Aplicación de herramientas de machine LEARNING para la predicción de interrupciones en sistemas de distribución eléctrica en El Salvador /
Esta tesis desarrolla un modelo para la predicción de fallas en transformadores de distribución, utilizando información de calidad de servicio regulada por la SIGET. El trabajo se centra en la zona central del país, donde las condiciones ambientales y operativas influyen directamente en el deterioro...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | , |
| Format: | Thèse Livre |
| Langue: | espagnol |
| Accès en ligne: | https://hdl.handle.net/20.500.14492/32423 Voir à l'OPAC |
| Tags: |
Pas de tags, Soyez le premier à ajouter un tag!
|
MARC
| LEADER | 00000nam a2200000 4500 | ||
|---|---|---|---|
| 005 | 20251112114554.0 | ||
| 007 | ta | ||
| 008 | 251112b2025es es ||||| |||| 00| 0 spa d | ||
| 040 | |a SV-SsUSB |b spa |d SV-SsUSB |e rda | ||
| 094 | |a 1502 |b M828a | ||
| 100 | 1 | |a Morales Orellana, César Alberto |e autor | |
| 245 | 1 | 0 | |a Aplicación de herramientas de machine LEARNING para la predicción de interrupciones en sistemas de distribución eléctrica en El Salvador / |c César Alberto Morales Orellana, Eduardo Enrique Munto Uceda, docente asesor. Werner David Meléndez Valle |
| 264 | |a San Salvador, El Salvador: |b Universidad de El Salvador |c 2025 | ||
| 300 | |a 82 página |b ilustraciones |c 28 cm + | ||
| 336 | |2 rdacontent |a texto |b txt | ||
| 337 | |2 rdamedia |a no mediado |b n | ||
| 338 | |2 rdacarrier |a volumen |b nc | ||
| 502 | |a Tesis |b (Ingeniería Eléctrica)--- |c Universidad de El Salvador, San Salvador |d 2025 | ||
| 504 | |a Incluye bibliografía | ||
| 520 | |a Esta tesis desarrolla un modelo para la predicción de fallas en transformadores de distribución, utilizando información de calidad de servicio regulada por la SIGET. El trabajo se centra en la zona central del país, donde las condiciones ambientales y operativas influyen directamente en el deterioro de los equipos. El análisis histórico evidencia un aumento de fallas por degradación y envejecimiento, y una reducción de eventos por causas externas, lo que resalta la importancia de los factores internos en el desempeño de los transformadores. Con base en datos operativos y de protecciones, se aplicaron técnicas de aprendizaje automático que combinan modelos supervisados y no supervisados para estimar la probabilidad de falla y detectar comportamientos anómalos. Los resultados obtenidos permiten priorizar el mantenimiento preventivo y optimizar la gestión de activos eléctricos, contribuyendo a mejorar la confiabilidad y continuidad del servicio eléctrico. | ||
| 521 | |a General | ||
| 700 | 1 | |a Munto Uceda, Eduardo Enrique |e autor | |
| 700 | 1 | |a Meléndez Valle Werner David |e docente asesor | |
| 856 | |u https://hdl.handle.net/20.500.14492/32423 | ||
| 942 | |2 Dewey Decimal Classification |c Tesis y disertaciones académicas | ||
| 990 | |a Ing_silvia | ||
| 999 | |c 250395 |d 250947 | ||
| 952 | |1 Disponible |2 Dewey Decimal Classification |8 Tesario |a Biblioteca de Ingeniería y Arquitectura |b Biblioteca de Ingeniería y Arquitectura |c Tesis |d 2025-11-10 |e estudiantes |i 15107058 |l 0 |p 15107058 |r 2025-11-12 11:47:50 |w 2025-11-12 |y Tesis y disertaciones académicas | ||