Publicación:

Estrategia de control tensión-reactiva en sistemas de distribución a partir de bancos de capacitores y cambia tomas en transformadores utilizando máquinas de aprendizaje.

Resumen

Este trabajo de grado se enfoca en la implementación de una máquina de aprendizaje para el control tensión-reactiva en un sistema de distribución eléctrica. Las variables de decisión son los ajustes en cambiadores de tomas de bancos de capacitores y transformadores de potencia de la subestación. Basado en una revisión de literatura, se selecciona un artículo que emplea máquinas de soporte vectorial (SVMs) de tipo clasificación, modeladas mediante generación de datos a partir de un caso base de potencia activa y reactiva en un sistema de distribución IEEE de 33 barras. Estos datos se utilizan para resolver flujos de potencia sin control, obteniendo datos de tensión y completando los descriptores de entrada necesarios para la máquina de aprendizaje (potencia activa, potencia reactiva y tensión eficaz). El trabajo se divide en dos partes. La primera modela y evalúa el desempeño de la máquina de aprendizaje en diferentes escenarios de operación que afectan a los datos de prueba, tal como son descritos en el artículo seleccionado, en el que se presentan resultados como la mayor desviación de tensión, casos de sobretensión y subtensión. En la segunda parte se utiliza el método desarrollado en el trabajo de grado titulado "Estrategia de control tensión-reactiva en sistemas de distribución a partir de bancos de condensadores y cambia tomas en transformadores" de la Universidad Industrial de Santander. Aquí, se presenta un algoritmo de optimización por descenso de coordenadas discretas para determinar las variables óptimas de control. Además, se generan datos mediante simulaciones de Montecarlo con una distribución de probabilidad de Weibull en escenarios de demanda horaria. Estos datos son usados para modelar cuatro SVMs con el objetivo de predecir la posición de las variables de decisión para las 24 horas de la demanda horaria. Finalmente, se compara la optimización con las predicciones de la máquina de aprendizaje, evaluando tiempo de ejecución, casos de sobretensión y subtensión, y la mayor desviación de tensión.