Algoritmo de aprendizaje por refuerzo y LSTM para mejorar la eficiencia de una subestación de 215 KVA en el Distrito de Salaverry

Abstract

El presente estudio desarrolla un algoritmo de aprendizaje por refuerzo y memoria al corto y largo plazo para mejorar la eficiencia de una subestación de 215 KVA. Se enfoca en la predicción de fallas y optimización del rendimiento de la subestación mediante el uso de técnicas avanzadas de inteligencia artificial. La investigación se inicia con la recolección de datos históricos sobre fallas, utilizando una ficha de registro y procesamiento de datos en Excel y luego se diseñó el algoritmo, integrando redes neuronales recurrentes para manejar secuencias temporales de datos. Los resultados muestran una mejora significativa en la detección y respuesta a fallas, comparada con métodos tradicionales. Este enfoque no solo aumenta la confiabilidad de la subestación, sino que también ofrece un modelo replicable para otras instalaciones similares.