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

Suárez Cepeda, Maicol Owen; Garcés Durán, David Felipe

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

dc.contributor.advisor	Duarte Gualdrón, César Antonio
dc.contributor.advisor	Cristancho Castro, César Augusto
dc.contributor.author	Suárez Cepeda, Maicol Owen
dc.contributor.author	Garcés Durán, David Felipe
dc.contributor.evaluator	Soto Rios, Edison Andrés
dc.contributor.evaluator	Mantilla Villalobos, María Alejandra
dc.date.accessioned	2024-11-13T15:47:07Z
dc.date.available	2024-11-13T15:47:07Z
dc.date.created	2024-11-12
dc.date.issued	2024-11-12
dc.description.abstract	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.
dc.description.abstractenglish	This degree work focuses on the implementation of a machine learning approach for voltage-reactive control in an electrical distribution system. The decision variables are the tap settings of capacitor banks and substation power transformers. Based on a literature review, an article that employs classification-type support vector machines (SVMs) is selected, where SVMs are modeled using data generation from a base case of active and reactive power in an IEEE 33-bus distribution system. These data are used to solve uncontrolled power flows, obtaining voltage data and completing the necessary input descriptors for the machine learning model (active power, reactive power, and effective voltage). The work is divided into two parts. The first part models and evaluates the performance of the machine learning approach in different operating scenarios affecting the test data, as described in the selected reference article, presenting results such as the highest voltage deviation, overvoltage, and undervoltage cases. In the second part, the method developed in the thesis titled ((Estrategia de control tensi´on-reactiva en sistemas de distribuci´on a partir de bancos de condensadores y cambia tomas en transformadores)) from the Industrial University of Santander is used. Here, a discrete coordinate descent optimization algorithm is presented to determine the optimal control variables. Additionally, data are generated through Monte Carlo simulations with a Weibull probability distribution in hourly demand scenarios. These data are used to model four SVMs with the goal of predicting the position of the decision variables for 24 hours of hourly demand. Finally, the optimization is compared with the machine learning predictions, evaluating execution time, overvoltage and undervoltage cases, and the highest voltage deviation.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electricista
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/44648
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Eléctrica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	capacitores
dc.subject	medición de tensión
dc.subject	potencia reactiva
dc.subject	transformadores
dc.subject	máquina de aprendizaje
dc.subject	control tensión-reactiva
dc.subject.keyword	capacitors
dc.subject.keyword	voltage measurement
dc.subject.keyword	reactive power
dc.subject.keyword	transformers
dc.subject.keyword	machine learning
dc.subject.keyword	voltage-reactive control
dc.title	Estrategia de control tensión-reactiva en sistemas de distribución a partir de bancos de capacitores y cambia tomas en transformadores utilizando máquinas de aprendizaje.
dc.title.english	Volt-var control strategy in distribution systems from capacitor banks and tap changers in transformers using machine learning.
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado