Volver a líneas de trabajo

Línea de trabajo · Energía

IA para confiabilidad energética con CHEC

Integramos criticidad de eventos, operación de red, clima, vegetación y aprendizaje profundo para explorar fallas, anticipar impacto y explicar qué variables sostienen cada predicción.

Red eléctrica abstracta con nodos de IA, señales climáticas, vegetación y paneles de analítica

Diagnóstico operativo

El reto operativo no es solo anticipar impacto: es entender qué señales cambian el riesgo. El proyecto conecta analítica descriptiva del dashboard con modelos de aprendizaje profundo para pasar de observación histórica a predicción explicable.

01

Exploración de criticidad

Dashboard para pasar de eventos históricos a patrones operativos de criticidad

02

Predicción de impacto

Modelos de aprendizaje profundo para estimar impacto y contrastar desempeño

03

Explicabilidad por modalidad

Lectura por modalidades para entender qué señales sostienen el riesgo

Datos y señales

Criticidad, red y contexto ambiental

El análisis combina criticidad histórica, operación de red, clima, vegetación y variables estructurales para estimar UITI y explicar los factores que sostienen cada predicción de riesgo.

CriticidadUITIClimaVegetaciónTopología de redAprendizaje profundoExplicabilidad

Dashboard CHEC

De eventos históricos a lectura operativa

Esta vista resume el rol del dashboard: orientar exploración, filtrar contexto y revisar patrones sin publicar coordenadas, popups operativos ni tablas crudas.

Captura publica del mapa de criticidad CHEC con zonas agregadas y filtros sin coordenadas exactas

Captura del mapa

Vista tipo mapa del dashboard para comunicar concentración espacial sin publicar coordenadas ni identificadores

Modelos e interpretabilidad

Predicción de UITI con explicación por modalidad

La página conserva solo los resultados esenciales: desempeño de modelos de aprendizaje profundo y modalidades que explican la predicción. Los resultados cuantitativos quedan para reportes técnicos internos o publicaciones validadas.

Panel general de desempeno de modelos de aprendizaje profundo para prediccion de impacto

Desempeño predictivo

Resumen cualitativo de desempeño para comunicar estabilidad, error esperado y validación, sin publicar valores definitivos

Grafico general de modalidades relevantes para modelos de aprendizaje profundo en confiabilidad energetica

Explicación por modalidad

La explicación se organiza por familias de señales: clima, vegetación, operación y contexto de red

Chatbot CHEC

Asistente de recomendaciones y consulta documental

El dashboard incluye un asistente para consultar documentos, recomendaciones y salidas gráficas. En esta página se presenta su flujo de uso; GitHub Pages no ejecuta backend ni inferencia.

Chatbot CHEC con historial, selector de asistente, carga de PDF, recomendacion y grafica generada

Dashboard_CHEC

Recomendaciones normativas y operativas en lenguaje natural

El flujo combina consulta, contexto documental, recomendación y gráfica, sin identificadores de equipos ni ubicaciones sensibles.

  • Consulta documentos y recomendaciones por proceso
  • Usa el modelo conversacional disponible
  • Entrega una respuesta contextual con vista gráfica

Ejemplo: ante humedad, viento y radiación elevados, priorizar inspección de vegetación y revisión térmica preventiva bajo criterios RETIE/NTC.