Análisis de datos para determinar el mantenimiento y/o cambio de equipos en las subestaciones de centrales eléctricas de Norte de Santander (Cens)

En la actualidad las tecnologías de la información han aumentado su auge respondiendo en menos tiempo a las necesidades y servicios prestados, la toma de datos está migrando a listas de chequeo o de inspección digitales, a su vez la información es alojada en bases de datos sistemáticas que permiten estructurar datos, realizar consultas o añadido y borrado de información. Machine Learning es una rama de la inteligencia artificial que dota a los ordenadores de reconocimiento de patrones que da respuestas automáticas de determinado sistema. En esta investigación, se presenta una planilla de inspección web para las visitas realizadas por los contratistas de CENS a las subestaciones eléctricas, igualmente dicha información recolectada es guardada en un gestor de bases de datos MySQL para ser analizados por medio del software Python utilizando el método de clasificación llamado Máquinas de vectores de soporte (SVM, por sus siglas en inglés) donde los datos son determinados en tres rangos de calificación, buen estado, estable y atención inmediata. El algoritmo fue evaluado con las métricas que ofrece sklearn obteniéndose un puntaje F1 de 91.49%, sensibilidad de 91,31%, precisión de 91.94% y una exactitud de 91,34%.Introducción 15 1. Descripción del problema 17 1.1 Planteamiento del problema 17 1.2 Justificación 18 1.2.1 Beneficios Tecnológicos 19 1.2.2 Beneficios Económicos 19 1.2.3 Beneficios Sociales 20 1.2.4 Beneficios Institucionales 20 1.3 Objetivos 20 1.3.1 Objetivo general 20 1.3.2 Objetivos específicos 20 1.4 Limitaciones y Delimitaciones 21 1.4.1 Limitaciones 21 1.4.2 Delimitaciones 21 2. Marco Referencial 22 2.1 Antecedentes 22 2.2 Marco Teórico 24 2.2.1 Big Data 24 2.2.2 Agrupación de datos (Clustering) 24 2.2.3 MySQL 25 2.2.4 Excel 26 2.2.5 Inteligencia Artificial 27 2.2.6 Software Libre 28 2.2.7 Python 29 2.2.8 R 30 2.2.9 Ruby 30 2.3 Marco legal 31 3. Diseño Metodológico 32 4. Resultados 35 4.1 Variables en el análisis de datos. 35 4.2 Capacidades de procesamiento de los softwares libre. 37 4.2.1 Software para la planilla de inspección 37 4.2.2 Software para la base de datos 41 4.2.3 Software para el análisis de datos 44 4.3 Plantilla subestaciones eléctricas y base de datos. 47 4.4 Porcentajes para el análisis de datos 52 4.5 Agrupamiento de datos y algoritmo de inteligencia artificial 57 4.6 Algoritmo y comprobación. 60 5. Conclusiones 67 6. Recomendaciones 69 7. Referencias Bibliográficas 70 8. Anexos 74PregradoIngeniero(a) Electrónico(a