Post-processament de dades sobre l'estabilitat d'una xarxa elèctrica

Aquest treball de fi de grau s'emmarca en el grau d'Enginyeria Informàtica a la Facultat d'Informàtica de Barcelona (FIB), amb menció en Computació i fet Centre d'Innovació Tecnològica en Convertidors Estàtics i Accionaments CITCEA. L'objectiu principal del treball és identificar patrons rellevants en un conjunt de dades d'alta dimensionalitat que descriuen el funcionament de la xarxa elèctrica NREL-118. Per assolir aquest objectiu, s'han aplicat diverses tècniques d'anàlisi de dades i aprenentatge automàtic. En primer lloc, s'han utilitzat mètodes de reducció de dimensionalitat i visualització com PCA, t-SNE i UMAP per explorar l'estructura interna de les dades. Posteriorment, s'han emprat tècniques de clusterització com k-Means i DBSCAN amb l'objectiu d'avaluar la separabilitat de les dades. Finalment, s'han aplicat models de classificació, concretament arbres de decisió i gradient boosting, per predir l'estat de la xarxa i analitzar la presència de patrons més complexos. Els resultats mostren que, tot i que els mètodes de clusterització presenten limitacions a l'hora de separar clarament les classes, els models de classificació obtenen resultats satisfactoris, assolint fins a un 88\% de precisió. L'anàlisi dels models ha permès identificar variables i nodes clau associats a la inestabilitat de la xarxa, especialment aquells relacionats amb generadors CIG. Aquests resultats contribueixen a una millor comprensió del comportament de la xarxa elèctrica.