Title: | Evaluación de un algoritmo basado en Machine Learning para un flujo de potencia óptima de corriente alterna ACOPF |
Authors: | Astudillo Astudillo, Walter Ramiro |
metadata.dc.contributor.advisor: | Astudillo Salinas, Darwin Fabián |
metadata.dc.ucuenca.correspondencia: | waltherastudillo@outlook.com |
metadata.dc.subject.other: | Electricidad |
Keywords: | Ingeniería Eléctrica Corriente eléctrica Programación |
metadata.dc.audience.educationLevel: | Tesis de Maestría en Electricidad Mención Redes Eléctricas Inteligentes |
metadata.dc.ucuenca.areaconocimientounescoamplio: | 33 Ciencias Tecnológicas |
metadata.dc.ucuenca.areaconocimientounescodetallado: | 3306.09 Transmisión y Distribución |
metadata.dc.ucuenca.areaconocimientounescoespecifico: | 3306 Ingeniería y Tecnología Eléctricas |
Issue Date: | 21-Oct-2022 |
metadata.dc.format.extent: | 56 páginas |
Publisher: | Universidad de Cuenca |
metadata.dc.description.city: | Cuenca |
Series/Report no.: | TM4;1996 |
metadata.dc.type: | masterThesis |
Abstract: | In this work, the feasibility of using machine learning (ML) to obtain solutions to the alternating current
optimal power flow problem ACOPF (Alternating Current Optimal Power Flow) is analyzed. Because ACOPF is
a nonconvex problem with high nonlinearity, numerous efforts have been made to find efficient optimization
methods that can substantially reduce resolution times. OPF (Optimal Power Flow) problems are usually solved
by interior point methods [1], also known as barrier methods. One of the most widely used approaches is the
primary dual interior point technique with a filter line search [2]. These methods are robust but expensive, since
they require the calculation of the second derivative of the Lagrangian in each iteration. A new and fruitful
research direction is to use ML techniques to solve problems of operation and control of electrical networks. ML
has been shown to significantly reduce the use of computational resources in many real-world problems. Several
solution methods have been used, among them random forest, multi-objective decision tree and extreme learning
machine [3, 4]. The ML operation in this case is applied as a method that first predicts voltage magnitudes and
angles on each bus. Using network equations based on physics to calculate the injection of power in different
buses. For general ML learning, the data is divided into three sets: one for training, one for validation, and finally,
one for testing. These algorithms focus on minimizing their objective function and the cost of operating an AC
transmission network. |
Description: | En este trabajo, se analiza la factibilidad de usar el aprendizaje automático (Machine Learning (ML)) para
obtener soluciones al problema del flujo de potencia óptimo de corriente alterna (Alternating Current Optimal
Power Flow (ACOPF)). Debido a que ACOPF es un problema no convexo y con una alta no linealidad, se
han realizado numerosos esfuerzos para encontrar métodos eficientes de optimización que puedan reducir
sustancialmente los tiempos de resolución. Los problemas de Optimal Power Flow (OPF) generalmente se
resuelven mediante métodos de punto interior [1], también conocidos como métodos de barrera. Uno de los
enfoques más utilizados es la técnica del punto interior dual primario con una búsqueda de línea de filtro [2].
Estos métodos son robustos pero costosos, ya que requieren el cálculo de la segunda derivada del Lagrangiano
en cada iteración. Una nueva y fructífera dirección de investigación consiste en utilizar técnicas de ML para
resolver problemas de operación y control de las redes eléctricas. ML ha mostrado reducir significativamente
el uso de recursos computacionales en muchos problemas del mundo real. Se han utilizado varios métodos
de solución entre ellos se destacan bosque aleatorio, árbol de decisiones de objetivos múltiples y máquina de
aprendizaje extrema [3, 4]. El funcionamiento de ML en este caso se aplica como un método que predice primero
magnitudes y ángulos de voltaje en cada bus. Empleando ecuaciones de red basadas en la física para calcular la
inyección de potencia en diferentes buses. Para el aprendizaje en general de ML los datos se dividen en tres
conjuntos: uno de entrenamiento, otro de validación y finalmente, uno de pruebas. Estos algoritmos se centran
en minimizar su función objetivo y el costo de operación de una red de transmisión de corriente alterna. |
metadata.dc.description.degree: | Magíster en Electricidad Mención Redes Eléctricas Inteligentes |
URI: | http://dspace.ucuenca.edu.ec/handle/123456789/40129 |
Appears in Collections: | Tesis Maestrías
|