Control de Taps de Transformadores en Sistemas de Distribución Usando Aprendizaje Reforzado

Abstract

En este trabajo de grado se propuso una solución al problema de la regulación de tensión en sistemas de distribución de energía eléctrica. Un procedimiento que permite la correcta operación de esta variable, según los niveles establecidos por las normas legales, es la instalación de transformadores cambia taps bajo carga, también llamados Load Tap Changer. Estos utilizan las distintas posiciones en las que se pueden ajustar para modificar la conexión de sus devanados y, en consecuencia, la tensión de salida. Debido a esto, se planteó el objetivo de diseñar una estrategia para controlar la regulación de tensión en sistemas de distribución mediante el ajuste de taps en transformadores usando aprendizaje reforzado. Con el fin cumplir con lo propuesto, se utilizó una estrategia de aprendizaje reforzado, la cual es una rama del machine learning; esta se ejecuta sobre el sistema analizado para que actúe sobre las posiciones de los taps convenientes según las variables a controlar. Como resultado de la presente investigación, se evidenció que la herramienta diseñada permite realizar el proceso de ajuste de los LTC, así como adaptarse a diferentes sistemas sin importar su topología o condiciones externas e internas que se requieran para converger y operar. Adicionalmente, con este resultado se demostró una mejora de la regulación con respecto al sistema no controlado, cumpliendo en todo momento con los rangos establecidos por la norma NTC 1340.