasó”, “qué pasará” y “qué se puede hacer con los resultados”
. - Amazon Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
7 ¿Por qué es tan popular la IA ahora? Redes Neuronales Artificiales Mayor capacidad de Almacenamiento Mayor capacidad de Procesamiento Mejores tecnologías de Comunicación Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
Ing.
8
REDES NEURONALESPERCEPTRÓN
Son modelos algorítmicos basados en estructuras de redes neuronales biológicas, compuestos por múltiples capas de procesamiento de información para aprender a partir de representaciones de datos mediante varios niveles de abstracción, realizando una serie de transformaciones lineales y no lineales para que a partir de unos datos de entrada se genere una salida próxima a la esperada. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co
Redes Neuronales Artificiales (ANN)
06/09/2022
9
Evolución del Transistor
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
Computación en la Nube
10
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
-
Big data es la derivación de valor a partir de la toma de decisiones de negocios basadas en bases de datos relacionales tradicionales, aumentada con nuevas fuentes de datos no -estructurados.
Oracle
¿Qué es el BIG DATA?
Big data es un término aplicado a los conjuntos de datos cuyo tamaño o tipo está más allá de la capacidad de la tradicional base de datos relacionales para capturar, gestionar y procesar los datos con baja latencia. IBM
“
Las 5Vs del BIG DATA
6 de septiembre de 2022
(c).
12
Ing. Gonzalo Franklin, M.Sc ga.franklin10@uniandes.edu.co
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
13
Fuentes de Datos en Sistemas Eléctricos
14
Tipos de Datos
Medición de Frontera Comercial (1 min)Lecturas de Perfil de Demanda (15 min)
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
Formas de Onda (130 microsegundos)
15
Tipos de Datos
Medición Fasorial Sincronizada (8,3 ms)
16
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
Redes Neuronales Simples
Redes Neuronales Profundas
Tipos de Redes Neuronales
17
M.Sc (c).
Son redes neuronales artificiales mas complejas las cuales cuentan con una serie de capas de preprocesamiento de información para propósitos de convolución (filtrado) de la imagen o grupo (set) de datos de entrada, esto con el fin de detectar y posteriormente reconocer patrones característicos en los datos de entrada. Gonzalo Franklin, ga.franklin10@uniandes.edu.co
Ing.
06/09/2022
Redes Neuronales Convolucionales (CNN)
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
18
Arquitectura de una Red Neuronal Convolucional (CNN)
Clasificación de Eventos PQ usando Redes Neuronales Convolucionales
20 OBJETIVO • Desarrollar y evaluar un modelo de clasificación de eventos de calidad de la potencia basado en algoritmos de aprendizaje de maquina (redes neuronales convolucionales) tal que en futuros trabajos pueda ser implementado para un entorno productivo en línea. Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
21
METODOLOGÍA (ARQUITECTURA CNN) Franklin,
Ing. Gonzalo
CLASIFICADOR BINARIO DE 1D Gonzalo Franklin, ga.franklin10@uniandes.edu.co
M.Sc (c).
06/09/2022
Ing.
22
23
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
METODOLOGÍA
24
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
METODOLOGÍA
METODOLOGÍA
25
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Batch_size: 16 2. Numero de Epochs: 500 3. Función de activación: ReLU 4. Kernel_size: 3 5. Optimizador: Adam
26
ARQUITECTURA PROPUESTA
27 RESULTADOS Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Clase 1 Clase 2 Clase 3 Clase 4 Clase 5 Clase 6 Clase 7 Clase 8 - Notch
28
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
– Clase 1
Resultados “Sags
29 Resultados – Clase 1 “Sags” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 316/500 20/20 [==============================] - 15s 747ms/step - loss: 0.0525 - sparse_categorical_accuracy: 0.9906 - val_loss: 0.0549 - val_sparse_categorical_accuracy: 0.9875 - lr: 1.0000e-04 Epoch 316: early stopping 4/4 [==============================] - 1s 225ms/step - loss: 0.0494 - sparse_categorical_accuracy: 0.9800 Test accuracy 0.9800000190734863 Test loss 0.049435392022132874 [[50 0] [ 2 48]] precision recall f1-score support 0 0.96 1.00 0.98 50 1 1.00 0.96 0.98 50 accuracy 0.98 100 macro avg 0.98 0.98 0.98 100 weighted avg 0.98 0.98 0.98 100
30
Resultados Clase 2 “Swells
–
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
31 Resultados – Clase 2 “Swells” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 336/500 20/20 [==============================] - 14s 689ms/step - loss: 0.1910 - sparse_categorical_accuracy: 0.9438val_loss: 0.0926 - val_sparse_categorical_accuracy: 1.0000 - lr: 1.0000e-04 Epoch 336: early stopping 4/4 [==============================] - 2s 383ms/step - loss: 0.0854 - sparse_categorical_accuracy: 0.9600 Test accuracy 0.9599999785423279 Test loss 0.0853869616985321 [[50 0] [ 4 46]] precision recall f1-score support 0 0.93 1.00 0.96 50 1 1.00 0.92 0.96 50 accuracy 0.96 100 macro avg 0.96 0.96 0.96 100 weighted avg 0.96 0.96 0.96 100
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
32
–
Resultados Clase 3 “Interruptions
33 Resultados – Clase 3 “Interruptions” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 227/500 20/20 [==============================] - 16s 806ms/step - loss: 0.0047 - sparse_categorical_accuracy: 1.0000val_loss: 0.0065 - val_sparse_categorical_accuracy: 1.0000 - lr: 1.0000e-04 Epoch 227: early stopping 4/4 [==============================] - 1s 259ms/step - loss: 0.0027 - sparse_categorical_accuracy: 1.0000 Test accuracy 1.0 Test loss 0.002650879556313157 [[50 0] [ 0 50]] precision recall f1-score support 0 1.00 1.00 1.00 50 1 1.00 1.00 1.00 50 accuracy 1.00 100 macro avg 1.00 1.00 1.00 100 weighted avg 1.00 1.00 1.00 100
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
–
4
34
Resultados Clase “Transients
35 Resultados – Clase 4 “Transients” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 220/500 20/20 [==============================] - 16s 812ms/step - loss: 0.6467 - sparse_categorical_accuracy: 0.5969val_loss: 0.6717 - val_sparse_categorical_accuracy: 0.4875 - lr: 1.0000e-04 Epoch 220: early stopping 4/4 [==============================] - 1s 246ms/step - loss: 0.6509 - sparse_categorical_accuracy: 0.4700 Test accuracy 0.4699999988079071 Test loss 0.6508831977844238 [[10 40] [13 37]] precision recall f1-score support 0 0.43 0.20 0.27 50 1 0.48 0.74 0.58 50 accuracy 0.47 100 macro avg 0.46 0.47 0.43 100 weighted avg 0.46 0.47 0.43 100
Resultados Oscillatory Transients
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
– Clase 5 “
36
37 Resultados – Clase 5 “Oscillatory Transients” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 100/500 20/20 [==============================] - 15s 768ms/step - loss: 0.4179 - sparse_categorical_accuracy: 0.8250val_loss: 0.3070 - val_sparse_categorical_accuracy: 0.9000 - lr: 1.2500e-04 Epoch 100: early stopping 4/4 [==============================] - 2s 326ms/step - loss: 0.4068 - sparse_categorical_accuracy: 0.7900 Test accuracy 0.7900000214576721 Test loss 0.40683871507644653 [[50 0] [21 29]] precision recall f1-score support 0 0.70 1.00 0.83 50 1 1.00 0.58 0.73 50 accuracy 0.79 100 macro avg 0.85 0.79 0.78 100 weighted avg 0.85 0.79 0.78 100
Resultados Harmonics
38
– Clase 6 “
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
39 Resultados – Clase 6 “Harmonics” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 133/500 20/20 [==============================] - 16s 805ms/step - loss: 0.0038sparse_categorical_accuracy: 1.0000 - val_loss: 0.0541 - val_sparse_categorical_accuracy: 1.0000 - lr: 1.2500e-04 Epoch 133: early stopping 4/4 [==============================] - 1s 253ms/step - loss: 0.0127 - sparse_categorical_accuracy: 1.0000 Test accuracy 1.0 Test loss 0.012666926719248295 [[50 0] [ 0 50]] precision recall f1-score support 0 1.00 1.00 1.00 50 1 1.00 1.00 1.00 50 accuracy 1.00 100 macro avg 1.00 1.00 1.00 100 weighted avg 1.00 1.00 1.00 100
Resultados “Flicker
” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
40
– Clase 7
41 Resultados – Clase 7 “Flicker” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 174/500 20/20 [==============================] - 17s 827ms/step - loss: 0.0043 - sparse_categorical_accuracy: 0.9969val_loss: 1.4890 - val_sparse_categorical_accuracy: 0.6750 - lr: 1.0000e-04 Epoch 174: early stopping 4/4 [==============================] - 1s 256ms/step - loss: 4.0631e-04 - sparse_categorical_accuracy: 1.0000 Test accuracy 1.0 Test loss 0.00040630565490573645 [[50 0] [ 0 50]] precision recall f1-score support 0 1.00 1.00 1.00 50 1 1.00 1.00 1.00 50 accuracy 1.00 100 macro avg 1.00 1.00 1.00 100 weighted avg 1.00 1.00 1.00 100
42 Resultados – Clase 8 “Notch” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Parámetros: 1. Cantidad de eventos: 500 (400/100 - train/test) 2. Frecuencia de muestreo: 18 kHz 3. Frecuencia fundamental: 60 Hz 4. Numero de ciclos por evento: 10 ciclos 5. Amplitud de la señal: 1.0 en p.u.
43 Resultados – Clase 8 “Notch” Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022 Epoch 240/500 20/20 [==============================] - 17s 831ms/step - loss: 3.7656e-04 - sparse_categorical_accuracy: 1.0000 - val_loss: 2.1348 - val_sparse_categorical_accuracy: 0.4000 - lr: 1.0000e-04 Epoch 240: early stopping 4/4 [==============================] - 1s 251ms/step - loss: 2.0800e-04 - sparse_categorical_accuracy: 1.0000 Test accuracy 1.0 Test loss 0.0002080011909129098 [[50 0] [ 0 50]] precision recall f1-score support 0 1.00 1.00 1.00 50 1 1.00 1.00 1.00 50 accuracy 1.00 100 macro avg 1.00 1.00 1.00 100 weighted avg 1.00 1.00 1.00 100
Implementación (Trabajo Futuro)
Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co 06/09/2022
44
• How to Use Convolutional Neural Networks for Time Series Classification: A gentle introduction, state-of-the-art model overview, and a hands-on example. Desde <https://towardsdatascience.com/how-to-use-convolutional-neuralnetworks-for-time-series-classification-56b1b0a07a57>
Desde <https://machinelearningmastery.com/cnn-models-for-human-activity-recognition-time-series-classification/>
Referencias
45
• Convolutional Neural Network (CNN) for Time Series Classification: Desde <https://www.macnica.co.jp/business/ai_iot/columns/135112/>
• 1D Convolutional Neural Network Models for Human Activity Recognition:
• Time Series Classification with Deep Learning: An overview of the architecture and the implementation details of the most important Deep Learning algorithms for Time Series Classification. Desde <https://towardsdatascience.com/time-series-classification-with-deep-learning-d238f0147d6f>
06/09/2022
• How to Develop Convolutional Neural Network Models for Time Series Forecasting:
Desde forecasting/<https://machinelearningmastery.com/how-to-develop-convolutional-neural-network-models-for-time-series-> Ing. Gonzalo Franklin, M.Sc (c). ga.franklin10@uniandes.edu.co
¡Gracias por suAtención!
Para mayor información: ga.franklin10@uniandes.edu.co