Please use this identifier to cite or link to this item:
http://dspace.ucuenca.edu.ec/handle/123456789/40129
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Astudillo Salinas, Darwin Fabián | - |
dc.contributor.author | Astudillo Astudillo, Walter Ramiro | - |
dc.date.accessioned | 2022-10-21T18:57:55Z | - |
dc.date.available | 2022-10-21T18:57:55Z | - |
dc.date.issued | 2022-10-21 | - |
dc.identifier.uri | http://dspace.ucuenca.edu.ec/handle/123456789/40129 | - |
dc.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. | en_US |
dc.description.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. | en_US |
dc.format | application/pdf | en_US |
dc.format.extent | 56 páginas | en_US |
dc.language.iso | spa | en_US |
dc.publisher | Universidad de Cuenca | en_US |
dc.relation.ispartofseries | TM4;1996 | - |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Ingeniería Eléctrica | en_US |
dc.subject | Corriente eléctrica | en_US |
dc.subject | Programación | en_US |
dc.subject.other | Electricidad | en_US |
dc.title | Evaluación de un algoritmo basado en Machine Learning para un flujo de potencia óptima de corriente alterna ACOPF | en_US |
dc.type | masterThesis | en_US |
dc.description.degree | Magíster en Electricidad Mención Redes Eléctricas Inteligentes | en_US |
dc.description.city | Cuenca | en_US |
dc.ucuenca.id | 0103907036 | en_US |
dc.ucuenca.idautor | 0105356810 | en_US |
dc.ucuenca.areaconocimientounescoamplio | 33 Ciencias Tecnológicas | en_US |
dc.ucuenca.correspondencia | waltherastudillo@outlook.com | en_US |
dc.ucuenca.areaconocimientounescoespecifico | 3306 Ingeniería y Tecnología Eléctricas | en_US |
dc.ucuenca.areaconocimientounescodetallado | 3306.09 Transmisión y Distribución | en_US |
dc.rights.accessRights | openAccess | en_US |
dc.ucuenca.responsablerecepcion | Peñafiel Vázquez Erika Sofía | en_US |
dc.audience.educationLevel | Tesis de Maestría en Electricidad Mención Redes Eléctricas Inteligentes | en_US |
Appears in Collections: | Tesis Maestrías |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Trabajo-de-Titulación.pdf | Versión presentada (texto completo) | 1.58 MB | Adobe PDF | View/Open |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
Centro de Documentacion Regional "Juan Bautista Vázquez" | ||||||||||
|