Óptima ubicación de generación distribuida en redes de distribución con el uso de redes neuronales artificiales
Para citar o enlazar este item, por favor use el siguiente identificador:
http://dspace.ups.edu.ec/handle/123456789/20715| Title: | Óptima ubicación de generación distribuida en redes de distribución con el uso de redes neuronales artificiales |
| Authors: | Flores Flores, Marlon Steven |
| Advisor: | Jaramillo Monge, Manuel Dario |
| Abstract: | In the present work, artificial neural network training is developed by means of the MATLAB simulink software, in order to find the optimal location of distributed reactive power generation units in the IEEE 34-bus distribution system. For the creation and training of artificial neural networks, the IEEE 33-bar test system will be used. Subsequently, to this system one or two generation units are added or added with values specified in the problem statement; we will have the variables of interest (voltages in the bars) which will be used as data for the training of the network. Once the ANN training has been carried out, the IEEE 34-bar distribution system is evaluated, allowing the identification of the optimal location of the UGD for the improvement of voltage profiles. Finally, some results of the proposed case studies are presented, such as the time it takes to train the ANN, the best validation, the effectiveness of the network training, among other parameters. |
| Translated abstract: | En el presente trabajo se desarrolla el entrenamiento de redes neuronales artificiales por medio del software MATLAB simulink, con la finalidad de encontrar la óptima ubicación de unidades de generación distribuida (potencia reactiva) en el sistema de distribución IEEE de 34 barras. Para la creación y entrenamiento de las redes neuronales artificiales de utilizará el sistema de prueba del IEEE de 33 barras. Posteriormente, a este sistema se le añade o añaden una o dos unidades de generación con valores especificados en el planteamiento del problema; se tendrá las variables de interés (voltajes en las barras) las cuales se utilizará como datos para el entrenamiento de la red. Una vez realizado el entrenamiento de la RNA se procede a valorar en el sistema de distribución IEEE de 34 barras, permitiendo identificar cual es la ubicación óptima de UGD para la mejora de perfiles de voltaje. Finalmente se presentan algunos resultados de los casos de estudios propuestos, como el tiempo que tarda en entrenarse la RNA, la mejor validación, la efectividad del entrenamiento de la red entre otros parámetros. |
| Keywords: | INGENIERÍA ELÉCTRICA OPTIMIZACIÓN MATEMÁTICA REDES ELÉCTRICAS DISTRIBUCIÓN DE ENERGÍA ELÉCTRICA REDES NEURONALES (COMPUTADORES) |
| Issue Date: | Aug-2021 |
| URI: | http://dspace.ups.edu.ec/handle/123456789/20715 |
| Language: | spa |
| Appears in Collections: | Grado |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| UPS - TTS444.pdf | Texto completo | 1,66 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
